Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 59 vistas

    Autocorrelacio N

    Cargado por

    ISMAEL ESTRADA CAÑAS
    Este documento describe la autocorrelación o correlación serial en series de datos. Explica que la autocorrelación ocurre cuando una observación depende de otra observación anterior en la misma serie de datos. Luego detalla las consecuencias de la autocorrelación como la subestimación de la varianza residual y la R2, y la invalidación de las pruebas de significancia. Finalmente, resume varias pruebas estadísticas para detectar la autocorrelación, incluyendo la prueba t, la prueba de Durbin-Watson y la prueba de Breusch-Godf

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Autocorrelacio N

    Cargado por

    ISMAEL ESTRADA CAÑAS
    59 vistas8 páginas
    Este documento describe la autocorrelación o correlación serial en series de datos. Explica que la autocorrelación ocurre cuando una observación depende de otra observación anterior en la misma serie de datos. Luego detalla las consecuencias de la autocorrelación como la subestimación de la varianza residual y la R2, y la invalidación de las pruebas de significancia. Finalmente, resume varias pruebas estadísticas para detectar la autocorrelación, incluyendo la prueba t, la prueba de Durbin-Watson y la prueba de Breusch-Godf

    Título original

    Autocorrelacio_n

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe la autocorrelación o correlación serial en series de datos. Explica que la autocorrelación ocurre cuando una observación depende de otra observación anterior en la misma serie de datos. Luego detalla las consecuencias de la autocorrelación como la subestimación de la varianza residual y la R2, y la invalidación de las pruebas de significancia. Finalmente, resume varias pruebas estadísticas para detectar la autocorrelación, incluyendo la prueba t, la prueba de Durbin-Watson y la prueba de Breusch-Godf

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    59 vistas8 páginas

    Autocorrelacio N

    Cargado por

    ISMAEL ESTRADA CAÑAS
    Este documento describe la autocorrelación o correlación serial en series de datos. Explica que la autocorrelación ocurre cuando una observación depende de otra observación anterior en la misma serie de datos. Luego detalla las consecuencias de la autocorrelación como la subestimación de la varianza residual y la R2, y la invalidación de las pruebas de significancia. Finalmente, resume varias pruebas estadísticas para detectar la autocorrelación, incluyendo la prueba t, la prueba de Durbin-Watson y la prueba de Breusch-Godf

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 8

    ECONOMETRÍA

     BÁSICA  
    Autocorrelación  

    Ms.  C.  Juan  Carlos  Rodríguez  Marín  


    VIOLACIÓN  DE  LOS  SUPUESTOS  DEL  MODELO  CLÁSICO  

    AUTOCORRELACION  
    La  Autocorrelación  o  Correlación  Serial  se  presenta  cuando  una  observación  de  una  serie  
    de  datos  está  asociada  a  otra  observación  de  la  misma  serie.    
    “Cuando  el  término  de  error  asociado  a  una  observación  cualquiera  está  influenciado  por  
    el  término  de  error  relacionado  con  cualquier  otra  observación”  
    E (ui , u j ) ≠ 0 i≠ j

    ( )
    Cov ui , u j x ≠ 0 i≠ j
    Causas:  
    •   Comportamientos  tendenciales  persistentes  
    •   Sesgo  de  especificación  
    •   Fenómenos  de  telaraña  
    •   Variables  rezagadas  
     
    VIOLACIÓN  DE  LOS  SUPUESTOS  DEL  MODELO  CLÁSICO  

    Consecuencias:  
    Supongamos  que  la  autocorrelación  es  de  orden  1;  es  decir  el  error  en  t  
    depende  del  error  en  t  –  1.  
    ut = ρ ⋅ ut −1 + ε t −1 < ρ < 1

    ρ   es   el   coeficiente   de   correlación   de   primer   orden   y   εt   cumple   con   los  


    supuestos  clásicos.  Si  la  correlación  serial  se  forma  por  un  proceso  AR(1)  
    entonces:    

    •  La  varianza  residual  esTmada  subesTma  la  verdadera  varianza.  


    •  Igualmente  se  subesTma  la  R2.  
    •  Las  pruebas  de  significancia  dejan  de  ser  válidas.    

    En  otras  palabras,  los  coeficientes  dejan  de  ser  MELI,  pero  conservan  las  
    propiedades  de  Insesgamiento  y  Consistencia.    
     
