Apuntes de autocorrelacin

Prof. Carlos Ral Pitta Arcos

1. Introduccin.
La heterocedasticidad es solo una de las formas en que se puede levantar el supuesto de
E(uu! " #
$
I. La se%unda manera es suponer que los errores presentes est&n correlacionados
entre s'. Es decir( E(u
i
u
)
! * + para i * ).
Esto procvocar, que la matri- de varian-as . covarian-as de los errores presentar,
t&rminos distintos de + fuera de la dia%onal principal.
1
1
1
1
1
1
]
1

+ 1
+ $
+ 1
1 $ 1 +
! / (




n
n
uu E

En donde 0
s
" E(u
i
u
i1s
!
A este fenmeno se le denomina autocorrelacin . est, presente fundamentalmente en los
estudios de serie de tiempo( donde un shoc2 en el per'odo i %enera errores en los pr3imos
per'odos.
En la matri- anterior( se est, suponiendo que la covarian-a entre dos errores
depende slo de la distancia temporal entre las o4servaciones. Es decir( que un error de
hace un per'odo afecta el error actual( o que el error actual afectar, al error futuro( pero no
que un error de hace dos per'odos afecta el error actual. 5e trata de una autocorrelacin de
primer orden.
A su ve-( como podemos apreciar( todos los t&rminos de la dia%onal principal tienen
el mismo valor( por lo que se est, suponiendo homocedasticidad. Es decir( 0
+
" E(u
i
u
i1+
! "
E(u
i
$
! " #
$
. En t&rminos %r,ficos6
P,%ina 1
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
$. Causas m,s frecuentes de Autocorrelacin.
Ciclos o tendencia en las variables. Es decir( rachas de valores altos o 4a)os por shoc2s o
innovaciones no esperados que son dif'cilmente captados por las varia4les e3plicativa.
7am4i&n puede de4erse a la falta de una varia4le e3plicativa.
Autocorrelacin espacial. En datos de Cross15ection (5eccin cru-ada( cuando se toma(
por e)emplo( una muestra en un solo a8o pero en diferentes pa'ses! un shoc2 aleatorio que
afecta la actividad de una re%in puede causar actividad econmica en re%iones
su4.acentes. Por e)emplo( el mal tiempo en 9rasil puede ocasionar la p&rdida de cultivos de
caf& en 9rasil( pero tam4i&n en Colom4ia . en el Ecuador.
Influencia prolongada de shocks. En las series de tiempo( los shoc2s en %eneral persisten
por m,s de un per'odo.
Inercia. :e4ido a la inercia o a fenmenos psicol%icos(las acciones pasadas muchas veces
tienen efectos en el presente. 5i al modelo le falta incorporar din,mica presente en la
realidad( a travpes de re-a%os( los residuos tendr,n patrones autocorrelacionados.
Mala especificacin 1.
i! ;misin de una varia4le relevante. La omisin de una varia4le relevante que es
autocorrelacionada provocar, un residuo autocorrelacionado.
Por e)emplo( si6
El modelo es6 <
i
" 9
1
= 9
$
>
$
= 9
?
>
?
= u
i
Pero estimamos6 <
i
" 9
1
= 9
$
>
$
= v
i
Entonces6 v
i
" u
i
= 9
?
>
?
5i >
?
presenta autocorrelacin( entonces v
i
la presentar, aunque u
i
no est&
autocorrelacionado en principio.
5i esta fuera la causa de que e3ista autocorrelacin( lo correcto ser'a entonces corre%ir la
mala especificacin( incorporando >
?
al modelo. Recordar que uno de los 1+ supuestos de
@auss Aar2ov es que el modelo est, correctamente especificado.
Mala especificacin 2.
ii! Borma funcional inadecuada.

