UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE ECONOMIA
DPTO. DE ECONOMETRIA Y METODOS CUANTITATIVOS

ECONOMETRIA

M. Sc. Eco. LUIS A. ROSALES GARCA

CASTILLA, AGOSTO DEL 2001

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

EXISTENCIA DE CICLOS Y TENDENCIAS

La autocorrelacin positiva est asociada a la existencia de
rachas de valores altos y bajos de Yt .
Si (debido a la inercia de la mayora de las variables
macroeconmicas) la variable endgena del modelo economtrico
presenta ciclos y stos no son bien explicados por las variables
exgenas del modelo, el trmino de error tendr autocorrelacin.
La mayora de
las
variables
econmicas tienen
una
tendencia,
generalmente
creciente. Si el
conjunto de variables
explicativas del
modelo no explican
adecuadamente dicho
comportamiento,
entonces el trmino
de error incorporar
dicha tendencia, y ello
conduce
a
la
existencia
de
autocorrelacin
positiva: Una racha de residuos negativos seguida por otra racha de
residuos positivos.

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

Si la variable X 3 t presenta autocorrelacin, entonces el

trmino de error v t tambin estar autocorrelacionada, incluso si ut
estaba libre de tal problema.

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 .

Si se especifica el modelo lineal :

r = + D +v
t
1
2 t
t

t = 1,2,..., T

entonces, se tendr una racha de residuos negativos, seguida de

otra racha de residuos positivos, para terminar con otra racha
negativa. Ello generar autocorrelacin del trmino de error.

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

es el vector de valores observados de Y.

*

son los verdaderos valores de Y.

el vector de errores de medida.

el trmino de perturbacin es U + V que puede exhibir

autocorrelacin, bien debido a U, a V o a los dos.

POSIBLES CAMBIOS DE ESTRUCTURA

Que provocan errores sistemticos de infra o supervaloracin
por perodos y, por tanto, una autocorrelacin positiva de los
residuos en cada subperodo.

DATOS DE CORTE TRANSVERSAL

Pueden darse ciertos efectos de proximidad que provoquen
autocorrelacin entre las perturbaciones.

I.2.

CONSECUENCIAS
1

El estimador M.C.O. sigue siendo insesgado en un modelo con

autocorrelacin en el que las variables explicativas sean
deterministas.

Ya no es el estimador lineal insesgado de mnima varianza. Existe

sesgo sistemtico en el clculo de sus varianzas muestrales.

Incorrecta aplicacin de los contrastes de significacin.

I.3.

CONTRASTES
1

GRFICO
Ningn contraste de autocorrelacin debe excluir un examen
riguroso de los residuos generados en la estimacin del modelo.
(A)

Dicho examen debe incluir el grfico de la serie de residuos

de igual signo, que seran un claro indicio de autocorrelacin
de primer orden.
E

POSIBLE

POSIBLE

POSIBLE
AUSENCIA

POS ITIVA

DE

AUTOCORR ELACION

AUTOCORR ELACION

NEGATIVA

AUTOCORRELA CION

EJERCICIO
Supongamos que se especifica el modelo siguiente :

Q1t = 1 + 2 P1t + 3 M1t + 4 R1t + 5C1t + u t

y se quiere verificar ausencia de autocorrelacin de primer
orden.
Primero estimamos el modelo, as :
Quick Estimate Equation Q1 C P1 M1 R1 C1 OK,
luego marcamos residuos con el comando siguiente :
Procs Make Residual Series, el computador crea la nueva
serie con el nombre RESID1, entonces se grfica con la
siguiente instruccin :
Quick Graph RESID1 @TREND(1985.1) OK
Scatter Diagram Single Scale OK, el EVIEWS nos
muestra el siguiente grfico :

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)

