TEMA 7:

AUTOCORRELACIN
MARIOLA ESTUDILLO MARTNEZ
DPTO. ESTADSTICA E INVESTIGACIN OPERATIVA
(BASADO EN LOS APUNTES DE ANTONIO CONDE SNCHEZ)

NATURALEZA DEL PROBLEMA

Una de las hiptesis bsicas del modelo de regresin lineal
general es que supone que no existe autocorrelacin entre las
perturbaciones aleatorias o, equivalentemente, que la matriz de
varianzas-covarianzas del error aleatorio es diagonal:

Cov ui , u j 0, i , j 1,...,n , i j
Sin embargo, hay ocasiones en las que existe correlacin lineal
entre dichos trminos, es decir, que existe algn par (i,j) tal que:

Cov ui , u j 0
es decir, la matriz de varianzas-covarianzas tiene la siguiente
expresin:
2

12
1n

2n

V u V 12

2n

1n

NATURALEZA DEL PROBLEMA

La existencia de autocorrelacin se puede dar tanto en modelos
con datos de series temporales como en los modelos con datos de
corte transversal, aunque se da con mayor frecuencia al trabajar
con datos de serie temporal. As, supondremos que las
observaciones se realizan en un contexto temporal.

CAUSAS
1. Especificacin errnea del modelo:
Omisin de variables relevantes cuyos valores estn
autocorrelacionados entre s.
Forma funcional incorrecta. Esta situacin se corrige
especificando una forma funcional adecuada.

NATURALEZA DEL PROBLEMA

CAUSAS
2. Inercia de los fenmenos econmicos debido a los ciclos de la
economa. Debido a la naturaleza dinmica de los
acontecimientos econmicos se mantienen los efectos de
acciones pasadas sobre situaciones actuales y futuras, de
forma que los trminos de la perturbacin aleatoria estn
correlacionados.
3. En datos de corte transversal se pueden dar ciertos efectos
de proximidad que provoquen autocorrelacin entre las
perturbaciones.
4. Presencia de variables endgenas retardadas.

NATURALEZA DEL PROBLEMA

CONSECUENCIAS
2
1. Estimacin sesgada de la varianza,

2. Los estimadores MCO son insesgados, pero menos eficientes

que los MCG (es decir, no tienen varianza mnima).
3. Los intervalos de confianza y los estadsticos utilizados para
resolver contrastes de hiptesis ya no son fiables. Por tanto,
existe la posibilidad de extraer conclusiones errneas.
Por tanto, en presencia de autocorrelacin es conveniente utilizar
los estimadores MCG.

NATURALEZA DEL PROBLEMA

ESQUEMA DE LA AUTOCORRELACIN
En la matriz de varianzas-covarianzas definida anteriormente
existen n(n-1)/2 parmetros desconocidos, valor que es mayor
que el nmero de observaciones, n, por lo que no es posible
estimarlos. Por ello es necesario suponer un esquema para el
comportamiento de la autocorrelacin.
La estructura de autocorrelacin ms simple es la denominada de
primer orden. En ella se considera que la perturbacin en el
instante t est fuertemente correlada con la perturbacin del
instante t-1, pero menos que con la del instante t-2, y as
sucesivamente. Si notamos por la correlacin entre los
trminos ut y ut-1 se tiene que:

NATURALEZA DEL PROBLEMA

ESQUEMA DE LA AUTOCORRELACIN
Cov ut ,ut 1 2

Cov ut ,ut 2 2 2

Cov ut ,ut s s 2
Esta estructura se puede expresar mediante el siguiente modelo:

ut ut 1 t ,
donde t verifica:

E [t ] 0

Var [t ] 2
Cov [t , t s ] 0, s 0

NATURALEZA DEL PROBLEMA

ESQUEMA DE LA AUTOCORRELACIN
A este modelo se le denomina modelo autorregresivo de orden 1 y
se nota como AR(1). Se puede comprobar que se verifica:
E [ut ] 0, t 1, , n
2
Var [ut ]
, t 1, , n
2
1
2
s 2
s
, t 1, , n ,
Cov [ut , ut s ]
2
1
2

s 0

De esta forma, la matriz de varianzas-covarianzas de u es:

2
V
1 2
n 1

n2

n 3

n 1

n2
2

NATURALEZA DEL PROBLEMA

ESQUEMA DE LA AUTOCORRELACIN
As, slo hay que estimar y 2 para conocer dicha matriz.
Existen otros modelos para representar el comportamiento de la
perturbacin aleatoria, como puede ser el modelo autorregresivo
de orden p o los modelos de medias mviles. Cada una de estas
modelizaciones determinan una matriz de varianzas-covarianzas
de u distinta. En nuestro caso, supondremos que el modelo que
subyace es el modelo AR(1).

