Professional Documents
Culture Documents
FACULTAD DE ECONOMIA
DPTO. DE ECONOMETRIA Y METODOS CUANTITATIVOS
ECONOMETRIA
CAPITULO I
PERTURBACIONES AUTOCORRELACIONADAS
Existe autocorrelacin cuando el trmino de error de un modelo
economtrico est correlacionado consigo mismo a travs del tiempo, es decir:
E( u i u s ) 0 .
I.1.
CAUSAS
1
VARIABLES OMITIDAS
Si el verdadero modelo que explica el comportamiento de la
variable endgena es :
Yt = 1 + 2 X2 t + 3 X 3t + u t
pero, se especifica el modelo siguiente :
Yt = 1 + 2 X2 t + v t
donde :
v t = u t + 3 X 3t
RELACIONES NO LINEALES
Supongamos que la verdadera relacin entre los tipos de
inters y el stock de capital de Deuda Pblica ( D t ) es :
r = + D + D2 + u
1
2 t
3 t
t
t
> 0, < 0
2
3
t = 1,2,..., T
donde,
rt
= 2 + 2 3 D t
D t
nos indica que los tipos de inters
aumentan al crecer el stock de
Deuda, aunque menos que
proporcionalmente. Tanto menor
cuanto mayor es D t .
r = + D +v
t
1
2 t
t
t = 1,2,..., T
RELACIONES DINMICAS
La mayora de las relaciones entre variables econmicas se
extienden a ms de un perodo, especialmente si el perodo de
observacin de los datos es mensual o trimestral. Por ejemplo : se
tienen relaciones entre inflacin y crecimiento de la oferta
monetaria, del tipo :
t = 1 + 2 m t + 3 t 1 + u t
La omisin del retardo de la variable endgena hara que el
trmino de error del modelo incorporara dicha variable, mostrando
ciertas propiedades sistemticas, que no seran sino reflejo de la
influencia de t1 sobre t .
ERROR DE MEDIDA
Es poco probable que los procedimientos de estimacin
produzcan errores que sean aleatorios de un perodo a otro, de
forma, que si :
Y = Y* + V
Y = X + U + V
donde,
Y
Y
V
I.2.
CONSECUENCIAS
1
I.3.
CONTRASTES
1
GRFICO
Ningn contraste de autocorrelacin debe excluir un examen
riguroso de los residuos generados en la estimacin del modelo.
(A)
POSIBLE
POSIBLE
POSIBLE
AUSENCIA
POS ITIVA
DE
AUTOCORR ELACION
AUTOCORR ELACION
NEGATIVA
AUTOCORRELA CION
EJERCICIO
Supongamos que se especifica el modelo siguiente :
5
50
El grfico obtenido se
parece al tercer grfico de los
anteriores, por lo tanto,
concluimos que no existe
indicios de autocorrelacin de
primer orden.
RESID1
-50
-100
0
10
15
20
25
@TREND(1985.1)
(B)
Observamos en el grfico
que la nube de puntos est
esparcida en los cuatro cuadrantes,
por lo tanto, concluimos que no
existe indicios de autocorrelacin
de primer orden.
(C)
EL TEST DE RACHAS
Se basa en las rachas de residuos de igual signo : si
hay pocas rachas, quiere decir que los residuos apenas
cambian de signo, entonces existe probable correlacin
positiva. Si hay muchas rachas, entonces existe evidencia de
autocorrelacin negativa.
Tenemos que calcular la media y varianzas de las
rachas, as :
E ( n) = 1 +
Var ( n) =
2 T1T2
T1 + T2
2 T1T2 ( 2 T1T2 T1 T2 )
( T1 + T2 ) 2 ( T1 + T2 1)
[ E( n) 196
.
Var ( n) , E( n) + 196
.
Var ( n) ]
En caso contrario, debera rechazarse la hiptesis nula
de ausencia de autocorrelacin, siendo sta positiva si n est
a la izquierda del intervalo y negativa si est a la derecha.
