Professional Documents
Culture Documents
ANLISIS DE AUTOCORRELACIN
1.
En este tema se cuestionar, para los modelos que trabajan con datos de series de tiempo, una
de las hiptesis que definen el Modelo de Regresin Lineal Normal Clsico (MRLNC). En
concreto se analiza la hiptesis que establece que el vector de perturbaciones sigue una
distribucin segn un vector normal esfrico.
E (ut ) = 0
E (u t2 ) = 2 = 0
E (u t ut + S ) = 0 s 0
Entre los factores no identificados sealados por Malinvaud podra encontrarse un error en la
especificacin de la forma funcional del modelo y la omisin de variables relevantes que
puede dar lugar a un comportamiento sistemtico de los residuos que podra interpretarse
como autocorrelacin cuando en realidad se corrige al especificar correctamente el modelo.
Anlisis de Autocorrelacin
2.
s = 0, 1, 2, ...
se est considerando que el trmino de perturbacin de una observacin est relacionado con
el trmino de perturbacin de otras observaciones y por lo tanto la covarianza entre ellos es
distinta de cero y se define como,
E (u t ut + S ) = S
s = 0, 1, 2,...
Cov(u t , u t + S )
Var (u t )Var( ut + S )
S
0
s = 0, 1, 2, ...
El modelo que ahora se estudia es por tanto un Modelo de Regresin Lineal Generalizado con
autocorrelacin y verifica todas las hiptesis del modelo de regresin lineal normal clsico
excepto la que hace referencia a la nulidad de las covarianzas de la perturbacin. Este nuevo
modelo, en el que se supone que no hay problemas de heterocedasticidad, queda especificado
como,
Y = X + u
donde u
N 0, 2
0 = E( ut2 ) = 2
2
Anlisis de Autocorrelacin
E (uu ' ) = 1
...
n 1
...
n 2
2
... n 1
1
... n 2
2
2 1
= =
...
... ...
...
n 1
1
1
...
n 2
n 1
... n 2
... ...
...
1
...
Para poder estimar este modelo, obteniendo estimadores con buenas propiedades, se aplican
mnimos cuadrados generalizados o la transformacin de Aitken por lo que es necesario
estimar estas correlaciones entre los trminos de perturbacin.
Anlisis de Autocorrelacin
3.
FORMAS DE AUTOCORRELACIN.
ESQUEMAS AUTORREGRESIVOS Y DE MEDIAS MVILES
Procesos autorregresivos
Los procesos o filtros autorregresivos estn diseados de modo que el comportamiento de una
variable en un instante de tiempo depende de valores pasados de la propia variable. As, si el
valor de la variable u en el momento t depende de su valor en el periodo anterior ms un
trmino aleatorio se dice que el proceso es autorregresivo de primer orden (AR(1)). Si la
relacin de dependencia se establece con los p valores anteriores el proceso ser
autorregresivo de orden p. Matemticamente estos procesos se expresan del siguiente modo,
AR(1) u t = ut 1 + t
AR(2) u t = 1 u t 1 + 2 u t 2 + t
...
AR(p) u t = 1 ut 1 + 2 ut 2 + ... + p u t p + t
Donde t es un proceso de ruido blanco y por tanto con esperanza nula, varianza constante y
covarianza nula.
Los procesos de medias mviles, por su parte, se estructuran estableciendo una relacin de
dependencia entre la variable que se modeliza y un conjunto de retardos de la variable de
ruido blanco t . Si slo existe un retardo de la variable de ruido blanco el proceso ser de
orden 1, mientras que si existe una combinacin lineal de q trminos de error de ruido blanco
el proceso se denomina MA(q).
MA(1) ut = t + t 1
MA(2) ut = t + 1 t 1 + 2 t 2
...
MA(q) ut = t + 1 t 1 + 2 t 2 + ... + q t q
4
Anlisis de Autocorrelacin
Procesos mixtos
El objetivo que se plantea ser entonces conocer qu esquema sigue la perturbacin y cul es
la mejor estructura para su modelizacin.
Anlisis de Autocorrelacin
4.
DETECCIN DE LA AUTOCORRELACIN
Los contrastes de hiptesis, por su parte, permiten, a travs de una regla de decisin, considerar
si con los datos de la muestra y con un nivel de significacin () concreto se debe o no rechazar
la hiptesis nula.
