7 Autocorrelacin

Definicin y causas de autocorrelacin

Definicin: valores estn relacionados en momentos diferentes en el tiempo.
Un valor positivo (o negativo) de
t
u genera una sucesin de valores positivos (o
negativos). Esto es autocorrelacin positiva. Autocorrelacin tambin puede
manifestarse por la alternancia de signos en la sucesin de valores. Entonces se llama
autocorrelacin negativa.



Causas:

La existencia de ciclos y/o tendencias

Valores pueden mostrar tendencias crecientes en el tiempo. Si el variable dependiente
tiene este comportamiento y las variables explicativas no consiguen captarlo, la
perturbacin presentara autocorrelacin positiva.

Variables pueden tener un comportamiento cclico, fluctuaciones en el entorno de un
valor medio (fases de expansin y depresin). Si las variables explicativas no consiguen
captar este ciclo, tambin presentara una autocorrelacin positiva.



Relaciones no lineales

Un estimacin lineal de una relacin non lineal provocar errores con autocorrelacin
positiva.

estimada v x y
correcta u x x y
t t
t t t
+ + =
+ + + =
2 2 1
2
2 3 2 2 1






La omisin de variables relevantes

t t t
t t
t t i
x u v donde
estimada v x y
correcta u x x y
3 3
2 2 1
3 3 2 2 1

+ =
+ + =
+ + + =


Los residuos no sern independientes del tiempo.



Modelos lineales que permiten caracterizar al fenmeno de la autocorrelacion: los
esquemas autorregresivos (AR) y media-mvil (MA).

) , 0 (
... ); (
2
2 2 1 1

N con
u u u u p AR
t
t p t p t t t

+ + + + =



donde ) ,..., 2 , 1 ( p i
i
= representa el peso asignado a cada retardo de la variable.
t
es
un trmino aleatorio, independiente e idnticamente distribuido (ruido blanco).

) , 0 (
... ); (
2
2 2 1 1

N con
u q MA
t
q t q t t t t

+ + + + =



donde ) ,..., 2 , 1 ( q i
i
= representa el peso asignado a cada retardo del error ruido
blanco.
t
es un trmino aleatorio, independiente e idnticamente distribuido (ruido
blanco).

Ejemplo: AR(1), MA(1).

AR(1): La correlacin entre momentos diferentes del tiempo, no se limita a dos
periodos sucesivitos ) 1 , ( t t , sino que se mantiene para cualquier distancia entre esos
dos momentos del tiempo ) , ( k t t . (Memoria ilimitada).

MA(1): La correlacin en momentos diferentes del tiempo slo se mantiene en dos
perodos inmediatamente sucesivos ) 1 , ( t t , ) 2 , 1 ( t t etc., desapareciendo cuando la
distancia en el tiempo es superior al orden ) (q del MA. (Memoria limitada).




AR(1)
(
(
(
(
(
(

1
1
1
1
1
3 2 1
3 2
2
1 2
2
2
L
M O M M M
L
L
L
N N N
N
N
N

MA(1)
(
(
(
(
(
(
(
(

1
1 0
1
0 1
1
) 1 (
2 2

O O
O


Estimacin

AR(1):

Tu u TX, X Ty, :
' ) ' (

' ) ' (

* * *
* *
1
* *
1 1 1
= = =
=
=

y donde
y X X X
y X X X
MCG
MCG

El matriz de transformacin puede expresares como;

(
(
(
(
(
(
(
(

=
1
1 0
0 1
1
2

O O
O O
T .

Los datos para el modelo transformado son,

(
(
(
(
(
(

=
(
(
(
(
(
(

=
1
2 3
1 2
1
2
*
1
2 3
1 2
1
2
*
1
,
1
T T T T
x x
x x
x x
x
X
y y
y y
y y
y
y

M M


Hay que estimar el parmetro . Este se explica en la parte de estimacin mas tarde.
Antes tenemos que averiguar si tenemos autocorrelacin en los residuos.






Las funciones de autocorrelacin simples (FAS) y parcial (FAP) de los
residuos.

Autocorrelacin simple:

=
=

=
N
t
t
N
k t
k t t
e
e e
1
2


1
(1
er
orden) mide la correlacin entre
t
e y
1 t
e .
2
(2 orden) mide la correlacin
entre
t
e y
2 t
e etc. Se puede usar la varianza para determinar la significacin
estadstica.

|

\
|
+ =

=
1
1
2
2 1
1
) r( a v
k
k
k k
N


Un valor de
k
se puede considerar distinto de 0 cuando ) r( a v 2
k k
> .

