Profe muy bueno sus vídeos, me han servido bastante pero tengo una pequeña pregunta en cuanto este: -¿El DW que arroja la estimación debe estar en el rango que se obtiene de la tabla?
Para que se cumpla en supuesto de no autocorrelación , con este número de observaciones (85) y parámetros en la ecuación (2), el DW debe de estar entre du= 1.55 y 4-.du= 4 -1.55 = 2.45, por eso si el DW= 0.89 hay autocorrelación positiva porque es menor que dl= 1.46.
Sí puedes hacer un modelo AR(1), lo que significa que los errores de este año se ven afectados por los errores del año pasado. Otra solución es poner como variables explicativas variables rezagadas y ver si tienen el signo adecuado y son estadísticamente significativas.
hay forma de solucionar con eviws la autocorrelacion de primer orden? tengo 10 años de muestras mensuales (n=120) hice hasta el orden 12 y solo me da autocorrelacion de orden 1?
martiniano ortiz La autocorrelación es fácil de corregir en Eviews. Si la autocorrelación es de primer orden se agrega el final de la instrucción el término AR(1), si la autocorrelación es de segundo orden se agrega AR(2), si es de primero y segundo orden se agrega AR(1) AR(2). Ejemplo: para la estimación ls y c x1 x2 la instrucción para corregir la autocorrelación de primer orden sería ls y c x1 x2 AR(1)
8 ปีที่แล้ว
Hola profesor. Muchas gracias por sus vídeos, son muy interesantes e ilustrativos. ¿Podría decirme si la inclusión de un componente autorregresivo de orden 1 sería equivalente a una transformación Cochrane-Orcutt? ¿Cree que sería posible aplicar este tipo de correcciones a datos no temporales, sino espaciales con un problema de autocorrelación (DW 1,5 para k2 130 gl)? Muchas gracias.
Hola, Iñaki. gracias a martiniano por su respuesta, está muy clara. Respecto pregunta sobre la autocorrelación con datos no temporales te comento que no debe preocuparte el valor del Durbin Watson, ni tiene sentido corregir la ecuación por Cochrane-Orcutt. Esto es así, porque no hay una estructura sobre el orden de los datos. Si cambias el orden de las observaciones y realizas de nuevo la regresión encontrarás que obtienes los mismos estimadores, con el mismo error estándar, pero diferente Durbin Watson. En datos no temporales existe la autocorrelación espacial, cuando se tiene como datos "regiones" se agrega una matriz de vecindad y, con esa estructura, se prueba la autocorrelación, pero es un tema diferente al que se analiza con el Durbin Watson.
A mi me sale que si hay autocorrelacion pero yo no tengo series temporales de tiempo solo tengo por persona por que segun veo no tiene sentido que salga autocorrelacion pero el programa dice que si, y ademas al corregirlo tampoco tiene sentido, me puede ayudar a ver que pasa si es por indivisuo, cabe destacar que lo unico que tienen en comun esque algunas personas viven en la misma casa
Como mencionas con datos de individuos (corte transversal) no tiene sentido evaluar autocorrelación, ya que no hay un orden preestablecido en las observaciones, Se podría cambiar el orden de los datos, los resultados de los estimadores, su significancia , el R cuadrado serían los mismos, y cambiaría el resultado de la autocorrelación. En las series de tiempo si tiene sentido la autocorrelación debido a que hay una estructura de orden en las observaciones.
@@jonathansancheznabor4425 Me refiero solamente a sección cruzada (corte transversal). Con datos de series de tiempo o panel sí tiene sentido evaluar el supuesto de no autocorrelación. Ahora bien con datos de sección cruzada se puede evaluar la autocorrellación espacial pero para ello se tiene que introducir alguna estructura que normalmente es una matriz de vecindad.
Si el Durbin Watson es cercano a dos (entre Du y 4-Dl) la prueba concluye que se cumple el supuesto de no autocorrelación. Respecto a la probabilidad requiero que menciones a cuál te refieres, ya que la versión 9 del Eviews no reporta la probabilidad del Durbin Watson.
Si el DW es igual . 2.1 y los dos siguientes números son los intervalos de las tablas entonces se concluye que el modelo cumple con el supuesto de no autocorrelación de primer orden.
Muy buenos sus vídeos, me han ayudado bastante. Me encantaría que coloque también el correlograma, gracias. :)
Gracias por tus vídeos fueron de mucha ayuda.
Gracias!! muy favor mas videos
Eso prof!!! Excelente
Profe muy bueno sus vídeos, me han servido bastante pero tengo una pequeña pregunta en cuanto este:
-¿El DW que arroja la estimación debe estar en el rango que se obtiene de la tabla?
