Professional Documents
Culture Documents
Universidad de Granada
Estimacion en los
modelos con
autocorrelacion
Autocorrelacion
Causas y
consecuencias de la
autocorrelacion
Procedimientos de
Deteccion
Estimacion en los
Naturaleza del problema
modelos con
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
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
Causas y
consecuencias de la
autocorrelacion
Ejemplo
Procedimientos de
Deteccion Causas y consecuencias de la
Estimacion en los
modelos con autocorrelacion
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.
Contenidos
Supongamos que el modelo correcto para explicar Yt es
Naturaleza del problema
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:
Causas y
consecuencias de la
autocorrelacion
Procedimientos de
Deteccion
Metodos graficos
Metodos analticos
Procedimientos de Deteccion
Estimacion en los
modelos con
autocorrelacion
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.
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).
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
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
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 analticos
0
e
Estimacion en los
modelos con
100
autocorrelacion
200
300
400
300 200 100 0 100 200 300 400 500
e1
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
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
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
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.
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
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
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.
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 .
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
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
Causas y
consecuencias de la
autocorrelacion
Procedimientos de
Deteccion
Ejemplo
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
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
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.
Yt = Yt Yt1 ,
Xit = Xit Xit1 ,
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
Contenidos
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
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.
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:
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
Contenidos
[1] Salmeron, R. (2012). El modelo lineal general mediante Gretl (online).
Naturaleza del problema
Ejemplo
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
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.