AUTOCORRELACIÓN: ¿QUÉ PASA SI LOS

TÉRMINOS DE ERROR SE CORRELACIONAN? 
 
CUANDO SE TRABAJA CON DATOS DE SERIES
DE TIEMPO, LAS OBS SIGUEN UN
ORDENAMIENTO NATURAL RESPECTO DEL
TIEMPO, DE MODO QUE ES MUY POSIBLE
QUE LAS OBS SUCESIVAS MUESTREN
INTERCORRELACIONES, SOBRE TODO SI EL
INTERVALO ENTRE OBSERVACIONES
SUCESIVAS ES MUY CORTO, COMO UN DÍA,
UNA SEMANA O UN MES, EN LUGAR DE UN
AÑO.  
 
SI OBSERVA ÍNDICES BURSÁTILES, COMO EL
DOW JONES O EL S&P 500 EN DÍAS
SUCESIVOS, NO ES RARO QUE DESCUBRA
QUE DICHOS ÍNDICES AUMENTAN
O DISMINUYEN  DURANTE VARIOS DÍAS
SUCESIVOS. OBVIO, EN ESTA CLASE DE
SITUACIONES SE VIOLA EL SUPUESTO
DEL MCRL EN CUANTO A QUE NO
EXISTE AUTOCORRELACIÓN (AC) O CORRELA
CIÓN SERIAL EN LOS TÉRMINOS DE ERROR. 
 
EN ESTA SECCIÓN DEL
CURSO SE NOTAN SIMILITUDES EN MUCHOS
ASPECTOS
CON HETEROCEDASTICIDAD, HC, PUES, EN
PRESENCIA TANTO DE AC COMO DE HC, LOS
ESTIMADORES DE  MCO USUALES, A PESAR
DE SER LINEALES, INSESGADOS Y TENER
DISTRIBUCIÓN ASINTÓTICA+ NORMAL (ES
DECIR, EN MUESTRAS GRANDES),  DEJAN DE
TENER VARIANZA MÍNIMA ENTRE TODOS
LOS ESTIMADORES LINEALES INSESGADOS.  
 
EN RESUMEN, NO SON EFICIENTES EN
RELACIÓN CON LOS DEMÁS ESTIMADORES
LINEALES E INSESGADOS. DICHO DE OTRO
MODO, ES POSIBLE QUE NO SEAN LOS
MEJORES ESTIMADORES LINEALES
INSESGADOS (MELI), POR LO TANTO, LAS
PRUEBAS USUALES t, F  y χ2 PUEDEN NO SER
VÁLIDAS. 
 
¿CUÁL ES LA NATURALEZA DEL PROBLEMA? 
 
AC SE DEFINE COMO LA “CORRELACIÓN
ENTRE MIEMBROS DE SERIES DE OBS
ORDENADAS EN EL TIEMPO [COMO EN
DATOS DE SERIES DE TIEMPO (SDT)] O EN EL
ESPACIO [COMO EN DATOS DE CORTE
TRANSVERSAL]”. EN EL CONTEXTO DE
REGRESIÓN, EL MCRL SUPONE QUE NO
EXISTE TAL AC EN LAS ui. SIMBÓLICA+, 
 
Cov (ui,uj|xi,xj) = E (ui  uj) = 0      i≠j   
 
ES DECIR, EL MCRL SUPONE QUE
EL (ui), RELACIONADO CON UNA OB 
CUALQUIERA NO ES INFLUÍDO POR
EL (uj) RELACIONADO CON CUALQUIER OTRA
OB.  
 
POR EJEMPLO, SI TRATAMOS CON
INFO TRIMESTRAL DE SDT, QUE IMPLICA
UNA REGRESIÓN DE LA PRODUCCIÓN SOBRE
LOS INSUMOS TRABAJO Y CAPITAL, Y SI, POR
EJEMPLO, HAY UNA HUELGA LABORAL QUE
AFECTA LA PRODUCCIÓN EN UN TRIMESTRE,
NO HAY RAZÓN PARA PENSAR QUE ESTA
INTERRUPCIÓN AFECTARÁ LA PRODUCCIÓN
DEL TRIMESTRE SUBSIGUIENTE. ES DECIR, SI
LA PRODUCCIÓN ES INFERIOR EN ESTE
TRIMESTRE, NO HAY RAZÓN PARA ESPERAR
QUE SEA BAJA EN EL SIGUIENTE. EN FORMA
SIMILAR, SI TRATAMOS CON INFO DE CORTE
TRANSVERSAL QUE IMPLICA LA REGRESIÓN
DEL GASTO DE CONSUMO FAMILIAR SOBRE
EL INGRESO FAMILIAR, NO ESPERAREMOS
QUE EL EFECTO DE UN Δ EL INGRESO DE UNA
FAMILIA SOBRE SU GASTO DE CONSUMO
INCIDA EN EL GASTO DE CONSUMO DE
OTRA FAMILIA. 
 
SIN EMBARGO, SI EXISTE TAL DEPENDENCIA,
HAY AC. SIMBÓLICA+, 
 
E (ui  uj) ≠ 0          i≠ j 
 
EN ESTA SITUACIÓN, LA INTERRUPCIÓN
OCASIONADA POR UNA HUELGA ESTE
TRIMESTRE AFECTA LA PRODUCCIÓN DEL
SIGUIENTE TRIMESTRE, O LOS Δ DEL GASTO
DE CONSUMO DE UNA FAMILIA PUEDEN
MUY BIEN INDUCIR A OTRA FAMILIA A Δ SU
GASTO DE CONSUMO PARA NO
QUEDAR (SUBJETIVA+) REZAGADA.
VISUALICE ALGUNOS PATRONES
RAZONABLES DE AC Y DE NO AC DE LA:  
 
 
 
 
 
 
 
FIGURA 12.1: PATRONES DE AC Y NO AC. 
 
 
 
 
 
EN FIG. 12.1 LAS IMÁGENES
DE a) A d) MUESTRAN UN PATRÓN
DISTINGUIBLE ENTRE LAS u. LA a) MUESTRA
UN PATRÓN CÍCLICO; LAS b) Y c) SUGIEREN
UNA TENDENCIA LINEAL HACIA ARRIBA O
HACIA ABAJO EN LAS ui; Y LA d) INDICA QUE
HAY TÉRMINOS DE TENDENCIA TANTO
LINEAL COMO CUADRÁTICA EN LAS ui. SÓLO
LA e) INDICA QUE NO HAY UN PATRÓN
SISTEMÁTICO, RESPALDANDO EL SUPUESTO
DE NO AC DEL MCRL. 
 
¿POR QUÉ  OCURRE 
 LA  AC?  
 
HAY VARIAS RAZONES POR LAS QUE μ EN UN
MODELO DE REGRESIÓN PUEDA ESTAR
AUTOCORRELACIONADO.  
  
INERCIA: UNA CARACTERÍSTICA RELEVANTE
DE LA MAYORÍA DE LAS SDT ECONÓMICAS.
COMO SE SABE, SDT COMO PIB, ÍNDICES DE
PRECIOS, PRODUCCIÓN, EMPLEO Y
DESEMPLEO PRESENTAN CICLOS
(ECONÓMICOS). A PARTIR DEL FONDO DE LA
RECESIÓN, CUANDO SE INICIA LA
RECUPERACIÓN ECONÓMICA, LA MAYORÍA
DE ESTAS SERIES EMPIEZA A MOVERSE
HACIA ARRIBA. 
 
