Autocorrelacion

Autocorrelacin
Proyecto e-Math 1
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
AUTOCORRELACIN

Autores: ngel Alejandro Juan Prez (ajuanp@uoc.edu), Renatas Kizys (rkizys@uoc.edu), Luis
Mara Manzanedo Del Hoyo (lmanzanedo@uoc.edu).

ESQUEMA DE CONTENIDOS ________________________

INTRODUCCIN ___________________

En el math-block Introduccin al MRLG vimos qu ocurra cuando fallaban las hiptesis de
esfericidad en el trmino de perturbacin. Nos centraremos ahora en la hiptesis de no
autocovarianza (el supuesto de que los trminos de perturbacin del modelo no estn
correlacionados), y supondremos que el resto de las hiptesis de esfericidad s se cumplen.

En este math-block aprenderemos a detectar la presencia de autocorrelacin (trminos de
perturbacin correlacionados) en el modelo, analizaremos algunas de sus posibles causas, y
mostraremos cmo es posible resolver dicha problemtica a fin de obtener estimadores de
calidad.
Deteccin de Autocorrelacin
con Minitab
Estimacin por mtodo de
Durbin en modelos con
autocorrelacin AR(1) Mtodos grficos
Autocorrelacin
Problemtica:
1. Matriz Var[U]
2. Estimadores MCO Causas de la Autocorr.
Contraste de Hiptesis
Test de Durbin-Watson para
autocorrelacin de tipo AR(1)
Matriz Var[U] en modelos con datos
de serie temporal: autocovarianza
Matriz Var[U] en modelos con
autocorrelacin de tipo AR(1)
Autocorrelacin
Proyecto e-Math 2
OBJETIVOS ________________________

Entender en qu consiste el problema de la autocorrelacin y cmo afecta ste a la matriz
de varianzas y covarianzas y a los estimadores MCO.

Conocer las causas que pueden provocar el incumplimiento de la hiptesis de
autocorrelacin.

Analizar el problema de la autocorrelacin en modelos con datos de corte longitudinal (serie
temporal), y comprender los conceptos de autocovarianza y coef. de autocorrelacin simple.

Estudiar el problema de la autocorrelacin de tipo AR(1).

Aprender a detectar, con ayuda de Minitab, la presencia de autocorrelacin en un modelo,
tanto por medios grficos como a travs de contrastes de hiptesis.

Saber resolver el problema de la autocorrelacin de tipo AR(1) mediante el mtodo de
Durbin.

CONOCIMIENTOS PREVIOS ___________________________________

Aparte de estar iniciado en el uso de Excel y del paquete estadstico Minitab, resulta muy
conveniente haber ledo con profundidad los siguientes math-blocks:

Regresin Lineal Mltiple

Introduccin al MRLG

CONCEPTOS FUNDAMENTALES Y CASOS PRCTICOS CON SOFTWARE____

El problema de la Autocorrelacin

Como se coment en el math-block Introduccin al MRLG, cuando se utiliza el modelo de
regresin lineal mltiple (donde usamos la notacin X
1
= 1 para la variable que acompaa al
trmino independiente):

u X X Y
k k
+ + + + ...
2 2 1

resulta habitual suponer que no existe correlacin entre los trminos de perturbacin
(hiptesis de no autocorrelacin), i.e.:

[ ] [ ] 0 , ,
ji i j j i ij
u u Cov u u Cov j i

Por lo que a la matriz de varianzas y covarianzas del trmino de perturbacin se refiere, esta
hiptesis se traduce en el hecho de que VAR[U] ser una matriz diagonal (todos los trminos
externos a la diagonal principal sern ceros):

[ ]
]
]
]
]
]
]
... 0 0
... ... ... ...
0 ... 0
0 ... 0
U Var
Autocorrelacin
Proyecto e-Math 3

Cuando no se cumpla la hiptesis anterior, diremos que el modelo presenta problemas de
autocorrelacin o correlacin serial. En tal caso, existir correlacin entre dos o ms
trminos de perturbacin, por lo que la matriz de varianzas y covarianzas asociada ya no ser
diagonal (existirn elementos no nulos fuera de la diagonal principal).

