AUTOCORRELACIN 1. Aspectos Tericos 1.

1 Definicin La autocorrelacin o correlacin serial se da cuando los trminos de perturbacin tienden a estar altamente correlacionados, es decir cuando el trmino de perturbacin est correlacionado con sus rezagos a travs del tiempo. Debe tenerse en cuenta que, este problema se hace particularmente presente sobre todo en datos de series de tiempo, pero si la correlacin se debe a variables omitidas, tambin puede ocurrir en datos de corte transversal. Esto causa que la matriz de varianza-covarianzas de las perturbaciones no sea la que se asume en MRLC, y tiene la siguiente forma:
0 1 0

n 1 n 2

Var(u )

E (uu ' )

n 1

n 2

Esta matriz es simtrica, su estimacin implica la existencia de k n n 1 / 2 1 parmetros a estimar, lo cual no es posible con n observaciones. Si la perturbacin siguiera un proceso estacionario autorregresivo de primer ut 1 orden 1 o AR(1): u t t , la matriz de varianzas y covarianzas de los trminos de perturbacin sera igual a:

1 Var(u )
1 0

n 1 n 2 2 u

1
1

n 1 n 2

n 1

1
n 2

n 1

1
n 2

2 u

1.2 Causas de Autocorrelacin Autocorrelacin espacial: En datos de corte transversal. Por ejemplo por similitudes en el clima de regiones adyacentes. Influencia prolongada de choques: en datos de series de tiempo. Por ejemplo, terremotos, sequas, Fenmeno del Nio, etc. Inercia: Inercia en el comportamiento. Por ejemplo, la inercia que caracteriza a la inflacin (inercia inflacionaria). Manipulacin de datos: Por la interpolacin o suavizamiento de datos. Mala especificacin: la cual puede surgir por varias razones:

Si ut est autocorrelacionada, puede ser que se est omitiendo una u t cuando variable relevante. Si se estima el modelo Ct 1 2Yt ut , donde rt rt 1 el verdadero modelo es Ct 1 2Yt 3 rt t . Mala especificacin funcional. Mala especificacin dinmica. Ocurre si se asume Ct ut cuando la relacin correcta es Ct 1 2Yt 3Ct 1 1.3 Consecuencias sobre los estimadores MCO Eficiencia: los estimadores MCO siguen siendo insesgados y consistentes, sin embargo, ya no son eficientes. Ahora, los estimadores de Mnimos Cuadrados Generalizados son MELI. Inferencia: la frmula convencional de Var( MCO ) no es correcta cuando existe autocorrelacin. Por tanto, la inferencia basada en esta frmula se distorsiona y el sentido de la distorsin no es siempre el mismo. El vector de estimadores MCO no es de mxima verosimilitud y, por tanto, no es asintticamente eficiente. 2. Deteccin A continuacin se estima una ecuacin de la demanda por dinero (circulante real) que depende de una constante, el PBIR Real y una tendencia determinstica para medir (aproximadamente) la innovacin financiera. El objetivo en esta seccin es mostrar la forma de detectar la posible presencia de autocorrelacin en las perturbaciones. 2.2 Inspeccin visual de los residuos Una forma simple de detectar la existencia de autocorrelacin es mediante un anlisis grfico de los residuos de la ecuacin estimada. En particular, el grfico de los residuos permite identificar la presencia de autocorrelacin generada porque las perturbaciones siguen un proceso autorregresivo de primer orden o AR(1). Por un lado, cuando la serie del residuo presenta autocorrelacin de primer orden y positiva, en el grfico de la serie puede observar que existen grupos de valores positivos y negativos sucesivos a lo largo de la muestra de estimacin. Por otro lado, cuando los residuos toman valores positivos y negativos de manera alternada ello se puede interpretar como presencia de autocorrelacin de primer orden y negativa. Para mostrar los valores de los residuos de la ecuacin estimada, se sigue la siguiente ruta desde la ventana de la ecuacin: View/Actual-Fitted Residuals/Actual-Fitted Residuals Table :
1 2 t

ut

con lo cual se obtiene:

Alternativamente, es posible generar los residuos como un objeto serie del Eviews y mostrar su grfico. Para ello, en la lnea de comandos o a travs de un programa, se escribe lo siguiente:
mco.makeresids residmco graph residuos.line residmco residuos.axis(left) grid zeroline

y se obtiene como resultado:

.08 .06 .04 .02 .00 -.02 -.04 -.06 1995 1996 1997 1998 1999 2000 2001

RESIDMCO

En este caso, el grfico de los residuos muestra evidencia de autocorrelacin de primer orden y positiva, pues los errores no se alternan aleatoriamente alrededor del cero, si no que mantienen valores de un mismo signo durante varios perodos. Adicionalmente, para evaluar la hiptesis de que las perturbaciones siguen un proceso autorregresivo de orden 1 o AR(1), se puede construir el grfico de dispersin entre el residuo y su primer rezago:
E vs. E_REZ1 .08 .06 .04 .02 E .00 -.02 -.04 -.06 -.06 -.04 -.02

.00

.02

.04

.06

.08

E_REZ1

En este grfico de dispersin se puede observar que existe una clara relacin positiva entre los errores contemporneos y los errores rezagados, lo cual confirma la hiptesis de que las perturbaciones siguen un proceso AR(1). Para ello, en la lnea de comandos o a travs de un programa, se escribe lo siguiente:
series e= residmco series e_rez1=e(-1) group variables e_rez1 e graph dispersion.linefit variables show dispersion

2.2. El contraste de Durbin Watson (DW) El prueba de autocorrelacin de Durbin-Watson es una de los ms conocidas y utilizadas para detectar la presencia de autocorrelacin de primer orden en los residuos. La ventana de la ecuacin estimada muestra el estadstico DW automticamente:
Dependent Variable: M1 Method: Least Squares Sample: 1995M01 2001M12 Included observations: 84 Variable C LPBIR TIPMN @TREND R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient Std. Error 4.972378 0.349609 -0.003856 0.001762 0.858185 0.852867 0.024851 0.049405 193.2271 0.968258 0.107140 t-Statistic 5.135386 3.263099 Prob. 0.0000 0.0016 0.0460 0.0000

0.001902 -2.027051 0.000221 7.978040

Mean dependent var 8.255810 S.D. dependent var 0.064787

Akaike info criterion -4.505408 Schwarz criterion F-statistic Prob(F-statistic) -4.389654 161.3716 0.000000

Durbin-Watson stat 1.160906

En este caso, el valor reportado para el estadstico DW es 1.160906. Cabe recordar que los valores cercanos a cero indican autocorrelacin positiva de primer orden, los valores cercanos a cuatro indican autocorrelacin negativa de primer orden y un valor alrededor de 2 indica que no existe autocorrelacin. Esta prueba es vlida bajo dos condiciones: (a) que la regresin presente un trmino constante, y (b) ningn regresores puede ser un valor pasado de la endgena. Cuando se incumple la segunda condicin, es posible utilizar una extensin de la prueba DW denominada Durbin-H. Formalmente, el estadstico Durbin-Watson esta dado por:
T

(et d
t 2 T

et 1 ) 2 2(1 r ) et2

2 e12 eT T

et2
t 1

t 1

donde r es el coeficiente de correlacin muestral entre dos residuos adyacentes. Asintticamente, el etadstico d es aproximadamente igual a d 2(1 r ) . En el ejemplo analizado, se tiene que DW= 1.160906. Para interpretar adecuadamente este valor (si es cercano o no a 0), es necesario determinar las zonas de incertidumbre en la distribucin del DW. As, dado 5

que T=84 y k=3, las tablas del estadstico DW proporcionan los lmites inferior y superior que definen la zona de incertidumbre: dL=1.39 y dU=1.51.Grficamente, se tiene:

dL

dU

4 - dU

4 - dL

desde 0 hasta dL Autocorrelacin positiva 0 a 1.575 desde dL hasta dU Zona de indeterminacin 1.575 a 1.721 desde dU hasta 4 dU No autocorrelacin 1.721 a 2.279 desde 4 dU hasta 4 - dL Zona de indeterminacin 2.279 a 2.425 desde 4 dL hasta 4 Autocorrelacin negativa 2.425 a 4 De esta forma, se concluye que existe autocorrelacin positiva de primer orden pues el estadstico DW toma un valor que pertenece a la zona de autocorrelacin positiva. Para obtener el valor del estadstico de DurbinWatson como un objeto nmero (scalar), se utiliza el siguiente comando:
scalar dw=mco.@dw

2.3 Inspeccin del correlograma de los residuos Muchas veces la autocorrelacin se genera a consecuencia de que las perturbaciones siguen un proceso AR(p), MA(q) o ARMA(p,q). En estos casos, la identificacin del posible proceso se realiza a travs de la inspeccin del correlograma (grfico de los coeficientes de correlacin) y el grfico de los coeficientes de autocorrelacin parcial. Para visualizar estos dos grficos, se sigue la siguiente ruta desde la ventana de los residuos View/Correlogram y se obtiene la siguiente ventana de dilogo:

En esta ventana se tiene que elegir dos cosas. Primero, indicar si se desea visualizar el correlograma de la serie seleccionada (los residuos) en niveles, en primeras diferencias o en segundas diferencias. Segundo, elegir el nmero de coeficientes de autocorrelacin (y correlacin parcial) que se desea visualizar. Las opciones por defecto son correlograma de las series en niveles y 36 coeficientes. Otra forma para obtener el correlograma de los residuos es siguiendo desde ventana del resultado de la estimacin la ruta: View/ Residual Test/ Correlogram Q-statistic con lo que se obtiene:

donde lo nico a elegir es el nmero de coeficientes de autocorrelacin (y correlacin parcial) que se desea visualizar. Finalmente, se obtiene la siguiente imagen:

El anlisis del correlograma sugiere que la serie de los residuos siguen un proceso autorregresivo estacionario de primer orden. Se dice que el proceso es 7

autorregresivo estacionario porque los coeficientes de autocorrelacin simple decrecen rpidamente, y es de primer orden porque slo el primer coeficiente de autocorrelacin parcial es significativo. Los valores de la columna de autocorrelacin simple corresponden a la sucesin de valores 1 , 2 , 3 , , S , l , donde es el coeficiente de la regresin:
et et
i t

Los coeficientes de autocorrelacin parcial se refieren a los diferentes valores i obtenidos de la regresin:
et
1

et

et

...

et

ut

El estadstico Q y la probabilidad asociada corresponden a la prueba de autocorrelacin donde la hiptesis nula es la ausencia de autocorrelacin de orden igual o menor al que se est evaluando. Este estadstico es el propuesto por Ljung-Box y se denomina estadstico Q. El estadstico Q con k rezagos toma la siguiente forma:

donde j es el coeficiente de correlacin entre e t y e t j , y T es el nmero de observaciones. En el ejemplo, el estadstico Q indica que existe autocorrelacin pues las probabilidades son menores a los niveles de significancia 1, 5 y 10 por ciento. De forma alternativa, se puede obtener el correlograma de los residuos de la regresin a travs del comando:
mco.correl(36)

2.4 Test de Breusch-Godfrey Una prueba ms general que la de Durbin-Watson es la prueba de BreuschGodfrey, la cual permite identificar la presencia de autocorrelacin generada por un proceso AR(p) para p 2 . Esta prueba se basa en un estadstico LM (multiplicador de Lagrange) que se distribuye asintticamente como una chicuadrado:
ML nR 2 ~
a 2

Para acceder a dicha prueba a travs de las ventanas desplegables, dentro del men de la ventana del objeto ecuacin se sigue la ruta: View/Residual Test/Serial Correlation LM Test:

Es necesario especificar el nmero de rezagos para los cuales se va a realizar la prueba.

con lo que se obtiene la siguiente tabla:

Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 14.12214 12.73875 Prob. F(1,79) 0.000327 Prob. Chi-Square(1) 0.000358

Test Equation: Dependent Variable: RESID Method: Least Squares Sample: 1995M01 2001M12 Included observations: 84 Presample missing value lagged residuals set to zero. Variable C LPBIR TIPMN @TREND Coefficient Std. Error 0.555237 -0.060991 -0.000293 0.000112 t-Statistic Prob. 0.5433 0.5462 0.8684 0.5911

0.909530 0.610466 0.100622 -0.606139 0.001765 -0.166253 0.000207 0.539418

RESID(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.400763 0.151652 0.108697 0.023033 0.041913 200.1346 1.929193

0.106644

3.757943

0.0003 6.48E-17 0.024398 -4.646062 -4.501371 3.530535 0.010548

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

En las primeras 2 lneas aparecen los valores de los estadsticos calculados para la prueba Breusch-Godfrey de correlacin serial, tanto ara muestras pequeas (estadstico F) como para muestras grandes (estadstico LM) construido bajo la hiptesis nula de que no existe autocorrelacin hasta el orden especificado. Las probabilidades o p-values asocidados indican que se rechaza la hiptesis nula al 1, 5 y 10 por ciento de significancia. Esto se evidencia a partir de la regresin auxiliar que se muestra en la parte inferior de la ventana, donde la inclusin del primer rezago del residuo es significativo en el modelo estimado para el residuo (al 1, 5 y 10 por ciento). Por lo tanto, hay indicios de que el modelo presenta autocorrelacin de orden 1. Alternativamente, se puede realizar la prueba de Breusch-Godfrey utilizando el siguiente comando:

mco.auto(1)

