NOTAS SOBRE

ESTACIONARIEDAD DE SERIES TEMPORALES:

Definicin y contraste de Races Unitarias
SEMINARIO DE UTILIZACIN DE LOS MODELOS ECONOMTRICOS PARA LA
SIMULACIN Y PREDICIN DE LA ECONOMA ESPAOLA

R. Maha
Mayo 2001

ESQUEMA DE PRESENTACIN:
- Definicin de estacionariedad
- Concepto de integrabilidad y raz unitaria
- Mtodos simples de deteccin de la no estacionariedad
- Introduccin del test DF
- Problemas de la aplicacin del test DF:
Test DF y P.G.D
Test DF en modelos AR(p)
Test DF en presencia de autocorrelacin serial
Test DF en modelos MA(q)
Test DF y Cambio Estructural
- Conclusiones

TRASCENDENCIA DEL ANLISIS DE LA ESTACIONARIEDAD

Uso correcto de muchas de las distribuciones en las etapas del contraste y validacin
de los modelos economtricos

Evitar las regresiones espurias

Como etapa previa en el anlisis de cointegracin

Inters conceptual del concepto de tendencia estocstica

TENDENCIAS DETERMINISTAS Vs. TENDENCIAS ESTOCSTICAS

La principal caracterstica que define al componente tendencial frente al irregular es

la de presentar efectos permanentes sobre la serie temporal yt.

Definir una tendencia en una serie temporal yt es extremadamente sencillo. Por

ejemplo, la serie:
y t = 0.05 + 0.1t + t
1 2 ,0 0

1 0 ,0 0

8 ,0 0

6 ,0 0

4 ,0 0

2 ,0 0

0 ,0 0

- 2 ,0 0
1

11 16 21 26 31 36 41 46

51 56 61 66 71 76 81 86 91 96

PRODUCTIVIDAD TOTAL

DEFLACTOR CONSUMO PRIVADO

340

145

320

125

300

105

280

85

260

65

240

45

220

25

y t = 0.05 + 0.1t + 0.03t 2 + t

300,00

250,00

200,00

150,00

100,00

50,00

0,00

- 50,00
1

11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96

EXPORTACIONES REALES TOTALES

VALOR AADIDO EN SERVICIOS

7700

16200

6700
15200

5700

14200

4700
3700

13200

2700

12200

1700

11200

TENDENCIA ESTOCSTICA
-

Paseo aleatorio simple:

y t = y t 1 + t y t = t
t

yt = y0 + i
i =1

E[y t ] = E y 0 + i = E[y 0 ] = y 0
i =1

t
V [ y t ] = E [ y t E [ y t ]] = E y 0 + i y 0 = E i =
i =1

i =1
2
2
2
2
= E 1 + 2 ..... + 1 2 + 1 3 + ..... = E 1 + 2 .... + t2 = t 2

Ser posible que existan series que exhiban este tipo de tendencia estocstica?
Paseo aleatorio I

Tipo de cambio Pta/Dlar

30

180

25

160

20

140

15

120

10

100

80

60

-5

40
1

9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81

Paseo aleatorio II
60

240

50

220

40

200

30

180

20

160

10

140
1

11

13

15

17

19

21

23

25

27

29

Tipo de cambio Pta/Libra Esterlina

11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96

120
1

11

13

15

Paseo aleatorio con deriva (tendencia estocstica y determinista):

y t = a 0 + y t 1 + t y t = a 0 + t
t

yt = y0 + a0t + i
i =1

Su no estacionariedad en media y varianza hace difcil su distincin:

y t = 0.5 + y t 1 + t

60
50
40
30
20
10
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96

17

19

21

23

25

27

29

y t = 0.5 + y t 1 + i*
50
40
30
20
10
0
-10
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96

REGRESIONES ESPURIAS

Cmo es una regresin espuria?