Se puede usar FAS para distinguir entre procesos AR y MA. Recuerda que AR tiene
memoria ilimitada mientras MA tiene memoria limitada:
MA: . 0 , 0 ,..., ,
1 2 1

+ k k
pero
AR: valores decrecientes, pero > 0.

Funcin de autocorrelacin parcial

Se puede calcular FAP a travs distintas regresiones con
t
e como variable
dependiente y
1 t
e ,
2 t
e etc. como variables explicativas.

k orden FAP v e e e e
orden FAP v e e e
orden FAP v e e
kk t k t kk t k t k t
t t t t
t t t

...
2

2 2 1 1
22 2 22 1 11
11 1 11
+ + + =
+ + =
+ =

M M M M


N
kk
/ 1 )

r( a v =

Cuando
N
kk
2

> rechazamos la hiptesis de 0

=
kk
.

FAP puede determinar el orden autoregresivo. Por ejemplo, si 0

22
, se trata de
por lo menos AR(2).

FAS y FAP pueden ilustrarse en correlogramas.
[Grfico]
Contrastes de autocorrelacin

1. la hiptesis nula es no autocorrleacin.
2. la construccin esta basada en los residuos de la estimacin por MCO (sin considerar
la posible autocorrelacin).

[Grfico]

Durbin-Watson

Hiptesis alternativa: AR(1).

1) Obtener residuos a travs de la estimacin MCO sin considerar posible
autocorrelacin.
2) El estadstico de contraste es:

+ =
=

=
=

t t t A
t t
N
t
t
N
t
t t
u u H
u H
e
e e
DW

1
0
1
2
2
2
1
:
:
) (


Cuando N , ) 1 ( 2 = DW , donde es el coeficiente de correlacin simple
entre
t
e y
1 t
e .

=
=

=
N
t
t
N
t
t t
e
e e
1
2
2
1
es

, la estimacin del parmetro del esquema AR(1) para

t
u .
1 1 < < y entonces 4 0 < < DW y la interpretacin nicamente cuando N
es:

) 0 ( ) 1 ( 4
) 0 ( ) 0 ( 2
) 0 ( ) 1 ( 0
<
=
>



acin autocorrel DW
acin autocorrel no DW
acin autocorrel DW


En muestras finitas hay que aplicar una tabla con valores crticos
(
sup inf
, d d ). (Ve pgina 172 y )



{inde d DW d o d DW d
acin autocorrel no d DW si
negativa acin autocorrel d DW si
DW
acin autocorrel no d DW si
positiva acin autocorrel d DW si
DW
inf sup sup inf
sup
inf
sup
inf
4 4
4
2
2

<
>
>

>
<
<


Limitaciones:
1) Su potencia es limitada para otras hiptesis alternativas. (AR(>1), MA).
2) No se puede usar los valores
sup inf
, d d cuando la regresin incluye la variable
endgena retardada. (Modelos dinmicos).

Breusch-Godfrey

1) Estima el modelo original por MCO para conseguir los residuos.
2) Utiliza los residuos como la variable endgena en una regresin auxiliar con
r k + regresores: k = regresores en el modelo. r = cantidad de retardos de los
residuos (
r t t t
e e e

,..., ,
2 1
) . r depende del supuesto sobre la estructura de la
perturbacin.
t r t r t t t k k t t
v e e e x x e + + + + + + + + =

... ...
2 2 1 1 , , 2 2 1
.
3) El estadstico de contraste es:

+ + + =
+ + + =
=
=


)) ( ( ...
)) ( ( ... :
:
]) [ (
1 1
1 1
0
2
*
2
q MA u u
o p AR u u u H
u H
NR r G
q t q t t t
t p t p t t A
t t

0 t t
2 2
A t 1 t 1 p t p t
*
t t 1 t 1 q t q
H : u
H : u u ... u ( AR( p )) o
G( [ r ]) ( N r )R
u ... u ( MA( q ))

= + + +
=

= + + +

donde
2
*
R es el coeficiente de determinacin de la regresin auxiliar. El valor de
2
*
NR
2
*
( N r )R se compara con el valor critico en la distribucin
2
, con r grados
de libertad.

0 ' = e X (ortogonalidad entre regresores y residuos) y un
2
*
R > 0 viene cuando los
retardos de los residuos puedan explicar (por lo menos algo) de los residuos.

Notas:
1) La regresin puede incluir la variable endgena retardada.
2) Se puede usar el contraste para procesos MA(q).
3) Si no sabemos la cantidad de retardos necesarios, hay que experimentar.

