Documente Academic
Documente Profesional
Documente Cultură
AUTOCORRELACIN
Ramn Maha - Marzo 2010
Coefficient
Std. Error
t-Statistic
Prob.
C
FBCK
GTOHOGK
PIMPENER
-56823.91
-0.149782
1.265278
30.80776
2537.860 -22.39049
0.166913 -0.897365
0.100670 12.56854
3.582319 8.599948
0.0000
0.3722
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.983182
0.982566
1602.487
2.11E+08
-754.6015
0.290346
21327.70
12136.72
17.64190
17.75605
1597.883
0.000000
1/14
A la vista de esta falta de sintona evidente, cabe sospechar que estamos ante un
error de especificacin. Efectivamente, y aunque se ver con detalle ms adelante,
un simple vistazo al valor del DW indica una fuerte autocorrelacin positiva que,
seguramente, viene causada por una indebida especificacin en niveles.
Resulta muy probable que la ecuacin exhiba, as mismo, problemas de
multicolinealidad, heterocedasticidad u otros incumplimientos bsicos pero, por el
momento, nos concentraremos en utilizar este ejemplo con el fin de ilustrar el
problema de la autocorrelacin.
0
-2000
-4000
82
84
86
88
90
92
Residual
94
Actual
96
98
00
02
Fitted
2/14
4000
RESID(-1)
2000
-2000
-4000
-4000
-2000
2000
4000
RESID
1982
++++
1993
----
1983
+++1994
----
1984
-+-1995
++-+
1985
---1996
--++
1986
++++
1997
++++
1987
++++
1998
++++
1988
+++1999
++++
1989
+--2000
--+-
1990
---2001
++--
1991
---2002
--
El nmero de rachas de residuos de igual signo (nmero de veces que los residuos
cambian de signo ms uno) es 18.
En ausencia de autocorrelacin el nmero esperado de rachas es1:
1
N 1 R N (0,1)
2
En nuestro ejemplo, y dado que la muestra no puede considerarse grande, vamos a computar la media
y desviacin de forma ms precisa para evaluar si el nmero de rachas es compatible con la hiptesis
nula de Ausencia de Autocorrelacin.
3/14
ER
2 N1 N 2
1
N1 N 2
V R
2 N1 N 2 2 N1 N 2 N1 N 2
N1 N 2 2 N1 N 2 1
donde:
N1: Nmero de residuos positivos (44 en nuestro ejemplo)
N2: Nmero de residuos negativos (42 en nuestro ejemplo)
En nuestro ejemplo, por tanto, la esperanza y varianza esperadas en ausencia de
autocorrelacin sera:
ER
V R
2 N1 N 2
2 44 42
1
1 43,98
N1 N 2
44 42
2 N1 N 2 2 N1 N 2 N1 N 2
N1 N 2 N1 N 2 1
2
2 44 42 2 44 42 44 42
44 422 44 42 1
21,22
Aunque en las sesiones tericas de clase se han establecido los lmites inferior y superior del
estadstico DW en 0 y 4 respectivamente, debe observarse que, en realidad, estos lmites son slo
vlidos cuando se dispone de una muestra suficientemente grande. As, por ejemplo, si slo
dispusiramos de 5 datos, el lmite inferior se situara en 0.382 y el lmite superior en 3,62.
4/14
ui ui i
Ec. (1)
DW 2 (1 ) 1
DW
0,85
2
ui 4 ui 4 i
Para contrastar la hiptesis nula de ausencia de autocorrelacin estacional de orden
cuatro (H0: 4=0), Wallis propuso computar sobre los residuos MCO de la regresin
analizada la siguiente expresin alternativa al DW:
d4
e
t 5
et 4
t
N
e
t 1
2
t
165.906.627
0,78
210.573.044
Los lmites inferiores y superiores que corresponden al test de Wallis son, al 95% y
para K=4 y N=863, de d4i=1.48 y d4s=1.67 por lo que, nuevamente, podemos rechazar
la hiptesis nula de ausencia de autocorrelacin de orden 4 (es decir, existen tambin
indicios de autocorrelacin estacional).
En realidad los lmites utilizados aqu corresponden a N=84 dado que en la tabla consultada no
apareca el detalle para N=86.