Experimento de Granger y Newbold (1974) y Charemza y Deadman (1992)

y t = y t 1 + 1t
x t = xt 1 + 2 t

y t = a 0 + a1 xt + et
-

Sobre un conjunto de 1000 muestras de yt y xt con 50 observaciones, alrededor de

un 75% (65%) de las regresiones de yt sobre xt presentan contrastes t
significativos a un nivel de significatividad del 5%.

Sin embargo, prescindiendo de la constante a0:

e t = y t a1 x t
por lo que imponiendo las restricciones iniciales y0=x0=0 tenemos que:
t

i =0

i =0

et = 1i a1 2i

 Secuencia de errores no estacionaria en varianza

La varianza de et no es constante
No existe incorrelacin serial, la correlacin entre et y et+1 tiende a uno a
medida que t se incrementa.
Dada semejante acumulacin de errores de base, ningn test de significatividad
puede ser usado con garantas y por ello, ninguna inferencia ser fiable.
CONCEPTO DE INTEGRACIN
-

Se dice que una serie yt no estacionaria es integrada de orden d y se representa

como yt~I(d) cuando puede ser transformada en una serie estacionaria
diferencindola d veces.

Concepto previo: por qu las condiciones de estacionariedad de los modelos de

series temporales tienen que ver con las races caractersticas o las races del
polinomio de retardos?.

Porqu una serie se vuelve estacionaria al diferenciarla?

A( L) y t = B( L) t
A( L) = (1 L) A' ( L)
(1 L) A' ( L) y t = B( L) t
A' ( L)(1 L) y t = B( L) t
A' ( L) y t = B( L) t
Ejemplo
y t = 1.5 y t 1 0.5 y t 2 + 0.5 t 1 0.25 t 2
y t 1.5 y t 1 + 0.5 y t 2 = 0.5 t 1 0.25 t 2
2 y t 3 y t 1 + y t 2 = t 1 0.5 t 2
y t A( L) = t B( L) y t ( 2 3L + L2 ) = t ( L 0.5L2 )
y t (1 L) A' ( L) = t B( L) y t (1 L)( 2 L) = t ( L 0.5L2 )
y t A' ( L) = t B( L) y t ( 2 L) = t ( L 0.5L2 )

Efectivamente, en los casos vistos anteriormente:

En el caso de un paseo aleatorio puro

V [y t ] = V [ y t y t 1 ] = E [( y t y t 1 ) E [ y t y t 1 ]] =
2

t
t 1
t
t 1

2
E y 0 + i y 0 i E y 0 + i y 0 i = E [ t ] = 2
i =1
i =1
i =1
i =1

.... y en el caso de uno con deriva

t
t 1

E [y t ] = E [ y t y t 1 ] = E y 0 + a 0 t + i y 0 a 0 (t 1) + i = E [a 0 + t ] = a 0
i =1
i =1

V [y t ] = E [( y t y t 1 ) E [ y t y t 1 ]]

t
t 1

= E y 0 + a 0 t + i y 0 a 0 (t 1) i a 0 =
i =1
i =1

[ ]

= E [a 0 + t a 0 ] = E t2 = 2
2

- En este punto es fundamental distinguir entre tendencia determinista y estocstica

- Caracterizacin series I(0) e I(1)
Series I(0)
Presentan varianza finita e independiente
del tiempo
Tienen memoria limitada

Series I(1)
Su varianza depende del tiempo y tiende a
finito a medida que el tiempo tiende a
infinito
Cualquier innovacin afecta
permanentemente
a sus procesos

Tienden a fluctuar alrededor de la media

(que puede incluir una tendencia
Oscilan ampliamente
determinista)
Presentan autocorrelaciones que tienden a
Su autocorrelacin tiende a uno (en valor
disminuir rpidamente a medida que el
absoluto) para cualquier orden del retardo
retardo se incrementa

DETECCIN DE RACES UNITARIAS

-

Anlisis grfico de la serie

En perodos cortos, las tendencias estocsticas puras no son sencillas de distinguir
de series sin tendencia de ningn tipo
En presencia de tendencias deterministas, stas suelen dominar el patrn grfico de
evolucin
En ningn caso una serie con una raz unitaria puede distinguirse grficamente de
una cuasi raz de un proceso autorregresivo.

