autocorrelacion est
DESCRIPTION
La autocorrelación se puede definir como la correlación entre miembros de series de observaciones ordenadas en el tiempoTRANSCRIPT
-
AUTOCORRELACION
N INTEGRANTES: Evangelista Velez de Villa Natalia Victoria Guzman Coronel Mishel Aracely
Serrano Gutierrez Vania Thania
DOCENTE:
Ing. Marcelino Aliaga
FECHA:
13 de febrero de 2015
-
AUTOCORRELACION 2
Contenido
1. INTRODUCCION ........................................................................................................................... 3
2. CAUSAS DE LA AUTOCORRELACION ............................................................................................ 4
3. CONSECUENCIAS DE LA AUTOCORRELACION ............................................................................. 5
4. IDENTIFICACION DE LA AUTOCORRELACION .............................................................................. 6
4.1 CONTRASTE DE DURBIN WATSON ........................................................................... 7
4.2. CONTRASTE DE WALLIS ....................................................................................................... 9
4.3. CONTRASTE DE BREUSCH-GODFREY .................................................................. 10
4.4. CONTRASTE h DE DURBIN ...................................................................................... 11
4.5. CONTRASTE DE SARGAN .......................................................................................... 14
5. CORRECCION DE LA AUTOCORRELACION ................................................................. 15
5.1. ADAPTANDO LA ESPECIFICACION A LA NATURALEZA DE LOS DATOS ..... 15
5.2. CAMUFLANDO LA AUTOCORRELACION ............................................................. 15
6. ANEXO ..................................................................................................................................... 16
AUTOCORRELACION
-
AUTOCORRELACION 3
1. INTRODUCCION
La autocorrelacin se puede definir como la correlacin entre miembros de series
de observaciones ordenadas en el tiempo (informacin de series de tiempo) o en
el espacio (informacin de corte de transversal). El modelo de regresin lineal
supone que no debe existir autocorrelacin en los errores, es decir, el trmino de
perturbacin relacionado con una observacin cualquiera no debera estar
influenciado por el trmino de perturbacin relacionado con cualquier otra
observacin.
La autocorrelacin surge cuando los trminos de error del modelo no son
independientes entre s, es decir, cuando: E (ui uj) 0. Para todo ij. Entonces los
errores estarn vinculados entre s. Los estimadores mnimos cuadrticos
ordinarios (MCO) obtenidos, bajo esta circunstancia, dejan de ser eficientes.
La autocorrelacin es una caracterstica que puede presentar el termino de error
de un modelo economtrico y que se manifiesta con mayor frecuencia al tratar con
datos observados a lo largo del tiempo. Este tipo de datos, llamados datos de
series temporales, son observaciones de una variable recogidas a lo largo del
tiempo (das, meses, trimestres, anos etc.) de cierta unidad econmica (empresa,
consumidor, region, pas etc.). Estos datos presentan un ordenamiento natural, ya
que las observaciones estan ordenadas de acuerdo al momento del tiempo en que
han sido observadas.
Como primera aproximacin se asume que las observaciones se generan de la
siguiente manera:
Este modelo expresa un comportamiento autor regresivo de primer orden de los
errores y se denota como AR(1). En este caso a rho () se le conoce como
coeficiente de auto covarianza o de autocorrelacin y el error () es una
perturbacin estocstica que satisface los supuestos MCO tradicionales. El
coeficiente de autocorrelacin (rho) se mueve entre los valores de menos uno y
uno ( -1 < < 1). Al encontrarse entre los valores extremos se dice que existe un
proceso autor regresivo de las perturbaciones o disturbios de los errores.
Si = 0 no existe autocorrelacin
-
AUTOCORRELACION 4
Si = 1 existe autocorrelacin positiva perfecta
Si = -1 existe autocorrelacin negativa perfecta
En trminos matriciales, este problema supone que los elementos que se
encuentran fuera de la diagonal principal de la matriz de varianza-covarianza
(E[UU]) pueden no ser ceros.