EN ESTE PROCESO, EL VALOR DE UNA SERIE
EN UN PUNTO DEL TIEMPO ES MAYOR QUE
SU VALOR ANTERIOR. ASÍ, SE GENERA UN
“IMPULSO” EN ELLAS, Y CONTINUARÁ HASTA
QUE SUCEDA OTRA COSA (POR EJEMPLO,
UN ∆ EN LA TASA DE INTERÉS O EN LOS
IMPUESTOS, O AMBOS) QUE LO
REDUZCA. POR CONSIGUIENTE, ES
PROBABLE QUE, EN LAS REGRESIONES DE
DATOS DE SDT, LAS OBS SUCESIVAS SEAN
INTERDEPENDIENTES. 
 
Sesgo de especificación: caso de variables
excluidas 
EN EL ANÁLISIS EMPÍRICO, CON FRECUENCIA
EL INVESTIGADOR(A) EMPIEZA CON UN
MODELO DE REGRESIÓN RAZONABLE QUE
PUEDE NO SER “PERFECTO”. DESPUÉS DEL
ANÁLISIS DE REGRESIÓN,
EL /ELLA HARÍA UN EXAMEN POST
MORTEM PARA VER SI LOS RESULTADOS
COINCIDEN CON LAS EXPECTATIVAS A
PRIORI. DE NO SER ASÍ, INICIARÍA “LA
CIRUGÍA”. POR EJEMPLO, EL
INVESTIGADOR(A) GRAFICARÍA LOS
RESIDUOS ˆui OBTENIDOS DE LA REGRESIÓN
AJUSTADA Y OBSERVARÍA PATRONES COMO
LOS DE LAS IMÁGENES a) A d) EN LA FIG.
12.1. ESTOS RESIDUOS
(REPRESENTACIONES DE LAS ui) PUEDEN
SUGERIR LA EXCLUSIÓN DE ALGUNAS
VARIABLES ORIGINAL+ ELEGIDAS PERO QUE
NO SE INCLUYERON EN EL MODELO POR
DIVERSAS RAZONES.  
 
ES EL CASO DEL SESGO DE ESPECIFICACIÓN
OCASIONADO POR VARIABLES EXCLUIDAS.
CON FRECUENCIA, LA INCLUSIÓN DE TALES
VARIABLES ELIMINA EL PATRÓN DE
CORRELACIÓN OBSERVADO ENTRE LOS
RESIDUALES. POR EJEMPLO, SUPONGA QUE
TENEMOS EL SIGUIENTE MODELO DE
DEMANDA: 
 
Yt = β1 + β2X2t  + β3X33t  + β4X4t + ut          (12.1.2) 
 
…DONDE Y= CANTIDAD DE CARNE DE RES
DEMANDADA, X2= PRECIO DE LA CARNE DE
RES, X3 = INGRESO DEL CONSUMIDOR, X4 =
PRECIO DE LA CARNE CERDO Y t  = TIEMPO.
SIN EMBARGO, POR ALGUNA RAZÓN
EFECTUAMOS LA SIGUIENTE REGRESIÓN: 
 
Yt  = β1 + β2X2t  + β3X3t  + vt                (12.1.3) 
 
SÍ (12.1.2) ES EL MODELO “CORRECTO” O
“VERDADERO”, TRABAJAR CON (12.1.3)
EQUIVALE A PERMITIR QUE vt = β4X4t  + ut. ASÍ,
EN LA MEDIDA EN QUE EL PRECIO DE LA
CARNE DE CERDO AFECTE EL CONSUMO DE
CARNE DE RES, EL TÉRMINO DE ERROR O DE
PERTURBACIÓN “V” REFLEJARÁ UN PATRÓN
SISTEMÁTICO, LO QUE CREA
(UNA ESPURIA) AC.  
 
UNA PRUEBA SENCILLA DE ESTO SERÍA
LLEVAR A CABO (12.1.2) Y (12.1.3) Y VER SI
LA AC OBSERVADA EN EL MODELO (12.1.3),
DE EXISTIR, DESAPARECE CUANDO SE
EFECTÚA (12.1.2). SI SE ENCUENTRA QUE EL
PROBLEMA REAL ES DE SESGO DE
ESPECIFICACIÓN Y NO DE AC, ENTONCES,
LOS ESTIMADORES DE MCO DE LOS
PARÁMETROS EN LA ECUACIÓN (12.1.3)
PUEDEN SER SESGADOS E INCONSISTENTES. 
 
Sesgo de especificación: forma funcional
incorrecta 
 
SUPONGA QUE EL MODELO “VERDADERO” O
CORRECTO EN UN ESTUDIO DE COSTO-
PRODUCCIÓN ES EL SIGUIENTE: 
 
CMgi= β1 + β2Xi + β3X2i + ui                        (12.1.4
)  
 
…PERO AJUSTAMOS EL SIGUIENTE MODELO: 
 
CMgi = α 1+ α2Xi  + vi                (12.1.5) 
 
LA CURVA DE CMg CORRESPONDIENTE AL
“VERDADERO” MODELO SE MUESTRA EN LA
FIG.12.4, JUNTO CON LA CURVA DE COSTO
LINEAL “INCORRECTA”.  COMO SE MUESTRA
EN LA FIG. 12.2, ENTRE LOS
PUNTOS A  Y B LA CURVA DE CMg SOBRE-
ESTIMARÁ CONSISTENTE+
EL CMg VERDADERO, MIENTRAS QUE MÁS
ALLÁ DE ESTOS PUNTOS, LO SUBESTIMARÁ
CONSISTENTE+.  
 
ESTE RESULTADO ES DE ESPERARSE PORQUE
EL TÉRMINO DE PERTURBACIÓN vi ES, EN
REALIDAD, IGUAL A X2 + ui, Y, POR TANTO,
CAPTA EL EFECTO SISTEMÁTICO DEL
TÉRMINO X2 SOBRE EL CMg. EN ESTE
CASO, vi REFLEJARÁ AC POR EL USO DE UNA
FORMA FUNCIONAL INCORRECTA. 
 
FIGURA 12.2: SESGO DE ESPECIFICACIÓN:
FORMA FUNCIONAL INCORRECTA. 
 
 
 
Fenómeno de la telaraña 
 
LA OFERTA DE MUCHOS PRODUCTOS
AGRÍCOLAS REFLEJA EL
LLAMADO FENÓMENO DE LA TELARAÑA, EN
DONDE LA OFERTA REACCIONA AL PRECIO
CON UN REZAGO DE UN PERIODO DEBIDO A
QUE LA INSTRUMENTACIÓN DE LAS
DECISIONES DE OFERTA TARDA ALGÚN
TIEMPO (PERIODO DE MADURACIÓN). POR
TANTO, EN LA SIEMBRA DE CULTIVOS AL
PRINCIPIO DE AÑO, LOS AGRICULTORES
RECIBEN INFLUENCIA DEL PRECIO DEL AÑO
ANTERIOR, DE FORMA QUE SU FUNCIÓN DE
OFERTA ES: 
 
St  = β1 + β2Pt−1 + ut                     (12.1.6) 
 
SUPONGA QUE AL FINAL DEL
PERIODO t, Pt < Pt−1. POR
CONSIGUIENTE, ES MUY  PROBABLE QUE EN
EL PERIODO t+1 LOS AGRICULTORES
DECIDAN PRODUCIR MENOS DE LO QUE
PRODUJERON EN EL PERIODO t. OBVIO, EN
ESTA SITUACIÓN NO ESPERAREMOS QUE LAS
PERTURBACIONES ui SEAN ALEATORIAS,
PORQUE SI LOS AGRICULTORES PRODUCEN
EXCEDENTES EN EL AÑO t, ES PROBABLE QUE
REDUZCAN SU PRODUCCIÓN EN t + 1, Y ASÍ
SUCESIVA+, PARA GENERAR UN PATRÓN DE
TELARAÑA. 
 