13 19 25 31 37 43 49 55 61 67 73 79 85 91 97
Raiz Unitaria

Estacionario

An con todas las limitaciones no est nunca de ms un anlisis grfico de la

serie
- Anlisis del correlograma de la serie
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1

AR(1) (0,5)

11

13

15

AR(1) (0,7)

17

19

21

AR(1) (0,8)

23

Paseo Aleatorio

t 1

Modelo autorregresivo simple: y t = a1t y 0 + a1i t i

i =0

1 = a1 ; 2 = a ; 3 = a ,............; s = a1s
2
1

3
1

t 1

Paseo aleatorio simple: y t = y 0 + t i

i =0

t s
s =
t

0.5

El problema es, una vez ms, el caso de races muy cercanas a la unidad

a1=1

-1

a1=0,99

-1

a1=0,98

-1

a1=0,97

1 -1

a1=0,96

-1

a1=0,95

1 -1

Debe tenerse en cuenta, adems, el caso de la integracin fraccional

(Mandelbrot 1969, 1972)
-

Utilizacin del test Durbin Watson (Sargan y Bhargava 1983):

Se estima el modelo y t = o + t
Se interpreta la medida DW sobre los residuos ei como medida de
autocorrelacin de la variable original yt dada la equivalencia:
n

DW =

(et et 1 ) 2
t =2

e
t =1

2
t

(y
t =2
n

(y
t =1

y t 1 )

yt )

TEST DICKEY-FULLER: Definicin

Definicin bsica del contraste:

H1: y t = a1 y t 1 + t
H0: yt = yt 1 + t

La distribucin de probabilidad asinttica del parmetro estimado a1 presenta una

discontinuidad cuando a1=1 dada la no estacionariedad en varianza de yt

Debemos usar las tablas de Dickey (1976) y Fuller (1976) Mackinnon (1991)

El modelo operativo utilizado es:

y t y t 1 = a 0 + a1 y t 1 y t 1 + t
y t = a 0 + ( a1 1) y t 1 + t
y t = a 0 + y t 1 + t
H0: =0 frente a H1: <0.
-

Los valores de referencia para el contraste del parmetro dependen del proceso
generador de datos elegido:
Modelo 1 (simple) (): y t = y t 1 + t
Modelo 2 (con constante) (): y t = a 0 + y t 1 + t
Modelo 3 (con constante y tend. determinista) (): y t = a 0 + y t 1 + a 2 t + t

Puede adems contrastarse alguna hiptesis conjunta de parmetros

1, 2 ,3 =

(SCRmr SCRmnr ) r
SCRmnr n k

Por ltimo cabe la posibilidad de contrastar la nulidad de los parmetros nuisance

(Suriach et al. 1995)

Resumen de los test DF

Modelo
y t = a 0 + y t 1 + a 2 t + t

y t = a 0 + y t 1 + t

y t = y t 1 + t

Hiptesis nula
=0
a0=0 dado =0
a2=0 dado =0
=a2=0
a0==a2=0
=0
a0=0 dado =0
a0==0
=0

Valores
crticos
Estadstico 95 % 99 %
-3.45 -4.04

3.11
3.78

2.79
3.53

6.49
8.73
3
4.88
6.50
2
-2.89 -3.51

2.54
3.22

4.71
6.70
1
-1.95 -2.60

Debe pensarse siempre en la posibilidad de la existencia de ms de una raz unitaria

(Charemza y Deadman (1992) Dickey y Pantula ) (1987))
Esquema de Charemza y Deadman (1992)

H1

DF sobre yt

H0

yt~I(0)

DF sobre yt

H0

H1

yt~I(1)

DF sobre yt

H0

H1

yt~I(2)

Orden superior a 2.
No integrable.
Fallo DF

TEST DF Y P.G.D (Elementos deterministas)

El principal problema del test DF es su dependencia de la forma del PGD. Esta

dependencia es un problema ya que generalmente la forma del PGD se desconoce

Qu ocurre si fallamos en la consideracin de los elementos deterministas?