P,%ina $
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
Mala especificacin 3.
iii! Cuie4re o cam4io estructural. 5i se produ)o un cam4io estructural en la muestra( los
residuos pueden presentar patrones sistem,ticos antes . despu&s del cam4io estructural.
Borma Derdadera
Borma Estimada
?. Al%unas definiciones.
Autocovarianza. :efinimos autocovarian-a entre u
i
. u
i1s
como E(u
i
(u
i1s
! " 0
s
para s"+( t1(
t$...
5i s"+( E(u
i
(u
i1s
! " E(u
i
$
! " 0
o
"

$
Entonces( E(uu! se puede e3presar como6
1
1
1
1
1
1
]
1

+ 1
+ $
+ 1
1 $ 1 +
! / (




n
n
uu E

Coeficiente de Autocorrelacin. Lo definimos como6

$
+
$
$ $
( +
! ( ! (
! ( ! (
! ( (
u
s u s s o s
o
s
s
o
s
o
s i i
o o
s i i
s i i
s i i
s
s Si
r r r
E E
E E
Cov
r

P,%ina ?
Entonces( es mu. importante detectar la ra-n
de patrones de comportamiento
autocorrelacionados en los residuos( porque ello
determinar, la me)or forma de corre%ir este
pro4lema.
En adelante, supondremos que la
autocorrelacin no est ocasionada por errores
de especificacin, ni de quiebre estructural, sino
por alguna razn distinta.
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
Lue%o( tam4i&n podemos e3presar E(uu! como6

1
1
1
1
1
1
]
1

1
1
1
1
1
1
]
1

1
1
1
1
1
1
]
1

$
$
1
$ 1
$
$ $
$
$
$
$
1
$
$
$
$
1
$ $
+ 1
+ $
+ 1
1 $ 1 +
! / (
1
1
1
1
! / (
! / (
u
n
n
u
u n u
u u
u u
n u u u u
n
n
uu E
r
r
r
r r r
uu E
r
r
r
r r r
uu E

Esta es la forma %en&rica de la matri-. Para distintos casos de autocorrelacin tendremos

distintas matrices de E(uu!. Para calcular cada forma particular( de4emos calcular los 0
i
APICACI!" PA#A $" P#%C&'% A$(%##&)#&'I*% +& %#+&" 1 ,A#-1./
Encontremos E(uu! para el caso m,s comn de autocorrelacin( que es autocorrelacin de
primer orden FAR(1!G. Esta ocurre cuando el residuo de un per'odo es proporcional al
residuo en el per'odo anterior m,s un residuo 4ien comportado6

i
"
i11
= H
i
donde H
i
I J(+(
H
$
I!
C0lculo de 1
2
-s32.
0
+
" E(u
i
$
! "

+ + + + +
+ + + + + +
+ + + +
+

?
?
$
$
1
1 $
$
?
?
1 $ ?
$
1 $
$
1 $
1
! (
! (
i i i i i
i i i i i i i i i
i i i i i i i
i i i
Adem,s( sa4emos que6
P,%ina K
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
[ ]
1
1
1
]
1

+ + + +
+ + +
+ + +

+ + + + + + + + + +
+ + + + +

$
$
$
$
1 $
$
$
$
$
$
1 1 1 1
$
$
1
$
$
?
?
$
$
1 ?
?
$
$
1
$
?
?
$
$
1
! (
! !( ( ! (
+ ! ( ! (
i i i i i i
i i i i i i
i i i i i
i
i i i i i i i i i
i i i i i
E E
E E
E E

