Este documento discute la autocorrelación, que es la correlación entre observaciones ordenadas en el tiempo. Explica que la presencia de autocorrelación hace que los estimadores de mínimos cuadrados ordinarios ya no tengan varianza mínima y dejen de ser los mejores estimadores lineales insesgados. También describe dos métodos para detectar la autocorrelación: gráficamente observando la agrupación de residuos, y usando el contraste de Durbin-Watson comparando el valor obtenido con umbrales en tablas.

1. AUTOCORRELACIÓN
 Cuál es la naturaleza de la
autocorrelación?
 Cuáles son las consecuencias teóricas
y prácticas de la autocorrelación?
 Cómo detectar la autocorrelación?
 Medidas remediales

2.  Autocorrelacion: Es la correlación entre
miembros de series de observaciones
ordenadas en el tiempo. En el MCRL se
supone que no hay autocorrelación entre los
residuos.
 Ante presencia de autocorrelación los
estimadores MCO dejan de tener varianza
mínima y por lo tanto dejan de ser MELI.

3. Detección de la Autocorrelación
 Método Gráfico
Comportamiento de los residuos, en donde la
concentración de datos en un mismo cuadrante
determina el signo de la autocorrelación.
Si la agrupación se da en los cuadrantes 1 y 3 la
autocorrelación es positiva.
Si la agrupación se da en los cuadrantes 2 y 4 la
autocorrelación es negativa.

5.  Contraste de Durbin-Watson
Se toma el valor del Durbin Watson que se da
en el eviews.
Se obtiene el valor (d) en la tabla de Savin-
White en base al numero de datos y de
regresores.
Se obtiene los valores de dL y dU, y se lo
compara con el d del eviews, si este valor
esta por debajo de dL existe
autocorrelación.

7. Gracias