Methods to Remove Autocorrelation - Econometric Modeling - Lecture Notes, Study notes for Econometrics. Agra University


Description: Econometric models are statistical models used in econometric. This modelling tool help economist develop future economy plan for the company. This lecture note discuss important points for understanding Econometric modelling, it includes Methods, Remove, Autocorrelation, Difference, Iterative, Regression, Sensex
Showing pages  1  -  2  of  12
The preview of this document ends here! Please or to read the full document or to download it.
Document information
Uploaded by: matii
Views: 1000+
Downloads : 1
University: Agra University
Address: Economics
Upload date: 22/10/2012
Embed this document:
Microsoft Word - Module 14-15_Autocorrelation.doc

2 | P a g e    



ui = ρ ui‐1 + ε

For the runs test, in Column VI of the above table, the total number of positive values (N1), and the total 

number of negative values (N2) are counted. We also count that R=80 times ui changed signs from 

positive to negative and then from negative to positive.  

So, for the Runs test, we have N1 = 677, N2 = 720, N=N1+N2 = 1397, and R = 80. 

So, E(R) =   + 1 =   + 1 = 698.84 

Var(R) =   =   = 348.34 

Then, for 95% confidence level (or equivalently, 5% significance level), if observed R falls between 

E(R)±1.96σR, then there is no autocorrelation, but if it falls outside, it can be said that autocorrelation 


Now, E(R) + 1.96σR= 698.84 + 1.96 * √348.34 = 735.42 

and    E(R) - 1.96σR= 698.84 ‐ 1.96 * √348.34 = 662.26 

But observed R is 80, and it lies outside the interval [662.26, 735.42] 

So, again we infer that there IS autocorrelation. 

So now, we can say that we cannot believe the significances of the βis that we got from OLS. We first 

have to remove the autocorrelation and then find the significance to make correct conclusions about 

which factors affect gold prices.

3 | P a g e    


That is, our detection of autocorrelation is over, and we can now move to the next step, that is, removal 

of autocorrelation. 

There are 4 methods to remove autocorrelation: 

1. First difference Method (applicable here, since d<R2) 

2. Find ρ from Durbin Watson d statistic, and use Generalised Least Squares Regression 

3. Find ρ from Eqn. 2, and use Generalised Least Squares Regression 

4. Use iterative Methods like Cochrane‐Orcutt (need to use softwares for this)

4 | P a g e    


Method 1: First Difference Method:  

Gold pricet = β1 + β2 * USD exchange ratet + β3 * Sensext + β4 * oil pricet 

(‐)    Gold pricet‐1 = β1 + β2 * USD exchange ratet‐1 + β3 * Sensext‐1 + β4 * oil pricet‐1 

(Gold pricet  ‐ Gold pricet‐1) = β2 * (USD ratet ‐ USD ratet‐1 ) + β3 * (Sensext ‐ Sensext‐1) + β4 * (oil pricet ‐ oil 


t     =       β2 *  t     +     β3 *  t    +      β4 *  t 

where    t = (Gold pricet  ‐ Gold pricet‐1),   t = (USD ratet ‐ USD ratet‐1 ),  t  = (Sensext ‐ 

Sensext‐1 ) and  t  = (oil pricet ‐ oil pricet) 

The results from the OLS are as follows:  

  =  25.293 *    +  (‐0.182) *     +  0.165 *   

Std Error  19.1136  0.027703  0.023547 

t  1.323284  ‐6.56367  6.995892 

R2  0.036757 





2.061111  dL  = 1.645 (From Durbin‐  

dU  = 1.692   Watson Tables)

5 | P a g e    




We see that the Durbin Watson d statistic shows that there is no autocorrelation in the first difference 

equation. Now we can believe the values of βis.  

t statistic for β2 is less than 2, so it is statistically insignificant => USD exchange rate does not affect gold 

price significantly; 

t statistic for β3 is more than 2, so it is statistically significant => Sensex affects gold price significantly 

and negatively; and 

t statistic for β4 is more than 2, so it is statistically significant => Oil price affects gold price significantly 

and positively. 

Method 2: Find ρ from Durbin Watson d statistic, and use Generalised Least Squares Regression 

From the original OLS, we got Durbin Watson d‐statistic as: 0.039.  