Recordando adem,s que la Cov (H
i
( H
i11
! " + pues &ste error s' es 4ien comportado tenemos
que6
! 1 ( ! (
L K $ $ $ L $ K $ $ $ $
+ + + + + + + +
i
E
El se%undo t&rmino es la suma de una pro%resin %eom&trica e i%ual a (1M11N
$
!
1
( por lo que
entonces6
$
$
$
1
! (

i
E
C0lculo de 1
1
-s31.
0
1
" E(u
i
(u
i11
!
Pero como6
u
i
" H
i
= NH
i11
= N
$
H
i1$
= N
?
H
i1?
...
< u
i11
" H
i11
= NH
i1$
= N
$
H
i1?
= N
?
H
i1K
...
0
1
" E(u
i
(u
i11
! " EF(H
i
= NH
i11
= N
$
H
i1$
= N
?
H
i1?
...!( H
i11
= NH
i1$
= N
$
H
i1?
= N
?
H
i1K
...!G
0
1
" E(H
i
H
i11
= NH
i
H
i1$
= N
$
H
i
H
i1?
= ... = NH
$
i1$
= N
$
H
i11
H
i1$
= O = N$H
i11
H
i1$
= N
?
H
$
i1$
= O!
0
1
" E(H
i
H
i11
! = NE(H
i
H
i1$
! = ... = NE(H
$
i11
! = N
?
E(H
$
i1$
! = N
P
E(H
$
i1?
! = O =
0
1
" + = + = ... = N#
$
H
= N
?
#
$
H
= N
P
#
$
H
= N
Q
#
$
H
=...
0
1
" N#
$
H
(1 = N
$
= N
K
= N
L
= ... !
$
$
1
1

Como o4servamos( el proceso es lar%o( pero por induccin podemos deducir de la serie6
1
Esto desde lue%o si NR1. Las propiedades de conver%encia de las ecuaciones diferenciales ser,n discutidas
posteriormente.
P,%ina P
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
$
$
$
$
$
$
1
$
$
$
+
1
1
1

s
s
s

P,%ina L
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
Entonces(

1
1
1
1
1
1
]
1

1
1
1
1
1
1
1
1
1
1
1
]
1

1
1
1
1
1
1
]
1

$
$
$
1
$
1
$
$
$
$
$
$
$
1
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
1
$
$
$
$
$
$
$
+ $ 1
+ 1 $
$ 1 + 1
1 $ 1 +
1
1
1
1
1
1
! / (
1 1
1 1 1
1 1 1
1 1 1 1
! / (

uu E
uu E
Recordar que6
s s s
s
r

$
$
$
Con autocorrelacin( el supuesto de E(uu! " #
$
I se cam4ia por E(uu! " #
$
S. En el caso de
AR(1!( S toma la forma que aca4amos de derivar.
En otros casos particulares de autocorrelacin( se de4e investi%ar que forma toma S.
;tros casos usuales de autocorrelacin son6
AR($! u
t
" N
1
u
t11
= N
$
u
t1$
= H
t
AA(1! u
t
" H
t
= T H
t11
45 Propiedades de la estimacin MIC% ba6o autocorrelacin5
1. Estimando por AIC; una re%resin que presente autocorrelacin en el residuo(
o4tendremos un estimador cercano a la verdadera l'nea po4lacional. Estimando en
repetidas muestras( el promedio del valor esperado estar, so4re el verdadero valor(
pero la alta varian-a de las distintas estimaciones llevar, a que la varian-a del
estimador sea ma.or que la que o4tendr'amos con errores no correlacionados.

Y X X X B / ! / (
1
U

se%uir, siendo inses%ado( pero la varian-a estimada ser,

ma.or que la que podr'amos o4tener si ponderamos las o4servaciones( es
decir( ma.or que si aplicamos AC@.
P,%ina Q
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos

k n
e e

/
U
su4estima a la verdadera varian-a #
$
. esto hace que la varian-a
estimada para una muestra( sea menor que la verdadera varian-a. Por lo
tanto( los test t no son adecuados.
El R
$
est, so4reestimado.
$. 5i se estima por AIC;( pero se corri%e la varian-a asumiendo autocorrelacin6
1 1 $ 1 1
U U U
1
U
! / ( / ! / ( G ! / ( / / ! / F( G !/ !( F( ! (
/ ! / (

+
X X X X X X X X X X X X E B B B B E B
X X X B B

5i utili-amos &sta varian-a el estimador o4tenido tampoco ser, un estimador eficiente.