En presencia de autocorrelacin, y suponiendo que s se cumple la hiptesis de
Heteroscedasticidad, (i.e.: que la varianza del trmino de perturbacin es constante), la matriz
de varianzas y covarianzas del trmino de perturbacin ser una matriz simtrica de la forma:

[ ]
n
n n
n
n
n n
n
n
U Var
]
]
]
]
]
]
]
]
]

]
]
]
]
]
]
]
2
2
2
2
1
2
2
2
21
2
1
2
12
2
2
2 1
2
2
21
1 12
2
1 ...
... ... ... ...
... 1
... 1
...
... ... ... ...
...
...

donde [ ]
2

i
u Var y n es el nmero de observaciones disponible.

En tales condiciones, el estimador MCO de B es insesgado y consistente, pero no es eficiente
(es decir, ya no ser el de mnima varianza, por lo que si usamos el estimador MCO en lugar
del eficiente para hallar intervalos de confianza estaremos perdiendo precisin ya que
obtendremos intervalos ms grandes de los que proporcionara el estimador eficiente).
Adems, el estimador de la varianza del trmino de perturbacin,
2
u
, ser sesgado.

Aplicacin del MCG para modelos con Autocorrelacin

Como acabamos de ver, cuando el modelo presente problemas de autocorrelacin, el mtodo
MCO no nos proporciona buenos estimadores, y ser necesario recurrir al mtodo de
mnimos cuadrados ponderados o generalizado (MCG) para obtener estimadores de
calidad:

( ) ( ) Y X X X B
MCG

1
1
1

Por tanto, resulta imprescindible conocer la matriz
-1
(la inversa, salvo factor escalar, de la
matriz de varianzas y covarianzas del trmino de perturbacin) o, alternativamente, la matriz
T = P
-1
tal que P P (recordemos que otra opcin alternativa para hallar los estimadores
MCG es aplicar MCO sobre el modelo transformado mediante T).

Sin embargo, en el caso de autocorrelacin en general, no resulta fcil conocer la forma
concreta de las matrices T y
-1
. En este math-block nos limitaremos pues a estudiar la forma
de dichas matrices para un tipo frecuente de autocorrelacin, el que aparece en modelos de
regresin con datos de corte longitudinal (serie temporal). Ms concretamente, analizaremos
la forma que adquieren dichas matrices en los llamados esquemas autorregresivos de orden
1 o AR(1). Asimismo, presentaremos una variante del mtodo MCG (el llamado mtodo de
Durbin) que nos facilitar la estimacin de los coeficientes B en modelos con esquema de
autocorrelacin de tipo AR(1).
Autocorrelacin
Proyecto e-Math 4
Causas de la Autocorrelacin

Trabajo con datos de serie temporal: cuando se trabaja con datos de corte
longitudinal (p.e.: una variable explicativa cuyas observaciones correspondan a valores
obtenidos en instantes temporales sucesivos), resulta bastante frecuente que el trmino
de perturbacin en un instante dado siga una tendencia marcada por los trminos de
perturbacin asociados a instantes anteriores. Este hecho da lugar a la aparicin de
autocorrelacin en el modelo.

Especificacin errnea en la parte determinista del modelo (autocorrelacin
espuria): en este apartado, cabe distinguir dos situaciones:

1. Omisin de variables relevantes: en tal caso, las variables omitidas pasan a formar
parte del trmino de error y, por tanto, si hay correlacin entre distintas
observaciones de las variables omitidas, tambin la habr entre distintos valores de
los trminos de perturbacin.

2. Especificacin incorrecta de la forma funcional del modelo: si usamos un modelo
inadecuado para describir las observaciones (p.e.: un modelo lineal cuando en
realidad se debera usar un modelo cuadrtico), notaremos que los residuos
muestran comportamientos no aleatorios (i.e.: estn correlacionados).

Transformaciones de los datos: determinadas transformaciones del modelo original
podran causar la aparicin de autocorrelacin en el trmino de perturbacin del modelo
transformado (incluso cuando el modelo original no presentase problemas de
autocorrelacin).

