Los patrones de autocorrelación

UNutocorrelation, también conocido como correlación en serie, pueden existir en un modelo de regresión cuando el orden de las observaciones en los datos es relevante o importante. En otras palabras, con series de tiempo (ya veces panel o logitudinal) de datos, la autocorrelación es una preocupación.

La mayoría de los supuestos CLRM que permiten económetras para demostrar las propiedades deseables de los estimadores MCO (el teorema de Gauss-Markov) implican directamente características del término de error. Uno de los supuestos CLRM se ocupa de la relación entre los valores del término de error. En concreto, el CLRM asume que no hay autocorrelación.

sin autocorrelación se refiere a una situación en la que no existe una relación identificable entre los valores del término de error. Económetras no expresan como autocorrelación

La figura muestra la regresión de un modelo de satisfacer el supuesto de CLRM de no autocorrelación. Como se puede ver, cuando el término de error, no muestra una autocorrelación, los valores de error positivas y negativas son aleatorios.

¿Cuándo se produce autocorrelación, que toma forma positiva o negativa. Por supuesto, la autocorrelación puede ser identificado de forma incorrecta también. Las siguientes secciones explican cómo distinguir entre correlación positiva y negativa, así como la forma de evitar declarar falsamente que existe autocorrelación.

Positivo frente autocorrelación negativa

Si autocorrelación está presente, autocorrelación positiva es el resultado más probable. un positivoutocorrelación se produce cuando tiende a ser seguido por un error del mismo signo en un error de una señal dada. Por ejemplo, los errores positivos son seguidos generalmente por errores positivos y errores negativos son seguidos generalmente por errores negativos.

autocorrelación positiva se expresa como

Video: Análisis de series de tiempo

La autocorrelación positiva representado en la figura siguiente es sólo uno entre varios patrones posibles. Un término de error con una secuencia de valores de error positivas y negativas por lo general indica autocorrelación positiva. secuenciación se refiere a una situación en la que los errores más positivos son seguidos o precedidos por errores positivos adicionales o cuando los errores negativos son seguidos o precedidos por otros errores negativos.

Aunque es poco probable, auto-correlación negativa también es posible. autocorrel negativounción se produce cuando tiende a ser seguido por un error de signo contrario en un error de una señal dada. Por ejemplo, los errores positivos son seguidos generalmente por errores negativos y errores negativos son seguidos generalmente por errores positivos.

autocorrelación negativa se expresa como

La siguiente figura ilustra el patrón típico de autocorrelación negativa. Un término de error con una traspuesta de los valores de error positivas y negativas por lo general indica autocorrelación negativa. Un patrón de conmutación es lo contrario de secuenciación, por lo que la mayoría de los errores positivos tienden a ser seguido o precedido por errores negativos y viceversa.

Video: Función de autocorrelación. fac y facp, su cálculo

Si usted tiene autocorrelación positiva o negativa, en presencia de autocorrelación, los estimadores MCO puede no ser eficiente (es decir, que no pueden alcanzar la varianza más pequeña). Además, los errores estándar de los coeficientes estimados están sesgados, lo que resulta en pruebas de hipótesis poco fiables (t-estadística). Las estimaciones MCO, sin embargo, siguen siendo imparcial.

Especificación errónea y autocorrelación

Cuando estás sacando conclusiones acerca de autocorrelación utilizando el patrón de errores, todos los demás supuestos CLRM deben tener, especialmente el supuesto de que el modelo se ha especificado correctamente. Si no se especifica correctamente un modelo, es posible identificar por error el modelo como el sufrimiento de autocorrelación.

Echar un vistazo a la siguiente figura, que ilustra un escenario en el que el modelo se ha especificado incorrectamente como lineal cuando la relación no es lineal. La especificación errónea que se muestra aquí podría llegar a producir un patrón de error similar autocorrelación positiva.

Video: Lectura de correlagromas series de tiempo

Realizar comprobaciones de mala especificación si hay evidencia de autocorrelación y no está seguro acerca de la precisión de la especificación. Mala especificación es un problema más grave que la autocorrelación porque no se puede probar que los estimadores MCO de ser imparcial si no se especifica correctamente el modelo.