EJEMPLO DE DIAGNSTICO Y TRATAMIENTO DE LA AUTOCORRELACIN: Introduccin al concepto de no estacionariedad y regresin espuria

Ramn Maha Marzo 2006

El objetivo de este documento es de ilustrar en un contexto prctico las ideas expuestas en clase en torno a la cuestin de la deteccin y correccin del problema de la autocorrelacin. Por otro lado, el documento sirve tambin para profundizar en algunos de los conceptos tericos ms relevantes en torno a esta cuestin y para introducir, an de forma bsica, una cuestin de extrema importancia en la prctica de la modelizacin economtrica: la presencia de no estacionariedad en las series de datos.

I.- REGRESIN INICIAL UTILIZADA COMO EJEMPLO

La siguiente regresin muestra una ecuacin en la que tratamos de explicar el valor real de las importaciones trimestrales (IMPK) en funcin de tres explicativas: el valor real de la formacin bruta de capital fijo (FBCK), el valor real del consumo privado de los hogares (GTOHOGK) y los precios de importacin de productos energticos (PIMPENER).

I.A.- Breve comentario sobre el resultado de la Estimacin

Dependent Variable: IMPK Method: Least Squares Date: 03/13/06 Time: 11:17 Simple: 1981:1 2002:2 Included observations: 86 Variable Coefficient C -56823.91 FBCK -0.149782 GTOHOGK 1.265278 PIMPENER 30.80776 R-squared 0.983182 Adjusted R-squared 0.982566 S.E. of regression 1602.487 Sum squared resid 2.11E+08 Log likelihood -754.6015 Durbin-Watson stat 0.290346

Std. Error t-Statistic 2537.860 -22.39049 0.166913 -0.897365 0.100670 12.56854 3.582319 8.599948 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Prob. 0.0000 0.3722 0.0000 0.0000 21327.70 12136.72 17.64190 17.75605 1597.883 0.000000

La ecuacin presenta signos incorrectos en los parmetros estimados de FBCK y PIMPENER. Para el caso de la inversin, la relacin entre inversin e importaciones debera ser positiva; para el caso de los precios de importacin energticos, la relacin ms razonable parecera ser inversa (negativa). Los contrastes individuales son significativos para todos los coeficientes a excepcin de FBCK cuyo p-value es inadmisiblemente elevado: slo puede

1/11

rechazarse la hiptesis de nulidad del parmetro real con un (1-0,37)=0,63% de nivel de confianza. Pese a la incorreccin de dos de los signos y un bajo contraste de significacin para FBCK, la R2 es muy elevada.

A la vista de esta falta de sintona evidente, cabe sospechar que estamos ante un error de especificacin. Efectivamente, y aunque se ver con detalle ms adelante, un simple vistazo al valor del DW indica una fuerte autocorrelacin positiva que, seguramente, viene causada por una indebida especificacin en niveles. Resulta muy probable que la ecuacin exhiba, as mismo, problemas de multicolinealidad, heterocedasticidad u otros incumplimientos bsicos pero, por el momento, nos concentraremos en utilizar este ejemplo con el fin de ilustrar el problema de la autocorrelacin.

II.- DETECCIN DE LA AUTOCORRELACIN

II.B.- Aproximacin Grfica
El anlisis grfico del residuo de la estimacin indica un claro patrn de autocorrelacin positiva (patrn sinusoidal o de ondas); pese a que la evolucin de la endgena real y la estimada parece muy similar, lo cierto es que el componente auto - regresivo del error es muy claro.
50000 40000 30000 4000 2000 0 -2000 -4000 82 84 86 88 90 92 94 96 98 00 02 Residual Actual Fitted 20000 10000 0

2/11

II.B.- Mtodos numricos: Durbin Watson 1

El valor del DW es extremadamente bajo (0,29) lo que, dados los lmites inferior y superior de la distribucin DW (1,575 y de 1,721 respectivamente al 5% para K=4 y n=85), confirman la presencia de una fuerte autocorrelacin positiva2. El valor del coeficiente asociado a este valor del Durbin Watson, que correspondera a un hipottico proceso autorregresivo de orden uno subyacente en el residuo, resulta ser de 0,85, esto es, muy indicativo de autocorrelacin positiva:
ei = ei + i

