Professional Documents
Culture Documents
AUTOCORRELACION
La autocorrelacin es la relacin que se da entre las variables perturbadoras( ), contraviniendo uno de los supuestos para estimar el modelo a partir de la independencia que debera existir entre estas variables. Este problema se presenta fundamentalmente cuando se realizan estudios economtricos de series histricas. En este caso, en cada periodo, las variables independientes deberan ser las nicas que expliquen el modelo, y no lo que halla sucedido periodos anteriores. Es decir, ni los fenmenos ocurridos anteriormente, o la tendencia o ciclo de la variable debera afectar, en dicho periodo el comportamiento de la variable dependiente. El modelo y el no cumplimiento de los supuestos quedaran planteados de la siguiente manera: Y=x + E( ) = 0 E( ) = 2 Donde es la matriz de la autocorrelacin. 2 1 . . 2 E ( ) . . . . . n 1 . .
. . . 1
E(
2 t
2 t
1
2 s) s
constantes
E(
^
t
^
t
ECONOMETRIA II
^
t
^
ut
FIGURA. A-1
1. CAUSAS DE LA PROCEDENCIA DE AUTOCORRELACION 1. La inercia de los procesos econmicos, quiere decir, la variable debe crecer en el tiempo. 2. El sesgo de especificacin, se da cuando se excluye a una variable importante o la forma funcional del modelo no es la correcta. En el primer caso: Y = 1 + 2x2 + 3x3 + , es difcil especializar el fenmeno. 3. Rezagos en los modelos: Ct = 0 + 1y + 2Ct-1 + t Ct-1 = 0 + 1y + 2Ct-2 +
t-1
Cuando se habla de rezagos puede haber autocorrelacin. 4. Existencia de ciclos y tendencias, si la autocorrelacin es positiva, un valor alto de ut genera un valor de yt por encima de su promedio, y en consecuencia una elevada probabilidad de ir seguido de un valor alto de u t+1, y de un valor de yt+1 por encima de su promedio, lo mismo ocurrira para valores de y t por debajo de su promedio. 5. La autocorrelacin positiva est asociada a la existencia de rachas de valores altos y bajos de yt. (Fig. A -2 ) 6. El conjunto de variables explicativas del modelo no explican adecuadamente dicho comportamiento, entonces el trmino de error incorporar dicha tendencia, y esto conduce a la existencia de autocorrelacin positiva . Una primera racha de residuos negativos seguida por otra racha de residuos positivos.(Fig A -3)
y Modelo verdadero Modelo estimado 2 Modelo Estimado
ECONOMETRIA II
t FIGURA. A-2. Autocorrelacin producida por un ciclo FIGURA. A-3. Autocorrelacin producida por una tendencia
2. CONSECUENCIAS DE LA AUTOCORRELACION
Los estimadores de MCO tendrn las siguientes propiedades: 1. Son insesgados en muestras repetidas sus valores medios son iguales a las verdaderos valores reales. 2. Son consistentes a medida que el tamao de la muestra se aproxime a los verdaderos valores.
3. Como en el caso de heterocedasticidad ya no son eficientes (mnima varianza) ni para muestras pequeas ni grandes. a. Aunque se tenga en cuenta la correlacin serial en los estimadores mnimos cuadrados ordinarios (MCO) y se utilice la frmula de varianza con autocorrelacin los estimadores sern menos eficientes. En consecuencia los intervalos de confianza son ms anchos de lo necesario y la prueba de significancia pierden fuerza. Frmula de varianza en presencia de autocorrelacin V( )MCG =
2 1
Si se ignora el problema de autocorrelacin y se aplica la frmula clsica de MCO (bajo el supuesto de ausencia de correlacin) las consecuencias son todava ms serias y la varianza residual tiende a subestimar la varianza verdadera. b. Incluso si la varianza residual estuviera subestimada las varianzas y los errores estndar de los estimadores MCO tienden a subestimar las verdaderas varianzas de los parmetros estimados. c. En consecuencia las pruebas de significancia pierden validez y si se aplica tienden a dar conclusiones errneas. Yt =
1
2xt
ECONOMETRIA II
t-1
donde:
E( t)=0, E( t2)=
, E(
t t+s)=0
La Autocorrelacin, ser de segundo orden cuando el subndice sea t-2, y as sucesivamente. Entonces:
E(
2 t
2 t
1
2 s) s
E(
. . . . . . . .
