Johansen Eviews PDF

Nociones Elementales de Cointegracin
Enfoque de Soren Johansen
HL Mata

Enfoque de S. Johansen
Borrador para discusin
Profesor Titular de la Facultad de Ciencias Econmicas y Sociales (FACES) de la Universidad de los Andes (ULA).
No hay ninguna pretensin de originalidad en estas notas. Las mismas existen por todas partes. Mi mayor contribucin, si
acaso alguna, consisti en ubicarlas, sistematizarlas, adaptarlas y publicarlas para beneficio de Estudiantes de la Facultad de
Ciencias Econmicas y Sociales de la Universidad de los Andes.
HL Mata

Conceptos de Cointegracin
Desde el punto de vista de la Economa
Se dice que dos o mas series estn cointegradas si las mismas se mueven conjuntamente
a lo largo del tiempo y las diferencias entre ellas son estables (es decir estacionarias),
an cuando cada serie en particular contenga una tendencia estocstica y sea por lo
tanto no estacionaria. De aqu que la cointegracin refleja la presencia de un equilibrio a
largo plazo hacia el cual converge el sistema econmico a lo largo del tiempo. Las
diferencias (o trmino error) en la ecuacin de cointegracin se interpretan como el
error de desequilibrio para cada punto particular de tiempo.
Desde el punto de vista de la Econometra
Dos o ms series de tiempo que son no estacionarias de orden I(1) estn cointegradas
si existe una combinacin lineal de esas series que sea estacionaria o de orden I(0). El
vector de coeficientes que crean esta serie estacionaria es el vector cointegrante.
HL Mata

Segn S. Johansen la mayor parte de las series temporales son no

estacionarias y las tcnicas convencionales de regresin basadas en
datos no estacionarios tienden a producir resultados espurios
Sin embargo, las series no estacionarias pueden estar cointegradas
si alguna combinacin lineal de las series llega a ser estacionaria.
Es decir, la serie puede deambular, pero en el largo plazo hay
fuerzas econmicas que tienden a empujarlas a un equilibrio. Por lo
tanto, las series cointegradas no se separarn muy lejos unas de
otras debido a que ellas estn enlazadas en el largo plazo
HL Mata

Caractersticas de las Series Temporales
La mayora de las Series tienen una tendencia. Su valor medio cambia

con el tiempo. Son las llamadas Series no estacionarias.
Algunas Series describen meandros, es decir, suben y bajan sin
ninguna tendencia obvia o tendencia a revertir hacia algn punto
Algunas series presentan Shocks persistentes. Los cambios
repentinos en estas series tardan mucho tiempo en desaparecer
Algunas series se mueven conjuntamente, es decir tienen co
movimientos positivos, ejemplo: diferentes tasa de inters
La Volatilidad de algunas Series vara en el tiempo. Muchas series
pueden ser ms variables en una ao que en otro
1200
1.6E+07
1000
1.4E+07
160000
150000
1.2E+07
800
140000
1.0E+07
130000
600
8.0E+06
400
6.0E+06
120000
4.0E+06
110000
2.0E+06
100000
200
0
93
94
95
96
97
98
IPC
HL Mata
99
00
01
02
03
0.0E+00
93
94
95
96
97
98
99
00
01
02
03
M1

90000
93
94
95
96
97
98
99
00
01
02
03
PIBR
Enfoques de Cointegracin
Engel-Granger (1987)
9
9
9
9
Aplicable a modelos uniecuacionales (con dos o ms variables ?)

Mtodo en dos etapas basado en los residuos estimados
Asume a priori que existe un solo vector de cointegracin en el modelo
El resultado de este mtodo de cointegracin puede cambiar dependiendo
de cual variable se seleccione como dependiente
Johansen, S. (1988,1991)
9
9
9
9
9
Aplicable a sistemas de ecuaciones

Este mtodo est basado en modelos VAR (Vectores autorregresivos).
Es un test de mxima verosimilitud que requiere grandes volmenes de
datos (100 ms)
Prueba la existencia de mltiples vectores de cointegracin entre las
variables, mediante la prueba de la Traza y del Eigenvalue mximo
Descansa fuertemente en la relacin entre el rango de la matriz y sus
races caractersticas
HL Mata

Enfoque de Soren Johansen
HL Mata

Durante las pasadas dos dcadas los Economistas han desarrollado ciertas
herramientas para examinar si las variables econmicas tienen tendencias
comunes, tal como lo predice la Teora econmica. Una de esas
herramientas son las llamadas pruebas de cointegracin. El procedimiento
multivariado de S. Johansen (1988 y 1991), profesor de estadstica
matemtica de la Universidad de Copenhagen, se ha convertido en un
mtodo muy popular para probar la existencia de cointegracin en la
variables I(1) y I(0), en donde I(1) y I(0) indican integracin de primer y
cero orden, respectivamente. En la tecnologa de S. Johansen, es necesario
analizar las series previamente con el fin de conocer si presentan o no
races unitarias. Las series que presenten races unitarias se colocan en un
vector autorregresivo a partir del cual se puede probar la existencia de una o
mas combinaciones lineales J(U) o vectores de cointegracin, como
tambin se les denomina.
.
HL Mata

Metodologa de S. Johansen
Determinar el orden de integracin a cada una de las series includas en el

modelo.
Especificar un Vector AutoRegresivo (VAR) con las series que resulten
integradas de orden I(1).
Seleccionar las Variables del Modelo
Seleccionar las transformaciones de las variables, si las hubieren
Determinar el retardo ptimo del VAR para asegurar que los residuos
sean ruido blanco (white noise)
Especificar las variables determinsticas (variables dummy, tendencias,
etc)
Diagnstico del VAR estimado

Aplicar el procedimiento de Mxima Verosimilitud al vector autorregresivo
con el fin de determinar el rango (r) de cointegracin del sistema:
Prueba de la Traza
Prueba del Eigenvalue Mximo (valor propio)
Estimar el modelo Vector de Correccin de Errores
Determinar la relacin causal entre las variables del modelo
HL Mata

Datos: Descripcin
Los series utilizadas en este trabajo se obtuvieron de la Tabla 21-1 Informacin Macroeconmica, Estados Unidos, 1970.1 a 1991.4 Damodar N. Gujarati (2003) Basic
Econometrics, McGraw Hill, 5ta edicin.
Sigan el procedimiento de la diapositiva 11 para bajar los datos y transcriban las series con
el software EViews 4.1. Guarden los datos en un disco flexible con el nombre USA
Series Trimestrales:
Tamao de la muestra: 1970.1 - 1991.4
Series originales (Level: en su forma original, sin transformacin):

GCP = Gasto Consumo Personal
IPD = Ingreso Personal Disponible
Series transformadas en logartmicas (o en tasas de cambio)

LGCP = Logaritmo de la serie GCP
LIPD = Logaritmo de la serie IPD
HL Mata

10
Procedimiento para bajar los datos desde Internet

1.
2.
Visiten la direccin: http://www.estima.com/Gujarati's%20Basic%20Econometrics.shtml

