Autocorrelacion

Roman Salmeron Gomez

Universidad de Granada

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 1 / 42

 Contenidos

Contenidos Naturaleza del problema

Naturaleza del problema
Causas y consecuencias de la autocorrelacion
Causas y
consecuencias de la
autocorrelacion
Procedimientos de Deteccion
Procedimientos de Estimacion en los modelos con autocorrelacion
Deteccion

Estimacion en los
modelos con
autocorrelacion

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 2 / 42

Contenidos

Naturaleza del problema

Autocorrelacion

Causas y
consecuencias de la
autocorrelacion

Procedimientos de
Deteccion

Estimacion en los
Naturaleza del problema
modelos con
autocorrelacion

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 3 / 42

 Autocorrelacion

Contenidos
En el modelo lineal general, y = X +u, se supone que la perturbacion aleatoria
Naturaleza del problema es tal que E[u] = 0n1 y V ar(u) = E[u ut ] = 2 Inn , lo cual implica que:
Autocorrelacion

Causas y  E[ut ] = 0, t {1, . . . , n}.

consecuencias de la
autocorrelacion  E[u2t ] = V ar(ut ) = 2 , t {1, . . . , n} (varianza constante = homo-
Procedimientos de cedasticidad).
Deteccion

Estimacion en los  E[ui uj ] = Cov(ui , uj ) = 0, i 6= j {1, . . . , n} (incorrelacion).

modelos con
autocorrelacion
Cuando se incumple el supuesto de incorrelacion, es decir, la covarianza de la
perturbacion aleatoria es no nula para dos instantes de tiempo distintos, E[ui
uj ] 6= 0, i 6= j o, equivalentemente, E[ut utk ] 6= 0, k > 0, se dice que
hay autocorrelacion.
En tal caso, los elementos de fuera de la diagonal principal de la matriz de
varainzas-covarianzas no son todos nulos (hay al menos un elemento no nulo).
Este problema aparece especialmente cuando se disponen de datos de se-
ries temporales, es decir, cuando se disponen de observaciones que miden una
variable de una entidad (individuos, familias, empresas, etc.) a lo largo del tiempo.

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 4 / 42

 Ejemplo

Contenidos
As, por ejemplo, al estudiar la productividad de una empresa, la aparicion de
Naturaleza del problema una nueva maquina en un momento determinado, ademas de producir un efecto
Autocorrelacion
en dicho instante de tiempo, lo producira tambien en sucesivos. No es factible
Causas y
consecuencias de la
pensar que dicho efecto vaya a desaparecer en instantes de tiempo sucesivos.
autocorrelacion Esto implicara que las perturbaciones en ambos momentos estan correlacionados
Procedimientos de entre s.
Deteccion
Uriel, E. y otros (1990). Econometra. El modelo lineal.
Estimacion en los
modelos con
autocorrelacion

Similar interpretacion merece el fichaje de un jugador estrella por un equipo

de futbol. El incremento (deseable) en ventas de camisetas con el dorsal que
llevara el nuevo jugador, ademas de afectar al momento del anuncio de su fichaje,
se presupone que influira tambien en la venta en el futuro.
... este es mo

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 5 / 42

 Autocorrelacion

Contenidos Consideraremos entonces el modelo lineal general

Naturaleza del problema

Autocorrelacion yn1 = Xnk k1 + un1 ,

Causas y
consecuencias de la
autocorrelacion
tal que E[u] = 0n1 y V ar(u) = 2 nn donde es una matriz cuya
Procedimientos de diagonal principal es constantemente 1 y de los elementos que no pertenecen a
Deteccion
dicha diagonal principal hay al menos un elemento no nulo.
Estimacion en los
modelos con
Al igual que en el tema anterior, se dice que el modelo tiene una matriz de
autocorrelacion varianzas-covarianzas no escalar o con perturbaciones no esfericas (ya que la
matriz de varianzas-covarianzas de la perturbacion aleatoria es distinta al pro-
ducto de una constante por la matriz diagonal).

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 6 / 42

Contenidos

Naturaleza del problema

Causas y
consecuencias de la
autocorrelacion

Ejemplo

Procedimientos de
Deteccion Causas y consecuencias de la
Estimacion en los
modelos con autocorrelacion
autocorrelacion

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 7 / 42

 Causas y consecuencias de la autocorrelacion

Contenidos
Las principales causas que provocan autocorrelacion en un modelo lineal son:
Naturaleza del problema
 Existencia de variables endogenas retardadas.
Causas y
consecuencias de la
autocorrelacion  Omision de variables relevantes: la perturbacion aleatoria contendra a la
Ejemplo variable excluida ocasionando un patron de correlacion.
Procedimientos de
Deteccion  Si se especifica una relacion funcional erronea (por ejemplo, una relacion
Estimacion en los lineal cuando no lo es), el termino de perturbacion captara tal efecto provo-
modelos con
autocorrelacion
cando autocorrelacion en el modelo.

