TRABAJO DE ECONOMETRA (autocorrelacin)

EJERCICIOS
12.1 Establzcase si las siguientes afirmaciones son verdaderas o falsas. Justifique su respuesta brevemente.
a) Cuando hay presencia de autocorrelacin, los estimadores MCO son sesgados lo mismo que ineficientes.
(F)
Es falso porque en presencia de autocorrelacin los estimadores de MCO siguen siendo insesgados pero ya no
tienen varianza mnima, es decir ya no son MELI y por lo tanto ya no son eficientes.
b) La prueba d de Durbin-Watson supone que la varianza del trmino de error ut es homoscedstica. (V)
Es verdadero porque uno de los supuestos de la prueba d de Durbin Watson es que las X son fijas o no
estocsticas en muestreos repetidos, por lo tanto la varianza es constante a lo largo de la recta regresin.
c) La transformacin de primera diferencia para eliminar la autocorrelacin supone que el coeficiente de
autocorrelacin es -1. (F)
Es falso porque para la transformacin de primera diferencia para eliminar la autocorrelacin supone que el
coeficiente de autocorrelacin es +1, es decir que las perturbaciones estn correlacionadas positivamente.
d) Los valores R2 de dos modelos, de los cuales uno corresponde a una regresin en forma de primera
diferencian y el otro a una regresin en formas de nivel, no son directamente comparables. (V)
Es verdadero porque para que los R 2 sean comparables las variables dependientes deben ser las mismas y en este
caso no lo son, debido a que al tomar las primeras diferencias estamos estudiando esencialmente el comportamiento
de variables alrededor de sus valores de tendencia (lineal).
e) Una d de Durbin-Watson significativa no necesariamente significa que hay autocorrelacin de primer
orden. (F)
Es falso porque uno de los supuestos de la prueba d de Durbin-Watson es que es solamente vlida para detectar
autocorrelacin que hubiese sido generada por esquemas AR(1).
f) En presencia de autocorrelacin las varianzas calculadas convencionalmente y los errores estndar de los
valores pronosticados son ineficientes. (V)
Es verdadero porque como dijimos anteriormente las varianzas ya no son mnimas es decir los estimadores dejan de
ser MELI y por lo tanto ya no son eficientes.
g) La exclusin de una o varias variables importantes de un modelo de regresin pueden producir un valor
d significativo. (V)
Es verdadero porque cuando se excluyen variables que son relevantes en el modelo estas pasan a formar parte del
trmino de perturbacin, y como el estadstico d nos mide la razn de la suma de las diferencias al cuadrado de
residuos sucesivos sobre la suma residual al cuadrado, y por lo tanto d no permitira la ausencia de tales
observaciones.
h) En el esquema AR (1), una prueba de hiptesis de =1 puede hacerse mediante el estadstico g de
Berenblutt-Webb, lo mismo que por medio del estadstico d de Durbin-Watson. (F)
Es falso porque en la prueba d de Durbin-Watson la hiptesis nula es que =0 en cambio en la prueba g de
Berenblutt-Webb se considera la hiptesis nula de que =1, sin embargo para probar la significancia del
estadstico g se puede utilizar las tablas de Durbin-Watson.
i) En la regresin de primera diferencia de Y sobre primeras diferencias de X, si hay un trmino constante y
un trmino de tendencia lineal, significa que en el modelo original hay un trmino de tendencia lineal y uno
de tendencia cuadrtica. (F)
Es falso porque se supone que si en la primera diferencia de Y sobre primeras diferencias de X existe un trmino
constante y un trmino de tendencia lineal el modelo original no tendr un trmino de tendencia cuadrtica.
12.2. Dada una muestra de 50 observaciones y de 4 variables explicativas, Qu se puede decir sobre
autocorrelacin si a) d =1.05, b) d =1.40, c) d =2.50 y d) d =3.97?
a) n= 50
K=4
K =3
d = 1.05
= 0.05
Buscando en las tablas d de Durbin-Watson obtuvimos los siguientes resultados:
d l = 1.421
d u = 1.674

1.421

1.674

4-du

4-dl

1.05

Con un 95% de confianza podemos decir que no hay suficiente evidencia estadstica para aceptar la hiptesis nula
de que no existe autocorrelacin es decir se acepta la hiptesis alternativa de que existe autocorrelacin y en este
caso es positiva.
b) n= 50
K=4
K =3
d = 1.40
= 0.05

Buscando en las tablas d de Durbin-Watson obtuvimos los siguientes resultados:

d l = 1.421
d u = 1.674
0

1.421

1.674

4-du

4-dl

1.40

Con un 95% de confianza podemos decir que no hay suficiente evidencia estadstica para aceptar la hiptesis nula
de que no existe autocorrelacin es decir se acepta la hiptesis alternativa de que existe autocorrelacin y en este
caso es positiva.
c) n= 50
K=4
K =3
d = 2.50
= 0.05
Buscando en las tablas d de Durbin-Watson obtuvimos los siguientes resultados:
d l = 1.421
4- d l = 2.579
d u = 1.674
4- d u = 2.326
0

1.421

1.674

2.326

2.579
2.50

Como el estadstico d de Durbin-Watson cae en la zona de indesicin podemos decir que con un 95% de confianza
no hay evidencia estadstica para aceptar la hiptesis nula de que no existe autocorrelacin es decir se acepta la
hiptesis alternativa de que existe autocorrelacin y en este caso es negativa.
d) n= 50
K=4
K =3
d = 3.97
= 0.05
Buscando en las tablas d de Durbin-Watson obtuvimos los siguientes resultados:
d l = 1.421
4- d l = 2.579
d u = 1.674
4- d u = 2.326