En la pgina Textbook Examples Files. Gujaratis Basics Econometrics, hagan
clic en el hipertexto Gujarati Vers5.zip para mostrar su contenido. Clic en Abrir
3.
4.
Arrasten la barra de desplazamiento vertical hasta el archivo table21-1.prn

Hagan doble clic sobre dicho archivo y Maximicen la ventana
5.
Hagan clic en el men Archivo y seleccionen Guardar Como. En Nombre del

archivo, escriban Table21-1 o cualquiera otro: Cierren todas las ventanas
6.
Abran la Aplicacin MS Excel. Hagan clic en ArchivoAbrir. En tipo de archivo

seleccionen: Archivos de texto. En nombre de archivo: seleccionen Table21-1.prn
7.
8.
9.
En tipo de los datos originales, seleccionen: De ancho fijo

En origen de los tados, seleccionen: Windows (ANSI). Clic en Siguiente
Arrastren las barras a las columnas 10, 20, 30, 40 y 50, respectivamente para
delimitar las series: GDP, PDI, PCE, PROFITS y DIVIDENDS. Clic en Siguiente
En formato de los datos en columna, seleccionar: No importar Columna. Finalizar
10.
11.
12.
Clic en el men Edicin y seleccionen Reemplazar.

En el cuadro de texto BUSCAR escriban un punto (.) y en REEMPLAZAR POR una
coma (,). Hagan clic en el botn Reemplazar todo y luego en Cerrar
13.
14.
Hagan Clic en Archivo- Guardar como. En Nombre del archivo, escriban USA
En Guardar como tipo, seleccionen Hoja de Clculo XML Clic en Guardar
15.
Importen el archivo desde la aplicacin Econometric Views (EViews)

HL Mata

11
Determinar el Orden de Integracin a cada

una de las Series Incluidas en el Modelo
HL Mata

12
Orden de Integracin
El orden de integracin se refiere al nmero de veces que se debe diferenciar una

serie de tiempo (calcular su primera diferencia) para convertirla en una serie
estacionaria
Se dice que una serie de tiempo est integrada de orden d, escrita I(d), si despus
de diferenciarla d veces se convierte en estacionaria.
Las series que son estacionarias sin diferenciar se denominan I(0), ruido blanco
Si se calcula la primera diferencia de una serie y sta se vuelve estacionaria, se
dice entonces que la misma est integrada de orden I(1), random walk.
Si la integracin se alcanza despus de calcular la segunda diferencia, se dir que
la serie esta integrada de orden 2, es decir I(2)
Si una combinacin lineal de 2 variables I(1) genera errores I(0), se dice que las 2
variables estn cointegradas
Si dos variables estn integradas de diferentes rdenes, digamos que una es I(1) y
la otra de orden I(2), no habr cointegracin
En economa slo tienen importancia las series integradas de orden I(1).
Cul es el orden de integracin de nuestras variables GCP e IPD ?
HL Mata

13
Valores de Probabilidad - P-values

Use estos valores para decidir la significacin o no de las pruebas estadsticas
Aparecen en el anlisis de regresin con el ttulo [Prob]. P es la abreviatura de Probabilidad
[Prob]. Especifica el nivel de significacin ms bajo al cual se puede rechazar la hiptesis
nula
Prueba de hiptesis con el p-value y/o (Prob)
1.
2.
Definan previamente el nivel de significacin

Regla de decisin:
p
Rechace Ho
si
No rechace a Ho si
p >
En estadstica es convencional rechazar la hiptesis nula con un nivel de significacin
= 0.05. Cuando se rechaza la hiptesis nula se dice que los resultados del estudio
son estadsticamente significativos al nivel
Cmo interpretar los p-values o los valores de las probabilidades:

P<.10 No significativo
0.05<p<0.10
0.001<p<0.01 altamente significativo
HL Mata
marginalmente significativo
0.01<p<0.01
p<0.01 fuertemente significativo

Significativo
14
Pruebas para Identificar no Estacionariedad

Pruebas Informales:
Representacin grfica de las series

Correlograma
Estadstico BP o Q de Box-Pierce
Estadstico LB o Q de Ljung-Box
Pruebas Formales:
HL Mata
Estadstico de Dickey-Fuller (DF)

Estadstico Aumentado de Dickey-Fuller (ADF)
Estadstico de Phillips-Perron (PP

15
Representacin Grfica de las Series

Entren en el Programa Econometric Views (Eviews)
Clic en File Open WorkFile - A: - USA.wf1 Abrir
Clic sobre la variable (serie) GCP para seleccionarla
Manteniendo oprimida la tecla Control hagan clic sobre IPD
Hagan doble clic sobre la serie GCP y seleccionen Open Group
Clic en View (del archivo de trabajo) Graph - Line
Grfico en la siguiente Diapositiva:
Las series GCP e IPD crecen en el tiempo.
Comportamiento caracterstico de series No estacionarias.
HL Mata

16
Plot de las Series GCP e IPD

3600
3200
2800
2400
2000
1600
70
72
74
76
78
80
GCP
HL Mata
82
84
86
88
90
IPD

17
Transformar las Series en Primera Diferencia

Clic en el botn de Cerrar (el botn rojo inferior) para cerrar la Ventana del Grupo
Clic en el botn de comando YES para confirmar el cierre
Calcular Primeras Diferencias:
Clic en Quick - Generate
Series y escriban:
Clic en Quick - Generate Series y escriban:
DGCP=GCP-GCP(-1)
DIPD=IPD-IPD(-1)
Clic OK
Clic OK
Representar las Series en Primeras Diferencias

Seleccionen las variables Transformadas DGCP y DIPD, respectivamente
Doble clic sobre la serie DGCP y seleccionen Open Group
.
Clic en View (archivo de trabajo) Graph
- Line
La inspeccin grfica de las series sugiere que las mismas pueden ser estacionarias
HL Mata

18
Representacin Grfica de las Series

GCP e IPD en Primeras Diferencias
El Plot de las dos series se hizo con el software MicroFit, versin 4.1.
Las Series parecen moverse no alrededor del tiempo sino alrededor de sus
Medias, Varianzas y Covarianzas, caracterstica de las series estacionarias
HL Mata

19
Funcin de Autocorrelacin, Correlogramas

y Estadsticos de Box Pierce y Ljung Box
HL Mata

20
Funcin de Autocorrelacin
La funcin de autocorrelacin de una serie GCP da la correlacin terica entre los
valores de la serie en el perodo t y sus valores en el tiempo t+k, para todo valor de k
desde 1 hasta n, cuya frmula es la siguiente:
k =
cov(xt , xt + k )
k
k
=
=
para todo k = 1,...,
var( xt ) var(xt + k )
0 0 0
Regla de decisin:
Los coeficientes de autocorrelacin de los procesos estacionarios tienden a cero (0)
rpidamente a medida que aumenta el nmero de retardos K
Los coeficientes de autocorrelacin de los procesos no estacionarios decaen muy
lentamente, a cero (0), a medida que aumenta K
El grfico de k es el correlograma el cual provee una informacin importante para
el anlisis de las series temporales. Noten que k (rho) es igual a 1
HL Mata

