Académique Documents
Professionnel Documents
Culture Documents
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