 Las tecnicas de manipulacion de datos (interpolacion, promedios, etc.)

pueden introducir un patron sistematico en el modelo que conduzca a la
autocorrelacion.

 Naturaleza del fenomeno: con datos correspondientes a series de tiempo

(se observa una variable a lo largo del tiempo) es probable que observacio-
nes sucesivas sean dependientes entre s provocando autocorrelacion.

La presencia de autocorrelacion en un modelo lineal provoca, al igual que en el

caso de la heteroscedasticidad, que los estimadores obtenidos no sean optimos
(aunque si sean lineales e insesgados).
RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 8 / 42
 Ejemplo

Contenidos
Supongamos que el modelo correcto para explicar Yt es
Naturaleza del problema

Causas y Yt = 1 + 2 X2t + 3 X3t + ut ,

consecuencias de la
autocorrelacion

Ejemplo
y que erroneamente se especifica el modelo
Procedimientos de
Deteccion Yt = 1 + 2 X2t + vt .
Estimacion en los
modelos con
En tal caso, el termino de error del segundo modelo dependera de la variable
autocorrelacion
omitida (por ejemplo, vt = 3 X3t + ut ). Tal relacion conducira a la presencia de
autocorrelacion en el modelo:

Cov(vt , vtk ) = E[vt vtk ] = E[(3 X3t + ut ) (3 X3tk + utk )]

= 32 X3t X3tk + 3 X3t E[utk ]
+3 X3tk E[ut ] + E[ut utk ]
= 32 X3t X3tk 6= 0, k > 0,

donde se ha tenido en cuenta que la perturbacion aleatoria del primer modelo

tiene media cero y esta incorrelada.
RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 9 / 42
Contenidos

Naturaleza del problema

Causas y
consecuencias de la
autocorrelacion

Procedimientos de
Deteccion

Metodos graficos
Metodos analticos
Procedimientos de Deteccion
Estimacion en los
modelos con
autocorrelacion

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 10 / 42

 Procedimientos de Deteccion

Contenidos
Para detectar la autocorrelacion en un modelo lineal multiple disponemos de dis-
Naturaleza del problema tintos procedimientos.
Causas y En primer lugar usaremos metodos graficos a partir de los cuales intentare-
consecuencias de la
autocorrelacion mos intuir cuales son las variables que provocan la existencia de autocorrelacion
Procedimientos de en el modelo. Ya que las perturbaciones aleatorias no son observables, usaremos
Deteccion
los residuos de la estimacion por MCO (al igual que para detectar la heterosce-
Metodos graficos
dasticidad). Concretamente, analizaremos el grafico temporal de los residuos y el
Metodos analticos

Estimacion en los
grafico de dispersion de los mismos frente a algun retardo suyo.
modelos con Puesto que tomar una decision a partir de un procedimiento grafico no es
autocorrelacion
muy adecuado ya que son facilmente manipulables y sera totalmente subjetiva,
recurriremos a metodos analticos para determinar la presencia de heteroscedas-
ticidad en el modelo. De todos los metodos analticos disponibles, el mas utilizado,
y que estudiaremos, es el de Durbin-Watson. Ademas, como este metodo no es
adecuado cuando existen variables retardadas como explicativas (ya que enton-
ces tiende a indicar ausencia de autocorrelacion), se estudia entonces el contraste
h de Durbin. Tambien usaremos el contraste de Ljung-Box.

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 11 / 42

 Metodos Graficos

Contenidos
Dentro de los procedimientos graficos consideraremos:
Naturaleza del problema
Grafico temporal de los residuos: si los residuos estan incorrelados deben dis-
Causas y
consecuencias de la tribuirse de forma aleatoria alrededor de su media (el cero). Sin embargo,
autocorrelacion
si estan correlacionados:
Procedimientos de
Deteccion
 observaremos rachas de residuos por debajo y por encima de la me-
Metodos graficos
Metodos analticos
dia (correlacion positiva).
Estimacion en los  obervaremos una alternancia en el signo de los residuos (correlacion
modelos con
autocorrelacion negativa).

Graficos de dispersion: el grafico de dispersion de los residuos, et , frente algun

retardo suyo, etk (normalmente se considera k = 1), puede mostrar la
existencia de autocorrelacion positiva (tendencia creciente en el grafico) o
negativa (tendencia decreciente).

Funciones de autocorrelacion y autocorrelacion parcial: Si dichas funciones,

ACF y ACP, corresponden a ruido blanco, se concluira que la perturbacion
es incorrelada.