Trabajo con modelos dinmicos: cuando se trabaja con series temporales suele ser
habitual considerar modelos de regresin que incluyan no slo los valores actuales sino
tambin los valores retardados (pasados) de las variables explicativas. Es el caso de un
modelo de retardos distribuidos de orden s o RD(s):

t s t s t t t t
u X X X X Y + + + + + +

...
2 2 1 1 0

Otro tipo de modelo dinmico que presentara problemas de autocorrelacin sera aquel
que incluyese entre sus variables explicativas uno o ms valores retardados de la
variable dependiente. Este otro tipo de modelo dinmico se conoce como modelo
autorregresivo de orden s o AR(s):

t s t s t t t
u Y Y X Y + + + + +

...
1 1 0

Autocorrelacin
Proyecto e-Math 5
Matriz VAR[U] en modelos de regresin con datos de corte longitudinal

Como hemos visto, una de las situaciones en que con ms frecuencia suelen aparecer
problemas de autocorrelacin es cuando se trabaja con modelos de regresin lineal que
hacen uso de datos de corte longitudinal (serie temporal). En estos casos, no hablaremos de
covarianza entre los trminos de perturbacin u
i
y u
j
, sino de covarianza entre los trminos u
t

y u
t-s
, o autocovarianza de orden s,
s
, donde u
t-s
es el trmino de perturbacin asociado al
instante temporal t-s:

Autocovarianza de orden s =
s
= Cov[u
t
, u
t-s
]

(Observar que
0
= Cov[u
t
, u
t
] = Var[u
t
, u
t
] =
2
)

La autocovarianza cumple una serie de propiedades interesantes:

1. Es simtrica respecto de s, i.e.:
s
= Cov[u
t
, u
t-s
] = Cov[u
t
, u
t+s
] =
-s

2. Slo depende del nmero de perodos temporales (s) que hay entre los dos trminos de
perturbacin implicados, i.e.:
s
= Cov[u
t
, u
t-s
] = Cov[u
t*
, u
t*-s
] t, t*

3. En valor absoluto, es siempre menor o igual que la varianza, i.e.:
2
0

s
s

Al conjunto formado por todas las autocovarianzas {
1
,
2
,
3
, ...,
n-1
} se le denomina funcin
de autocovarianzas (donde n es el nmero de observaciones).

Usando el concepto de autocovarianza y las propiedades anteriores, la matriz de varianzas y
covarianzas del trmino de perturbacin puede escribirse como:

[ ]
]
]
]
]
]
]
]
]
]
]
]
]
]
]
]
0 3 2 1
3 0 1 2
2 1 0 1
1 2 1 0
2
2 1
2
2
21
1 12
2
2
...
... ... ... ... ...
...
...
...
...
... ... ... ...
...
...

n n n
n
n
n
n n
n
n
n
U Var

En la expresin anterior, podemos sacar como factor comn el trmino
0
=
2
, con lo que
quedara:
[ ]
]
]
]
]
]
]
]
]
1 ...
... ... ... ... ...
... 1
... 1
... 1
3 2 1
3 1 2
2 1 1
1 2 1
2 2
n n n
n
n
n
n
U Var

donde
0
s
s
es el llamado coeficiente de autocorrelacin simple,
s
.

El coeficiente de autocorrelacin simple no es ms que un coeficiente de correlacin, por lo
que su valor siempre estar comprendido entre 1 y 1 (toma el valor 1 para s = 0).

Al conjunto formado por todos los coeficientes de autocorrelacin simple {
1
,
2
,
3
, ...,
n-1
} se
le denomina funcin de autocorrelacin simple o ACF.
Autocorrelacin
Proyecto e-Math 6
Matriz VAR[U] en modelos con esquema de autocorrelacin AR(1)

Acabamos de ver que, cuando se trabaja con modelos de regresin lineal de corte
longitudinal (serie temporal), la matriz de varianzas y covarianzas del trmino de perturbacin
viene determinada por los coeficientes de autocorrelacin simple (
1
,
2
,
3
, ...,
n-1
). El
problema es que dichos coeficientes son valores desconocidos a priori, por lo que -a fin de
simplificar an ms la expresin de la matriz - es necesario recurrir a algn supuesto
adicional sobre el tipo de autocorrelacin que siguen los trminos de perturbacin.

En general se usan tres supuestos o esquemas de autocorrelacin: el esquema
autorregresivo (AR), el esquema de media mvil (MA), y el esquema mixto (ARMA).
Nosotros nos centraremos en el primero de ellos.