?. A&todo de A'nimos Cuadrados @enerali-ados6
Como vimos antes (cuando revisamos heterocedasticidad!( cuando no se cumple el
supuesto cl,sico de E(uu! " #
$
I( el estimador eficiente es AC@.
Este m&todo consiste en transformar los datos de manera tal que consi%amos un error
4ien comportado.
! ! donde En
X X B
Y X X X B
"C#
"C#
/ 6
! / ( ! (
/ ! / (
1
1 1 $
U
1 1 1
U

Para el caso de AR(1!( donde u

t
" N
1
u
t11
= H
t
Para AR(1!
P,%ina V
1
1
1
1
1
1
]
1

+
+

1
1
1
1
1
1
]
1

1 +
! 1 ( +
! 1 (
+ + 1
1
1
1
1
1
1
! / (
1
$
$
$
$
$
$
$

uu E
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
75 8Cmo detectar Autocorrelacin9
-: 1. M;todo gr0fico<
El simple an,lisis de los residuos o4tenidos puede confirmar la presencia de errores mal
comportados.
-: 2. &stad=stico de +urbin>?atson -1@71.
Consiste en el c,lculo del coeficiente6

n
i
i
n
i
i i
e
e e
d
1
$
1
$
1
! (
Este estad'stico es calculado con los residuos de la re%resin AIC; . es usado para
detectar autocorrelacin de primer orden.
El test es v,lido 4a)o las si%uientes condiciones6
1. En la re%resin ha. constante
$. La matri- > es no estoc,stica
?. 5olo sirve para testear procesos AR(l!
K. Jo es v,lido cuando la varia4le dependiente est, re-a%ada
+erivacin.

n
i
i
n
i
i i
n
i
i
n
i
i
n
i
i
n
i
i i
e
e e e e
e
e e
d
1
$
1
1
1
$
1
1
$
1
$
1
$
1
! (
Cmo6

n
i
i
n
i
i
e e
1
$
1
1
$
5upuesto Requerido.

,
_

,
_

n
i
i
n
i
i i
n
i
i
n
i
i i
n
i
i
n
i
i
n
i
i
n
i
i i
n
i
i
e
e e
e
e e
e
e
e
e e e
d
1
$
1
1
1
$
1
1
1
$
1
$
1
$
1
1
1
$
1 $ $
$ $
P,%ina W
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
El t&rmino6

n
i
i
n
i
i i
e
e e
1
$
1
1
es al%o Xque se pareceY a una covarian-a
,
_

! !( ( Y Y X X
i i
. corresponde a la estimacin de N en un proceso AR(1!.
Esto porque en AR(1! r
s
" N
s
r " N
! 1 ( $ 1 $
! (
! !( (
U
1
$
1
1
$
1
$
1
U
+
1

,
_

n
i
i
n
i
i i
i
i i
i
i i
e
e e
d
e
e e
e e
e e e e
Entonces( ! 1 ( $ 1 $
U
1
$
1
1

,
_

n
i
i
n
i
i i
e
e e
d
La hiptesis nula de la prue4a es que no e3iste autocorrelacin.
Z
+
6 Jo Autocorrelacin N " + d $
Z
1
6 Za. Autocorrelacin.

