You are on page 1of 54

TEMA 7

:
AUTOCORRELACIÓN
MARIOLA ESTUDILLO MARTÍNEZ
DPTO. ESTADÍSTICA E INVESTIGACIÓN OPERATIVA
(BASADO EN LOS APUNTES DE ANTONIO CONDE SÁNCHEZ)

NATURALEZA DEL PROBLEMA
Una de las hipótesis básicas del modelo de regresión lineal
general es que supone que no existe autocorrelación entre las
perturbaciones aleatorias o, equivalentemente, que la matriz de
varianzas-covarianzas del error aleatorio es diagonal:

Cov ui , u j  0, i , j  1,...,n , i  j
Sin embargo, hay ocasiones en las que existe correlación lineal
entre dichos términos, es decir, que existe algún par (i,j) tal que:

Cov ui , u j  0
es decir, la matriz de varianzas-covarianzas tiene la siguiente
expresión:
 2

 12
 1n 


2


 2n 

V  u   V   12



 


2


 2n
 
 1n

NATURALEZA DEL PROBLEMA
La existencia de autocorrelación se puede dar tanto en modelos
con datos de series temporales como en los modelos con datos de
corte transversal, aunque se da con mayor frecuencia al trabajar
con datos de serie temporal. Así, supondremos que las
observaciones se realizan en un contexto temporal.

•CAUSAS
1. Especificación errónea del modelo:
 Omisión de variables relevantes cuyos valores estén
autocorrelacionados entre sí.
 Forma funcional incorrecta. Esta situación se corrige
especificando una forma funcional adecuada.

NATURALEZA DEL PROBLEMA
•CAUSAS
2. Inercia de los fenómenos económicos debido a los ciclos de la
economía. Debido a la naturaleza dinámica de los
acontecimientos económicos se mantienen los efectos de
acciones pasadas sobre situaciones actuales y futuras, de
forma que los términos de la perturbación aleatoria están
correlacionados.
3. En datos de corte transversal se pueden dar ciertos efectos
de proximidad que provoquen autocorrelación entre las
perturbaciones.
4. Presencia de variables endógenas retardadas.

NATURALEZA DEL PROBLEMA
•CONSECUENCIAS
2
1. Estimación sesgada de la varianza, ˆ

2. Los estimadores MCO son insesgados, pero menos eficientes
que los MCG (es decir, no tienen varianza mínima).
3. Los intervalos de confianza y los estadísticos utilizados para
resolver contrastes de hipótesis ya no son fiables. Por tanto,
existe la posibilidad de extraer conclusiones erróneas.
Por tanto, en presencia de autocorrelación es conveniente utilizar
los estimadores MCG.

NATURALEZA DEL PROBLEMA •ESQUEMA DE LA AUTOCORRELACIÓN En la matriz de varianzas-covarianzas definida anteriormente existen n(n-1)/2 parámetros desconocidos. y así sucesivamente. Por ello es necesario suponer un esquema para el comportamiento de la autocorrelación. Si notamos por  la correlación entre los términos ut y ut-1 se tiene que: . valor que es mayor que el número de observaciones. por lo que no es posible estimarlos. En ella se considera que la perturbación en el instante t está fuertemente correlada con la perturbación del instante t-1. pero menos que con la del instante t-2. La estructura de autocorrelación más simple es la denominada de primer orden. n.

ut  s    s  2 Esta estructura se puede expresar mediante el siguiente modelo: ut  ut 1  t . s  0 . t s ]  0. donde t verifica: E [t ]  0  1 Var [t ]   2 Cov [t .ut 2    2 2   Cov ut .ut 1    2 Cov ut .NATURALEZA DEL PROBLEMA •ESQUEMA DE LA AUTOCORRELACIÓN Cov ut .