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 12 / 42

 Ejemplo

Contenidos Consideremos los datos de la tabla 1 Tabla 1: Datos observados

Naturaleza del problema para ajustar un modelo que analice el Ano Consumo PIB
1987 9427 355312
Causas y consumo de energa electrica (en mi-
consecuencias de la 1988 9876 373412
autocorrelacion les de TEP) a partir del PIB a precios
1989 10410 391443
Procedimientos de constantes (millones de euros).
Deteccion
1990 10974 406252
Dada la naturaleza del problema (serie 1991 11372 416582
Metodos graficos
temporal), tal y como se ha indicado, 1992 11488 420462
Metodos analticos

Estimacion en los
sospechamos la posible presencia de 1993 11569 416126
modelos con autocorrelacion en el modelo. Por tal 1994 11999 426041
autocorrelacion
motivo, en primer lugar usaremos los 1995 12462 437787
metodos graficos para intentar detec- 1996 12827 448457
tarla. Usaremos con tal objetivo los re- 1997 13331 466513
siduos de la estimacion por MCO del 1998 14290 486785
1999 15364 507346
modelo:
2000 16309 528714
bt = 6234 54+0 0426873P IBt , 2001 17282 543746
C
2002 17756 554852
R2 = 0 992408

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 13 / 42

 Ejemplo

Contenidos
500
Naturaleza del problema
400
Causas y
consecuencias de la
autocorrelacion 300

Procedimientos de
Deteccion 200

Metodos graficos
100
Metodos analticos
e

Estimacion en los 0
modelos con
autocorrelacion
-100

-200

-300

-400
1988 1990 1992 1994 1996 1998 2000 2002
Tiempo

Figura 1: Grafico temporal de los residuos

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 14 / 42

 Ejemplo

Contenidos
e con respecto a e1 (con ajuste mnimocuadrtico)
Naturaleza del problema 400
Y = 22,3 + 0,521X
Causas y
consecuencias de la 300
autocorrelacion

Procedimientos de 200
Deteccion

Metodos graficos 100

Metodos analticos
0
e

Estimacion en los
modelos con
100
autocorrelacion

200

300

400
300 200 100 0 100 200 300 400 500
e1

Figura 2: Grafico de dispersion

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 15 / 42

 Ejemplo

Contenidos
En el grafico de la figura 1 observamos rachas de residuos por encima y por
Naturaleza del problema debajo de la media (cero), mientras que en el de la figura 2 observamos una
Causas y tendencia claramente creciente. Por tanto, podemos pensar que hay presencia de
consecuencias de la
autocorrelacion autocorrelacion positiva en el modelo.
Procedimientos de Para confirmar este hecho recurriremos a los procedimientos analticos del
Deteccion
contraste de Durbin-Watson y de Ljung-Box.
Metodos graficos
Metodos analticos

Estimacion en los
modelos con
autocorrelacion

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 16 / 42

 Contraste de Durbin-Watson

Contenidos
Supongamos que la autocorrelacion de la perturbacion aleatoria viene definida
Naturaleza del problema por un proceso autorregresivo de primer orden, esto es:
Causas y
consecuencias de la
autocorrelacion
ut = ut1 + vt , vt N (0, 2 ), t.
Procedimientos de
Deteccion Luego para contrastar si realmente hay autocorrelacion en el modelo hay que
Metodos graficos plantear los siguientes contrastes de hipotesis:
Metodos analticos

Estimacion en los
H0 : = 0 (incorrelacion) H0 : = 0 (incorrelacion)
modelos con
autocorrelacion
H1 : > 0 (correlacion positiva) H1 : < 0 (correlacion negativa)
Para tomar una decision en los contrastes anteriores utilizaremos el es-
tadstico de Durbin-Watson, que se define como:

P
n
(et et1 )2
t=2
d= P
n , (1)
e2t
t=1

donde e denota a los residuos del modelo estimado por MCO.

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 17 / 42

 Aproximacion al estadstico de Durbin-Watson

Contenidos Teniendo en cuenta que para un numero de observaciones, n, grande podemos

P
n
Naturaleza del problema n n n et et1
P P P
Causas y establecer que e2t e2t1 e2t , y denotando = t=2
P
n , es
consecuencias de la t=2 t=2 t=1 e2t
autocorrelacion t=1

Procedimientos de
claro que:
Deteccion
P
n
2 P
n P
n P
n
e2t e2t1
Metodos graficos
(et et1 ) + 2 et et1
Metodos analticos
t=2 t=2 t=2 t=2
Estimacion en los
d = P
n = P
n
modelos con
autocorrelacion
e2t e2t
t=1 t=1
Pn P
n
2 e2t 2 et et1
t=2 t=2
P
n = 2 (1 ) .
e2t
t=1

Observese que corresponde a la pendiente (y coeficiente de correlacion) de la

regresion et = et1 + t .