As, dado el modelo de regresin lineal (con datos de corte longitudinal) siguiente:

u X X Y
k k
+ + + + ...
2 2 1

diremos que el trmino de perturbacin asociado al instante t, (u
t
) sigue un esquema
autorregresivo de orden 1, AR(1), si es una combinacin lineal del trmino anterior (u
t-1
) y
de un trmino de error (
t
) que verifica los supuestos de esfericidad del MRLM (ruido blanco):

t t t
u u +
1

Se puede demostrar que, cuando el trmino de perturbacin sigue un esquema AR(1) con
coeficiente , se cumple lo siguiente:
1. La varianza del trmino de perturbacin es: [ ]
2
2
0
2
1
u Var
(donde
2
es la varianza del trmino de error
t
).

2. Los coeficientes de autocorrelacin simple son:
1
p ,
2
2
p , ...,
s
s
p

As pues, en un modelo con esquema de autocorrelacin AR(1), la matriz de varianzas y
covarianzas del trmino de perturbacin slo depender de los parmetros
2
y :

[ ]
]
]
]
]
]
]
]
]
1 ...
... ... ... ... ...
... 1
... 1
... 1
1
3 2 1
3 2
2
1 2
2
2
2
n n n
n
n
n
U Var

En concreto, las matrices que nos interesan para aplicar MCG (en cualquiera de sus dos
versiones) vendrn dadas por:

]
]
]
]
]
]
]
]
]
]
+
+
+
1 ... 0 0 0
1 ... 0 0 0
... ... ... ... ... ...
0 0 ... 1 0
0 0 ... 1
0 0 ... 0 1
1
1
2
2
2
2
1

Autocorrelacin
Proyecto e-Math 7
]
]
]
]
]
]
]
]
]
]

1 ... 0 0 0
0 1 ... 0 0 0
0 0 ... 0 0
0 0 ... 1 0
0 0 ... 0 1
0 0 ... 0 0 1
2
1
P T

Finalmente, conviene observar lo siguiente:

1. Dado que 1
1
< , los coeficientes de autocorrelacin simple forman una sucesin
decreciente en mdulo (i.e.: 0 ...
2
2 1
> > > >
s
s
).

2. Si 1 0 < < , los valores
s
,..., ,
2 1
sern siempre positivos. Por el contrario, si
0 1 < < , los valores
s
,..., ,
2 1
irn alternando su signo, comenzando por
negativo.

Ejemplo: Supongamos que hemos estimado por MCO, y basndonos en n = 6
observaciones, los coeficientes de un MRLM. Tras realizar un anlisis, descubrimos que el
trmino de perturbacin del modelo presenta un esquema de autocorrelacin de tipo AR(1).
Sabemos adems que
2
= 2 y que '' = 0,6. En estas condiciones, usaremos Excel para
hallar la forma exacta de la matriz Var[U], as como un grfico donde se muestre la funcin de
autocorrelacin simple o ACF:

Teniendo en cuenta que
s
s
p , el clculo de los coeficientes de autocorrelacin simple
resulta inmediato (observar que en la hoja de clculo hemos realizado los clculos para los
dos posibles valores del parmetro , el cual viene denotado por L en la figura). Asimismo,
tambin resulta inmediato el clculo de
2
2
0
1
.

En este punto, es interesante notar que, si = 0,6 (es decir, > 0), los coeficientes de
autocorrelacin simple son decrecientes y siempre positivos. Por el contrario, si = -0,6 (i.e.:
< 0), entonces dichos coeficientes van tomando valores negativos y positivos de forma
alternada (si bien son decrecientes en mdulo).

Autocorrelacin
Proyecto e-Math 8

Las ideas anteriores se pueden apreciar con claridad en las grficas ACF siguientes:

Correlograma ACF de un esquema AR(1) con L = 0,6
0,000
0,100
0,200
0,300
0,400
0,500
0,600
0,700
1 2 3 4 5
Retrasos (s)
P
s
Correlograma ACF de un esquema AR(1) con L = -
0,6
-0,800
-0,600
-0,400
-0,200
0,000
0,200
0,400
0,600
1 2 3 4 5
Retrasos (s)
P
s
Autocorrelacin
Proyecto e-Math 9
Deteccin de Autocorrelacin por mtodos grficos con Minitab

Para analizar la posible presencia de autocorrelacin en el modelo se suele recurrir a dos
tcnicas complementarias: (1) el anlisis grfico de los residuos (obtenidos al realizar la
regresin por MCO), y (2) los contrastes de hiptesis especficos (test de Durbin-Watson, test
h de Durbin, test de Breusch-Godfrey, test Q de Box-Pierce, test de Ljung-Box, etc.).