El examen del grfico de u$ t contra u$ t 1 . Si la mayora de los

puntos en dicho grfico se hallan en el primer y tercer
cuadrante, entonces hay indicio de autocorrelacin positiva
de primer orden. Si se hallan en el segundo y cuarto,
entonces hay indicio de autocorrelacin negativa de primer
orden.
La limitacin de este procedimiento es que slo es
realmente til si la autocorrelacin puede aproximarse por un
modelo autorregresivo de orden uno.
EJERCICIO
En el archivo de trabajo tenemos los residuos
estimados (RESID1), a continuacin se grfica con el
comando siguiente:
Quick Graph RESID1 RESID1(-1) OK Scatter
Diagram Single Scale OK, el computador nos muestra
el siguiente grfico :

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)

donde, T es el nmero total de observaciones, T1 es el

nmero de residuos positivos, T2 es el nmero de residuos
negativos y n es el nmero de rachas de igual signo.
Si el tamao muestral es suficientemente grande,
entonces la variable n puede aproximarse a una distribucin
normal, por lo que con un 95 % de confianza, sus valores
deberan estar en el intervalo :

[ 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
============================================

Observando la tabla se determina que T1 = 12 y T2 = 12. A

continuacin obtenemos el grfico de los residuos, as :
EQ01 View Actual, Fitted, Residual Residual Graph,
el computador nos muestra el siguiente grfico :
40
20
0
-20
-40
-60
-80
-100
1985

1986

1987

1988

1989

1990

Q1 Residuals

analizando el grfico, deducimos que existen 14 rachas.

A continuacin, calcularemos la media y la varianza de
las rachas, de la forma siguiente :

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

donde, T21 es el nmero de residuos negativos que estn

seguidos de residuos positivos en el siguiente perodo.
Si el trmino de error del modelo estuviese libre de
autocorrelacin, entonces debera ser igualmente probable
encontrar residuos positivos y negativos un perodo despus
de haber observado un residuo positivo (o negativo);
entonces, se debera tener las siguientes igualdades entre los
tamaos submuestrales :

T11 =

T12
T1

T21 =

T2 T1
T1

T12
N11

T2 T1
N 21

T12 =

T1T2
T1

T22 =

T22
T1

T1T2
N12

T22
N 22

Si el tamao muestral es suficientemente grande,

entonces el estadstico es :

( 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 :

T11 = T12 = T21 = T22 =

(12 ) 2
24 1

= 6.260869565

porque el nmero de residuos positivos es igual al nmero de

residuos negativos.
A continuacin, obtenemos el estadstico de la
siguiente forma :

9
4 ( 6.260869565 23) 2
23

= 48.73017177 12 = 384
.

Si comparamos el estadstico con el valor de la tabla,

concluimos que existe autocorrelacin de primer orden.

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

La autocorrelacin de primer orden con coeficiente

positivo hace que valores positivos del trmino de error u t , tiendan
a venir seguidos de valores positivos, y valores negativos tiendan
asimismo a venir seguidos de valores negativos; entonces la
diferencia u$ t u$ t 1 ser menor que el valor de u$ t y tendramos que

( u$ t u$ t 1 ) 2 < u$ 2t , por lo tanto, el numerador de d ser pequeo en

relacin con el denominador.
Cuando 1 entonces u$ t u$ t 1 , dando como resultado que
el numerador en d tender a ser muy prximo a cero.
Los valores admisibles del parmetro estn entre -1 y 1,
entonces el estadstico oscilar entre 0 y 4 con valores :
*
*

prximos a 0 cuando exista autocorrelacin positiva de

primer orden
cercanos a 4 cuando exista autocorrelacin negativa de
primer orden

Cuando el trmino de error es independiente a lo largo del

tiempo, $ ser casi nulo, y el valor del estadstico d estar prximo
a 2.