1.421

1.674

2.326

2.579

4
3.97

Como el estadstico d de Durbin-Watson cae en la zona de autocorrelacin negativa podemos decir que con un 95%
de confianza no hay evidencia estadstica para aceptar la hiptesis nula de que no existe autocorrelacin es decir se
acepta la hiptesis alternativa de que existe autocorrelacin y en este caso es negativa.
12.4. Deteccin de la autocorrelacin: prueba de la razn de von Neumann. Suponiendo que los residuos u t
se obtienen aleatoriamente de una distribucin normal, von Neumann demostr que para n grande, la razn

(u u )
(u u )

s2

i 1

Nota: u = 0 en MCO

Llamada razn de von Neumann, tiene una distribucin aproximadamente normal con media
E

2
s

2n
n 1

Y varianza
var

2
s

n2
(n + 1)(n 1)

a) Si n es suficientemente grande, Cmo se utilizar la razn von Neumann para probar la autocorrelacin?
Si n es grande la razn von Neumann se utiliza de la siguiente manera:
Se contrasta la independencia entre la Zt cuando se trabaja con muestras grandes, en este caso con un n>60 y se
calcula el estadstico v, donde:
T

v=

(Z
t =2

Z t 1 ) / (n 1)
2

(Z

t =1

Z) /n
2

; Z =
t =1

Zt
n

Una vez que se ha obtenido la variable tipificada comparamos este valor con el nivel crtico que sigue una
distribucin normal con media cero y varianza unitaria, escogiendo un nivel de significancia del 5% ( = 0.05 ) se
aplica el siguiente contraste:
v Ev
sv
Como el t dado es igual a 1.96, por lo tanto si en valores absolutos el t calculado es menor se acepta la hiptesis
de que no existe autocorrelacin, es decir se rechaza la hiptesis alternativa de que existe autocorrelacin.
Y si el t calculado es mayor que 1.96 se rechaza la hiptesis nula, es decir existe autocorrelacin.
t=

b) Cul es la relacin entre el d de Durbin-Watson y la razn de von Neumann?

Como la razn d de Durbin-Watson es igual a:
t =n

d=

(u
t =2

u t 1 )

t =n

t =1

y von Neumann es igual a:

t =n

v=

(ut ut 1 )2 n
t =2
T

u (n 1)
2

t =1

Entonces v va a ser igual a: d

n
ya que
(n 1)

(u t u t 1 )
t =2

t =n

=d

t =1

por la tanto la razn entre el d de Durbin-Watson y la razn de von Neumann va a ser igual a:
r=

d
1
= 1
dn
n
(n 1)

c) El estadstico d se encuentra entre 0 y 4. Cules son los lmites correspondientes para la razn de von
Neumann?
Los limites correspondientes para la razn de von Neumann tambin estaran entre 0 y 4 siempre y cuando n sea
grande debido a que si el d = 0 v = 0 , d = 2 v 2 y si d = 4 v 4 .
d) Puesto que la razn depende del supuesto de que los u se obtienen aleatoriamente de una distribucin
normal, Qu tan vlido es este supuesto para los residuos MCO?
Debido a que las perturbaciones aleatorias no son observables y en su sustitucin se utilizan los residuos de la
estimacin de MCO se presenta un problema debido a que los residuos de estos slo pueden considerarse

representativos en muestras grandes y por lo tanto en el caso de muestras pequeas los resultados de este contraste
slo pueden ser considerados como una aproximacin.
e) Suponiendo que en una aplicacin se encontr que la razn era de 2.88 con 100 observaciones; evalese la
hiptesis de que no hay correlacin serial en la informacin.
Nota: B.I.Hart tabul los valores crticos de la razn von Neumann para tamaos de muestras de hasta de 60
observaciones.
T

v=

(Z
t =2

(Z

t =1

2
s

Var=

Z) /n

=2.88

n=100

2n 2(100 )
=
= 2.020
n 1
99

2
s

Z t 1 ) / (n 1)
2

n2
n2
98
2
= 4n 2
= 4(100)
= 0.04 entonces
3
3
(n + 1)(n 1)
(n + 1)(n 1)
101 * 99

s= 0.1999.

A partir de estos resultados se puede encontrar lo siguiente:

v Ev
t=

por lo tanto:
t=

2.88 2.020
= 4 .3
0.04

INTERPRETACIN:
Como el t calculado es mayor que el t dado de 1.96 se dice que no hay suficiente evidencia estadstica para
aceptar la hiptesis nula de que no existe autocorrelacin.
12.6. Estimacin del de Theil-Nagar basado en el estadstico d . Theil y Nagar sugirieron que en muestras
pequeas, en lugar de estimar como (1- d /2), se estimar como

n 2 (1 d / 2) + k 2
n2 k 2

Donde n=nmero total de observaciones, d de Durbin-Watson y k=nmero de coeficientes que van a ser
estimados (incluyendo la interseccin).
Mustrese que para un n grande, esta estimacin de es igual a la obtenida por la formula ms simple (1d/2).
Suponiendo que tenemos un d de Durbin-Watson igual a 1.5 entonces para muestras pequeas aplicamos la
siguiente frmula y obtenemos:

= (1- d /2)
por lo tanto:

= 1

1 .5
= 0.25
2

Aplicando la frmula para muestras pequeas se obtuvo un =0.25, ahora procedemos a aplicar la frmula
propuesta para muestras grandes.