Rezagos 
  
EN UNA REGRESIÓN DE SDT DEL GASTO DE
CONSUMO SOBRE EL INGRESO NO ES
EXTRAÑO ENCONTRAR QUE EL GASTO DE
CONSUMO EN EL PERIODO ACTUAL
DEPENDA, ENTRE OTRAS COSAS, DEL GASTO
DE CONSUMO DEL PERIODO ANTERIOR. ES
DECIR: 
 
Ct=  β1 + β2It + β3Ct−1 + ut                                   (12.
1.7) 
 
UNA REGRESIÓN COMO (12.1.7) SE CONOCE
COMO AUTORREGRESIÓN PORQUE UNA
VARIABLE EXPLICATIVA ES EL VALOR
REZAGADO DE LA VARIABLE
DEPENDIENTE. EL RAZONAMIENTO DE UN
MODELO COMO (12.1.7) ES SENCILLO. LOS
CONSUMIDORES NO CAMBIAN SUS HÁBITOS
DE CONSUMO FÁCIL+ POR RAZONES
PSICOLÓGICAS, TECNOLÓGICAS O
INSTITUCIONALES. AHORA, SI IGNORAMOS
EL TÉRMINO REZAGADO EN (12.1.7), EL
TÉRMINO DE ERROR RESULTANTE REFLEJARÁ
UN PATRÓN SISTEMÁTICO DEBIDO A LA
INFLUENCIA DEL CONSUMO REZAGADO EN
EL CONSUMO ACTUAL. 
 
“Manipulación” de datos 
 
EN EL ANÁLISIS EMPÍRICO CON FRECUENCIA
SE “MANIPULAN” LOS DATOS. POR EJEMPLO,
EN LAS REGRESIONES DE SDT CON DATOS
TRIMESTRALES, POR LO GENERAL
PROVIENEN DE DATOS MENSUALES A LOS
QUE SE AGREGAN SIMPLE+ LAS OBS DE TRES
MESES Y SE DIVIDE LA SUMA ENTRE 3. ESTE
PROCEDIMIENTO DE PROMEDIAR LAS CIFRAS
SUAVIZA EN CIERTO GRADO LOS DATOS AL
ELIMINAR LAS FLUCTUACIONES EN LOS
DATOS MENSUALES. POR CONSIGUIENTE, LA
GRÁFICA REFERENTE A DATOS
TRIMESTRALES APARECE MUCHO MÁS
SUAVE QUE LA QUE CONTIENE LOS DATOS
MENSUALES, Y ESTE SUAVIZAMIENTO
PUEDE, POR SÍ MISMO, INDUCIR UN PATRÓN
SISTEMÁTICO EN LAS PERTURBACIONES, LO
QUE AGREGA AC.  
 
OTRA FUENTE DE MANIPULACIÓN ES
LA INTERPOLACIÓN O EXTRAPOLACIÓN DE
DATOS. POR EJEMPLO, EL CENSO DE
POBLACIÓN SE REALIZA CADA 10 AÑOS EN
USA, Y LOS DOS ÚLTIMOS SE EFECTUARON
EN 1990 Y 2000. AHORA BIEN, SI
NECESITAMOS DATOS PARA ALGÚN AÑO
COMPRENDIDO EN EL PERIODO
INTERCENSAL, LA PRÁCTICA COMÚN
CONSISTE EN INTERPOLAR CON BASE EN
ALGUNOS SUPUESTOS AD HOC. TODAS
ESTAS TÉCNICAS DE “MANEJO”
PODRÍAN TRANSMITIR A LOS DATOS UN
PATRÓN SISTEMÁTICO QUE QUIZÁ NO
ESTARÍA PRESENTE EN LOS DATOS
ORIGINALES. 
 
Transformación de datos 
 
CONSIDERE EL SIGUIENTE MODELO: 
 
Yt = β1 + β2Xt  + ut            (12.1.8) 
 
…DONDE: Y = GASTO DE CONSUMO
Y X = INGRESO. COMO (12.1.8) ES VÁLIDA
PARA CADA PERIODO, TAMBIÉN LO ES PARA
EL PERIODO ANTERIOR (t − 1). ASÍ,
PODEMOS EXPRESAR (12.1.8) COMO 
 
Yt−1 = β1 + β2Xt−1 + ut−1           (12.1.9) forma de nivel 
 
LOS TÉRMINOS  Yt−1, Xt−1 y ut−1 SE CONOCEN
COMO LOS VALORES
REZAGADOS DE Y, X  Y u, RESPECTIVA+; EN
ESTE CASO ESTÁN REZAGADOS UN PERIODO.
AHORA BIEN, SI RESTAMOS (12.1.9) DE
(12.1.8), SE TIENE: 
Yt = β2ΔXt + νt                                                     (12.
1.10) 
 
DONDE Δ= OPERADOR DE PRIMERAS
DIFERENCIAS, INDICA QUE SE TOMAN
DIFERENCIAS SUCESIVAS DE LAS VARIABLES
EN CUESTIÓN. POR
TANTO, ΔYt = (Yt − Yt−1), ΔXt  = (Xt − X  t−1)
y Δut= (ut  − u  t−1). PARA PROPÓSITOS
EMPÍRICOS, ESCRIBIMOS (12.1.10) COMO:  
 
Yt = β2 Xt + vt                  (12.1.11) forma primeras
diferencias 
 
…DONDE vt  = Δut = (ut − u  t−1). 
 
LA ECUACIÓN (12.1.9) SE CONOCE COMO
LA FORMA DE NIVEL, Y LA ECUACIÓN
(12.1.10), COMO LA FORMA EN (PRIMERAS)
DIFERENCIAS. AMBAS FORMAS SON
FRECUENTES EN EL ANÁLISIS EMPÍRICO.  
 
POR EJEMPLO, SI EN
(12.1.9) Y  Y X  REPRESENTAN LOS
LOGARITMOS DEL GASTO DE C Y I,
ENTONCES EN
(12.1.10) ΔY  Y ΔX REPRESENTARÁN LOS
CAMBIOS EN LOS LOGS DEL GASTO DE C Y
DEL I. PERO, COMO SABEMOS, UN CAMBIO
EN EL LOG DE UNA VARIABLE —SI SE
MULTIPLICA POR 100— ES UN CAMBIO
RELATIVO, O UN CAMBIO %. DE MODO QUE,
EN VEZ DE ESTUDIAR LAS RELACIONES ENTRE
VARIABLES EN LA FORMA DE NIVEL,
PODEMOS INTERESARNOS POR LAS
RELACIONES EN LA FORMA DE
CRECIMIENTO. 
 
AHORA BIEN, SI EL TÉRMINO DE ERROR EN
(12.1.8. Yt  = β1 + β2Xt + ut) SATISFACE LOS
SUPUESTOS USUALES DE LOS MCO, SOBRE
TODO EL DE INEXISTENCIA DE AC, PODEMOS
PROBAR QUE EL TÉRMINO DE
ERROR vt EN (12.1.11:  Yt = β2 Xt + vt), ESTÁ
AUTOCORRELACIONADO. 
 
