Autocorrelación

UNIVERSIDAD MAYOR DE SAN ANDRES
I/SEMESTRE -2020
Carrera-Economía
Docente: Lic. Luis Sucujayo Chavez
Auxiliar: Univ. Rigoberto Hilari Laruta
AUTOCORRELACIÓN
𝝈𝟐 ∀𝒊 = 𝒋
𝑬(𝒖𝒊 𝒖𝒋 ) = {
≠ 𝟎 ∀𝒊 = 𝒋
CAUSAS
1)Tendencia y Ciclo
2)Correlación Espacial
3)Inercia
4)Efecto Prolongados de Choques
5)Variables Omitidas
6)Forma Funcional Incorrecta
CONSECUENCIAS
1)No Afecta a la propiedad de Insesgamiento
2)Afecta la Matriz de Varianzas y Covarianzas por tanto Invalida las pruebas
de Hipótesis
PRUEBAS DE AUTOCORRELACIÓN
METODOS INFORMALES
ANALISIS GRAFICOS
1.Graficos de los cuadrados de los residuos obtenidos contra la variable
endógena estimada
2.Graficos de los cuadrados de los residuos contra una de las variables
explicativas
METODOS FORMALES
1)TEST DE DURBIN WATSON (Orden de Autocorrelación de primer orden)
Requiere los siguientes requisitos
i)Se tiene el siguiente modelo: 𝑌𝑡 = 𝛽1 + 𝛽2 𝑋2𝑡 + 𝛽3 𝑋3𝑡 + 𝛽4 𝑋4𝑡 + 𝑢𝑡
ii)El modelo debe incluir el intercepto
iii)Suponemos que:𝑢𝑡 = 𝜌𝑢𝑡−1 + 𝜀𝑡 𝜀~𝑅. 𝐵.
𝐻0 : 𝜌 = 0 (No existe autocorrelación de primer Orden)
𝐻0 : 𝜌 ≠ 0 (Existe Autocorrelación de primer Orden)
ESTADISTICO DE CONSTRASTE
∑𝑡=𝑛 ̂ 𝑡 − 𝑢̂𝑡−1)2
𝑡=2 (𝑢
𝐷𝑊 =
∑𝑡=𝑛 ̂𝑡2
𝑡=1 𝑢
Desarrollando
∑𝑡=𝑛 ̂ 𝑡2 + 𝑢̂𝑡−1
𝑡=2 (𝑢
2
− 2𝑢̂𝑡 𝑢̂𝑡−1)
𝐷𝑊 =
∑𝑡=𝑛 ̂𝑡2
𝑡=1 𝑢
Si 𝑛 → ∞ ; 𝑢̂𝑡2 = 𝑢̂𝑡−1
2
2 ∑𝑡=𝑛 ̂𝑡2 −2∑𝑡=𝑛

𝑡=2 𝑢 ̂𝑡 𝑢
𝑡=2 𝑢 ̂𝑡−1 ∑𝑡=𝑛 ̂𝑡 𝑢
𝑡=2 𝑢 ̂𝑡−1
DW= = 2 (1 − )
∑𝑡=𝑛 ̂𝑡 2
𝑡=1 𝑢 ∑𝑡=𝑛 ̂𝑡 2
𝑡=1 𝑢
DW=2(1 − 𝑝̂ ) Normalmente si DW = [1.75,2.25] (regla
empírica)
̂
𝒑 DW=𝟐(𝟏 − 𝒑
̂)
0 2 No existe Autocorrelación
Positiva o Negativa
1 0 Autocorrelación Positiva
-1 4 Autocorrelación Negativa
REGLA DE DECISIÓN
𝑑𝑖 = 𝑓(𝑛, 𝑘 )
N=Numero de Observaciones K=Numero de Variables explicativas excluyendo
la constante
2)TEST H-DURBIN
Se tiene el siguiente modelo: Modelo Dinámico
𝑌𝑡 = 𝛽1 + 𝛽2 𝑋2𝑡 + 𝛽3 𝑋3𝑡 + 𝛽4 𝑌𝑡−1 + 𝛽5 𝑌𝑡−2 + 𝑢𝑡
𝑇
ℎ = 𝜌̂√ ∼ 𝑁(0,1)
1 − 𝑇 ∗ 𝑉𝑎𝑟(𝛽𝑖 )
𝐻0 : 𝜌 = 0 (No existe autocorrelación de primer Orden)