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 18 / 42

 Interpretacion estadstico de Durbin-Watson

Contenidos
Teniendo en cuenta que es el coeficiente de correlacion de los residuos, se tiene
Naturaleza del problema que:
Causas y
consecuencias de la  habra correlacion negativa en los residuos cuando este proximo a -1, lo
autocorrelacion
cual se traduce en que d sea proximo a 4.
Procedimientos de
Deteccion
 habra incorrelacion en los residuos cuando este proximo a 0, lo cual se
Metodos graficos
traduce en que d sea proximo a 2.
Metodos analticos

Estimacion en los  habra correlacion positiva en los residuos cuando este proximo a 1, lo
modelos con
autocorrelacion cual se traduce en que d sea proximo a 0.

Pero, como de proximo a los valores 0, 2 y 4 se ha de estar? Durbin y

Watson encontraron unas cotas, dL y dU , tales que:

 si d < dL , entonces habra autocorrelacion positiva.

 si dU < d < 4 dU , entonces hay incorrelacion.

 si d > 4 dL , entonces hay autocorrelacion negativa.

 en cualquier otro caso el contraste no es concluyente.

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 19 / 42

 Cotas del estadstico de Durbin-Watson

Contenidos
Representando graficamente la informacion anterior se obtiene:
Naturaleza del problema

Causas y
consecuencias de la
autocorrelacion

Procedimientos de
Deteccion

Metodos graficos
Metodos analticos

Estimacion en los
modelos con
autocorrelacion

Figura 3: Cotas del estadstico de Durbin-Watson

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 20 / 42

 Ejemplo

Contenidos
Considerando el modelo que ajusta el consumo energetico en funcion del PIB,
Naturaleza del problema tras estimarlo por MCO
Causas y
consecuencias de la bt = 6234 54 + 0 0426873 P IBt ,
C R2 = 0 992408
autocorrelacion

Procedimientos de
(451 562) (0 0009978)
Deteccion

Metodos graficos y calcular sus residuos, podemos obtener la siguiente informacion:

Metodos analticos
Ano et et1 e2
t et et1 (et et1 )2 et et1
Estimacion en los
1987 4941584 2441925
modelos con
1988 1705190 4941584 290767 -3236394 1047424 8426340
autocorrelacion
1989 -651749 1705190 42478 -2356939 555516 -1111356
1990 -1333305 -651749 177770 -681556 46452 868980
1991 -1762899 -1333305 310781 -429594 18455 2350482
1992 -2259164 -1762899 510382 -496266 24628 3982678
1993 401755 -2259164 16141 2660919 708049 -907631
1994 469314 401755 22026 67558 456 188549
1995 85268 469314 727 -384045 14749 40018
1996 -819462 85268 67152 -904730 81854 -69874
1997 -3487073 -819462 1215968 -2667611 711615 2857523
1998 -2550634 -3487073 650573 936439 87692 8894246
1999 -587561 -2550634 34523 1963073 385366 1498652
2000 -258974 -587561 6707 328587 10797 152163
2001 3054278 -258974 932861 3313252 1097764 -790978
2002 3053431 3054278 932344 -00847 00072 9326026
Total 7653125 4790895 3570735

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 21 / 42

 Ejemplo

Contenidos
A partir de dicha informacion se puede calcular el valor del estadstico de Durbin-
Naturaleza del problema Watson:
P
n
2
Causas y
(et et1 )
consecuencias de la
t=2 479089 5
autocorrelacion
d= P
n = = 0 6260051,
765312 5

Procedimientos de
Deteccion
e2t
t=1
Metodos graficos
Metodos analticos y de su aproximacion:
Estimacion en los P
n
modelos con
autocorrelacion et et1  

d 2 t=2 = 2 1 357073 5
1 P
n 765312 5
e2t
t=1
= 2 (1 0 4665722) = 2 0 5334278 = 1 066856.

Comparando estos valores con las cotas de Durbin-Watson para 16 observacio-

nes al 5% de significacion, dL = 1 1062 y dU = 1 3709, se tiene que hay
autocorrelacion positiva ya que d < dL .

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 22 / 42

 H de Durbin

Contenidos
El contraste de Durbin-Watson es valido cuando la autocorrelacion de los errores
Naturaleza del problema es autorregresiva de orden 1 y cuando la regresion no incluye entre las variables
Causas y explicativas algun retardo de la variable dependiente.
consecuencias de la
autocorrelacion En este segundo caso se recurre al contraste h de Durbin. Esto es, en mo-
Procedimientos de delos del tipo
Deteccion

Metodos graficos
Yt = Yt1 + 1 + 2 X2t + + k Xkt + ut ,
Metodos analticos

Estimacion en los
modelos con
donde ut = ut1 + vt , para contrastar
autocorrelacion

H0 : = 0 (incorrelacion)
H1 : 6= 0 (correlacion)
q n
utilizaremos el estadstico h = N (0, 1), de forma que se
1nV\ )
ar(b
rechazara la hipotesis nula si |h| > Z1 2 .