Todos los contrastes numricos de autocorrelacin se plantean con idnticas hiptesis; as,
podemos sealar que la forma general del contraste es:
H0 :
No existe autocorrelacin
H1 :
Existe autocorrelacin
Esto es, en la hiptesis nula se considera que el trmino de perturbacin correspondiente a una
observacin es independiente del correspondiente a cualquier otra observacin. En la
hiptesis alternativa se seala que el trmino de error de un modelo economtrico est
autocorrelacionado a travs del tiempo. Esta hiptesis alternativa, al considerar la existencia
de un patrn de comportamiento para los residuos, se puede especificar con procesos
autorregresivos AR(p), de medias mviles MA(q) o mixtos ARMA(p,q)
dependiendo del contraste que se vaya a utilizar.
Anlisis de Autocorrelacin
H1 : 0 < < 1
Estadstico de prueba:
d=
(e
t= 2
et 1 )2
e
t =1
2
t
Si hay autocorrelacin positiva las diferencias entre residuos que distan un periodo es
muy pequea por lo que el valor del estadstico d ser prximo a cero.
signo contrario, su diferencia ser por tanto grande y el estadstico ser ms prximo al lmite
superior que, como se ver, se establece en cuatro.
Si no hay autocorrelacin, la relacin entre los residuos ser intermedia y por tanto, el
Para establecer los lmites de variacin del estadstico d la frmula anterior se puede desarrollar
obtenindose una expresin en funcin del coeficiente de autocorrelacin muestral de primer
orden para los residuos ,
Anlisis de Autocorrelacin
d=
(e
t= 2
e t 1 ) 2
e
t =1
(e
t= 2
2
t
2
t
+ et21 2e t et 1
n
e
t =1
t =2
et2 + et21 2 et e t 1
2
t
t =2
t =2
e
t =1
2
t
t= 2
t =2
t =1
2 et2 + 2 et e t 1
t =2
t =2
e
t =1
2
t
e e
t
t =2
e
t =1
t 1
2
t
d 2(1 )
= 0 d 2
= 1 d 0
As, se aprecia que el estadstico experimental tomar valores entre 0 y 4 de tal modo que cunto
ms prximo a cero (a cuatro) sea el valor del estadstico d mayor es la evidencia de
autocorrelacin positiva (negativa). Si el valor del estadstico experimental d es dos, entonces la
correlacin muestral ser nula y por tanto no se detectar un problema de autocorrelacin entre
las perturbaciones.
3
J. Durbin y G.S. Watson Testing for Serial Correlation in Least-Squares Regression Biometrika, Vol. 38, 1951, pp. 159-171.
Anlisis de Autocorrelacin
No obstante, estos valores (0, 2 y 4) son lmites extremos que deben matizarse estableciendo
regiones ms amplias en las que pueda considerarse si existe o no autocorrelacin y, en caso de
detectarse, si sta es positiva o negativa. En este sentido es necesario precisar que la distribucin
terica de este estadstico no es sencilla y depende de los valores concretos de la matriz de
regresores; por tanto, no existe un valor crtico nico que permita establecer una regla de
decisin. Para solucionar esta dificultad Durbin y Watson hallaron unos lmites superior (du) e
inferior (dL) que permiten tomar decisiones acerca de la presencia o ausencia de autocorrelacin.
Estos valores sealan el lmite superior (du) para considerar autocorrelacin positiva esto es,
para valores del estadstico experimental superiores a este lmite no se rechaza la hiptesis de
ausencia de autocorrelacin y el lmite inferior (dL) para no rechazar la hiptesis nula y
suponer que las covarianzas de las perturbaciones del modelo son nulas y, por tanto, no estn
autocorrelacionadas.
Zona de
Regin de no rechazo:
Zona de
Positiva
Indecisin
No autocorrelacin
Indecisin
dL
du
4 - du
Autocorrelacin
4 dL
negativa
Esto es,
0 < d < dL
4- dL < d < 4
dL < d < du
el contraste no es concluyente
el contraste no es concluyente
9
Anlisis de Autocorrelacin
Estos lmites dependen del tamao de la muestra (n) y del nmero de regresores del modelo (k).
Las tablas originales sirven para muestras entre 15 y 100 observaciones y un mximo de 5
regresores. Aos ms tarde, Savin y White4 (1977) publicaron unas tablas ms completas que
incluyen tamaos de muestra superiores 5 < n < 200 y hasta 20 regresores.
