AUTOCORRELACIN

ESQUEMA
1.

Introduccin

2.

Problemas con los estimadores MCO.

3.

Identificacin

del

Autocorrelacin.
4.

Posibles Soluciones

Problema:

Pruebas

de

1. INTRODUCCIN

En este caso, la matriz de varianzas y covarianzas de los

trminos de perturbacin es igual a:

0

Var (u ) E (uu ' ) 1

n 1

1
0

n2

n 1
n 2
V

Dado que la matriz es simtrica, la estimacin de la misma

implica la existencia de k+[n(n-1)/2]+1 parmetros a estimar, lo
cual no es posible con n observaciones.

1. INTRODUCCIN

Si la perturbacin fuera un proceso estacionario autorregresivo de

orden 1 o AR(1),

ut ut 1 t

, la matriz de varianzas y

covarianzas de los trminos de perturbacin sera igual a:

Var (u ) 0

1

1

n 1

n2

1
1

n 1
n 2

1
1
2
u


n 1

1
1

n2

n 1
n2

V

Ahora, el modelo se reduce a estimar k+2 parmetros, lo cual es posible

con n observaciones.

1. INTRODUCCIN

Por otro lado, si el trmino de perturbacin siguiera un proceso de

Medias Mviles de orden 1 MA(1),

u t t 1 t

, la autocorrelacin

generara

1 1
1
Var (u ) 0 1

0 0

0
2
u
2
1

1
0

1 2
1

0 V

Ahora, el modelo se reduce a estimar k+2 parmetros.

La matriz de varianzas-covarianzas depender del proceso estocstico

que genera la autocorrelacin.

1. INTRODUCCIN
POR QU SURGE LA AUTOCORRELACIN? Usualmente series de tiempo
1.

Autocorrelacin espacial:
espacial en datos de corte transversal;
transversal por ejemplo
similitudes en el clima de regiones adyacentes.

2.

Influencia Prolongada de Shocks:

Shocks en datos de series de tiempo;
tiempo por
ejemplo, terremotos, fenmeno del nio, persistencia, entre otros.

3.

Inercia:
Inercia Inercia en el comportamiento humano.

4.

Manipulacin de los datos:

datos Interpolacin o suavizamiento de datos.

5.

Mala Especificacin:
Especificacin la omisin de un regresor autocorrelacionado,
mala especificacin funcional del modelo o de la dinmica de la ecuacin.

2. PROBLEMAS CON LOS ESTIMADORES MCO

Los estimadores convencionales MCO son:

Insesgados.

Consistentes.

Asintticamente normales.

Cuando existe autocorrelacin, los estimadores de MCO presentan tres

problemas:

Inferencia incorrecta (si se usan los estimadores MCO convencionales).

Ineficiencia (al usar la frmula correcta de MCO).

Estimadores MCO correctos no son de Mxima Verosimilitud.

2. PROBLEMAS CON LOS ESTIMADORES MCO

1.

PROBLEMAS CON LA INFERENCIA

Si existe autocorrelacin, la frmula convencional de la varianza del

vector de estimadores de MCO cambia.

Var ( MCO ) 2 ( X ' X ) 1

A
Var ( MCO
) 2 ( X ' X ) 1 X ' X ( X ' X ) 1

Entonces, la inferencia se distorsiona si se usa el estimador MCO

convencional y no el correcto:

Var ( MCO ) 2 ( X ' X ) 1

A
X ( X ' X ) 1
Var ( MCO
) 2 ( X ' X ) 1 X '

2. PROBLEMAS CON LOS ESTIMADORES MCO

El estimador MCO convencional,

es sesgado respecto a

A
Var ( MCO
):

El valor esperado de s2 en el MRLG no es igual a 2

u

Se tiene que:

( X ' X ) 1 ( X ' X ) 1 ( X ' X )( X ' X ) 1

Sin embargo, slo en casos

determinar si el sesgo de

especiales, es posible
es hacia arriba o hacia

abajo respecto de la frmula

Var ( A

MCO

2. PROBLEMAS CON LOS ESTIMADORES MCO

Por ejemplo, si se tiene un modelo:

Intercepto

Una sola variable independiente.