Ec. (1)
DW 0,85 2

DW 2 (1 ) 1

De hecho, partiendo de la serie de residuos obtenida en la estimacin analizada, puede realizarse fcilmente en E-Views la estimacin minimocuadrtica de la ecuacin (1) anterior cuyo resultado se muestra a continuacin y en donde se observa un valor muy parecido al estimado directamente a partir del estadstico Durbin Watson. Este parecido entre el valor de derivado del estadstico DW o el obtenido a partir de una estimacin MCO directa del mismo se garantiza siempre en presencia de muestras grandes.
Dependent Variable: R Method: Least Squares Date: 03/13/06 Time: 11:49 Sample(adjusted): 1981:2 2002:2 Included observations: 85 after adjusting endpoints Variable Coefficient Std. Error t-Statistic R(-1) 0.857483 0.057251 14.97773 R-squared 0.727543 Mean dependent var Adjusted R-squared 0.727543 S.D. dependent var S.E. of regression 823.3101 Akaike info criterion Sum squared resid 56938521 Schwarz criterion Log likelihood -690.7401 Durbin-Watson stat

Prob. 0.0000 -14.75610 1577.299 16.27624 16.30497 2.120850

III.- DIAGNSTICO DE LA REGRESIN

Evidentemente, la autocorrelacin es el sntoma de algn error de especificacin que, sin embargo, no parece reflejarse en el coeficiente de determinacin R2. Ms all del problema adicional de los signos o en la significatividad de FBCK (podramos habernos encontrado en la misma situacin sin haber observado ninguna incongruencia en los signos o en la t), este tipo de regresiones con buenos valores en los contrastes de significacin y, sin embargo, una acusada autocorrelacin, son relativamente frecuentes y se conocen como Regresiones Espurias. El problema de la aparicin de regresiones espurias en los resultados de un buen nmero de anlisis econmicos es siempre atribuida, no sin razn, a Granger y Newbold
1

Se deja al alumno, como ejercicio voluntario, la realizacin del contraste de Wallis, dada la naturaleza trimestral de los datos utilizados. 2 Aunque en las sesiones tericas de clase se han establecido los lmites inferior y superior del estadstico DW en 0 y 4 respectivamente, debe observarse que, en realidad, estos lmites son slo vlidos cuando se dispone de una muestra suficientemente grande. As, por ejemplo, si slo dispusiramos de 5 datos, el lmite inferior se situara en 0.382 y el lmite superior en 3,62.

3/11

(1974). Sin embargo, a finales de la dcada de los aos 20, Yule (1926) ya haba arrojado su particular primera piedra en el Journal of the Royal Statistical Society con un artculo con el inquietante, pero muy descriptivo ttulo: Why do we sometimes get nonsense correlations between time series?. Efectivamente, el problema de las regresiones espurias es que tienden a admitirse como buenas, relaciones econmicas que, en realidad, slo se deben a aspectos casuales. Por regresin espuria entendemos tcnicamente aquellas ecuaciones de regresin que presentan una elevada significatividad conjunta, medida en trminos del coeficiente de determinacin R2 o R2 corregida y, sin embargo, fuertes problemas de autocorrelacin positiva reflejados en bajos valores del estadstico Durbin Watson. La presencia de un trmino de error fuertemente autocorrelacionado impide efectuar un proceso de inferencia con mnimas garantas. La probabilidad de un error en el clculo y en la aplicacin de los test de significatividad individual convencionales es muy importante, sin contar los insalvables problemas de no ineficiencia en la estimacin propios de una situacin de matriz de varianzas y covarianzas no escalar para la perturbacin aleatoria. (Granger y Newbold (1974 y 1977), Plosser y Schwert (1978)).3 El problema de este tipo de regresiones es que, a diferencia de las ecuaciones claramente deficientes, el buen ajuste en trminos de t y R2 puede generarnos a una equivocada percepcin de que estamos ante la evidencia emprica de una relacin causal de inters; nada ms lejos, sin embargo, de la realidad. Una regresin con evidencias tan claras de autocorrelacin debe descartarse inmediatamente como herramienta de utilidad, sin necesidad de realizar ninguna prueba adicional y por mucho que nos parezca atractivo el alto grado de significatividad individual o conjunta. Cmo es posible encontrar esta combinacin de resultados tan contradictoria?. En nuestro caso, el origen de los problemas de la autocorrelacin est asociado a la utilizacin de variables en niveles, en lugar de la realizacin de esta misma especificacin usando tasas de crecimiento o diferencias en los datos. La elevada autocorrelacin provocada por la utilizacin de niveles junto a una estimacin MCO sin correccin alguna, supone, de facto, un doble sesgo a la baja en la varianza de la estimacin que genera, artificialmente, muy buenos resultados en los contrastes de significacin individuales y conjuntos. Debemos, por tanto, rechazar siempre el uso de variables en niveles ante el riesgo de una regresin espuria?: Concepto de Variable No Estacionaria o Integrada. De la ilustracin anterior, se deduce la recomendacin general de no utilizar las variables en niveles para la estimacin de regresiones causales pero no hemos respondido, sin embargo, a la pregunta de fondo por qu las regresiones con variables en niveles implican el riesgo elevado de un residuo autocorrelacionado?. La razn estriba, en la mayora de los casos, en la falta de estacionariedad en varianza de algunas o todas las variables utilizadas en la regresin. An sin ofrecer detalle terico, debe saberse que los supuestos clsicos en los que se apoya la regresin como estrategia analtica exigen la estacionariedad en media y varianza de las series
3