LOS MODELOS COMO (12.1.11) SE
DENOMINAN MODELOS DINÁMICOS DE
REGRESIÓN; ES DECIR, SON MODELOS CON
REGRESADAS REZAGADAS. LO IMPORTANTE
DEL EJEMPLO ANTERIOR ES QUE A VECES
LA AC PUEDE INDUCIRSE COMO RESULTADO
DE TRANSFORMAR EL MODELO ORIGINAL. 
 
No estacionariedad 
 
AL TRABAJAR CON DATOS DE SDT, QUIZÁ
HABRÍA QUE AVERIGUAR SI UNA
DETERMINADA SDT ES ESTACIONARIA. UNA
SDT ES ESTACIONARIA SI SUS
CARACTERÍSTICAS (POR EJEMPLO, MEDIA,
VARIANZA Y COVARIANZA), NO
CAMBIAN CONFORME PASA EL TIEMPO. SI
NO ES ASÍ, TENEMOS UNA SDT NO
ESTACIONARIA. 
 
EN UN MODELO DE REGRESIÓN COMO
(12.1.8: Yt  = β1 + β2Xt + ut) ES MUY PROBABLE
QUE X e Y SEAN NO ESTACIONARIAS, Y POR
CONSIGUIENTE, QUE EL ERROR u  TAMBIÉN
SEA NO ESTACIONARIO. EN ESE CASO, EL
TÉRMINO DE ERROR MOSTRARÁ AC. 
 
CABE NOTAR TAMBIÉN QUE LA AC PUEDE
SER POSITIVA [fig. 12.3a)] O NEGATIVA,
AUNQUE LA MAYORÍA DE LAS SERIES DE
TIEMPO ECONÓMICAS POR LO GENERAL
MUESTRA AC POSITIVA, PUES CASI TODAS SE
DESPLAZAN HACIA ARRIBA O HACIA ABAJO
EN PERIODOS RELATIVAMENTE LARGOS Y
NO EXHIBEN UN MOVIMIENTO ASCENDENTE
Y DESCENDENTE CONSTANTE, COMO EN FIG.
12.3b). 
   

12.2 Estimación de MCO en presencia

de auto-correlación 
 
¿QUÉ SUCEDE CON LOS ESTIMADORES
DE MCO Y SUS VARIANZAS, SI
INTRODUCIMOS AC EN LAS
PERTURBACIONES BAJO EL SUPUESTO DE
QUE E (ut  ut+s) ≠ 0 (s≠0), PERO CONSERVAMOS
TODOS LOS DEMÁS SUPUESTOS DEL
MODELO CLÁSICO? 
 
REGRESAMOS AL MODELO DE REGRESIÓN
DE DOS VARIABLES PARA EXPLICAR IDEAS
BÁSICAS, A SABER, Yt = β1 + β2Xt + ut. PARA
ORIENTAR EL CAMINO, AHORA DEBEMOS
SUPONER EL MECANISMO QUE GENERAN
LAS ut, PUES E (utut+s) ≠ 0 (s≠0) ES MUY
GENERAL COMO SUPUESTO PARA SER
DE CIERTA UTILIDAD PRÁCTICA.  
 
COMO PRIMERA APROXIMACIÓN, SUPONGA
QUE LOS ut SE GENERAN DE LA SIGUIENTE
MANERA: 
 
ut = ρut−1 + εt         −1< ρ
<  1                  (12.2.1) 
 
…DONDE Ρ  = COEFICIENTE DE AUTO
COVARIANZA Y εt=  PERTURBACIÓN
ESTOCÁSTICA ESTABLECIDA DE FORMA QUE
SATISFACE LOS SUPUESTOS HABITUALES
DE MCO, A SABER: MEDIA CERO; VARIANZA
CONSTANTE Y COVARIANZA CERO. 
 
EN LOS TEXTOS DE INGENIERÍA, UN
TÉRMINO DE ERROR CON LAS PROPIEDADES
ANTERIORES A MENUDO SE CONOCE
COMO TÉRMINO DE ERROR DE RUIDO
BLANCO. LO QUE
(12.2.1: ut = ρut−1 + εt) POSTULA ES QUE EL
VALOR DEL TÉRMINO DE PERTURBACIÓN EN
EL PERIODO t  ES IGUAL A ρ MULTIPLICADA
POR SU VALOR EN EL PERIODO ANTERIOR
MÁS UN TÉRMINO DE ERROR PURA+
ALEATORIO. 
 
EL ESQUEMA (12.2.1: ut = ρut−1 + εt) SE
CONOCE COMO ESQUEMA
AUTO RREGRESIVO DE PRIMER ORDEN DE
MARKOV, O SIMPLE+ ESQUEMA
AUTORREGRESIVO DE PRIMER ORDEN, Y
SUELE DENOTARSE COMO AR (1). EL
NOMBRE AUTORREGRESIVO ES APROPIADO
PORQUE (12.2.1) PUEDE INTERPRETARSE
COMO LA REGRESIÓN DE ut SOBRE SÍ
MISMA CON UN REZAGO DE UN PERIODO. ES
DE PRIMER ORDEN PORQUE SÓLO
PARTICIPAN ut Y SU VALOR PASADO
INMEDIATO ANTERIOR; ES DECIR, EL REZAGO
MÁXIMO ES 1. SI EL MODELO
FUERA ut = ρ1ut−1 + ρ2ut−2 + εt, SERÍA UN AR
(2), O ESQUEMA AUTORREGRESIVO DE
SEGUNDO ORDEN, Y ASÍ SUCESIVA+.  
 
3. Consecuencias de utilizar MCO en
presencia de autocorrelación 
 
COMO EN LA HC, EN PRESENCIA DE AC LOS
ESTIMADORES CONTINÚAN SIENDO
LINEALES E INSESGADOS, AL IGUAL QUE
CONSISTENTES, Y ESTÁN DISTRIBUIDOS DE
FORMA ASINTÓTICA+ NORMAL, PERO DEJAN
DE SER MELI (ES DECIR, NO TIENEN
VARIANZA MÍNIMA). ¿QUÉ SUCEDE
ENTONCES CON LOS PROCEDIMIENTOS
USUALES DE PRUEBAS DE HIPÓTESIS SI SE
CONSERVAN LOS ESTIMADORES DE MCO?  
 

¿Cómo detectar la AC? 

 
I. Método gráfico 
RECUERDE QUE EL SUPUESTO DE NO
AUTOCORRELACIÓN DEL MODELO CLÁSICO
SE RELACIONA CON LAS PERTURBACIONES
POBLACIONALES ut, LAS CUALES NO PUEDEN
OBSERVARSE DIRECTA+. EN SU LUGAR
DISPONEMOS DE VALORES SUSTITUTOS, LOS
RESIDUOS ˆut, A PARTIR DEL
PROCEDIMIENTO USUAL MCO. AUNQUE
LAS ˆut NO SON LO MISMO QUE LAS ut, CON
MUCHA FRECUENCIA UN EXAMEN VISUAL DE
LAS û DA ALGUNAS CLAVES SOBRE LA
POSIBLE PRESENCIA DE AUTOCORRELACIÓN
EN LAS u. EN REALIDAD, UN EXAMEN VISUAL
DE ˆut O (ˆu2t) PROPORCIONA
INFORMACIÓN ÚTIL NO SÓLO SOBRE LA
AUTOCORRELACIÓN, SINO TAMBIÉN SOBRE
HETEROSCEDASTICIDAD, Y AUN SOBRE EL
GRADO DE ADECUACIÓN DEL MODELO O
SOBRE EL SESGO DE ESPECIFICACIÓN. COMO
AFIRMA UN AUTOR: 
 
No se puede exagerar la importancia de
producir y analizar gráficos [de residuos]
como parte habitual del análisis estadístico.
Además de proporcionar en ocasiones un
resumen accesible para entender un
problema complejo, permiten el examen
simultáneo de los datos, considerados en su
conjunto, mientras que a la vez ilustran con
claridad el comportamiento de los casos
individuales. 
 