Las perturbaciones siguen un proceso autorregresivo de

orden 1 o AR(1): autocorrelacin de primer orden.
Entonces, el estimador MCO convencional
estara sesgado hacia abajo.

2. PROBLEMAS CON LOS ESTIMADORES MCO

As, el problema ms importante cuando existe autocorrelacin

es que no es posible saber, en general, hacia donde se sesga
el estimador MCO convencional (incorrecto) de la matriz de
varianzas y covarianzas del vector de estimadores.

Ms an, es importante porque frecuentemente es difcil saber

si el modelo relevante es el MRLC o el MRLG:

2. PROBLEMAS CON LOS ESTIMADORES MCO

Si es posible identificar la presencia de autocorrelacin, el

modelo relevante es el MRLG:

Sin embargo, suele suceder que no se conoce con exactitud la

forma poblacional de la autocorrelacin.

Por ello, no es posible encontrar una transformacin adecuada de

los datos para eliminar el problema.

Entonces, dado que no es posible calcular los estimadores MCG o

MCGF, se utilizan los de MCO correctos.

Si no es posible identificar la autocorrelacin, lo natural es

seguir usando MCO (correcto) en la estimacin e inferencia.

2. PROBLEMAS CON LOS ESTIMADORES MCO

Para seguir usando MCO en la inferencia,

, es

necesario encontrar un estimador consistente de la matriz de

varianzas y covarianzas de perturbaciones autocorrelacionadas:
A
Var ( MCO
) ( X ' X ) 1 X '[ 2 ] X ( X ' X ) 1

1 X'X
A

Var ( MCO )

n n

cuya forma general sera:

1
X'X
2
X ' [ ] X

n
n

A
] X ( X ' X ) 1
Var ( MCO
) ( X ' X ) 1 X '[ 2

2. PROBLEMAS CON LOS ESTIMADORES MCO

La varianza asinttica del estimador MCO es:

1

1

1

1

A
Var . As.( MCO
)
Plim X ' X Plim X ' X Plim X ' X
n
n

n

n

1
1

A
Var . As.( MCO
) Q 1 Plim X '[ 2 ] X Q 1
n
n

Cuando

A
):
X ' 2 Xes' conocido , el estimador de Var . As.( MCO

1 1

A
Var . As.( MCO
) X'X
n n

2
X
'
[

]
X
n

X
'
X
n

2. PROBLEMAS CON LOS ESTIMADORES MCO

Cuando

X ' 2 X '

es desconocido , se utiliza el estimador

de Newey-West o Matriz de Newey-West, que es un

estimador consistente de
A

Var . As.( MCO )

1 1

A
Var . As.( MCO
) X'X
n n

Q * X ' X
n

L
n
1
Q * S 0 wl et et l ( xt xt' l xt l xt' )
n l 1 t l 1

donde:

wl 1

l
( L 1)

2. PROBLEMAS CON LOS ESTIMADORES MCO

2. INEFICIENCIA DEL ESTIMADOR CORRECTO DE MCO

Sin embargo, cuando existe autocorrelacin, el estimador MCO

correcto no es el ms eficiente dentro del grupo de estimadores
lineales e insesgados.

Los Estimadores de Mnimos Cuadrados Generalizados (MCG):

MCG ( X ' 1 X ) 1 X ' 1 y

son MELI, pues:

E ( MCG )
A
Var ( MCG ) 2 ( X ' 1 X ) 1 Var ( MCO
) Var ( MCG )

2. PROBLEMAS CON LOS ESTIMADORES MCO

Por qu los estimadores MCG son ms eficientes?

Utilizan la siguiente informacin: si una perturbacin es

grande y positiva, probablemente la siguiente perturbacin
ser grande y positiva.

MCG minimiza la suma ponderada

de los residuos al

cuadrado: menor peso a las perturbaciones que se espera

que sean grandes porque otras lo son (autocorrelacin).

