Clase 22

Econometrı́a I

Tomás Rau
Binder

Autocorrelación
Estimación de
Modelos con
Autocorrelación
Clase 22
Ejemplo Econometrı́a I

Tomás Rau Binder

12 de Junio
 Contenidos

Clase 22
Econometrı́a I

Tomás Rau
Binder

Autocorrelación
Estimación de
Modelos con
Autocorrelación
1 Autocorrelación
Ejemplo Estimación de Modelos con Autocorrelación

2 Ejemplo
 Estimación de Modelos con Autocorrelación

Clase 22
Econometrı́a I

Tomás Rau
Binder

Autocorrelación La clase pasada vimos qué ocurre con la matriz de

Estimación de
Modelos con
Autocorrelación
varianzas y cov. de los errores cuando estos son
Ejemplo autocorrelacionados.
Vimos cómo testera autocorrelación (Durbin-Watson y
Breusch-Godfrey)
Hoy veremos cómo estimar β cuando existe
autocorrelación por Mı́nimos Cuadrados Factibles
Veremos un ejemplo
 Estimación de Modelos con Autocorrelación

Clase 22
Econometrı́a I Como vimos anteriormente la matriz Ω en presencia de
Tomás Rau
Binder autocorrelación es:
 
Autocorrelación 1 ρ ρ2 · · · ρT −1
Estimación de
Modelos con
Autocorrelación
 ρ
 1 ρ · · · ρT −2 

 ρ2 ρ 1 · · · ρT −3 
Ejemplo Ω =  
 .. .. .. .. .. 
 . . . . . 
ρT −1 ρT −2 ρT −3 · · · 1

Si la logramos estimar, podemos hacer MCF

 −1
β̂MCF = X ′ Ω̂−1 X X ′ Ω̂−1 y

pero Ω−1 = P ′ P, luego:

 Estimación de Modelos con Autocorrelación

Clase 22
Econometrı́a I

Tomás Rau
Binder

Autocorrelación Se puede demostrar que la matriz P en este caso es:

Estimación de
Modelos con
Autocorrelación  p 
Ejemplo 1 − ρ2 0 0 ··· 0

 −ρ 1 0 ··· 0  
P = 
 0 −ρ 1 · · · 0  
 .
. .
. .
. . . .
.

 . . . . . 
0 0 · · · −ρ 1
 Estimación de Modelos con Autocorrelación

Clase 22
Econometrı́a I Entonces utilizando esta matriz P podemos transformar el
Tomás Rau
Binder
modelo y aplicar Mı́nimos Cuadrados Generalizados. Al
premultiplicar X e Y por la matriz P tendremos que la primera
Autocorrelación
Estimación de
observación se transforma de la siguiente forma:
Modelos con
Autocorrelación p p p
Ejemplo 1 − ρ2 y1 = ( 1 − ρ2 )x1′ β + ( 1 − ρ2 )u1 (1)

Y para el resto de las (T − 1) observaciones la transformación

es la siguiente:

yt − ρyt−1 = (xt − ρxt−1 )′ β + ut − ρut−1 (2)

| {z }
εt

El que la primera observación de la muestra tenga un trato

especial, es porque para ella no existe una observación anterior,
y por lo tanto, es imposible aplicar la transformación.
 Estimación MCF: El Método de Cochrane Orcutt

Clase 22
Econometrı́a I
La matriz P que transforma nuestro modelo en un libre de
Tomás Rau autocorrelación en el error, es tal que cada observación de las
Binder
variables dependientes, explicativas y término de error, se debe
Autocorrelación transformar como indicamos. Si es que nuestro modelo es el
Estimación de
Modelos con
Autocorrelación
siguiente:
Ejemplo
yt = xt β + ut
ut = ρut−1 + εt

El modelo transformado es de la siguiente forma:

yt − ρyt−1 = (xt − ρxt−1 )′ β + ut − ρut−1

| {z } | {z } | {z }
yt∗ xt∗
′ εt

⇒ yt∗ = xt∗ β + εt

menos la primera observación.

 El Método de Cochrane-Orcutt

Clase 22
Econometrı́a I

Tomás Rau
Binder El Método de Cochrane-Orcutt es un método iterativo para
Autocorrelación
obtener la estimación de β y ρ:
Estimación de
Modelos con 1 Estimar por Mı́nimos Cuadrados Ordinarios la regresión de
Autocorrelación

Ejemplo
interés, ignorando la presencia (conocida) de
autocorrelación de primer orden en el término de error.
2 Utilizar los residuos MCO para estimar el parámetro ρ.
Esto puede hacerse mediante una regresión de ût contra
ût−1 , o a partir del estadı́stico DW de la estimación
anterior.
3 Utilizar este parámetro ρ̂ para transformar las variables, y
obtener yt∗ y xt∗ . (pierde una observación)
 El Método de Cochrane-Orcutt

Clase 22
Econometrı́a I

Tomás Rau
Binder 5 Estimar por MCO un modelo con las variables
Autocorrelación
transformadas, para obtener un nuevo vector de
Estimación de
Modelos con
coeficientes β.
Autocorrelación