Al realizar la regresin por MCO, Minitab nos ofrece la opcin de representar grficamente los
residuos (o, alternativamente, los residuos estandarizados) frente al orden en que se ha
registrado la observacin asociada. Dado que los residuos MCO son estimadores
consistentes de los trminos de perturbacin, si se aprecian en el grfico anterior patrones de
comportamiento sistemtico (no aleatorio) podremos afirmar que los trminos de perturbacin
presentan algn tipo de autocorrelacin.

Ejemplo: En la tabla siguiente se muestran datos referidos a
los niveles de importacin (IM) y PIB (ambos en miles de
millones de euros) pertenecientes a la economa de la zona
euro durante los ltimos 20 aos:

Al realizar la regresin por MCO de IM sobre PIB, pediremos al
programa que represente grficamente los residuos frente al
orden de la observacin asociada:

Stat > Regression > Regression:

Adems, guardaremos tambin los
residuos y los valores ajustados para IM
en sendas columnas:

En el grfico de residuos frente al orden
de la observacin se observan indicios
claros de que los residuos no siguen un
patrn aleatorio y, por tanto, de que el
modelo presenta problemas de
autocorrelacin:

Autocorrelacin
Proyecto e-Math 10

Tambin es posible
obtener este grfico
(junto con algunos
ms que nos
pueden ser de
utilidad a la hora de
contrastar otras
hiptesis de
esfericidad)
mediante la opcin
Stat >
Regression >
Residual
Plots... Usando esta opcin, logramos adems que Minitab realice un test de rachas y
marque con asteriscos la presencia de patrones no aleatorios en los residuos:

Autocorrelacin
Proyecto e-Math 11
A continuacin se muestran los resultados de los tests de rachas, en los que se especifica el
tipo de comportamiento sistemtico detectado:

TEST 1. One point more than 3,00 sigmas from center line.
Test Failed at points: 1 13 20

TEST 3. 6 points in a row all increasing or all decreasing.
Test Failed at points: 7 8 9 10 11 12 13

TEST 5. 2 out of 3 points more than 2 sigmas from center line
(on one side of CL).
Test Failed at points: 2 3 13 14 16

TEST 6. 4 out of 5 points more than 1 sigma from center line
(on one side of CL).
Test Failed at points: 4 12 13 14 16

TEST 8. 8 points in a row more than 1 sigma from center line
(above and below CL).
Test Failed at points: 16

Para conocer ms detalles sobre estos tests podis consultar el math-block Estadstica no
paramtrica o la opcin de Minitab Stats > Nonparametrics > Runs Test.

Deteccin de Autocorrelacin mediante el test de Durbin-Watson

Dado el modelo de regresin lineal mltiple u X X Y
k k
+ + + + ...
2 2 1
, el test de
Durbin-Watson permite contrastar si el trmino de perturbacin est autocorrelacionado
segn un esquema AR(1), i.e., la hiptesis nula indica que si el trmino de perturbacin es de
la forma
t t t
u u +
1
entonces necesariamente = 0 (con lo que no habra
autocorrelacin segn esquema AR(1)):

(1)
|
|
>

0 con ) 1 ( :
0 con ) 1 ( :
0
AR u H
AR u H
t a
t
o bien (2)
|
|
<

0 con ) 1 ( :
0 con ) 1 ( :
0
AR u H
AR u H
t a
t

El estadstico que se utiliza para realizar dicho test es el estadstico Durbin-Watson (el cual
obtendremos con ayuda de Minitab). El estadstico DW es un valor comprendido entre 0 y 4.
Como se observa en el siguiente grfico, para valores de DW prximos a 2 no
rechazaremos Ho. Por el contrario, para valores de DW alejados de 2, s rechazaremos Ho
(i.e., aceptaremos la existencia de autocorrelacin de tipo AR(1)):

En el grfico anterior, d
L
y d
U
son valores tabulados [ver web de tablas] que dependen del
nmero de observaciones (n), del nmero de regresores (k), y del nivel de significacin ().