2. CAUSAS DE LA AUTOCORRELACION
El problema de la autocorrelacin se presenta mucho en series histricas, en las
cuales la memoria se transmite a travs de los errores.
Entre las principales causas que hacen que aparezca la autocorrelacin en una
muestra tenemos las siguientes:
Inercia. Cuando existen tendencias marcadas que influyen en los valores
futuros de la serie.
Sesgos de especificacin. Cuando se elige mal la forma funcional o
cuando se omiten variables, lo cual genera un comportamiento sistemtico
en el trmino estocstico.
Tiempo de ajuste. Implica el tiempo que los agentes econmicos deben
tomar para procesar informacin de un perodo dado. As un fenmeno
sucedido en un perodo determinado puede impactar en uno o varios
posteriores.
Preparacin de datos. En datos de corte transversal al ordenar los datos
con respecto alguna variable (consumo ordenado de mayor a menor por la
variable ingreso) puede introducir un proceso aparentemente
autocorrelacionado.
Las consecuencias inmediatas, producto de la autocorrelacin, es que los
estimadores son poco eficientes, ya que sus varianzas estarn sobre o
subestimada lo cual imposibilita utilizar las pruebas de contrates test
estadstico usuales para verificar la validez de las estimaciones. Pero los
estimadores siguen siendo lineales, insesgados y consistentes pero han perdido
(como consecuencia de autocorrelacin) su propiedad de varianza mnima, pero la
insesgadez ser til para resolver el problema.
-
AUTOCORRELACION 5
3. CONSECUENCIAS DE LA AUTOCORRELACION
A veces se detecta autocorrelacin debida a una mala especificacin del modelo.
En ese caso, el problema es de omisin de variables relevantes ms que de pura
autocorrelacin. Si las variables omitidas estn correlacionadas con las incluidas,
entonces habr sesgos en la estimacin de los coeficientes de inters por MCO.
As mismo la inferencia no ser valida. En ese caso hay que intentar volver a
especificar el modelo incluyendo aquellos factores que son relevantes y que
hemos omitido en primera instancia.
Por otro lado, si el problema es puramente de autocorrelacin es decir, existen
factores no relevantes en media que se recogen en el trmino de perturbacin y
presentan correlacin entre si a lo largo del tiempo, las consecuencias son otras:
Al ser factores no relevantes en media esto es, E(u) = 0, si los regresores son no
estocsticos, el estimador MCO de los coeficientes ser lineal e insesgado.
La matriz de varianzas y covarianzas del vector de perturbaciones no esfricas,
siga el termino de perturbacin un proceso AR(p) o MA(q) o una combinacin de
los dos, es tal que . Esto implica que el estimador MCO ya no es el de
menor varianza dentro de la clase de estimadores lineales e insesgados. Por lo
tanto, no es el estimador eficiente.
En muestras grandes, en general el estimador MCO es consistente, pero seguir
siendo no eficiente asintticamente.
El estimador usual utilizado para estimar
dado por la expresin es un estimador sesgado e
inconsistente si
Por lo tanto, la inferencia utilizando este estimador de no es vlida ni
siquiera en muestras grandes. El estimador de lineal, insesgado y eficiente en
este caso es el obtenido por el mtodo de MCG.
Como ya vimos en un tema anterior, el mtodo de estimacin de Mnimos
Cuadrados Generalizados incorpora en el criterio de estimacin la informacin
adicional en la matriz de varianzas y covarianzas de las perturbaciones,
. La funcin objetivo a minimizar viene dada por
donde es conocida y es un factor de escala al que es invariante el estimador.
Para el caso particular de que el trmino de perturbacin siga un AR(1), si el valor
-
AUTOCORRELACION 6
de es conocido, la funcin criterio a minimizar con respecto a es la siguiente
suma de cuadrados:
Minimizar esta funcin es equivalente a estimar por MCO el siguiente modelo
transformado en el que se verifican las hiptesis bsicas. Para la primera
observacin,
y para el resto de observaciones t = 2, . . . , T es,
donde Por tanto, la primera observacin sufre una transformacin
diferente a todas las dems.