Si tomamos como modelo de partida un modelo con tendencia determinista y
trmino constante, podemos estar sobreparametrizando la estimacin. Pero
adems, los valores crticos de referencia para aceptar o rechazar la hiptesis
nula dependen crucialmente del modelo estimado: la potencia del contraste
decrece tanto ms cuanto mayor sea el nmero de parmetros aadidos
incorrectamente.
La omisin del trmino independiente o la tendencia determinista, cuando
estas son variables relevantes, tambin provoca de nuevo una estimable
prdida de potencia. (Campbell y Perron (1990))

Pero adems debemos considerar matices adicionales

Si se conoce la presencia real de tendencia o deriva, algunos autores proponen
que la hiptesis nula =0 debe contrastarse usando una distribucin normal
estandarizada en lugar de las distribuciones asintticas tabuladas por Dickey y
Fuller. (Hylleberg y Mizon (1990))

Cmo hacer en la prctica?

Observar la grfica de la serie puede ayudarnos

 Esquema de Dolado y Perron (1990)

TEST DF EN MODELOS AUTORREGRESIVOS AR(P)

Test ADF:
p

y t = a 0 + y t 1 + i y t i +1 + t
i =2

con:
p

= 1 a i
i =1
p

i = ai
j =1

Sin embargo, conviene recordar que el propio Fuller demostr que la distribucin
asinttica del estadstico t del parmetro estimado, es independiente del nmero
de retardos de la variable diferenciada que incluyamos en la especificacin del
modelo estimado.

Por tanto el el test ADF es conceptualmente til como posible correccin a los
problemas de autocorrelacin que pudieran aparecer en el trmino de error del
modelo bsico utilizado en el test simple DF: Solucin Paramtrica de la
Autocorrelacin (Dickey y Fuller 1981)

La eleccin del nmero de retardos a considerar viene determinada por:

La persistencia de la autocorrelacin residual
El modelo terico de referencia supuesto para yt
Criterios clsicos de aceptacin de variables en un modelo como el test tStudent de significatividad individual, Akaike o Schwarz

TEST DF EN MODELOS CON PROBLEMAS DE

AUTOCORRELACIN SERIAL

Para la aplicacin del test DF se asume que los errores del modelo estn idntica e
independientemente distribuidos.

Contamos con la alternativa de correccin paramtrica del test ADF.

Phillips (1987) y Phillips y Perron (1988) sealaron que la distribucin asinttica de

la razn t del parmetro en los modelos del test DF depende de la ratio:
2

en donde 2 y 2 responden a las expresiones:

n 2
E i
2
y = lim i =1

n
n

n
2
E ( i )

2 = lim i =1
n
n

En los trabajos Phillips (1987) y Phillips y Perron (1988) se sugieren utilizar los
residuos obtenidos en la estimacin del modelo DF simple para transformar los
estadsticos t asociados a los parmetros del mismo:
n

2 =

i =1

(1 r l + 1) e e

ei2
y

2 =

ei2
i =1

+2

r =1

i = r +1

ir

Una vez computadas las estimaciones de 2 y 2 , corregiremos el valor obtenido

para la razn en la estimacin de nuestro modelo segn las expresiones
siguientes de modo que puede entonces utilizarse la tabla clsica DF:
2
Z ( , ) = 2

1
2

( 2 2 )
n

y
t =2

2
t 1

n2

2
n3 ( 2 2 )
Z ( ) = 2

4 3Dy

A partir de los trabajos de estos autores se han propuestos otras correcciones otros
estimadores como el de Newey y West (1987, 1994)

Debe seleccionarse siempre el mximo nmero de retardos a considerar o

truncation-lag con un procedimiento automtico (usando las propuestas de Newey
y West o de Schwert (1987 y 1989)) o a partir del examen detallado de la
autocorrelacin.