El estad'stico d no tiene una distri4ucin conocida. Por eso :ur4in . [atson ta4ularon la
distri4ucin para &sta prue4a. Para cada valor de 2 (par,metros! . n( al P\ . al 1\. 5e
o4tienen dos valores cr'ticos6 d
u
. d
l
que permiten esta4lecer -onas en que se recha-a la
hiptesis nula( -onas en que se acepta( . -onas de indecisin.
El criterio no decide El criterio no decide
d
l
d
u
$ K1d
u
K1d
l
Autocorrelacin Jo ha. Autocorrelacin Autocorrelacin
P,%ina 1+
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
Positiva Je%ativa
P,%ina 11
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
5upon%amos que :[ indica errores de autocorrelacin. ]Cu& de4emos hacer^ ]Estimar por
AC@^ :epende. La autocorrelacin puede de4erse a una varia4le omitida( a una forma
funcional incorrecta o a falta de din,mica en la especificacin. 5lo si se ha determinado
que el error no corresponde a nin%una de estas causas es necesario aplicar AC@.
-: 3. Prueba A de +urbin5
5irve para pro4ar autocorrelacin cuando la varia4le dependiente re-a%ada se inclu.e
dentro de las varia4les e3plicativas6
<
i
" 9
1
= 9
$
<
i11
= 9
?
<
i1$
= ... = 9
r
<
i1r
= 9
r=1
>
1
= 9
r=$
>
$
=O = u
i
En donde u
i
" N
u11
=
t
AR(1!
Z
+
6 N " +
Z
1
6 N +
5lo es v,lido para muestras %randes.
En donde6 n es el tama8o de la muestra( N %orro es la estimacin del
N( Dar(9
$
%orro! es la varian-a del coeficiente asociado a <
t11
9a)o la hiptesis nula( h J(+(1! por lo que6
P,>15@B C h C 15@B/ 3 25@7
Por lo que si h calculado (utili-ando al%n estimador de N( al%n N %orro! es ma.or en valor
a4soluto que 1.WL( recha-o Z
+
al P\ de si%nificancia.
Caracter'sticas de la prue4a6
1. Jo importa cuantas veces est, re-a%ada <
t
( slo necesito la varian-a del coeficiente
asociado a <
t11
.
$. La prue4a no es v,lida si (n Dar(9
$
%orro!! _ 1
?. La prue4a slo es v,lida si la muestra es %rande.
-: 4. Prueba de Dreusch>)odfreE -1@FG.
Esta prue4a permite verificar por autocorrelacin de orden ma.or a uno.
El modelo %eneral al que se aplica el test es6
(`! <
i
" 9
1
= 9
$
<
i11
= 9
?
<
i1$
= ... = 9
r
<
i1r
= 9
r=1
>
1
= 9
r=$
>
$
=O = u
i
P,%ina 1$
! F !( 1 ( $
U
U