Normalmente el valor de los parmetros de los que depende no son conocidos.
Por lo general se podr disponer de un estimador previo de estos parmetros para
obtener el estimador MCGF de .
Veamos cmo obtener este estimador en el caso de que sea un AR(1) el proceso
que sigue el trmino de error del modelo de inters.
4. IDENTIFICACION DE LA AUTOCORRELACION
Para detectar la presencia de autocorrelacin se pueden utilizar mtodos grficos
y contrastes de hiptesis. A travs de los contrastes grficos se intuir si existe
autocorrelacin cuando existan comportamientos sistemticos para los residuos.
Los contrastes de hiptesis, por su parte, permiten, a travs de una regla de
decisin, considerar si con los datos de la muestra y con un nivel de significacin
() concreto se debe o no rechazar la hiptesis nula.
Todos los contrastes numricos de autocorrelacin se plantean con idnticas
hiptesis; as, podemos sealar que la forma general del contraste es:
H0: No existe autocorrelacin
H1: Existe autocorrelacin
-
AUTOCORRELACION 7
Esto es, en la hiptesis nula se considera que el trmino de perturbacin
correspondiente a una observacin es independiente del correspondiente a
cualquier otra observacin. En la hiptesis alternativa se seala que el trmino de
error de un modelo economtrico est autocorrelacionado a travs del tiempo.
Esta hiptesis alternativa, al considerar la existencia de un patrn de
comportamiento para los residuos, se puede especificar con procesos
autorregresivos AR(p), de medias mviles MA(q) o mixtos
ARMA(p,q) dependiendo del contraste que se vaya a utilizar.
Se presentan a continuacin distintos contrastes que permiten detectar si las
perturbaciones estn o no autocorrelacionadas y, en caso de estarlo, bajo qu
esquema.
Para identificar la autocorrelacin existen diferentes pruebas comunes, que son:
Contraste de Durbin-Watson
Contraste d de Wallis
Contraste de Breusch-Godfrey
Contraste h de Durbin
Contraste de Sargan
Contraste de Box-Pierce-Ljung
4.1 CONTRASTE DE DURBIN WATSON
Para detectar la presencia de autocorrelacin en una serie de datos la prueba ms
utilizada y que es calculada en prcticamente, todos los programas
economtricos, es la de Durbin Watson. Para este fin se define el estadstico de la
siguiente manera:
Donde OEt es el residuo estimado para el periodo t. Es posible escribir a d como:
-
AUTOCORRELACION 8
Dado que OEt2 y OEt-12 son aproximadamente iguales para muestras grandes
(y dado tambin que =[OEt OEt-1/OEt2]). Tambin se ha demostrado que el
valor esperado de d, cuando =0, est dado por la siguiente relacin:
La distribucin del muestreo de la prueba y su contraste depende del nmero de
observaciones, del nmero de parmetros, de la inclusin o no del intercepto y de
la incorporacin de variables rezagadas en el modelo, adems del nivel de
significancia. Los valores del estadstico Durbin-Watson poseen un rango que va
de cero a cuatro.
-
AUTOCORRELACION 9
Existen tablas para probar la hiptesis de autocorrelacin cero (=0) contra la
hiptesis de autocorrelacin positiva (>0), que arrojan los lmites: inferior (dL) y
superior (dU), para la autocorrelacin negativa se estima por diferencia con lmites
dado por la tabla que son 4-dU y 4-dL
4.2. CONTRASTE DE WALLIS
Este contraste presenta una modificacin del estadstico de Durbin-Watson para
los modelos que utilizan datos trimestrales en los que, dado el carcter estacional
de estas series, se espera que la perturbacin de una observacin concreta no
est relacionada con la perturbacin del periodo inmediatamente anterior sino que
dependa de la perturbacin del mismo trimestre pero del ao anterior, es decir,
que la estructura de autocorrelacin sea utjut4 et
El contraste plantea en la hiptesis nula la ausencia de autocorrelacin,
Para verificar si esta estructura de autocorrelacin es o no cierta Wallis propone
una modificacin del estadstico de Durbin-Watson que denomina d4:
-
AUTOCORRELACION 10
Este estadstico tambin fue tabulado por Wallis bajo el supuesto de modelo de
regresin con un nico trmino independiente y tambin para el caso de
regresiones que incluyan trminos independientes y variables ficticios estacionales
(trimestrales). Al igual que el contraste de Durbin-Watson, el estadstico d4 se ha
tabulado suponiendo que la matriz de regresores es no aleatoria y suponiendo
tambin que el modelo tiene trmino independiente.