TEST DF EN MODELOS CON

COMPONENTES DE MEDIAS MVILES MA(q)

En principio puede pensarse en la transformacin en un modelo AR(p) :

A( L) y t = B( L) t
A( L) B( L) y t = t

C(L)y t = t

y el uso de la forma general del ADF:

y t = a 0 + y t 1 + i y t i +1 + t
i =2

Debemos acudir a trabajos como los presentados por Said y Dickey (1984) sobre el
contraste de races unitarias en procesos ARMA de orden desconocido: ... un
modelo ARIMA (p,1,q) de rdenes desconocidos poda ser aproximado
adecuadamente por un modelo ARIMA (s,1,0) de orden s no superior a la raz
cbica del tamao muestral n....

Debe considerarse la propuesta de Hall (1989) apoyada en la utilizacin del mtodo

de estimacin por variables instrumentales.

Debe vigilarse especialmente la prdida de potencia del test ADF y PP sealada por
Molinas (1986) y Molinas y Schwert (1987 y 1989) en el caso de procesos MA
cercanos a la no invertibilidad.

TEST DF EN MODELOS CON CAMBIO ESTRUCTURAL

-

En presencia de cambio estructural se tiende a aceptar sesgadamente la existencia de

una raz unitaria.

ERROR POR OBSERVACIN: Proceso AR(1) estacionario en niveles y en

diferencias y residuos una vez eliminada la tendencia determinista.
12

5
4

10

3
8
2
6

0
-1

-2
0
-3
-2

-4

-4

-5

Serie en niveles

Serie diferenciada

Residuos niveles

Resiudos diferencias

ERROR POR APLICACIN DEL TEST DF: Proceso Generador Real AR(1)
estacionario con cambio de tendencia de escaln.
8
7

6
5

4
3
2

1
0

Modelo correcto: y t = 0.5 y t 1 + t + FN

Propuesta incorrecta:
y t = a 0 + a1 y t 1 + t
....... estimacin incorrecta y t = a 0 + y t 1 + t
(Solucin de un P.Aleatorio simple: y t = y 0 + a 0 t + t )
-

Soluciones:
Aplicar DF ADF en las submuestras
Utilizar la propuesta de Perron en dos pasos (1989).

ASPECTOS PENDIENTES EN ESTE GUIN

Profundizacin en los problemas de potencia del test DF

Estacionariedad estacional: Test DHF, HEGY

Contrastes de estacionariedad: Test KPSS y LMC

Integracin peridica

Integracin fraccional

REFERENCIAS BIBLIOGRFICAS
Amano, R.A. y van Norden, S. (1992). Unit-Root
(http://wueconb.wustl.edu/eprints/em/papers/9502/9502005.abs)

tests

and

the

Burden

of

Proof.

Mimeo.