It has been established that for large samples, d ≈ 2(1‐ρ). Then, ρ ≈ 1‐d/2 = 1‐0.039/2 = 0.98 

Gold pricet = β1 + β2 * USD exchange ratet + β3 * Sensext + β4 * oil pricet 

(‐)    ρ * Gold pricet‐1 =  ρ * β1 +  ρ * β2 * USD exchange ratet‐1 +  ρ * β3 * Sensext‐1 +  ρ * β4 * oil pricet‐1 

=1.645 =1.692 =2.308  =2.355 dcalc =2.061 


6 | P a g e    


(Gold pricet  ‐  ρ * Gold pricet‐1) = (β1 ‐  ρ * β1) +  β2 * (USD ratet ‐  ρ * USD ratet‐1 ) + β3 * (Sensext ‐  ρ * 

Sensext‐1) + β4 * (oil pricet ‐  ρ * oil pricet) 

t     =   β1 * (1‐ ρ)    +     β2 *  t     +     β3 *  t    +      β4 *  t 

where    t = (Gold pricet  ‐ ρ * Gold pricet‐1),   t = (USD ratet ‐ ρ * USD ratet‐1 ),  t  = (Sensext 

‐ ρ * Sensext‐1 )  

and  t  = (oil pricet ‐ ρ * oil pricet) 

Now we compute the above values in the following table:  

The results from the OLS are as follows:  

  =  25.293 *    +  (‐0.182) *     +  0.165 *   

Std Error  19.1136  0.027703  0.023547 

t  1.323284  ‐6.56367  6.995892 

R2  0.036757 





1.775142  dL  = 1.645 (From Durbin‐  

dU  = 1.692   Watson Tables)

7 | P a g e    




Here also Durbin Watson d statistic shows that there is no autocorrelation in the generalized equation. 

Now we can believe the values of βis.  

t statistic for β2 is less than 2, so it is statistically insignificant => USD exchange rate does not affect gold 

price significantly; 

t statistic for β3 is more than 2, so it is statistically significant => Sensex affects gold price significantly 

and negatively; and 

t statistic for β4 is more than 2, so it is statistically significant => Oil price affects gold price significantly 

and positively. 

Method 3: Find ρ from Eqn. 2, and use Generalised Least Squares Regression 

Using the values of ut and ut‐1 which were computed in the first table (Page 3), we evaluate Eqn 2 using 

OLS, and get the following: 

ut = 0.979031 ut‐1 + εt 

R2       0.961 

=1.645 =1.692 =2.308  =2.355 dcalc =1.775 


8 | P a g e    


That is ρ = 0.979 ≈ 0.98, same as Case 2. The results of the Generalized Least Squares also are the same.  

Method 4: Iterative Method, specifically the Cochrane‐Orcutt procedure 

The algebra here is more involved, so I shall not write about it. In fact, this method is normally available 

in any software that handles Time Series Analysis. Here I give the output : 

Gold price  



25.801 * USD Exch. Rate   

(‐0.181) * Sensex   +  0.165 * oil price 

Std Error  3267.98069  19.119  0.028  0.024 

t  1.116  1.349  ‐6.554  6.994 

R2  0.037       



2.04  dL  = 1.645 (From Durbin‐  

dU  = 1.692   Watson 





Here also Durbin Watson d statistic shows that there is no autocorrelation in the generalized equation. 

Now we can believe the values of βis.  

t statistic for β2 is less than 2, so it is statistically insignificant => USD exchange rate does not affect gold 

price significantly; 

t statistic for β3 and β4 are more than 2, so they are statistically significant => Sensex and oil price affect 

gold price significantly. 

Final comment: From the OLS of Eqn 1, all coefficients were highly significant. But autocorrelation was 

detected and removed, after which only 2 coefficients remained significant. I hope this clarifies why it is 

necessary to detect and remove autocorrelation.

9 | P a g e    



Dielman, Terry E.: Applied Regression Analysis for Business and Economics, PWS‐Kent, Boston, 1991. 

Draper, N. R., and H. Smith: Applied Regression Analysis, 3d ed., John Wiley & Sons, New York, 1998. 

Frank, C. R., Jr.: Statistics and Econometrics, Holt, Rinehart and Winston, New York, 1971. 

Goldberger, Arthur S.: Introductory Econometrics, Harvard University Press, 1998. 

Graybill, F. A.: An Introduction to Linear Statistical Models, vol. 1, McGraw‐ Hill, New York, 1961. 

Greene, William H.: Econometric Analysis, 4th ed., Prentice Hall, Englewood Cliffs, N. J., 2000. 

Griffiths, William  E.,  R.  Carter Hill  and George G.  Judge:  Learning  and  Practicing  Econometrics,  John 

Wiley & Sons, New York, 1993. 

Gujarati, Damodar N.: Essentials of Econometrics, 2d ed., McGraw‐Hill, New York, 1999. 

Hill, Carter, William Griffiths, and George Judge: Undergraduate Econometrics, John Wiley & Sons, New 

York, 2001. 

Hu, Teh‐Wei: Econometrics: An Introductory Analysis, University Park Press, Baltimore, 1973. 