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 23 / 42

 Contraste de Ljung-Box

Contenidos Si los residuos son independientes, sus primeras m autocorrelaciones son cero,
Naturaleza del problema para cualquier valor de m. El contraste de Ljung-Box contrasta, entonces, la
Causas y hipotesis nula de que las primeras m autocorrelaciones, m , son cero. Esto es:
consecuencias de la
autocorrelacion 
Procedimientos de
H0 : 1 = 2 = . . . = m = 0
Deteccion H1 : i {1, 2, . . . , m} tal que i 6= 0
Metodos graficos
Metodos analticos P
m
r(s)2
Estimacion en los
Se rechaza la hipotesis nula (de incorrelacion) si QLB = n(n + 2) ns >
modelos con s=1
autocorrelacion 2m1 (1 ) donde
P
n
et ets
t=s+1
r(s) = Pn ,
e2t
t=1

es el coeficiente de autocorrelacion muestral de orden k .

Si las observaciones son independientes (incorrelacion), los coeficientes r(s)
seran proximos a cero, por lo que no se rechazara la hipotesis nula. Por otro lado,
el valor de m puede ser fijado arbitrariamente aunque no debe de ser grande.

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 24 / 42

 Ejemplo

Contenidos
Consideremos el modelo que ajusta el consumo energetico en funcion del PIB
Naturaleza del problema para aplicar el anterior contraste para m = 3.
P
n
Causas y
consecuencias de la De este ejemplo ya sabemos que e2t = 765312 5. Ademas, a partir de
autocorrelacion t=1
Procedimientos de
los residuos podemos construir la siguiente tabla:
Deteccion
Ano et et1 et2 et3 et et1 et et2 et et3
Metodos graficos
1987 4941584
Metodos analticos 1988 1705190 4941584 8426340
1989 -651749 1705190 4941584 -1111356 -32206724
Estimacion en los
1990 -1333305 -651749 1705190 4941584 868980 -22735383 -65886386
modelos con
1991 -1762899 -1333305 -651749 1705190 2350482 11489676 -30060777
autocorrelacion
1992 -2259164 -1762899 -1333305 -651749 3982678 30121546 14724078
1993 401755 -2259164 -1762899 -1333305 -907631 -7082534 -5356619
1994 469314 401755 -2259164 -1762899 188549 -10602572 -8273531
1995 85268 469314 401755 -2259164 40018 342568 -1926343
1996 -819462 85268 469314 401755 -69874 -3845849 -3292229
1997 -3487073 -819462 85268 469314 2857523 -2973357 -16365321
1998 -2550634 -3487073 -819462 85268 8894246 20901476 -2174874
1999 -587561 -2550634 -3487073 -819462 1498652 20488681 4814839
2000 -258974 -587561 -2550634 -3487073 152163 6605478 9030612
2001 3054278 -258974 -587561 -2550634 -790978 -17945746 -77903453
2002 3053431 3054278 -258974 -587561 9326026 -7907592 -17940769
Total 3570735 -153503338 -20061077

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 25 / 42

 Ejemplo

Contenidos A partir de la cual podemos obtener:

Naturaleza del problema
P
n
Causas y et et1
consecuencias de la
t=2 357073 5
autocorrelacion r(1) = P
n = = 0 4666,
765312 5

Procedimientos de
Deteccion
e2t
t=1
Metodos graficos
P
n
Metodos analticos
et et2
Estimacion en los t=3 15350 3338
modelos con r(2) = n
P = = 0 0201,
765312 5
autocorrelacion
e2t
t=1
P
n
et et3
t=4 200610 77
r(3) = n
P = = 0 2622.
765312 5

e2t
t=1

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 26 / 42

 Ejemplo

Contenidos De forma que:

Naturaleza del problema
Xm 2
 2 2 2

Causas y r(s) r(1) r(2) r(3)
consecuencias de la QLB = n(n + 2) = 16 18 + +
autocorrelacion
s=1
ns 15 14 13
Procedimientos de


Deteccion 0 21771556 0 00040401 0 06874884
= 288 + +
Metodos graficos 15 14 13
Metodos analticos
= 288 (0 01452 + 0 000028 + 0 0053) = 288 0 01983
Estimacion en los
modelos con = 5 7115.
autocorrelacion

Como QLB = 5 7115 5 991 = 22 (0 95), no rechazo la hipotesis nula

de incorrelacion.
Adviertase que para m = 2, se tiene que QLB = 4 1885 > 3 841 =
21 (0 95). Por tanto, en tal caso si se rechazara la hipotesis nula de incorrelacion.