ar n
n
$
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
:onde r son los re-a%os de la varia4le dependiente.
La hiptesis nula es que no ha. autocorrelacin.
Z
+
6 u
i
J(+(
$
I!
Z
1
6 u
i
son errores mal comportados.
Pasos para efectuar la prue4a6
i. 5e reali-a la re%resin (`! por AIC; . se e3traen los residuos.
ii. asando los residuos calculados en i!( se reali-a la si%uiente re%resin6
ei " f(ei11( ei1$(...( ei1pb <i11( <i1$( ...( <i1r b >1( >$( O( >2!
iii. El estimador (n1p!R
$
4a)o la hiptesis nula se distri4u.e c
$
p
( con lo que si6
(n1p!R
$
_ c
$
p
se recha-a la hiptesis nula. :onde n es el tama8o de la muestra en
la re%resin ori%inal.
&H&MP% +& $(IIIACI!" +& %' (&'( &" &*I&?'5
En E1vieds podemos reali-ar f,cilmente al%una de las prue4as anteriores. Con la si%uiente
informacin6
;4servacin
Producto
<
Zoras de
7ra4a)o
>
1 11 1+
$ 1+ Q
? 1$ 1+
K L P
P 1+ V
L Q V
Q W L
V 1+ Q
W 11 W
1+ 1+ 1+
P,%ina 1?
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
;4tenemos la si%uiente salida de Evieds6
P,%ina 1K
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
Dependent Variable: PRODUCTO
Method: Least Squares
Date: 10/1/0 Ti!e: ":#
Sa!ple: 1 10
$n%luded obser&ations: 10
Variable Coe''i%ient Std( )rror t*Statisti% Prob(
C "(+00000 (0,01-- 1(-". 0(1""
TR/0/1O 0(-#0000 0(##-"2 (,"+, 0(012,
R*squared 0(#120, Mean dependent &ar ,(+00000
/d3usted R*squared 0(.#-2#. S(D( dependent &ar 1(2"-2-"
S()( o' re4ression 1("#""- /5ai5e in'o %riterion "(+1,-"
Su! squared resid 1.(+#000 S%h6ar7 %riterion "(+20.,
Lo4 li5elihood *1+(0,2++ 8*statisti% 2(+00+2"
Durbin-Watson stat 2.346416 Prob98*statisti%: 0(012,0
Corresponde al valor calculado del estad'stico :[. Este valor ha. que contrastarlo con los
valores d
u
. d
l
de la ta4la.
En este caso6 2"$( (2/"1!( n"1+ d
u
"1.?$( d
l
"+.VQW
El criterio no decide El criterio no decide
+.VQW 1.?$ $ $.LV ?.1$1
Autocorrelacin Jo ha. Autocorrelacin Autocorrelacin
Positiva Je%ativa
$.?K
Por lo tanto( por :[ no recha-o Z
+
(no recha-amos que N sea cero! Jo ha.
Autocorrelacin.
Por otra parte( en lo que se refiere a la Prue4a de 9reusch1@odfre.( E1Dieds nos arro)a la
si%uiente salida6
P,%ina 1P
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
0reus%h*;od're< Serial Correlation LM Test:
8*statisti% 0(.#++ Probabilit< 0(-2,-11
Obs=R*squared 0(-#+-, Probabilit< 0(+2.,#,
Test )quation:
Dependent Variable: R)S$D
Method: Least Squares
Date: 10/1/0 Ti!e: ":.
Variable Coe''i%ient Std( )rror t*Statisti% Prob(
C *0(#-."0 (.+1--- *0("#- 0.8239
TR/0/1O 0(0-+#"0 0("0.",, 0(#1.1# 0.8099
R)S$D9*1: *0("010,# 0(..2,+ *0(+-1+. 0.5268
R)S$D9*: *0(1.2-". 0(.22# *0(".+2.1 0.7406
R*squared 0(0-#+-, Mean dependent &ar *.()*1+
/d3usted R*squared *0("2+.21 S(D( dependent &ar 1(-#2..
S()( o' re4ression 1(#0," /5ai5e in'o %riterion "(,.10"+
Su! squared resid 1"(#.1"0 S%h6ar7 %riterion .(0+0-0
Lo4 li5elihood *1#(-0#12 8*statisti% 0(1+"-#1
Durbin*>atson stat (00+#01 Prob98*statisti%: 0(,1+,+.
En este caso( p"$ (re-a%os!( n"1+.
El estimador nR
$
4a)o la nula se distri4u.e c
$
p
( con lo que si6
nR
$
_ c
$
p
(e! se recha-a la Z
+
Aqu'( c
$
$
(+.+P! " P.W( nR
$
" +.QP
nR
$
R c
$
p
(e! no se recha-a la Z
+

(Pod'amos intuir este resultado por la falta de si%nificancia de los coeficientes asociados a
los residuos!
P,%ina 1L
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
J%#MA' +& C%##&)I# A$(%C%##&ACI!"
(f1! Cono-co la forma de la autocorrelacin . cono-co N
La solucin depende de la forma del proceso autorre%resivo.
'olucin para A#-1.
5a4emos que
i
"
i11
= H
i
. supon%amos que conocemos N( entonces6
5a4emos que la re%resin de4e ser con los datos transformados( de forma que el residuo sea
4ien comportado.
< " >9 = g
g
t
" N g
t11
= H
t
7< " 7>9 = 7g
7< " 7>9 = v
Para que v sea 4ien comportado( se de4e cumplir que 7/7"S
11
Entonces( 7 de4e de ser i%ual a6
1
1
1
1
1
1
]
1

