Anda di halaman 1dari 3

UNIVERSIDAD NACIONAL HERMILO VALDIZAN

Facultad de Ciencias Econmicas


CURSO ECONOMETRIA II
Profesor: Julio C. Castro

FICHA DE LECTURA
Alumno: CARRILLO, CAMPOS, Henry Jeferson.............................................................
Fecha: ..........................................................................................................................
Autor: .............
Ttulo
de

la

lectura:

.......................................................................................................................................
.............................................
Ideas centrales del autor: (Afirmaciones que dan lgica al conjunto de la lectura por
parte del autor, redactadas en forma concisa y exacta).

El autor pretende hacer conocer a los lectores en qu consiste el problema de la


auto correlacin y cmo afecta ste a la matriz de varianzas y covarianzas y a

los estimadores MC
aprender a detectar la presencia de autocorrelacin (trminos de perturbacin
correlacionados), se analiz algunas de sus posibles causas, y mostraremos
cmo es posible resolver dicha problemtica a fin de obtener estimadores de

calidad.
Analizar el problema de la autocorrelacin en modelos con datos de corte
longitudinal (serie temporal), y comprender los conceptos de autocovarianza y

coeficiente de autocorrelacin simple.


Saber resolver el problema de la autocorrelacin de tipo AR (1) mediante el

mtodo de Durbin.
Aplicacin del MCG para modelos con Autocorrelacin Como acabamos de ver,
cuando el modelo presente problemas de autocorrelacin, el mtodo MCO no
nos proporciona buenos estimadores, y ser necesario recurrir al mtodo de
mnimos

cuadrados

ponderados

generalizado

(MCG)

para

obtener

estimadores de calidad:

Palabras claves de la lectura: (Trminos que sirven para clasificar los temas centrales
tratados; las publicaciones no suelen aceptar ms de 5 palabras claves; cada
"palabra clave puede sin embargo ser integrada por un mximo de tres palabras):

1.
2.
3.
4.
5.
6.
7.
8.
9.

Autocorrelacin
Correlacin serial pura
Correlacin serial impura
Anlisis grfico de residuos
Funcin de autocorrelacin maestral
Contraste de Durbin-Watson
Procedimiento iterativo
Criterios de convergencia
esquema AR (1).

Resumen breve de la lectura: (No exceder el lmite de renglones)


La autocorrelacin surge cuando los trminos de error del modelo no son
independientes entre s, es decir, cuando: E(u iuj)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 generalmente aparece en datos en serie de tiempo, aunque
tambin se presenta en el caso de una muestra de corte transversal.
Si se viola el supuesto del modelo clsico de regresin lineal de que los
errores o las perturbaciones ut consideradas dentro de la funcin de regresin
poblacional (FRP) son aleatorios o no correlacionados, surge el problema de
autocorrelacin o correlacin serial
Un modelo especial estudiado en este captulo es el ARCH en el cual la
varianza condicional del trmino de error est correlacionada serialmente con
los valores pasados del trmino de error al cuadrado. Este modelo ha
demostrado ser bastante til en la modelacin y prediccin de muchas
variables financieras, tales como tasas de cambio, tasas de inflacin, etc.
Claro est, antes de remediar el problema de autocorrelacin es preciso
detectarlo. Hay diversos mtodos de deteccin, de los cuales el ms conocido
es el estadstico d de Durbin-Watson

Comentario crtico de la lectura: (No exceder el lmite de renglones)

La autocorrelacin es un tema de mucho inters para nosotros los estudiantes


porque nos permite identificar el error y las diversas razones de su aparicin, como
la inercia o pasividad de las series de tiempo econmicas, el sesgo de
especificacin resultante de excluir variables importantes del modelo o de utilizar la

forma funcional incorrecta, el fenmeno de la telaraa, el manejo y transformacin


de datos, etc. Como resultado, es muy importante distinguir entre la autocorrelacin
pura y la autocorrelacin inducida, debido a uno o ms de los factores que
acabamos de mencionar
Antes del remedio est la deteccin de la autocorrelacin. Existen mtodos formales
e informales de deteccin. Entre los informales est el de simplemente graficar los
residuos estandarizados o reales, o graficar los residuos reales respecto de los
residuos anteriores. Entre los mtodos formales se encuentran la prueba de rachas,
la prueba d de Durbin- Watson, la de normalidad asinttica, la de Berenblutt-Webb y
la de Breusch-Godfrey (BG).
De todas, la ms popular es la prueba d de Durbin-Watson. A pesar de su ilustre
pasado, esta prueba tiene graves limitaciones. Es mejor la prueba BG, pues es ms
general debido a que permite las estructuras de error AR y PM, as como la
presencia de la regresada rezagada.