Capitulo 7: Autocorrelacin

Definicin y causas de autocorrelacin

Contrastes de heteroscedasticidad: Durbin-Watson, Breusch-
Godfrey

Estimacin por MCG: Cochrane-Orcutt y Prais-Winsten

Prediccin con modelos de autocorrelacin.
Informacin
Estos transparencias no son completas.
La idea con las transparencias es dar una
estructura general y asegurar que grficos
y ecuaciones estn reproducidos
correctamente.
Cada estudiante debe tomar notas
adecuadas para completar las
transparencias.

Definicin
Definicin: valores estn relacionados en
momentos diferentes en el tiempo.

Un valor positivo (o negativo) de genera una
sucesin de valores positivos (o negativos). Esto
es autocorrelacin positiva.
Autocorrelacin tambin puede manifestarse por
la alternancia de signos en la sucesin de
valores. Entonces se llama autocorrelacin
negativa.
t
u
Definicin

Causas
La existencia de ciclos y/o tendencias

Relaciones no lineales

La omisin de variables relevantes
Causas

Causas


Los residuos no sern independientes del tiempo.
Modelos autorregresivos (AR) y
media-mvil (MA).
Modelos lineales que permiten
caracterizar el fenmeno de la
autocorrelacion: los esquemas
autorregresivos (AR) y media-mvil (MA).
Modelos autorregresivos (AR) y
media-mvil (MA).


) , 0 (
... ); (
2
2 2 1 1
c
o c
c | | |
N con
u u u u p AR
t
t p t p t t t
~
+ + + + =

) , 0 (
... ); (
2
2 2 1 1
c
o c
c u c u c u c
N con
u q MA
t
q t q t t t t
~
+ + + + =

Modelos autoregresivos (AR) y
media-mvil (MA).
AR(1): La correlacin entre momentos
diferentes del tiempo, no se limita a dos
periodos sucesivitos , sino que se mantiene
para cualquier distancia entre esos dos
momentos del tiempo . (Memoria ilimitada).

MA(1): La correlacin en momentos diferentes
del tiempo slo se mantiene en dos perodos
inmediatamente sucesivos , etc.,
desapareciendo cuando la distancia en el
tiempo es superior al orden del MA. (Memoria
limitada).
AR(1) MA(1)
(
(
(
(
(
(

1
1
1
1
1
3 2 1
3 2
2
1 2
2
2

N N N
N
N
N
| | |
| | |
| | |
| | |
|
o
c
(
(
(
(
(
(
(
(

1
1 0
1
0 1
1
) 1 (
2 2
u
u u
u
u
u u
u
o u
c

Estimacin (idea)
AR(1):
Tu u TX, X Ty, :
' ) ' (

' ) ' (

* * *
* *
1
* *
1 1 1
= = =
=
O O =

y donde
y X X X
y X X X
MCG
MCG
|
|
(
(
(
(
(
(
(
(

=
1
1 0
0 1
1
2
|
|
|
|


T
AR(1)





Hay que estimar el parmetro .
(Este se explica en la parte de estimacin ms
tarde. )
(
(
(
(
(
(

=
(
(
(
(
(
(

=
1
2 3
1 2
1
2
*
1
2 3
1 2
1
2
*
1
,
1
T T T T
x x
x x
x x
x
X
y y
y y
y y
y
y
|
|
|
|
|
|
|
|

|
Las funciones de autocorrelacin
simples (FAS) y parcial (FAP) de los
residuos.
Autocorrelacin simple:

=
=

=
N
t
t
N
k t
k t t
e
e e
1
2

|
.
|

\
|
+ =

=
1
1
2

2 1
1
)

r( a

v
k
k
k k
N

Funcin de autocorrelacin parcial


k orden FAP v e e e e
orden FAP v e e e
orden FAP v e e
kk t k t kk t k t k t
t t t t
t t t
| | | |
| | |
| |

...
2

2 2 1 1
22 2 22 1 11
11 1 11
+ + + =
+ + =
+ =

Contrastes de autocorrelacin
Estructura general;

1. la hiptesis nula es no autocorrleacin.
2. la construccin esta basada en los
residuos de la estimacin por MCO (sin
considerar la posible autocorrelacin).
Contrastes de autocorrelacin
Durbin-Watson

Hiptesis alternativa: AR(1).
1)
2)

+ =
=

=
=

t t t A
t t
N
t
t
N
t
t t
u u H
u H
e
e e
DW
c |
c
1
0
1
2
2
2
1
:
:
) (
Contrastes de autocorrelacin
Durbin-Watson
En muestras finitas hay que aplicar una
tabla con valores crticos