n 2 (1 d / 2) + k 2
n2 k 2

Suponiendo una muestra de 80 observaciones y suponiendo un modelo con 2 variables tenemos:

80 2 (1 1.5 / 2) + 2 2
= 0.25
80 2 2 2

Como podemos darnos cuenta con los resultados obtenidos aplicando diferentes frmulas obtenemos el mismo
resultado de p ya que se tiene el mismo d de Durbin-Watson.
12.8 Estimacin de : el procedimiento iterativo Cochrane-Orcutt (C-O).
Como una ilustracin de este mtodo, considrese el modelo de dos variables:
Yt = 1 + 2 X t + ut

(1)

y el esquema AR(1)
u t = u t 1 + t ,-1< <1

(2)

Cochrane y Orcutt recomendaron lo siguiente para estimar .

1. Calclese (1) mediante la rutina usual de MCO y obtngase los residuos u t .
A propsito, obsrvese que puede tenerse ms de una variable X en el modelo.
2. Utilcense los residuos calculados en el paso 1, hgase la siguiente regresin:
u t = u t 1 + vt

(3)

Que es la parte emprica de (2).

3. Utilcese obtenida en (3), calclese la ecuacin de diferencia generalizada (12.9.6).
4. Puesto que a priori no se sabe si la obtenida de (3) es el mejor estimador de , sustityanse los valores
*
*
de y , obtenidos en el paso (3) para la regresin original (1), y obtnganselos nuevos residuos, digamos
1

u t , como
*
*
u * t = Yt 1 2 X t

(4)

*
*
Que se pueden calcular con facilidad, ya que se conocen Yt , X t , 1 y 2 ,
5. Ahora calclese la siguiente regresin:
*
u t = *u * t 1 + wt

(5)

Que es estimar a (3), y por tanto proporciona el estimado de de la segunda ronda.

Ya que se desconoce si dicho estimado de es el mejor estimado de la verdadera , se calcula el estimado
de la tercera ronda, etc. Por esta razn el procedimiento C-O se llama mtodo iteractivo. Pero, hasta dnde
se contina esta iteracin?
La recomendacin general es que se detengan las iteraciones cuando los estimados sucesivos de difieren
por una pequea cantidad, por ejemplo sean menores que 0.01 o 0.005. En el ejemplo de la regresin de los
salarios sobre la productividad, se requirieron siete iteraciones antes de detenerse.
a) Usando el software que se elija, verifquese que el valor de la estimada de 0.8919 para la ecuacin
(12.9.16), y 0.9610 para la ecuacin (12.9.17) sean aproximadamente correctas.

Yt* = 45.105 + 0.5503 X t*

ee = (6.190) (0.0652)
t = (7.287) (8.433)
r 2 = 0.9959

(12.9.16)

Utilizando el SPSS obtenemos los siguientes resultados:

Variables introducidas/eliminadas(b,c)

Modelo
1

Variables
introducidas
U_L(a)

Variables
eliminadas
.

Mtodo
Introducir

a Todas las variables solicitadas introducidas

b Variable dependiente: Unstandardized Residual
c Regresin lineal a travs del origen

Coeficientes(a,b)
Coeficientes
estandarizado
s

Coeficientes no
estandarizados
Modelo
1

Error tp.

Beta

U_L
,882
,067
a Variable dependiente: Unstandardized Residual
b Regresin lineal a travs del origen

,905

Sig.

13,151

,000

Como podemos darnos cuenta con los datos de la tabla 12.4 primero encontramos los residuos y luego estos
residuos lo rezagamos un perodo y corremos la regresin para encontrar el primer p .
p = 0.882
Luego se obtiene la siguiente regresin:

(Y PYt 1 ) = 1 (1 P ) + 2 ( X PX t 1 ) + (u t Pu t 1 )
Y* = B1 *
+ B2 *X*
+u
Luego de corrida la regresin se obtuvo los siguientes resultados
Y * = 5.563 + 0.526 X * + t
Variables introducidas/eliminadas(b)

Modelo
1

Variables
introducidas
XAST(a)

Variables
eliminadas
.

Mtodo
Introducir

a Todas las variables solicitadas introducidas

b Variable dependiente: YAST

Coeficientes(a)
Coeficientes
estandarizado
s

Coeficientes no
estandarizados
Modelo
1

B
(Constante
)
XAST

Error tp.

5,563

,781

,526

,071

Beta

,774

Sig.

7,121

,000

7,431

,000

a Variable dependiente: YAST

Para obtener el valor de B1 se aplica la formula siguiente:

1 =

1 *
5.563
=
= 47.14
1 1 0.882

Por lo tanto la regresin anterior nos quedara:

Y * = 47.14 + 0.526 X * +u
Ahora para encontrar el segundo p de esta regresin sacamos los residuos y luego le rezagamos un perodo para
correr la regresin entre estos.
Despejando de la regresin anterior se obtiene los residuos:

U * = Y 1 0.526 X
De donde nos quedara:
U * = Y 47.14 0.526 X

Variables introducidas/eliminadas(b,c)
Modelo
1

Variables
introducidas
UU_L(a)

Variables
eliminadas

Mtodo
.

Introducir

a Todas las variables solicitadas introducidas

b Variable dependiente: UU
c Regresin lineal a travs del origen
Coeficientes(a,b)
Coeficientes
estandarizado
s

Coeficientes no
estandarizados
Modelo
1

B
UU_L

Error tp.
,886

Beta

,031

,977

Sig.