HAY DIVERSAS FORMAS DE EXAMINAR LOS
RESIDUOS. PODEMOS GRAFICARLOS
SIMPLEMENTE RESPECTO DEL TIEMPO, CON
UNA GRÁFICA SECUENCIAL DE TIEMPO,
COMO EN LA FIGURA 12.8, QUE MUESTRA
LOS RESIDUOS OBTENIDOS DE LA
REGRESIÓN DE SALARIOS SOBRE LA
PRODUCTIVIDAD EN ESTADOS
UNIDOS (12.5.2). LOS VALORES DE ESTOS
RESIDUOS ESTÁN EN LA TABLA 12.5, JUNTO
CON ALGUNOS OTROS DATOS. 
 
 
POR OTRO LADO, PODEMOS GRAFICAR
LOS RESIDUOS ESTANDARIZADOS RESPECTO
DEL TIEMPO, LOS CUALES TAMBIÉN SE
MUESTRAN EN LA FIGURA 12.8 Y EN LA
TABLA 12.5. LOS RESIDUOS
ESTANDARIZADOS SON TAN SÓLO LOS
RESIDUOS (ˆut) DIVIDIDOS ENTRE EL ERROR
ESTÁNDAR DE LA REGRESIÓN (√ˆσ2); ES
DECIR, SON (ˆut/ˆσ ). 
 
OBSERVE QUE ˆut AL IGUAL QUE ˆσ, ESTÁN
MEDIDOS EN LAS UNIDADES EN LAS CUALES
SE MIDE LA VARIABLE REGRESADA Y. LOS
VALORES DE LOS RESIDUOS
ESTANDARIZADOS SERÁN NÚMEROS PUROS
(DESPROVISTOS DE UNIDADES DE
MEDICIÓN) Y, POR CONSIGUIENTE, SON
COMPARABLES CON LOS RESIDUOS
ESTANDARIZADOS DE OTRAS REGRESIONES.
ADEMÁS, LOS RESIDUOS ESTANDARIZADOS,
ASÍ COMO ˆut, TIENEN MEDIA IGUAL A CERO
Y VARIANZA APROXIMADA+ IGUAL A 1.1 
 

 
EN MUESTRAS GRANDES, (ˆut/ˆσ) ESTÁ
DISTRIBUIDA EN FORMA APROXIMADA+
NORMAL CON MEDIA CERO Y VARIANZA
UNITARIA. PARA ESTE EJEMPLO, ˆσ
= 2.6755. 
 
AL EXAMINAR LA GRÁFICA SECUENCIAL DE
TIEMPO DE LA FIGURA 12.8, OBSERVAMOS
QUE TANTO ˆut COMO ˆut ESTANDARIZADA
PRESENTAN UN PATRÓN SIMILAR AL DE LA
FIGURA 12.1D, LO QUE INDICA QUE TAL VEZ
LAS ut NO SEAN ALEATORIAS. 
 
PARA VER ESTO EN FORMA DIFERENTE,
PODEMOS GRAFICAR ˆut RESPECTO
DE ˆut−1, ES DECIR, EL RESIDUO EN EL
TIEMPO T FRENTE A SU VALOR EN EL
TIEMPO (t  − 1), UNA CLASE DE PRUEBA
EMPÍRICA DEL ESQUEMA AR(1). 
 
SI LOS RESIDUOS NO SON ALEATORIOS,
DEBEMOS OBTENER GRÁFICAS SIMILARES A
LAS QUE APARECEN EN LA FIGURA 12.3.  
 
 
 
EL GRÁFICO DE LA REGRESIÓN LOG DE
SALARIOS-PRODUCTIVIDAD SE PRESENTA EN
LA FIGURA 12.9; LOS DATOS BÁSICOS SE
PROPORCIONAN EN LA TABLA 12.5.  
 
 
 
 
COMO MUESTRA ESTA FIGURA, LA MAYORÍA
DE LOS RESIDUOS ESTÁN AGRUPADOS EN EL
SEGUNDO (NORESTE) Y EL CUARTO
(SUROESTE) CUADRANTES, LO CUAL INDICA
UNA CORRELACIÓN POSITIVA FUERTE EN
LOS RESIDUOS. 
 
POR NATURALEZA, EL MÉTODO GRÁFICO
QUE ACABAMOS DE EXPONER ES EN
ESENCIA SUBJETIVO O CUALITATIVO,
AUNQUE PODEROSO. SIN EMBARGO, HAY
DIVERSAS PRUEBAS CUANTITATIVAS ÚTILES
PARA COMPLEMENTAR EL ENFOQUE
PURAMENTE CUALITATIVO.
A CONTINUACIÓN VEREMOS ALGUNAS DE
ESTAS PRUEBAS. 
 
III. Prueba d  de Durbin-Watson 
 
LA PRUEBA MÁS CONOCIDA PARA DETECTAR
CORRELACIÓN SERIAL ES LA DE LOS
ESTADÍSTICOS DURBIN Y WATSON. SE LE
CONOCE COMO ESTADÍSTICO D DE DURBIN-
WATSON, QUE SE DEFINE COMO 
  
        (12.6.5) 
 
QUE ES SIMPLE+ LA RAZÓN DE LA SUMA DE
LAS DIFERENCIAS AL CUADRADO DE
RESIDUOS SUCESIVOS SOBRE LA SCR.
OBSERVE QUE, EN EL NUMERADOR DEL
ESTADÍSTICO d, EL NÚMERO DE
OBSERVACIONES ES n  – 1 PORQUE SE
PIERDE UNA OBSERVACIÓN AL OBTENER LAS
DIFERENCIAS CONSECUTIVAS. 
 
UNA GRAN VENTAJA DEL ESTADÍSTICO d  ES
QUE SE BASA EN LOS RESIDUOS ESTIMADOS,
QUE SE CALCULAN DE MANERA RUTINARIA
EN LOS ANÁLISIS DE REGRESIÓN. DEBIDO A
ESTA VENTAJA, ES FRECUENTE INCLUIR EL
ESTADÍSTICO d DE DURBIN-WATSON EN LOS
INFORMES DE ANÁLISIS DE REGRESIÓN,
JUNTO CON OTROS ESTADÍSTICOS DE
RESUMEN, COMO R2, R2 ajustada, t y F.   
 
AUNQUE EL ESTADÍSTICO D  SE UTILIZA
AHORA EN FORMA RUTINARIA, ES
IMPORTANTE OBSERVAR LOS SUPUESTOS
EN LOS CUALES SE BASA: 
 
1. EL MODELO DE REGRESIÓN INCLUYE EL
TÉRMINO DEL INTERCEPTO. SI DICHO
TÉRMINO NO ESTÁ PRESENTE, COMO EN LA
REGRESIÓN A TRAVÉS DEL ORIGEN, ES
ESENCIAL EFECTUAR DE NUEVO LA
REGRESIÓN CON DICHO TÉRMINO PARA
OBTENER LA SCR. 
 