Beaulieu, J.J. y Miron, J.A. (1993). Seasonal Unit Roots in Aggregated U.D. Data. Journal of Econometrics, 51, pp. 305-328.
Box, G.E.P. y Jenkins, G.M. (1970). Time Series Analysis: Forecasting and Control. Holden-Day. San Francisco, CA.
Box, G.E.P y Pierce, D.A. (1970). Distribution of Residual Autocorrelations in Autorregresive moving Average Time Series
Models. Journal of The American Statistical Association, 65, pp. 1509 1526.
Campbell, John Y. y Perron, P. (1991). Pitfalls and Opportunities: What Macroeconomists Should Know About Unit Roots.
Technical Working Paper 100, NBER Working Paper Series. Abril 1991.
Canova, F. y Hansen, B.E. (1995). Are Seasonal Patterns Constant over Time? A test for Seasonal Stability. Journal of Business
and Economic Statistics, 13, 3, pp. 237-252.
Carrin, J,Ll., Sans, A. y Arts, M. (1998a). The DF and KPSS Wedding. Document de Treball del Dep. Econometria,
Estadstica i Economia Espanyola. Universitat de Barcelona.
------. (1998b). Stationary Test in the Presence of Structural Breaks. Document de Treball del Dep. Econometria, Estadstica i
Economia Espanyola. Universitat de Barcelona.
------. (1998c). The KPSS Test with Two Structural Breaks. Document de Treball del Dep. Econometria, Estadstica i Economia
Espanyola. Universitat de Barcelona.
Charemza, W.W. y Deadman, D.F. (1992). New Directions in Econometric Practice. Edward Elgar Publishing Limited. England.
Charemza, W.W. y Syczewska, E.M. (1998). Joint Application of the Dickey Fuller and KPSS tests. Mimeo. University of
Leicester, U.K.
Choi, I. (1994). Residual Based Tests for the Null of Stationarity with Applications to U.S. Macroeconomic Time Series.
Econometric Theory, 10. Pp. 720-746.
De Jong, D., Nankervis, J.C., Savin, N.E. y Whiteman, C.H. (1992). Integration Vs. Trend Stationary in Time Series.
Econometrica, 60, 1992.
Dickey, D. A. (1976). Hypothesis Testing for Non-Stationary Time Series. Sin publicar. Universidad del Estado de Iowa.
Dickey, D. A. y Fuller, W.A. (1979). Distribution of the Estimates for Autoregresive Time Series with a Unit Root. Journal of the
American Statistical Association, 74, pp. 427-431.
------. (1981). Likelihood Ratio Statistics for Autoregresive Time Series with a Unit Root. Econometrica, 49, pp. 1057-1072
Dickey, D.A., Hasza, D.F. y Fuller, W.A. (1984). Testing for Unit Roots in Seasonal Time Series. Journal of American Statistical
Association, 79. Pp.355-367.
Dickey, D. A. y Pantula, S. (1987). Determining the Order of Differencing in Autorregresive Processes. Journal of Business and
Economic Statistics, 15, pp. 455-461
Diebold, F.X. Rudebusch, G.D. (1989). Long Memory and Persistence in Aggregate Output, Journal of Monetary Economics, 24,
pp. 189-209.
Dolado, J., Jenkinson, T. y Sosvilla - Rivero, S. (1990). Cointegration and Unit Rots: A Survey. Servicio de Estudios, Banco de
Espaa. Documento de trabajo 9005.
Durbin, J. y Watson, G.S. (1950). Testing for Serial Correlation in least-squares regression I. Biometrika, 37(3-4), pp. 241-247.
Durlauf, S. y Phillips, P.C.B. (1988): Trends versus Random Walks in the Time Series Analysis. Econometrica, 56, pp. 13331354.
Engle, R.F., Granger, C.W.J. (1987). Cointegration and Error Correction: Representation, Estimation and Testing. Econometrica,
55, pp.251-276
------. (1991) editores. Long Run Economic Relationships. Oxford University Press.
Engle, R.F., Granger, C. y Hallman, J. (1988): Merging Short- and Long Run Forecasts: An application of Seasonal CoIntegration to Monthly Electricity Sales Forecasting. Journal of Econometrics, 40, pp. 45-62.
Enders, W. (1995). Applied Econometric Times Series. John Wiley & Sons, Inc. United States.
Franses, P.H. (1991). Model Selection and Seasonality in Time Series. Tinbergen Institute Series, 18.