28,346

,000

a Variable dependiente: UU
b Regresin lineal a travs del origen

En donde = 0.886
Para obtener el tercer procedemos de la misma manera:

(Y PYt 1 ) = 1 (1 P ) + 2 ( X PX t 1 ) + (u t Pu t 1 )
Y*

= B1 *

+ B2 *X*

+u

Luego de corrida la regresin se obtuvo los siguientes resultados

Variables introducidas/eliminadas(b)

Modelo
1

Variables
introducidas
UU_L(a)

Variables
eliminadas

Mtodo
.

Introducir

a Todas las variables solicitadas introducidas

b Variable dependiente: UU
Coeficientes(a)
Coeficientes
estandarizado
s

Coeficientes no
estandarizados
Modelo
1

B
(Constante
)
UU_L

Error tp.
,013

,197

,887

,039

Beta

,967

Sig.
,066

,948

23,024

,000

a Variable dependiente: UU

Y * = 0.013 + 0.887 X *

Para obtener el valor de 1 aplicamos lo siguiente:

0.013
1 =
= 0.1140
1 0.886
Luego la regresin quedara de la siguiente manera:
Y * = 0.11 + 0.887 X * +u
Ahora para encontrar el tercer p de esta regresin sacamos los residuos y luego le rezagamos un perodo para
correr la regresin entre estos.

Despejando de la regresin anterior se obtiene los residuos:

U * = Y 0.11 0.887 X
Variables introducidas/eliminadas(b,c)

Modelo
1

Variables
introducidas
UUU_L(a)

Variables
eliminadas
.

a Todas las variables solicitadas introducidas

b Variable dependiente: UUU
c Regresin lineal a travs del origen

Mtodo
Introducir

Coeficientes(a,b)
Coeficientes
estandarizado
s

Coeficientes no
estandarizados
Modelo
1

Error tp.

UUU_L
,987
a Variable dependiente: UUU
b Regresin lineal a travs del origen

,012

Beta
,997

Sig.

85,584

,000

p = 0.987

b) El valor obtenido de mediante el procedimiento C-O garantiza el mnimo global o slo el mnimo
local?

12.14. Supngase que en el modelo

Yt = 1 + 2 X t + ut
Los u son, en realidad, serialmente independientes. Que sucedera en esta situacin si, suponiendo que
u t = u t 1 + t, se utiliza la regresin en diferencia generalizada
Yt = Yt 1 = 1 (1 ) + 2 X t 2 X t 1 + t
Analcense en particular las propiedades del trmino de perturbacin t.
- Si las u son serialmente independientes entonces = 0 y por lo tanto no existira autocorrelacin es decir la
regresin nos quedara de la siguiente manera:
Yt = 1 + 2 X t + t
- La variable de perturbacin sigue una distribucin normal con media cero y varianza constante.
12.15 En un estudio de determinacin de precios de la produccin final a costo de factores en el Reino Unido,
se obtuvieron los siguientes resultados con base en la informacin anual durante el perodo 1951-1969:

PFt = 2.033 + 0.273Wt 0.521X t + 0.256M t + 0.028M t 1 + 0.121PFt 1

ee = (0.992) (0.127) (0.099) (0.024)
(0.039)
(0.119)
R 2 = 0.984

d = 2.54

Donde PF= precios de la produccin final a costo de factores, W= salarios por empleado, X= producto
interno bruto por persona empleada, M= precios de importacin, Mt-1= precios de importacin rezagados 1
ao y PFt-1= precios de la produccin final a costo de factores en el ao anterior.
Puesto que para 18 observaciones y 5 variables explicativas, al 5% los valores d inferiores y superiores son
0.71 y 2.06, el valor d estimado de 2.54 indica que no hay autocorrelacin positiva. Comntese.
Como se puede ver los limites de la prueba d de Durbin-Watson no estn muy definidos es decir no es posible
determinar si existe o no autocorrelacin y por lo tanto debera utilizarse otra prueba de deteccin de
autocorrelacin para corroborar esto resultados.

12.20 Para la regresin (12.9.9), los residuos estimados tuvieron los siguientes signos:
(++++)(-)(+++++++)(-)(++++)(--)(+)(--)(+)(--)(++)(-)(+)(---------)(+)
Con base en la prueba de rachas, se puede aceptar la hiptesis nula de que no hay autocorrelacin en estos
residuos?
Como el nmero de rachas es grande (15 rachas) se dice entonces que existe una correlacin negativa es decir no
existe suficiente evidencia estadstica para aceptar la hiptesis nula de que no hay autocorrelacin es decir se acepta
la hiptesis alternativa.
12.21 Prueba para correlacin serial de orden superior. Supngase que se tiene informacin de series de
tiempo sobre una base trimestral. En los modelos de regresin que consideran informacin trimestral, en

lugar de utilizar el esquema AR (1) dado en (12.2.1), puede ser ms apropiado suponer un esquema AR (4)
como el siguiente.
u t = 4 u t 4 + t
es decir, suponer que el trmino de perturbacin actual est correlacionado con el trmino para el mismo
trimestre del ao anterior, en lugar de estarlo con el del trimestre anterior.
Para probar la hiptesis de que 4 = 0 , Wallis* sugiere la siguiente prueba d modificada de Durbin-Watson:
n

d4 =

(u
t =5

u t 4 )

u
t =1

2
t

El procedimiento de prueba sigue la rutina de la prueba d usual analizada en el texto.