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 27 / 42

Contenidos

Naturaleza del problema

Causas y
consecuencias de la
autocorrelacion

Procedimientos de
Deteccion

Estimacion en los Estimacion en los modelos con

modelos con
autocorrelacion autocorrelacion
Estimacion bajo
autocorrelacion

Ejemplo

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 28 / 42

 Estimacion bajo autocorrelacion

Contenidos Consideremos el modelo lineal uniecuacional multiple

Naturaleza del problema

Causas y y = X + u,
consecuencias de la
autocorrelacion
donde E[u] = 0n1 , E[u2t ] = 2 , t = 1, . . . , n (homocedasticidad) y E[ui
Procedimientos de
Deteccion uj ] = ij , i 6= j {1, . . . , n} (autocorrelacion).
Estimacion en los Por tanto, la matriz de varianzas-covarianzas de la perturbacion aleatoria sera
modelos con
autocorrelacion 2

Estimacion bajo 12 . . . 1n
autocorrelacion 21 2 . . . 2n
t 2
Ejemplo
V ar(u) = E[u u ] = . .. .. .. = .
.. . . .
n1 n2 . . . 2

Para resolver el problema de autocorrelacion hay que aplicar el metodo de

mnimos cuadrados generalizados al modelo, para lo cual debemos obtener una
matriz no estocatica P tal que P t P = 1 .
Para conseguir el objetivo anterior supondremos que la estructura de auto-
correlacion viene marcada por un proceso autorregresivo de orden 1, esto es,
ut = ut1 + vt .
RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 29 / 42
 Estimacion bajo autocorrelacion

Contenidos En tal caso:

Naturaleza del problema

Causas y Cov(ut , utk ) = E[ut utk ] = E[( ut1 + vt ) utk ]

consecuencias de la
autocorrelacion = E[ut1 utk ] + E[vt utk ]
Procedimientos de
Deteccion
= E[ut1 utk ],
Estimacion en los
modelos con por lo que repitiendo el calculo de forma iterativa:
autocorrelacion
Estimacion bajo
autocorrelacion Cov(ut , utk ) = k 2 , k > 0.
Ejemplo

Entonces, la matriz de varianzas covarianzas de la perturbacion aleatoria

viene determinada por la matriz:
2 n1

1 ...
1 . . . n2

2 1 . . . n3
= .
.. .. .. .. ..
. . . . .
n1 n2 n3 ... 1

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 30 / 42

 Estimacion bajo autocorrelacion

Contenidos
Adviertase que la suposicion de que la perturbacion aleatoria sigue el esquema de
Naturaleza del problema un proceso AR(1) es fundamental para que se pueda estimar el modelo. Teniendo
2
Causas y en cuenta la matriz original, tendramos que estimar n 2n + 1 + k parametros:
consecuencias de la
n2 n
autocorrelacion
2 de la matriz , 1 correspondiente a 2 y k de los coeficientes de los re-
Procedimientos de gresores. Por tanto, se tendran mas parametros a estimar que observaciones.
Deteccion
Cuestion que no es viable.
Estimacion en los
modelos con Sin embargo, a partir de la suposicion realizada sobre la perturbacion aleato-
autocorrelacion
Estimacion bajo
ria habra que estimar k + 2 parametros: 1 de la matriz (que es ), 1 corres-
autocorrelacion pondiente a 2 y k de los coeficientes de los regresores. Por lo que la estimacion
Ejemplo
si sera viable.
Entonces, teniendo en cuenta que:

1 0 ... 0 0
1+ ... 0 0

0 1+ ... 0 0

1 = . .. .. .. .. .. ,
.. . . . . .

0 0 0 ... 1 +
0 0 0 . . . 0
RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 31 / 42
 Estimacion bajo autocorrelacion

Contenidos
la matriz buscada es para realizar la transformacion es:
Naturaleza del problema
p
Causas y 1 2 0 0 ... 0 0
consecuencias de la 1 0 ... 0 0
autocorrelacion
0 1 ... 0 0
Procedimientos de
Deteccion P = .. .. .. .. .. .. .
. . . . . .
Estimacion en los
modelos con 0 0 0 ... 1 0
autocorrelacion
Estimacion bajo 0 0 0 . . . 1
autocorrelacion

Ejemplo
El modelo transformado a partir de la matriz P anterior, y = X + u , es
tal que
p p
1 2 Y1 1 2 u1
Y2 Y1 u2 u1

y = P y = .. , u = P u = .. ,
. .
Yn Yn1 un un1

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 32 / 42

 Estimacion bajo autocorrelacion

Contenidos
p p p
Naturaleza del problema
1 2 1 2 X21 1 2 Xk1
Causas y 1 X22 X21 Xk2 Xk1
consecuencias de la
autocorrelacion
X = P X = .. .. .. .. ,
. . . .
Procedimientos de
Deteccion 1 X2n X2n1 Xkn Xkn1
Estimacion en los
modelos con
autocorrelacion
por lo que las nuevas observaciones responden a las expresiones:
Estimacion bajo  p  p
autocorrelacion
1 2 Y1 t=1 1 2 Xi1 t=1
Ejemplo Yt = , Xit = ,
Yt Yt1 t>1 Xit Xit1 t>1

con i = 1, . . . , k .
Ahora bien, para obtener estos valores del modelo transformado es necesa-
rio estimar , pero para esto hay que estimar tambien los coeficientes. Como
resolver este problema? Mediante el proceso iterativo de Prais-Winsten que des-
cribimos a continuacion.