Los pesos estn determinados por los elementos de la

matriz de varianzas y covarianzas de las perturbaciones.

2. PROBLEMAS CON LOS ESTIMADORES MCO

3. EFICIENCIA ASINTTICA Y MXIMA VEROSIMILITUD.

Bajo el supuesto que la distribucin de los trminos de perturbacin no

esfricos es normal, se obtiene que:

Los estimadores convencionales MCO no son estimadores de MV.

Los estimadores MV son iguales los estimadores MCG. Por ello, los
estimadores MCG son asintticamente eficientes.

MV MCG ( X ' 1 X ) 1 X ' 1 y

1
( y X MV )' 1 ( y X MV )
nk
) Var (
) 2 ( X ' 1 X ) 1

2MV 2MCG
Var ( MV

MCG

3. IDENTIFICACIN DEL PROBLEMA

Los principales y ms usadas pruebas (tests) de autocorrelacin son:

Inspeccin Visual de los Residuos.

El Correlograma de los Residuos.

Test Durbin-Watson (AR(1)).

Test de Wallis (AR(4)).

Test de Breusch-Godfrey.

Test de Box-Pierce-Ljung.

3. IDENTIFICACIN DEL PROBLEMA

Test Durbin-Watson (AR(1)).

El estadstico DW est dado por:

n

2
(
u

u
)
t t 1
t 2

u
t 2

2
t

El cual puede expresarse asintticamente como: d 2(1

) , donde:
n

e e
t 2
n

t t 1

e
t 2

2
t

3. IDENTIFICACIN DEL PROBLEMA

La interpretacin es como sigue:

Si d tiende a 0, entonces existe autocorrelacin positiva.

Si d tiende a 4, existe autocorrelacin negativa.

Si d tiende a 2, no existe autocorrelacin.

Esta prueba es vlida si el modelo incluye un intercepto y si la

variable explicativa es no estocstica.

No es posible identificar la presencia de autocorrelacin de

orden superior, pero si con la versin mejorada: Durbin-h

4. POSIBLES SOLUCIONES
1.

Si el problema de autocorrelacin surge por:

Omisin de una variable autocorrelacionada.

Forma funcional incorrecta

Mala especificacin de la dinmica de la relacin

la solucin es especificar correctamente el modelo. En este

caso:

Los estimadores MCO no son MELI.

Bajo ciertas condiciones (Mann y Wald), son consistentes.

4. POSIBLES SOLUCIONES
2.

Si el problema de autocorrelacin surge alguna otra razn, existen

dos soluciones posibles:

A.

Estimar por MCO y utilizar la Matriz de Newey-West.

Esto genera estimados consistentes de los errores estndar de

MCO.

Los estadsticos t y F son vlidos slo asintticamente. Es posible

evaluar hiptesis lineales a travs de la prueba de Wald.

A pesar de ser insesgado y consistente, el estimador correcto

MCO sigue siendo ineficiente.

4. POSIBLES SOLUCIONES
B.

Estimar por MCG y calcular el estimador MCGF

La metodologa MCG genera estimadores eficientes.

Sin

embargo,

encontrar

el

estimador

MCGF

es

muy

complicado porque se requiere conocer la forma estructural de

la autocorrelacin.

Incluso, si fuera posible encontrar el estimador MCGF, este

estimador ya no es lineal ni insesgado.

4. POSIBLES SOLUCIONES

Ejemplo: Perturbaciones siguen un proceso AR(1).

Yt 1 2 X t u t
u t u t 1 t

El vector de estimadores MCGF se obtiene luego de estimar el

parmetro

2
Var (u ) u

n 1

, el nico parmetro desconocido:

n 1

n 2

n2

4. POSIBLES SOLUCIONES

La matriz de varianzas y covarianzas puede expresarse como

una proporcin constante de una matriz con 1s en la diagonal:

1
2
Var (u )
1 2

n 1
n2

Var (u ) 2

n 1

n 2

1
1
1 2

n 1
n 2

1
n 1

n 2
2

4. POSIBLES SOLUCIONES

De esta forma:

Para estimar la matriz de varianzas y covarianzas de las

perturbaciones

Con la matriz

es necesario estimar

se calculan las frmulas de MCG,

obtenindose los estimadores MCGF.

