Documente Academic
Documente Profesional
Documente Cultură
Clase 7
Series de tiempo
• Uno de los supuestos básicos del modelo de regresión
lineal múltiple es que las observaciones no están
correlacionadas unas con otras.
• Esto se cumple cuando se toma una muestra aleatoria,
usando datos de corto transversal.
• Ese supuesto no se cumple muchas veces cuando se toman
observaciones en intervalos temporales regulares.
• Ese tipo de datos se denomina series de tiempo, los cuales
tienen una estructura implícita en la cual el tiempo es un
componente importante.
• Si el modelo de regresión no recoge adecuadamente esa
estructura temporal, el residuo se reflejará en el término de
error y esto produciría que los errores esten
correlacionados.
¿Por qué ocurre la correlación serial?
• Inercia de las series de tiempo
• Sesgo de específicación: caso de variables
excluidas
• Sesgo de específicación: forma funcional
incorrecta
• Rezagos de la variable dependiente no
incluidos
Serie de tiempo estacionaria
Seire de tiempo no estacionaria
Serie de tiempo no estacionaria
y con tendencia
Errores autorregresivos de primer orden
yt 1 2 xt et
et et 1 vt
E ( vt ) 0 var( vt ) v2 cov( vt , vs ) 0 for t s
1 1
E ( et ) 0
2
var( et ) e2 v
1 2
cov et , et k e2 k k 0
Errores autorregresivos de primer orden
corr( et , et 1 )
Errores autorregresivos de primer orden
T
cov( xt , yt ) ( xt x )( yt y )
rxy t 1
T T
var( x )var(
t y) t
( xt x ) 2
t
( y y ) 2
t 1 t 1
cov( et , et 1 ) eˆt eˆt 1
r1 t 2
T
var( e)
t t 1
ˆ
e 2
t 2
Consecuencias de la correlación serial
• Cuando los errores siguen un patrón
autorregresivo de orden 1 [AR(1)] los MICO
son insesgados y consistentes, pero ya no son
eficientes.
• Los errores estándar no son los correctos y, en
consecuencia, se obtienen resultados
estadísticamente inválidos para la prueba de
hipótesis y los intervalos de confianza.
Mínimos Cuadrados Generalizados
• El estimador MCG es el MELI porque utiliza la
información de la existencia de correlación
serial.
• Correlograma
• Método Durbin-Watson
Detección de la autocorrelación
• Uso del correlograma, el cual es una gráfica
que dibuja series de correlación entre el
residuo actual y el residuo con diferentes
retrasos temporales.
• Lo primero es estimar el modelo usando
MICO.
• Luego determinar el correlograma
Detección de la autocorrelación
• En este caso la primera autocorrelación cae fuera de los
límites y, por lo tanto, es estadísticamente diferente de cero
con un nivel de significancia de un 5%.
0.50
Autocorrelations of ehat
0.00
-0.50
0 5 10 15
Lag
Bartlett's formula for MA(q) 95% confidence bands
Durbin-Watson
• El estadístico D-W (o d) se define:
tN
et et 1
2
d t 2
tN
t
e 2
t 1
et et 1
2
d t 2
e e 2 e e
2
t
2
t 1 t t 1
tN tN
e
t 1
2
t e
t 1
2
t
Asumiendo que :
e e
2
t
2
t 1
et et 1
d 2 1 2
2 1
et
1 1 0 d 4
Durbin-Watson
1
.5
Residuals
0
-.5
-1
0 10 20 30 40
time
Correlación entre et y et-1
• Haga series ehat_1= ehat(-1)
• Observe los datos de ehat y de ehat_1
• Calcule el coeficiente de correlación:
– Scalar r1 = @cor(ehat, ehat_1)
Errores estandar Newey-West
• Los errores estandar Newey-West (o HAC =
Heteroskedasticity-Autocorrelation
Consistent) son los adecuados cuando existe
correlación serial
• Para obtenerlos vaya a Options en la ventana
de estimación de ecuación y seleccione
Newey-West (estos son consistentes tanto
bajo heteroscedasticidad como bajo
autocorrelación)
Errores estandar Newey-West
• Dependent Variable: LOG(A)
• Method: Least Squares
• Date: 01/17/09 Time: 12:14
• Sample: 1 34
• Included observations: 34
• Newey-West HAC Standard Errors & Covariance (lag truncation=3)
•
•
• Variable Coefficient Std. Error t-Statistic Prob.
•
•
• C 3.893256 0.062444 62.34761 0.0000
• LOG(P) 0.776119 0.378207 2.052102 0.0484
•
•
• R-squared 0.196466 Mean dependent var 3.980680
• Adjusted R-squared 0.171355 S.D. dependent var 0.338123
• S.E. of regression 0.307793 Akaike info criterion 0.538245
• Sum squared resid 3.031571 Schwarz criterion 0.628031
• Log likelihood -7.150159 Hannan-Quinn criter. 0.568864
• F-statistic 7.824072 Durbin-Watson stat 1.168987
• Prob(F-statistic) 0.008653
•
•
•
Modelo con errores AR(1)
• Los componentes del modelo son:
ln At 1 2 ln Pt et
et et 1 t
Recuerde:
e2 v2 1 2
t 1 t
• Vaya a la ecuación estimada y luego haga:
View/Residual Tests/ Correlograma – Q statistics y
especifique un lag (e.g., 6)
• El resultado se presenta bajo la gráfica
Autocorrelation y bajo AC
• Corrija el modelo por AR(1) y vuelva a realizar el
correlograma…qué observa?
Prueba de Durbin-Watson
• Se reporta en la tabla de resultados de la
ecuación estimada
• Se debe verificar si existe autocorrelación
usando la regla presentada anteriormente
Prueba del multiplicador de Lagrange
• La prueba del multiplicador de Lagrange para un error
AR(1) determina la significancia de rho:
log At 1 2 log Pt eˆt 1 t
O bien,
eˆt 1 2 log Pt eˆt 1 t