2. LAS VARIABLES EXPLICATIVAS, X, SON NO
ESTOCÁSTICAS, ES DECIR, SON FIJAS EN
MUESTREO REPETIDO. 
 
3. LAS PERTURBACIONES ut SE GENERAN
MEDIANTE EL ESQUEMA AUTORREGRESIVO
DE PRIMER ORDEN:  ut  = ρ ut−1 + εt. POR
TANTO, NO SE PUEDEN UTILIZAR PARA
DETECTAR ESQUEMAS AUTORREGRESIVOS
DE ORDEN SUPERIOR. 
 
4. SE SUPONE QUE EL TÉRMINO DE
ERROR ut  ESTÁ NORMALMENTE
DISTRIBUIDO. 
 
5. EL MODELO DE REGRESIÓN NO INCLUYE
VALOR(ES) REZAGADO(S) DE LA VARIABLE
DEPENDIENTE COMO UNA VARIABLE
EXPLICATIVA.  
POR TANTO, LA PRUEBA ES INAPLICABLE A
MODELOS DEL SIGUIENTE TIPO: 
 
Yt  _ β1 + β2X2t + β3X3t + ··
·+βk Xkt  + γ Yt−1 + ut  (12.6.6) 
 
…DONDE Yt−1 ES EL VALOR DE Y REZAGADA
UN PERIODO. TALES MODELOS SE CONOCEN
COMO MODELOS AUTORREGRESIVOS. 
 
6. NO HAY OBSERVACIONES FALTANTES EN
LOS DATOS. POR TANTO, EN LA REGRESIÓN
DE SALARIOS-PRODUCTIVIDAD DE 1960 A
2005, SI POR ALGUNA RAZÓN FALTARAN
OBSERVACIONES, POR EJEMPLO, DE 1978 Y
1982, EL ESTADÍSTICO d  NO PERMITIRÍA LA
AUSENCIA DE TALES OBSERVACIONES. 
 
 
 
EL MUESTREO EXACTO O LA DISTRIBUCIÓN
DE PROBABILIDAD DEL ESTADÍSTICO D  DADO
EN (12.6.5) ES DIFÍCIL DE DERIVAR PORQUE,
COMO DEMOSTRARON DURBIN Y WATSON,
TIENE UNA DEPENDENCIA COMPLEJA DE LOS
VALORES PRESENTES DE X  EN UNA
MUESTRA DADA. 
 
ESTA DIFICULTAD SE ENTIENDE PORQUE d  SE
CALCULÓ A PARTIR DE LOS ˆut, LOS CUALES,
POR SUPUESTO, DEPENDEN DE
LAS X DADAS. POR CONSIGUIENTE, A
DIFERENCIA DE LAS PRUEBAS t, F o χ2, NO
HAY UN VALOR CRÍTICO ÚNICO QUE LLEVE
AL RECHAZO O A LA ACEPTACIÓN DE LA
HIPÓTESIS NULA DE QUE NO HAY
CORRELACIÓN SERIAL DE PRIMER ORDEN EN
LAS PERTURBACIONES ui. SIN EMBARGO,
DURBIN Y WATSON LOGRARON ENCONTRAR
UN LÍMITE INFERIOR dL Y UN LÍMITE
SUPERIOR dU  TALES QUE SI EL
VALOR d CALCULADO DE (12.6.5) CAE POR
FUERA DE ESTOS VALORES CRÍTICOS, PUEDE
TOMARSE UNA DECISIÓN RESPECTO DE LA
PRESENCIA DE CORRELACIÓN SERIAL
POSITIVA O NEGATIVA. ADEMÁS, ESTOS
LÍMITES SÓLO DEPENDEN DEL NÚMERO DE
OBSERVACIONES n Y DEL NÚMERO DE
VARIABLES EXPLICATIVAS, Y NO DE LOS
VALORES QUE ADQUIEREN ESTAS VARIABLES
EXPLICATIVAS. DURBIN Y WATSON
TABULARON ESTOS LÍMITES PARA n, DE 6 A
200 Y HASTA 20 VARIABLES EXPLICATIVAS, Y
SE PRESENTAN EN EL APÉNDICE D, TABLA
D.5 (HASTA 20 VARIABLES EXPLICATIVAS). 
 
3. COMO EL SUPUESTO DE NO
AUTOCORRELACIÓN SE RELACIONA CON LAS
PERTURBACIONES NO
OBSERVABLES ut, ¿CÓMO SABER QUE HAY
AUTOCORRELACIÓN EN UNA SITUACIÓN
DADA? OBSERVE QUE AHORA USAREMOS EL
SUBÍNDICE t  PARA DESTACAR QUE LOS
DATOS CORRESPONDEN A SERIES DE
TIEMPO. 
 
4. ¿CÓMO REMEDIAR EL PROBLEMA DE LA
AUTOCORRELACIÓN? 
 
SI DESPUÉS DE APLICAR UNA O MÁS
PRUEBAS DE DIAGNÓSTICO PARA LA
AUTOCORRELACIÓN DE LAS ANALIZADAS EN
LA SECCIÓN PREVIA ENCONTRAMOS
AUTOCORRELACIÓN, ¿QUÉ HACER?: HAY
CUATRO OPCIONES: 
1. TRATE DE AVERIGUAR SI SE TRATA
DE AUTOCORRELACIÓN PURA Y NO EL
RESULTADO DE UNA MALA
ESPECIFICACIÓN DEL MODELO. COMO
ANALIZAMOS EN LA SECCIÓN 12.1, A VECES
SE OBSERVAN PATRONES EN LOS RESIDUOS
PORQUE EL MODELO ESTÁ MAL
ESPECIFICADO —ES DECIR, SE EXCLUYERON
VARIABLES IMPORTANTES— O PORQUE SU
FORMA FUNCIONAL NO ES CORRECTA.  
 
2. SI SE TRATA DE AUTO CORRELACIÓN
PURA, SE PUEDE UTILIZAR UNA
TRANSFORMACIÓN APROPIADA DEL
MODELO ORIGINAL DE MANERA QUE EN EL
MODELO TRANSFORMADO NO SE PRESENTE
EL PROBLEMA DE LA AUTO CORRELACIÓN
(PURA). COMO EN LA
HETEROSCEDASTICIDAD, HABRÁ QUE
EMPLEAR ALGÚN MÉTODO GENERALIZADO
DE MÍNIMOS CUADRADOS (MCG). 
 
3. EN MUESTRAS GRANDES SE PUEDE
UTILIZAR EL MÉTODO NEWEY-WEST PARA
OBTENER LOS ERRORES ESTÁNDAR DE LOS
ESTIMADORES DE MCO CORREGIDOS
Por AUTOCORRELACIÓN. ESTE MÉTODO EN
REALIDAD ES UNA EXTENSIÓN DEL MÉTODO
DE ERRORES ESTÁNDAR CONSISTENTES CON
HETEROS CEDASTICIDAD DE WHITE,
QUE ANALIZAMOS EN LA
SECCIÓN ANTERIOR. 
 
1. EN ALGUNAS SITUACIONES SE
PUEDE CONSERVAR EL MÉTODO MCO. 
 
UN EJEMPLO 
EN EL EJEMPLO 10.2 PRESENTAMOS DATOS
SOBRE CONSUMO, INGRESO, RIQUEZA Y
TASAS DE INTERÉS EN U.S.A., TODOS EN
TÉRMINOS REALES. CON BASE EN ESTOS
DATOS ESTIMAMOS LA SIGUIENTE FUNCIÓN
DE CONSUMO PARA U.S.A. DE 1947 A 2000,
CON LA REGRESIÓN DEL LOGARITMO DE
CONSUMO SOBRE LOS LOGARITMOS DE
INGRESO Y DE RIQUEZA. NO EXPRESAMOS LA
TASA DE INTERÉS EN FORMA DE LOGARITMO
PORQUE ALGUNAS CIFRAS RELATIVAS A LA
TASA DE INTERÉS REAL ERAN NEGATIVAS. 
 