Fuller, W.A. (1976). Introduction to Statistical Time Series. John Wiley. Nueva York.
Geweke, J. Y Porter-Hudak, S. (1983). The Estimation and Application of Long Memory Times Series Models. Journal of Time
Series Analysis, 4, pp. 221-238
Granger, C.W.J. (1977). Forecasting Economic Time Series. Academic Press Inc., New York
------. (1986). Forecasting Economic Time Series. 2 Edicin. Academic Press Inc., Orlando.
Granger, C.W.J. y Joyeux, R. (1980). An Introduction to Long Memory Time Series Models and Fractional Differencing. Journal
of Time Series Analysis, 1, pp. 15-29.
Granger, C.W.J. y Newbold, P. (1974). Spurius Regressions in Econometrics. Journal of Econometrics, 2, pp. 111-120.
Hall, A. (1989). Testing for Unit Root in the Presence of Moving Average Errors. Biometrika, 79, pp.49-56.
Hamilton, J. D. (1994). Time Series Analysis. Princetown University Press.
Hasza, D.P. y Fuller, W.A. (1982). Testing for Nonstationary Parameter Specifications in Seasonal Time Series Models. Annals of
Statistics, 10, pp.1209-1216.
Hobijn, B., Franses, P.H. y Ooms, M. (1998). Generalisations of the KPSS-Test for Stationarity. Econometric Institute Report
9802. Erasmus University Rotterdam.
Hosking, J.R.M. (1981). Fraccional Differencing, Biometrika, 68, pp. 165-176.
Hylleberg, S. (1986). Seasonality in Regressions. Academic Press Inc.
------. (1992). Modelling Seasonality. Oxford University Press.
------. (1995). Tests for Seasonal Unit Roots. General to Specific or Specific to General?. Journal of Econometrics, 69, pp. 5-25.
Hylleberg, S., Engle, R.F., Granger, C.W.J. y Yoo, B.S. (1990). Seasonal Integration and Co-Integration. Journal of
Econometrics, 44, pp. 215-228.
Hylleberg, S., y Mizon (1989). A Note on the Distribution of the Least Squares Estimator of a Random Walk with Drift.
Economic Letters, 29, pp. 169-210.
Kwiatkoski, D., Phillips, P.C.B., Schmidt, P.J. y Shin, Y. (1992). Testing the Null Hypothesis of Stationarity Against the
Alternative of a Unit Root: How Sure Are We That Economic Series Have a Unit Root?. Journal of Econometrics, 56, pp.285-302.
Lee, J. (1996). Minimum Statistics Testing for a Stationarity in the Presence of a Structural Break. Working Paper 97-W03.
Department of Economics and Business Administration. Vanderbilt University.
Lee, J., Huang, Cl.J. y Shin, Y. (1997). On Stationarity Test in the Presence of Structural Break. Economic Letters, 55, pp.165172.
Leybourne, S.J y McCabe, B.M.P. (1994a). A Consistent test for Unit Root. Journal of Business & Economic Statistics, Vol. 12,
2, pp. 157-166.
Ljung, G.M. y Box, G.E.P. (1978). On a measure of Lack of Fit in Time Series Models. Biometrika, 65, pp. 297-303.
Lo, A.W. (1991). Long Term Memory in Stock Market Prices. Econometrica, 59, pp. 1279-1313
Lumsdaine, R.L. y Papell, D.H. (1997). Multiple Trend Breaks and the Unit Root Hypothesis. The Review of Economics and
Statistics, 79, 212-218.
MacKinnon, J.G. (1991). Critical Values for Cointegration Tests. Captulo 13 de Long Run Economic Relationships: Readings in
Cointegration, editado por R.F. Engel y C.W.J. Granger. Oxford University Press.
Mandelbrot, B.B. (1969). Long-Run Linearity, Local Gaussian Process, H-Spectra, and Infinite Variances. International
Economic Review, 10, pp. 82-111.
------. (1972). Statistical Methodology for Nonperiodic Cycles: From the Covariance to R/S Analysis. Annals of Economic and
Social Measurement, 1/3, pp. 259-90.
Mills, T.C. (1990). Time Series Techniques for Economists, Cambridge University Press.
------. (1993). The Econometric modelling of Financial Time Series. Cambridge University Press
Molinas, C. et al. (1986). A note on Spurious Regression with Integrated Moving Average Errors. Oxford Bulletin of Economics
and Statistics, 48, 3, pp. 279-282.
Nabeya, S.I. y Tanaka, K. (1989). Asymptotic Theory for a Test for the Constancy of the Regression Coefficients Against the
Random Walk Alternative. Annals of Statistics, 16, pp. 218-235.

