EJEMPLO DE DIAGNSTICO Y TRATAMIENTO DE LA

AUTOCORRELACIN
Ramn Maha - Marzo 2010

I.- REGRESIN INICIAL UTILIZADA COMO EJEMPLO

La siguiente regresin muestra una ecuacin en la que tratamos de explicar el valor
real de las importaciones trimestrales (IMPK) en funcin de tres explicativas: el valor
real de la formacin bruta de capital fijo (FBCK), el valor real del consumo privado de
los hogares (GTOHOGK) y los precios de importacin de productos energticos
(PIMPENER).

I.A.- Breve comentario sobre el resultado de la Estimacin

Dependent Variable: IMPK
Method: Least Squares
Simple: 1981:1 2002:2
Included observations: 86
Variable

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

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

21327.70
12136.72
17.64190
17.75605
1597.883
0.000000

La ecuacin presenta signos incorrectos en los parmetros estimados de FBCK

y PIMPENER. Para el caso de la inversin, la relacin entre inversin e
importaciones debera ser positiva; para el caso de los precios de importacin
energticos, la relacin ms razonable parecera ser inversa (negativa).

Los contrastes individuales son significativos para todos los coeficientes a

excepcin de FBCK cuyo p-value es inadmisiblemente elevado: slo puede
rechazarse la hiptesis de nulidad del parmetro real con un (1-0,37)=0,63%
de nivel de confianza.

Pese a la incorreccin de dos de los signos y un bajo contraste de significacin

para FBCK, la R2 es muy elevada.

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.

II.- DETECCIN DE LA AUTOCORRELACIN

II.A.- Aproximacin Grfica
El anlisis grfico del residuo de la estimacin indica un claro patrn de
autocorrelacin positiva (patrn sinusoidal o de ondas); pese a que la evolucin de
la endgena real y la estimada parece muy similar, lo cierto es que el componente
auto - regresivo del error es muy claro.
50000
40000
30000
20000
4000
10000
2000

0
-2000
-4000
82

84

86

88

90

92

Residual

94

Actual

96

98

00

02

Fitted

De igual modo puede apreciarse el elevado grado de autocorrelacin realizando un

grfico X/Y (Scat en Eviews) para los pares de puntos representados por cada residuo
y el residuo del perodo previo. La nube de puntos se distribuye con claridad
alrededor de una hipottica recta de regresin con elevada pendiente lo que,
lgicamente, revela una innegable relacin entre cada error y el error estimado del
perodo previo. (Si la serie de residuos contienen los errores a analizar, puede usarse
en Eviews el comando SCAT RESID RESID(-1)).

2/14

4000

RESID(-1)

2000

-2000

-4000
-4000

-2000

2000

4000

RESID

II.B.- Mtodos numricos:

II.B.1.- Test de Rachas
Observando los residuos de la regresin podemos localizar rachas de residuos de
igual signo. Una elevada presencia de residuos contiguos de igual signo evidencia una
cierta norma sistemtica que habitualmente indica autocorrelacin positiva
(++++++++------+++++++------.) . De modo anlogo, un cambio sistemtico de signos
(+-+-+-+-+-+-+-.) podra indicar autocorrelacin negativa.
En nuestro ejemplo, los signos de los residuos son los siguientes (presentados por
aos para simplificar su observacin):
1981
++++
1992
----

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:

En presencia de muestras grandes, puede utilizarse directamente una distribucin normal

estandarizada N(0,1) para la expresin:

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

con una varianza de:

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

Partiendo de esa media y esa varianza y asumiendo normalidad, el intervalo de

confianza al 95% para las rachas en ausencia de autocorrelacin sera:

PER 1.96 DT R R ER 1.96 DT R 95%

P43,98 1.96 4,61 R 43,98 1.96 4,61 95%
P34,95 R 53,01 95%
El nmero de rachas obtenido en nuestro caso (18) es claramente inferior al valor
mnimo del intervalo (35) de modo que podemos rechazar la hiptesis nula de NO
autocorrelacin al 95%.