    VIOLACIÓN  DE  LOS  SUPUESTOS  DEL  MODELO  CLÁSICO  

    Pruebas  para  Correlación  Serial  de  Primer  Orden  AR(1):  

    1.  Prueba  t  para  correlación  serial  AR(1)  con  regresores  exógenos:  


    ut = ρ ⋅ ut −1 + et
    Sin   embargo   como   los   verdaderos   residuos   no   se   conocen,   se   esTman   a   parTr   de   los  
    residuos  de  MCO:    
      uˆt = ρ ⋅ uˆt −1 + et
    Se  prueba  la  Hipótesis  Nula:    
    H0 : ρ = 0
    2.  Prueba  de  Durbin  –  Watson:  
    Esta   prueba   es   un   clásico   en   las   pruebas   de   correlación   serial.   Sus   supuestos   más  
    importantes  son:    
    •  El  modelo  debe  incluir  un  término  de  intercepto.  
    •  Los  regresores  deben  ser  estrictamente  exógenos.  
    •  Los  errores  siguen  un  proceso  AR  (1).  
    VIOLACIÓN  DE  LOS  SUPUESTOS  DEL  MODELO  CLÁSICO  

    •  Pruebas  para  Correlación  Serial  de  Primer  Orden  AR(1):  


    2.  Prueba  de  Durbin  –  Watson:  
    El  estadísTco  de  prueba  es  el  d  de  DW  y  se  calcula  como:    
    ⎛ ∑ uˆt uˆt2−1 ⎞
    d ≈ 2⎜1 − 2
    ⎟
    ⎜ ∑ uˆt ⎟⎠
    ⎝

    Definiendo  al  coeficiente  de  correlación  como…  


    2

    ρ=
    ∑ uˆ uˆ t t −1
    2
    ∑ uˆ t

    De  tal  forma  que  el  estadísTco  d  de  DW  queda  definido  como…                                    
    d ≈ 2(1 − ρ ) −1 < ρ < 1 0<d <4
    VIOLACIÓN  DE  LOS  SUPUESTOS  DEL  MODELO  CLÁSICO  

    Pruebas  para  Correlación  Serial  de  Primer  Orden  AR(1):  

             
             
             
    Rechácese  Ho       Rechácese  Ho  
     
    Evidencia  de   Zona  de   Zona  de   Evidencia  de  
    indecisión   No  se  rechace  Ho   indecisión   autocorrelación  
    autocorrelación  
    posiPva   negaPva  

     0                                                    dL                                  dU                              2                        4-­‐dU                              4-­‐dL                                              4  


     
    Se  busca  en  la  tabla  del  estadísTco  d  de  Durwin-­‐Watson  los  puntos  de  significancia  del  dL  y  
    dU  al  nivel  de  significancia  dado  (0,05  o  0,01)  para  un  tamaño  n  y  un  número  de  variables  
    explicaTvas    
    VIOLACIÓN  DE  LOS  SUPUESTOS  DEL  MODELO  CLÁSICO  

    3.  Prueba  para  Correlación  Serial  de  Orden  AR(p)  de  Breusch  Godfrey:  

    Esta   prueba   solo   se   uTliza   para   correlación   serial   de   ordenes   superiores   a   1.   Para   esta  
    prueba  se  esTma  un  modelo  de  la  forma…  
    uˆt = ρ1uˆt −1 + ρ 2uˆt − 2 + ... + ρ p uˆt − p + ε t

    La  hipótesis  nula  que  se  prueba  es…   H 0 : ρ1 = 0, ρ 2 = 0,..., ρ p = 0


    El  estadísTco  de  prueba  es  un  ML…      
    ML = (n − p) Ruˆ2
    El  ML  se  distribuye  como  
    ML ≈ χ p2
    Esta  prueba  requiere  del  supuesto  de  HomoscedasTcidad  y  por  lo  tanto  la  regresión  de  
    los   errores   esTmados   sobre   los   demás   regresores   debe   ser   robusta   a   la  
    HeteroscedasTcidad.  
     
    VIOLACIÓN  DE  LOS  SUPUESTOS  DEL  MODELO  CLÁSICO  

    Corrección  de  la  Correlación  Serial:  


    El   método   más   usado   para   corregir   la   correlación   serial   es   el   de   Prais   –   Winsten.  
    Consiste  en  transformar  la  base  datos  usando  el  coeficiente  de  autocorrelación  ρ.    
    La  primera  observación  se  transforma  así:     y1* = y1 (1 − ρˆ 2 )1 / 2 ∧ x1* = x1 (1 − ρˆ 2 )1 / 2
    Desde  la  segunda  observación,  la  transformación  es:    
      yt* = ( yt − ρˆyt −1 ) ∧ xt* = ( xt − ρˆxt −1 ) ∀ t = 2,3,..., n
    Como   se   observa   claramente,   en   necesario   conocer   el   valor   de   ρ   pero   como   no  
    conocemos   el   verdadero   poblacional,   hay   que   esTmarlo   a   parTr   del   modelo  
    autocorrelacionado.  
     
    Para  esTmar  el  valor  de  ρ  se  Tenen  tres  métodos:    
    d
    1.  Desde  la  fórmula  de  Durbin  –  Watson:     d ≈ 2(1 − ρ ) ρˆ ≈ 1 −
    2
    n 2 (1 − d 2) + k 2
    2.  Procedimiento  Theil  –  Nagar:   ρˆ =
    n2 − k 2
    ut = ρut −1 + et t = 2,..., n
    3.  EsTmando  un  modelo  AR(1):    
     
     
     

    También podría gustarte