DETECCIN DE LA
AUTOCORRELACIN
MTODO GRFICO
Se distinguen dos tipos de grficos:
1. Representar los valores de los residuos retrasados en el orden
de autocorrelacin que sospechemos. Por ejemplo, para una
autocorrelacin de orden 1, el grfico consiste en representar
t frente a t-1. Si el grfico muestra una tendencia creciente
nos indicar la existencia de autocorrelacin positiva y si la
tendencia es decreciente, autocorrelacin negativa.

DETECCIN DE LA
AUTOCORRELACIN
MTODO GRFICO
2. Representar los residuos como una sucesin temporal y
observar si siguen algn patrn. Si no existe autocorrelacin,
los residuos deben oscilar alrededor del cero de manera
aleatoria. Si existe autocorrelacin positiva, los residuos
presentan rachas de valores consecutivos de igual signo,
mientras que si existe autocorrelacin negativa, los residuos
cambian de signo rpidamente.

DETECCIN DE LA
AUTOCORRELACIN
MTODO GRFICO

DETECCIN DE LA
AUTOCORRELACIN
MTODO GRFICO
Ejemplo
Los datos siguientes representan las ventas de una compaa, Y
(en millones de dlares) y las ventas para toda la industria, X (en
millones de dlares) en los pasados 16 trimestres, donde los
datos ya se han ajustado de acuerdo con la inflacin.

DETECCIN DE LA
AUTOCORRELACIN
MTODO GRFICO
Supongamos que el modelo es:

Yt 0 1Xt ut
Estimamos por MCO el modelo:
Yi

2.97194

s .e .( j ) 0.702385
R2

0.997296

0.17651
0.0024564

Xi

DETECCIN DE LA
AUTOCORRELACIN
MTODO GRFICO
Se observa que
existen rachas de
residuos con el
mismo signo, lo
cual puede indicar
existencia de
autocorrelacin
positiva.

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
Los contrastes de hiptesis que vamos a ver son:
Contraste de Durbin-Watson
Contraste de Wallis
Contraste de Breusch-Godfrey

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE DURBIN-WATSON
Es la prueba ms conocida para detectar autocorrelacin.
Permite contrastar la autocorrelacin de orden 1, es decir, si
existe dependencia para los trminos de la perturbacin en el
instante t y en el instante anterior.
Se pretende comprobar si el modelo

ut ut 1 t
es significativo o no.

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE DURBIN-WATSON
C. Hiptesis

H0 : 0
H1 : 0
Si se rechaza la hiptesis nula, existe autocorrelacin de orden 1.
Para obtener el estadstico se estima el modelo por MCO y se
calculan los residuos:

u y X

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE DURBIN-WATSON
Estadstico
n

t
2

ut ut 1

u
t

t 1

d es elevado indica autocorrelacin negativa de orden 1

d pequeo indica autocorrelacin positiva de orden 1
d intermedio indica ausencia de autocorrelacin

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE DURBIN-WATSON
Se puede comprobar que:
donde:

Entonces:

ut ut

t
2

ut

t
1

d 2 1

si 1 d 0

si 0 d 2 0 d 4
si 1 d 4

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE DURBIN-WATSON
Regin crtica
A partir de las tablas de Durbin-Watson se obtienen los valores
dL y dU de tal forma que si:

d dL Autocorrelacin positiva de orden 1

dL d dU Indecisin
dU d 4 dU Ausencia de autocorrelacin de orden 1
4 dU d 4 dL Indecisin
4 dL d 4 Autocorrelacin negativa de orden 1

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE DURBIN-WATSON
Inconvenientes
No siempre proporciona una decisin clara.
Slo sirve para detectar autocorrelacin de orden 1.
Se supone que el modelo de regresin incluye trmino
independiente.
No resulta adecuado en presencia de variables endgenas
retardadas. Esta limitacin se solventa utilizando un
procedimiento alternativo denominado test h de Durbin.

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE DURBIN-WATSON
Ejemplo
Continuando el ejemplo anterior, vamos a contrastar si existe
autocorrelacin de orden 1.

H0 : 0
H1 : 0
A partir del modelo anteriormente estimado, calculamos los
residuos y obtenemos la siguiente tabla:

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE DURBIN-WATSON

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE DURBIN-WATSON
Estadstico

Regin crtica:
Conclusin

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE WALLIS
Cuando los datos son trimestrales parece lgico que el esquema
de la perturbacin aleatoria no sea un AR(1) sino que venga dado
por un modelo autorregresivo de orden 4 dado por:

ut 4ut 4 t
en donde la hiptesis que se pretende contrastar se plantea como

H0 : 4 0
H1 : 4 0
Si se rechaza la hiptesis nula, existe autocorrelacin de orden 4.