2 4 0 d
L
4-d
L
4-d
U

Zonas de incertidumbre
Aceptar Ha en (1)
> 0
Aceptar Ha en (2)
< 0 Aceptar H
0

Autocorrelacin
Proyecto e-Math 12
Aadir, finalmente, que si 0 < DW < 2, el coeficiente ser positivo (estaremos en el
contraste unilateral (1)), mientras que si 2 < DW < 4, dicho coeficiente ser negativo
(estaremos en el contraste (2)).

Una vez hallado DW, es posible usar su valor para estimar el coeficiente de autocorrelacin
simple
1
mediante la expresin:

2
1
1
DW

Adems, sabemos que en un modelo con autocorrelacin AR(1), los coeficientes de
autocorrelacin simple vienen dados por:
1
p ,
2
2
p , ...,
s
s
p , as que una vez
estimado el valor de
1
= podremos obtener fcilmente estimaciones para los (n-1)
coeficientes de autocorrelacin simple y representar la correspondiente funcin de
autocorrelacin simple o ACF.

Por otra parte, hemos visto anteriormente que conocido el valor estimado de es posible
construir la matriz
-1
(o, alternativamente, la matriz de transformacin T) y aplicar el mtodo
MCG para hallar los estimadores del vector de coeficientes B.

El test de Durbin-Watson presenta algunos problemas serios que cabe tener encuenta:

Slo es til para contrastar si el trmino de perturbacin est autocorrelacionado segn
un esquema AR(1). El test no servira para detectar otros tipos de autocorrelacin.

Las cotas d
L
y d
U
slo son vlidas si el modelo de regresin inicial contiene trmino
independiente (que habitualmente hemos denotado por
1
).

Presenta zonas de incertidumbre, de forma que si el estadstico DW se encuentra entre
d
L
y d
U
, o entre 4-d
U
y 4-d
L
, no podremos concluir nada.

Slo es vlido si todos los regresores del modelo son deterministas. Si, p.e., entre los
regresores del modelo se incluyese la variable endgena retardada (como en el modelo
t t t t
u Y X Y + + +
1 1 0
), el test no sera vlido (ya que el modelo incluira un
regresor con componente aleatoria proveniente del trmino de pertubacin u
t-1
).

Por los motivos anteriores, se ha desarrollado toda una serie de tests complementarios al de
Durbin-Watson, los cuales pueden emplearse para solucionar algunas de sus limitaciones.
Entre ellos cabe citar los siguientes: el test de la h de Durbin, el test de Breusch-Godfrey, el
test Q de Box-Pierce, etc.

Autocorrelacin
Proyecto e-Math 13
Ejemplo: Volviendo al ejemplo anterior, vamos a comprobar ahora mediante el test de
Durbin-Watson- si la autocorrelacin que habamos detectado al analizar el grfico de los
residuos es del tipo AR(1).

El primer paso ser estimar el modelo mediante MCO, indicando al programa que deseamos
conocer tambin el valor del estadstico DW:

El output que obtenemos es el siguiente:

Regression Analysis

The regression equation is
IM = - 56,1 + 0,126 PIB

Predictor Coef StDev T P
Constant -56,133 5,440 -10,32 0,000
PIB 0,126230 0,004365 28,92 0,000

S = 10,61 R-Sq = 97,9% R-Sq(adj) = 97,8%

Durbin-Watson statistic = 0,65

Minitab nos ha proporcionado el valor DW = 0,65.

Para un nivel de significacin = 0,05, y dado que n = 20 y k = 1, se obtienen los valores (ver
tablas en enlaces web): d
L
= 1,20 y d
U
= 1,41.

As pues, tendremos que DW = 0,65 < d
L
= 1,20, por lo que rechazaremos la hiptesis nula,
i.e.: hay indicios de que existe autocorrelacin de tipo AR(1) en el trmino de perturbacin.
Adems, estamos en el caso en que > 0.