21
Crear un Correlograma
Clic en el botn de Cerrar ( botn rojo inferior) para cerrar la Ventana del Grupo
Clic en el botn de comando YES para confirmar el cierre
Doble clic sobre la serie GCP
Clic en View - Correlograma (En Correlogram of, seleccionen Level. En lags to
include, seleccionen entre un 25 y un 30% del nmero de observaciones)
Clic en el botn OK. Repitan el procedimiento en Primeras Diferencias. Comparen

HL Mata

22
Correlograma de las Series GCP e IPD

Mtodo para determinar si una serie es estacionaria. Consiste en representar los valores de
la funcin de autocorrelacin muestral (ACF, por sus siglas en ingls) con respecto a la
longitud del retardo. En nuestro ejemplo, la longitud del retardo es 36
Correlogramas de las series GCP e IPD para 36 retardos. ( Grficos en MicroFit 4.1)
Si el correlograma empieza en un valor muy alto y decae muy lentamente hacia cero: Serie
No Estacionaria.
Si el correlograma decae muy rpidamente despus del primer retardo: Serie Estacionaria.
HL Mata

23
Pruebas de hiptesis de Q (BP y LB)

1.
Planteamiento de hiptesis:
H 0 : 1 = 2 = ... = k = 0 Serie es White noise = Estacionaria

H1 : 1 = 2 ... k 0 Serie Random walk = No estacionaria
Nmero de retardos recomendados: una cuarta parte del total de las observaciones
2.
Estadisticos de Box-Pierce (BP) y Ljung-Box (LB). Gujarati, p.701

2
m
m
2
Q = n k2
LB = n(n + 2 ) k m
k =1
k =1 n k
2.
Recla de decisin:
Rechacen a Ho si el valor de probalidad o p-value] es que el nivel alfa 0.05
No rechace a Ho si el valor de la probabilidad o p-value es > que el nivel alfa 0.05
4.
Conclusin:
Dado que todas la probabilidades o p-values son menores de 0.05 se concluye que las series son no
estacionarias
HL Mata

24
Serie GCP. Estadsticos Box-Pierce y Ljung-Box

***************************************************************
Orden
Coeficiente Standard
Box-Pierce
Ljung-Box
Autocorrela.
Error
Estadstico Q
Estadstico
***************************************************************
1
2
3
4
5
6
7
8
9
10
.96891
.93525
.90136
.86579
.82982
.79122
.75193
.71250
.67491
.63814
.10660
.18083
.22930
.26654
.29678
.32207
.34345
.36167
.37729
.39077
82.6134[.000]
159.5870[.000]
231.0825[.000]
297.0469[.000]
357.6434[.000]
412.7341[.000]
462.4895[.000]
507.1635[.000]
547.2475[.000]
583.0827[.000]
85.4621[.000]
166.0159[.000]
241.7170[.000]
312.3932[.000]
378.1002[.000]
438.5656[.000]
493.8494[.000]
544.1077[.000]
589.7729[.000]
631.1213[.000]
*****************************************************************
Estadsticos calculados con MicroFit. Los valores entre corchetes son valores de Probabilidad o p-values.
Rechace a Ho si el valor del p-value [valores entre corchetes] es menor que el nivel de significacin 0.05
Presten atencin a los estadsticos Q y LB y a sus correspondientes valores de Probabilidad. Todos son
significativos y menores que el nivel alfa 0.05. Esto obliga a rechazar la hiptesis nula Ho: de que la Serie GCP
es estacionaria. Por lo tanto, la serie GCP es una serie no estacionaria por presentar una raz unitaria
HL Mata

25
Serie IPD. Estadsticos Box-Pierce y Ljung-Box

***************************************************************
Orden
Coeficiente Standard
Box-Pierce
Ljung-Box
Autocorrela.
Error
Estadstico Q
Estadstico
***************************************************************
1
2
3
4
5
6
7
8
9
10
.96699
.93425
.90142
.86762
.83310
.79829
.76253
.72655
.69147
.65661
.10660
.18060
.22902
.26631
.29669
.32218
.34393
.36263
.37881
.39289
82.2863[.000]
159.0952[.000]
230.5997[.000]
296.8437[.000]
357.9201[.000]
413.9999[.000]
465.1683[.000]
511.6215[.000]
553.6973[.000]
591.6376[.000]
85.1237[.000]
165.5052[.000]
241.2158[.000]
312.1915[.000]
378.4190[.000]
439.9700[.000]
496.8237[.000]
549.0836[.000]
597.0181[.000]
640.7953[.000]
*****************************************************************
Estadsticos calculados con MicroFit. Los valores entre corchetes son valores de Probabilidad o p-values.
Rechace a Ho si el valor del p-value [valores entre corchetes] es menor que el nivel de significacin 0.05
Presten atencin a los estadsticos Q y LB y a sus correspondientes valores de Probabilidad. Todos son
significativos y menores que el nivel alfa 0.05. Esto obliga a rechazar la hiptesis nula Ho: de que la Serie IPD
es estacionaria. Por lo tanto, la serie IPD es una serie no estacionaria por presentar una raz unitaria
HL Mata

26
Pruebas Formales
HL Mata

27
Prueba de Dickey y Fuller (DF)

Antes de someter los datos a procesamiento electrnico Ud. debe investigar
previamente si las series son o no estacionarias. Los resultados estimados a
partir de series no estacionarias no tienen significado alguno. Es el denominado
problema de regresin espuria.
Dickey y Fuller (1979) sugieren las siguientes ecuaciones para determinar la
presencia o no de races unitarias. Gujarati, pgina 703.
Yt = Yt 1 + ut
Yt = + Yt 1 + ut
Yt = + T + Yt 1 + ut
La diferencia entre estas tres regresiones envuelve la presencia de componentes
deterministicos: Intercepto (drift) y tendencia (T). La primera es un modelo
puramente aleatorio. La segunda aade un intercepto o trmino a la deriva drift
y la tercera incluye intercepto y un trmino de tendencia
El parmetro de inters en las 3 regresiones es

HL Mata

.
28
Prueba Aumentada de Dickey y Fuller (ADF)

La prueba aumentada de Dickey-Fuller (ADF) es una versin de la prueba de
DF para modelos de series de tiempo mucho ms grandes y complicados.
La ADF es un nmero negativo. Mientras ms negativo sea el estadstico ADF,
ms fuerte es el rechazo de la hiptesis nula sobre la existencia de una Raz
Unitaria o no estacionariedad
La ecuacin de regresin se basa en las regresiones anteriores, pero
aumentndolas con trminos retardados de la variable
Yt = + T + Yt 1 + Yt i + et
i =1
Use este estadstico cuando la prueba de DF no pueda corregir la correlacin

serial en los residuos. El propsito de los retardos Yt i es asegurar que los
residuos sean ruido blanco. Cuantos retardos usar ?. Empiece con 6 retardos y
vaya disminuyndolos hasta que el estadstico indique que se ha corregido la
autocorrelacin en los residuos.
HL Mata

29
Pasos para la Prueba de Hiptesis

1.
H 0 : = 0 La Serie es no estacionaria : Tiene una raiz unitaria
H1 : 0 La Serie es estacionaria
2.
Estadsticos para la prueba
t = tau = ADF
3.
4.
los valores crti cos de MacKinnon
Regla de decisin: Comparen el valor de tau con los valores crticos de MacKinnon
Si | t | | valor crtico DF | Re chace a H . Serie estacionaria