2)
3)
4)
5)
Un inconveniente que presenta este contraste es que a veces puede no ser concluyente, por lo que
hay que considerar, utilizando otros criterios, si existe o no autocorrelacin. En este sentido una
solucin clsica consiste en ampliar5 las regiones de rechazo considerando as que existe
autocorrelacin positiva para valores de d inferiores a du
1)
En primer lugar hay que sealar que el diseo original del contraste se bas en el
N.E. Savin y K.J. White, The Durbin-Watson Test for Serial Correlation with Extreme Sample Sizes of Many Regressors,
Econometrica Vol., 45, 1977, pp. 1989-1996.
5
Un procedimiento prctico de tipo conservador consiste en tomar la decisin de rechazar la hiptesis nula para valores del
estadstico experimental inferiores al lmite du . En este sentido se ha comprobado que las consecuencias de considerar
autocorrelacin cuando no existe son menos graves que las del supuesto contrario; estos resultados se encuentran detallados
en H. Theil, A.L. Nagar Testing the Independence of Regression Disturbares, Journal of the American Statistical Association,
Econometrica Vol. 56, 1961, pp. 793-806 y E.J. Hannan y R.D. Terrel Testing for Serial Correlation after Least Squares
Regression, Econometrica, Vol. 36, 1966, pp. 646-660.
10
Anlisis de Autocorrelacin
2)
3)
La
hiptesis
alternativa
considera
que,
si
las
perturbaciones
estn
Una prueba ms del gran inters que demostr este contraste es el nmero de econmetras que
tratan de tabular los niveles crticos para distintos supuestos en los que se basa el contraste de
Durbin-Watson. En este sentido podemos citar los siguientes desarrollos:
1) Wallis (1972) desarroll un estadstico similar para modelos de regresin con datos
trimestrales en los que se trata de probar la autocorrelacin de orden 4 tanto en modelos que
incluyen nicamente trmino independiente como en los modelos que incluyen variables
estacionales trimestrales para especificar el nivel autnomo.
2) Savin y White (1977) ampliaron las tablas inicialmente propuestas por Durbin y Watson
considerando muestras de 6 a 200 observaciones y hasta 20 regresores.
3) Ding y Giles (1978) amplan las tablas de Wallis considerando ms niveles de significacin.
4) Farebrother (1980) tabul los niveles crticos para el supuesto de modelo de regresin sin
trmino independiente.
5) King (1981) proporciona los niveles crticos al nivel de significacin del 5% para datos de
series de tiempo trimestrales y con variables de tendencia y/o variables indicadoras de
estacionalidad considerando autocorrelacin de cuarto orden.
6) King (1983) obtiene los valores dL y du para datos mensuales en los que es conveniente
probar una autocorrelacin de duodcimo orden.
Farebrother The Durbin-Watson Test for Serial Correlation when there is No Intercept in the Regression Econometrica, Vol.
48, 1980, pp. 1553-1563.
11
Anlisis de Autocorrelacin
Este contraste presenta una modificacin del estadstico de Durbin-Watson para los modelos
que utilizan datos trimestrales en los que, dado el carcter estacional de estas series, se espera
que la perturbacin de una observacin concreta no est relacionada con la perturbacin del
periodo inmediatamente anterior sino que dependa de la perturbacin del mismo trimestre
pero del ao anterior, es decir, que la estructura de autocorrelacin sea u t = u t 4 + t
H1 : 0 < < 1
(e
t= 5
et 4 )2
e
t =1
2
t
Este estadstico tambin fue tabulado por Wallis bajo el supuesto de modelo de regresin con
un nico trmino independiente y tambin para el caso de regresiones que incluyan trmino
independiente y variables ficticias estacionales8 (trimestrales). Al igual que el contraste de
Durbin-Watson, el estadstico d4 se ha tabulado suponiendo que la matriz de regresores es no
aleatoria y suponiendo tambin que el modelo tiene trmino independiente.
Adems de este contraste, King9 (1983) desarroll otra modificacin del estadstico de
Durbin-Watson. En este caso se obtuvieron los valores de los lmites superiores (du) e
inferiores (dL) de autocorrelacin para definir las regiones de rechazo, indecisin y no rechazo
cuando se trabaja con datos mensuales.
K.F. Wallis Testing for Fourth Order Autocorrelation in Quaterly Regression Equations Econoetrica, Vol. 40, 1972, pp. 617636.