. . .
n
. . . . .
n 1
E(
. . .
, entonces: E (
) .
. . . .
. . . .
. . . 1
n 1
3. DETECCION DE AUTOCORRELACION El supuesto de no autocorrelacin del modelo clsico se relaciona con las perturbaciones poblacionales t, las cuales no pueden ser observadas directamente. En su lugar, se dispone de sus valores aproximados, los residuales t que pueden obtenerse a partir del procedimiento usual MCO. Aunque las t no son lo mismo que las
t
PRUEBA DE DURBIN WATTSON Se construye la dcima de hiptesis: H0: H1: = 0 (no existe autocorrelacin) 0 (existe autocorrelacin)
4
ECONOMETRIA II
(e t d
t 2 n
et 1 )2 e t2
t 2
Desagregando la frmula:
n n
(e t e t 1 ) 2
t 2 t 2
(e t2 2et e t
e t2 1 )
e t2 2
etet
e t2 1
2(
et2 e
2 t
et et 1 )
2 1
et et et2
2(1 )
entonces:
d 2
, donde:
et et e
2 t
Cuando: = -1 =1 =0 d=4 Autocorrelacin negativa d=0 Autocorrelacin positiva d=2 No existe autocorrelacin.
DETECCION DE AUTOCORRELACION CUANDO EL MODELO TIENE UNA VARIABLE ENDOGENA REZAGADA Cuando en el modelo se tiene una variable explicativa que est rezagada, generalmente se refiere a la variable dependiente que esta considerado adems como rezagada. En este otro caso, para detectar autocorrelacin, el estadstico propuesto por Durbin Watson, es el estadstico h, y se calcula como:
ECONOMETRIA II
n 1 n 2
1
donde: = estimador de la variable endgena rezagada (del primer retardo). Es decir es el coeficiente de Yt 1 en la regresin mnimo-cuadrtica (MCO):
1
Yt
a1
1t
a2
2t
Yt
Yt
.
..... u t
Es utilizable slo para n 2 1 1 , siendo el coeficiente estimado de autocorrelacin de primer orden de los residuos ( ), calculable a partir del valor de 1 d : 1- d 2 El contraste de h se realiza a partir de su consideracin de variable distribuida normalmente con parmetros (0,1). As, con un nivel de significacin del 5 por 100, si h 1,645 debe rechazarse la hiptesis de autocorrelacin nula (ver figura).
Ejemplo:
0.15 . Hallar h
1 d 2
1 (1.75) 2
0.125
6
ECONOMETRIA II
Entonces:
0.125
25 1 25(0.0225)
0.945
Luego, para un nivel de significancia del 5%, tenemos: Como h = 0,945 y no se cumple la desigualdad, h 1,645 , no tenemos evidencias para rechazar la hiptesis nula de ausencia de autocorrelacin.
Una extensin inmediata del contraste de DW ha sido realizada por Wallis (1972) para el caso de un proceso autorregresivo de cuarto orden, pero con un nico parmetro no nulo en t-4:
t 4 t 4 t
La justificacin del contraste de Wallis est en la utilizacin de datos trimestrales en la estimacin del modelo, en cuyo caso puede resultar ms probable una correlacin serial entre trimestres iguales de aos sucesivos, por ejemplo por la omisin de variables con efectos estacionales relevantes.
