Este tema analiza los modelos
de regresión generalizados bajo el supuesto de perturbaciones
autocorrelacionadas. Se analiza fundamentalmente los distintos procedimientos
que permiten contrastar si existe o no un comportamiento sistemático de las
perturbaciones.
Los contrastes de hipótesis
se realizarán bajo el supuesto de distintas estructuras de autocorrelación; en
particular se incidirá en el estadístico d
de Durbin-Watson, el d4 de
Wallis para datos trimestrales, el contraste h de Durbin y el contraste de Breusch-Godfrey. Además, se ilustra
la posibilidad de que la autocorrelación detectada
tenga como origen un error en la especificación dinámica del modelo; para ello
se utiliza el contraste de Sargan.
Muy brevemente se analizan
las funciones de autocorrelación y autocorrelación parcial que permitirán
establecer una primera aproximación a los distintos esquemas de
autocorrelación.
Detectada la presencia de
autocorrelación se sugiere distintas alternativas teóricas para la estimación
de modelos con estas características. La estimación práctica en presencia de
autocorrelación se sugiere con dos alternativas diferentes; la primera de ella,
similar al método de White para autocorrelación, consiste en estimar por
mínimos cuadrados ordinarios los coeficientes del modelo, y obtener una matriz
de varianzas y covarianzas consistente aplicando el método de Newey-West que
también se encuentra implementado en EViews. La otra opción, también automática
en EViews consiste en incluir como información muestral la estructura de
autocorrelación; para ello, junto a las variables explicativas se señalará el
tipo de proceso autorregresivo o de medias móviles.
En último lugar se mencionan
los problemas que plantean los contrastes de hipótesis y la predicción en los
modelos autocorrelacionados.