n  2 Var [ut ]    . n . n 2 1  2 s 2 s . . Cov [ut . t  1. t  1. t  1.NATURALEZA DEL PROBLEMA •ESQUEMA DE LA AUTOCORRELACIÓN A este modelo se le denomina modelo autorregresivo de orden 1 y se nota como AR(1). ut s ]      2 1 2 s 0 De esta forma. . Se puede comprobar que se verifica: E [ut ]  0. la matriz de varianzas-covarianzas de u es:  1   2   V 1  2    n 1   1   n2 2    n 3   n 1     n2    2Ω     1   . .

supondremos que el modelo que subyace es el modelo AR(1). Cada una de estas modelizaciones determinan una matriz de varianzas-covarianzas de u distinta.NATURALEZA DEL PROBLEMA •ESQUEMA DE LA AUTOCORRELACIÓN Así. En nuestro caso. Existen otros modelos para representar el comportamiento de la perturbación aleatoria. sólo hay que estimar  y 2 para conocer dicha matriz. . como puede ser el modelo autorregresivo de orden p o los modelos de medias móviles.

DETECCIÓN DE LA AUTOCORRELACIÓN •MÉTODO GRÁFICO Se distinguen dos tipos de gráficos: 1. autocorrelación negativa. para una autocorrelación de orden 1. . Por ejemplo. Representar los valores de los residuos retrasados en el orden de autocorrelación que sospechemos. Si el gráfico muestra una tendencia creciente nos indicará la existencia de autocorrelación positiva y si la tendencia es decreciente. el gráfico consiste en representar ût frente a ût-1.

los residuos cambian de signo rápidamente. mientras que si existe autocorrelación negativa. los residuos presentan rachas de valores consecutivos de igual signo. . Si existe autocorrelación positiva. Representar los residuos como una sucesión temporal y observar si siguen algún patrón. los residuos deben oscilar alrededor del cero de manera aleatoria.DETECCIÓN DE LA AUTOCORRELACIÓN •MÉTODO GRÁFICO 2. Si no existe autocorrelación.

DETECCIÓN DE LA AUTOCORRELACIÓN •MÉTODO GRÁFICO .

X (en millones de dólares) en los pasados 16 trimestres. Y (en millones de dólares) y las ventas para toda la industria.DETECCIÓN DE LA AUTOCORRELACIÓN •MÉTODO GRÁFICO Ejemplo Los datos siguientes representan las ventas de una compañía. donde los datos ya se han ajustado de acuerdo con la inflación. .

0024564 Xi .17651 0.702385 R2  0.e .997296  0.( ˆj )  0.97194 s .DETECCIÓN DE LA AUTOCORRELACIÓN •MÉTODO GRÁFICO Supongamos que el modelo es: Yt   0  1Xt  ut Estimamos por MCO el modelo: Yˆi  2.

.DETECCIÓN DE LA AUTOCORRELACIÓN •MÉTODO GRÁFICO Se observa que existen rachas de residuos con el mismo signo. lo cual puede indicar existencia de autocorrelación positiva.

DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES Los contrastes de hipótesis que vamos a ver son: Contraste de Durbin-Watson Contraste de Wallis Contraste de Breusch-Godfrey .

si existe dependencia para los términos de la perturbación en el instante t y en el instante anterior. Se pretende comprobar si el modelo ut  ut 1  t es significativo o no. .DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE DURBIN-WATSON Es la prueba más conocida para detectar autocorrelación. es decir. Permite contrastar la autocorrelación de orden 1.

Hipótesis H0 :   0 H1 :   0 Si se rechaza la hipótesis nula.DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE DURBIN-WATSON C. Para obtener el estadístico se estima el modelo por MCO y se calculan los residuos: u  yˆ  Xβˆ . existe autocorrelación de orden 1.

DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE DURBIN-WATSON Estadístico n d    t 2 uˆt  uˆt 1  2 n 2 ˆ u t t 1  d es elevado indica autocorrelación negativa de orden 1  d pequeño indica autocorrelación positiva de orden 1  d intermedio indica ausencia de autocorrelación .

DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE DURBIN-WATSON Se puede comprobar que: donde: Entonces: n ˆ  uˆt uˆt  t 2 n uˆt  t 1 d  2 1  ˆ  1 2 si ˆ  1  d  0   si ˆ  0  d  2   0  d  4 si ˆ  1  d  4  .

DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE DURBIN-WATSON Región crítica A partir de las tablas de Durbin-Watson se obtienen los valores dL y dU de tal forma que si: d  dL  Autocorrelación positiva de orden 1 dL  d  dU  Indecisión dU  d  4  dU  Ausencia de autocorrelación de orden 1 4  dU  d  4  dL  Indecisión 4  dL  d  4  Autocorrelación negativa de orden 1 .

.  No resulta adecuado en presencia de variables endógenas retardadas.DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE DURBIN-WATSON Inconvenientes  No siempre proporciona una decisión clara. Esta limitación se solventa utilizando un procedimiento alternativo denominado test h de Durbin.  Sólo sirve para detectar autocorrelación de orden 1.  Se supone que el modelo de regresión incluye término independiente.

H0 :   0 H1 :   0 A partir del modelo anteriormente estimado.DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE DURBIN-WATSON Ejemplo Continuando el ejemplo anterior. vamos a contrastar si existe autocorrelación de orden 1. calculamos los residuos y obtenemos la siguiente tabla: .

DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE DURBIN-WATSON .

DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE DURBIN-WATSON Estadístico Región crítica: Conclusión .

existe autocorrelación de orden 4.DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE WALLIS Cuando los datos son trimestrales parece lógico que el esquema de la perturbación aleatoria no sea un AR(1) sino que venga dado por un modelo autorregresivo de orden 4 dado por: ut  4ut  4  t en donde la hipótesis que se pretende contrastar se plantea como H0 : 4  0 H1 : 4  0 Si se rechaza la hipótesis nula. .

.DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE WALLIS Estadístico n d4    t 5 uˆt  uˆt  4  2 n 2 ˆ u t t 1 Para tomar una decisión hay que comparar el valor de d4 con las cotas superior e inferior propuestas por Wallis de forma análoga a como se efectúa en el test de Durbin-Watson.

..  p  0 H1 : algún j  0. si se puede rechazar o no la hipótesis nula de significación conjunta de los coeficientes de regresión del modelo: H0 : 1  2  .DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE BREUSCH-GODFREY Este test contrasta la significación conjunta de las p primeras autocorrelaciones. es decir.. j  1. En consecuencia.. se pretende contrastar si el modelo dado por: ut  1ut 1  2ut 2  .....  put  p  t es relevante o no. p .

. 2. i  1.. p .. Se calculan los coeficientes de correlación muestral de orden i n ri  uˆt uˆt i  t i   1 n uˆt  t 1 2 .DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE BREUSCH-GODFREY El procedimiento para resolver este contraste es el siguiente: 1. Se estima el modelo por MCO y se calculan los residuos..

. Estadístico del contraste:  L  n r12  r22  .DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE BREUSCH-GODFREY 3. Se rechaza la hipótesis nula de ausencia de autocorrelación si Lexp  12 ..  rp2  4. Se compara el valor del estadístico con el cuantil de orden 1- de una 2p. p .

DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE BREUSCH-GODFREY Ejemplo Continuando el ejemplo anterior. . vamos a contrastar si existe autocorrelación de orden 1.

Rechazo Conclusión .DETECCIÓN DE LA AUTOCORRELACIÓN •PROCEDIMIENTOS FORMALES CONTRASTE DE BREUSCH-GODFREY Estadístico C.