A partir del estadstico DW, podemos estimar el valor del primer coeficiente de
autocorrelacin simple:
675 , 0
2
1
1

DW

Como en un modelo con autocorrelacin AR(1), los coeficientes de autocorrelacin simple
vienen dados por:
1
p ,
2
2
p , ...,
s
s
p , tambin podremos obtener estimaciones
para los (n-1) coeficientes y representar la correspondiente funcin de autocorrelacin simple
o ACF:

Autocorrelacin
Proyecto e-Math 14

Finalmente, una estimacin de la matriz
-1
(de tamao 20x20) vendr dada por:

]
]
]
]
]
]
]
]
]
]
+
+
+
1 675 , 0 ... 0 0 0
675 , 0 675 , 0 1 ... 0 0 0
... ... ... ... ... ...
0 0 ... 675 , 0 1 675 , 0 0
0 0 ... 675 , 0 675 , 0 1 675 , 0
0 0 ... 0 675 , 0 1
675 , 0 1
1
2
2
2
2
1

Conocida la matriz
-1
sera posible al menos en teora, ya que cuando el nmero de
observaciones es muy grande los clculos con matrices se complican- aplicar MCG para
obtener los coeficientes del vector B.

Estimacin de modelos con autocorrelacin AR(1) por mtodo de Durbin

Como acabamos de ver, dado un MRLM cuyo trmino de perturbacin presente
autocorrelacin de tipo AR(1), es posible estimar el parmetro a partir del estadstico DW y,
por tanto, construir la matriz
-1
(o, alternativamente, T) con la cual aplicar el mtodo MCG
para estimar los coeficientes del modelo inicial.

En ocasiones, sin embargo, puede resultar ms eficiente estimar el vector de coeficientes B
utilizando una variante del mtodo MCG que se denomina mtodo de Durbin. As, dado el
MRLM:

u X X Y
kt k t t
+ + + + ...
2 2 1
con
t t t
u u +
1

haremos lo siguiente:

1. Estimar por MCO el coeficiente del modelo auxiliar:

t kt k kt k t t t t
X X X X Y Y + + + + + +
1 2 1 1 2 22 2 21 1 1
...

Autocorrelacin
Proyecto e-Math 15
2. Usando el estimador de obtenido, aplicar MCO en el modelo transformado siguiente:

)
( )
( ... )
( )
1 ( )
(
1 1 1 2 2 2 1 1
+ + + +
t t kt kt k t t t t
u u X X X X Y Y

Para evitar perder las primeras observaciones, antes de aplicar MCO al modelo
transformado definiremos
2
1
*
1
1 Y Y , y
2
1
*
1
1
i i
X X i = 2,..., k.

Ejemplo: Continuando con el ejemplo anterior, habamos demostrado que el modelo original
t t t
u PIB IM + +
2 1
presentaba autocorrelacin de tipo AR(1) en el trmino de
perturbacin.

El primer paso ser pues estimar por MCO el modelo auxiliar:

t t t t t
PIB PIB IM IM + + + +
1 22 21 1 1

Para ello, hemos de construir las
nuevas columnas IM(t-1) y PIB(t-1), las
cuales contendrn los mismos datos
que las columnas IM y PIB pero con un
retardo de una unidad temporal. Para
crear estas nuevas columnas,
podemos usar la opcin Stat >
Time Series > Lag...:

Las nuevas columnas creadas se
muestran en la siguiente imagen:

Del output obtenido slo nos interesa el estimador del coeficiente , cuyo valor es 0,7215:

Regression Analysis

The regression equation is IM = - 20,9 + 0,721 IM(t-1) + 0,154 PIB - 0,116 PIB(t-1)
19 cases used 1 cases contain missing values

Constant -20,89 12,21 -1,71 0,108
IM(t-1) 0,7215 0,2014 3,58 0,003
PIB 0,1538 0,1131 1,36 0,194
PIB(t-1) -0,1164 0,1301 -0,89 0,385

Y
t
*
1
* X
2t
* X
kt
* u
t
*
Autocorrelacin
Proyecto e-Math 16
Usaremos este valor para construir el modelo transformado:
) 7215 , 0 ( ) 7215 , 0 ( ) 7215 , 0 1 ( ) 7215 , 0 (
1 1 2 1 1
+ +
t t t t t t
u u PIB PIB IM IM