EJERCICIO
En el archivo de trabajo tenemos los residuos
estimados (RESID1), a continuacin se observan con el
comando siguiente : SHOW RESID1 y el computador nos
muestra :
RESID1
============================================
Modified: 1985:1 1990:4 // eq1.makeresid
1985:1 -15.70622 -0.570948 5.209713 -3.056230
1986:1 -16.02646 18.45952 12.86312 31.08897
1987:1 -11.84675 -14.02071 15.80160 -4.631590
1988:1 -4.522475 2.066781 -2.310079 2.877531
1989:1 11.52880 1.854023 -3.304130 -84.07878
1990:1 5.855036 -5.775373 27.17033 31.07432
============================================
1986
1987
1988
1989
1990
Q1 Residuals
2(12)(12)
E(n) = 1 + 12+12 = 13
2(12)(12)[2(12)(12)1212]
Var(n) =
= 5.739130435
(12+12)2 (12+121)
El intervalo sera :
[8.304529472,17.69547053]
Como el nmero de rachas es 14 y cae dentro del
intervalo; por lo tanto, ausencia de autocorrelacin de
primer orden.
(D)
TABLA DE CONTINGENCIA
Bajo la hiptesis nula de ausencia de autocorrelacin
de primer orden, los sucesos independientes seran los
signos de los residuos del modelo en dos instantes
consecutivos de tiempo, t-1 y t. Puede disearse la tabla :
# de residuos
positivos en t
# de residuos
negativos en
t
# de residuos
positivos en t-1
T11
T12
T1
# de residuos
negativos en t-1
T11
T22
T2
T1
T2
T-1
T11 =
T12
T1
T21 =
T2 T1
T1
T12
N11
T2 T1
N 21
T12 =
T1T2
T1
T22 =
T22
T1
T1T2
N12
T22
N 22
( T11 N11 ) 2
N11
( T12 N12 ) 2
N12
( T21 N 21 ) 2
N 21
( T22 N 22 ) 2
N 22
12
EJERCICIO
Primero, calculamos los Ti i , as :
(12 ) 2
24 1
= 6.260869565
9
4 ( 6.260869565 23) 2
23
= 48.73017177 12 = 384
.
DURBIN - WATSON
Si se sospecha que el trmino de error del modelo
economtrico tiene autocorrelacin de primer orden: u t = u t 1 + t ,
donde t no tiene autocorrelacin, entonces el estadstico DW
permite contrastar la hiptesis nula de ausencia de autocorrelacin
de primer orden. El estadstico se define:
T
DW = d =
( u$
u$ t 1 ) 2
u$
2
t
10
d < dL
d > dU
se
rechazar
la
hiptesis
de
autocorrelacin nula en las u en favor de
la hiptesis de autocorrelacin positiva de
primer orden.
no se rechazar la hiptesis nula.
dL < d < dU
el test no es concluyente.
4 - dL
9 Autocorrelacin negativa de
1 orden.
9 Zona de
duda.
4 - dU
dU
dL
9Autoco-9
9
rrelacin
positiva
de 1orden
11
1.01
dL
1.78
dU
1.832160
D-W
DURBIN
En el caso en que las nicas variables estocsticas incluidas
como explicativas son los retardos de la variable endgena, Durbin
sugiri utilizar el siguiente estadstico :
h = $
donde, Var($ 2 )
T
1 TVar ($ 2 )
(2)
12
23
= 0144456500342
.
< 1645
.
1 23(0.005483)
WALLIS
Muchos estudios aplicados emplean datos trimestrales, y en
tales caso podra esperarse que el trmino de perturbacin
presentara autocorrelacin de cuarto orden.
13
ut = 4 ut4 + t
y la hiptesis nula es 4 = 0 .
Propone una modificacin del test de Durbin-Watson, de la
siguiente forma :
T
d4 =
( u$
u$ t 4 ) 2
u$
2
t
2.353052
d4
2.572
4 - dU
3.374
4 - dL
14
(2)
(3)
Si LM < 2 crtico
No
existe autocorrelacin
significativa de orden p.
(T k ) R 2
LM =
F( p ,T k )
p(1 R 2 )
*
15
LM* =
(24 6)(0.001149)
= 0.020702 < 4.41 = F( 0.05,1,18)
1(1 0.001149)
LM* =
(24 7)(0.002412)
= 0.02055157 < 359
. = F( 0.05,2 ,17 )
2(1 0.002412)
BOX - PIERCE
Sea s el coeficiente de autocorrelacin de u$ t y u$ t 1 , siendo
s = 1, 2, 3, ..., m. Denotemos como Q al estadstico de prueba de
autocorrelacin de Box - Pierce, tal que :
T
Q=T
2
s
2m
16
Q* = T(T + 2)
(T s)
$ 2s
17
I.4.
CORRECCIN
(A)
u t = u t 1 + t
donde 1 y t satisface los supuestos de mnimos cuadrados ordinarios
de valor esperado cero, varianza constante y no autocorrelacin.