El objetivo es estimar el vector de parámetros  del modelo lineal general: y  Xβ  u donde la matriz de varianzas-covarianzas del error aleatorio tiene la forma siguiente:  1   2   V 1  2    n 1   1   n2 2    n 3   n 1     n2    2Ω     1   .ESTIMACIÓN BAJO AUTOCORRELACIÓN •OBJETIVO Supongamos que la estructura de autocorrelación responde a un esquema autorregresivo de orden 1.

la matriz  es conocida y los parámetros se estiman por MCG: 1 1 ˆ βG  X'  X X'  1 y  donde:   0  1  2     1   2    0  1  Ω 1        0 0 0  0 0  0  0   0 0    1  2   0   0  0        1  .ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN  CONOCIDO Cuando  es conocido.

ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN  CONOCIDO De forma equivalente se pueden estimar los parámetros por MCO en el modelo transformado dado por: y  Xβ  u  Py  PXβ  Pu  y *  X * β  u* donde:  1  2    P 0      0 0 1 0  0  0 0   1    0  0 0   0  0 0    1 .

X jt*  X jt   X jt 1 . t  2 Y1 *  1   2Y1 .  0*  1   2  0 . t  1 . X j*1  1   2 X j 1 .ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN  CONOCIDO Explícitamente el modelo transformado es: Yt *   0*  1X1t*    k Xkt*  ut* donde: Yt *  Yt  Yt 1 .  0*  (1   )  0 .

se suele despreciar la transformación de la primera observación (conocida como transformación de Prais-Winstein). .ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN  CONOCIDO Cuando el tamaño muestral es suficientemente grande. de forma que se considera la transformación propuesta a partir de t > 2. En este caso el modelo se puede escribir como Yt  Yt 1   Xt   Xt1    ut* donde X’t es la fila t de la matriz X.

A partir de la regresión auxiliar: n uˆt  uˆt 1  t .ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN  DESCONOCIDO Si  es desconocido existen distintos procedimientos para estimarlo: 1. t  2. n  ˆ  uˆt uˆt  t 2 n 1 2 ˆ u  t 1 t 2 .

A partir del estadístico de Durbin-Watson: ˆ  1  d 2 3.ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN  DESCONOCIDO 2. A partir del coeficiente de autocorrelación muestral de orden 1 de los residuos MCO: n ˆ  uˆt uˆt  t 2 n uˆt  t 1 1 2 1 .

para muestras grandes proporcionan estimaciones similares y proporcionan una estimación consistente de .ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN  DESCONOCIDO Los tres procedimientos son asintóticamente equivalentes. así como de . es decir. método de Hildreth-Lu y método de DurbinWatson de dos pasos. Este inconveniente se elimina utilizando métodos iterativos: método de Cochrane-Orcutt. . A partir de dicha estimación podemos obtener estimadores MCGF para el vector de parámetros :  ˆ 1 X βˆGF  X'   1 ˆ 1 y X'  El resultado depende del estimador inicial elegido para .

. se utilizan los residuos.ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN MÉTODO DE COCHRANE-ORCUTT Este método consiste en estimar conjuntamente el vector de parámetros  y  a partir de Yt  Yt 1   Xt   Xt1    ut* ut  ut 1  t Como los valores de ut no son conocidos.

.n 2.. . En primer lugar se parte de la estimación de  obtenida a partir de la regresión auxiliar: uˆt  uˆt 1  t t  2. Se estiman los parámetros del modelo: Yt  ˆYt 1   Xt  ˆXt1    ut* donde  ˆ es la estimación de  anterior..ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN MÉTODO DE COCHRANE-ORCUTT 1..

ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN MÉTODO DE COCHRANE-ORCUTT 3.. uˆt  uˆt 1  t t  2.. Se calculan de nuevo los residuos y se estima  como en el paso 1. .. Se vuelven a estimar los parámetros del modelo como en el paso 2 y se repite el procedimiento hasta que la diferencia entre los valores estimados de  sea inferior a 0.005.n 4..01 ó 0.

Se selecciona el valor de  que minimiza la SCE. Consiste en tomar valores de  entre -1 y 1 (generalmente con una diferencia de 0. 4.1 o menor).ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN MÉTODO DE HILDRETH-LU 1. Se estiman los parámetros por MCG para cada uno de dichos valores de . 2. . Se calcula la SCE de cada regresión realizada. 3.