Wallis hizo las tablas d 4 las cuales pueden encontrarse en su artculo original.
Supngase ahora que hay informacin mensual. Podra la prueba Durbin-Watson ser generalizada para
considerar tal informacin? De ser as, escrbase la frmula d12 apropiada.
Suponiendo un esquema AR(12) tenemos:
u t = 12 u t 12 + t
es decir, suponer que el trmino de perturbacin actual est correlacionado con el trmino para el mismo mes del
ao anterior, en lugar de estarlo con el del mes anterior, por lo tanto la frmula apropiada d de Durbin-Watson es
la siguiente:
n

d12 =

(u

t =13

u t 12 )

u
t =1

2
t

12.22 Supngase que se estima la siguiente regresin:

ln produccint = 1 + 2 ln Lt + 3 ln K t + u t
donde Y es la produccin, L es el insumo trabajo, K es el insumo capital y es el operador de primera
diferencia.
Cmo se interpretara 1 en este modelo?

Este nos estara midiendo el incremento porcentual de la produccin ante incrementos unitarios en el tiempo
(debido a que el tiempo no esta expresado en logaritmos) siempre y cuando 2 y 3 sean iguales a cero.
Podra verse ste como una estimacin del cambio tecnolgico? Justifique la respuesta.
Si se podra ver esto como una estimacin del cambio tecnolgico ya que la tecnologa cambia a lo largo del tiempo
y por lo tanto 1 es el coeficiente de la variable tendencia y este nos estara midiendo el movimiento sostenido ya
sea de crecimiento o disminucin en el comportamiento de la variable tecnologa.
12.25 Se hizo la regresin de los residuos de la regresin de los salarios sobre la productividad dados en
(12.5.1), sobre los residuos rezagados de seis periodos anteriores [es decir, AR (6)], producindose los
siguientes resultados:
Variable dependiente: RES1
Mtodo: Mnimos cuadrados
Muestra (ajustada) : 1965-1998
Obsetvaciones incluidas: 34 despus de ajustar los estremos
Variable

Coeficiente

Error estd.

Estadstico t

5,590462

1,963603

2,847043

Prob.
0,0085

-0,066605

0,023469

-2,838058

0,0087

RES1(-1)

0,814971

0,216231

3,768978

0,0009

RES1(-2)

-0,268651

0,273887

-0,980882

0,3357

RES1(-3)

-0,106017

0,27278

-0,388652

0,7007

RES1(-4)

0,30563

0,273258

1,118467

0,2736

RES1(-5)

-0,064375

0,280577

-0,229438

0,8203

RES1(-6)

0,216156

0,22216

0,972976

0,3395

estd. De Durbin-Watson 1,7589

R 2 = 0.8920
R 2 = 0.8629

a) De los resultados anteriores, qu se puede decir respecto a la naturaleza de la autocorrelacin en los

datos sobre salarios y productividad?
Respecto a la naturaleza de la autocorrelacin podemos decir que el trmino de perturbacin del modelo 12.5.1 no
slo depende del ao actual sino que tambin depende de los aos anteriores, es decir esta tiene rezagos, y por tanto
esto determinara que existe autocorrelacin.
b) Si se piensa que un mecanismo AR (1) caracteriza la autocorrelacin en los datos, se utilizara la
transformacin de la primera diferencia para eliminar la autocorrelacin? Justifique su respuesta.
Si. La transformacin de la primera diferencia puede eliminar la autocorrelacin AR(1), sin embargo este puede
causar que una serie de tiempo sea estacionaria debido a que el trmino de error ( u t ) se vuelve estacionaria ya que
es igual a t , un mtodo apropiado para esta transformacin es que sea alta o que d sea baja.
12.26 Refirase a la informacin sobre la industria del cobre dada en la tabla 12.7
Tabla 12.7

a) Con base en esta informacin, estmese el siguiente modelo de regresin:

InC t = 1 + 2 InI t + 3 InLt + 4 InH t + 5 InAt + u t

Dependent Variable: LNCT

Method: Least Squares
Date: 05/17/07 Time: 08:48
Sample: 1951 1980
Included observations: 30
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LNI
LNL
LNH
LNA

-1.500441
0.467509
0.279443
-0.005152
0.441449

1.003020
0.165987
0.114726
0.142947
0.106508

-1.495923
2.816541
2.435745
-0.036038
4.144737

0.1472
0.0093
0.0223
0.9715
0.0003

R-squared
Adjusted R-squared
S.E. of regresin
Sum squared resid
Log likelihood
Durbin-Watson stat

0.936090
0.925864
0.121749
0.370573
23.34039
0.954940

Mean dependent var

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

3.721145
0.447149
-1.222692
-0.989159
91.54312
0.000000

Interprtese los resultados.

Con los datos dados en la tabla 12.7 y aplicando el programa Eviews se obtuvo los siguientes resultados.
InC t = 1.50 + 0.47 InIt + 0.28 InL t 0.005 InH t + 0.44 InA t
ee = (1.003) (0.166)
(0.115)
(0.143) (0.107)

t = (-1.48) (2.82)

(2.44)

(-0.04) (4.14)
R 2 = 0.94
R 2 = 0.93

INTERPRETACIN:

1
Este nos indica el cambio porcentual en el promedio de doce meses del precio interno del cobre en EEUU dados
cambios unitarios en el tiempo siempre y cuando las dems variables sean igual a cero, es decir es decir Ct
disminuir en 1.5%.

