AUTOCORRELACIN

La autocorrelacin se puede definir como la correlacin entre miembros de series de observaciones

ordenadas en el tiempo (informacin de series de tiempo) o en el espacio (informacin de corte de
transversal). El modelo de regresin lineal supone que no debe existir autocorrelacin en los errores , es
decir, el trmino de perturbacin relacionado con una observacin cualquiera no debera estar
influenciado por el trmino de perturbacin relacionado con cualquier otra observacin.
para todo
Causas de la utocorrelacin
lgunas de las causas son las siguientes !
"raba#o con datos de serie temporal! cuando se traba#a con datos de corte longitudinal (p.e.! una
variable explicativa cu$as observaciones correspondan a valores obtenidos en instantes temporales
sucesivos), resulta bastante frecuente que el trmino de perturbacin en un instante dado siga una
tendencia marcada por los trminos de perturbacin asociados a instantes anteriores. Este %ec%o da
lugar a la aparicin de autocorrelacin en el modelo.
Especificacin errnea en la parte determinista del modelo (autocorrelacin espuria)!
&. 'misin de variables relevantes! en tal caso, las variables omitidas pasan a formar parte del trmino
de error $, por tanto, si %a$ correlacin entre distintas observaciones de las variables omitidas, tambin
la %abr( entre distintos valores de los trminos de perturbacin.
). Especificacin incorrecta de la forma funcional del modelo! si usamos un modelo inadecuado para
describir las observaciones (p.e.! un modelo lineal cuando en realidad se debera usar un modelo
cuadr(tico), notaremos que los residuos muestran comportamientos no aleatorios (i.e.! est(n
correlacionados).
"ransformaciones de los datos! determinadas transformaciones del modelo original podran causar la
aparicin de autocorrelacin en el trmino de perturbacin del modelo transformado (incluso cuando el
modelo original no presentase problemas de autocorrelacin).
"raba#o con modelos din(micos! cuando se traba#a con series temporales suele ser %abitual considerar
modelos de regresin que inclu$an no slo los valores actuales sino tambin los valores retardados
(pasados) de las variables explicativas. Es el caso de un modelo de retardos distribuidos de orden s o
*+(s)!
'tro tipo de modelo din(mico que presentara problemas de autocorrelacin sera aquel que inclu$ese
entre sus variables explicativas uno o m(s valores retardados de la variable dependiente. Este otro tipo
de modelo din(mico se conoce como modelo autorregresivo de orden s o *(s)!
'tra causa com,n de la autocorrelacin es la existencia de tendencias $ ciclos en los datos. Es decir, la
ma$ora de las variables econmicas no son estacionarias en media. Esto significa que si la variable
endgena del modelo tiene una tendencia creciente o presenta un comportamiento cclico que no es
explicado por las exgenas, el trmino de error recoger( ese ciclo o tendencia.
Consecuencias de la utocorrelacin!
La consecuencia m(s grave de la autocorrelacin de las perturbaciones es que la estimacin -C' de#a
de ser eficiente $ la inferencia estadstica tambin se ver( afectada. Las consecuencias dependen del
tipo de autocorrelacin (positiva o negativa)!
&. Cuando se tiene autocorrelacin positiva, la matri. de varian.a $ covarian.a de los residuos esta
subestimada, si el tipo de autocorrelacin es negativa, se tiene una sobrestimacin de la misma.
). Cuando se tiene autocorrelacin positiva, la matri. de varian.a $ covarian.a de los coeficientes
(betas) esta subestimada, si el tipo de autocorrelacin es negativa, se tiene una sobrestimacin de la
misma.
/. Cuando se tiene autocorrelacin positiva, los intervalos de confian.a son angostos, si el tipo de
autocorrelacin es negativa, se tienen intervalos de confian.a m(s amplios.
0. Cuando se tiene autocorrelacin positiva, se tiende a cometer error tipo 1 (rec%a.ar la %iptesis nula
cuando es verdadera), si el tipo de autocorrelacin es negativa, se tiende a cometer error tipo 11 (no
rec%a.ar la %iptesis nula cuando es falsa).