Si bien Granger y Newbold (1974) no explicitaron estadsticamente las razones que explicaban el fallo de los procedimiento habituales, esto puede encontrarse con detalle en Phillips (1986).

4/11

implicadas en un ejercicio de este tipo. Si bien la presencia de tendencias deterministas en las variables (variables no estacionarias en media o variables estacionarias alrededor de una tendencia4) resulta generalmente un problema fcil de afrontar y resolver en la modelizacin con variables en niveles5, la presencia de races unitarias en las variables (no estacionariedad en varianza) impide su utilizacin en niveles. Si se realiza una estimacin en niveles de una ecuacin de regresin entre dos variables No Estacionarias (tambin se denominan integradas) corremos un alto riesgo de encontrarnos ante una regresin espuria; La forma ms clara de ilustrar el problema es utilizar los resultados del ejemplo expuesto por Newbold y Davies (1978) y Granger y Newbold (1986) y reutilizado despus en numerosos textos como Charemza y Deadman (1992). Supongamos dos variables yt y xt independientemente generadas por paseos aleatorios:
y t = y t 1 +1t x t = x t 1 +2 t

donde 1t y 2t son variables aleatorias normales estndar independientes entre s con media cero y varianza unitaria. Dado que yt y xt estn generadas de forma independiente deberamos esperar que no existiera ninguna relacin significativa entre ambas. Sin embargo, sobre un conjunto de 1000 muestras de yt y xt con 50 observaciones, alrededor de un 65% de las regresiones de yt sobre xt presentan contrastes t significativos a un nivel de significatividad del 5%6. Tal y como expone Enders (1995) basta con reparar en las propiedades de la perturbacin aleatoria de la regresin de yt sobre xt para apreciar lo absurdo de estos resultados. Efectivamente, en la regresin:
y t = a 0 + a1 x t + et

es claro que, prescindiendo de la constante a0:

et = y t a1 x t

por lo que imponiendo las restricciones iniciales y0=x0=0 tenemos que: et = 1i a1 2i

i =0 i =0
4

Suele denominarse a estas variables trend stationary TS a diferencia de aquellas que son NO estacionarias en varianza que suelen denominarse con el acrnimo DS difference stationary.
5

Las regresiones espurias, no obstante, no slo se producen por la aparicin de tendencias estocsticas en las series: las tendencias deterministas tambin pueden ser un problema. Si hacemos depender una serie yt lineal (1,2,3,4..... 50) de otra xt con tendencia cuadrtica (1,4,.......502) el resultado en trminos de R2 es de 0,94 cuando en realidad queda claro que el patrn de evolucin de la serie cuadrtica acabar por divergir de forma definitiva cuando el nmero de datos tienda a infinito. Para ajustar adecuadamente una regresin al caso de variables con tendencias deterministas basta con incorporar una variable de tiempo t que recoja la tendencia comn de ambas series o bien filtrar de tendencia los datos antes de su utilizacin en la regresin.
6

Estos datos se refieren a la prueba efectuada por Charemza y Deadman (1992). En el experimento original de Granger y Newbold (1974) el porcentaje de regresiones con parmetro significativo al 5% fue del 75%.