5/14
Coefficient
Std. Error
t-Statistic
Prob.
C
ERROR(-1)
ERROR(-4)
FBCK
GTOHOGK
PIMPENER
-311.8908
0.778450
0.121140
-0.077377
0.040605
-3.637398
1376.993 -0.226501
0.086592 8.989872
0.095436 1.269338
0.094699 -0.817078
0.056615 0.717215
2.159248 -1.684567
0.8214
0.0000
0.2082
0.4164
0.4754
0.0962
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.731172
0.713486
843.0098
54010584
-665.6698
2.073267
Se han incluido estos dos retardos por haberse detectado autocorrelacin de orden 1 y 4 con el DW y
el test de Wallis; no obstante , una de las ventajas de este test es la de poder testar cualquier patrn
de autocorrelacin por lo que podran probarse estructuras diferentes . la autocorrelacin de orden
uno es, no obstante, tan acusada en este ejemplo, que cualquier modificacin de la ecuacin de
Bresch Godfrey lleva a los mismos resultados.
6/14
Existen varios contrastes muy utilizados para detectar la No Estacionariedad en varianza de las series.
Los ms sencillos y populares son los contrates DF y ADF (Dickey-Fuller y Augmented Dickey-Fuller), el
contraste PP (Phillips Perron), ambos incluidos desde hace tiempo en el software E-Views.
6
7/14
Coefficient
Std. Error
t-Statistic
Prob.
C
D(FBCK)
D(GTOHOGK)
D(PIMPENER)
291.8475
0.670183
-0.033462
1.173410
65.10598 4.482653
0.114304 5.863145
0.115973 -0.288528
2.967580 0.395410
0.0000
0.0000
0.7737
0.6936
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.324554
0.299538
453.1934
16636122
-638.4483
1.603458
434.3882
541.4910
15.11643
15.23138
12.97361
0.000001
Coefficient
Std. Error
t-Statistic
Prob.
C
@PCH(FBCK)
@PCH(GTOHOGK)
@PCH(PIMPENER)
0.016229
0.787737
-0.382166
-0.015416
0.003206 5.062309
0.125760 6.263833
0.352991 -1.082650
0.018807 -0.819696
0.0000
0.0000
0.2822
0.4148
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.340840
0.316427
0.022344
0.040440
204.5401
1.953758
La utilizacin de tasas interanuales tambin sera posible en este caso al tratarse de variables
trimestrales. Sin embargo, salvo que se compruebe la existencia de races unitarias (no
estacionariedad) estacionales, esta tasa no resolvera el problema de la no estacionariedad en la
componente regular (no estacional).
8/14
9/14
Coefficient
Std. Error
t-Statistic
Prob.
C
FBCK
GTOHOGK
PIMPENER
IMPK(-1)
5585.058
0.089965
-0.134891
-4.880665
1.082308
2395.831 2.331157
0.052576 1.711143
0.059548 -2.265243
1.705419 -2.861856
0.039181 27.62295
0.0223
0.0909
0.0262
0.0054
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.998390
0.998310
497.8493
19828313
-645.9085
1.434628
21493.54
12110.32
15.31549
15.45918
12406.11
0.000000
n
1 n 2 (b1 )
n
85
0.283
2.798
2
1 n (b1 )
1 85 (0.039181) 2
El valor de este estadstico se contrasta suponiendo una distribucin normal (0,1), as,
con un nivel de significacin del 5%, el valor a superar es 1,645. Si el estadstico
calculado supera este valor, debe rechazarse la hiptesis de autocorrelacin nula; en
nuestro caso, el valor 2.798 supera ampliamente el valor crtico por lo que,
evidentemente, la h de Durbin refleja la existencia de autocorrelacin por mucho
que el valor del DW haya mejorado artificialmente.
Una transformacin algo ms elegante, aunque inadecuada cuando el problema de
fondo es una incorrecta especificacin en niveles, es, tal y como se expuso en las
sesiones tericas, optar por utilizar la transformada en semi diferencias de las
variables originales, a partir del valor estimado del coeficiente de autocorrelacin, es
10/14
Coefficient
Std. Error
t-Statistic
Prob.