2
Dado un incremento porcentual del 1% en el ndice promedio de doce meses de la produccin industrial se estima
que el promedio de doce meses del precio interno del cobre en EEUU se incrementar en 0.47% manteniendo todo
lo dems constante, es decir existe una relacin directa entre Ct y Lt si aumenta la una, aumentar la otra y
viceversa.

3
Dado un incremento porcentual del 1% en el precio promedio de doce meses del cobre en la bolsa de metales de
Londres se estima que el promedio de doce meses del precio interno del cobre en EEUU se incrementar en 0.28%
manteniendo todo lo dems constante, es decir existe una relacin directa entre estas dos variables si aumenta la
una, aumentar la otra y viceversa.

4
Dado un incremento porcentual del 1% en el nmero de construccin de casas por ao se estima que el promedio de
doce meses del precio interno del cobre en EEUU disminuir en 0.005%, es decir existe una relacin inversa entre
estas dos variables si aumenta la una, disminuir la otra y viceversa.

5
Dado un incremento porcentual del 1% precio promedio de doce meses del aluminio se estima que el promedio de
doce meses del precio interno del cobre en EEUU se incrementar en 0.44%, es decir existe una relacin directa
entre estas dos variables si aumenta la una, aumentar la otra y viceversa.
R2
Con un coeficiente de determinacin de 0.94 se dice que el 94% de las variaciones en el promedio de doce meses
del precio interno del cobre en EEUU estn explicadas por las variables del modelo en su conjunto.
b) Obtngase los residuos y los residuos estandarizados de la regresin anterior y grafquese. Qu se puede
opinar sobre la presencia de autocorrelacin en estos residuales?
Residuos
0.035893
-0.057574
-0.236240
-0.096418
0.152308
0.224898
0.058633
-0.068767
0.031474
0.049220
0.027520
0.039864
0.036860
-0.068150
-0.128053
-0.183400
-0.069426
-0.082290
-0.049867
0.149403
0.105069
0.096646
0.082802
0.160864
0.076581
-0.030374
-0.147077
-0.189339
0.050127
0.028814

R. estand
0.294813
-0.472895
-1.940388
-0.791938
1.250998
1.847225
0.481588
-0.564825
0.258516
0.404274
0.226039
0.327431
0.302750
-0.559762
-1.051780
-1.506375
-0.570240
-0.675898
-0.409587
1.227143
0.862998
0.793811
0.680108
1.321279
0.629006
-0.249477
-1.208038
-1.555163
0.411722
0.236664

Residuos
RESID vs. LNCT
.3
.2

RESID

.1
.0
-.1
-.2
-.3
2.8

3.2

3.6

4.0

4.4

4.8

LNCT

Residuos estandarizados
RESIDESTAND vs. LNCT
2

RESIDESTAND

-1

-2
2.8

3.2

3.6

4.0

4.4

4.8

LNCT

c) Estmese el estadstico d de Durban-Watson y comntese sobre la naturaleza de la autocorrelacin

presente en los datos.
d calculado= 0.954940
n= 30
K=5
K =4
d = 0.9549
= 0.05
Buscando en las tablas d de Durbin-Watson obtuvimos los siguientes resultados:
d l = 1.143
4- d l = 2.857

d u = 1.739

1.143

4- d u = 2.261

1.739

2.261

2.857

0.9545

INTERPRETACIN
Con un 95% de confianza podemos decir que no hay suficiente evidencia estadstica para aceptar la hiptesis nula
de que no existe autocorrelacin es decir se acepta la hiptesis alternativa de que existe autocorrelacin y en este
caso es positiva.
d) Efectese la prueba de rachas y vea si su respuesta difiere de la respuesta dada en c).
Para explicar esta prueba se anotan simplemente los signos Como (+ o -) de los residuos de la regresin dados en la
tabla 12.7
(+)(---)(+++)(-)(+++++)(------)(++++++)(---)(++)

Es as como hay 1 residuo positivo seguido de: 3 negativos, 3 positivos, 1 negativo, 5 positivos, 6 negativos, 6
positivos, 3 negativos y 2 positivos. Un total de 30 observaciones, por lo tanto existen 9 rachas.
Ho: los datos fueron generados por un proceso aleatorio.
Ha: los datos no fueron generados por un proceso aleatorio.
Media: E ( R ) =
E ( R) =

2 N1 N 2
+1
N

2(17)(13)
+1
30

E ( R) = 15.73

Varianza: 2 R =

2R =

2 N 1 N 2 (2 N 1 N 2 N )

(N )2 (N 1)

2(17 )(13)[2(17 )(13) 30]

(30)2 (29)

2 R = 6.98

= 2.64

Pr ob[E (R ) 1.96 R R E (R ) + 1.96 R ] = 0.95

Pr ob[15.73 1.96(2.64) R 15.73 + 1.96(2.64 )] = 0.95
10.56 R 20.90
Como R=9 cae fuera del intervalo anterior se dice entonces que con un 95% de confianza se rechaza la hiptesis
nula de que los datos fueron generados por un proceso aleatorio es decir se acepta la alternativa.
Como podemos darnos cuenta este literal con el literal c) la respuesta no difiere ya que aplicando las dos pruebas
existe autocorrelacin.
e) Cmo se encontrara si un proceso Ar(p) describe mejor la autocorrelacin que un proceso Ar(1)?
Como un esquema de primer orden no contiene datos rezagados se puede utilizar el h de Durbin-Watson entonces
un esquema de orden p si se puede utilizar ya que este esquema si utiliza datos con rezagos y por lo tanto describe
mejor la autocorrelacin.
12.27 Se le da la siguiente informacin:

Y,Gasto de consumo
personal
(miles de millones de
dlares)
281,4
288,1
290
307,3
316,1
322,5
338,4
353,3
373,7
397,7
418,1
430,1
452,7
469,1
476,9

X, tiempo
1(=1956)
2
3
4
5
6
7
8
9
10
11
12
13
14
15(=1970)

Y,estimado
Y*
u residuos
261,4208
19,9791
276,6026
11,4973
291,7844
-1,7844
306,9661
0,3338
322,1479
-6,0479
337,3297
-14,8297
352,5115
-14,1115
367,6933
-14,3933
382,8751
-9,1751
398,0569
-0,3569
413,2386
4,8613
428,4206
1,6795
443,6022
0,9977
458,784
10,3159
473,9658
2,9341

a) Verifquese que el d de Durbin-Watson es igual a 0.4148.

Dependent Variable: Y
Method: Least Squares
Date: 05/17/07 Time: 12:37
Sample: 1 15
Included observations: 15
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X

246.2390
15.18179

5.848296
0.643227

42.10441
23.60254

0.0000
0.0000

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

0.977196
0.975442
10.76324
1506.016
-55.85288
0.414753

Mean dependent var

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

367.6933
68.68264
7.713717
7.808124
557.0798
0.000000

Como podemos observar el d de Durbin-Watson es igual a 0.4148 lo cul verifica la respuesta.

b) Hay correlacin serial positiva en las perturbaciones?
30

20

10

-10

-20
2

10

12

14

RESID

Como podemos observar en el grfico anterior hay muchas series de tiempo que presentan autocorrelacin positiva
ya que la mayor parte de estos se mueven hacia arriba o hacia debajo durante perodos prolongados de tiempo
Para comprobar lo anteriormente dicho se procede a realizar la prueba d de Durbin-Watson .
n= 15
K=2
K =1
d = 0.4148
= 0.05
Buscando en las tablas d de Durbin-Watson obtuvimos los siguientes resultados:
d l = 1.077
d u = 1.361
0

1.077

1.361

4-du

4-dl

0.4148

Con un 95% de confianza podemos decir que no hay suficiente evidencia estadstica para aceptar la hiptesis nula
de que no existe autocorrelacin es decir se acepta la hiptesis alternativa de que existe autocorrelacin y en este
caso es positiva.
c) De ser as, estmese p mediante el
i) mtodo de Theil-Nagar
n 2 (1 d / 2) + K 2
=
n2 K 2
15 2 (1 0.4147 / 2) + 2 2
= 0.8251
15 2 2 2
Como podemos observar 1 y el d = 0.4148 que se aproxima a cero, por lo tanto concluimos diciendo que existe
autocorrelacin positiva.

ii) Procedimiento de dos pasos de Durbin

De la siguiente regresin:

iii) mtodo de Cochrane-Orcutt

d) Utilcese el mtodo de Theil-Nagar para transformar la informacin y efectese la regresin con los datos
transformados.
e) La regresin estimada en d) presenta autocorrelacin? De ser as, Cmo deshacerse de sta?
12.36 El estadstico h de Durbin: considrese el siguiente modelo de la determinacin de salarios:
Yt = 1 + 2 X t + 3Yt 1 + u t
Donde:
Y= salarios=ndice de compensacin real por hora
X=productividad=ndice de produccin por hora
a) Utilizando los datos de la tabla 12.4, calclese el modelo anterior e interprtese los resultados.
Dependent Variable: Y
Method: Least Squares
Date: 05/17/07 Time: 14:37
Sample(adjusted): 1960 1998
Included observations: 39 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X
Y(-1)

8.247920
0.124297
0.801256

1.754545
0.041018
0.055810

4.700890
3.030290
14.35680

0.0000
0.0045
0.0000

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

0.993786
0.993441
0.999782
35.98430
-53.76926
1.521781

Mean dependent var

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

86.34103
12.34486
2.911244
3.039211
2878.781
0.000000

Con los datos dados y corriendo el modelo en el programa Eviews se obtiene los siguientes resultados:
Yt = 8.25 0.124 X t + 0.801Yt 1
ee = (1.75) (0.04) (0.06)
t = (4.7) (3.03) (14.36)
R 2 = 0.99

INTERPRETACION

1
Este nos indica un cambio en el ndice de compensacin real por hora dados cambios unitarios en el tiempo siempre
y cuando las dems variables sean igual a cero, es decir Yt se incrementar en 8.25 unidades, ya que estas dos
variables tienen una relacin directa.

2
Un 2 = -0.124 nos indica que dado un cambio unitario en el ndice de produccin por hora se estima que el ndice
de compensacin real por hora disminuir en 0.124 unidades manteniendo todo lo dems constante, la relacin que
existe entre estas dos variables es inversa.

3
Un 3 =0.801 nos indica que dado un cambio unitario en el ndice de compensacin real por hora del ao anterior
se estima que el ndice de compensacin real por hora del ao actual se incrementar en 0.801 unidades
manteniendo todo lo dems constante, la relacin que existe entre estas dos variables es directa.
R 2 = 0.99
Un R 2 = 0.99 nos dice que el 99% de las variaciones en el ndice de compensacin real por hora estn explicadas
por el modelo en su conjunto.
b) Puesto que el modelo tiene una regresada rezagada como una regresora, la d de Durbin-Watson no resulta
apropiada para averiguar si existe correlacin serial en los datos. Para tales modelos, llamados modelos auto
regresivo, Durbin desarrollo el as llamado estadstico h para probar la autocorrelacin de primer orden, el
cul se define como:
n
h =
1 n var

[ ( )]
3

( )

Donde n tamao de la muestra, var 3 = varianza del coeficiente de la Yt 1 rezagada y = el estimado de la

correlacin serial de primer orden.