2. Los son lineales, insesgados, pero ineficientes (no tienen varian.a mnima).
3. Las pruebas $ pierden valide..
+eteccin de la utocorrelacin!
4ara anali.ar la posible presencia de autocorrelacin en el modelo se suele recurrir a dos tcnicas
complementarias! (&) el an(lisis gr(fico de los residuos (obtenidos al reali.ar la regresin por -C'), $
()) los contrastes de %iptesis especficos (test de +urbin56atson, test % de +urbin, test de 7reusc%5
8odfre$, test 9 de 7ox54ierce, etc.).
n(lisis 8r(fico!
l reali.ar la regresin por -C', se pueden graficar los residuos (o, alternativamente, los residuos
estandari.ados, es simplemente dividir por el error estandar de la estimacin ) frente al tiempo. +ado
que los residuos -C' son estimadores consistentes de los trminos de perturbacin, si se aprecian en
el gr(fico anterior patrones de comportamiento sistem(tico (no aleatorio) podremos afirmar que los
trminos de perturbacin presentan alg,n tipo de autocorrelacin.
Contrastes!
"est de +urbin56atson
Es la prueba mas conocida para detectar correlacin serial: permite contrastar si el trmino de
perturbacin est( autocorrelacionado. +ic%a prueba presenta algunos supuestos!
Es v(lido para autocorrelacin serial de &; orden en los residuos, no aplica para modelos con variable
dependiente re.agada como variable explicativa, las variables explicativas son no estoc(sticas (son fi#as
en muestreo repetido), el modelo de regresin lineal debe incluir el intercepto, $ no %a$ observaciones
faltantes en los datos.
<na ve. %allado +6, es posible usar su valor para estimar el coeficiente de autocorrelacin simple
mediante la expresin!
El estadstico +6 es un valor comprendido entre = $ 0. Como se observa en el siguiente gr(fico, para
valores de +6 cercanos a ) no rec%a.aremos la %iptesis nula, por el contrario, para valores de +6
ale#ados de ), s rec%a.aremos la %iptesis nula
"abla de decisin!
, se rec%a.a , existe autocorrelacin positiva.
, se rec%a.a , existe autocorrelacin negativa.
, no se rec%a.a , no existe autocorrelacin.
o , el contraste no es conclu$ente.
Los pasos a seguir de este contraste son!
&. Estimacin por mnimos cuadrados ordinarios (-C') del modelo de regresin.
). C(lculo de los residuos -C'.
/. 'btencin del estadstico d (experimental) de +urbin56atson.
0. 7,squeda de los niveles crticos del contraste.
2. plicacin de la regla de decisin.
<n inconveniente que presenta este contraste es que a veces puede no ser conclu$ente, por lo que %a$
que considerar, utili.ando otros criterios, si existe o no autocorrelacin.
E#emplo en >tata!
>e traba#ara con la base de datos 4?1LL14>.+", la cual contiene las siguientes variables!
, indica el a@o.
, es la tasa de inflacin.
, es la tasa de desempleo.
Con el fin de reali.ar estimaciones de series de tiempo en >tata, es importante escribir el siguiente
comando!
tsset $ear
+onde es la variable que contiene los a@os.
utom(ticamente el sistema reconoce la serie de tiempo, $ muestra!