8
Para otros niveles de significacin pueden consultarse las tablas de D.E.A Giles y M.L. King Fourth-Order Autocorrelation:
Further Singnificance Points for the Wallis Test Journal of Econometrics, Vol. 8, 1978, pp. 255-259.
9
M.L. King The Durbin Watson Test for Serial Correlation: Bounds for Regressions with Trende and/or Seasonal Dummy
Variables, Econometrica, Vol. 49, 1981, pp. 1571-1581.
12
Anlisis de Autocorrelacin
La formulacin de las hiptesis nula contina siendo la misma ya que sigue siendo un contraste
para la autocorrelacin de orden uno bajo un esquema autorregresivo AR(1), u t = ut 1 + t
H0 : = 0
La hiptesis alternativa, por su parte, se especifica ahora de modo que el contraste se configure
como un contrate unilateral; esto es, se van a establecer dos posibles hiptesis alternativas segn
se considere que la autocorrelacin puede ser positiva o negativa. As, el contraste quedara
especificado
H0 : = 0
H1 : < 0
El estadstico de prueba es
H0 : = 0
H1 : > 0
h =
n
que se distribuye asintticamente segn una
1 nVar (bi )
distribucin N (0 ,1) lo que, con un nivel de significacin del 5%, supone no rechazar la hiptesis
nula para los valores de h pertenecientes al intervalo (-1.645; 1.645) ya que se trabaja con un
contraste de una sola cola.
Este contraste fue desarrollado por Durbin a partir de ..una nota de Nerlove y Wallis que afirmaba que la estadstica de
Durbin y Watson no es aplicable en presencia de variables dependientes rezagadas. Vase M. Nerlove y K.F. Wallis, Use of
Durbin-Watson Statistic in Inappropiate Situations, Econometrica, Vol. 34, 1966, pp. 235-238 (citado en Maddala, 1996).
11
J. Durbin Testing for Serial Correlation in Least Square Regression when some of the Regressors are Lagged Dependent
Variables, Econometrica, Vol. 38, 1970, pp. 410-421.
13
Anlisis de Autocorrelacin
et et 1
t=2
n
et
2
1
t= 2
Otra posibilidad consiste en calcular esta correlacin muestral a partir del valor del estadstico de
prueba del contraste de Durbin-Watson, 1
d
2
El principal inconveniente que tiene este contraste es que si el radicando es negativo, esto es
[n Var(bi) > 1], entonces el test falla. Para estos casos Durbin propuso un procedimiento
asinttico equivalente12 y que consiste en lo siguiente:
1) Estimar por MCO el modelo de regresin y obtener la serie de residuos MCO
2) Estimar una regresin auxiliar en la que los residuos MCO se especifiquen como funcin de
todos los regresores del modelo y tambin se incluya como regresor adicional un retardo de
los residuos.
3) Analizar, utilizando el estadstico t habitual, la significacin individual del retardo de los
residuos de la regresin auxiliar. Si el coeficiente del retardo del residuo es
12
La utilizacin de esta alternativa no siempre es adecuada; en este sentido se puede sealar que un estudio de Monte Carlo
de Maddala y Rao sugiere que esta prueba no es muy potente cuando no puede aplicarse el contraste del estadstico h.
(Maddala y Rao Test for Serial Correlation).
14
Anlisis de Autocorrelacin
Este procedimiento sirvi de base para el contraste, ms general, de Breusch-Godfrey (1978) que
como se ver a continuacin permite contrastar la existencia de otras estructuras de
autocorrelacin distintas a las autorregresivas de primer orden.
15
Anlisis de Autocorrelacin
u t = 1 u t 1 + 2 u t 2 + ... + p ut p + t
Este contraste, al igual que los estudiados hasta el momento, se basa en los residuos MCO y se
define como una prueba de significacin conjunta de las primeras p autocorrelaciones de los
residuos. Para su aplicacin emprica es necesario desarrollar las siguientes etapas:
1) Estimacin por MCO del modelo de regresin y obtencin de los residuos MCO (et )
2) Estimacin de una regresin auxiliar de los residuos et sobre p retardos de los mismos,
et-1 , et-2 , ..., et-p , as como sobre las variables explicativas del modelo original.
3) Obtencin del coeficiente de determinacin (R2 ) de la regresin auxiliar.
2
2
4) Forma del estadstico experimental, exp
= n R que se distribuye, bajo la hiptesis
13
T.S. Breusch y L.G. Godfrey Testing for Autocorrelation in Dynamic Linear Models, Australian Economic Papers, Vol. 17,
1978, pp. 334-355. Y L. G. Godfrey Testing against General Autorregresive and Moving Average Error Models when the
regressors include lagged dependent variables, Econometrica, Vol. 46, 1978, pp. 1293-1302.