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 33 / 42

 Estimacion bajo autocorrelacion

Contenidos Proceso iterativo de Prais-Winsten:

Naturaleza del problema
1. Estimar el modelo original por MCO.
Causas y
consecuencias de la
autocorrelacion 2. Utilizar los residuos del ajuste anterior para estimar .
Procedimientos de
Deteccion 3. Utilizar la estimacion de para obtener Yt y Xit

.
Estimacion en los
modelos con
4. Estimar el modelo transformado por MCO volviendo al paso 1.
autocorrelacion
Estimacion bajo Repetir este proceso hasta que la diferencia entre dos estimaciones consecutivas
autocorrelacion
de sea menor que un valor prefijado (de orden 103 normalmente).
Ejemplo
En los casos en los que se disponga de un numero de observaciones su-
ficientemente grande se puede despreciar la primera observacion (perdiendola)
transformando los datos segun

Yt = Yt Yt1 ,
Xit = Xit Xit1 ,

para t > 1 e i = 1, . . . , k . En tal caso se puede establecer un proceso iterativo

similar al anterior que recibe el nombre de Cochrane-Orcutt.

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 34 / 42

 Estimacion bajo autocorrelacion

Contenidos
Finalmente, comprobemos que con esta transformacion realmente se ha elimi-
Naturaleza del problema nado el problema en el modelo. p
Causas y

Para t = 1, se tiene que u1 = 1 2 u1 , por lo que:
consecuencias de la
autocorrelacion p
Procedimientos de E[u1 ] = 1 2 E[u1 ] = 0,
Deteccion
V ar(u1 ) = E[(1 2 ) u21 ] = (1 2 ) E[u21 ] = (1 2 ) 2 ,
Estimacion en los
modelos con
h p i
autocorrelacion Cov(u2 , u1 ) = E (u2 u1 ) 1 2 u1
Estimacion bajo p p
autocorrelacion
= 1 E[u2 u1 ] 1 2 E[u21 ]
2
Ejemplo p p
= 1 1 2 2 = 0.
2 2

Mientras que para t > 1, se tiene que ut = ut ut1 y entonces:

E[ut ] = E[ut ] E[ut1 ] = 0,

V ar(ut ) = E[u2t + 2 u2t1 2ut ut1 ] =,
= E[u2t ] + 2 E[u2t1 ] 2E[ut ut1 ] =
= 2 + 2 2 2 2 = 2 2 2 = (1 2 ) 2 ,
RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 35 / 42
 Estimacion bajo autocorrelacion

Contenidos

Naturaleza del problema

Cov(ut , ut1 ) = E[ut ut1 ] = E[(ut ut1 ) (ut1 ut2 )]
Causas y
consecuencias de la = E[ut ut1 ] E[ut ut2 ] E[u2t1 ] + 2 E[ut1 ut2 ]
autocorrelacion

Procedimientos de
= 2 2 2 2 + 2 2 = 0.
Deteccion

Estimacion en los Por tanto, el modelo transformado tiene una perturbacion aleatoria con media
cero, varinza constante, (1 2 ) 2 , e incorrelada. Luego el problema ha sido
modelos con
autocorrelacion
Estimacion bajo resuelto.
autocorrelacion

Ejemplo

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 36 / 42

 Ejemplo

Contenidos
Dado el modelo que analiza el consumo energetico a partir del PIB, en el que
Naturaleza del problema sabemos que hay autocorrelacion positiva, vamos a transformarlo de forma ade-
Causas y cuada para subsanar dicho problema.
consecuencias de la
autocorrelacion A partir de la estimacion por MCO del modelo original y considerando los
Procedimientos de residuos de dicho ajuste, obtenemos una estimacion de sin mas que ajustar el
Deteccion
modelo de et frente a et1 , obteniendose:
Estimacion en los
modelos con
autocorrelacion ebt = 0 531275 et1 , R2 = 0 364016
Estimacion bajo
autocorrelacion
(0 18768)
Ejemplo
Es decir, = 0 531275.
Como se dispone de pocas observaciones, transformaremos los datos con-
forme al proceso de Prais-Winsten:
p
C1 =1 0 5312752 C1 = 0 8471994C1 , Ct = Ct 0 531275Ct1 , t > 1,
p
cte1 = 1 0 5312752 = 0 8471994, ctet = 10 531275 = 0 468725, t > 1,

p

P IB1 = 1 0 5312752 P IB1 = 0 8471994 P IB1 ,
P IBt = P IBt 0 531275 P IBt1 , t > 1.

