¿A quién le importa la autocorrelación?

Question

Hay mucho en la literatura sobre las series temporales y el problema de la auto-correlación. Desafortunadamente, el tema de por qué la auto-correlación es realmente problemática se pasa por alto, y se presentan métodos para probar una serie temporal para la auto-correlación. Básicamente, se asume que la autocorrelación es mala para los propósitos de análisis.

¿Qué supuestos viola la presencia de la autocorrelación para el análisis posterior (por ejemplo, i.i.d) y cuáles son algunas prácticas para abordar la cuestión?

Answer 1

Casi todas las clases de introducción a la Econometría enseñan que las violaciones de AZUL ("Best Linear Unbiased Estimator" -- las propiedades de los mínimos cuadrados lineales) son

• errores estándar inválidos en el caso de la heteroscedasticidad, por lo que mientras que las estimaciones de los parámetros siguen siendo válidas ("no sesgadas") su inferencia puede estar fuera de lugar

• estimaciones inválidas (!!) en presencia de errores autocorrolados, por lo que las estimaciones de los parámetros reales pueden estar apagadas, y eso puede ser un gran problema.

Las bibliotecas han sido llenadas con este material, así que no voy a empezar a repasar. Recientemente se proporcionó una discusión muy agradable sobre cómo dar cuenta de los errores AR(1) y AR(2) al estimar una tendencia lineal aquí (vía R Bloggers).

Uno de los arreglos más básicos en las finanzas es trabajar en las devoluciones en lugar de en los precios, pero aún así quieres comprobarlo.

Answer 2

La autocorrelación suele ser un problema cuando se hace el análisis de los términos de error. Cuando construyes un modelo, esperas que el término de error tenga una autocorrelación no significativa. Es simple de entender: Si tu término de error todavía tiene autocorrelaciones, ciertamente significa que te falta alguna información que podría ser introducida en tu modelo. Un enfoque estándar para deshacerse de ello es incoporar factores autorregresivos que podrían explicar las autocorrelaciones en los términos de error.