MODELOS ARIMA:

(ii) Anlisis de estacionariedad de una serie

Prof. Rafael de Arce www.uam.es/rafael.dearce

Prof. Ramn Maha www.uam.es/ramon.mahia
Dpto. Economa Aplicada
U.D.I. Econometra e Informtica

II.1.- INTRODUCCIN
Las etapas que habitualmente implica la estimacin de un modelo ARIMA son:
1. Anlisis de la estacionariedad de la serie:
a. Estacionariedad en media:
i. Deteccin: presencia de tendencias deterministas (no estacionariedad
en media) por observacin grfica
ii. Correccin: aplicacin de filtros de tendencia
b. Estacionariedad en varianza:
i. Deteccin: aplicacin de tests de Races Unitarias
ii. Correccin: integracin de la serie
2. Anlisis de la estacionalidad de la serie estacionaria y eventual filtrado de la
estacionalidad
3. Identificacin de la estructura ARIMA para la serie estacionaria y (eventualmente
filtrada de estacionalidad)
4. Estimacin de los parmetros del modelo ARIMA
Este texto se centrar en el primero de los puntos entendiendo que la cuestin de la
estacionalidad ha sido ya analizada con anterioridad en asignaturas introductorias a la econometra
y dejando las cuestiones relativas a la identificacin y la estimacin para un tercer documento.
II.2.- ESTACIONARIEDAD DE LAS SERIES I: Estacionariedad en MEDIA
El anlisis practico de la estacionariedad de las series temporales
Queda clara que la aproximacin a los procesos estocsticos con modelos AR o MA est
restringida, en trminos generales, a aquellos procesos estocsticos que cumplan, al menos de
forma dbil, la condicin de estacionariedad1. As pues debemos analizar la estacionariedad de las
series temporales analizadas antes de proceder a la identificacin de la estructura del proceso
estocstico AR MA.
Cmo verificamos si la serie a analizar es estacionaria en media?
La no estacionariedad en media recibe vulgarmente el nombre de tendencia aunque,
tcnicamente, debera utilizarse el trmino tendencia determinista diferencindose de lo que ms
adelante denominaremos tendencia aleatoria. Identificar tendencias deterministas en las
series suele ser habitualmente muy sencillo: normalmente es suficiente observar el grfico de la
serie para diagnosticar si su valor medio se mantiene constante o, por el contrario, crece o decrece
con el tiempo.
Debe recordarse, no obstante, que cuado observamos la estacionariedad en media, nos
interesa la estabilidad de la serie en el medio plazo, independientemente de las variaciones de
corto plazo alrededor de esa tendencia. En este sentido, no debe considerarse como tendencia
1

La definicin de la estacionariedad se ha revisado en el documento previo Modelos ARIMA I

Definiciones bsicas.

determinista un cambio temporal en la media, una fluctuacin que parezca transitoria (Figura 1),
sino un cambio relevante y persistente en la serie que parezca dominar el valor a medio plazo de
la media (Figura 2).
Figura1: Serie SIN tendencia determinista
(Estacionaria en media )

Figura 2: Serie con tendencia determinista

(No estacionaria en media)

Para el analista, que necesita trabajar con series estacionarias en media, lo interesante es
poder aislar (conservar) esas variaciones eliminando exclusivamente el componente de cambio en
la media: a esta operacin se la denomina filtro de tendencia. En el grfico siguiente (en azul)
puede observarse como la serie original presenta una tendencia lineal creciente que puede ser
estimada (representada) con la lnea discontinua (tendencia); la serie corregida (filtrada) de
tendencia reproduce exactamente las mismas variaciones que la serie original pero sin mostrar
tendencia alguna.
Ejemplo de serie, estimacin de la tendencia y serie filtrada de tendencia

Cmo se genera la serie filtrada de tendencia?