1 X ) 1 X '
1 y
MCGF ( X '

Var ( MCG ) 2 ( X ' 1 X ) 1

4. POSIBLES SOLUCIONES

Para el ejemplo, la inversa de la matriz

es:

0
1
1 2

0
1 2

0
0

0
0

0
0

0
0

0
0
0

1 2

1 2

0
0

0
0

0
0

1 2

0
0

1 2

1
0 P' P

0 1

4. POSIBLES SOLUCIONES

Alternativamente, los estimadores MCGF pueden obtenerse:

Transformando la ecuacin original con P, obteniendo una en la

cual se cumpla el supuesto de no autocorrelacin.

Luego, se estima por MCO la ecuacin transformada,

obtenindose de esta manera los estimadores MCGF.

Siguiendo el ejemplo, la transformacin adecuada se obtiene

reemplazando la primera observacin por
restantes por X
X t 1 .
t

(1 ) X 1
2

y las

4. POSIBLES SOLUCIONES

Existen muchas tcnicas para calcular los estimadores MCGF

de acuerdo a este procedimiento, las cuales se diferencian en
la forma de estimar el parmetro

Mnimos Cuadrados Iterativos de Cochrane-Orcutt

Mtodo de dos etapas de Durbin.

Procedimiento de bsqueda Hildreth-Lu.

Mxima Verosimilitud

Bajo el supuesto de normalidad de las perturbaciones, los

cuatro mtodos son asintticamente equivalentes.

4. POSIBLES SOLUCIONES

Mnimos Cuadrados Iterativos de Cochrane-Orcutt

Se necesita un valor inicial de

, que se obtiene

estimando por MCO:

(Yt 1MCO 2MCO X t ) (Yt 1 1MCO 2MCO X t 1 ) t

Dado un

, se aplica el siguiente proceso iterativo:

(Yt Yt 1 ) 1 (1 ) 2 ( X t X t 1 ) t
(Y X ) (Y X )
t

t 1

Este proceso culmina cuando los

t 1

' s

converjan.

4. POSIBLES SOLUCIONES

Mtodo de dos etapas de Durbin.

Se obtiene un estimador de

aplicando MCO a:

Yt 1 (1 ) Yt 1 2 X t 2 X t 1 t
Yt 0 Yt 1 1 X t 2 X t 1 t
Luego, se utiliza

para encontrar los estimadores MCGF,

que se obtienen aplicando MCO al modelo transformado:

(Yt Yt 1 ) 1 (1 ) 2 ( X t X t 1 ) t
cYt 1 (1 ) 2 c X t t

4. POSIBLES SOLUCIONES

Procedimiento de bsqueda Hildreth-Lu.

Para un valor

, se estima por MCO el modelo

transformado, y se calcula la SCR obtenida con estos

parmetros:

cYt 1 (1 ) 2 c X t t

SCRi

i
Se repite el proceso con diferentes valores iniciales
elige aquel cuya SCR sea menor.

y se

4. POSIBLES SOLUCIONES
Observaciones
1.

Si tenemos un modelo de la forma:

yt xt ut ,
ut ut 1 t ,

t ~ iid (0, 2 )

Si x no est correlacionada con el trmino de perturbacin,

entonces los estimadores MCO son consistentes (a pesar que x
sea un proceso AR(1)), pero ineficientes.

Si x est correlacionada con el trmino de perturbacin, entonces

los estimadores MCO son inconsistentes.

4. POSIBLES SOLUCIONES
2.

Si tenemos un modelo de la forma:

yt yt 1 ut ,

ut ut 1 t ,

t ~ iid (0, 2 )
En este caso, los estimadores de MCO son ineficientes e
inconsistentes, pues existe correlacin contempornea
entre la explicativa y la perturbacin.

AUTOCORRELACIN