time variable! $ear, &A0B to &AA3
>alida en >tata! reg inf unem
>ource C >> df -> Dumber of obs E 0A
5555555555555F555555555555555555555555555555 G( &, 0H) E ).3)
-odel C )2.3/3A2H2 & )2.3/3A2H2 4rob I G E =.&&)2
*esidual C 03=.3&AHA 0H A.B==0)&=H *5squared E =.=2)H
5555555555555F555555555555555555555555555555 d# *5squared E =.=/)3
"otal C 0B3.)23H0B 0B &=.&/=/0BA *oot ->E E /.&/=3
555555555555555555555555555555555555555555555555555555555555555555555555555555
inf C Coef. >td. Err. t 4ICtC JA2K Conf. 1ntervalL
5555555555555F5555555555555555555555555555555555555555555555555555555555555555
unem C .03H3)2H .)BA&)3) &.3) =.&&) 5.&&0=)&/ &.=0A)H/
Mcons C &.0)/3& &.H&A=&2 =.B/ =.0&) 5).=/03=) 0.BB&B))
555555555555555555555555555555555555555555555555555555555555555555555555555555
<na ve. estimada la regresin, se procede a e#ecutar el siguiente comando con el cual se obtiene el
estadstico +urbin56atson!
estat dNatson o dNstat
+urbin56atson d5statistic( ), 0A) E .B=)H==2
>i se quiere estimar el +urbin56atson por las ventanas en >tata A, la ruta a seguir es!
>tatisticsOtime5seriesOtestsOtime series epecification tests after regress
utom(ticamente se despliega el siguiente recuadro, en donde se muestra la opcin a seleccionar, $ le
damos 'P.
La ruta a seguir en >tata B.) es!
>tatisticsOtime5seriesOtestsO+urbin56atson d statistics after regress
utom(ticamente se despliega el siguiente recuadro, en donde se muestra la opcin a seleccionar, $ le
damos 'P.
"eniendo en cuenta que +6 es =.B=)H, gr(ficamente se tiene!
4or tanto se rec%a.a la %iptesis nula, %a$ autocorrelacin.
4rueba de 7reusc% Q 8odfre$ (78) sobre autocorrelacin de orden superior
Este estadstico es mu$ sencillo de calcular $ resuelve los problemas del contraste de +urbin56atson:
por e#emplo, los regresores incluidos en el modelo pueden contener valores re.agados de la variable
dependiente, es decir, , etc. 4ueden aparecer como variables explicativas.
>upngase que el termino de perturbacin es generado por el siguiente esquema autorregresivo de
orden !
+onde es un trmino de perturbacin puramente aleatorio con media cero $ varian.a constante.
+ado el modelo anterior, la %iptesis ser(!
Do %a$ autocorrelacin de ning,n orden.
+ic%a %iptesis puede ser probada de la siguiente manera!
&. Estimacin por -C' del modelo de regresin $ obtencin de los residuos -C'
.
). Estimacin de una regresin auxiliar de los residuos sobre p retardos de los
mismos, .
/. 'btencin del coeficiente de determinacin ( ) de la regresin auxiliar ( ).
0. >i el tama@o de la muestra es grande, 7reusc% $ 8olfre$ %an demostrado que!
se distribu$e con con g.l.
2. >i el valor calculado excede el valor critico de al nivel de significancia seleccionado, se puede
rec%a.ar la %iptesis nula, en cu$o caso, por lo menos un es significativamente diferente de cero (se
admite que %a$ autocorrelacin), en caso contrario no %abra autocorrelacin.
E#emplo en >tata!
El comando a e#ecutar es!
estat bgodfre$ o bgodfre$
7reusc%58odfre$ L- test for autocorrelation
555555555555555555555555555555555555555555555555555555555555555555555555555
lags(p) C c%i) df 4rob I c%i)
5555555555555F5555555555555555555555555555555555555555555555555555555555555
& C &B.0H) & =.====
555555555555555555555555555555555555555555555555555555555555555555555555555
?=! no serial correlation
+e acuerdo a la salida anterior, se puede observar que el p5valor asociado al es =.===, lo cual confirma
la presencia de autocorrelacin.
>i se quiere estimar la prueba 7reusc% Q 8odfre$ por las ventanas en >tata A, la ruta a seguir es!
>tatisticsOtime5seriesOtestsOtime series epecification tests after regress
utom(ticamente se despliega el siguiente recuadro, en donde se muestra la opcin a seleccionar, $ le
damos 'P.
La ruta a seguir en >tata B.) es!