Adems de este contraste, King9 (1983) desarroll otra modificacin del
estadstico de Durbin-Watson. En este caso se obtuvieron los valores de los
lmites superiores (du) e inferiores (dL) de autocorrelacin para definir las regiones
de rechazo, indecisin y no rechazo cuando se trabaja con datos mensuales.
4.3. CONTRASTE DE BREUSCH-GODFREY
Los contrastes anteriores, a pesar de su validez y robustez para detectar
autocorrelaciones de rdenes superiores, se disearon inicialmente para
contrastar la presencia de procesos autorregresivos de primer orden por lo que el
procedimiento adecuado, una vez detectado un problema de autocorrelacin,
consistir en el anlisis de otros procesos de autocorrelacin, ya sean
autorregresivos de orden superior, procesos de medias mviles o procesos mixtos.
En este sentido, el contraste de Breusch-Godfrey se especifica con la finalidad de
analizar si existe o no autocorrelacin de orden superior a uno; para ello, en la
hiptesis alternativa se incluyen especificaciones ms generales que la del modelo
autorregresivo de primer orden y que se pueden generalizar a cualquier
especificacin ARMA (p,q).
En la hiptesis nula se considera ahora que no existe autocorrelacin; la hiptesis
alternativa especificar un esquema concreto de autocorrelacin.
Por ejemplo, en un modelo autorregresivo de orden p. u = j u + j u + + j u + e1 la
hiptesis nula se formulara con el supuesto de ausencia de autocorrelacin, es
decir, nulidad de todos los coeficientes autorregresivos,
Este contraste, al igual que los estudiados hasta el momento, se basa en los
residuos MCO y se define como una prueba de significacin conjunta de las
primeras p autocorrelaciones de los residuos. Para su aplicacin emprica es
necesario desarrollar las siguientes etapas:
1. Estimacin por MCO del modelo de regresin y obtencin de los residuos
MCO (et)
-
AUTOCORRELACION 11
2. Estimacin de una regresin auxiliar de los residuos et sobre p retardos de
los mismos, et -1, et -2, ..., et -p, as como sobre las variables explicativas
del modelo original.
3. Obtencin del coeficiente de determinacin (R2) de la regresin auxiliar.
4. Forma del estadstico experimental, incluidos en la regresin auxiliar; esto
es, el orden de autocorrelacin que se est contrastando; n es el nmero de
observaciones del modelo.
5. Regla de decisin: si el valor del estadstico experimental excede del
estadstico terico entonces hay evidencia suficiente para rechazar la
hiptesis nula y admitir que existe autocorrelacin; en caso contrario no
sera correcto rechazar la ausencia de autocorrelacin.
Este contraste presenta algunas ventajas frente al estadstico de Durbin- Watson;
se puede considerar que el contraste de Breusch-Godfrey puede utilizarse en
modelos que incluyan como regresores algunos retardos de la variable endgena,
sin que por ello cambien las propiedades del contraste.
En segundo lugar se puede sealar que este contraste permite especificar en la
hiptesis alternativa cualquier esquema de autocorrelacin ya sea a travs de un
proceso autorregresivo, de medias mviles o mixto.
A pesar de estas ventajas que lo pueden hacer preferible al contraste de Durbin
Watson, no hay que olvidar que para la aplicacin de este contraste es necesario
especificar una longitud del retardo y que sta se determinar por un
pro
ced
imi
ento de experimentacin basado en el anlisis de significacin individual de los
retardos de los residuos, lo que en principio podra dificultar la tarea de seleccin
del orden de autocorrelacin.