10

Dada la dependencia de cualquier valor calculado de d sobre

la matriz X asociada, no es posible calcular valores crticos exactos
de d para todos los casos posibles.
Durbin-Watson establecieron las cotas superior (d U ) e
inferior (d L ) para los valores crticos. Las cotas tabuladas sirven
para verificar la hiptesis de autocorrelacin nula frente a la
alternativa de autocorrelacin positiva de primer orden.
El procedimiento de verificacin es el siguiente :
*

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.

Si el valor muestral de d es mayor que 2, se deseara verificar

la hiptesis nula frente a la alternativa de autocorrelacin negativa
de primer orden. El procedimiento apropiado sera calcular 4 - d y
comparar este estadstico con los valores tabulados de d L y d U
como si fuera a contrastar para el caso de autocorrelacin positiva.
Nos dara el siguiente diagrama:
4

4 - dL

9 Autocorrelacin negativa de
1 orden.

9 Zona de
duda.

4 - dU

dU

9 Ausencia de autocorre- 9 Zona de

lacin de primer orden
duda.

dL

9Autoco-9
9
rrelacin
positiva
de 1orden

Las cotas d U y d L obtenidas por D -W suponen que hay un

trmino constante incluido en la regresin, y no son estrictamente
vlidos en otro caso. Dichas cotas estn obtenidas sobre el
supuesto de que todas las variables incluidas como explicativas son
deterministas.
EJERCICIO
Verificaremos ausencia de autocorrelacin de primer orden,
por lo tanto, utilizamos el estadstico Durbin-Watson que se tiene
en la estimacin del modelo, luego buscamos en la tabla de Durbin Watson a un nivel de significancia del 5 %, la cota superior e inferior
para 24 observaciones y cuatro variables explicativas ( excluyendo

11

el intercepto ); a continuacin aplicamos la regla correspondiente:

0

1.01
dL

1.78
dU

1.832160
D-W

Como el DW supera la cota superior entonces no se rechaza

la hiptesis nula, es decir, hay ausencia de autocorrelacin positiva
de primer orden.

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 )

es la varianza de la estimacin M.C.O. del

coeficiente del primer retardo de Y t .
estimacin habitual del parmetro .

Si no hay autocorrelacin de primer orden, el estadstico h

tiene una distribucin que se aproxima a N(0,1) cuando el tamao
muestral tiende a infinito.
Como la hiptesis alternativa es, o bien que exista
autocorrelacin positiva de primer orden, o bien que exista
autocorrelacin negativa de primer orden, el contraste de la
hiptesis nula debe ser, lgicamente contraste de una sola cola.
Durbin prob que cuando el tamao muestral tiende a infinito,
un modo equivalente de llevar a cabo el contraste anterior ( cuando
el radicando salga negativo ), a saber :
(1)

Estimar una regresin de los residuos M.C.O. de la regresin

lineal sobre un retardo de los mismos, todos lo retardos de la
variable endgena incluida en el modelo, y las dems
variables explicativas.

(2)

Rechazar la hiptesis nula si el coeficiente de u$ t 1 resulta

significativamente diferente de cero ( " t " ).

12

En el caso de que la verdadera estructura de autocorrelacin

no fuese de primer orden, entonces el resultado del test podra ser
arbitrario.
EJERCICIO
El modelo especificado no tiene variables endgenas
rezagadas como variables explicativas, por tal razn no se aplica el
estadstico h de Durbin.
Supongamos que se hubiera especificado el siguiente
modelo:

Q1t = 1 + 2 P1t + 3 M1t + 4 R1t + 5C1t + 6 Q1t 1 + v t

y se quiere verificar ausencia de autocorrelacin de primer orden.
Primero estimamos el modelo, as :
Quick Estimate Equation Q1 C P1 M1 R1 C1 Q1(-1)
OK, luego marcamos residuos con el comando siguiente :
Procs Make Residual Series, el computador crea la nueva
serie con el nombre RESID2 y observamos el valor de la varianza del
estimador de la variable rezagada ( Var ($ 6 )) con la instruccin :
View Covariance Matrix, el computador nos muestra el
valor de 0.005483.
A continuacin se estima el coeficiente de autocorrelacin ()
mediante la estimacin del modelo u t = u t 1 + t , aplicando el
comando :
Quick Estimate Equation RESID2 RESID2(-1) OK,
y nos da como resultado 0.028158.
Por ltimo aplicamos la frmula :
h = 0.028158

23
= 0144456500342
.
< 1645
.
1 23(0.005483)

concluimos que no existe autocorrelacin positiva de primer orden.