16
Anlisis de Autocorrelacin
En segundo lugar se puede sealar que este contraste permite especificar en la hiptesis
alternativa cualquier esquema de autocorrelacin ya sea a travs de un proceso autorregresivo, de
medias mviles o mixto.
A pesar de estas ventajas que lo pueden hacer preferible al contraste de Durbin Watson, no hay
que olvidar que para la aplicacin de este contraste es necesario especificar una longitud del
retardo y que sta se determinar por un procedimiento de experimentacin basado en el anlisis
de significacin individual de los retardos de los residuos, lo que en principio podra dificultar la
tarea de seleccin del orden de autocorrelacin.
17
Anlisis de Autocorrelacin
Cuando el resultado del contraste de Durbin-Watson indica que debe rechazarse la hiptesis
nula el origen de esta posible autocorrelacin puede deberse a la existencia de errores en la
especificacin del modelo. Por ejemplo, la omisin de variables relevantes llevara a incluir
esas variables omitidas en el trmino de perturbacin; si estas variables estuvieran
correlacionadas podra detectarse un problema de autocorrelacin en la perturbacin cuando
el verdadero origen de sta se debe a la falta de especificacin de aqullas.
En este sentido Sargan14 (1964) y posteriormente Hendry y Mizon15 (1978) buscaron una
forma de distinguir, en los casos en que el estadstico de Durbin-Watson detecta la presencia
de autocorrelacin, si sta se debe a un error de especificacin dinmica o si es realmente un
problema de las perturbaciones del modelo.
As, puede apreciarse cmo un modelo de regresin con perturbaciones AR(1); esto es
Yt = X t + ut
con perturbacin
dinmico autorregresivo,
Reparametrizando
el
Yt = Yt -1 + X t X t -1 + t
modelo
Yt = 1 Yt -1 + 2 X t + 3 X t -1 + et ,
anterior
donde
se
puede
debera
expresar
verificarse
alternativamente
la
siguiente
como,
restriccin
H 0 : 1 2 + 3 = 0
Sargan sugiere comenzar con una especificacin dinmica y contrastar la restriccin anterior
antes de probar cualquier anlisis de autocorrelacin. Si como resultado del contraste
H 0 : 1 2 + 3 = 0 se obtiene que esa restriccin es cierta, esto es que no se rechaza la
hiptesis nula, entonces se puede considerar que los dos modelos son idnticos y por tanto no
existe error de especificacin con lo que debera pasar a contrastarse si existe o no
autocorrelacin. En el caso en que se rechace la hiptesis nula entonces los posibles
problemas de autocorrelacin detectados se pueden referir a un error de especificacin al
haber omitido en la especificacin inicial los regresores dinmicos Xt-1 e Yt-1 .
14
J.D. Sargan , Wages and Prices in the United Kingdom: A Study in Econometric Methodology en P.E. Hart, G. Mills y J.K.
Whitaker (editores), Econometric Analysis for National Economic Planning, Colston Papers 16 (London: Butterworth, 1964), pp.
25-54.
15
D.F. Hendry y G.E. Mizon Serial Correlation as a Convenient Simplification, Nor a Nuisance: A Comment on a Study of the
Demand for Money by the Bank of England The Economic Journal, Vol. 88, sept. 1978, pp. 549-563.
18
Anlisis de Autocorrelacin
19
Anlisis de Autocorrelacin
0 =
0
0
=1
1 =
S
0
1
0
s = s
s = s
Junto con estos coeficientes de autocorrelacin se definen los de autocorrelacin parcial que
mide la correlacin entre dos momentos de tiempo despus de eliminar el efecto de los
momentos intermedios. La representacin grfica de estos coeficientes recibe el nombre de
funcin de autocorrelacin parcial (FAP).
20
Anlisis de Autocorrelacin
u t = 1 ut 1 + 2 ut 2 + 3 ut 3 + ... + p u t p + at
donde p es el coeficiente de autocorrelacin parcial ya que mide el efecto adicional de la
variable ut-P sobre ut . Ms concretamente recoge el efecto que sobre la variable ut tiene un
retardo de esta misma variable, aislados los efectos de las posibles restantes retardos o
considerando stos como constantes.