R(-1)
0.857483
0.057251
14.97773
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.727543
0.727543
823.3101
56938521
-690.7401
Hemos denominado a las variables corregidas con el nombre original terminado en una C
Debe observarse que hemos corregido todas las variables incluido el trmino independiente. En
realidad, la correccin para la variable del trmino independiente exige utilizar ahora un vector con el
valor de 1- en lugar del valor de 1 si queremos observar el trmino constante equivalente a la
ecuacin original. No obstante, esta transformacin para el trmino independiente no alterara los
resultados observados en el resto de la ecuacin.
9
11/14
Coefficient
Std. Error
t-Statistic
Prob.
0.15
FBCKC
GTOHOGKC
PIMPENERC
-39256.67
0.686680
0.717545
8.369428
3377.876
0.158123
0.100133
4.015530
-11.62170
4.342694
7.165918
2.084265
0.0000
0.0000
0.0000
0.0403
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.903794
0.900231
635.1966
32681457
-667.1456
1.529099
3593.261
2010.989
15.79166
15.90661
253.6474
0.000000
Y1* Y1 1 2
X *j1 X j1 1 2
En realidad, dado que el clculo directo y en una nica etapa del rho implica cierta
probabilidad de error, suele ser conveniente utilizar el procedimiento de clculo
iterativo de conocido como Cochrane Orcutt descrito en clase. Esto implicara
un proceso sucesivo de re-clculo de rho a partir de los nuevos resultados del DW
obtenidos en esta regresin, y una nueva transformacin de las variables
previamente transformadas Es decir, en nuestro ejemplo, el nuevo valor del
DW es ahora 1.53 lo que implica un valor del de 0.24; podra utilizarse ese nuevo
valor para transformar de nuevo las variables10 y reestimar nuevamente la
ecuacin.11
10
La segunda transformacin se distingue ahora por una doble C al final del nombre original. Para el
caso del trmino independiente, la transformacin equivale a realizar 0.15-0.24*0.15=0.114 (es decir,
en trminos genricos, 1+1 2- 1- 2)
11
Este procedimiento iterativo finaliza cuando entre dos estimaciones sucesivas de rho no existe una
diferencia significativa o bien cuando no existe un cambio notable en los parmetros de las exgenas
de la regresin.
12/14
Coefficient
Std. Error
t-Statistic
Prob.
0.114
FBCKCC
GTOHOGKCC
PIMPENERCC
-35097.07
0.821343
0.608853
4.489336
3820.809
0.150840
0.098655
4.133892
-9.185769
5.445132
6.171565
1.085983
0.0000
0.0000
0.0000
0.2807
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.850285
0.844671
612.2712
29990085
-656.1844
1.911498
2765.136
1553.521
15.71868
15.83443
151.4494
0.000000
Ahora, el valor del DW es 1.91, lo que se corresponde con un valor del de 0.05. En
todo caso, no realizaremos una nueva correccin; no merece la pena insistir en un
procedimiento de correccin que se ha ilustrado convenientemente con este
ejemplo.
Conviene observar, no obstante, las importantes alteraciones sufridas en el valor de
los coeficientes como resultado de haber transformado los datos originales. Este
cambio resulta particularmente incmodo en cuanto que los efectos tericos de de la
autocorrelacin no afectan al valor de los parmetros y, por tanto, su correccin no
debera generar valores tan diferentes respecto a los iniciales. El cambio, sin
embargo, resulta inevitable dado que hemos pasado desde un modelo original en
niveles a tratar de explicar las diferencias (o semideiferencias), es decir, el
movimiento de las series originales.
Tcnicamente, tal y como se vio en las clases tericas, las estimaciones de los
parmetros slo son estimaciones consistentes de las originales si, en primer lugar,
los regresores son estrictamente exgenos y, adems, si no existe covarianza entre la
perturbacin y la suma del valor actual y retardado de cada regresor.
13/14
Coefficient
Std. Error
t-Statistic
Prob.
C
FBCK
GTOHOGK
PIMPENER
-56823.91
-0.149782
1.265278
30.80776
4607.825 -12.33205
0.324371 -0.461762
0.194668 6.499658
5.283256 5.831207
0.0000
0.6455
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.983182
0.982566
1602.487
2.11E+08
-754.6015
0.290346
21327.70
12136.72
17.64190
17.75605
1597.883
0.000000
14/14