II.B.2.- Durbin Watson

El valor del DW es extremadamente bajo (0,29) lo que, dados los lmites inferior y
superior de la distribucin DW (1,575 y de 1,721 respectivamente al 5% para K=4 y
n=85),
confirman la presencia de una fuerte autocorrelacin positiva2.
Efectivamente, la zona de ausencia de autocorrelacin viene delimitada por ds=1.72 y
2

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

4-ds=2.28, lejos de nuestro valor (0.28) que, claramente, se encuentra en la

zona de autocorrelacin positiva delimitada por 0 - di (0 1.57). De hecho, el valor
del coeficiente asociado a este valor del Durbin Watson, que correspondera a un
hipottico proceso autorregresivo de orden uno subyacente en el residuo, resulta ser
de 0,85, esto es, muy indicativo de autocorrelacin positiva:

ui ui i

Ec. (1)

DW 2 (1 ) 1

DW
0,85
2

II.B.2 (Bis).- Test de Wallis

Dada la naturaleza trimestral de los datos, cabe preguntarse si existe o no
autocorrelacin de orden cuatro, es decir:

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

En nuestro caso, este clculo resulta ser:

d4

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).

II.B.3.- Regresin residual y test Breusch Godfrey

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

La regresin residual permite observar consistentemente el valor de los coeficientes

de autocorrelacin para los residuos previamente estimados con MCO. La inclusin
de las variables exgenas, controla a dems la existencia de Regresores estocsticos
relacionados con la perturbacin que pudieran alterar el resultado del test de
autocorrelacin. Adems de atender al valor de los coeficientes de autocorrelacin,
puede utilizarse en esta regresin el test LM conocido como prueba general de
autocorrelacin de Breusch Godfrey.
Para todo ello, estimamos una ecuacin para los residuos MCO de la regresin inicial
en funcin de los retardos requeridos (segn los esquemas tericos de
autocorrelacin a analizar) y las exgenas originales.
En nuestro caso, vamos a incluir el retardo de orden 1 y 4 para el residuo 4 adems de
las exgenas, obteniendo como resultado de la estimacin:
Dependent Variable: ERROR
Method: Least Squares
Sample(adjusted): 1982:1 2002:2
Included observations: 82 after adjusting endpoints
Variable

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

Mean dependent var -73.66262

S.D. dependent var
1574.925
Akaike info criterion
16.38219
Schwarz criterion
16.55829
F-statistic
41.34181
Prob(F-statistic)
0.000000

En primer lugar, puede observarse que el test t permite rechazar la hiptesis de

nulidad del coeficiente 1. Sin embargo, la autocorrelacin estacional de orden 4, una
vez controlada la de orden 1, no resulta estadsticamente distinta de cero al menos
con un nivel de confianza superior al 80% (p-value=0.2082). El test de Wallis
elaborado peviamente sugera, sin embargo, autocorrelacin de orden 4; esta
regresin permite pensar que esa autocorrelacin no es tan evidente y que, aunque
existe, es parcialmente inducida por la existencia de una autocorrelacin de orden
1.
4

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

Adems de observar el contraste t, podemos calcular el test Breusch-Godfrey a

partir del test LM (Lagrange Multiplier) apoyado en el valor de la R2 de esta regresin
residual. Bajo la hiptesis nula, el test del LM, que puede calcularse como (N-q) x R2
(siendo q el nmero de retardos del residuos incluidos en la regresin auxiliar) se
distribuye como una q2. En nuestro ejemplo:

( N p) R 2 (86 2) 0,73 61,32

El valor obtenido es claramente superior al valor crtico de tablas (5,99 al 95% para 2
grados de libertad) lo que obliga al rechazo de la nula y evidencia de nuevo la
presencia de autocorrelacin.

III.- CORRECCIN DE LA AUTOCORRELACIN

Si admitimos como vlida la hiptesis de la falta de estacionariedad de las variables
implicadas en la regresin, parece evidente que no podremos utilizar estas variables
niveles y, por tanto, cualquier esfuerzo de camuflar la autocorrelacin con la
utilizacin de Mnimos Cuadrados Generalizados o transformaciones a partir del
parmetro estimado sera cuestionable.

