TEMA 9: AUTOCORRELACIÓN

9.1 Naturaleza del problema

9.2 Causas y consecuencias
9.3 Formas de detectas el problema

Objetivos del Tema 9:

• Saber explicar en qué consiste la autocorrelación
• Propiedades de los estimadores bajo el problema de la autocorrelación
• Contrastes de autocorrelación
9.1 Naturaleza del problema

Es más probable que aparezca en los datos de series temporales.

Si se cumplen la no autocorrelación: E [u t u s ] = 0 ∀t ≠ s . La perturbación

correspondiente a una observación es independiente de la perturbación de cualquier otra
perturbación. Dicha hipótesis no suele ser muy realista.

Bajo la hipótesis de no autocorrelación (suponiendo homoscedasticidad), la matriz de

varianzas-covarianzas de las perturbaciones es:

σ 2 0 L 0 
 
0 σ2 L 0 
E (uu ′) =  = σ 2I
 M M O M 
 
 0 0 L σ 2 

Bajo la hipótesis de autocorrelación (suponiendo homoscedasticidad), la matriz de

varianzas-covarianzas de las perturbaciones es:

σ 2 ρ12 L ρ1T 
 
ρ σ2 L ρ 2 2T 
E (uu ′) =  21 = σ 2Ω
 M M O M 
 
 ρT 1 ρT 2 L σ 2 

9.2 Causas y consecuencias

Las causas de la presencia de autocorrelación en las perturbaciones de un modelo son:

1. La naturaleza de los datos. Los datos de serie temporal presentan inercia o

tendencia lo que puede determinar que las perturbaciones estén correlacionadas
entre sí.
2. Errores de especificación, bien porque se omiten variables explicativas
relevantes o bien se especifica una forma funcional incorrecta.
3. Desfases en los efectos de los regresores.
4. Manipulación de los datos. Por ejemplo datos trimestrales interpolados o por
medias, desestacionalización, alisados, etc.

Las consecuencias de la autocorrelación son:

1. Los estimadores de MCO seguirán siendo lineales e insesgados pero no óptimos.

2
 2. Los contrastes de hipótesis dejan de ser válidos puesto que se utiliza una
estimación de var(βˆ ) = σ 2 ( X ′X ) −1 que no es correcta (subestima las verdaderas
varianzas-covarianzas de los estimadores).

9.3 Formas de detectar el problema

Como una primera aproximación puede analizarse el gráfico de los residuos mínimo-
cuadráticos en función del tiempo. Si los residuos no están correlacionados no
presentarán ningún comportamiento sistemático.

El gráfico que se puede observar a continuación corresponde a los residuos

estandarizados en la estimación de la ecuación de consumo keynesiana (Uriel (1997),
pág. 109). Como puede observarse, no parece que los residuos sean aleatorios puesto
que únicamente cruza el eje de abscisas en pocas ocasiones puesto que presenta un
comportamiento muy sistemático.

Sin embargo, los residuos del modelo de consumo de Brown (Uriel (1997), pág. 142),
que incluye el consumo desfasado, no parece presentar un comportamiento sistemático
sino que parecen distribuirse de forma aleatoria.

3
Constraste de Durbin-Watson:

Este contraste plantea que las perturbaciones siguen un esquema autorregresivo de

orden 1, un AR(1):
ut = ρut −1 + ε t ρ <1 ε t → N (0, σ ε2 )

Las hipótesis nula de no autocorrelación (de orden 1) supone:

H0 : ρ = 0

El estadístico de Durbin-Watson es:

T
2
∑ (uˆt − uˆ t −1 )
d = t =2
T
2
∑ uˆ t
t =1

Puede demostrarse que d ≅ 2(1 − ρˆ ) . Por lo tanto, como ρ̂ está acotado entre -1 y +1, el
estadístico de DW estará acotado entre 0 y 4. El estadístico d, si la H0 es cierta, estará en
torno a 2. No obstante, la distribución del estadístico depende de T, de la matriz de
datos X y del número de regresores. Para k y T fijos, la distribución del estadístico
depende de los valores de X. Por tanto, no hay un valor crítico único que nos lleve a
aceptar o rechazar la hipótesis nula. Sin embargo, DW encontraron un límite inferior
(dL) y un límite superior (dU), que ya no dependen de la matriz de datos X, tales que si
el valor del estadístico d cae fuera de esos límites puede tomarse una decisión acerca se
si rechazar o no la H0.

4
Reglas de aplicación del contraste de DW:

Aspecto a tener en cuenta a la hora de aplicar el contraste de DW:

a) El modelo debe incluir constante
b) Las X´s son no estocásticas
c) ut sigue un proceso AR(1) estacionario:
ut = ρut −1 + ε t ρ <1 ε t → N (0, σ ε2 )
d) El modelo no debe incluir valores desfasados de la variable dependiente como
variable explicativa
e) No hay observaciones perdidas en los datos, y estos están equiespaciados.