0
Si | t | > | valor crtico DF | Acepte a H . Serie No Estacionaria

0
Conclusin:
GCP ... Como | t | > | valor crtico DF | Serie no estacionaria
IPD
Como | t | > | valor crtico DF |
Serie no estacionaria
HL Mata

30
Prueba de Raz Unitaria con el EViews

Clic en el botn Cerrar (botn rojo inferior) para cerrar la Ventana del Grupo
Doble clic sobre la serie GCP
Clic en View y seleccionen Unit Root Test - Augmented Dickey Fuller
Level Trend and Intercept Schwartz Info. Criteria 1st diference Intercept Schwartz Inf. Criteria Maximum Lags: 11
OK
Maximum Lags: 11
OK
Acepte a Ho :| 2.215287 | > | Valores crti cos |
Re chace a Ho :| 6.630339 | =< | Valores crti cos |
Estadtico Durbin Watson: 2.085875
Estadtico Durbin Watson: 2.034425
HL Mata

31
Prueba de Raz Unitaria de la Serie GCP

Level (Intercepto y tendencia y 3 retardos):
t-Statistics
-2.215287
-4.068290
-3.462912
-3.157836
Augmented Dickey-Fuller test statistic

Test critical values:
1% level
5% level
10% level
Conclusin:
.
Prob.*
0.4749
Acepte la hiptesis nula, por cuanto el valor del ADF es mayor (menos negativo) que el valor
crtico de McKinnon al 5%. (Transforme sus datos en logaritmos, primeras diferencias, tasas de
cambios, etc.)
Primera diferencia (Intercepto y 0 retardos) :

Test Critical Values:
1% level
5% level
10% level
Conclusin:
.
.
t-Statistics
-6.630339
-3.508326
-2.895512
-2.584952
Prob.*
0.00000
El estadstico ADF, -6.630339, es un nmero suficientemente negativo

Rechace la hiptesis nula a favor de estacionariedad por cuanto el valor del ADF es menor (ms
negativo) que el valor crtico de MacKinnon al 1 %
Note que la probabilidad asociada al estadstico tau (Prob) es menor que el nivel 0.05, lo cual
ratifica el rechazo de la hiptesis nula de no estacionariedad
HL Mata

32
Prueba de Raz Unitaria de la Serie IDP

Level (Intercepto y tendencia y 3 retardos):
t-Statistics
-2.588254
-4.066981
-3.462292
-3.157475
Prob.*
0.2867

1% level
5% level
10% level
Conclusin:
Acepte a H0 por cuanto el valor absoluto del estadstico ADF, -2.588254 es mqyor
(menos negativo) que el valor crtico de MacKinnon al 5 % s. (Cambie los datos a:
logaritmos, primeras diferencias en logaritmos, tasas de cambios, etc.)
Primera diferencia (Intercepto y 0 retardos) :
t-Statistics
-9.636167
-3.508326
-2.895512
-2.584952
Prob.*
0.00000

1% level
5% level
10% level
Conclusin:
.
El estadstico ADF, -9.636167, es un nmero suficientemente negativo
.
Rechace la hiptesis nula a favor de estacionariedad por cuanto el valor del ADF es
mayor (ms negativo) que el valor crtico de MacKinnon al 1 %
.
Note que la probabilidad asociada al estadstico tau (Prob) es menor que el nivel
0.05, lo cual ratifica el rechazo de la hiptesis nula de no estacionariedad
HL Mata

33
Resultados de la Prueba Aumentada de Dickey-Fuller.

Anlis de estacionariedad. Datos Trimestrales
Series o
Variables
Estadstico
ADF
Estadstico
DW
Nmero de
Retardos
Incluye
Intercepto
Incluye
Tendencia
Orden de
Integracin
GCP
-2.21528
2.0858
Si
No
I(1)
IPD
-2.58825
1.9384
No
Si
I(1)
DGCP
-6.6303 *
2.0344
Si
No
I(0)
DIPD
-9.6361 *
2.0049
Si
No
I(0)
En Level
En Primeras Diferencias:
Valores crticos de MacKinnon para rechazar la hiptesis de raz unitaria

*
Significante a cualquier nivel de significacin: 1% 5% 10%..
NOTAS:
1.
2.
3.
El estadstico de Dickey Fuller (ADF o tau) es la prueba estandadard de estacionariedad

Un valor positivo de ADF significa que la serie es definitivamente no estacionaria
Para que se pueda rechazar la hiptesis nula en favor de estacionariedad el estadstico ADF
debe ser un nmero suficientemente negativo. Ejemplos: -6.6303 y -9.6361 son nmeros
suficientemente negativos
4. Rechace la hiptesis nula de no estacionariedad cuando se cumpla, en trminos absolutos, que
el valor del estadstico ADF sea mayor que el valor crtico de MacKinnon al nivel de
significacin seleccionado, normalmente el 5 %.
4. Un valor bajo del estadstico DW es indicativo de la necesidad de aumentar el nmero de
retardos con el fin de remover la autocorrelacin en los valores de la serie.
HL Mata

34
Especificar un Vector AutoRegresivo

(VAR) con las series que resulten
Integradas de Orden I(1).
HL Mata

35
Vector Auto Regresivo (VAR)

Los vectores autorregresivos (VARs) fueron introducidos en la economa emprica por Sims
(1980), quien demostr que dichos vectores proveen un marco flexible y tratable en el anlisis de
las series temporales
Un VAR es un modelo lineal de n variables donde cada variable es explicada por sus propios
valores rezagados, ms el valor pasado del resto de variables.
Los modelos VARs se utilizan a menudo para predecir sistemas interrelacionados de series tempo
rales y para analizar el impacto dinmico de las perturbaciones aleatorias sobre el sistema de las
variables.
Clasificacin de los modelos VAR:
1.
Var de forma reducidas. Expresa cada variable como una funcin lineal de sus valores
pasados, de los valores pasados de las otras variables del modelo y de los trminos errores
no correlacionados
2.
Var Recursivos. La variable del lado izquierdo de la primera ecuacin depende slo de los
valores rezagados de todas las variables incluidas en el VAR, en tanto la variable
correspondiente de la segunda ecuacin depende de los rezagos de todas las variables del
VAR y del valor contemporneo de la variable de la primera ecuacin. Asimismo, la
variable del lado izquierdo de la tercera ecuacin depende de los rezagos de todas las
variables y de los valores contemporneos de la primera y la segunda variables
3.
Var Estructurales. Utiliza teora econmica para ordenar la relacin contempornea entre
las variables
HL Mata