Contrastes de autocorrelacin
Durbin-Watson



{inde d DW d o d DW d
acin autocorrel no d DW si
negativa acin autocorrel d DW si
DW
acin autocorrel no d DW si
positiva acin autocorrel d DW si
DW
inf sup sup inf
sup
inf
sup
inf
4 4
4
2
2
s s s s

<
>
>

>
<
<
Contrastes de autocorrelacin
Durbin-Watson

Limitaciones:
Su potencia es limitada para otras
hiptesis alternativas. (AR(>1), MA).
No se puede usar los valores cuando la
regresin incluye la variable endgena
retardada. (Modelos dinmicos).
Contrastes de autocorrelacin
Breusch-Godfrey

1)
2)
3)



Nota; N se refiere a la muestra en el modelo auxiliar. Si N es la
muestra del modelo original, hay que usar N-r!

+ + + =
+ + + =
=
=


)) ( ( ...
)) ( ( ... :
:
]) [ (
1 1
1 1
0
2
*
2
q MA u u
o p AR u u u H
u H
NR r G
q t q t t t
t p t p t t A
t t
| c | c
c | |
c
_
Estimacin por MCG
Cochrane-Orcutt




1)
2)
3)

t t t
t t k k t t
u u donde
u x x y
c |
| | |
+ =
+ + + =
1
, , 2 2 1
Estimacin por MCG
Cochrane-Orcutt


Etapa 1:
Etapa 2:



2 ) ( ... ) ( ) 1 (
1 1 , , , 2 , 2 2 1 1
> + + + + =

t u u x x x x y y
t t t k t k k t t t t
| | | | | | | |
1 1 , 1 , 2 2 1 1 , , 2 2 1
) ... ( ) ... (

+ =
t t t k k t t t k k t t
u u x x y x x y | | | | | | | |
Estimacin por MCG
Cochrane-Orcutt

Inconvenientes:
1)
2)
3)
Estimacin por MCG
Prais-Winsten

Usar la primera observacin a travs de su
transformacin particular (en lugar de
eliminarla) como en el mtodo de
Cochrane-Orcutt.
Estimacin por MCG
Prais-Winsten

; 1 ,..., 1 , 1
1 ,
2
1 ,
2
1 , 1 1
2
1 k k
x Tx Tx y Ty | | | = = =
Estimacin por MCG
Durbin

Este mtodo intenta tratar la arbitrariedad
del valor escogida para el parmetro en
etapa 1.
Estimacin por MCG
Durbin


Estima por MCO, ignorando:
1)
2)
3)


) ( ... ... ) 1 (
1 1 1 , 1 , 2 2 , , 2 2 1
+ + + + + + + + =
t t t t k k t t k k t t
u u y x x x x y | | | | | | | | | |
Prediccin con modelos de
autocorrelacin (Greene, Econometric Analysis)

Consideramos un modelo AR(1), con
conocida.
|
Tu u TX, X Ty, :
' ) ' (

* * *
* *
1
* *
= = =
=

y donde
y X X X
MCG
|
(
(
(
(
(
(

=
(
(
(
(
(
(

=
1
2 3
1 2
1
2
*
1
2 3
1 2
1
2
*
1
,
1
T T T T
x x
x x
x x
x
X
y y
y y
y y
y
y
|
|
|
|
|
|
|
|

Prediccin con modelos de
autocorrelacin
La prediccin de dado y
( ) es,

Recuerda, entonces;
0
1 *

+ T
y
0
1 + T
x
T
x
|

0
1 *
0
1 * + +
=
T T
x y
T T T
x x x | =
+ +
0
1
0
1 *
T T T
y y y | =
+ +
0
1
0
1 *

T T T
T T T T
T T T T
e x y
x y x y
x x y y
| |
| | |
| | | |
+ =
+ =
=
+ +
+ +
+ +

0
1
0
1
0
1
0
1
0
1
0
1
Prediccin con modelos de
autocorrelacin
Un parte de los residuos se lleva al
periodo siguiente. Para un prediccin de
periodos sera,

Para un modelo AR(2),


Para residuos fuera del periodo de la
muestra se usa
T
n
n T n T
e x y | | + =
+ +

0 0
2 2 1 1
0 0

+ + + +
+ + =
n T n T n T n T
e e x y | | |
2 2 1 1
+ =
s s s
e e e | |
n
Prediccin con modelos de
autocorrelacin
Consideramos un modelo MA(1).







Despus del primero periodo fuera de la
muestra,






T T T
T T T
u u donde
x y

1 1
1
0
1
0
1
c
c |
=
+ =
+ +
+ + +
1


+ =
t t t
u u c
0
0 1
= =
+
u u
T
y )

| c
t t t
x y =
0

1
= =
+ + + n T n T n T
u u c