WALLIS
Muchos estudios aplicados emplean datos trimestrales, y en
tales caso podra esperarse que el trmino de perturbacin
presentara autocorrelacin de cuarto orden.

13

La especificacin apropiada es en este caso :

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

donde, u$ son los residuos de M.C.O. tradicionales.

Obtiene cotas superiores e inferiores para d 4 bajo el supuesto
de que la matriz X sea no estocstica.
EJERCICIO
Los residuos de M.C.O. del modelo original se tienen con el
nombre RESID1, luego se calcula el estadstico de Wallis de la
siguiente forma :
Genr D4 = @SUM((RESID1-RESID1(-4))^2)/@SUM(RESID1^2)
1986.1 1990.4 OK, nos da como resultado 2.353052.
Buscamos en la tabla de Wallis a un nivel de significancia del
5 % la cota inferior y superior considerando cuatro variables
explicativas y 20 observaciones; resultando :
2

2.353052
d4

2.572
4 - dU

3.374
4 - dL

como el estadstico de Wallis es menor a 4 menos la cota superior

entonces hay ausencia de autocorrelacin de cuarto orden.

EN BASE AL MULTIPLICADOR DE LAGRANGE (LM)

Puede usarse para los casos de indeterminacin para el
estadstico d de Durbin-Watson, o de imposibilidad de obtencin
para el h de Durbin y para verificar autocorrelacin de cualquier
orden.

14

El procedimiento consta de las siguientes etapas :

(1)

Se estima el modelo original por M.C.O. y se recupera los

residuos.

(2)

Regresionar los residuos de la ecuacin, en las variables

explicativas de las misma, y en los residuales con p perodos
de rezago; y obtencin del R2 de la estimacin.

(3)

Calcular el estadstico de prueba para la autocorrelacin de

primer orden : LM = TR2, siendo R2 el coeficiente de
determinacin de la regresin de la etapa 2 y T el tamao
muestral de la misma.
El estadstico LM sigue aproximadamente una
distribucin normal con p grados de libertad, y la regla de
decisin :
Si LM > 2 crtico

Existe autocorrelacin significativa

de orden p.

Si LM < 2 crtico

No
existe autocorrelacin
significativa de orden p.

Harvey ha llegado a demostrar que en muestras pequeas, el

contraste LM pierde confiabilidad, maximizando la probabilidad de
ocurrencia de errores tipo, y para tales casos propone la siguiente
modificacin para el estadstico de prueba :

(T k ) R 2
LM =
F( p ,T k )
p(1 R 2 )
*

La regla de decisin sigue siendo la misma.

EJERCICIO
Comprobaremos que no existe autocorrelacin de primer
orden. Abrimos la estimacin del modelo original y se ejecuta la
siguiente instruccin :
View Residual Tests Serial Correlation LM Test 1 OK
y el EVIEWS nos muestra el siguiente resultado :
Breusch-Godfrey Serial Correlation LM Test:
=======================================================
F-statistic
0.020702
Probability
0.887194
Obs*R-squared
0.027570
Probability
0.868123
=======================================================

15

Si fuera muestra grande tendramos :

LM = TR2 = 0.027570 < 384

. = 2( 0.05,1)
entonces no existe autocorrelacin significativa de segundo orden.
En nuestro caso, se trata de una muestra pequea, utilizamos
el contraste de Harvey; entonces se aplica la frmula :

LM* =

(24 6)(0.001149)
= 0.020702 < 4.41 = F( 0.05,1,18)
1(1 0.001149)

concluimos que no hay autocorrelacin de segundo orden.