36
Especificacin de un Modelo VAR

Como el punto de partida del enfoque de Johansen es el Vector Autorregresivo,
vamos a especificar a continuacin un modelo para el caso de 2 variables: GCP
e IPD, respectivamente y 6 retardos (recuerden que la literatura economtrica
recomienda usar entre 4 a 6 retardos cuando se trabaja con series trimestrales)
Expresin general del modelo VAR:
Forma reducida del VAR:
X t = A1X t 1 + ... + A X t + BX t + t
en donde:
X t = [GCP , IPD]
A1 ,..., A p y B
Xt
HL Mata
Es un vector (Nx1) de variables endgenas integradas de

orden uno, las cuales se denotan I(1). N=2
Son matrices de coeficientes a ser estimados
Nmero del retardo incluidos en el VAR. Dado que la
frecuencia de los datos es trimestral se tomaron 6 retardos
Es un vector de variables exgenas (constante, variables
dummy, estacionales, etc). En este estudio todas
las variables estn determinadas dentro del sistema
Es un vector (Nx1) de trminos de errores normal e
independientemente distribuido
37
Cmo Estimar un Modelo VAR con EViews

1.
Seleccione las series integradas de orden I(1), es decir GCP e IPD
2.
Clic con el botn derecho del ratn y seleccionen Open - As Var
3.
En el cuadro Var Specificatin, hagan clic en la etiqueta Basic:
En tipo de Vector: seleccionen Unrestricted VAR
En Estimation sample: perodo de estimacin: escriban: 1970.1 1991.4
En Endogeneous variables: GCP e IDP
En Lag Intervals for Endogeneous:

No. de retardos de las Var. Endgenas: 1 6.
1 6 indica 6 retardos, desde el 1 hasta el 6
(Seleccionen entre 4 a 6 retardos cuando
4.
trabajen con series trimestrales)

Exogeneous Variables: C, para calcular
la ordenada en el origen.
Clic en OK
HL Mata

38
Resultado Parcial del VAR Estimado

Por falta de espacio solo se muestran los dos primeros retardos de cada variable y el resumen final
Los coeficientes del VAR no son fciles de interpretar. En la primera fila se indican los
coeficientes estimados; en la segunda, los errores estndar y en la tercera los valores
estimados del estadstico t .
HL Mata

39
Determinar el Retardo Optimo del VAR

para Asegurar que los Residuos sean
Ruido Blanco (White Noise)
HL Mata

40
Vector Auto Regresivo (VAR) Continuacin

En esta seccin se estimar el retardo ptimo. La longitud del retardo no
puede ser ni muy corto ni muy largo. Si el retardo es muy corto probablemente no se capture completamente la dinmica del sistema que est
siendo modelado. Por otra parte, si es demasiado largo, se corre el riesgo
de perder grados de libertad y tener que estimar un nmero muy grande de
parmetros. El retardo ptimo es esencial por cuanto es la base para el
clculo del nmero de vectores de cointegracin
Herramientas para seleccionar el retardo ptimo
Estadsticos: LR
Criterios:
HL Mata
AIC
SC
HQ
FPE
Estadstico de Relacin de Probabilidad

Criterio de Informacin de Akaike
Criterio de Informacin de Schwarz
Criterio de Informacin de Hannan Quinn
Prediccin Final del Error
41
Estructura del Retardo

Clic en Views - Lag Structure - AR Roots Table (tabla de races autorregresivas)
Races del Polinomio Caracterstico
Roots of Characteristic Polynomial

Endogenous variables: GCP IPD
Exogenous variables: C
Lag specification: 1 4
Raices
Eigenvalues
0.993159
0.993159
0.898480
0.898480
-0.618491
0.618491
0.560088
0.560088
0.254369 - 0.491590i
0.553502
0.254369 + 0.491590i
0.553502
-0.186670 - 0.462774i
0.499004
-0.186670 + 0.462774i
0.499004
No root lies outside the unit circle

VAR satisfies the stability condition.
HL Mata
Variables endgenas; GCP e I PD

Variables exgenas: C
Especificacin del nmero de retardos: 4 (1 4)
Notas:
. Todos los eigenvalues son menores que 1
. Al ser menores que 1, todos caen dentro
del crculo Unitario (unit circle)
. Por las razones anteriores se dice que el
sistema es estable y estacionario
. El sistema se denomina marginalmente
estable cuando al menos un eigenvalue
sea igual a 1
El sistema es inestable cuando al menos un
eigenvalue sea mayor de uno.
En nuestro caso el modelo satisface la
condicin de estabilidad

42
Estructura del Retardo. Continuacin
Clic en Views - Lag Structure - AR Roots Graph

Uno de los aspectos ms interesantes en la salida de un VAR es poder examinar la Raiz inversa del
polinomio autorregresivo del VAR. Esto acta como un chequeo de la estabilidad
del modelo estimado. Estas races se pueden representar en una tabla
o como puntos en el crculo unitario, tal y como se ve a la derecha
Inverse Roots of AR Characteristic Polynomial

1.5
La representacin grfica de los eigenvalues muestra que todos los
1.0
valores se encuentran dentro del crculo unitario y que uno de ellos se encuentra
0.5
cercano al borde del crculo de la unidad. Este resultado indica que
0.0
hay una tendencia comn, por lo que solo hay que esperar un
-0.5
vector de cointegracin
-1.0
-1.5
-1.5
-1.0
-0.5
0.0
0.5
NOTAS:
Partiendo del supuesto de existencia de relaciones de cointegracin, los valores propios de la
matriz de acompaamiento deberan estar dentro del circulo unitario de modo que aquellos
valores que se encuentran muy prximos a la unidad determinan el nmero de tendencias
comunes.
HL Mata

1.0
43
1.5

Clic en Views Lag structure Pairwise Granger Causality Test.
Realiza una prueba de causalidad para determinar si una variable endgena
puede ser tratada como una
2
variable exgena. En la tabla de resultados se muestra el estadstico de Wald para determinar la

significacin (nivel crtico 5%) de cada una de las otras variables endgenas retardadas incluidas en la
ecuacin.
Planteamiento de hiptesis. Primer cuadro:
Ho: GCP does not Granger-cause IPD (GCP no explica a IPD)
H1: GCP Granger-cause IPD
(GCP explica a IPD)
Planteamiento de hiptesis. Segundo cuadro:

Ho: IPD does not Granger-cause GCP (GCP no explica a IPD)
H1: IPD Granger-cause GCP
(IPD explica a GCP)
Estadstico para la prueba:
.W estadistico (Chi) de Wald

Regla de decisin:
Rechace a Ho si Prob es menor o igual a 0,05
No rechace a Ho si Prob es mayor que 0,05
ANALISIS: Primer bloque, no rechace a HO. Concluya que GCP no explica a IPD
Segundo bloque, rechace a Ho y acepte H1. Concluya que IPD explica a GCP: (IPD GCP )
HL Mata

44

Clic en Views Lag structure Lag Exclusin Test (Prueba de exclusin
de Retardos)
Esta prueba analiza si los retardos tienen algn efecto significativo o no (en forma individual o conjunta) sobre
el sistema del VAR. Las filas de la tabla reportan la contribucin de los trminos retardados en cada ecuacin
Ho: Los coeficientes de los retardos son
conjuntamente no significativos diferentes de cero
H1: Los coeficientes de los retardos son
conjuntamente significativos diferentes
de cero
W estadistico (Chi) de Wald
Regla de decisin:
ANALISIS: De acuerdo con la prueba de Wald se rechaza la hiptesis nula para la primera fila de retar
dos y se acepta H1: Hay contribucin significativa individual y conjunta en el VAR Los retardos 2 al 6
(se omiten desde el 3 hasta el 6) no contribuyen significativamente en el VAR, por lo tanto se excluyen
HL Mata