5/11

Por tanto, es obvio que estamos ante una secuencia et no estacionaria en varianza. Si esto es as, et presenta una tendencia estocstica, lo que quiere decir que el error cometido en t no se diluye en t+1, t+2... t+s ;es imposible que una regresin en la que los errores se acumulan de forma permanente pueda tener algn inters. Ntese que en esta situacin se violan un buen nmero de hiptesis bsicas asumidas en los procesos de inferencia habituales en el contexto del Modelo Bsico de Regresin Lineal:
-

La varianza de et ya hemos dicho que no es constante. En la expresin anterior puede comprobarse con sencillez como se incrementa hacia el infinito a medida que t crece. Si la serie xt no es estacionaria, no satisfar la propiedad:

n plim xi2 n = cte i =1

que es uno de los supuestos que justifican los procedimientos de inferencia habituales basados en el estimador MCO. Pero, adems, no existe incorrelacin serial en el residuo; la misma expresin para et puede utilizarse para comprobar como la correlacin entre et y et+1 tiende a uno a medida que t se incrementa; esta es la razn analtica por la que, en las regresiones espurias, el residuo tiende a exhibir una elevada autocorrelacin. Dada semejante acumulacin de errores de base, ningn test de significatividad puede ser usado con garantas y por ello, ninguna inferencia ser fiable. As pues, ante la presencia de variables integradas, el modelizador debe considerar la necesidad de transformar estas variables antes de proceder a la estimacin de la ecuacin. La regla general, que no ser explicada tericamente en este texto, supone la utilizacin de las variables en diferencias, en lugar de niveles, salvo en el caso en que podamos demostrar que, an en presencia de no estacionariedad, las variables no estacionarias estn cointegradas7. El concepto de la cointegracin queda fuera del alcance de un curso introductorio como este pero, en cualquier caso, debe recordarse siquiera el trmino cointegracin como una aportacin interesante. La trascendencia de esta definicin es inmediata. Si dos series no estacionarias estn cointegradas, esto significar que entre
7

El tratamiento clsico de la estacionariedad propuesto por Box Jenkins (1970) en el contexto del anlisis multivariante, implica la diferenciacin de las series a fin de evitar las regresiones espurias provocadas por la existencia de tendencias estocsticas. La diferenciacin de las series temporales, sin embargo, supone una renuncia explcita a considerar sus relaciones a largo plazo, ya que estas manifiestan necesariamente en sus niveles tal y como pusieron de manifiesto, entre otros, Sargan (1964), Hendry y Mizon (1978) y Davidson et al (1978) . En este contexto, y aunque los modelos de correccin de error propuestos por Sargan (1964) fueron siempre una alternativa muy valiosa para combinar el corto y el largo plazo en el anlisis dinmico de series, la formalizacin del concepto de cointegracin por parte de Engle y Granger (1987) fue decisiva. La posibilidad de combinar niveles de series integradas de forma tal que esa combinacin resultase estacionaria, se ha convertido en una de las aportaciones conceptuales ms interesantes y en las que se ha apoyado de forma incuestionable el avance reciente de la econometra moderna.

6/11

ambas existe un vnculo estable y compatible con las tendencias individuales de cada una de ellas, o sea, una relacin de equilibrio a largo plazo. A esa ligazn, representada por el denominado vector de cointegracin, no le afectan ms que de forma temporal los shocks que inciden en cada una de las series de forma permanente y, por tanto, cabe pensar en la idea de un equilibrio estacionario en el que las desviaciones sean exclusivamente temporales.

IV.- CORRECCIN DE LA AUTOCORRELACIN

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 ocasiones8 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 aucorrelacin 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. 1.- Adaptando la especificacin 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 9, 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. Este resultado tiene su lgica ya que, como seala Gujarati10 al tomar las primeras diferencias estamos estudiando esencialmente el comportamiento de variables alrededor de sus valores de tendencia(lineal) :

Algunos autores distinguen esta situacin de aquella en la que la autocorrelacin no viene provocada por una deficiente especificacin. Gujarati, por ejemplo, define esta situacin como Autocorrelacin Pura.
9

Existen varios contrastes muy utilizados para detectar la No Estacionariedad en varianza de las series. Los ms sencillos y populares son los contrates DF y ADF (Dickey-Fuller y Augmented Dickey-Fuller), el contraste PP (Phillips Perron), ambos incluidos desde hace tiempo en el software E-Views.
10

Econometra. (4 Edicin). Mc-Graw-Hill.