>tatisticsOtime5seriesOtestsO7reusc%58odfre$ L- test for autocorrelation
utom(ticamente se despliega el siguiente recuadro, en donde se muestra la opcin a seleccionar, $ le
damos 'P.
Como solucionar la autocorrelacin
Cuando es conocido!
&. se tiene!
(a)
(b)
). -ultiplico (b) por , $ se tiene!
(c)
0. >e resta (a)5(c)!
2.
(d)
+onde
3. Estimo (d) por -C'.
Cuando desconocida!
>e utili.a en algoritmo de Coc%rane 'rcutt! Considrese el siguiente modelo!
(e)
R supngase que , es generado por el esquema *(&)!
Coc%rane 'rcutt recomienda reali.ar los siguientes pasos!
&. Estimar (e) por -C' $ se obtener .
). <tili.ando los residuos estimados , reali.o las siguiente regresin!
(f)
/. <tili.ando obtenido en la regresin anterior, efect,ese la ecuacin en diferencia planteada en (d) por
-C'.
0. 'btengo los $ los sustitu$o en (a).
2. >e estima nuevamente!
: donde es la estimacin de de (f).
3. >e contin,an %aciendo estimaciones, $ se suspenden las iteraciones cuando las estimaciones
consecutivas de difieren en una cantidad mu$ peque@a, es decir, en menos de =.=& o =.=2.
E#emplo en >tata!
4ara e#ecutar el algoritmo de Coc%rane 'rcutt en >tat por comando, se escribe!
prais inf unem, corc
1teration =! r%o E =.====
1teration &! r%o E =.2H)H
1teration )! r%o E =.H&3=
1teration /! r%o E =.H3&&
1teration 0! r%o E =.HH&2
1teration 2! r%o E =.HH/2
1teration 3! r%o E =.HH0=
1teration H! r%o E =.HH0=
1teration B! r%o E =.HH0=
1teration A! r%o E =.HH0&
1teration &=! r%o E =.HH0&
Coc%rane5'rcutt *(&) regression 55 iterated estimates
>ource C >> df -> Dumber of obs E 0B
5555555555555F555555555555555555555555555555 G( &, 03) E 0.//
-odel C )).0HA=3B2 & )).0HA=3B2 4rob I G E =.=0/=
*esidual C )/B.3=0==B 03 2.&BH=0/32 *5squared E =.=B3&
5555555555555F555555555555555555555555555555 d# *5squared E =.=33)
"otal C )3&.=B/=H3 0H 2.220A2A=H *oot ->E E ).)HH2
555555555555555555555555555555555555555555555555555555555555555555555555555555
inf C Coef. >td. Err. t 4ICtC JA2K Conf. 1ntervalL
5555555555555F5555555555555555555555555555555555555555555555555555555555555555
unem C 5.332//23 ./&A3=/2 5).=B =.=0/ 5&./=B330 5.=))==H&
Mcons C H.2B/02B )./B=2/ /.&A =.==/ ).HA&H &)./H2))
5555555555555F5555555555555555555555555555555555555555555555555555555555555555
r%o C .HH0=2&)
555555555555555555555555555555555555555555555555555555555555555555555555555555
+urbin56atson statistic (original) =.B=)H==
+urbin56atson statistic (transformed) &.2A/3/0
En la salida anterior, se puede observar el numero de iteraciones que reali. el algoritmo (en este caso
fueron &=), la regresin transformada, $ el +6 del modelo original $ el +6 del modelo corregido. >e
puede concluir, con el nuevo +6E&.2A, que $a no existe autocorrelacin, pues dic%o valor se encuentra
mu$ cerca de ).
8r(ficamente se tiene!
>i se quiere e#ecutar el algoritmo por las ventanas en >tata, la ruta a seguir es!
>tatisticsOtime5seriesOtestsOprais5Ninsten regression
utom(ticamente se despliega el siguiente recuadro, en donde se selecciona la variable dependiente $
las independientes, seleccionamos Corc%rane5'rcutt transformation, $ le damos 'P.