autocorrelacion
-
Upload
marhysol-acho-sarzury -
Category
Documents
-
view
5 -
download
0
Transcript of autocorrelacion
Definición de autocorrelación
La perturbación de una observación cualquiera ui
está correlacionada con la perturbación de
cualquier otra observación => las observaciones
no son independientes E(ui u j ) 0; i j
¿Cómo se expresa laausencia de correlación?
210
t 2t
1. Existencia de tendencias y/o ciclos en los datos
2. Errores de especificación:
a) Omisión de variables explicativas:• Ejemplo:
Modelo correcto: yt
Estimamos:
x1t x2t ut
yt 0 1 x1t donde x2t ut
εt presentará un falso patrón de autocorrelación
b) Forma funcional incorrecta:• Si especificamos una relación lineal entre las
variables cuando realmente es cuadrática,
3. La relación entre las variables es dinámica y noestática
observaremos un falso patrón de autocorrelación
t
210
2t
• Ejemplo: si trabajamos con el siguiente modelo
yt 0 1 x1t
Pero el modelo correcto es:
yt x1t yt 1 ut
Tendremos que yt 1 ut
• Ejemplo: el fenómeno de la telaraña
4. Manipulación y transformación de datos
Bajo los supuestos del Teorema Gauss- Markov los estimadores MCO son ELIO.
Si no se satisface el supuesto de independencia:
Es decir, E (ut ut s ) 0; s 0-Los estimadores MCO son lineales.
-Los estimadores MCO son insesgados.
-Los estimadores MCO no son eficientes.
¿Por qué noson eficientes?
Ya que los estimadores MCO no son eficientes:
i. las estimaciones de las varianzas de losestimadores son sesgadas
ii. las contrastaciones de hipótesis y los intervalos de confianza ya no son fiables.
Detección de la autocorrelación
Análisis gráfico de los residuos
Naturaleza del problema
-El supuesto de no autocorrelación se relaciona con las perturbaciones poblacionales ut (no observables directamente)
-Sólo disponemos de información sobre ût y no sonlo mismo que ut
- Es más, nuestros datos se basan en una muestra
Puede que ut sean homoscedásticos y no correlacionados y ût sean heteroscedásticos y
autocorrelacionados
(=> incrementar tamaño de muestra)
- Los residuos constituyen una proxy de loserrores, especialmente para muestras grandes.
- Los residuos se pueden representar gráficamente respecto al tiempo.
- También se pueden representar los residuosestandarizados (ût /σ^) respecto al tiempo.
-En vez de representar los residuos respecto al tiempo, se pueden representar ût respecto a ût-1
(detectando si la correlación entre los residuos es positiva o negativa).
Algunos test
-Prueba de las rachas o prueba de Geary
-Estadístico d de Durbin-Watson
(disponible en Eviews)
-Estadístico Breusch y Godfrey
(disponible en Eviews)
-Estadístico de Box y Pearce (Q-statistics)
(disponible en Eviews)
u
Supuestos:
Estadístico d de Durbin-Watson
1.Existe término constante en el modelo
2.X’s fijas en muestreo repetido
3.ut siguen un modelo autorregresivo de orden 1
ut t 1 at donde at es ruido blancoy -1< ρ <1
4.ut sigue una distribución normal
5.El modelo es estático, no dinámico
6.No hay valores perdidos (missing values)
ˆ )1 ˆ
ˆ
1
2 11
u
e
uˆ
nt 2
• H0: 0
• H1: ut t 1
Estadístico d de Durbin-Watson
at
• Si se cumplen los supuestos, se puede definir:
(uˆtd t
uˆt )
2ut
uˆt
2(1
t n ˆ 2 u
t ut t
– Esta aproximación es buena si n es suficientementegrande y ˆ
regresión:s el estimador de MCO de la siguiente
uˆt t 1 at t 2,3,...,n
1 ˆ
ˆ
1 ˆ
ˆ
ˆ )
Estadístico d de Durbin-Watson
• Puesto que 1 d 2(1
• El estadístico puede tomar los siguientes
valores
– d = 2 si 0
– d є (2, 4) si 0
– d є (0, 2) si 0 1
Estadístico d de Durbin-Watson
A modo de conclusión (pasos):
1. Estimar el modelo de regresión lineal y obtener los residuos
2. Calcular el estadístico de DW
3. Encontrar los valores du y dl
4. Toma de decisiones
Estadístico Breusch y GodfreyEstadístico Breusch y Godfrey
Prueba
Es una prueba general que permite:
1.Modelos dinámicos
BG o ML
2.ut siguen un modelo autorregresivo de orden p
