Mest3 U2 A1 Mamc

Universidad Nacional Abierta y a Distancia
Materia: Estadística III.
Actividad: 1. Unidad 2.
Estudiante: María Isabel Muñoz Chacón

Actividad 1: Autocorrelación muestral y estimación máximo verosímil
1.- Define el significado de autocorrelación muestral
La autocorrelación se puede definir como la correlación entre miembros de series de

observaciones ordenadas en el tiempo (información de series de tiempo) o en el
espacio (información de corte de transversal). El modelo de regresión lineal supone
que no debe existir autocorrelación en los errores, es decir, el término de
perturbación relacionado con una observación cualquiera no debería estar
influenciado por el término de perturbación relacionado con cualquier otra
observación.
para todo
Causas de la Autocorrelación
Algunas de las causas son las siguientes:
Trabajo con datos de serie temporal: cuando se trabaja con datos de corte
longitudinal (p.e.: una variable explicativa cuyas observaciones correspondan a
valores obtenidos en instantes temporales sucesivos), resulta bastante frecuente
que el término de perturbación en un instante dado siga una tendencia marcada por
los términos de perturbación asociados a instantes anteriores. Este hecho da lugar a
la aparición de autocorrelación en el modelo.
Especificación errónea en la parte determinista del modelo (autocorrelación

espuria):
1. Omisión de variables relevantes: en tal caso, las variables omitidas pasan a

formar parte del término de error y, por tanto, si hay correlación entre distintas
observaciones de las variables omitidas, también la habrá entre distintos valores de
los términos de perturbación.
2. Especificación 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 debería usar un modelo cuadrático), notaremos que los residuos
muestran comportamientos no aleatorios (i.e.: están correlacionados).
Transformaciones de los datos: determinadas transformaciones del modelo original

podrían causar la aparición de autocorrelación en el término de perturbación del
modelo transformado (incluso cuando el modelo original no presentase problemas
de autocorrelación).
Trabajo con modelos dinámicos: cuando se trabaja con series temporales suele ser
habitual considerar modelos de regresión que incluyan no sólo los valores actuales
sino también los valores retardados (pasados) de las variables explicativas. Es el
caso de un modelo de retardos distribuidos de orden s o RD(s):
Otro tipo de modelo dinámico que presentaría problemas de autocorrelación sería

aquel que incluyese entre sus variables explicativas uno o más valores retardados
de la variable dependiente. Este otro tipo de modelo dinámico se conoce como
modelo autorregresivo de orden s o AR(s):
Otra causa común de la autocorrelación es la existencia de tendencias y ciclos en

los datos. Es decir, la mayoría de las variables económicas no son estacionarias en
media. Esto significa que si la variable endógena del modelo tiene una tendencia
creciente o presenta un comportamiento cíclico que no es explicado por las
exógenas, el término de error recogerá ese ciclo o tendencia.
2.-¿Qué significa el término máxima verosimilitud en Estadística?
Sea X1, . . . , Xn una muestra aleatoria de una población X con función de

verosimilitud L(θ). Para cada muestra particular (x1, . . . , xn), la estimación de
Máxima verosimilitud de θ es el valor θ ˆMV que maximiza la verosimilitud.
Es decir: L(x1, . . . , xn; θˆMV ) = max θ L(x1, . . . , xn; θ) El estimador de Máxima

verosimilitud, θ ˆMV (X1, . . . , Xn), es aquel que evaluado en cada muestra
particular nos da la estimación de Máxima verosimilitud (θˆMV (x1, . . . , xn)).
Observaciones: • Muchas veces se utiliza el termino estimador de Máxima

verosimilitud para denotar tanto el estimador como cualquier estimación particular.
• Ambos se denotan por θ ˆMV y se abrevian por E.M.V. Estadística I A. Arribas Gil
10 Estimador de Máxima verosimilitud Sea θ = (θ1, . . . , θk ). Procedimiento para
obtener el E.M.V. de θj dada una muestra particular (x1, . . . , xn): 1.
Escribir la verosimilitud: L(θ) = L(x1, . . . , xn; θ) 2. Escribir el logaritmo de la

verosimilitud: `(θ) = lnL(θ) `(θ) se llama función soporte o log-verosimilitud.
3. Obtener el θj tal que ∂ ∂θj `(θ) = 0 y denotarlo por θ ˆ j . 4. Comprobar que