7/11

Regresin con variables en diferencias

Dependent Variable: D(IMPK) Method: Least Squares Date: 03/15/06 Time: 09:06 Sample(adjusted): 1981:2 2002:2 Included observations: 85 after adjusting endpoints Variable Coefficient Std. Error t-Statistic C 291.8475 65.10598 4.482653 D(FBCK) 0.670183 0.114304 5.863145 D(GTOHOGK) -0.033462 0.115973 -0.288528 D(PIMPENER) 1.173410 2.967580 0.395410 R-squared 0.324554 Mean dependent var Adjusted R-squared 0.299538 S.D. dependent var S.E. of regression 453.1934 Akaike info criterion Sum squared resid 16636122 Schwarz criterion Log likelihood -638.4483 F-statistic Durbin-Watson stat 1.603458 Prob(F-statistic)

Prob. 0.0000 0.0000 0.7737 0.6936 434.3882 541.4910 15.11643 15.23138 12.97361 0.000001

Regresin con variables en tasas intertrimestrales11

Dependent Variable: @PCH(IMPK) Method: Least Squares Date: 03/15/06 Time: 09:07 Sample(adjusted): 1981:2 2002:2 Included observations: 85 after adjusting endpoints Variable Coefficient Std. Error t-Statistic C 0.016229 0.003206 5.062309 @PCH(FBCK) 0.787737 0.125760 6.263833 @PCH(GTOHOGK) -0.382166 0.352991 -1.082650 @PCH(PIMPENER) -0.015416 0.018807 -0.819696 R-squared 0.340840 Mean dependent var Adjusted R-squared 0.316427 S.D. dependent var S.E. of regression 0.022344 Akaike info criterion Sum squared resid 0.040440 Schwarz criterion Log likelihood 204.5401 F-statistic Durbin-Watson stat 1.953758 Prob(F-statistic)

Prob. 0.0000 0.0000 0.2822 0.4148 0.021866 0.027025 -4.718590 -4.603641 13.96121 0.000000

Dicho de otro modo, el satisfactorio resultado obtenido en la estimacin preliminar era ficticio y originado, ms que probablemente, por la utilizacin de variables no estacionarias: cuando se elimina la tendencia estocstica de estas variables, la relacin de causalidad se diluye. 2.- Camuflando la autocorrelacin 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
11

La utilizacin de tasas interanuales tambin sera posible en este caso al tratarse de variables trimestrales. Sin embargo, salvo que se compruebe la existencia de races unitarias (no estacionariedad) estacionales, esta tasa no resolvera el problema de la no estacionariedad en la componente regular (no estacional).

8/11

evitando en parte los efectos indeseables de una inadecuada estimacin MCO en un contexto en que esta estrategia no es vlida. Quiz la forma ms burda de hacer esta correccin 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.
Dependent Variable: IMPK Method: Least Squares Date: 03/15/06 Time: 09:29 Sample(adjusted): 1981:2 2002:2 Included observations: 85 after adjusting endpoints Variable Coefficient Std. Error t-Statistic C 5585.058 2395.831 2.331157 FBCK 0.089965 0.052576 1.711143 GTOHOGK -0.134891 0.059548 -2.265243 PIMPENER -4.880665 1.705419 -2.861856 IMPK(-1) 1.082308 0.039181 27.62295 R-squared 0.998390 Mean dependent var Adjusted R-squared 0.998310 S.D. dependent var S.E. of regression 497.8493 Akaike info criterion Sum squared resid 19828313 Schwarz criterion Log likelihood -645.9085 F-statistic Durbin-Watson stat 1.434628 Prob(F-statistic)

Prob. 0.0223 0.0909 0.0262 0.0054 0.0000 21493.54 12110.32 15.31549 15.45918 12406.11 0.000000