3.Promedios móviles del término de error
H0: ausencia de correlación
H1: ut ~ AR(p) ó ut ~ MA (q)
2p
Pasos
Prueba BG o ML
1. Estimar el modelo de regresión lineal
2. Regresar ût sobre X’s originales y ût-1, ût-2,…ût-p
3. Obtener el R-cuadrado de la regresión anterior
4. Breusch y Godfrey demostraron que
(n-p)R2 ~
Si el valor obtenido excede el valor crítico, podemos rechazar la H0 y, al menos, un es distinto de cero
Corrección de la autocorrelación
Si hay evidencia de que haya autocorrelación:
1. Averiguar si es una autocorrelación pura o unproblema de mala especificación del modelo
2. Si es un problema de autocorrelación pura:
Método de MCG => transformar el modelo
3. Para muestras grandes: método de Newey- West para corregir errores estándar
4. En ocasiones, seguir utilizando MCO
Problema de autocorrelación pura: Método
1. Analizar si existe tendencia incluyendo lavariable tiempo (t) y observar el estadístico deDW
Si persiste la autocorrelación
2. Cambiar la forma funcional del modelo yobservar el estadístico de DW
Si persiste la autocorrelación
3. Puede ser un problema de autocorrelación pura
Conveniente realizar la prueba de normalidad deJarque-Bera para comprobar que û ~ N(0,σ2)
10
u 1
Mala especificación del modelo
Al trabajar con series temporales:de Mínimos Cuadrados Generalizados (MCG)
Para describir los procedimientos de estimación trabajaremos con el siguiente modelo
yt
ut t 1
xt ut
at 1
Dos casos:
1. Se conoce ρ.
2. Se desconoce ρ, y hay que calcularlo.
x1 )0y
1u
*1
*0 xy *
Cuando se conoce ρ:
La autocorrelación se resuelve transformando elmodelo.
El modelo transformado será:
yt t 1
*t
(1
t at
xt t 1 ) at
donde at ut t
El término de error ya no presenta autocorrelación
Estimar por MCO el modelo transformado,
es decir aplicar MCG.
:
u
uˆ
*1
*0y x *
Cuando se desconoce
Estimar a partir de los residuos
Si ut sigue un esquema AR(1): ut t 1 at
1. Se estima el modelo original para obtener losresiduos ût.
2. Estimar uˆ
t
t 1 at para obtener ˆ
3. Usar ˆ para obtener el modelo transformado*
t4. Y estimar
:
ˆ )
ˆ
*1
*0y * *
Cuando se desconoce
Procedimiento basado en el estadístico
Recordar que
d de DW
d 2(1 1 d
2En muestras grandes podemos obtener ˆ a partirdel estadístico de DW para transformar el modelo original, obteniendo
t xt at
Y estimar
:
ˆ
)ˆ0
ˆ *0
ˆ0
t
2
u
Pasos:
Procedimiento iterativo de Cochrane-Orcutt
1. Aplicar MCO al modelo original ignorando lapresencia de autocorrelación y recuperar los ût .
2. A partir de û , obtener una estimación preliminar den
como:t
uˆt uˆ
t 1
nˆ 2
t 2 t 1
3. Con ˆ calcular las variables transformadas: yt*, xt*y estimar el modelo transformado por MCOrecuperando la estimación del término constante
por medio de la relación (1
ˆ0 1̂
i
ii
i
4. Con y volver al modelo original y~recuperar los nuevos residuos ut y la nueva
estimación de ˆ
5. Repetir hasta alcanzar la convergencia. Uncriterio de convergencia sería:
ˆ 1
ˆ
ˆ
donde ˆ es la estimación de en lainteracción i-ésima y P es una tolerancia prefijada tan pequeña como se quiera
:
111 (1
xy 1
Métodos adicionales
1. Método de primeras diferencias
Cuando 1 el modelo transformado sereduce al modelo en primeras diferencias
yt yt xt xt ) ut ut )
at
con lo que sólo hay que calcular las primeras diferencias y estimar
Problema de autocorrelación pura: el métodode Newey-West para la corrección de errores estándar
El procedimiento de Newey-West genera errores estándar de los coeficientes de la regresión estimada que tienen en cuenta la autocorrelación.
Es una generalización del procedimiento de White
Genera errores estándar consistentes con la heterocedasticidad y la autocorrelación
Sólo válido para muestras grandes →t y F válidos
ˆ
Cuándo usar MCO ante un problema deautocorrelación pura
En muestras pequeñas, MCG y Newey-West pueden resultar peores que MCO en cuanto a las propiedades de los estimadores
Muestras pequeñas simejor que MCG
0.3 MCO es igual o