Contraste de Wallis:

El estadístico d de Durbin-Watson (1951) sólo es válido para contrastar la existencia de

autocorrelación de orden 1, es decir, está derivado bajo el supuesto de que las
perturbaciones siguen un proceso AR(1) bajo la H1. Sin embargo, en ocasiones puede
interesar contrastar la existencia de autocorrelación de orden superior. Por ejemplo: con
datos trimestrales estaríamos interesados en contrastar la presencia de autocorrelación
de orden 4, que parece una hipótesis más natural con este tipo de datos.

Para el caso en el que las perturbaciones sigan un esquema de orden 1 estacional, un

SAR(1) bajo la H1:

u t = ρ 4 ut − 4 + ε t ρ4 < 1 ε t → N (0, σ ε2 )

H 0 : ρ4 = 0

El estadístico de Wallis es:

T
2
∑ (uˆt − uˆt − 4 )
d w = t =5
T
2
∑ uˆt
t =1

5
Este estadístico es análogo al estadístico de DW y fue tabulado por Wallis.

Contraste h de Durbin:

Si entre los regresores del modelo se encuentra la endógena desfasada:

Yt = β1 + β 2 X t + β 3Yt −1 + u t

el estadístico DW está sesgado hacia 2. En estos casos podemos utilizar el estadístico h

de Durbin para contrastar la existencia de autocorrelación de orden 1 en las
perturbaciones: ut = ρut −1 + ε t ρ <1 ε t → N (0, σ ε2 )

H0 : ρ = 0

El estadístico de h Durbin es:

T
h = ρˆ
1 − T vâr( β j )

el cual se distribuye asintóticamente como una N(0,1). ρ̂ es el coeficiente de

û uˆ
correlación entre t y t −1 .

Aspecto a tener en cuenta a la hora de aplicar el contraste de h de Durbin:

a) Si hay varios desfases de la endógena se coge la varianza del de menor desfase.

b) Si T vâr( βˆ j ) ≥ 1 no se puede calcular h. En estos casos Durbin propone una solución:
regresar los residuos frente a los regresores originales y los residuos desfasados un
periodo, si el coeficiente de los residuos desfasados no es significativo, entonces no hay
autocorrelación.

Ejemplos:
(Examen 6/2/2007)

Se ha estimado la siguiente función de consumo de la economía española con datos

trimestrales del periodo 1966-2005:
Cˆt = 1,36 + 0, 77 Rt + 0,10Wt
R 2 = 0,932 R 2 = 0,927 SCR = 5,525 d=0,952 dw=1,565

donde C es el consumo, R es la renta disponible, W es riqueza. Se pide:

a) Explique brevemente en qué consiste el problema de la autocorrelación en las

perturbaciones.
b) Contraste detalladamente si existe autocorrelación de orden uno.
c) Contraste detalladamente si existe autocorrelación de orden cuatro.

6
(Examen 4/7/2006)

Se ha estimado el siguiente modelo de demanda de vivienda con observaciones anuales

correspondientes al período 1970-2004:

∧
ln V t = −0, 39+ 0, 31ln Rt − 0 , 67 ln Pt + 0 , 70 ln Vt −1 ;
(0,15) (0,05) (0,02) (0,04)

R 2 = 0,99; DW = 0, 52

donde V es el gasto en vivienda, R es la renta disponible, P es el precio de la vivienda.

Entre paréntesis aparecen las desviaciones típicas. Además se dispone de la siguiente
información:

ln R2005 =10,2; ln P2005 =2,7; lnV2004 = 5,8

a) Contraste detalladamente la existencia de autocorrelación.

b) Obtenga el valor del predictor puntual del gasto en vivienda para el año 2005.
Obtenga el intervalo de predicción, sabiendo que la desviación típica del error de
predicción es 0,45.

Solución

a) u t = ρu t −1 + ε t

H0 : ρ = 0
H1 : ρ ≠ 0

T 35
h = ρˆ = 0,74 = 4,50
1 − T var̂( β i ) 1 − 35 * (0,04) 2

DW 0,52
ρˆ = 1 − = 1− = 0,74
2 2

El estadístico h de Durbin se distribuye asintóticamente como una N(0,1) por lo que el

valor del estadístico es mayor que 1,96 (el valor de la N(0,1) para un nivel de confianza
del 95%), luego se rechaza H0 y por tanto existe autocorrelación de orden uno.

b) ln Vˆ05 = 0,39 + 0,31 *10,2 − 0,67 * 2,7 + 0,7 * 5,8 = 5,023

( 0,025
Intervalo de predicción: 5,023 ± t 31 )
0,45 = (5,023 ± 2,042 * 0,45) = (4,104 5,942)