𝐻0 : 𝜌 ≠ 0 (Existe Autocorrelación de primer Orden)
Si ℎ ≥ 𝑍1−𝛼 Rechazar la Ho
2
Si ℎ < 𝑍1−𝛼 No rechazar la Ho
2
Por ejemplo, al 5% de nivel de significancia no se rechaza la Ho para valores

de h=𝜖 [−1.645,1645]
LIMITACIONES
𝒏 ∗ 𝑉𝑎𝑟(𝛽4 ) < 1
3)TEST LM (Para Detectar Autocorrelación de orden p)
1)Estimar y obtener el modelo de regresión lineal
2)MCO: 𝑢𝑡 = 𝑓(𝑟𝑒𝑔𝑟𝑒𝑠, 𝑟𝑒𝑧𝑎𝑔𝑜 𝑑𝑒 𝑢̂)
EJEMPLO
Sea el siguiente
(*) y = β1 + β2 𝑋2𝑡 + 𝛽3 𝑋3𝑡 + 𝑢𝑡
1)Estimar (*) y obtener {𝑢̂}
2)Regresión. Auxiliar
𝑢̂𝑡 = 𝛼0 + 𝛼1 𝑋2𝑡 + 𝛼3 𝑋3𝑡 + 𝜆1 𝑢̂𝑡−1 + 𝜆2 𝑢̂𝑡−2 + 𝜆3 𝑢̂𝑡−3+. . . . . . . . . . . +𝜆𝑝 𝑢̂𝑡−𝑝
𝐻𝑜 : 𝜆1 = 𝜆2 = 𝜆3 = ⋯ … … = 𝜆𝑝
𝐻1 : 𝐴𝑙𝑔𝑢𝑛 𝜆𝑖 ≠ 0
3)ESTADISTICO DE CONSTRASTE
a)𝑛 → ∞ (Muestra Grande)
2
(n − p)𝑅2 ~𝑋(𝑝)
2
Si (n − p)𝑅 2 ≥ 𝑋(𝑝) Se rechaza la Ho a favor de la alterna Ha (Si existe
autocorrelación de orden p)
2
Si (n − p)𝑅 2 < 𝑋(𝑝) No se rechaza la Ho por tanto ∄ Autocorrelación
B) Si el tamaño de muestra pequeña es pequeño(n)
TEST F
ǔú̌ − ûú̂
q
F=
ûú̂
n−k
Donde ǔú̌(Suma de Cuadrados del Modelo Restringido)
Donde ûú̂(Suma de Cuadrados del Modelo Sin Restrigir)
Si F ≥ Ftab Se rechaza la Ho
Es decir existe autocorrelación de orden p

Si F < Ftab No se rechaza la Ho
Es decir no existe autocorrelación de orden p
SOLUCIÓNES PARA LA AUTOCORRELACIÓN

1)MÉTODO MCG
2)METODO PRICE WINSTEN

DIFERENCIAS GENERALIZADAS
𝑌𝑡 = β1 + β2 X2t + β3 𝑋3𝑡 + ⋯ … + 𝛽𝑘 𝑋𝑘𝑡 + 𝑢𝑡 (1)
Donde 𝑢𝑡 = 𝜌𝑢𝑡−1 + 𝜀𝑡 𝜀𝑡 ~R.B.
Rezagamos (1) en un periodo
𝑌𝑡−1 = β1 + β2 X 2t−1 + β3 𝑋3𝑡−1 + ⋯ … + 𝛽𝑘 𝑋𝑘𝑡−1 + 𝑢𝑡−1