 
COMO ERA DE ESPERAR, LAS ELASTICIDADES
DEL INGRESO Y LA RIQUEZA SON POSITIVAS,
Y LA SEMIELASTICIDAD DE LA TASA DE
INTERÉS, NEGATIVA. AUNQUE AL PARECER
LOS COEFICIENTES ESTIMADOS SON MUY
SIGNIFICATIVOS ESTADÍSTICAMENTE EN LO
INDIVIDUAL, SE PRECISA UNA INSPECCIÓN
PARA DETECTAR UNA POSIBLE
AUTOCORRELACIÓN EN EL TÉRMINO DE
ERROR. COMO SABEMOS, EN PRESENCIA DE
AUTOCORRELACIÓN, PUEDEN
SUBESTIMARSE LOS ERRORES ESTÁNDAR
ESTIMADOS. AL EXAMINAR EL
ESTADÍSTICO d DE DURBIN-WATSON,
PARECE QUE EN LOS TÉRMINOS DE ERROR
DE LA FUNCIÓN DE CONSUMO HAY
AUTOCORRELACIÓN (DE PRIMER GRADO). 
 
PARA CONFIRMAR ESTO, ESTIMAMOS LA
FUNCIÓN DE CONSUMO TENIENDO EN
CUENTA LA AC AR (1). LOS RESULTADOS SON
LOS SIGUIENTES: 
 
 
ESTOS RESULTADOS MUESTRAN CLARA+ LA
PRESENCIA DE AUTOCORRELACIÓN EN LA
REGRESIÓN. SE DEJA AL LECTOR LA TAREA DE
ELIMINAR LA AUTOCORRELACIÓN MEDIANTE
ALGUNA DE LAS TRANSFORMACIONES
ANALIZADAS EN ESTE CAPÍTULO. PUEDE
USAR LA ρ  ESTIMADA DE 0.6124 PARA LAS
TRANSFORMACIONES.
A CONTINUACIÓN PRESENTAMOS LOS
RESULTADOS BASADOS EN ERRORES
ESTÁNDAR NEWEY-WEST (CHA) QUE TOMAN
EN CUENTA LA AC. 
 
LA DIFERENCIA PRINCIPAL ENTRE LA
PRIMERA Y LA Ú LTIMA DE LAS
REGRESIONES ANTERIORES ES QUE LOS
ERRORES ESTÁ NDAR DE LOS
COEFICIENTES ESTIMADOS CAMBIARON
DE MANERA CONSIDERABLE. PESE A
ELLO, LOS COEFICIENTES ESTIMADOS DE
LAS PENDIENTES SON AÚ N MUY
SIGNIFICATIVOS ESTADÍSTICAMENTE. SIN
EMBARGO, NO HAY GARANTÍA DE QUE
SIEMPRE SERÁ ASÍ. 
 
RESUMEN Y CONCLUSIÓN 
1. SI SE VIOLA EL SUPUESTO DEL
MCRL DE QUE 
LAS PERTURBACIONES UT CONSIDER
ADAS DENTRO DE LA FRP SON
ALEATORIAS O NO
CORRELACIONADAS, SURGE EL
PROBLEMA DE AUTO-CORRELACIÓN,
AC, O CORRELACIÓN SERIAL. 
 
2. LA AC SURGE POR DIVERSAS
RAZONES, COMO LA INERCIA O
PASIVIDAD DE LAS SERIES DE
TIEMPO ECONÓMICAS, EL SESGO DE
ESPECIFICACIÓN RESULTANTE DE
EXCLUIR VARIABLES IMPORTANTES
DEL MODELO O DE UTILIZAR LA
FORMA FUNCIONAL INCORRECTA, EL
FENÓMENO DE LA TELARAÑA, EL
MANEJO Y TRANSFORMACIÓN DE
DATOS, ETC. COMO RESULTADO, ES
ÚTIL DISTINGUIR ENTRE LA AC
PURA Y LA AC “INDUCIDA”, DEBIDO A
UNO O MÁS DE LOS FACTORES QUE
ACABAMOS DE MENCIONAR. 
 
3. AUNQUE EN PRESENCIA DE AC LOS
ESTIMADORES DE MCO SE
MANTIENEN INSESGADOS,
CONSISTENTES Y DISTRIBUIDOS
ASINTÓTICA+ EN FORMA NORMAL,
DEJAN DE SER EFICIENTES. COMO
RESULTADO, LAS
PRUEBAS χ2, t y F USUALES NO SON
APLICABLES LEGÍTIMA+. POR
TANTO, SE NECESITA LA APLICACIÓN
DE MEDIDAS CORRECTIVAS. 
 
4. EL REMEDIO DEPENDE DE LA
NATURALEZA DE LA
INTERDEPENDENCIA ENTRE LAS
PERTURBACIONES ut. PERO COMO
LAS ut NO SON OBSERVABLES, LA
PRÁCTICA COMÚN ES SUPONER QUE
ALGÚN MECANISMO LAS GENERÓ. 
 
5. EL MECANISMO MÁS COMÚN ES EL
ESQUEMA AR (1) DE MARKOV, QUE
SUPONE QUE LA PERTURBACIÓN EN
EL TIEMPO ACTUAL ESTÁ LINEAL+
RELACIONADA CON EL TÉRMINO DE
PERTURBACIÓN EN EL TIEMPO
ANTERIOR, EL COEFICIENTE DE
AC ρ QUE DA EL GRADO DE
INTER DEPENDENCIA. 
 
6. SI EL ESQUEMA AR(1) ES VÁLIDO Y
SE CONOCE EL COEFICIENTE DE AC,
EL PROBLEMA DE CORRELACIÓN
SERIAL SE RESUELVE FÁCIL+
MEDIANTE LA TRANSFORMACIÓN DE
LOS DATOS SEGÚN EL
PROCEDIMIENTO DE DIFERENCIAS
GENERALIZADO. EL ESQUEMA AR (1)
SE GENERALIZA SIN DIFICULTAD A
UN ESQUEMA AR (P). TAMBIÉN SE
PUEDE SUPONER UN MECANISMO DE
PROMEDIOS MÓVILES (PM) O 
UNA MEZCLA DE LOS ESQUEMAS AR
Y PM, CONOCIDO COMO ARMA. 
 
7. AUNQUE UTILICEMOS UN
ESQUEMA AR (1), EL COEFICIENTE DE
AC ρ NO SE CONOCE A PRIORI.
CONSIDERAMOS DIVERSOS
MÉTODOS PARA ESTIMAR ρ, COMO
EL d DE Durbin-Watson, EL d MODIFIC
ADO DE THEIL-NAGAR, EL
PROCEDIMIENTO DE DOS ETAPAS
DE COCHRANE-ORCUTT (C-O), EL
PROCEDIMIENTO ITERATIVO C-O Y
EL MÉTODO DE DOS ETAPAS DE
DURBIN. EN MUESTRAS GRANDES,
ESTOS MÉTODOS SUELEN PRODUCIR
ESTIMACIONES SIMILARES
DE ρ, AUNQUE EN MUESTRAS
PEQUEÑAS TIENEN UN DESEMPEÑO
DIFERENTE. EN LA PRÁCTICA, EL
MÉTODO ITERATIVO C-O HA
COBRADO GRAN POPULARIDAD. 
 