578563 2 .842874  0. obtendremos las estimaciones MCGF. por ejemplo. Como  es desconocido. Para ello partimos de una estimación de .ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN EJEMPLO Continuando con el ejemplo anterior y. vamos a estimar los parámetros del modelo bajo autocorrelación. la dada por el estadístico de Durbin-Watson: ˆ  1  d 2 1 0. puesto que hemos detectado que existe autocorrelación de orden 1.

578563    0.578563   1  0. obtenemos la siguiente matriz: 1 0.334735  0 0.334735 0.578563 1 ˆ Ω      0 0  0 0  0 0 0 0 0 0           1.578563     .578563 1.ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN EJEMPLO Así.

t  1 . X j*1  1   2 X j 1 .ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN EJEMPLO A partir de ella se obtienen las estimaciones MCGF mediante  ˆ 1 X βˆGF  X'   1 ˆ 1 y X'  O bien se obtienen las estimaciones MCO para las variables transformadas: Yt *  Yt  Yt 1 . t  2 Y1 *  1   2Y1 .  0*  (1   )  0 . X jt*  X jt   X jt 1 .  0*  1   2  0 .

ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN EJEMPLO .

ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN EJEMPLO De esta forma.897408  * * X X  X y  .02293  0.2545 45848.329403  158.  3. 954.92707     1  3.897408 275709. .17676   * *   Por lo que: Yˆ  3.02293  * * ˆ X * y *   GF  X X  0.727087  954.17676Xt t .

la primera estimación de  es: ˆ  0.273457  0. En ese caso.474047 .ESTIMACIÓN BAJO AUTOCORRELACIÓN •MÉTODO DE ESTIMACIÓN EJEMPLO Se puede comprobar además que el valor para el estadístico de Durbin-Watson para este modelo es d=1. No obstante.576857 0. repitiendo estos mismos pasos que se han detallado.80119. por lo que ya no existe autocorrelación. se pueden estimar los parámetros del modelo y  mediante el procedimiento iterativo de Cochrane-Orcutt.

Para ilustrar este punto.ESTIMACIÓN BAJO AUTOCORRELACIÓN •PREDICCIÓN En un modelo en el que las perturbaciones están autocorrelacionadas. las observaciones anteriores a un periodo concreto t contendrán información sobre la nueva observación Yt correspondiente a dicho periodo. consideraremos de nuevo un esquema autorregresivo de primer orden. Yt  Xt   ut ut  ut 1  t el cual puede reescribirse como: Yt  Xt   ut 1  t . debido a una especie de inercia presente en el modelo. es decir.

h  0 y deshaciendo la transformación:  YTˆh  XT h ˆG   YTˆh 1  XT h 1 ˆG .ESTIMACIÓN BAJO AUTOCORRELACIÓN •PREDICCIÓN Conocido  el modelo estimado por MCG es equivalente a aplicar MCO al modelo transformado y la predicción óptima puntual es: YTˆ*h  X*T h ˆG . h  0 uˆT h 1 de forma que cada predicción se basa en una predicción anterior. .

. Si  no es conocido hay que estimarlo y sustituir en las expresiones anteriores.ESTIMACIÓN BAJO AUTOCORRELACIÓN •PREDICCIÓN La expresión anterior es equivalente a:   YTˆh  XT h ˆG   h YTˆ  XT ˆG . ya que no necesita calcular las predicciones para los periodos anteriores (basta con conocer el residuo en el último instante observado. De esta forma se obtienen predicciones factibles. h  0 mucho más cómoda de utilizar en la práctica. T).

TEMA 7: AUTOCORRELACIÓN MARIOLA ESTUDILLO MARTÍNEZ DPTO. ESTADÍSTICA E INVESTIGACIÓN OPERATIVA (BASADO EN LOS APUNTES DE ANTONIO CONDE SÁNCHEZ) .