Crearemos pues las nuevas
variables IM
t
* = IM
t

0,7215IM
t-1
, y PIB
t
* = PIB
t

0,7215PIB
t-1
(denotaremos
las nuevas columnas por IM2
y PIB2 respectivamente):

Para las primeras celdas de
las columnas IM2 y PIB2,
usaremos respectivamente
los valores:

Celda 1 de IM2 =
23,2(1-0,7215
2
) =
16,064
Celda 1 de PIB2 =
506,0(1-0,7215
2
) =
350,362

Las nuevas columnas
quedarn pues de la
siguiente manera:

Finalmente, el output
de regresin nos
proporciona los valores
estimados para los
coeficientes
2
y
1
* =
0,2785
1
. Por tanto,
podemos concluir que:

142 , 0
2
y 237 , 80 2785 , 0 / 346 , 22
1
.

Regression Analysis

The regression equation is IM2 = - 22,3 + 0,142 PIB2

Constant -22,346 3,912 -5,71 0,000
PIB2 0,141525 0,009000 15,72 0,000

S = 7,731 R-Sq = 93,2% R-Sq(adj) = 92,8%

Durbin-Watson statistic = 2,58

Se puede comprobar adems que, para un nivel de significacin = 0,05, el nuevo
estadstico DW = 2,58 no muestra indicios de autocorrelacin de tipo AR(1) en el trmino de
perturbacin del modelo transformado.

Autocorrelacin
Proyecto e-Math 17
BIBLIOGRAFA ______________________________________________

[1] Arts, M.; Suriach, J.; et al (2002): Econometra. Ed. Fundaci per a la Universitat Oberta de
Catalunya. Barcelona.

[2] Carter, R.; Griffiths, W.; Judge, G. (2000): Using Excel for Undergraduate Econometrics.
ISBN: 0-471-41237-6

[3] Doran, H. (1989): Applied Regression Analysis in Econometrics. Ed. Marcel Dekker, Inc.
ISBN: 0-8247-8049-3

[4] Gujarati, D. (1997): Econometra bsica. McGraw-Hill. ISBN 958-600-585-2

[5] Johnston, J. (2001): Mtodos de econometra. Ed. Vicens Vives. Barcelona.
ISBN 84-316-6116-X

[6] Kennedy, P. (1998): A Guide to Econometrics. Ed. MIT Press. ISBN: 0262611406

[7] Novales, A. (1993): Econometra. McGraw-Hill. ISBN 84-481-0128-6

[8] Pulido, A. (2001): Modelos economtricos. Ed. Pirmide. Madrid. ISBN 84-368-1534-3

[9] Uriel, E. (1990): Econometra: el modelo lineal. Ed. AC. Madrid. ISBN 84-7288-150-4

[10] Wooldridge, J. (2001): Introduccin a la Econometra: un enfoque moderno. Ed. Thomson
Learning. ISBN: 970-686-054-1

ENLACES ___________________________________

http://cv.uoc.es/moduls/UW01_71075_00231/index.html
Tablas de distribuciones estadsticas (incluye la del estadstico Durbin-Watson)

http://www.metu.edu.tr/~eruygur/econ302/probset/tables.pdf
Tablas de distribuciones estadsticas (incluye la del estadstico Durbin-Watson)

http://www.feweb.vu.nl/econometriclinks/index.html
The Econometrics Journal On-Line

http://www.elsevier.com/hes/books/02/menu02.htm
Libro on-line: Handbook of Econometrics Vols. 1-5

http://elsa.berkeley.edu/users/mcfadden/discrete.html
Libro on-line: Structural Analysis of Discrete Data and Econometric Applications

http://www.oswego.edu/~kane/econometrics/stud_resources.htm
Online Resources for Econometric Students

http://www.econ.uiuc.edu/~morillo/links.html
Econometric Sources: a collection of links in econometrics and computing. University of Illinois

http://www.econometrics.net/
Econometrics, Statistics, Mathematics, and Forecasting

http://ideas.uqam.ca/EDIRC/ectrix.html
Economics Departments, Institutes and Research Centers in the World: Econometrics,
Mathematical Economics.

Autocorrelacion

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Autocorrelacion

Uploaded by

Copyright:

Available Formats

Autocorrelacin

You might also like