1. No category

Práctica 2: AUTOCORRELACIÓN.
El fichero ACEITE.XLS contiene los siguientes datos relativos al mercado de
aceite en España. Para el periodo 1964 – 2004.
Exportación (en miles de q.m.)
Superficie (de olivares en miles de has.)
Precio (de mercado en euros/qm)
Precipitaciones (anulaes en m2)
Producción (de aceite en miles de quintales métricos)
A) Realizar la estimación MCO del modelo que explica la producción de
aceite en función del resto de las variables del modelo.
Vemos que a excepción del precio ninguna variable es significativa.
B) Detectar si hay problemas de autocorrelación
Sin embargo sabemos que no podemos hacer contraste de hipótesis si los
residuos no se comportan como ruidos blancos. Nos centramos en el tema de
la autocorrelación. Para estudiarla vamos a ver la función de autocorrelación,
donde podemos ver la significatividad individual de cada coeficiente
autorregresivo, podemos ver la significatividad conjunta y podemos
identificar el proceso subyacente en caso de apreciarse presencia de
autocorrelación.
FUNCIÖN DE AUTOCORRELACION DE LOS RESIDUOS:
CONTRASTES DE AUTOCORRELACIÓN
• DURBIN WATSON:
Tam: 41, k’=4 dL=1.285 dU =1.721 4- dU=2.279 4- dL=2.715
DW= 2.75 >4- dL Por tanto hay problemas de autocorrelación (-)
• BREUSCH GODFREY
LMBG=8.84 p=0.002 <0.05
Rechazamos Ho de no autocorrelación al 5%.
Por tanto el modelo al presentar problemas de autocorrelación debemos pensar
las causas que la generan.
C) Buscar especificaciones econométricas que solucionen los problemas.
En principio, estamos en un modelo de oferta donde según la Teoría Económica,
producción y precio no se relacionan de una manera lineal sino en términos de
elasticidades constantes. Por otro lado, la decisión de producir está
condicionada, no sólo al precio en t, sino más bien al precio del periodo anterior
con lo que igual estamos cometiendo un error de omisión de variable relevante.
Por eso vamos a proponer dos especificaciones alternativas y en ellas
estudiaremos si siguen presentando autocorrelación:
A) Modelo doblemente logarítmico:
El modelo doblemente logarítmico solo con precio sigue presentando
problemas de autocorrelación.
B) Modelo doblemente logarítmico con retardo de precios:
En este modelo tam=40, k’=2
dL=1.39 dU =1.6 4- dU=2.4 4- dL=2.69
2 < DW < 4- dU=2.4
De todas formas ante la posibilidad de que no exista exogeneidad estricta, de
que haya cierta retroalimentación en el modelo (los precios en t dependan de la
producción en t-1, cosa muy probable, debemos aplicar el contraste de Breusch
godfrey válido en ese caso:
LMBG=2.57 p=0.11 > 0.05 No Rechazamos Ho de no autocorrelación al 5%.
Por lo tanto concluimos que se ha corregido el problema de la autocorrelación.
D) Realizar la estimación por MCGF y analice los resultados obtenidos.
Vamos a aplicar la estimación por MCGF como una posible estimación
alternativa ante la presencia de autocorrelación en el modelo. Para ello cogemos
el modelo inicial. Para estimar por MCGF debemos hacer un supuesto acerca de
cómo es la autocorrelación. Para ello nos basaremos en el estudio de la función
de autocorrelación de los residuos de esa ecuación inicial. Se aprecia que
podemos identificar un proceso AR(1) por tanto en eviews simplemente tenemos
que indicar el supuesto en la especificación de la ecuación a estimar de esta
manera:
Y aplicamos contraste de Breusch – Godfrey:
LMBG=0.008 p=0.93 > 0.05 No Rechazamos Ho de no autocorrelación al
5%. Por lo tanto concluimos que se ha corregido el problema de la
autocorrelación.
Podemos ver en el cuadro anterior como han variado los estimadores de los
parámetros de posición respecto a la primera estimación. Y además vemos que
excepto el precio, las demás variables resultan no ser significativas, por lo que si
siguiéramos esta vía de estimación por MCGF lo lógico sería eliminar esas
variables del modelo .