Multiplicar por 𝜌
𝜌𝑌𝑡−1 = 𝜌β1 + 𝜌β2 X2t−1 + 𝜌β3 𝑋3𝑡−1 +. +𝜌𝛽𝑘 𝑋𝑘𝑡−1 + 𝜌𝑢𝑡−1 (3)
Restar (3)-(1)
𝑌𝑡−1 − 𝜌𝑌𝑡−1 = β1 (1 − 𝜌) + β2 (X2t − X2t−1 )+. . +βk (X kt − Xkt−1 ) + 𝑢𝑡 − ρu𝑡−1
𝑦𝑡∗ = β1∗ + β2 𝑋2𝑡

∗ ∗
+ β3 𝑋3𝑡 ∗
. . +βk 𝑋𝑘𝑡 + 𝑢𝑡∗ t=2,3……...,T por MCO
Para t=1 se realiza la siguiente transformación
√1 − 𝜌𝑌1 = √1 − 𝜌(β1 + β2 X2t + β3 𝑋3𝑡 +. +𝛽𝑘 𝑋𝑘𝑡 + 𝑢𝑡 )
Si la muestra es grande produce β̂MCG

Como obtener ρ si es desconocido
A través del estadístico 𝜌

𝐷𝑊
𝜌̂ = 1 − o Realizar por mco 𝑢𝑡 = 𝜌
̂ 𝑢𝑡−1 + 𝜀𝑡
2
3)COCHRANE-ORCUTT
Pasos
1.Comenzar con la estimación MCO del Modelo de regresión, ignorando la presencia de
autocorrelación de primer orden en el término de error.
2.Utilizar los residuos MCO para estimar MCO para estimar el parámetro ρ,realizar las
transformaciones de las variables igual que en el caso anterior pero una vez que se tiene
estimaciones del vector β,generar una nueva serie de residuos para estimar de nuevo el
parámetro ρ.
3.Utilizar la estimación del vector β para generar una nueva serie de residuos, nuevamente
estimar ρ ,continuar de nuevo el mismo procedimiento generando así un proceso iterativo
Utilizar estos residuos para estimar de nuevo el parámetro.
4)ESTIMADOR DE NEWEY-WEST
Se pueden realizar contrastes válidos en muestras grandes si se utiliza un estimador robusto
de la matriz de varianzas y covarianzas del estimador MCO este es el estimador de Newey-
West

Autocorrelación

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Autocorrelación

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Autocorrelación

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD MAYOR DE SAN ANDRES

2 ∑𝑡=𝑛 ̂𝑡2 −2∑𝑡=𝑛

𝐻0 : 𝜌 = 0 (No existe autocorrelación de primer Orden)

Por ejemplo, al 5% de nivel de significancia no se rechaza la Ho para valores

Donde ǔ´ǔ(Suma de Cuadrados del Modelo Restringido)

Donde û´û(Suma de Cuadrados del Modelo Sin Restrigir)

Es decir existe autocorrelación de orden p

SOLUCIÓNES PARA LA AUTOCORRELACIÓN

2)METODO PRICE WINSTEN

𝑌𝑡−1 = β1 + β2 X 2t−1 + β3 𝑋3𝑡−1 + ⋯ … + 𝛽𝑘 𝑋𝑘𝑡−1 + 𝑢𝑡−1

𝑦𝑡∗ = β1∗ + β2 𝑋2𝑡

Para t=1 se realiza la siguiente transformación

√1 − 𝜌𝑌1 = √1 − 𝜌(β1 + β2 X2t + β3 𝑋3𝑡 +. +𝛽𝑘 𝑋𝑘𝑡 + 𝑢𝑡 )

Si la muestra es grande produce β̂MCG

A través del estadístico 𝜌

También podría gustarte