45

Clic en Views Lag structure Lag Length Criteria (Prueba de la longitud del Retardo)
Calcula varios criterios: ( LR (likelihood Ratio), FPE, AIC, SC, HQ) con el fin de seleccionar la
longitud ptima del retardo que ser utilizado en la prueba de cointegracin. El mejor modelo
es aquel que minimiza el Criterio de Informacin, o que maximiza el estadstico LR.
Los asteriscos indican el orden del retardo seleccionado tanto por el estadstico como por los Criterios
El estadstico LR y los criterios SC y HQ indican un retardo. Los criterios FPE y AIC sealan dos retardos.
El nmero de retardos en el modelo VAR se determin unitilizando el criterio de informacin de Schwarz .
AIC siempre selecciona retardos superiores a SC
REGLA: El nmero de retardos P depende de la frecuencia de los datos. Seleccione 3 retardios, P=3, para
datos anuales; 6 u 8 retardos para datos trimestrales, P=6 P=8 y de 12 a 18 retardos, P=12 P=18, para
datos mensuales
HL Mata

46
Diagnstico de los Residuos del VAR
HL Mata

47
Prueba de los Residuos

Clic en Views Residual Tests Correlograms
Muestra un correlograma cruzado de los residuos estimados en el VAR para un
nmero determinado de retardos. Las lneas punteadas en el grfico representan
ms o menos 2 veces el error estndar asinttico de las correlaciones retardadas.
Autocorrelations with 2 Std.Err. Bounds
Plantemiento de hiptesis:
Cor(GCP,GCP(-i))
H 0 = Ausencia de autocorrelacin
H1 = Hay autocorrelacin
Cor(GCP,IPD(-i))
.3
.3
.2
.2
.1
.1
.0
.0
-.1
-.1
-.2
-.2
-.3
-.3
2
Correlograma Estadstico Q
10
12
Cor(IPD,GCP(-i))
Regla de decisin:
Rechacen a Ho si el 5% o ms de las barras
caen fuera de los intervalos de confianza
No rechacen a Ho si el 95 % o mas de las
barras caen dentro del intervalo de confianza
10
12
10
12
Cor(IPD,IPD(-i))
.3
.3
.2
.2
.1
.1
.0
.0
-.1
-.1
-.2
-.2
-.3
-.3
2
10
12
Los Plots (grficos) no exhiben autocorrelacin significativa.

Alternativamente, comparen la probabilidad asociada del estadstico Q (Box Pierce) con el nivel 0,05. Si pvalue (prob) > 0,05, acepten a Ho. Concluyan que no hay autocorrelacin
HL Mata

48
Prueba de los Residuos. Continuacin

Clic en Views - Residual Tests Pormanteau autocorrelation Test
Calcula el estadstico multivariado Q de Box-Pierce/Ljung-Box
H 0 : Ausencia de autocorrelacin hasta el retardo h
H a : Hay autocorrelacin hasta el retardo h
Estadsticode Ljung Box para la prueba:
2 ( j)
j=1 n j
h
Q LB = (n (2 + 2 ))
Regla de decisin:
La prueba es vlida solamente para retardos superiores al orden del retardo del VAR.
df son los grados de libertad de la distribucin Chi cuadrado
Los valores de Prob, indican que los residuos son white noise despus del 6to retardo
HL Mata

49

Clic en Views - Residual Tests Autocorrelation LM Test
Prueba de Breusch Godfrey o Prueba del Multiplicador de Lagrange (LM)
Se usa para detectar autocorrelacin de cualquier orden, especialmente en aquellos modedelos con o sin variables dependientes retardadas. Permite determinar si existe correlacin
en los residuos hasta un determinado orden
H 0 : Ausencia de autocorrelacin hasta el retardo de orden h
H a : Hay autocorrelacin hasta el retardo de orden h
LM = T*R2 (nmero observaciones * R cuadrado)
Regla de decisin:
Alternativamente: El estadstico calculado Obs*R-Squared se compara con el

valor tabular de la tabla Ch2, segn los rezagos que se seleccionen
HL Mata

50

Clic en Views - Residual Tests Normality Test
El estadstico JB es una prueba asinttica de normalidad para grandes muestras
Una prueba de normalidad es un proceso estadstico utilizado para determinar si una
muestra o cualquier grupo de datos se ajusta a una distribucin estndar normal. En
nuestro caso, los residuos del modelo VAR.
El test de Jarque Bera analiza la relacin
H 0 : JBi = 0 Re siduos son normales

H1 : JBi 0 Re siduos no son normales
entre el coeficiente de apuntamiento y la

curtosis de los residuos de la ecuacin estimada y los correspondientes de una distribucin norma, de forma tal que si estas re-
laciones son suficientemente diferentes se

se rechazar la hiptesis nula de normalidad
Regla de decisin:
La prueba conjunta de la derecha indica que los

residuos son marginalmente normales, por cuanto
el p-value, 0,054, > 0,05
HL Mata

51

Clic en Views - Residual Tests White heteroskedasticity (No Cross term)
Prueba de Heteroscedasticidad de White sin Trminos Cruzados
Otro supuesto del modelo de regresin lineal es que todos los trminos errores tienen la
misma varianza. Si este supuesto se satisface, entonces se dice que los errores del modelo
son homocedsticos de lo contrario son heteroscedasticos.
H 0 : Re siduos hom ocedsti cos

H1 : Re siduos heterocedsti cos
F y Chi=N*R2 (Nmero observaciones por R cuadrado)
Regla de decisin:
CONCLUSIN: los residuos son homocedsticos. La probabilidad conjunta (Joint test) 0,805 > 0,05
HL Mata

52
CONCLUSIN:
Los anlisis anteriores: Dignostico del VAR y la Prueba de los
Residuos, evidencian que la longitud ptima del VAR es de un
retardo y que los residuos cumplen con los supuestos de Gauss
Markov, referente a ausencia de autocorrelacion, normalidad y
homoscedasticidad en los errores, caractersticas stas que nos
permiten seguir adelante con la prueba de Cointegracin de
Johansen
Pruebas de diagnstico
Pruebas Estadsticas
A.
B.
C.
D.
Correlacin serial
Forma Funcional
Normalidad
Heteroscedasticidad
HL Mata
Versin LM
Versin F
CHI-CUADRADO
CHI-CUADRADO
CHI-CUADRADO
CHI-CUADRADO

53
Aplicar el procedimiento de Mxima

Verosimilitud al VAR estimado
con el fin de determinar el rango (r) de
cointegracin del sistema
HL Mata