Ahora, verificaremos que no existe autocorrelacin de
segundo orden. Abrimos la estimacin del modelo original y se
ejecuta la siguiente instruccin :
View Residual Tests Serial Correlation LM Test 2 OK
y el EVIEWS nos muestra el siguiente resultado :
Breusch-Godfrey Serial Correlation LM Test:
=======================================================
F-statistic
0.020550
Probability
0.979684
Obs*R-squared
0.057883
Probability
0.971473
=======================================================
Si fuera muestra grande tendramos :

LM = TR2 = 0.057883 < 5.99 = 2( 0.05,2 )

entonces no existe autocorrelacin significativa de segundo orden.
En nuestro caso, se trata de una muestra pequea, utilizamos
el contraste de Harvey; entonces se aplica la frmula :

LM* =

(24 7)(0.002412)
= 0.02055157 < 359
. = F( 0.05,2 ,17 )
2(1 0.002412)

concluimos que no hay autocorrelacin de segundo orden.

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

se han detectado algunas irregularidades en las propiedades del

mismo cuando se trabaja con muestra pequea. Para esos casos,
Ljung y Box (1978) demostraron que la consideracin de los grados
de libertad producen un contraste ms adecuado, quedando como
resultado el siguiente estadstico :

Q* = T(T + 2)

(T 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.
EJERCICIO
Verificaremos que no existe autocorrelacin de segundo
orden, como la muestra es pequea aplicamos el contraste de Ljung
y Box.
Abrimos la estimacin del modelo original y se ejecuta el
siguiente comando :
View Residual Tests Correlogram - Q - Statistics 2 OK
y el computador nos da el siguiente resultado :
Correlogram of Residuals
=====================================================
Sample: 1985:1 1990:4
Included observations: 24
=====================================================
Autocorrelation Partial Correlation
AC PAC Q-Stat Prob
=====================================================
. | .
|
. | .
| 1 0.032 0.032 0.0276 0.868
. | .
|
. | .
| 2 -0.034 -0.035 0.0605 0.970
=====================================================
Tenemos :
1

Para verificar autocorrelaccin de primer orden :

Q LB = 0.0276 < 384

. = (20.05,1)
concluyndose que no existe autocorrelacin de primer
orden.

17

Para verificar autocorrelacin de segundo orden :

Q LB = 0.0605 < 5.99 = (20.05,2 )

concluyndose que no existe autocorrelacin de segundo
orden.

I.4.

CORRECCIN

(A)

CUANDO SE CONOCE LA ESTRUCTURA DE AUTOCORRELACIN

Asumamos un esquema autorregresivo de primer orden :

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)

se rezaga el modelo un periodo :

Yt 1 = 1 + 2 X t 1 + u t 1

( 2)

multiplicamos la ecuacin (2) por :

Yt 1 = 1 + 2 X t 1 + u t 1

( 2a )

restamos (2a) de (1), nos da :

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

Esta transformacin se conoce como transformacin de Prais - Winsten.

(B)

CUANDO NO SE CONOCE LA ESTRUCTURA DE AUTOCORRELACIN

Basado en el estadstico d de Durbin - Watson

Sabemos que :

d = 2(1 $ )

d
$ = 1
2

Lo cual sugiere una forma simple de obtener una estimacin de a partir

del estadstico Durbin - Watson estimado. Esta relacin es solamente una
aproximacin y puede no cumplirse para muestras pequeas.
Para muestras pequeas, se puede utilizar el estadstico d
modificado de Theil - Nagar :

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

Correlacin serial perfecta

2.1.

Mtodo de la primera diferencia :

Si = 1 , entonces la ecuacin en diferencias generalizadas queda :

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

se conoce con el nombre de modelo en primera diferencia.