Para realizar un filtro de tendencia, asumiremos simplemente que la tendencia (Tt) es un
componente que se agrega a la serie sin tendencia (YSTt) generando la serie original (Yt): es decir,

en el grfico anterior, la serie original (en azul) es la suma de los valores de la serie sin tendencia
(en rojo) ms los valores de la tendencia (lnea discontinua):
y t Tt YSTt

Para computar los valores de la tendencia en cada perodo basta con efectuar una
regresin simple de la serie en funcin de una variable de tiempo t (1,2,3,4,): el residuo de
esta regresin ser la serie filtrada de tendencia. La nica decisin a considerar ser el tipo de
funcin matemtica que mejor ajusta la tendencia de la serie (lineal, parablica, exponencial ...)
que sea ms conveniente; trabajaremos con la serie del residuo, que entonces no mostrara
tendencia y podremos decir que es estacionaria en media.
Algunos ejemplos de series con distintos tipos de tendencia: representacin grfica y funcin
matemtica a estimar

y i a tib ui

yi a bt ui

y i a b ln(t ) u i

y i a b t b t 2 ui

Sobre la eleccin del modelo de tendencia, conviene tener en cuenta algunas cautelas:
1. Debe priorizarse la sencillez en la seleccin del modelo de tendencia: sta debe slo
centrarse en la evolucin a medio plazo de la serie de modo que no es necesario que la
tendencia reproduzca exactamente cada movimiento a corto plazo. Un
comportamiento oscilante podra modelizarse, por ejemplo, con una funcin
sinusoidal pero, si este movimiento se produce alrededor de una media en sencilla
progresin creciente, bastar con proponer un modelo sencillo, montonamente
creciente, manteniendo el componente oscilatorio de la serie.
Ajuste de Tendencia Correcto (serie oscilante

Ajuste de Tendencia Incorrecto (tendencia

alrededor de una tendencia montonamente

creciente)

sobreparametrizada)

2. Si existen dudas sobre el modelo de tendencia a utilizar, pueden probarse

especificaciones alternativas (lineal Vs logartmica, potencial Vs exponencial, por
ejemplo) y utilizarse los resultados de la regresin (R 2, porcentaje de error absoluto
medio, contrastes t para los trminos incluidos en la regresin,.) con el fin de
valorar cul de las especificaciones ajusta mejor la evolucin de la serie
3. Las tendencias pueden ser compuestas, es decir, para un determinado perodo de
anlisis pueden combinarse distintos tipos de tendencias (primero lineal creciente,
luego lineal decreciente, por ejemplo)
4. Algunas tendencias pueden no ser lineales por lo que su estimacin con un modelo de
regresin lineal requerir la linealizacin previa de la funcin a estimar si no se
conocen mtodos de estimacin no lineales
5. En presencia de componentes estacionales conviene habitualmente eliminarlos antes
de proceder al anlisis de tendencia
En todo caso, una vez elegido el modelo de tendencia ms adecuado, el procedimiento de
filtrado es bien sencillo:
1. Se estima, conforme al modelo elegido, la regresin de la serie en funcin del tiempo:
En el ejemplo grfico de la pgina 2 de este documento, el ajuste lineal por MCO implica
estimar:
yt a bTt U t

resultando de la estimacin los siguientes parmetros:

y t 150 5Tt
t ) en tanto que la serie filtrada
2. La tendencia se corresponde con la serie estimada ( y

es simplemente el residuo de esta regresin, es decir, la serie original ( y t ) menos la

t ):
estimacin de la tendencia ( y

YST et y t y t y t 150 5Tt

II.3.- ESTACIONARIEDAD DE LAS SERIES II: Estacionariedad en VARIANZA

Definicin de la no estacionariedad en varianza. Porqu las series deben corregirse
de una varianza no estacionaria: el concepto de tendencias estocsticas
La principal caracterstica que define al componente tendencial es la de presentar
efectos permanentes sobre una serie temporal y t. En el apartado previo vimos series con un
componente tendencial claro, perfectamente, matemticamente determinado, conocido, series
que denominamos con tendencia determinista.
Si observamos algunas series con tendencia, por ejemplo en economa, podramos
caer en la tentacin de calificarlas entre aquellas con tendencias deterministas como las
anteriores; sin embargo, desde la teora econmica sera muy difcil justificar una tendencia
determinista: an existiendo componentes tendenciales importantes desde el punto de vista
terico, seguramente estos no seran de naturaleza determinista, perfectamente conocidos.
Es muy posible, por ejemplo, que la productividad tienda a crecer de forma natural en
la medida en que, con el paso del tiempo, se va produciendo la mejora tecnolgica de los
procesos productivos. Tambin es natural que el valor aadido nominal en servicios tienda a
crecer incluso de forma ligeramente exponencial, reemplazando la renta del sector primario, a
medida que una economa va alcanzando ciertos niveles de desarrollo. Sin embargo, ambos
procesos tericos no se producirn, con total seguridad, de una manera invariable, constante,
predecible, determinista, con el paso del tiempo.
Frente a la tendencia determinista surge por tanto la necesidad de definir un componente
tendencial, con efectos permanentes en la evolucin de la serie analizada, pero de naturaleza
estocstica. El caso ms simple de modelo con tendencia estocstica viene determinado por lo
que se conoce como un paseo aleatorio simple:
yt yt 1 t y t t