Newbold, P. y Davies, N. (1978). Error miss-specification and spurious regressions. International Economic Review,7, pp. 513519.
Newey, W.K. y West, K.D. (1994). Automatic lag Selection in Covariance Matrix Estimation. Review of Economic Studies
Limited, 64, pp. 631-653.
Noriega-Muro, A.E. (1993). Nonstationarity and Structural Breaks in Economic Time Series. Averbury. Aldershot.
Novales, A. (1993). Econometra. Mc Graw Hill. Madrid
Osborn, D. (1988). Seasonality and Habit Persistence in a Life Cycle Model of Consumption. Journal of Applied Econometrics, 3,
pp. 255-66.
Otero, J.M. (1993). Econometra: Series temporales y prediccin. AC. Madrid
Park, J.Y. (1990). Testing for Unit Roots and Cointegration by Variable Addition. A Fomby, T.B. y Rhodes, G.F. (1990) editors:
Advances in Econometrics: Co-Integrations, Spurius Regressions and Unit Roots. Jai Press Inc.
Perron, P. (1988). Trends and Random Walks in Macroeconomic Times Series: Further Evidence from a new Approach. Journal
of Economics Dynamics and Control,12, pp. 297-332.
------. (1989). The Great Crash, the Oil Price Shock, and the Unit Root Hypothesis. Econometrica, 57, pp. 1361-1401.
Phillips, P.C.B. (1986). Understanding Spurius Regressions in Econometrics. Journal of Econometrics, 33, pp. 311-340.
------. (1987). Time Series Regression with a Unit Root. Econometrica, 55, pp. 277-301.
Phillips, P.C.B, y Perron, P. (1988). Testing for a Unit Root in Time Series Regression. Biometrika, 75, pp. 335-346.
Plosser, C.I. y Schwert, G.W. (1978). Money Income and Sunspots: Measuring economic relationships and the effects of
differencing. Journal of Monetary Economics, 4, pp. 637-660
Rappoprt, P. y Reichlin, L. (1989). Segmented Trends and Non-Stationary Time Series. The Economic Journal, 99, pp. 168-177.
Said, S. Y Dickey, D.A. (1984). Testing for Unit Roots in Autorregresive-Moving Average Models with Unknown Order.
Biometrika, 71, pp. 599-607.
Saikkonen, P. y Luukonen, R. (1993). Testing for a Moving Average Unit Root in Autorregresive Integrated Moving Average
Models. Journal of the American Statistical Association, 88, pp.596-601.
Sargan, J. y Bhargava, A. (1983). Testing Residual from Least Squares Regressions for Being Generated by the Gaussian Random
Walk. Econometrica, 51, pp. 153-174.
Schwert, G.W. (1987). Effects of Model Specification on Test for Unit Root in Macroeconomic Data. Journal of Monetary
Economics, 20, pp. 73-103.
------. (1989). Test for Unit Roots: A Monte Carlo Investigation. Journal of Business and Economic Statistics, 7, 2, pp. 147-159.
Suriach, J., Arts, M., Lpez, E. Y Sans, A. (1995). Anlisis econmico regional. Nociones bsicas de la teora de la
cointegracin. Antoni Bosch Editor. Barcelona.
Tanaka, K. (1990). Testing for a Moving Average Unit Root. Econometric Theory, 6, pp.433-444.
Tiao, G. Y Grupe, M. (1980). Hidden Periodic Autorregresive-Moving Average Models in Time-Series Data. Biometrika, 67,
365-373.
Valdero, E. (1998). An Application of a Time Series Inequality to the Detection of Non-Invertible Moving Average Processes.
Documents de Treball E98/24 de la Divis de Cincies Jurdiques, Econmiques i Socials.
Wold, H. (1938). A Study in the Analysis of Stationary Times Series. Stockholm: Almqvist and Wiksell.
Yule, G.U. (1926).Why do we sometimes get nonsense correlations between time series?. Journal of the Royal Statistical Society,
89, pp. 1-64.