4.4. CONTRASTE h DE DURBIN
El contraste de Durbin-Watson, como ya se ha especificado anteriormente, impone
como condicin para su correcta interpretacin que los modelos contengan
regresores exclusivamente no aleatorios; con lo cual no se puede aplicar en
modelos dinmicos en los que se considere como regresor algn retardo de la
variable dependiente. Para corregir esta deficiencia, Durbin desarroll un
estadstico que s puede aplicarse en estos modelos que incluyan retardos de la
variable dependiente. Para este caso se ha obtenido un test asinttico para
muestras grandes.
-
AUTOCORRELACION 12
La formulacin de las hiptesis nula contina siendo la misma ya que sigue siendo
un contraste para la autocorrelacin de orden uno bajo un esquema autorregresivo
AR(1),
La hiptesis alternativa, por su parte, se especifica ahora de modo que el
contraste se configure como un contrate unilateral; esto es, se van a establecer
dos posibles hiptesis alternativas segn se considere que la autocorrelacin
puede ser positiva o negativa. As, el contraste quedara especificado
El estadstico de prueba es:
que se distribuye asintticamente segn una distribucin N 0 ,1 lo que, con un
nivel de significacin del 5%, supone no rechazar la hiptesis nula para los valores
de h pertenecientes al intervalo (-1.645; 1.645) ya que se trabaja con un contraste
de una sola cola.
Para el clculo de este estadstico se necesitan conocer los siguientes datos:
1. Tamao de la muestra (n)
2. Varianza muestral estimada del coeficiente del regresor aleatorio (Yt-1) en
la regresin MCO del modelo a estimar; es decir, obtenida bajo el supuesto
de MRLNC [Var (bi)].
3. Coeficiente de correlacin estimado (r )
Este coeficiente de correlacin estimado se puede calcular a partir de la
estimacin de una estructura autorregresiva de orden 1 para los residuos una
regresin MCO de los residuos frente a un retardo de los mismos
esto es:
-
AUTOCORRELACION 13
Otra posibilidad consiste en calcular esta correlacin muestral a partir del valor del
estadstico de prueba del contraste de Durbin-Watson,
El procedimiento de contrastacin requiere de la realizacin de las siguientes
fases:
1. Estimacin MCO del modelo de regresin y obtencin de la varianza
estimada del coeficiente del regresor aleatorio, Var(bi)
2. Clculo del coeficiente de correlacin estimado
3. Clculo del valor del estadstico experimental h
4. Aplicacin de la regla de decisin. Si h > 1,645 se rechaza la hiptesis nula
al nivel de significacin del 5% considerando entonces que existe
autocorrelacin positiva de primer orden. Para el caso de autocorrelacin
negativa de primer orden, el valor del estadstico experimental h debe ser
inferior a 1,645.
El principal inconveniente que tiene este contraste es que si el radicando es
negativo, esto es [n Var(bi) > 1], entonces el test falla. Para estos casos Durbin
propuso un procedimiento asinttico equivalente12 y que consiste en lo siguiente:
1. Estimar por MCO el modelo de regresin y obtener la serie de residuos
MCO
2. Estimar una regresin auxiliar en la que los residuos MCO se especifiquen
como funcin de todos los regresores del modelo y tambin se incluya
como regresor adicional un retardo de los residuos.
Analizar, utilizando el estadstico t habitual, la significacin individual del retardo de
los residuos de la regresin auxiliar. Si el coeficiente del retardo del residuo es
significativamente distinto de cero entonces se considera que existe
autocorrelacin de primer orden.