con t ruido blanco. La solucin a la anterior ecuacin2:

t

yt y0 i
i 1

expresin que permite comprobar que aunque el paseo aleatorio simple es un proceso
estacionario en media por definicin:
t

E yt E y0 i E y0 y0
i 1

presenta una varianza no constante, que se ampla con el paso del tiempo tendiendo a
infinito a medida que t tambin lo hace.

Si se requiere un mayor detalle en todo lo referente a la formulacin y solucin de ecuaciones en

diferencias de este tipo, puede acudirse al documento Formulacin y solucin de ecuaciones lineales en
diferencias con coeficientes constantes en el contexto del anlisis de series temporales, Documento de
Trabajo del Instituto L.R. Klein. Junio 1998, del mismo autor de este documento.

V yt E yt E yt E y0 i y0 E i
i 1

i1
2
2
2
2
E 1 2 ..... 1 2 1 3 ..... E 1 2 .... t2 t 2
2

Lo ms interesante del paseo aleatorio, si se observa la ecuacin de su solucin

recursiva, es que se observa claramente como cada uno de los shocks t pasados que la serie
recibi ( 0, 1, ... t-1, t) tiene sobre el valor actual y futuro de la serie un efecto
permanente, que no se diluye, y, por tanto, tendencial, pero al tiempo, de naturaleza
aleatoria.
El paseo aleatorio con deriva incorpora una constante a0 a la expresin del paseo
simple:
yt a0 yt 1 t y t a0 t

La expresin deriva se aplica con mucho criterio ya que el proceso as definido

experimentar una variacin constante definida por el trmino a 0 dado que la solucin genrica
a la anterior ecuacin responde a la expresin:
t

yt y0 a0t i
i 1

Despus de t perodos, el valor de yt se ve influido por todos los shocks pasados y

t

presentes a travs del trmino de tendencia estocstica

i 1

y , al mismo tiempo, de forma

invariable, tambin permanente, pero adems perfectamente conocida, por el trmino

determinista a0t .
A diferencia del proceso aleatorio simple, la deriva incluida en este otro modelo supone
que el proceso no slo no ser estacionario en varianza sino tampoco en media.
t

E yt E y 0 a0 t i E y 0 a0 t y 0 a0 t
i 1

V y t E y t E y t E y 0 a 0 t i y 0 a 0 t E i
i 1

i 1
2
2
2
2
2
E 1 2 ..... 1 2 1 3 .... E 1 2 .... t t 2
2

Como ya se vio en el tema relativo a la autocorrelacin, la utilizacin de series no

estacionarias incrementa el riesgo de regresiones espurias. Este fenmeno puede entenderse
directamente, sin conocimientos adicionales, si nos referimos a series con tendencia
determinista; tras la explicacin previa, puede entenderse tambin porqu el problema persiste
cuando utilizamos series con tendencia aleatoria, independientemente de si presentan tendencia
determinista (cambio en la media) o no.
Cmo se comprueba si una serie es estacionaria en varianza? Orden de
integracin

El anlisis grfico no es un instrumento vlido para la deteccin de tendencias

estocsticas. Este tipo de series no estacionarias en varianza, que pueden considerarse por tanto
series con tendencia, no tienen necesariamente una representacin grfica con cambios
evidentes en la media, ya que hablamos de no estacionariedad en varianza, no en media:
Ejemplo de representacin de un paseo aleatorio sin deriva
(serie con tendencia aleatoria)