Johnston, J.: Econometric Methods, 3d ed., McGraw‐Hill, New York, 1984. 

Katz, David A.: Econometric Theory and Applications, Prentice Hall, Englewood Cliffs, N.J., 1982. 

Klein, Lawrence R.: An Introduction to Econometrics, Prentice Hall, Englewood Cliffs, N.J., 1962. 

Koop, Gary: Analysis of Economic Data, John Wiley & Sons, New York, 2000. 

Koutsoyiannis, A.: Theory of Econometrics, Harper & Row, New York, 1973. 

Maddala, G. S.: Introduction to Econometrics, John Wiley & Sons, 3d ed., New York, 2001. 

Mills, T. C.: The Econometric Modelling of Financial Time Series, Cambridge University Press, 1993. 

Mittelhammer, Ron C., George G.  Judge,  and Douglas  J. Miller:  Econometric  Foundations, Cambridge 

University Press, New York, 2000.

10 | P a g e    


Mukherjee, Chandan, Howard White, and Marc Wuyts: Econometrics and Data Analysis for Developing 

Countries, Routledge, New York, 1998. 

Pindyck, R. S., and D. L. Rubinfeld: Econometric Models and Econometric Forecasts, 4th ed., McGraw‐Hill, 

New York, 1990.  

Verbeek, Marno: A Guide to Modern Econometrics, John Wiley & Sons, New York, 2000. 

Walters, A. A.: An Introduction to Econometrics, Macmillan, London, 1968. 

Wooldridge, Jeffrey M.: Introductory Econometrics, South‐Western College Publishing, 2000. 


1. Estimation using OLS on autocorrelation data results in the parameters being estimated to be  

a) Biased  

b) Inconsistent 

c) Asymptotically normally distributed  

d) Inefficient 

e) Efficient 

2. For HO  of no autocorrelation to be not rejected the Durbin‐ Watson d statistics should be 

a) Equals to 2 

b) Equals to zero 

c) Equals to 4 

d) Equals to 1 

e) Equals to 10 

3. One of the easiest ways of detecting autocorrelation is the graphical method where we 

a) Plot the error terms against their standardized values 

b) Plot the error terms against each X variable 

c) Plot the error terms against each Y variable

11 | P a g e    


d) Plot the error terms against time 

4.  This is not an important assumption for computing the d statistics 

a) The regression model includes an intercept term 

b) The explanatory variables are fixed in repeated sampling 

c) The error terms are generated by the first order auto regressive scheme 

d) The error terms are not correlated with each other 


1. In a study of the determination of prices of final output at factor cost in the United

Kingdom, the following results were obtained on the basis of annual data for the period


PFt = 2.033 + 0.273Wt − 0.521Xt + 0.256Mt + 0.028Mt-1 + 0.121PFt-1

se = (0.992) (0.127) (0.099) (0.024) (0.039) (0.119)

R2 = 0.984 d = 2.54

Where PF = prices of final output at factor cost, W = wages and salaries per employee, X

= gross domestic product per person employed, M = import prices, Mt−1= import prices

lagged 1 year, and PFt−1 = prices of final output at factor cost in the previous year.

“Since for 18 observations and 5 explanatory variables, the 5 percent lower and upper d

values are 0.71 and 2.06, the estimated d value of 2.54 indicates that there is no positive

autocorrelation.’’ Comment

12 | P a g e    


2. Given a sample of 50 observations and 4 explanatory variables, what can you say about

autocorrelation if (a) d = 1.05? (b) d = 1.40? (c) d = 2.50? (d) d = 3.97?

3. Give circumstances under which each of the following methods of estimating the first-

order coefficient of autocorrelation ρ may be appropriate:

a) First-difference regression

b) Moving average regression

c) Theil–Nagar transform

d) Cochrane and Orcutt iterative procedure

e) Hildreth–Lu scanning procedure

f) Durbin two-step procedure

4. State whether the following statements are true or false. Briefly justify your answer.

a) When autocorrelation is present, OLS estimators are biased as well as inefficient.

b) The Durbin–Watson d test assumes that the variance of the error term ut is


c) The first-difference transformation to eliminate autocorrelation assumes that the

coefficient of autocorrelation ρ is −1.

d) The R2 values of two models, one involving regression in the first difference form

and another in the level form, are not directly comparable.

e) A significant Durbin–Watson d does not necessarily mean there is autocorrelation of

the first order.

13 | P a g e    


f) In the presence of autocorrelation, the conventionally computed variances and

standard errors of forecast values are inefficient.

g) The exclusion of an important variable(s) from a regression model may give a

significant d value.

Docsity is not optimized for the browser you're using. In order to have a better experience please switch to Google Chrome, Firefox, Internet Explorer 9+ or Safari! Download Google Chrome