Los patrones que siguen las FAS y FAP son distintos para los procesos AR y MA, por lo que
pueden utilizarse para la identificacin de la serie de residuos del modelo. En el caso concreto
de los procesos autorregresivos AR(p) la FAS decrece geomtrica o exponencialmente y la
FAP se corta despus de p-retardos, esto es presenta p coeficientes significativos. Para el caso
de procesos de medias mviles MA(q) ocurre al contrario; la funcin de autocorrelacin
parcial decrece de forma geomtrica o exponencial y la funcin de autocorrelacin simple se
anula para retardos de orden superior a q.
En las estimaciones prcticas estos comportamientos no son tan precisos por lo que a travs
de contrastes de hiptesis deber determinarse cundo un coeficiente estimado (de
autocorrelacin o de autocorrelacin parcial) es considerado nulo a pesar del valor emprico
que presente. Para ello se realizan contrastes de significatividad estadstica de los coeficientes
estableciendo unas bandas de confianza por encima de las cules los coeficientes resultan
significativos.
Estas bandas pueden calcularse a partir del coeficiente de correlacin emprico que presenta la
siguiente distribucin de probabilidad:
AN 0 ,
k 1
1
s2
1 + 2
n
s= 1
21
Anlisis de Autocorrelacin
k 1
0 y dibuja
s=1
unas bandas de fluctuacin paralelas. Si todos los coeficientes de correlacin se sitan dentro
de estos lmites el proceso se considera de Ruido Blanco. Cuando existen coeficientes que no
se sitan dentro de las bandas habr que buscar el patrn de comportamiento segn un
esquema autorregresivo (AR), de medias mviles (MA) o mixto (ARMA).
Este mtodo grfico se complementa con otros mtodos numricos como son los contrastes Q
de Box-Pierce (1970) y Q de Ljung-Box (1978) que se basan en un anlisis de significacin
de un conjunto de retardos de los residuos. Esto es, la hiptesis nula se formula considerando
la ausencia de autocorrelacin lo que equivale a considerar la nulidad de un conjunto de estos
residuos; H 0 : 1 = 2 = ... = m = 0
Estos contrastes son muy similares y se definen en ambos casos a partir de la suma acumulada
de los coeficientes de correlacin empricos con las siguientes especificaciones.
22
Anlisis de Autocorrelacin
de
autocorrelacin
de
los
residuos,
permite
analizar
si
existe
no
autocorrelacin.
El estadstico se define como una suma acumulada de estos cuadrados de los coeficientes de
correlacin empricos; esto es,
et et
Q = n
2
j
siendo j =
j= 1
t= j+ 1
n
et
t=1
Posteriormente este estadstico fue revisado por Ljung-Box obtenindose mejores resultados
para muestras pequeas si se utiliza esta otra expresin alternativa.
p
Q' = n (n + 2)
j= 1
(n + j )
G.E.P. Box y D. A. Pierce Distribution of Residual Autocorrelations in Autoregresive-Integrated Moving Average Time Series
Models, Journal of the American Statisticak Association, vol. 65, 1970, pp. 1509-1526.
23
Anlisis de Autocorrelacin
17
H. Dezhbaksh The Inapropiate Use of Serial Correlation Test in Dynamic Linears Models, Review of Economics and
Statistic, Vol. LXXII, 1990, pp. 126-132.
24
Anlisis de Autocorrelacin
5.
Dado que los estimadores de MCO no son eficientes su matriz de varianzas y covarianzas
est mal calculada los procedimientos de inferencia habituales no son vlidos ya que es
probable que se obtengan resultados que lleven a considerar que los coeficientes no son
estadsticamente significativos es decir, coeficientes iguales a cero cuando en realidad s
lo sean. En este caso es aconsejable utilizar los estimadores de Mnimos Cuadrados
Generalizados (MCG) o Mnimos Cuadrados Generalizados Factibles (MCGF) ya que
presentan mejores propiedades. La forma especfica de estos estimadores depender del
proceso subyacente para la perturbacin.
Anlisis de Autocorrelacin
Se va a estudiar por tanto la estimacin en un modelo que como ya se ha sealado cumple las
siguientes hiptesis
Y = X + u
E (u ) = 0
E (uu ' ) = 2
Para este modelo que presentamos existen distintos mtodos de estimacin que, bsicamente
difieren en la informacin que se tenga acerca de la matriz segn que esta sea conocida o
desconocida y deba por tanto estimarse.
