Вы находитесь на странице: 1из 1

Time-series data often display autocorrelation, or serial correlation of the disturbances across

periods. Consider, for example, the plot of the least squares residuals in the following example

A plot of the least squares residuals is shown in Figure 20.1. The pattern in the residuals suggests
that knowledge of the sign of a residual in one period is a good indicator of the sign of the residual
in the next period. This knowledge suggests that the effect of a given disturbance is carried, at
least in part, across periods. This sort of memory in the disturbances creates the long, slow
swings from positive values to negative ones that is evident in Figure 20.1. One might argue that
this pattern is the result of an obviously naive model, but that is one of the important points in this
discussion. Patterns such as this usually do not arise spontaneously; to a large extent, they are,
indeed, a result of an incomplete or flawed model specification.

Los datos de series de tiempo a menudo muestran autocorrelacin o correlacin serial de las
perturbaciones a lo largo de perodos. Considere, por ejemplo, la grfica de los residuales de
mnimos cuadrados en el siguiente ejemplo

En la figura 20.1 se muestra un grfico de los residuales de mnimos cuadrados. El patrn en los
residuos sugiere que el conocimiento del signo de un residuo en un perodo es un buen indicador
del signo del residuo en el siguiente perodo. Este conocimiento sugiere que el efecto de una
perturbacin dada se lleva, al menos en parte, a travs de los perodos. Este tipo de "memoria" en
las perturbaciones crea los cambios largos y lentos de los valores positivos a los negativos que se
evidencian en la figura 20.1. Se podra argumentar que este patrn es el resultado de un modelo
obviamente ingenuo, pero ese es uno de los puntos importantes de esta discusin. Patrones como
este usualmente no surgen espontneamente; en gran medida, son, de hecho, el resultado de una
especificacin del modelo incompleta o defectuosa.