54
Estimacin del Sistema mediante Mxima Verosimilitud

Siguiendo con la metodologa de Johansen vamos a reformular el VAR de la
diapositiva 38 en un Vector de Correccin de Errores (VEC, por sus siglas en
Ingls), tal que:
X t = 1X t 1 + ... + p 1X t p + X t p + t
En donde: es el operador de primera diferencia, ejemplo: X t = X t X t 1 ;X t es el
vector de variables endgenas e integradas de orden I(1): GCP e IPD;
i = (I A1 ... A i ), i = 1,..., p 1 ; es una matriz (NxN) de la forma = T en donde
y son matrices de Rango completo (NxN) y t es un vector (Nx1) de
trminos de errores normal e independientemente distribuido
Quienes son y ?
la matriz recoge las r relaciones de cointegracin
la matriz se interpreta como la velocidad de ajuste de cada variable
para recuperar la posicin de equilibrio en el largo plazo cuando se
produzcan desviaciones de dicho equilibrio
Estimar el Sistema Mediante el Mtodo de Mxima Verosimilitud
En la ventana del Vector Autorregresivo (VAR):

1 Hagan clic en VIEW y seleccionen COINTEGRATION TEST
HL Mata

55
Prueba de Cointegracin de Johansen

Noten que aparece el cuadro de dilogo Johansen Cointegration Test
La prueba requiere hacer algn supuesto relacionado con la tendencia que subyace en los
datos, a saber:
CE
VAR
No Tendencia determinstica en los datos
No Intercepto o
Tendencia
No Intercepto o Tendencia
Intercepto no Tendencia
No Intercepto
Tendencia determinstica lineal en los datos

Intercepto y Tendencia
No Tendencia
Tendencia determinstica cuadrtica en los datos

Intercepto y Tendencia
Tendencia lineal
Resumen de las 5 conjuntos de supestos

En el cuadro Exog Variables, no incluyan C o Tendencia
En el cuadro Lag Interval escriban el retardo ptimo encontrado, en nuestro caso: 1 1
Dado que no se tiene certeza con respecto a cual opcin usar, procedan a seleccionar la
opcin 6, la cual les indicar el nmero de relaciones de cointegracin en cada una de las 5
opciones de tendencia. (NOTA: En la prctica las opciones 1 y 5 raramente se utilizan)
HL Mata

56
Resumen de los Supuestos.

Se ha sombreado la segunda opcin para indicar el nmero de relaciones
El cuadro resumen indica un sola ecuacin de Cointegracin tanto en la prueba de la

Traza como en la del Maximun Eigenvalue (vean rea sombreada), razn por lo cual
se debe seleccionar la opcin 2 (Intercept-No Trend) : Slo intercepto en la ecuacin
de cointegracion (CE) y no tendencia en el VAR
HL Mata

57
Prueba de Cointegracin de Johansen. Continuacin

2
Hagan clic nuevamente en View y seleccionen Cointegration test
En el cuadro de dilogo Johansen Cointegration Test, seleccionen la opcin

2, Intercept No Trend, la cual
muestra una sola ecuacin de
cointegracin, tal como se seal
en la diapositiva anterior
En el cuadro Exog Variables
no incluyan la constante C
En el cuadro Lag intervals
incluyan la longitud ptima del
VAR encontrado en la diapositiva
45, es decir 1: yt en yt 1
Ahora hagan clic en el botn OK
HL Mata

58
Resultado de la Estimacin
Por razones de espacio se colocan las pruebas en el lado izquierdo y el
resto de la estimacin en el lado derecho del cuadro de los resultados.
En la prxima seccin se analizan stos:
HL Mata

59
Pruebas de S. Johansen y
Katerine Juselius (1990)
HL Mata

60
El mtodo de S. Johansen considera las siguientes pruebas para determinar el nmero de

vectores de cointegracin, r: La Prueba de la Traza (Trace test) y la prueba del Mximo
Valor Propio (Maximum Eigenvalue test), lado izquierdo del cuadro anterior.
Hiptesis para las Prueba de la Traza y del Mximo Valor Propio:
Eview plantea la Hiptesis nula (Ho) como NONE (Ninguna)
H0 : r = 0
H1 : r = 1
No existen vectores de co int egracin

Existe un vector de co int egracin
Reglas de Decisin:
Rechace a Ho cuando el valor del estadstico la Traza o el Mximo Valor Propio sea mayor
que el valor crtico seleccionado, normalmente el de 5 %.
Acepte a Ho cuando el valor del estadstico la Traza o el Mximo Valor Propio sea menor
que el valor crtico seleccionado
Si hubiera un segundo vector de cointegracin las hiptesis seran tal como sigue:
Eview plantea la Hipotesis nula (Ho) como AT MOST 1 (cuando ms una)
H0 : r 1
H1 : r = 2
Cuando ms existe un vector de co int egracin

Existe ms de un vector de co int egracin
Analicen secuencialmente las hiptesis nulas (NONE; AT MOST 1; AT MOST 2, etc.), hasta
tanto se rechace Ho
HL Mata

61
Prueba de la Traza
Estimar el Nmero de Vectores de Cointegracin

El primer bloque del cuadro de los resultados muestra el estadstico de la TRAZA. La primera
columna de dicho bloque muestra el nmero de relaciones de cointegracin bajo la hiptesis nula; la
segunda columna muestra el rango ordenado de los eigenvalues de la matriz ; la tercera muestra
el estadistico de la Traza y las dos ltimas columnas muestran los valores crticos al 5% y 1%.
k
Estadstico de la TRAZA para la hiptesis nula: Q r = T log(1 i )
i = r +1
.
CONCLUSION: De acuerdo con la prueba de la traza se rechaza la hiptesis nula de no cointegracin
en favor de una relacin de cointegracin al nivel del 5% y del 1 %. ( 30.95 > 19,96 y 24.60)
HL Mata

62
Prueba del Mximo Eigenvalue
Estimar el Nmero de Vectores de Cointegracin

La prueba del Mximo Eigenvalue prueba la hiptesis nula de que el rango de cointegracin es igual a r=0 en contra
de la hiptesis alternativa de que el rango de cointegracin es igual a r+1.
Resultados de la prueba del Mximo Eigenvalue:
CONCLUSIN La prueba de Mximun EigenValue indica la existencia de una sola ecuacin de cointegracin
tanto al 5% como al 1%, respectivamente ( 22.96 es mayor que 15,67 y 20.20)
De los resultados de las pruebas de la Traza y del Mximo Eigenvalues se concluye que existe un solo
vector o relacin de cointegracin.
HL Mata

63
Ecuacin de Cointegracin
Debajo de los resultados de la prueba de cointegracin Eviews muestra los estimados de los
vectores o relaciones de cointegracin. El vector de cointegracin no est identificado, a
menos que Ud. imponga alguna normalizacin arbitraria. Eviews adopta una normalizacin
tal que el primer r de la serie en el vector sea normalizado como una matriz identidad
Relacin de cointegracin normalizada suponiendo una relacin de cointegracin r=1 :
Los nmeros entre parntesis debajo de los coeficientes estimados son los errores estndar
asintticos. Algunos coeficientes normalizados se muestran sin su correspondiente error
estndar, tal es el caso del coeficiente que ha sido normalizado a 1.0
La apariencia de la relacin de cointegracin normalizada depende de la forma como se
hayan ordenado las variables endgenas en el VAR. As por ejemplo, si Uds desean un
coeficiente uno en la serie IPD, debern de colocar dicha serie de primero en el VAR
HL Mata