-
AUTOCORRELACION 14
4.5. CONTRASTE DE SARGAN
Cuando el resultado del contraste de Durbin-Watson indica que debe rechazarse
la hiptesis nula el origen de esta posible autocorrelacin puede deberse a la
existencia de errores en la especificacin del modelo. Por ejemplo, la omisin de
variables relevantes llevara a incluir esas variables omitidas en el trmino de
perturbacin; si estas variables estuvieran correlacionadas podra detectarse un
problema de autocorrelacin en la perturbacin cuando el verdadero origen de
sta se debe a la falta de especificacin de aqullas.
En este sentido Sargan14 (1964) y posteriormente Hendry y Mizon15 (1978)
buscaron una forma de distinguir, en los casos en que el estadstico de Durbin-
Watson detecta la presencia de autocorrelacin, si sta se debe a un error de
especificacin dinmica o si es realmente un problema de las perturbaciones del
modelo.
As, puede apreciarse cmo un modelo de regresin con perturbaciones AR(1);
esto es
con perturbacin puede escribirse
como un modelo dinmico autorregresivo
Reparametrizando el modelo anterior se puede expresar alternativamente como,
donde debera verificarse la siguiente restriccin
Sargan sugiere comenzar con una especificacin dinmica y contrastar la
restriccin anterior antes de probar cualquier anlisis de autocorrelacin. Si como
resultado del contraste: 0 0 1 2 3 H b b b se obtiene que esa restriccin es
cierta, esto es que no se rechaza la hiptesis nula, entonces se puede considerar
que los dos modelos son idnticos y por tanto no existe error de especificacin con
lo que debera pasar a contrastarse si existe o no autocorrelacin. En el caso en
que se rechace la hiptesis nula entonces los posibles problemas de
autocorrelacin detectados se pueden referir a un error de especificacin al haber
omitido en la especificacin inicial los regresores dinmicos Xt-1 e Yt-1.
-
AUTOCORRELACION 15
5. CORRECCION DE LA AUTOCORRELACION
Si admitimos como vlida la hiptesis de la falta de estacionariedad de las
variables implicadas en la regresin, parece evidente que no podremos utilizar
estas variables niveles y, por tanto, cualquier esfuerzo de camuflar la
autocorrelacin con la utilizacin de Mnimos Cuadrados Generalizados o
transformaciones a partir del parmetro estimado sera cuestionable.
Dado que en la mayor parte de las ocasiones la autocorrelacin es un sntoma de
una especificacin deficiente (modelizacin en niveles con variables no
estacionarias, omisin de alguna variable relevante, .), se sigue que en la mayor
parte de las ocasiones la forma adecuada de corregir un problema de
autocorrelacin es la correccin de la especificacin. Es decir, la autocorrelacin
es, en muchas ocasiones, un sntoma de no es una enfermedad; por tanto,
podemos optar por camuflar el sntoma, pero siempre ser ms razonable intentar
atajar la enfermedad.
5.1. ADAPTANDO LA ESPECIFICACION A LA NATURALEZA DE LOS
DATOS
En el caso en que se comprobase, como sucede en nuestro ejemplo, y con la
adecuada utilizacin de contrastes de No Estacionariedad , la existencia de
variables integradas, convendra utilizar diferencias de las variables originales o
bien tasas de crecimiento, estimando entonces de nuevo la ecuacin.
Puede comprobarse como, en ambos casos, los resultados en trminos de
significatividad son decepcionantes al tomar las primeras diferencias estamos
estudiando esencialmente el comportamiento de variables alrededor de sus
valores de tendencia (lineal) un movimiento siempre ms complejo que el de la
mera progresin tendencial
5.2. CAMUFLANDO LA AUTOCORRELACION
En el caso concreto ilustrado por nuestro ejemplo, la nica solucin al problema de
la autocorrelacin consiste en la mejora de la especificacin; no obstante, una vez
que renunciamos a una correccin genuina, o una vez agotados todos los
recursos para ajustar la especificacin del modelo, siempre cabe la alternativa de
corregir los sntomas evitando en parte los efectos indeseables de una inadecuada
estimacin MCO en un contexto en que esta estrategia no es vlida.