1 + +
+
1 +
1
+ + 1

!
P,%ina 1Q
1
1
1
1
1
1
]
1

+
+

1
1
1
1
1
1
]
1

1 +
! 1 ( +
! 1 (
+ + 1
1
1
1
1
1
1
! / (
1
$
$
$
$
$
$
$

uu E
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
Por tanto...
1
1
1
1
1
]
1

k n nk n n
k k
k
X X X X
X X X X
X X
!X
( 1 $ ( 1 $
1 $ 1$ $$
1
$
1$
$ $
1
1 1 1

;4servacin6
5i partimos de6
(1! <
i
" 9
1
= 9
$
>
i$
= ... = 9
2
>
i2
= u
i
:onde6

i
"
i11
= H
i
AR(1!
Entonces( el re-a%o de (1! es6
($! <
i11
" 9
1
= 9
$
>
i11($
= ... = 9
2
>
i11(2
= u
i11
< multiplicando ($! por 6
(?! <
i11
" 9
1
= 9
$
>
i11($
= ... = 9
2
>
i11(2
= u
i11
< restando (1! h (?! tenemos que6
(K! <
i
1 <
i11
" 9
1
(1 1 ! = 9
$
(>
i$
1 >
i11($
! = ... = 9
2
(>
i2
1 >
i11(2
! = u
i
1 u
i11

Correr la re%resin (K! es mu. parecido a aplicar el procedimiento anterior( con la
diferencia de la primera o4servacin.
Este ltimo m&todo es m,s utili-ado( pero menos eficiente para corre%ir autocorrelacin.
P,%ina 1V
1
1
1
1
1
1
]
1

1
1
1
1
1
1
]
1

1
1
1
1
1
1
]
1

n n n n n
Y
Y
Y
!
Y Y
Y Y
Y Y
Y
Y !

?
$
$
1
$ ?
1 $
1
$
1
$ ?
1 $
1
$
1 1 1
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
'olucin para A#-2.
AR($! u
t
" N
1
u
t11
= N
$
u
t1$
= H
t
ana alternativa es definir S( S
11
( 7 . multiplicar 7< " 7>9 = 7g
;tra forma es proceder como si%ue6
(P! <
i
" 9
1
= 9
$
>
i$
= ... = 9
2
>
i2
= u
i
Entonces( el re-a%o de (P! es6
(L! <
i11
" 9
1
= 9
$
>
i11($
= ... = 9
2
>
i11(2
= u
i11
Re-a%o de (L!

(Q! <
i1$
" 9
1
= 9
$
>
i1$($
= ... = 9
2
>
i1$(2
= u
i1$
Aultiplica (L! por N
1
. (Q! por N
$
(V! N
1
<
i11
" N
1
9
1
= 9
$
N
1
>
i11($
= ... = 9
2
N
1
>
i11(2
= N
1
u
i11
(W! N
$
<
i1$
" N
$
9
1
= 9
$
N
$
>
i1$($
= ... = 9
2
N
$
>
i1$(2
= N
$
u
i1$
Resto (P! h (V! h (W! . nos queda6
(1+! <
i
h N
1
<
i11
" 9
1
(1h N
1
h N
$
! = 9
$
(>
i$
h N
1
>
i11($
h N
$
>
i1$($
! = ... = 9
2
(>
i2
h N
1
>
i11(2
h N
$
>
i1
$(2
! = u
i
h N
1
u
i11
h N
$
u
i1$

En dnde el ltimo t&rmino es H
i
.
Correr la re%resin (1+! nos dar, un resultado apro3imadamente i%ual.
Es decir que si conocemos la forma de la autocorrelacin . los N( es f,cil aplicar AC@ .
o4tener los par,metros( pero %eneralmente no conocemos N( entonces primero ha. que
estimarlo . lue%o aplicar los m&todos tradicionales para calcular AC@.