Para un tamao de muestra grande (tcnicamente asinttica), Durbin mostr que, bajo la hiptesis nula de
que p=0.
h ~N(0,1)
Es decir, el estadstico h sigue la distribucin normal estndar. A partir de las propiedades de la distribucin
normal, se sabe que la probabilidad de que h >1.96 es de casi 5%. Por consiguiente, si en una aplicacin

h >1.96, se puede rechazar la hiptesis nula de que p=0; es decir existe evidencia de que existe
autocorrelacin de primer orden en el modelo autorregresivo dado antes.
Para aplicar la prueba, se procede as: primero se estima el modelo anterior mediante (MCO) (en este
momento no hay que preocuparse por problemas de estimacin). Segundo. Obsrvese la var 3 en este
modelo, as como el estadstico d que se calcula de manera rutinaria. Tercero, utilizando el valor d, obtngase
p~(1-d/2). Resulta interesante notar que a pesar de que no se puede emplear el valor p para probar la
correlacin serial en este modelo, si se puede usar para obtener un estimado de p. Cuarto, ahora se calcula el
estadistico h. Quinto, si el tamao de la nuestra es razonablemente grande y si la h calculada excede a 1.96,
se puede concluir que hay evidencia referente a una autocorrelacin de primer orden. Por supuesto se puede
usar cualquier nivel de significancia que se desee.

( )

Aplquese la prueba h al modelo autorregresivo de determinacin del salario dado antes y dedzcase las
conclusiones apropiadas. Tambin comprense los resultados con los obtenidos mediante la regresin
(12.5.1)
Corriendo la regresin el en programa Eviews se obtuvo la d de Durbin-Watson igual a 1.521781 y con este
resultado podemos obtener a partir de la siguiente frmula:
= (1- d /2)

= 1

Entonces:

h =

1.521781
= 0.2391095
2

[ ( )]

1 n var 3

Por lo tanto:
h = 0.24

40
1 40[0.003114]

h = 0.24

40
= 1.62
0.87544

INTERPRETACIN
Como el h calculada es menor que 1.96 se dice que con un 95% de confianza no hay evidencia referente a una
autocorrelacin de primer orden.
i) Regresin 12.5.1
Yt = 29.5192 + 0.7136 X t
ee= (1.9423) (0.0241)
t = (15.1977) (29.6066)
r 2 = 0.9584 d = 0.1229

2 = 2.6755

ii) Regresin con rezagos

Yt = 8.25 0.124 X t + 0.801Yt 1
ee = (1.75) (0.04) (0.06)
t = (4.7) (3.03) (14.36)
R 2 = 0.99
Comparando los resultados de ambas regresiones podemos observar que el coeficiente de determinacin de la
regresin con rezagos es mayor que la regresin 12.5.1, por lo tanto podemos decir que el segundo modelo tiene un
ajuste ligeramente mejor.
12.38 Utilizando los datos para la regresin de los salarios sobre la productividad dados en la tabla 12.4,
estmese el modelo (12.9.8) y comprese los resultados con los obtenidos mediante la regresin (12.9.9) Qu
conclusin (es) colige?

Con los datos proporcionados en la tabla 12.4 estimando el modelo (12.9.8) se obtienen los siguientes
resultados, como se puede observar en el anexo N. 1

Yt = 1 + 2 X t + t

Yt = 29.103 + 0.721X t
ee = (1.965) (0.025)
t = (14.810) (29.198)
R 2 = 0.96
Con los datos proporcionados en la tabla 12.4 estimando el modelo (12.9.9) se obtienen los siguientes resultados,
como se puede observar en el anexo N. 2

Yt = X t
Yt = 0.678 X t
ee = (0.083)
t = (8.175)
R 2 = 0.637
Como se puede ver el segundo modelo parece ajustarse de mejor manera ya que la caracterstica principal de
primeras diferencias es que no tiene rezagos ni la variable tendencial por la tanto parece ajustarse de mejor manera.

ANEXO N.1
Model Summary(b)

Model

R Square

Adjusted R
Square

,979(a)
,958
a Predictors: (Constant), xuno
b Dependent Variable: yuno

Std. Error of
the Estimate

,957

Durbin-Watson

2,63126

,141

Coefficients(a)
Unstandardized
Coefficients

Model

B
1

(Constant
)
xuno

Standardized
Coefficients

Std. Error

29,103

1,965

,721

,025

Sig.

Beta

,979

14,810

,000

29,198

,000

a Dependent Variable: yuno

ANEXO N.2
Model Summary(c,d)

Model

R
Square(a)

Adjusted R
Square

,637

,628

,798(b)

Std. Error of
the Estimate

Durbin-Watson

1,01502

1,735

a For regression through the origin (the no-intercept model), R Square measures the proportion of the variability in the dependent variable
about the origin explained by regression. This CANNOT be compared to R Square for models which include an intercept.
b Predictors: xd
c Dependent Variable: yd
d Linear Regression through the Origin

Coeficientes(a,b)
Unstandardized
Coefficients

Model

B
1

xd

Std. Error

,678
,083
a Dependent Variable: yd
b Linear Regression through the Origin

Standardized
Coefficients

Sig.

Beta
,798

8,175

,000