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.
h= n 1 n 2 (b1 )

donde: 2(b1) es la desviacin tpica estimada para el parmetro de la endgena retardada. Es decir, en nuestro caso, el DW obtenido en la regresin que incluye la variable endgena retardada es 1.434, es decir, se corresponde con una estimacin aproximada del coeficiente autorregresivo de 0.283. As pues, el valor de la h de Durbin es:
h= n 85 = 0.283 = 2.798 2 (b1 ) 1 n 1 85 (0.039181 ) 2

El valor de este estadstico se contraste suponiendo una distribucin normal (0,1), as, con un nivel de significacin del 5%, el valor a superar es 1,645. Si el estadstico calculado supera este valor, debe rechazarse la hiptesis de autocorrelacin nula; en nuestro caso, el valor 2.798 supera ampliamente el valor crtico por lo que, evidentemente, la h de Durban refleja la existencia de autocorrelacin por mucho que el valor del DW haya mejorado artificialmente. Una transformacin algo ms elegante, aunque inadecuada cuando el problema de fondo es una incorrecta especificacin en niveles, es, tal y como se expuso en las sesiones 9/11

tericas, optar por utilizar la transformada de las variables originales, es decir, la denominada MCG Factibles (MCGF) o Mnimos Cuadrados Generalizados Estimados (MCGE):
y t* = y t y t 1 x * = x jt x jt 1 jt
Dependent Variable: IMPK-0.85*IMPK(-1) Method: Least Squares Date: 03/15/06 Time: 09:21 Sample: 1981:2 2002:2 Included observations: 85 Variable Coefficient C -15935.61 FBCK-0.85*IMPK(-1) -1.098756 GTOHOGK-0.85*GTOHOGK(-1) 4.446807 PIMPENER-0.85*PIMPENER(-1) 13.99607 R-squared 0.976361 Adjusted R-squared 0.975485 S.E. of regression 1896.145 Sum squared resid 2.91E+08 Log likelihood -760.1053 Durbin-Watson stat 1.970663

Std. Error t-Statistic 2599.656 -6.129892 0.085707 -12.81990 0.225190 19.74694 12.79506 1.093865 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Prob. 0.0000 0.0000 0.0000 0.2773 21493.54 12110.32 17.97895 18.09390 1115.159 0.000000

Como puede observarse, hemos perdido una observacin al realizar la regresin de MCGF. Con el fin de no perder esta primera observacin, aspecto especialmente relevante en muestras pequeas, puede optarse por utilizar la denominada transformacin de Prais Winsten que permite mantener la primera observacin de la variable endgena y exgenas considerando para su clculo:
Y1* = Y1 1 2 X *1 = X j
j1

1 2

En realidad, dado que el clculo directo del rho implica cierta probabilidad de error, suele ser conveniente utilizar el procedimiento de clculo iterativo de conocido como Cochrane Orcutt descrito en clase. Esto implicara un proceso sucesivo de re-clculo de rho a partir de los nuevos resultados del DW obtenidos en esta regresin, y una nueva transformacin de las variables previamente transformadas ES decir, en nuestro ejemplo, el nuevo valor del DW es ahora 1.97 lo que implica un valor del de 0.015; podra utilizarse ese nuevo valor para transformar de nuevo las variables y reestimar nuevamente la ecuacin.12 En todo caso, no merece la pena insistir en un procedimiento de correccin que se ha ilustrado convenientemente con este ejemplo. La ltima de las estrategias para mejorar la estimacin de un modelo de autocorrelacin consiste, evidentemente, en la utilizacin de Mnimos Cuadrado Generalizados
12

Este procedimiento iterativo finaliza cuando entre dos estimaciones sucesivas de rho no existe una diferencia significativa o bien cuando no existe un cambio notable en los parmetros de las exgenas de la regresin.

10/11

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 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. Existe, para finalizar, una propuesta de correccin similar a la estimacin automtica corregida de heterocedasticidad de White, pero ideada para el contexto en el que exista un problema de autocorrelacin. Esta correccin, que no se desarrollar tericamente en este texto, y que en esencia sigue la misma estrategia que la expuesta para la correccin de heterocedasticidad de White, se denomina Estimacin de Newey West pero slo resulta conveniente para muestras muy grandes. La mayor parte de los programas informticos incorporan esta correccin automtica bajo la denominacin Estimador Newey Wets o bien estimacin con errores estndar CHA (consistentes con la heterocedasticidad y la autocorrelacin).

11/11