III.A.- Adaptando la especificacin a la naturaleza de los datos

En el caso en que se comprobase, como sucede en nuestro ejemplo, y con la
adecuada utilizacin de contrastes de No Estacionariedad5, la existencia de variables
integradas, convendra utilizar diferencias de las variables originales o bien tasas de
crecimiento, estimando entonces de nuevo la ecuacin.
Puede comprobarse como, en ambos casos, los resultados en trminos de
significatividad son decepcionantes. Este resultado tiene su lgica ya que, como
seala Gujarati6 al tomar las primeras diferencias estamos estudiando esencialmente
el comportamiento de variables alrededor de sus valores de tendencia (lineal) un
movimiento siempre ms complejo que el de la mera progresin tendencial:

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

Econometra. (4 Edicin). Mc-Graw-Hill.

7/14

Regresin con variables en diferencias

Dependent Variable: D(IMPK)
Method: Least Squares
Sample(adjusted): 1981:2 2002:2
Included observations: 85 after adjusting endpoints
Variable

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

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

434.3882
541.4910
15.11643
15.23138
12.97361
0.000001

Regresin con variables en tasas intertrimestrales7

Dependent Variable: @PCH(IMPK)
Method: Least Squares
Sample(adjusted): 1981:2 2002:2
Included observations: 85 after adjusting endpoints
Variable

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

Mean dependent var 0.021866

S.D. dependent var
0.027025
Akaike info criterion -4.718590
Schwarz criterion
-4.603641
F-statistic
13.96121
Prob(F-statistic)
0.000000

Dicho de otro modo, el satisfactorio resultado obtenido en la estimacin preliminar

era ficticio y originado, ms que probablemente, por la utilizacin de variables no
estacionarias: cuando se elimina la tendencia estocstica de estas variables, la
relacin de causalidad se diluye.
7

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

III.B.- Camuflando la autocorrelacin

En el caso concreto ilustrado por nuestro ejemplo, la nica solucin al problema de la
autocorrelacin consiste en la mejora de la especificacin; no obstante, una vez que
renunciamos a una correccin genuina, o una vez agotados todos los recursos para
ajustar la especificacin del modelo, siempre cabe la alternativa de corregir los
sntomas evitando en parte los efectos indeseables de una inadecuada estimacin
MCO en un contexto en que esta estrategia no es vlida.
La estrategia para eliminar los efectos en la estimacin de un modelo de
autocorrelacin consiste, evidentemente, en la utilizacin de Mnimos Cuadrado
Generalizados considerando para ello la matriz de varianzas y covarianzas que
corresponde al patrn de autocorrelacin detectado. En caso de verificarse la
existencia de un proceso AR(1) en los residuos, la forma de la matriz de
autocorrelacin es bien conocida pero si no pudisemos verificar que el proceso de
autocorrelacin sigue ese modelo AR(1) deberamos considerar estimaciones
alternativas de sigma. Como ya se dijo en el contexto de la heterocedasticidad, el
riesgo de la transformacin o de la utilizacin de MCG radica, evidentemente, en la
verosimilitud del modelo de autocorrelacin supuesto; si el modelo de
autocorrelacin resulta desconocido o complejo, los eventuales beneficios de
eficiencia derivados de la utilizacin de un procedimiento de MCG o MCO sobre
variables corregidas podran ser menores de los previstos en cuanto que estarn
condicionados a la decisin sobre el patrn de autocorrelacin considerado.
Quiz la forma ms burda de hacer una correccin factible sea simplemente
camuflar el mal dato del DW aadiendo la endgena retardada en la regresin; como
puede imaginarse, esta tctica, ni siquiera trata de adaptar la ineficiente herramienta
de estimacin MCO al problema de la autocorrelacin sino, directamente,
distorsionar el modelo de forma que el DW no refleje la verdadera dimensin de la
autocorrelacin.