En este caso no hay intercepto en el modelo. Si el modelo original
fuera :

Yt = 1 + 2 X t + 3t + u t

donde t es una variable de tendencia. La transformacin de primera

diferencia es :

Yt = 2 X t + 3 + t

19

donde 3 es el coeficiente de la variable de tendencia.

Para verificar si la correlacin serial positiva es perfecta, se tiene la
Prueba de Berenbluth - Webb, que se plantea de la siguiente manera :
1
La hiptesis nula es existencia de correlacin serial de primer orden
positiva perfecta, es decir :

H 0 : = 1
2

El estadstico se calcula de la siguiente forma :

g=

e$ 2t

u$ 2t

t=2
T
t =1

El numerador son los residuos de mnimos cuadrados ordinarios de

la regresin en primera diferencia y el denominador son los residuos de
mnimos cuadrados ordinarios del modelo original.
Si el modelo original contiene un trmino constante, se puede
utilizar las tablas de Durbin - Watson para probar el estadstico g.
2.2.

Mtodo del promedio mvil :

Si

= 1 , entonces la ecuacin en diferencias generalizadas es :

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.

Procedimiento iterativo de Cochrane - Orcutt :

Se trata del procedimiento ms usado y uno de los ms importantes
para el tratamiento de la autocorrelacin, dado que est basado en la

20

estimacin de como coeficiente de autocorrelacin propiamente dicho,

en base a la expresin :
T

u$ u$
t

$ =

t 1

u$

2
t

El procedimiento es como sigue :

(1)

Estimacin por M.C.O. del modelo original y obtencin del estimador

de la autocorrelacin de Cochrane - Orcutt, con el fin de aplicar la
ecuacin de diferencias generalizadas.

(2)

A partir de los residuos M.C.O. de la ecuacin de diferencias

generalizadas de la primera etapa, obtener un nuevo estimador de
Cochrane - Orcutt; el mismo que se reemplaza en una nueva
ecuacin de diferencias generalizadas.

(3)

De los residuos M.C.O. de la ecuacin de diferencias generalizadas

anterior, pueden lograrse una nueva estimacin del coeficiente de
autocorrelacin, para de esta manera reemplazarlo en una nueva
ecuacin de diferencias generalizadas, y as sucesivamente, el
proceso puede repetirse hasta que las estimaciones sucesivas de
no difieran entre s ( en menos de 0.01 o 0.005), pudiendo lograrse
2, 5 10 o ms iteraciones.

Debe tenerse en cuenta que muchas veces un elevado nmero de

iteraciones, cercano al nmero de observaciones, transforma la
informacin original, dificultando notablemente la interpretacin lgica de
las relaciones entre las variables.
EJERCICIO
Supongamos que la estimacin tuvo autocorrelacin de primer
orden, se corrige con la siguiente instruccin en el Eviews :
Quick Estimate Equation Q1 C P1 M1 R1 C1 AR(1) OK
el computador emplea el mtodo de COCHRANE - ORCUTT y le da el
resultado siguiente :

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.

Procedimiento de dos etapas de Cochrane - Orcutt :

Las etapas son las siguientes :
I Etapa :

Se estima a partir del siguiente modelo :

u$ t = $ u$ t 1 + t
II Etapa :

Estimar la ecuacin en diferencia generalizada con $ , as :

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)

Durbin sugiere los siguientes pasos :

1

Estimar el modelo (1) y trtese el valor estimado del coeficiente de

22

regresin de Yt1 ( = $ ) como una estimacin de . El estimador es

sesgado, pero consistente.
2

Transfrmese las variables como :

Yt* = Yt $ Yt 1

X*t = X t $ X t 1

el modelo a estimar sera :

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

Se elige el modelo estimado que tiene la menor sum residual

u$
1

el mximo coeficiente de determinacin ( R 2 ) .

2
t