64
Cmo se normalizaron los coeficientes?

Eviews se bas en los coeficientes de cointegracin no restringidos, los cuales se muestran
inmediatamente debajo de la prueba del Mximo EigenValue, para realizar la normalizacin.
Dichos coeficiente se muestran nuevamente por conveniencia:
La normalizacin consiste en convertir un vector dado en otro proporcional a l con mdulo

1. Esto se obtiene dividiendo el mdulo entre l mismo.
Siguiendo con lo que es tradicional en la Literatura de la Cointegracin multipliquen el
vector normalizado por -1 y reordenen los trminos de tal manera que el vector se
interprete como una funcin de consumo, es decir:
GCP = 550.6843 + 1.01000 * IPD

(226.864)
(0.07903)
Observen que la pendiente de la funcin de consumo es positiva y significativa, tal y como

lo postula la Teora Econmica. Los errores estndar se muestran dentro de parntesis.
HL Mata

65
Modelo Vector de Correccin de Errores

(.Continuar..)
HL Mata

66
Bibliografa
HL Mata

67
Johansen, S., 1988. Statistical analysis of cointegration vectors. Journal of

Economic Dynamics and Control 12, 231254.
Engle, R. F. y Granger, C. W. J.
Representation, Estimation and
251-276.
Engle, R. F. y Granger, C. W. J.
Representation, Estimation and
251-276.
(1989): Cointegration and Error Correction:

Testing, Econometrica, volumen 55, pginas
(1989): Cointegration and Error Correction:
Testing, Econometrica, volumen 55, pginas
Johansen, S., 1991. The role of the constant term in cointegration analysis of
non stationary variables. University of Copenhagen, Institute of Mathematical
Statistics.
Gujarati, Damodar N. (1997).Econometra, Editorial McGraw-Hill Interamericana,
SA , Santa Fe de Bogot, Colombia, Cap. 21, pp.693-715
Ballabriga, Fernando C. y Luis Julin lvarez Gonzlez y Javier Jareo Morago
(1998) Un Modelo Macroeconmico BVAR para la economa espaola:
metodologa y resultados http://www.bde.es/informes/be/sazul/azul64.pdf
Hee Seok Park. (April 1999). Analysis of Structural Changes in the US Stock
Market, Kansas State University http://www-personal.ksu.edu/ ~hsp3704/
wp199904.doc
Banco de Guatemala. (2000) Vectores Auto Regresivos (VAR)
http://www.banguat.gob.gt/inveco/notas/articulos/envolver.asp?karchivo=4401
&kdisc=si
HL Mata

68
Bill Hung. (October, 2000). Dickey-Fuller Unit Root Test (Stationary Test).
http://www.hkbu.edu.hk/~billhung/econ3600/application/app01/app01.html
Wakeford, Jeremy. Honours Econometrics:
Econometrics Time Series Econometrics.
Stationarity, Unit Roots and Cointegration
http://www.commerce.uct.ac.za/Economics/Courses/ECO416Z/2004/Time%20Se
ries.doc
Asteriuo, Dimitrios. (june, 2001). Notas sobre Anlisis de Series de
Tiempo: Estacionariedad, Integracin y Cointegracin (H.L. Mata, Trans.).
http://www.personal.rdg.ac.uk/~/less00da/lecture3.htm.
Eviews 4. Users Guide. Chapter 20. Vector Autorregression and Error Correction
Models.
http://www.ucm.es/info/ecocuan/mjm/ecoaplimj/Vector%20Autoregressions.pdf
Clive W. J. Granger. Revista Asturiana de Economa (8 de diciembre de 2003).
ANLISIS DE SERIES TEMPORALES,COINTEGRACIN Y APLICACIONES
http://www.revistaasturianadeeconomia.org/raepdf/30/GRANGER.pdf
Mata HL. (2004). Nociones Elementales de Cointegracin. Procedimiento de
Engle-Granger. Trabajo no publicado. http://webdelprofesor.ula.ve/economa
HL Mata

69

Johansen Eviews PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Johansen Eviews PDF

Cargado por

Copyright:

Formatos disponibles

Nociones Elementales de Cointegracin

Enfoque de Soren Johansen

Nociones Elementales de Cointegracin

Borrador para discusin

Nociones Elementales de Cointegracin

Nociones Elementales de Cointegracin

Segn S. Johansen la mayor parte de las series temporales son no

Nociones Elementales de Cointegracin

Caractersticas de las Series Temporales

La mayora de las Series tienen una tendencia. Su valor medio cambia

Nociones Elementales de Cointegracin

Aplicable a modelos uniecuacionales (con dos o ms variables ?)

Aplicable a sistemas de ecuaciones

Nociones Elementales de Cointegracin

Enfoque de Soren Johansen

Nociones Elementales de Cointegracin

Nociones Elementales de Cointegracin

Determinar el orden de integracin a cada una de las series includas en el

Diagnstico del VAR estimado

Nociones Elementales de Cointegracin

Series originales (Level: en su forma original, sin transformacin):

Series transformadas en logartmicas (o en tasas de cambio)

Nociones Elementales de Cointegracin

Procedimiento para bajar los datos desde Internet

Visiten la direccin: http://www.estima.com/Gujarati's%20Basic%20Econometrics.shtml

Arrasten la barra de desplazamiento vertical hasta el archivo table21-1.prn

Hagan clic en el men Archivo y seleccionen Guardar Como. En Nombre del

Abran la Aplicacin MS Excel. Hagan clic en ArchivoAbrir. En tipo de archivo

En tipo de los datos originales, seleccionen: De ancho fijo

Clic en el men Edicin y seleccionen Reemplazar.

Importen el archivo desde la aplicacin Econometric Views (EViews)

Nociones Elementales de Cointegracin

Determinar el Orden de Integracin a cada

Nociones Elementales de Cointegracin

El orden de integracin se refiere al nmero de veces que se debe diferenciar una

Cul es el orden de integracin de nuestras variables GCP e IPD ?

Nociones Elementales de Cointegracin

Valores de Probabilidad - P-values

Definan previamente el nivel de significacin

Cmo interpretar los p-values o los valores de las probabilidades:

Nociones Elementales de Cointegracin

Pruebas para Identificar no Estacionariedad

Representacin grfica de las series

Estadstico de Dickey-Fuller (DF)

Nociones Elementales de Cointegracin

Representacin Grfica de las Series

Nociones Elementales de Cointegracin

Plot de las Series GCP e IPD

Nociones Elementales de Cointegracin

Transformar las Series en Primera Diferencia

Representar las Series en Primeras Diferencias

Clic en View (archivo de trabajo) Graph

Nociones Elementales de Cointegracin

Representacin Grfica de las Series

Nociones Elementales de Cointegracin

Funcin de Autocorrelacin, Correlogramas

Nociones Elementales de Cointegracin

Nociones Elementales de Cointegracin

include, seleccionen entre un 25 y un 30% del nmero de observaciones)

Clic en el botn OK. Repitan el procedimiento en Primeras Diferencias. Comparen

Nociones Elementales de Cointegracin

Correlograma de las Series GCP e IPD

Nociones Elementales de Cointegracin