9/14

Dependent Variable: IMPK

Method: Least Squares
Sample(adjusted): 1981:2 2002:2
Included observations: 85 after adjusting endpoints
Variable

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

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

21493.54
12110.32
15.31549
15.45918
12406.11
0.000000

Efectivamente, aunque el valor del nuevo DW parece ahora aceptable, debe

recordarse que, en realidad, en presencia de autocorrelacin, se propone utilizar el
estadstico h de Durbin en lugar del estadstico DW original.

n
1 n 2 (b1 )

donde: 2(b1) es la desviacin tpica estimada para el parmetro de la endgena

retardada. Es decir, en nuestro caso, el DW obtenido en la regresin que incluye la
variable endgena retardada es 1.434, es decir, se corresponde con una estimacin
aproximada del coeficiente autorregresivo de 0.283. As pues, el valor de la h de
Durbin es:
h

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

decir, la denominada MCG Factibles (MCGF) o Mnimos Cuadrados Generalizados

Estimados (MCGE):
y t* yt y t 1
x *jt x jt x jt 1

Partiendo de la serie de residuos obtenida en la estimacin analizada, puede

realizarse fcilmente en E-Views la estimacin minimocuadrtica del coeficiente
anterior cuyo resultado se muestra a continuacin y en donde se observa un valor
muy parecido al estimado directamente a partir del estadstico Durbin Watson. Este
parecido entre el valor de derivado del estadstico DW o el obtenido a partir de una
estimacin MCO directa del mismo se garantiza siempre en presencia de muestras
grandes.
Dependent Variable: R
Method: Least Squares
Sample(adjusted): 1981:2 2002:2
Included observations: 85 after adjusting endpoints
Variable

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

Mean dependent var -14.75610

S.D. dependent var
1577.299
Akaike info criterion
16.27624
Schwarz criterion
16.30497
Durbin-Watson stat
2.120850

Expresando las variables en semi diferencias8 obtenemos la estimacin de

MCGF9:

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

Dependent Variable: IMPKC

Method: Least Squares
Sample(adjusted): 1981:2 2002:2
Included observations: 85 after adjusting endpoints
Variable

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

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

3593.261
2010.989
15.79166
15.90661
253.6474
0.000000

Como puede observarse, hemos perdido una observacin al realizar la regresin de

MCGF. Con el fin de no perder esta primera observacin, aspecto especialmente
relevante en muestras pequeas, puede optarse por utilizar la denominada
transformacin de Prais Winsten que permite mantener la primera observacin de
la variable endgena y exgenas considerando para su clculo:

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

Method: Least Squares

Sample(adjusted): 1981:3 2002:2
Included observations: 84 after adjusting endpoints
Variable

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

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

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.

III.C.- Estimando varianzas paramtricas consistentes con la

autocorrelacin
Con el fin de concentrar la correccin exclusivamente en la varianza (y no en el valor
de los parmetros) existe, para finalizar, una propuesta de correccin similar a la
estimacin automtica corregida de heterocedasticidad de White, pero ideada para
el contexto en el que exista un problema de autocorrelacin. Esta correccin, se
denomina Estimacin de Newey West y produce resultados adecuados para
muestras grandes. La mayor parte de los programas informticos incorporan esta
correccin automtica bajo la denominacin Estimador Newey Wets o bien
estimacin con errores estndar CHA (consistentes con la heterocedasticidad y la
autocorrelacin).

13/14

Como puede observarse, la estimacin de Newey West realizada en E-Views

conserva el valor original de los parmetros pero altera la estimacin de las varianzas,
un nuevo clculo de las varianzas consistente con el verdadero valor en presencia de
autocorrelacin.
Dependent Variable: IMPK
Method: Least Squares
Date: 04/14/09 Time: 12:10
Sample: 1981:1 2002:2
Included observations: 86
Newey-West HAC Standard Errors & Covariance (lag truncation=3)
Variable

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

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

21327.70
12136.72
17.64190
17.75605
1597.883
0.000000

Comparando los valores de las desviaciones tpicas de los parmetros de esta

ecuacin con los de la ecuacin original, puede observarse que la estimacin de
White indica una subestimacin de la varianza de los parmetros en la ecuacin
original del orden de la mitad del clculo corregido.

14/14