3. Posibles Soluciones En la prctica, existen 3 posibles soluciones para estimar los parmetros de un modelo de regresin cuando las perturbaciones estn autocorrelacionadas: (1) Reespecificar el modelo. (2) Estimar con las frmulas correctas de MCO y para la inferencia utilizar el estimador de Newey-West. (3) Estimar por MCG o MCGF. A continuacin, se muestra la forma de implementar estas tres propuestas, considerando que se sabe que las perturbaciones siguen un proceso AR(1). 3.1. Reespecificacin del modelo La autocorrelacin en las perturbaciones puede ser consecuencia de la omisin de trminos rezagados tanto de la endgena como de las exgenas, de regresores omitidos que presentan autocorrelacin y en general de una mala especificacin funcional. Por lo tanto, la presencia de perturbaciones autocorrelacionadas pueden ser consideradas como una seal de que el modelo necesita ser re-especificado. 10

Tericamente, si el modelo es de la forma:

m
0 1

yt

1 t

ut

y adems las perturbaciones siguen un proceso AR(1):

ut ut
1 t

entonces, un modelo equivalente con perturbaciones ruido blanco es:

mt
0

mt

yt

2 t

yt

5 t 1

ut

Siguiendo este resultado, la presencia de autocorrelacin se considerar como indicio de que el modelo necesita trminos dinmicos. As, en el modelo de demanda por dinero se incluye el primer rezago de la variable endgena y de los regresores:

Dependent Variable: M1 Method: Least Squares Sample: 1995M01 2001M12 Included observations: 84 Variable C LPBIR TIPMN TT M1(-1) LPBIR(-1) TIPMN(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.839538 0.007698 -0.015142 0.000465 0.473690 0.375394 0.011516 0.923138 0.917149 0.018648 0.026777 218.9528 1.990755 Std. Error 0.900314 0.093654 0.005995 0.000232 0.081310 0.094872 0.006130 t-Statistic 0.932494 0.082195 -2.526031 2.002506 5.825736 3.956858 1.878724 Prob. 0.3540 0.9347 0.0136 0.0488 0.0000 0.0002 0.0641 8.255810 0.064787 -5.046495 -4.843927 154.1331 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Dado que LPBIR es no significativo, se elimina de la ecuacin:

Dependent Variable: M1 Method: Least Squares Sample: 1995M01 2001M12 Included observations: 84

11

Variable C TIPMN TT M1(-1) LPBIR(-1) TIPMN(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient 0.869264 -0.015157 0.000470 0.474886 0.378735 0.011539 0.923132 0.918204 0.018529 0.026779 218.9491 1.993156

Std. Error 0.819217 0.005954 0.000224 0.079487 0.085176 0.006084

t-Statistic 1.061092 -2.545842 2.092660 5.974399 4.446501 1.896526

Prob. 0.2919 0.0129 0.0396 0.0000 0.0000 0.0616 8.255810 0.064787 -5.070217 -4.896587 187.3440 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Los resultados muestran que la inclusin de las variables rezagadas es significativa en la explicacin del comportamiento de la demanda por dinero. As, el coeficiente de M1(-1) sugiere que un mayor nivel de demanda por dinero en el periodo anterior genera a su vez una mayor demanda por dinero en el periodo actual. Esta variable resulta significativa al 1%, 5% y 10%. Alternativamente, estas estimaciones pueden realizarse mediante el siguiente comando:
equation respec.ls m1 lpbir tipmn @trend m1(-1) lpbir(-1) tipmn(-1) equation respec.ls m1 tipmn @trend m1(-1) lpbir(-1) tipmn(-1)

3.2. MCO y matriz de Newey-West

Si se desconoce el origen de la autocorrelacin, entonces los parmetros pueden ser estimados con las frmulas correctas de MCO. Sin embargo, la frmula de la varianza del vector de estimadores:
A Var( MCO ) 2