CONTRASTE DE AUTOCORRELACION EN BASE AL MULTIPLICADOR DE LAGRANGE (LM) El procedimiento del multiplicador de Lagrange es usado para la deteccin de autocorrelacin entre los residuos de una ecuacin. El contraste es adecuado para los casos de indeterminacin al usar el estadstico d de Durbin-Watson, o de imposibilidad de obtencin para el h de Durbin1. Sin embargo, es importante sealar que su uso no debe limitarse a dichos casos. El contraste LM para trabajar se debiera aplicar como complemento a los dems, y se aplica con una variable aleatoria (LM) que se debe trabajar como X2. LM
1
X 21
1 grado de Libertad
Sin embargo, es importante que el lector no interprete que su uso se limita a dichos casos. El contraste LM se puede (y debe quizs aplicar como complemento a los dems.
ECONOMETRIA II
LM
X2
grados de Libertad
El procedimiento consta de las siguientes etapas, para el caso de autocorrelacin de primer orden:
1o Regresin de la ecuacin original por MCO:
Yt
1X1t
2X2 t
......
k Xkt
2 o Regresin de los residuos de la ecuacin en funcin de las variables explicativas y de los residuales con un perodo de rezago:
et
1X1t
......
k X kt
1e t 1
vt
2 3 Obtencin del R de la regresin y clculo del estadstico de prueba para la autocorrelacin de primer orden: LM = n R 2
Donde n es el tamao muestral. El estadstico LM sigue aproximadamente una distribucin normal con 1 grado de libertad (en casos de contraste de autocorrelacin de primer orden). LM
X 21
Sin embargo, su uso no se limita a dichos casos. El contraste LM se debiera aplicar como complemento a los dems. La regla de decisin es: Si LM > X 2 crtico Existe autocorrelacin significativa de primer orden. Si LM < X 2 crtico No existe autocorrelacin significativa de primer orden. El contraste en base al multilplicador de Lagrange puede usarse igualmente para la deteccin de autocorrelacin de orden p en los residuos de una ecuacin. Para tales efectos, luego de estimar los residuos de la ecuacin, se debe aplicar la siguiente frmula:
et
Mag. Renn Quispe Llanos
1X1t
......
k X kt
1e t 1
......
1e t p
wt
8
ECONOMETRIA II
para obtener el coeficiente de determinacin ( R 2 ). El estadstico de prueba es: n R 2 donde LM regla de decisin es: Si LM > X 2 crtico Existe autocorrelacin significativa de orden p. Si LM < X 2 crtico No existe autocorrelacin significativa de orden p. Contraste en base al Multiplicador de Lagrange JJ THOMAS, utiliza un esquema incorporado de hiptesis. Harvey (1981) demostr que en muestras pequeas, el contraste de LM pierde confiabilidad, maximizando la probabilidad de ocurrencia de errores tipo y propone la siguiente modificacin:
n k R2 p 1 R2
X2p
LM
F(p,n-k)
El estadstico LM puede utilizarse igualmente para el contraste de la autocorrelacin para p mayor de grado. EL CONTRASTE DE BOX- PIERCE
Sea s el coeficiente de autocorrelacin de e t y et 1 , siendo s = 1, 2, 3,....., . Sera Q el estadiststico de prueba de autocorrelacin de Box-Pierce, cuya expresin es:
p
Qp
n
1
2 i
, siendo
1 e2 t
y Q1
X 21
ECONOMETRIA II
etet
Q2 n
2 1 2 2
siendo
e2 t
y Q2
X 22
etet
Qp
2 1
2 2
....
2 2
siendo p
e2 t
10
ECONOMETRIA II
EL CONTRASTE DE LJUNG Y BOX Cuando se trabaja con muestras pequeas se han detectado algunas irregularidades. Para esos casos, Ljung y Box (1978) demostraron que la consideracin de los grados de libertad producen un contraste adecuado, resultando el siguiente estadstico:
1
nn 2
1
n s
2s
En ambos casos , la hiptesis de autocorrelacin significativa de orden m es aceptada si el valor calculado del estadstico supera al valor crtico de la tabla con m grados de libertad. Q* X 2
p 1
Qp
Para todo i = 1, 2, 3, ....,p. Entonces
nn 2
1
n 1 i2
X 2p
Q1
nn 2
2 1
2 1
n 1
2 2
X 21
nn 2
n 1
n 2
X 22
Autocorrelacin de orden p
2 1 2 2 2 p
nn 2
n 1
n 2
.....
n p
X 2p
donde
1,
2 ,..... p
expresiones son conocidas. Un aspecto importante, es que los estadsticos de contraste Box-Pierce y Box-Ljung detectan el grado de autocorrelacin de orden p, de manera discontinua. Esto permite afirmar que si por ejemplo 4 es significativamente elevado eso no implica que 1 , 2 y 3 tambin lo sean, a no ser que de manera complementaria se demuestre lo contrario.