P,%ina 1W
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
8Ku; hacer si no conocemos L9 &Misten m;todos para calcularlo5
a. M;todo de posiciones eMtremas5
Como no conocemos N( podr'amos partir de al%uno de estos casos e3tremos. Esto es
suponer que N"1 que N"11
5i N"1( la ecuacin (K! nos queda6
<
i
1 <
i11
" 9
$
(>
i$
1 >
i11($
! = ... = 9
2
(>
i2
1 >
i11(2
! = H
i

i<
i
" 9
$
i>
i$
= ... = 9
2
i>
i2
= H
i

Es decir( ha. que estimar los datos e3presados en primeras diferencias.
5i N"11( la ecuacin (K! nos queda6
(K! <
i
1 <
i11
" 9
1
(1 1 ! = 9
$
(>
i$
1 >
i11($
! = ... = 9
2
(>
i2
1 >
i11(2
! = u
i
1 u
i11
"11
(Kj!
i
i i i i
i i
X X
B
X X
B B Y Y + +

,
_

+
+

,
_

+
+ +

$ $
? ( 1 ?
?
$ ( 1 $
$ 1 1
Es decir( tenemos que calcular el modelo ori%inal en con los datos e3presados en
promedios.
El pro4lema de este m&todo es que si N*1 N*11( la transformacin de los datos puede
ocasionar un ses%o tan %rande que sea peor que la propia autocorrelacin inicial.
b. M;todo basado en el estad=stico d de +urbin E ?atson5
$
1 ! 1 ( $
U U
d
d
Esto es v,lido para muestras %randes.
c. Procedimiento iterativo de Cochrane>%rcutt
i. 5e estima el modelo por AIC; . se o4tienen los residuos e
i
.
ii. 5e estima por AIC; la si%uiente re%resin6
i i i
v e e +
1
U

iii. Con N estimado( corre%ir los datos . correr la ecuacin (K!

<
i
1 <
i11
" 9
1
(1 1 ! = 9
$
(>
i$
1 >
i11($
! = ... = 9
2
(>
i2
1 >
i11(2
! = u
i
1 u
i11

iv. Como no sa4emos si N estimado es una 4uena estimacin de N( volvemos a la
re%resin ori%inal utili-ando los coeficientes o4tenidos en (iii! . o4tenemos e
i
`

P,%ina $+
Apuntes de autocorrelacin
Prof. Carlos Ral Pitta Arcos
v. Estimamos6
i i i
% e e +

`
1
U
U
`

Con &sta estimacin del N estimado estimado( se

vuelve a repetir el proceso desde la etapa (iii!
Este A&todo es iterativo . nos detenemos para cuando en dos corridas sucesivas los N
estimados difieren un poco (cuando conver%en a un nmero!
d. M;todo de +urbin
La ecuacin (K! se puede rescri4ir como6
<
t
" 9
1
(11 N! = 9
$
>
$t
h N9
$
>
t11
= N<
t11
= ... = H
t
i! A partir de esta ecuacin . re%resando <
t
en >
t
( >
t11
( >
t1$
( ... ( <
t
( . utili-ar el
valor estimado del coeficiente <
t11
como estimacin del N
$
ii! Lue%o de tener el N estimado( transformar los datos . correr de nuevo la
re%resin (K!.
e. M;todo de la malla Aildreth E u5
5e define un con)unto de valores posi4les para N tales que NE F11(1G( donde los intervalos
entre los distintos valores de N son de +.1
Lue%o( para cada N estimado se corre la re%resin (K! . se computa la suma de los
cuadrados residuales (eke!. 5e eli%e el valor del N estimado que minimice la suma de los
cuadrados residuales( lo que si%nifica tam4i&n que ma3imice el R
$
.
$
J;7A6 Este estimador ser, ses%ado( pero consistente asintticamente.
P,%ina $1