La estrategia para eliminar los efectos en la estimacin de un modelo de
autocorrelacin consiste, evidentemente, en la utilizacin de Mnimos Cuadrado
Generalizados considerando para ello la matriz de varianzas y covarianzas que
corresponde al patrn de autocorrelacin detectado. En caso de verificarse la
existencia de un proceso AR(1) en los residuos, la forma de la matriz de
-
AUTOCORRELACION 16
autocorrelacin es bien conocida pero si no pudisemos verificar que el proceso
de autocorrelacin sigue ese modelo AR(1) deberamos considerar estimaciones
alternativas de sigma. Como ya se dijo en el contexto de la heterocedasticidad, el
riesgo de la transformacin o de la utilizacin de MCG radica, evidentemente, en
la verosimilitud del modelo de autocorrelacin supuesto; si el modelo de
autocorrelacin resulta desconocido o complejo, los eventuales beneficios de
eficiencia derivados de la utilizacin de un procedimiento de MCG o MCO sobre
variables corregidas podran ser menores de los previstos en cuanto que estarn
condicionados a la decisin sobre el patrn de autocorrelacin considerado.
Quiz la forma ms burda de hacer una correccin factible sea simplemente
camuflar el mal dato del DW aadiendo la endgena retardada en la regresin;
como puede imaginarse, esta tctica, ni siquiera trata de adaptar la ineficiente
herramienta de estimacin MCO al problema de la autocorrelacin sino,
directamente, distorsionar el modelo de forma que el DW no refleje la verdadera
dimensin de la autocorrelacin
Efectivamente, aunque el valor del nuevo DW parece ahora aceptable, debe
recordarse que, en realidad, en presencia de autocorrelacin, se propone utilizar el
estadstico h de Durbin en lugar del estadstico DW original.
6. ANEXO
Instrucciones basicas de gretl para autocorrelacion
En este anexo vamos a indicar las instrucciones bsicas para poder realizar la
prctica de ordenador del tema. En el anexo del tema anterior ya se han explicado
las generales, por lo que nos centraremos solamente en las especficas de
autocorrelacin.
Contrastes de Autocorrelacin: El programa gretl tiene implementados varios
contrastes de autocorrelacin.
- El estadstico de Durbin-Watson se muestra en los resultados de las
estimacin por MCO. Para realizar el contraste de Durbin-Watson, hay que
obtener los valores de las cotas inferior y superior tabuladas al 5 % para un
tamao muestral dado n, por ejemplo 72 observaciones.
En la ventana principal hay que elegir Herramientas Tablas estadsticas DW
se completa el tamao muestral n = 72 y el nmero de regresores del modelo,
excluyendo el trmino constante, por ejemplo 2.
-
AUTOCORRELACION 17
Se muestran las cotas inferior di dL y superior ds dU, de la siguiente forma:
Valores crticos al 5% del estadstico de Durbin-Watson, n = 72, k = 2, dL =
1,5611, dU = 1,6751
- El contraste de Breusch-Godfrey se puede obtener en la pantalla de
resultados de la estimacin MCO. Pulsar:
Contrastes Autocorrelacin Seleccionar el nmero de retardos p de la
hiptesis alternativa
Al realizar la regresin auxiliar gretl usa todas las observaciones, incluidas las
primeras p igualando aquellos retardos de los residuos no disponibles u0, . . . ,
u1p a cero. Por supuesto puedes obtener el valor del estadstico de contraste
siguiendo todos los pasos aprendidos en clase. Veamos cmo realizar
explcitamente y paso a paso el contraste de Breusch-Godfrey:
1. Se estima el modelo de inters por MCO Modelo Mnimos Cuadrados
Ordinarios
2. Se guardan los residuos Guardar residuos en la ventana de estimacin
del modelo.
3. Se realiza la regresin auxiliar tal y como se ha explicado en la clase
magistral. Si no se consideran todas las observaciones, simplemente se
realiza la estimacin por MCO eligiendo como variable dependiente la que
se ha definido para guardar los residuos y como variables explicativas los
regresores del modelo de inters. Adems, para incluir como regresores los
p retardos de los residuos: en la ventana gretl: especificar modelo elegir
retardos y en la que surge elegir los retardos que se deseen, de 1 a p de la
variable dependiente.