Mag. Renn Quispe Llanos 11
ECONOMETRIA II
Se ha determinado que el problema de autocorrelacin es una caracterstica de la informacin de series de tiempo y la heteroscedasticidad una caracterstica de la informacin de corte transversal. No obstante, se ha observado que para predecir variables financieras vara considerablemente de un periodo de tiempo a otro. Para algunos perodos de tiempo, los errores de proyeccin son relativamente pequeos, durante otros, ellos pueden ser relativamente grandes. Esta variabilidad podra deberse a la volatilidad en los mercados financieros, esto sugerira que la varianza de los errores de prediccin no es constante sino que vara de un periodo a otro. En consecuencia, se puede afirmar que los errores de prediccin dependen del comportamiento de las perturbaciones t. Puede presentarse una situacin de autocorrelacin en la varianza t. Para captar esta correlacin, Engle desarroll el modelo autorregresivo de heterocesdasticidad condicional (ARCH). La idea central el ARCH es que la varianza de en el tiempo t (= 2t), depende del tamao del trmino del error al cuadrado en el tiempo (t-1), es decir, de 2 t-1. Tenemos el modelo de regresin con k variables :
Yt
2 2t
x3t
......
k kt
...... ( 1 )
supngase que condicional a la informacin disponible en el tiempo (t-1), el termino de perturbacin se distribuye as:
t
~ N [0,(
2 t-1)
........ ( 2)
Lo nuevo aqu es la varianza de en el tiempo t depende de la perturbacin al cuadrado en el tiempo (t-1), dando as la apariencia de correlacin serial. El proceso se denomina ARCH(1). Pero ste se puede generalizar fcilmente. Es as como el proceso ARCH(p) puede escribirse como: Var( t) =
2 t
2 t-1 +
2 t-2 +
....+
2 p t-p
........(3)
A fin de verificar la no existencia de correlacin entre las varianzas de los trminos de perturbacin, se realiza la siguiente dcima: Si Ho : error.
1
= .....=
Se puede realizar una prueba sobre la hiptesis nula anterior efectuando la siguiente regresin: ^
Mag. Renn Quispe Llanos
^ ^
^ ^
^ ^
12
ECONOMETRIA II
2 t 2 t-1 + 2 t-2 + 2 t-p
....+
......... (4)
donde
t,
denota los residuales MCO estimados del modelo de regresin original (1).
Calculando el nR2, donde R2 es el coeficiente de determinacin obtenido en la regresion auxiliar (4) puede demostrarse que: nR2 ~ X2p ..........(5)
donde p es el nmero de grados de libertad y equivale al grado de autocorrelacin. Si el estadstico contenido nR2 es mayor que el X2p se aceptara que existe correlacin entre las varianzas del trmino de perturbacin.
EJEMPLO ILUSTRATIVO
Sobre salarios y productividad. Utilizando los residuales obtenidos de esta regresin, se estiman los modelos ARCH(1), ARCH(2), ARCH(3), ARCH(4), ARCH(5). Pero solamente el modelo ARCH(1) result ser significativo. Los resultados de este modelo result ser el siguiente:
2 t 2 t-1
= 2.0746 + 0.6946
t = (1.0583)
(5.03649)
R2 = 0.4665 d = 1.67
aplicando (5) se observa que nR2 = (31)(0.4665) = 14.46 que es aproximadamente X2 con 1 g.l. (el valor p es alrededor de 0.000143) esto sugiere que en el ejemplo, la varianza del error est correlacionada serialmente. REVISADO
13
ECONOMETRIA II
14