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE WALLIS
Estadstico
n

d4

t
5

ut ut 4

u
t

t 1

Para tomar una decisin hay que comparar el valor de d4 con las
cotas superior e inferior propuestas por Wallis de forma anloga
a como se efecta en el test de Durbin-Watson.

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE BREUSCH-GODFREY
Este test contrasta la significacin conjunta de las p primeras
autocorrelaciones. En consecuencia, se pretende contrastar si el
modelo dado por:

ut 1ut 1 2ut 2 ... put p t

es relevante o no, es decir, si se puede rechazar o no la hiptesis
nula de significacin conjunta de los coeficientes de regresin
del modelo:
H0 : 1 2 ... p 0

H1 : algn j 0, j 1,..., p

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE BREUSCH-GODFREY
El procedimiento para resolver este contraste es el siguiente:
1. Se estima el modelo por MCO y se calculan los residuos.
2. Se calculan los coeficientes de correlacin muestral de orden i
n

ri

ut ut i

t i

ut

t
1

i 1,..., p

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE BREUSCH-GODFREY
3. Estadstico del contraste:

L n r12 r22 ... rp2

4. Se compara el valor del estadstico con el cuantil de orden 1-

de una 2p. Se rechaza la hiptesis nula de ausencia de
autocorrelacin si

Lexp 12 , p

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE BREUSCH-GODFREY
Ejemplo
Continuando el ejemplo anterior, vamos a contrastar si existe
autocorrelacin de orden 1.

DETECCIN DE LA
AUTOCORRELACIN
PROCEDIMIENTOS FORMALES
CONTRASTE DE BREUSCH-GODFREY
Estadstico

C. Rechazo

Conclusin

ESTIMACIN BAJO
AUTOCORRELACIN
OBJETIVO
Supongamos que la estructura de autocorrelacin responde a un
esquema autorregresivo de orden 1. El objetivo es estimar el
vector de parmetros del modelo lineal general:
y X u

donde la matriz de varianzas-covarianzas del error aleatorio

tiene la forma siguiente:

2
V
1 2
n 1

n2

n 3

n 1

n2
2

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
CONOCIDO
Cuando es conocido, la matriz es conocida y los parmetros
se estiman por MCG:
1
1

G X' X X' 1 y

donde:

0
1

0
0
0

0
0
0

0
0

1 2

0
0

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
CONOCIDO
De forma equivalente se pueden estimar los parmetros por MCO
en el modelo transformado dado por:
y X u Py PX Pu y * X * u*

donde:

1 2

P 0

0
1

0
0

0
0

0
0

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
CONOCIDO
Explcitamente el modelo transformado es:

Yt * 0* 1X1t* k Xkt* ut*

donde:

Yt * Yt Yt 1 ,

X jt* X jt X jt 1 ,

0* (1 ) 0 , t 2

Y1 * 1 2Y1 ,

X j*1 1 2 X j 1 ,

0* 1 2 0 , t 1

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
CONOCIDO
Cuando el tamao muestral es suficientemente grande, se suele
despreciar la transformacin de la primera observacin (conocida
como transformacin de Prais-Winstein), de forma que se
considera la transformacin propuesta a partir de t > 2. En este
caso el modelo se puede escribir como

Yt Yt 1 Xt Xt1 ut*
donde Xt es la fila t de la matriz X.

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
DESCONOCIDO
Si es desconocido existen distintos procedimientos para
estimarlo:
1. A partir de la regresin auxiliar:
n

ut ut 1 t , t 2, n

ut ut

t
2

u
t 1

t 2

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
DESCONOCIDO
2. A partir del estadstico de Durbin-Watson:

d
2

3. A partir del coeficiente de autocorrelacin muestral de orden

1 de los residuos MCO:
n

ut ut

t
2

ut

t
1

2
1

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
DESCONOCIDO
Los tres procedimientos son asintticamente equivalentes, es
decir, para muestras grandes proporcionan estimaciones
similares y proporcionan una estimacin consistente de , as
como de .
A partir de dicha estimacin podemos obtener estimadores
MCGF para el vector de parmetros :

1 X
GF X'

1 y
X'

El resultado depende del estimador inicial elegido para . Este

inconveniente se elimina utilizando mtodos iterativos: mtodo
de Cochrane-Orcutt, mtodo de Hildreth-Lu y mtodo de DurbinWatson de dos pasos.

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
MTODO DE COCHRANE-ORCUTT
Este mtodo consiste en estimar conjuntamente el vector de
parmetros y a partir de

Yt Yt 1 Xt Xt1 ut*
ut ut 1 t
Como los valores de ut no son conocidos, se utilizan los residuos.