Ejemplo
6 Utilizar esta nueva estimación para computar otro vector
de residuos, y utilizar estos residuos para obtener una
nueva estimación de ρ
7 Repetir este procedimiento hasta que los β converjan1 .
El método de MCG de Prais-Winsten (1954) es igual p pero
evita
p perder la primera observación transformando : 1 − ρ2 y 1
y 1 − ρ2 x 1

1
Esto sucede cuando la diferencia entre el vector de parámetros β difiere
infinitesimalmente del β obtenido en la vuelta anterior.
 Ejemplo: Estimación de Función Consumo

Clase 22
Econometrı́a I

Tomás Rau
Binder

Autocorrelación
Estimación de
Suponga estamos interesados en estimar una función Consumo:
Modelos con
Autocorrelación

Ejemplo Ct = β0 + β1 Yt + ut (3)

donde Ct es el consumo e Yt es el Ingreso. Para esto contamos

con información del consumo agregado del sector público y
privado y del PIB de España para los años 1954-1988. Estas
series se muestran en el siguiente gráfico:
 Ejemplo: Estimación de Función Consumo

Clase 22
Econometrı́a I
en stata: line consumo pib año
Tomás Rau

20000
Binder

Autocorrelación
15000

Estimación de
Modelos con
Autocorrelación

Ejemplo
10000
5000
0

1950 1960 1970 1980 1990

Año

PIB Consumo
 Ejemplo: Estimación de Función Consumo

Clase 22
Econometrı́a I Estimando el modelo por MCO:
Tomás Rau
Binder

Autocorrelación
Estimación de
Modelos con
Autocorrelación

Ejemplo
 Ejemplo: Estimación de Función Consumo

Clase 22
Econometrı́a I
Estimando ρ
Tomás Rau
Binder

Autocorrelación
Estimación de
Modelos con
Autocorrelación

Ejemplo
 Ejemplo: Estimación de Función Consumo

Clase 22
Econometrı́a I
Transformando el modelo:
Tomás Rau
Binder

Autocorrelación
Estimación de
Modelos con
Autocorrelación

Ejemplo
 Ejemplo: Estimación de Función Consumo

Clase 22
Econometrı́a I

Tomás Rau
Binder
Para “decirle” a stata que sus datos son series tiempo
Autocorrelación
Estimación de
tiene que indicarle la variable temporal: tsset año
Modelos con
Autocorrelación Note que cuando estimamos por MCO el error estándar
Ejemplo
del pib era 0.006
Note que cuando transformamos el modelo a la
Cochrane-Orcutt el error estándar aumenta casi 4 veces (a
0.020)
Note que DW ≃ 2(1 − ρ̂) = 2(1 − 0,8249) = 0,3502.
Rechazamos la nula de no-autocorrelación? Veamos la
tabla de crı́ticos:
 Ejemplo: Estimación de Función Consumo

Clase 22
Econometrı́a I

Tomás Rau
Binder

Autocorrelación
Estimación de
Modelos con
Autocorrelación

Ejemplo
 Ejemplo: Estimación de Función Consumo

Clase 22
Econometrı́a I

Tomás Rau
Binder

Autocorrelación
Estimación de
Modelos con
Para rechazar la nula de no-autocorrelación, necesitamos
Autocorrelación
que d < dL (en favor de autocorr positiva) o que
Ejemplo
d > 4 − dL (en favor de autocorr negativa)
Si comparamos el valor del DW con el valor de tabla
(k’=1 y n=35 al 95 % de confianza, dl=1.4 y du=1.52),
tenemos que se rechaza la hipótesis nula de no
autocorrelación a favor de autocorrelación positiva.
 Ejemplo: Estimación de Función Consumo

Clase 22
Econometrı́a I

Tomás Rau
De hecho mire los residuos
Binder

200
Autocorrelación
Estimación de
Modelos con
Autocorrelación

Ejemplo
0
Residuals
−200
−400

1950 1960 1970 1980 1990

Año
 Ejemplo: Estimación de Función Consumo

Clase 22
Econometrı́a I
Stata lo puede hacer directo: Cochrane-Orcutt
Tomás Rau
Binder

Autocorrelación
Estimación de
Modelos con
Autocorrelación

Ejemplo
 Ejemplo: Estimación de Función Consumo

Clase 22
Econometrı́a I
Stata lo puede hacer directo: Prais-Winsten
Tomás Rau
Binder

Autocorrelación
Estimación de
Modelos con
Autocorrelación

Ejemplo
 Ejemplo: Estimación de Función Consumo

Clase 22
Econometrı́a I

Tomás Rau
Binder
Ahora, podemos calcular el DW del modelo
Autocorrelación transformado (no está en la transparencia) y
Estimación de
Modelos con
Autocorrelación
encontramos que ed = 1,81, mayor al lı́mite superior de
Ejemplo
tabla (dU = 1,52) y menor a (4 − dL ) = 2,48, por lo tanto
no se puede rechazar la nula de no autocorrelación, del
modelo transformado, luego la corrección fue efectiva.
El parámetro de la propensión marginal a consumir es el
mismo que el obtenido de la estimación MCO del modelo
original.
Lo anterior es por que MCO es consistente e insesgado
pero ineficiente ante la presencia de autocorrelación.