Si la matriz es conocida se aplican, al igual que se seal para el problema de
heterocedasticidad, MCG ya que el modelo con el que se est trabajando no es un MRLNC
sino un MRLG.
Si la matriz es desconocida sta deber de estimarse en funcin del proceso de
autocorrelacin del modelo. Una vez estimada esta matriz se aplicar lo que se ha dado en
llamar MCGF. Estos estimadores de MCGF conservan las propiedades asintticas de los
MCG siempre que los estimadores de la primera etapa esto es, la estimacin de la matriz
sean consistentes.
26
Anlisis de Autocorrelacin
Si el proceso fuera de medias mviles los trminos que se aaden son MA(1), MA(2),
MA(q) y en caso de un proceso mixto se incluiran tanto los trminos autorregresivos como
los de medias mviles.
Otra posibilidad que ofrece Eviews consiste en la estimacin del modelo por MCO pero con
una estimacin consistente de la matriz de varianzas y covarianzas de los coeficientes de
modo que sean vlidos los procesos de inferencia. Para ello, desde la ventana en que se
especifica la estimacin de MCO se activa el botn Options y se selecciona Heterokedaticiy y
la estimacin con matriz de varianzas y covarianzas de Newey-West (recurdese que para el
caso de heterocedasticidad la opcin a seleccionar era la matriz de White).
27
Anlisis de Autocorrelacin
6.
Es necesario sealar tambin que los procesos de rdenes superiores son, con frecuencia,
extremadamente difciles de analizar y que gran parte de los modelos econmicos con
problemas de autocorrelacin presentan un proceso autorregresivo de primer orden por lo que
ste es el supuesto que se considera ahora para analizar la estimacin de los modelos de
regresin homocedstico y con problemas de autocorrelacin.
var( t ) = 2
E (t t 1 ) = 0
t s
= E(' ) = 2 I
La expresin del proceso AR(1) se puede formular tambin como un proceso de medias
mviles de orden infinito sin ms que sustituir de forma continuada la variable retardarda;
esto es,
u t = t + t 1 + 2 t 2 + ...
u t = i t i
i= 0
28
Anlisis de Autocorrelacin
Covarianzas
Correlaciones
E( u t u t 1 ) = u2
1 =
E( u t u t 2 ) = 2 u2
2 = 2
E( u t u t 3 ) = 3u2
3 = 3
E( u t u t S ) = S u2
S = S
uu
2
= E( uu`) = u
n 1
... n 2
2
... n 3 =
12
... ...
1
n 1
... n 2
... n 3
... ...
1
siendo la matriz,
1
1
1
=
1 2
n 1
... n 2
... n 3
... ...
1
Para la estimacin del modelo de regresin aplicando MCG se necesitara conocer la inversa
de esta matriz que es,
29
Anlisis de Autocorrelacin
0
=
...
0
1+
...
0
0
0
2
1+ 2
...
0
0
...
0
...
0
...
0
... ...
...
...
0
0
0
0
...
1+ 2
0
0
0
...
1 2
0
...
0
0
1
0
0
1
... ...
0 0
... 0 0
... 0 0
... 0 0
1 2 Y1
Y2 Y1
Y* =
...
Yn Yn 1
1 2
1
X* =
...
( 1 )X
2
X 2 X 1
...
X n X n 1
30
Anlisis de Autocorrelacin
b* = X ' 1 X
X ' 1Y
Modelo de regresin
Los procedimientos que se van a desarrollar en este epgrafe consideran, por simplicidad, un modelo de regresin simple
pero es necesario sealar que la inclusin de otros regresores no cambiara el procedimiento ya que la correccin se hace para
el problema de autocorrelacin que es una caracterstica de la perturbacin y no de los regresores.
31
Anlisis de Autocorrelacin
( X t X t1 ) utilizando
(Yt Yt 1 )
El supuesto analizado en el caso anterior es poco frecuente siendo lo habitual trabajar cono
modelos que presentan autocorrelacin en los que se desconocen los elementos que
configuran la matriz En estos casos es necesario realizar en primer lugar una estimacin de
dicha matriz que para el caso que estamos analizando proceso autorregresivo de primer
orden se reduce a una estimacin del coeficiente
autocorrelacin pero esta lista no es exhaustiva; existen otros mtodos, como el de mxima
verosimilitud, que aqu no se presentan. Los que aqu se muestran son procedimientos que,
bsicamente, se desarrollan en dos etapas. En la primera etapa se obtiene una estimacin de
que se utiliza, en la segunda etapa, para transformar las variables con las que estimar una
ecuacin en diferencias generalizada mtodo este que como ya se ha sealado coincide
bsicamente con la aplicacin de MCG Todos estos procedimientos se conocen con el
nombre de MCGF ya que, en lugar del verdadero valor del coeficiente utilizan una
estimacin del mismo.