realmente es un máximo, es decir, que ∂ 2 ∂θ2 j `(θ)| θj=θˆj < 0
3.- ¿Cómo se aplica la idea de máxima verosimilitud en series de tiempo?
Por medio de este método buscamos que los estimadores de los parámetros
maximicen la función de verosimilitud con respecto a la varianza del error. Es por
eso que el algoritmo se basa en la función de verosimilitud en modelos ARMA.
−1
L((𝜑𝑝, 𝜃𝑞, 𝜎²) 𝑙𝑋) = g1 (𝜑𝑝, 𝜃𝑞, 𝜎²) exp {2𝜎² 𝑆 (𝜑𝑝, 𝜃𝑞)}
Donde g1 representa la función dependiente de los parámetros
𝜑p, 𝜃q,𝜎² y S(𝜑p, 𝜃q) = ∑𝑛𝑡=1−𝑝−𝑞 𝐸² [𝑈𝑡 𝑙𝑋, 𝜑p, 𝜃q, σ² ],
Donde la esperanza condicional de Ut se representa
𝜀t t = 1, 2, …, n
𝐸² [𝑈𝑡 𝑙𝑋, 𝜑p, 𝜃q, σ² ]. Dado X 𝜑p, 𝜃q,𝜎² y Ut = g2 (𝜀 *, X* ), t≤0
Entonces g2 es función lineal de los valores iníciales no observables
𝜀 * = (𝜀 1-q,…, 𝜀 -1, 𝜀 0)̕ y X* = (X1-p,…,X-1, X0)̕
Al utilizar las representaciones de los procesos ARMA como modelos en el espacio

de estados y del filtro de Kalman nos permite calcular de manera exacta la función
de verosimilitud. Al maximizar el siguiente algoritmo logramos obtener las
predicciones.
−1
L((𝜑𝑝, 𝜃𝑞, 𝜎²) 𝑙𝑋) = g1 (𝜑𝑝, 𝜃𝑞, 𝜎²) exp {2𝜎² 𝑆 (𝜑𝑝, 𝜃𝑞)}
Bibliografia
J. Miranda. (2017). autocorrelación todo Econometría. 01/02/2020, de

https://todoeconometria.wordpress.com/2017/08/08/autocorrelacion/ Sitio
Rafael David Escalante Cortina y otros. (2010). autocorrelación. 12de febrero 2020,
de Eumet.net Sitio web: http://www.eumed.net/libros-
gratis/2010c/720/AUTOCORRELACION.htm
A. Arribas Gil. (2008). Estimadores de Máxima verosimilitud. En estadísticas I (1-5).

Madrid: Universidad Carlos III.

Mest3 U2 A1 Mamc

Cargado por

Copyright:

Formatos disponibles

Mest3 U2 A1 Mamc

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mest3 U2 A1 Mamc

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional Abierta y a Distancia

Materia: Estadística III.

Estudiante: María Isabel Muñoz Chacón

1.- Define el significado de autocorrelación muestral

La autocorrelación se puede definir como la correlación entre miembros de series de

Algunas de las causas son las siguientes:

Especificación errónea en la parte determinista del modelo (autocorrelación

1. Omisión de variables relevantes: en tal caso, las variables omitidas pasan a

2. Especificación incorrecta de la forma funcional del modelo: si usamos un modelo

Transformaciones de los datos: determinadas transformaciones del modelo original

Otro tipo de modelo dinámico que presentaría problemas de autocorrelación sería

Otra causa común de la autocorrelación es la existencia de tendencias y ciclos en

2.-¿Qué significa el término máxima verosimilitud en Estadística?

Sea X1, . . . , Xn una muestra aleatoria de una población X con función de

Es decir: L(x1, . . . , xn; θˆMV ) = max θ L(x1, . . . , xn; θ) El estimador de Máxima

Observaciones: • Muchas veces se utiliza el termino estimador de Máxima

Escribir la verosimilitud: L(θ) = L(x1, . . . , xn; θ) 2. Escribir el logaritmo de la

3. Obtener el θj tal que ∂ ∂θj `(θ) = 0 y denotarlo por θ ˆ j . 4. Comprobar que

Donde g1 representa la función dependiente de los parámetros

𝜑p, 𝜃q,𝜎² y S(𝜑p, 𝜃q) = ∑𝑛𝑡=1−𝑝−𝑞 𝐸² [𝑈𝑡 𝑙𝑋, 𝜑p, 𝜃q, σ² ],

Donde la esperanza condicional de Ut se representa

𝐸² [𝑈𝑡 𝑙𝑋, 𝜑p, 𝜃q, σ² ]. Dado X 𝜑p, 𝜃q,𝜎² y Ut = g2 (𝜀 *, X* ), t≤0

Entonces g2 es función lineal de los valores iníciales no observables

𝜀 * = (𝜀 1-q,…, 𝜀 -1, 𝜀 0)̕ y X* = (X1-p,…,X-1, X0)̕

Al utilizar las representaciones de los procesos ARMA como modelos en el espacio

J. Miranda. (2017). autocorrelación todo Econometría. 01/02/2020, de

A. Arribas Gil. (2008). Estimadores de Máxima verosimilitud. En estadísticas I (1-5).

También podría gustarte

𝐸² [𝑈𝑡 𝑙𝑋, 𝜑p, 𝜃q, σ² ]. Dado X 𝜑p, 𝜃q,𝜎² y Ut = g2 (𝜀 , X ), t≤0