4. Se guarda el valor del coeficiente de determinacin R2 de esa regresin
auxiliar y se multiplica por el nmero de observaciones disponibles para el
clculo del estadstico.
Estimar de forma consistente la matriz de varianzas y covarianzas de los
coeficientes estimados por MCO robusto a autocorrelacin.
La estimacin de los coeficientes del modelo es por MCO, pero su matriz de
varianzas y covarianzas se estima teniendo en cuenta que hay autocorrelacin
para que la inferencia usando los estadsticos t y F sea adecuada:
Modelo Mnimos Cuadrados elegir la variable dependiente y las variables
independientes
Elegir en esa misma ventana desviaciones tpicas robustas, y en configurar elegir
HAC.
-
AUTOCORRELACION 18
De esta forma podemos hacer los contrastes de significatividad individual con los
valores de los estadsticos t que nos muestra el output eligiendo el valor critico en
la distribucin N(0,1). Cualquier otro contraste de restricciones lineales los
podemos realizar eligiendo en la ventana de estimacin
Contrastes Restricciones lineales. El programa gretl considera para realizar el
contraste el estimador robusto a autocorrelacin de la matriz de varianzas y
covarianzas de los coeficientes estimados por MCO.
Estimar la especificacin del modelo por el metido de Cochrane-Orcutt.
Modelo Series Temporales Cochrane-Orcutt
En la ventana de resultados se muestra el valor de rho y la SCR del modelo
transformado para cada iteracin, hasta el valor final alcanzado el criterio de
convergencia que por defecto usa gretl. A su vez, se muestran los resultados de la
estimacin del modelo original por este mtodo. Tambin se muestran una serie
de estadsticos basados en los datos rho-diferenciados. Hay que ser cautelosos en
la interpretacin de estos resultados, ya que se refieren al modelo transformado y
no al original.
Este modelo tiene regresores estocsticos ya que para la transformacin se utiliza
la estimacin del parmetro _. Por lo tanto, el valor del estadstico Durbin-Watson
no es comparable con las cotas tabuladas bajo el supuesto de regresores no
estocsticos.
Cualquier contraste de restricciones lineales utilizando este estimador lo podemos
realizar eligiendo en la ventana de estimacin Contrastes Restricciones lineales
Estimar la especificacin del modelo por el mtodo de Hildreth-Lu
Modelo Series Temporales Hildreth-Lu
En la ventana de resultados se muestra el valor de rho en la red para la cual la
SCR es mnima junto con los resultados de la estimacin de los parmetros del
modelo original. Adicionalmente, se muestra en una nueva ventana la funcin a
minimizar que es la Suma de Cuadrados de Residuos (SCR) del modelo
transformado para distintos valores de rho en la red.
Tratamiento de los retardos en gretl.
- Aadir retardos de una variable en concreto a la ventana principal.
Aadir Retardos de las variables seleccionadas
En la ventana que surge poner el nmero de retardos que se quiere aadir. El
problema est en que estos retardos no aparecern en las ventanas de estimacin
del modelo por MCO o por otro tipo de mtodos.
-
AUTOCORRELACION 19
Otra forma sera Aadir Definir nueva variable
En la ventana que surge definir el retardo de la variable deseada, por ejemplo de
la variable
RD el retardo 4 sera RD4 = RD(4)
Entre parntesis el nmero de retardo deseado se acompaa con el signo menos.
Vemos los datos de esas variables
La primera columna sera RDt y la segunda RDt4.
- Aadir retardos de la variable dependiente o de los regresores y usarlos en la
estimacin. En este caso se aadirn en la misma ventana de estimacin:
En la ventana gretl: especificar modelo elegir retardos y en la que surge elegir los
retardos que se deseen, bien de forma continua o retardos especficos de forma
discontinua, tanto de la variable dependiente como de las variables explicativas
que se han definido previamente.