(X ' X ) 1 X ' X (X ' X )

no puede calcularse pues depende del patrn poblacional de autocorrelacin. Para estos casos se utiliza el estimador propuesto por Newey-West para A Var( MCO ) , el cual es un estimador consistente bajo la presencia de autocorrelacin (e
inclusive de heteroscedasticidad). Una ventaja es que no es necesario conocer la forma poblacional de la matriz de varianzas y covarianzas 2 . Este procedimiento

proporciona estimados insesgados y consistentes e inferencias ms precisas; sin embargo, el estimador MCO sigue siendo ineficiente en muestras pequeas y asintticamente (no es de mxima verosimilitud). 12

La idea es seguir utilizando el vector de estimadores MCO , pero para estimar la

A 2 varianza correcta del vector de estimadores, Var( MCO ) (X ' X ) 1 X ' X (X ' X ) 1, se utiliza la matriz de Newey-West. Esta matriz permite obtener un estimador A consistente de Var( MCO ) bajo la presencia de autocorrelacin (e inclusive de heteroscedasticidad). Una ventaja es que no es necesario conocer la forma poblacional de la matriz de varianzas y covarianzas 2 . A Eviews 5.1 posee la opcin para estimar Var( MCO ) con la matriz Newey-West. A El estimador de Var( MCO ) West es:

(X ' X ) 1 X ' X (X ' X )

(X ' X ) 1 X ' X (X ' X )

que proporciona Newey-

T
NW

T k

( X X )

( X X )

donde:
T T k
T q

ut2 xt xt
t 1 v 1

v q 1

( xt ut ut v xt v xt vut v xt )
t v 1

En esta matriz, q es el parmetro de truncamiento. Eviews 5.1 fija el valor de este parmetro utilizando q por MCO.

menor entero [ 4(T / 100 ) 2 / 9 ] y u t son los residuos estimados

Para realizar la estimacin por MCO y utilizar la matriz de Newey- West para hacer inferencia, dentro de la ventana de estimacin se hace click en Estimate y se selecciona la pestaa de Options. Se elige la opcin Heterokedasticity consistent coefficient covariance/ Newey-West

13

Los resultados que se obtienen se muestran a continuacin:

Dependent Variable: M1 Method: Least Squares Sample: 1995M01 2001M12 Included observations: 84 Newey-West HAC Standard Errors & Covariance (lag truncation=3) Variable C LPBIR TIPMN @TREND R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient Std. Error 4.972378 0.349609 -0.003856 0.001762 0.858185 0.852867 0.024851 0.049405 193.2271 1.160906 t-Statistic Prob. 0.0001 0.0098 0.0557 0.0000 8.255810 0.064787 -4.505408 -4.389654 161.3716 0.000000

1.195654 4.158711 0.132125 2.646048 0.001985 -1.942050 0.000256 6.880562 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Alternativamente, en la lnea de comandos se puede digitar: equation nw.ls(n) m1 c lpbir tipmn @trend

Si se compara esta estimacin con la estimacin convencional MCO, se puede observar que los coeficientes estimados son similares, pues no se ha cambiado el estimador de los parmetros. La diferencia radica en los desvos estndar (y por lo tanto en los estadsticos t y las probabilidades asociadas), pues en esta ltima regresin estos se han estimado con la matriz de Newey-West. Ahora, la tasa de inters es significativa slo al 10 por ciento. 3.3 Mnimos Cuadrados Generalizados (MCG) y Factibles (MCGF)

Si se conoce la forma poblacional de la autocorrelacin, se utilizan los estimadores MCG pues estos son MELI. Sin embargo, inclusive si se tiene informacin acerca de la forma poblacional de la autocorrelacin, en general se desconocen los parmetros que describen el patrn poblacional de autocorrelacin. Por ejemplo si se sabe que la perturbacin sigue un proceso AR(1) con coeficiente , es decir:
ut ut
1 t

entonces la matriz de varianza y covarianzas es:

14

1 Var(u )
2

1 1
2

n 1

1
n 2

n 1 n 2 2

donde:

1 1 0
1 2

0 1 0 0 0 0 0 0 0
2

0 0 1 0 0 0
2

0 0 0 0 1 0 0

0 0 0 0
2

0 0 0 0 1
2

0 0 0 0 0 1

0 0 0 0

As, si bien el estimador MELI para el modelo con autocorrelacin es 2 ( X ' 1 X ) 1 X ' 1 y y, adems, se necesita Var( MCG ) ( X ' 1 X ) 1 para MCG hacer inferencia, an es an es necesario estimar para estimar . Cuando se realiza este proceso, se obtienen los estimadores MCG Factibles o MCGF:

MCGF

Var( MCGF

(X ' 1X ) 1 X ' 1y 2 ) (X ' 1X ) 1

15