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
MTODO DE COCHRANE-ORCUTT
1. En primer lugar se parte de la estimacin de obtenida a
partir de la regresin auxiliar:

ut ut 1 t

t 2,...,n

2. Se estiman los parmetros del modelo:

Yt Yt 1 Xt Xt1 ut*
donde
es la estimacin de anterior.

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
MTODO DE COCHRANE-ORCUTT
3. Se calculan de nuevo los residuos y se estima como en el
paso 1.

ut ut 1 t

t 2,...,n

4. Se vuelven a estimar los parmetros del modelo como en el

paso 2 y se repite el procedimiento hasta que la diferencia
entre los valores estimados de sea inferior a 0.01 0.005.

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
MTODO DE HILDRETH-LU
1. Consiste en tomar valores de entre -1 y 1 (generalmente con
una diferencia de 0.1 o menor).
2. Se estiman los parmetros por MCG para cada uno de dichos
valores de .
3. Se calcula la SCE de cada regresin realizada.
4. Se selecciona el valor de que minimiza la SCE.

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
EJEMPLO
Continuando con el ejemplo anterior y, puesto que hemos
detectado que existe autocorrelacin de orden 1, vamos a
estimar los parmetros del modelo bajo autocorrelacin.
Como es desconocido, obtendremos las estimaciones MCGF.
Para ello partimos de una estimacin de , por ejemplo, la dada
por el estadstico de Durbin-Watson:

d
2

0.842874
0.578563
2

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
EJEMPLO
As, obtenemos la siguiente matriz:

1
0.578563

0.578563 1.334735

0
0.578563
1

0
0

0
0

0
0
0

0
0
0

1.334735 0.578563

1
0.578563

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
EJEMPLO

A partir de ella se obtienen las estimaciones MCGF mediante

1 X
GF X'

1 y
X'

O bien se obtienen las estimaciones MCO para las variables

transformadas:

Yt * Yt Yt 1 ,

X jt* X jt X jt 1 ,

0* (1 ) 0 , t 2

Y1 * 1 2Y1 ,

X j*1 1 2 X j 1 ,

0* 1 2 0 , t 1

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
EJEMPLO

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
EJEMPLO

De esta forma,
3.329403
158.727087
954.897408
* *
X X
X y
,
,
954.897408
275709.2545
45848.92707

1
3.02293
* *

X * y *
GF X X

0.17676

Por lo que:
Y
3.02293 0.17676Xt
t

ESTIMACIN BAJO
AUTOCORRELACIN
MTODO DE ESTIMACIN
EJEMPLO

Se puede comprobar adems que el valor para el estadstico de

Durbin-Watson para este modelo es d=1.80119, por lo que ya no
existe autocorrelacin.
No obstante, se pueden estimar los parmetros del modelo y
mediante el procedimiento iterativo de Cochrane-Orcutt,
repitiendo estos mismos pasos que se han detallado. En ese caso,
la primera estimacin de es:

0.273457
0.576857
0.474047

ESTIMACIN BAJO
AUTOCORRELACIN
PREDICCIN
En un modelo en el que las perturbaciones estn
autocorrelacionadas, las observaciones anteriores a un periodo
concreto t contendrn informacin sobre la nueva observacin Yt
correspondiente a dicho periodo, debido a una especie de inercia
presente en el modelo. Para ilustrar este punto, consideraremos
de nuevo un esquema autorregresivo de primer orden, es decir,

Yt Xt ut
ut ut 1 t
el cual puede reescribirse como:

Yt Xt ut 1 t

ESTIMACIN BAJO
AUTOCORRELACIN
PREDICCIN
Conocido el modelo estimado por MCG es equivalente a aplicar
MCO al modelo transformado y la prediccin ptima puntual es:

YT*h X*T h G , h 0
y deshaciendo la transformacin:

YTh XT h G YTh 1 XT h 1 G , h 0
uT h 1

de forma que cada prediccin se basa en una prediccin anterior.

ESTIMACIN BAJO
AUTOCORRELACIN
PREDICCIN
La expresin anterior es equivalente a:

YTh XT h G h YT XT G , h 0
mucho ms cmoda de utilizar en la prctica, ya que no necesita
calcular las predicciones para los periodos anteriores (basta con
conocer el residuo en el ltimo instante observado, T).
Si no es conocido hay que estimarlo y sustituir en las
expresiones anteriores. De esta forma se obtienen predicciones
factibles.

TEMA 7:
AUTOCORRELACIN
MARIOLA ESTUDILLO MARTNEZ
DPTO. ESTADSTICA E INVESTIGACIN OPERATIVA
(BASADO EN LOS APUNTES DE ANTONIO CONDE SNCHEZ)