Para que se cumpla en supuesto de no autocorrelación , con este número de observaciones (85) y parámetros en la ecuación (2), el DW debe de estar entre du= 1.55 y 4-.du= 4 -1.55 = 2.45, por eso si el DW= 0.89 hay autocorrelación positiva porque es menor que dl= 1.46.
Muchas gracias! Excelentes videos.
@@kwirabakwiraba buenas noches me puede ayudar con una practica
@@anitzafarronanchaponan8781 buenos días, sí respondo dudas generales pero trabajos específicos no realizo.
mi serie es anual, y tengo autocorrelación de primer orden... me sigue sirviendo el modelo?
Sí puedes hacer un modelo AR(1), lo que significa que los errores de este año se ven afectados por los errores del año pasado. Otra solución es poner como variables explicativas variables rezagadas y ver si tienen el signo adecuado y son estadísticamente significativas.
hay forma de solucionar con eviws la autocorrelacion de primer orden? tengo 10 años de muestras mensuales (n=120) hice hasta el orden 12 y solo me da autocorrelacion de orden 1?
martiniano ortiz
La autocorrelación es fácil de corregir en Eviews. Si la autocorrelación es de primer orden se agrega el final de la instrucción el término AR(1), si la autocorrelación es de segundo orden se agrega AR(2), si es de primero y segundo orden se agrega AR(1) AR(2).
Ejemplo:
para la estimación ls y c x1 x2
la instrucción para corregir la autocorrelación de primer orden sería
ls y c x1 x2 AR(1)
Hola profesor. Muchas gracias por sus vídeos, son muy interesantes e ilustrativos. ¿Podría decirme si la inclusión de un componente autorregresivo de orden 1 sería equivalente a una transformación Cochrane-Orcutt? ¿Cree que sería posible aplicar este tipo de correcciones a datos no temporales, sino espaciales con un problema de autocorrelación (DW 1,5 para k2 130 gl)? Muchas gracias.
Hola, Iñaki.
gracias a martiniano por su respuesta, está muy clara.
Respecto pregunta sobre la autocorrelación con datos no temporales te comento que no debe preocuparte el valor del Durbin Watson, ni tiene sentido corregir la ecuación por Cochrane-Orcutt. Esto es así, porque no hay una estructura sobre el orden de los datos. Si cambias el orden de las observaciones y realizas de nuevo la regresión encontrarás que obtienes los mismos estimadores, con el mismo error estándar, pero diferente Durbin Watson.
En datos no temporales existe la autocorrelación espacial, cuando se tiene como datos "regiones" se agrega una matriz de vecindad y, con esa estructura, se prueba la autocorrelación, pero es un tema diferente al que se analiza con el Durbin Watson.
kwirabakwiraba que tal profe.. profe con ar(1) sin embargo mi p-valor en la varia sale muy alto.. hay forma de corregir eso?
¿Tienes algún tutoial sobre la prueba LJUNG-BOX? Gracias.
Por ahora no.
A mi me sale que si hay autocorrelacion pero yo no tengo series temporales de tiempo solo tengo por persona por que segun veo no tiene sentido que salga autocorrelacion pero el programa dice que si, y ademas al corregirlo tampoco tiene sentido, me puede ayudar a ver que pasa si es por indivisuo, cabe destacar que lo unico que tienen en comun esque algunas personas viven en la misma casa
Como mencionas con datos de individuos (corte transversal) no tiene sentido evaluar autocorrelación, ya que no hay un orden preestablecido en las observaciones, Se podría cambiar el orden de los datos, los resultados de los estimadores, su significancia , el R cuadrado serían los mismos, y cambiaría el resultado de la autocorrelación. En las series de tiempo si tiene sentido la autocorrelación debido a que hay una estructura de orden en las observaciones.
@@jonathansancheznabor4425 Me refiero solamente a sección cruzada (corte transversal). Con datos de series de tiempo o panel sí tiene sentido evaluar el supuesto de no autocorrelación. Ahora bien con datos de sección cruzada se puede evaluar la autocorrellación espacial pero para ello se tiene que introducir alguna estructura que normalmente es una matriz de vecindad.
Que pasa si ek durbin watson es cercano a 2, pero la probabilidad es menor al 5%
Si el Durbin Watson es cercano a dos (entre Du y 4-Dl) la prueba concluye que se cumple el supuesto de no autocorrelación.
Respecto a la probabilidad requiero que menciones a cuál te refieres, ya que la versión 9 del Eviews no reporta la probabilidad del Durbin Watson.
si tengo D-W 2.1 , 0.69 y 2.33 esta bien ?
Si el DW es igual . 2.1 y los dos siguientes números son los intervalos de las tablas entonces se concluye que el modelo cumple con el supuesto de no autocorrelación de primer orden.