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 37 / 42

 Ejemplo

Contenidos
Los datos del modelo tranformado seran:
Naturaleza del problema

Causas y
Ano (t) Ct P IBt ctet
consecuencias de la 1987 7986549 3010201 08471994
autocorrelacion
1988 4867671 1846436 04687250
Procedimientos de
Deteccion 1989 5163128 1930585 04687250
Estimacion en los 1990 5443427 1982881 04687250
modelos con
autocorrelacion 1991 5541788 2007505 04687250
Estimacion bajo 1992 5446341 1991424 04687250
autocorrelacion

Ejemplo
1993 5465713 1927451 04687250
1994 5852680 2049637 04687250
1995 6087231 2114421 04687250
1996 6206251 2158717 04687250
1997 6516336 2282590 04687250
1998 7207573 2389383 04687250
1999 7772080 2487293 04687250
2000 8146491 2591738 04687250
2001 8617436 2628535 04687250
2002 8574505 2659733 04687250
RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 38 / 42
 Ejemplo

Contenidos
A partir de los valores transformados se obtiene la estimacion:
Naturaleza del problema

Causas y
bt = 6004 45 + 0 042286 P IBt ,
C R2 = 0 999307
consecuencias de la
autocorrelacion
(622 719) (0 00136949)
Procedimientos de
Deteccion y un valor del estadstico de Durbin-Watson, d, de 1208017. Puesto que dL <
Estimacion en los d < dU , el contraste de Durbin-Watson no es concluyente.
modelos con
autocorrelacion
A continuacion, siguiendo el proceso iterativo, habra que volver a estimar
Estimacion bajo a partir de este modelo transformado y volver a transformar los datos. Y as
autocorrelacion
sucesivamente hasta que el proceso converja.
Ejemplo
En este caso es necesario realizar 12 iteraciones para la convergencia ob-
teniendose la estimacion:

bt = 5794 48 + 0 0419213 P IBt ,

C R2 = 0 996197
(785 107) (0 001717)

y un valor del estadstico de Durbin-Watson, d, de 1400435. Puesto que dU <

d < 4 dU , el contraste de Durbin-Watson confirma la ausencia de autocorre-
lacion en el modelo.

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 39 / 42

 Nota sobre

Contenidos
Al calcular la aproximacion del estadstico de Durbin-Watson se obtuvo que =
Naturaleza del problema 0 4665722, mientras que al hacer la regresion de et frente a et1 hemos obtenido
Causas y que = 0 531275. Si ambos metodos de obtener el valor de son equivalentes,
consecuencias de la
autocorrelacion a que se debe esta diferencia?
Procedimientos de Si partimos de la regresion de los residuos se tiene que:
Deteccion
n
 n
  n

Estimacion en los
1
P P P
modelos con
T et et1 T1 et T 11
et1
autocorrelacion Cov(et1 , et ) t=2 t=1 t=2
Estimacion bajo = =  2
autocorrelacion V ar(et1 ) 1
P 2
n
1
P
n
Ejemplo T 1 et1 T 1 et1
t=2 t=2
23804 (3 4106 1013 ) (20 356)
= = 0 5362393 0 531275.
44805 20 3562
Luego la diferencia comentada se debe a que teoricamente se ha supuesto que
P
n P
n P
n P
n
e2t1 e2t y que et1 et = 0.
t=2 t=1 t=2 t=1

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 40 / 42

 Lecturas recomendadas

Contenidos
[1] Salmeron, R. (2012). El modelo lineal general mediante Gretl (online).
Naturaleza del problema

Causas y [2] Notas sobre los Mnimos Cuadrados Generalizados (MCG).

consecuencias de la
autocorrelacion [3] Econometra en YouTube: http://www.youtube.com/watch?v=xVRRUdk-N8Q
Procedimientos de
Deteccion
Puedes encontrarlas en la direccion web:
Estimacion en los
modelos con http://www.ugr.es/local/romansg/material/WebEco/index.html
autocorrelacion
Estimacion bajo
autocorrelacion

Ejemplo

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 41 / 42

 Bibliografia

Contenidos
[1] Gujarati, D. (1997). Econometra. Ed. McGraw Hill. Captulo 10.
Naturaleza del problema

Causas y
[2] Johnston, J. (1989). Metodos de Econometra. Ed. Vicens-Vives. Captulo 8.
consecuencias de la
autocorrelacion

Procedimientos de [3] Novales, A. (1993). Econometra. McGraw Hill. Captulo 7.

Deteccion

Estimacion en los [4] Uriel, E., Contreras, D., Molto, M.L. y Peiro, A. (1990). Econometra. El Mo-
modelos con
autocorrelacion delo Lineal. Editorial AC. Captulo 11.
Estimacion bajo
autocorrelacion [5] Wooldridge, J.M. (2005). Introduccion a la Econometra: Un enfoque mo-
Ejemplo
derno. Thomson. Captulo 12.

RSG Incumplimiento de las hipotesis basicas en el modelo lineal uniecuacional multiple 42 / 42