El modelo es :
Yt = 1 + 2 X t + u t
(1)
Yt 1 = 1 + 2 X t 1 + u t 1
( 2)
Yt 1 = 1 + 2 X t 1 + u t 1
( 2a )
Yt Yt 1 = 1 1 + 2 X t 2 X t 1 + u t u t 1
factorizando se obtiene :
Yt Yt 1 = (1 ) 1 + 2 ( X t X t 1 ) + u t u t 1
renombrando variables resulta :
Yt* = 1* + 2 X*t + t
Como t cumple con los supuestos de mnimos cuadrados
ordinarios, entonces se aplica mnimos cuadrados ordinarios y se
obtienen estimaciones MELI con todas las propiedades ptimas.
La regresin se conoce como ecuacin de diferencia generalizada.
En este proceso de diferenciacin se pierde una observacin, puesto que
la primera de ellas no tiene observacin que le anteceda. Para evitar esta
prdida de una observacin, las primeras observaciones de Y y de X se
transforma de la siguiente manera :
18
Y1* = Y1 1 2
X1* = X1 1 2
d = 2(1 $ )
d
$ = 1
2
n 2 (1 d 2 ) + k 2
$ =
n2 k 2
A continuacin se utiliza la ecuacin de diferencia generalizada y se
aplica el mtodo de mnimos cuadrados ordinarios para su estimacin.
2
2.1.
Yt Yt 1 = 2 ( X t X t 1 ) + u t u t 1
que se puede escribir de la siguiente manera :
Yt = 2 X t + t
Yt = 1 + 2 X t + 3t + u t
Yt = 2 X t + 3 + t
19
H 0 : = 1
2
g=
e$ 2t
u$ 2t
t=2
T
t =1
Yt + Yt 1 = 2 1 + 2 ( X t + X t 1 ) + u t + u t 1
se puede escribir de la siguiente manera :
Yt + Yt 1
X + X t 1 u t + u t 1
= 1 + 2 t
+
2
2
2
se conoce con el nombre de regresin de promedios mviles (2 perodos).
2.3.
20
u$ u$
t
$ =
t 1
u$
2
t
(2)
(3)
21
LS // Dependent Variable is Q1
Sample(adjusted): 1985:2 1990:4
Included observations: 23 after adjusting endpoints
Convergence achieved after 6 iterations
===========================================================
Variable
Coefficien
Std. Error
t-Statistic
Prob.
===========================================================
C
155.5032
253.2345
0.614068
0.5473
P1
-0.957648
1.895793
-0.505144
0.6199
M1
3.554249
0.276112
12.87249
0.0000
R1
0.701198
0.138989
5.044985
0.0001
C1
4.517882
3.049668
1.481434
0.1568
AR(1)
0.043108
0.262008
0.164529
0.8713
===========================================================
R-squared
0.963843
Mean dependent var
2085.000
Adjusted R-squared
0.953209
S.D. dependent var
119.0206
S.E. of regression
25.74560
Akaike info criter
6.715985
Sum squared resid
11268.21
Schwarz criterion
7.012201
Log likelihood
-103.8694 F-statistic
90.63536
Durbin-Watson stat
1.923314
Prob(F-statistic)
0.000000
===========================================================
Inverted AR Roots
.04
===========================================================
2.4.
u$ t = $ u$ t 1 + t
II Etapa :
Yt $ Yt 1 = (1 $ ) 1 + 2 ( X t $ X t 1 ) + u t $ u t 1
Algunas veces, en la prctica este mtodo de dos etapas produce
resultados bastante similares a los obtenidos en el procedimiento iterativo.
2.5.
Mtodo de Durbin :
La ecuacin en diferencia generalizada es :
Yt = (1 )1 + 2 X t 2 X t 1 + Yt 1 + t
(1)
22
Yt* = Yt $ Yt 1
X*t = X t $ X t 1
Yt* = 1* + 2 X *t + t
se aplica mnimos cuadrados ordinarios.
2.6.
Mxima Verosimilitud :
Comprende procedimientos de estimacin no lineales (en los
parmetros).
2.7.
Procedimiento de Hildreth - Lu :
Como oscila entre -1 y 1. Se utiliza intervalos de 0.1 y
transformando los datos mediante la ecuacin en diferencia generalizada,
se obtienen nueve modelos, que se estiman por mnimos cuadrados
ordinarios.
T
u$
1
2
t