8. CON CUALQUIERA DE LOS
MÉTODOS QUE ACABAMOS DE
ESTUDIAR, PODEMOS UTILIZAR EL
MÉTODO DE DIFERENCIAS
GENERALIZADO PARA CALCULAR
LOS PARÁMETROS DEL MODELO
TRANSFORMADO MEDIANTE MCO,
QUE EN ESENCIA ES LO MISMO QUE
MCG. PERO EN VISTA DE QUE SE
ESTIMA ρ (= ρˆ), ESTE MÉTODO DE
ESTIMACIÓN SE CONOCE COMO
FACTIBLE, O ESTIMADO, Y SE
ABREVIA MCG, MCGF O MCGE. 
 
9. AL UTILIZAR MCGE, SE DEBE
TENER CUIDADO AL ELIMINAR LA
PRIMERA OB, PUES EN MUESTRAS
PEQUEÑAS LA INCLUSIÓN O
EXCLUSIÓN DE LA PRIMERA OB
PUEDE INFLUIR DE MANERA
DRÁSTICA EN LOS RESULTADOS. POR
TANTO, PARA MUESTRAS PEQUEÑAS,
ES ACONSEJABLE TRANSFORMAR LA
PRIMERA OB DE ACUERDO CON EL
PROCEDIMIENTO PRAIS-WINSTEN.
SIN EMBARGO, EN MUESTRAS
GRANDES NO IMPORTA SI SE
INCLUYE O EXCLUYE LA PRIMERA
OB. 
 
10. ES MUY IMPORTANTE NOTAR QUE
EL MÉTODO DE MCGE PRESENTA LAS
PROPIEDADES ESTADÍSTICAS
ÓPTIMAS USUALES SÓLO EN
MUESTRAS GRANDES. PARA
MUESTRAS PEQUEÑAS, EL MÉTODO
DE MCO PUEDE RESULTAR
REALMENTE MEJOR QUE EL MCGE,
SOBRE TODO SI ρ < 0.3. 
 
11. EN LUGAR DE UTILIZAR MCGE,
TODAVÍA SE PUEDEN USAR MCO,
PERO CORRIGIENDO LA AC DE LOS
ERRORES ESTÁNDAR MEDIANTE EL
PROCEDIMIENTO CHA DE NEWEY-
WEST. EN ESTRICTO SENTIDO, ESTE
PROCEDIMIENTO ES VÁLIDO PARA
MUESTRAS GRANDES. UNA VENTAJA
ES QUE NO SÓLO CORRIGE LA AC,
SINO TAMBIÉN LA
HETEROSCEDASTICIDAD, EN SU
CASO. 
 
12. POR SUPUESTO, ANTES DEL
REMEDIO ESTÁ LA DETECCIÓN DE LA
AC. EXISTEN MÉTODOS FORMALES E
INFORMALES DE DETECCIÓN. ENTRE
LOS INFORMALES ESTÁ EL DE
SIMPLE+ GRAFICAR LOS RESIDUOS
ESTANDARIZADOS O REALES, O
GRAFICAR LOS RESIDUOS REALES
RESPECTO DE LOS RESIDUOS
ANTERIORES. 
 
ENTRE LOS MÉTODOS FORMALES SE
ENCUENTRAN LA PRUEBA DE
RACHAS, LA PRUEBA d DE DURBIN-
WATSON, LA DE NORMALIDAD
ASINTÓTICA, LA DE BERENBLUTT-
WEBB Y LA DE BREUSCH-GODFREY
(BG). 
 
DE TODAS, LA MÁS POPULAR ES LA
PRUEBA d DE d. A PESAR DE
SU PEDIGRI, ESTA PRUEBA TIENE
GRAVES LIMITACIONES. ES MEJOR
LA PRUEBA BG, PUES ES MÁS
GENERAL DEBIDO A QUE PERMITE
LAS ESTRUCTURAS DE ERROR AR Y
PM, ASÍ COMO LA PRESENCIA DE LA
REGRESADA REZAGADA COMO
VARIABLE EXPLICATIVA. PERO
TENGA EN CUENTA QUE ES UNA
PRUEBA PARA MUESTRAS GRANDES. 
 
Salto de página

ANALISIS DE RESIDUALES (3) 
 
En muchos estudios de regresión que
involucran datos colectados sobre el tiempo,
un tipo de autocorrelación puede suscitar
problemas, uno de ellos se denomina
correlación serial o autocorrelación. 
 
La grafica 16.8 muestra dos tipos de AC. 
 
 
 
Cuándo AC se hace presente, se puede
incurrir en serios errores en la ejecución de
pruebas de significancia estadística basados
en los supuestos del MCRL. Por lo tanto, es
importante detectar AC y tomar acciones
correctivas. 
 
El estadístico Durbin-Whatson puede
utilizarse para detectar auto correlación de
primer orden: 
 
 
 
Si valores sucesivos de los residuales están
muy “pegados” entre sí (AC positiva), el valor
del DW será pequeño. La inversa es cierta
(AC negativa). 
El DW oscila de un valor de 0 a 4, con un
valor de 2 indicando ausencia de AC. D-W
han desarrollado tablas que se usan para
determinar cuándo la prueba estadística 
indica la presencia de AC. La tabla 16.8
muestra los limites inferior y superior
(lower y upper, respectiva+) para pruebas
de hipótesis usando α = 0.05, α = 0.025, α =
0.01. 
 
La hipótesis nula a ser probada siempre será
que no hay AC: H0: p = 0; 
 
La hipótesis alternativa para probar si hay AC
positiva es: Ha: p >0 
 
La hipótesis alternativa para probar si hay AC
negativa es: Ha: p <0. 
 
También una prueba de dos colas es posible.
En este caso: Ha: p ≠0 
 
 
 
 
La figura 16.9 muestra que los valores
de dL y dU en tabla 16.8 se usan para probar
AC. Panel A ilustra la prueba para AC
positiva. Si d < dL, se concluye que AC
positiva está presente. Si dL ≤ d ≤ dU,
decimos que hay indeterminación. Si d > dU,
afirmamos que no hay evidencia de AC
positiva. 
 
 
 
Panel B ilustra la prueba de AC negativa. Si d
≥ 4-dL, se concluye que AC negativa está
presente. Si 4-dU ≤ d ≤ 4-dL, afirmamos que
hay indeterminación. Si d > 4-d, se concluye
que no hay evidencia de AC negativa. 
 
 
 
Panel C muestra la prueba de dos colas.
Si     d < dL o d > 4 - dL, rechazamos la Ho y
concluimos que existe AC. Si dL o 4 -dU ≤ d ≤ 4
- dL, afirmamos que hay indeterminación.
Si dU < d < 4 - dU, se concluye que no hay
evidencia de AC. 
 
 
 
Si hubiera AC si se ha omitido una o varias
variables clave que tengan efectos
temporales sobre la variable dependiente. Si
no se pueden identificar tales variables, la
inclusión de una variable que capture el
“tiempo” de la observación, algunas veces
puede eliminar o reduce ir la AC. Cuando el
antídoto anterior no funciona, las
transformaciones de las variables
dependientes o independientes pudieran ser
útiles. 
 
Final+, note que el tamaño más pequeño de
las tablas DW es de 15. La razón es que
puede ser indeterminado para muestras más
pequeñas. Una regla de tumba postula que
la muestra debe contener 50 obs para que
produzca resultados plausibles.