32
Anlisis de Autocorrelacin
En una primera etapa se estima el modelo de regresin por MCO y se calcula la serie de
residuos MCO; a partir de stos se realiza una regresin auxiliar de los residuos sobre los
residuos del periodo anterior sin incluir trmino constante. De este modo se obtiene una
primera estimacin del coeficiente de autocorrelacin de primer orden20 . A partir de este valor
estimado se transforman las variables del modelo de regresin que se utilizan para repetir la
estimacin del modelo (etapa 1) y continuar con el procedimiento descrito.
Este proceso finaliza cuando el estadstico d de Durbin-Watson indique que los residuos
MCO de la etapa 1 son de ruido blanco o, alternativamente, se puede finalizar el proceso
cuando las estimaciones sucesivas del parmetro difieran en menos de una cantidad
prefijada por ejemplo 0,01 0,005.
Una modificacin del procedimiento de Cochrane-Orcutt fue propuesta por Prais y Wisten
(1954); estos autores sugieren ampliar el tamao de muestra incluyendo una transformacin
para la primera observacin que, como consecuencia de la utilizacin de primeras diferencias,
desaparece. En lugar de utilizar el modelo que surge directamente de la transformacin se
incorpora, para las primeras observaciones de las variables el factor de correccin
con lo que la primera observacin para la variable dependiente ser
(1 ) ,
2
(1 ) Y
2
19
D. Cochrane y G.H. Orcutt, Application of Least Squares Regressions to Relationships Containing Autocorrelated Error
Terms Journal of the American Statistical Association, Vol. 44, 1949, pp.32-61.
20
La estimacin del coeficiente de autocorrelacin tambin se podra calcular a partir del estadstico de Durbin-Watson que
como ya se ha sealado permite obtener,
21
r 1
d
2
S.J. Prais y C.B. Winsten Trend Estimation an Serial Correlation Cowles Comission Disucussion Paper, n 383, Chicago,
1954.
33
Anlisis de Autocorrelacin
Este procedimiento se muestra como una versin abreviada del proceso iterativo; la primera
etapa sera equivalente y, a continuacin, en la segunda y ltima etapa se estimara la
ecuacin en diferencias a partir del coeficiente de autocorrelacin estimado.
Durbin22 (1960) propone una primera estimacin del modelo en cuasi diferencias expresado a
partir de la igualdad,
Yt = (1 ) + X t X t -1 + Yt 1 + t
Esta primera estimacin del coeficiente de autocorrelacin puede servir de base para la
aplicacin de cualquiera de los otros dos mtodos presentados con anterioridad. En concreto,
Griliches y Rao23 muestran, a partir de un estudio de Monte Carlo que el estimador obtenido a
partir de una primera estimacin con el mtodo de Durbin y seguido del procedimiento de
Prais-Wisten para las variables transformadas es mejor otras alternativas. En este sentido
Greene (1998) citando a Harvey y McAvinchey (1981)afirma que es bastante peor
omitir la primera observacin que mantenerla.
22
J. Durbin Estimation of Parameters in Time Series Regression Models Journal of the Royal Statistical Society, ser. B, Vol.
22, 1960, pp. 139-153.
23
Z. Griliches y P. Rao Small Sample Propierties of Several Two Stage Regression Methods in The Context of Autocorrelated
Errors, Journal of the American Statistical Association, Vol, 64, 1969, pp. 253-272.
34
Anlisis de Autocorrelacin
Yn +1 = a + b X n +1
Por tanto, la prediccin de Y para el periodo n+1 debe incorporar esta informacin
obtenindose el siguiente predictor
Yn +1 = a + b X n +1 + u n
Yn +1 = a + b X n +1 + (Yn a bX n )
y este predictor coincide con el que se obtendra habiendo transformado el modelo con
cuasidiferencias.
24
Este tema se puede estudiar con ms profundidad en a.S. Goldberger Best Linear Unbiased Prediction in the Generalized
Linear Regression Model Journal of the American Sotstistical Association, Vol. 57, 1962, pp. 369-375.
35