Estimacin por MCG: Estimacin Cochrane-Orcutt y Prais-Winsten

Cochrane-Orcutt

t t t
t t k k t t
u u donde
u x x y


+ =
+ + + + =
1
, , 2 2 1
...


Cuando la perturbacin sigue un esquema AR(1) la transformacin de las variables es
equivalente, a partir de la 2 observacin a:
1) retardar las variables un periodo;
2) multiplicar las variables por .
3) Restar este ltimo resultado a los valores originales.

2 ) ( ... ) ( ) 1 (
1 1 , , , 2 , 2 2 1 1
+ + + + =

t u u x x x x y y
t t t k t k k t t t t


Etapa 1: Estimar por MCO los parmetros
j
, considerando un valor arbitrario de
, por ejemplo 0.

Etapa 2: Estimar por MCO el parmetro utilizando las estimaciones de
j
de
etapa 1. (Y volver a etapa 1)
1 1 , 1 , 2 2 1 1 , , 2 2 1
) ... ( ) ... (

+ =
t t t k k t t t k k t t
u u x x y x x y

El mtodo es un proceso iterativo. Hay que fijar lmites:
(.) 168.

Inconvenientes:
(1) Sensibilidad a valor arbitrario de .
(2) La primera observacin se elimina. Si la muestra es pequea estimar sin esta
observacin puede resultar en una perdida de precisin.
Nota: solo es valido cuando la perturbacin sigue una esquema AR(1).




Prais-Winsten

Usar la primera observacin a travs de su transformacin particular (en lugar de
eliminarla) como en el mtodo de Cochrane-Orcutt.

; 1 ,..., 1 , 1
1 ,
2
1 ,
2
1 , 1 1
2
1 k k
x Tx Tx y Ty = = =

El mtodo es como Cochrane-Orcutt, pero incluyendo la primera observacin.
1 , 1
x es el
constante en el modelo.

Durbin

Este mtodo intenta tratar la arbitrariedad del valor escogida para el parmetro en
etapa 1.

Estimar por MCO:

) ( ... ... ) 1 (
1 1 1 , 1 , 2 2 , , 2 2 1
+ + + + + + + + =
t t t t k k t t k k t t
u u y x x x x y

Que viene de Etapa 1 arriba, ignorando en la estimacin;
(i) la autocorrelacin de la perturbacin
(ii) las restricciones existentes entre los parmetros y .
(iii) La existencia de la variable endgena retardada como regresor.

La estimacin da el parmetro para iniciar el mtodo de Cochrane-Orcutt.

Prediccin con modelos de autocorrelacin

(Greene, Econometric Analysis)

Consideramos un modelo AR(1), con conocida.

Tu u TX, X Ty, :
' ) ' (

* * *
* *
1
* *
= = =
=

y donde
y X X X
MCG

(
(
(
(
(
(

=
(
(
(
(
(
(

=
1
2 3
1 2
1
2
*
1
2 3
1 2
1
2
*
1
,
1
T T T T
x x
x x
x x
x
X
y y
y y
y y
y
y

M M


La prediccin de
0
1 *

+ T
y dado
0
1 + T
x y
T
x (
T T T
x x x =
+ +
0
1
0
1 *
) es,

0
1 *
0
1 * + +
=
T T
x y

Recuerda,
T T T
y y y =
+ +
0
1
0
1 *
. Entonces,


T T T
T T T T
T T T T
e x y
x y x y
x x y y



+ =
+ =
=
+ +
+ +
+ +

0
1
0
1
0
1
0
1
0
1
0
1


Un parte de los residuos se lleva al periodo siguiente. Para un prediccin de n
periodos sera,

T
n
n T n T
e x y + =
+ +

0 0


Para un modelo AR(2),

2 2 1 1
0 0

+ + + +
+ + =
n T n T n T n T
e e x y

Para residuos fuera del periodo de la muestra se usa,
2 2 1 1
+ =
s s s
e e e .

Consideramos un modelo MA(1).

T T T
T T T
u u donde
x y

1 1
1
0
1
0
1


=
+ =
+ +
+ + +


Como consecuencia, para la prediccin de
1

+ T
se usa todos los residuos anteriores.
Acumulando
1

+ T
,

1


+ =
t t t
u u

0
0 1
= =
+
u u
T
y )

(
t t t
x y = . Despus del primero periodo fuera de la muestra,

0
1
= =
+ + + n T n T n T
u u