Puede decirse que, en lo que se refiere al anlisis de la estacionariedad en varianza, el

anlisis grfico slo nos servir para identificar series sin componentes autorregresivos claros,
es decir, para identificar series de progresin aleatoria. Este tipo de series no
autocorrelacionadas cruzan constantemente la media sin dibujar ningn tipo de oscilacin que
ocupe varios perodos.
Ejemplo de serie sin componentes de autocorrelacin

Cuando encontramos este tipo de series, es muy probable que estemos ante una serie
estacionaria en varianza. Sin embargo, resulta arriesgado tratar de distinguir grficamente una
serie con un claro componente autorregresivo pero estacionario en varianza, es decir, un proceso
AR(p) (Figura 1), de un proceso autorregresivo no estacionario en varianza (Figura 2).
Figura1:
Proceso AR(2) estacionario en varianza

Figura 2:
Proceso AR(2) no estacionario en varianza

Sin duda alguna, el test ms sencillo y habitualmente utilizado a la hora de determinar la

estacionariedad de una serie temporal es el test de DickeyFuller (Test DF) o su versin
ampliada Dickey-Fuller Ampliado (Test ADF). Se trata de un contraste de No
estacionariedad, es decir, en el que la hiptesis nula es precisamente la presencia de una raz
unitaria3 en el proceso generador de datos de la serie analizada.
El test DF trata de verificar si una determinada serie y t sigue un paseo aleatorio no
estacionario o alternativamente un proceso autorregresivo estacionario de orden uno:
H0: a1=1 yt a0 yt 1 t (yt No estacionaria en varianza)
H1: a1<1 yt a0 a1 yt 1 t

(yt Estacionaria en varianza)

Se trata, por tanto, de contrastar si el coeficiente a 1 es igual a la unidad o menor que

uno. Debe observarse que las series no estacionarias conforme a un paseo aleatorio, presentan
una raz (solucin) unitaria en su polinomio de retardos. Efectivamente, en la expresin anterior,
correspondiente a la hiptesis nula, el polinomio de retardos resulta ser:

yt yt 1 t yt yt 1 t yt 1 L t
L 1 L

Cuya nica raz es, precisamente la unidad:

L 0 1 L 0 L 1

Esta es la razn por la que habitualmente decimos que las series no estacionarias en
varianza son series con races unitarias. Debe advertirse que, en el caso de procesos
autorregresivos de mayor orden, las series pueden presentar ms de una raz unitaria, lo que se
corresponde con la idea de que sus polinomios de retados (de orden superior a 1) tengan ms de
una nica raz igual a la unidad. Por ejemplo, en el caso de un AR(2), el polinomio de retardos
es:

yt 1 yt 1 2 yt 2 t yt 1 yt 1 2 yt 2 t yt 1 1 L 2 L2 t
L 1 1 L 2 L2

Ms adelante se explica el origen de este trmino de raz unitaria.

De modo que recordando la expresin genrica de las soluciones de un polinomio de

grado 2 tenemos un polinomio de retardos:

L 1 1 L 2 L2
cuyas races son:

1 42
r1 1
22
2

1 42
y r1 1
22
2

De donde puede deducirse que si los valores de 1 y 2 suman la unidad, ambas races
del polinomio de retardos seran iguales a la unidad:

1 1 42
2
2
2
1 1 4 2 22 1 1 4 2 2 2 1
22
2

r1

1 42 4 2 1 412 4 2 42 412 0 42 (1 2 1 ) 0
2

(1 2 1 ) 0 2 1 1
Para contrastar la nulidad del coeficiente a1 en el test ADF se realiza primero una
sencilla transformacin del modelo autorregresivo tratando de transformar la hiptesis nula a 1=1
en una hiptesis clsica t de nulidad del coeficiente.
As, del modelo: yt a0 yt 1 t
pasamos al transformado:
yt yt 1 a0 a1 yt 1 yt 1 t
y t a0 ( a1 1) yt 1 t
y t a0 yt 1 t

Donde, por tanto, la hiptesis nula inicial H 0:a1=1 se transforma ahora en H0: =0 frente
a H1: <0. Decir que es nulo es lo mismo que decir que a 1=1, o sea, que existe una raz
unitaria, decir que es menor que cero equivale a decir que a 1 es menor que la unidad (proceso
autorregresivo estacionario)4.
Una vez estimado el modelo previo, podramos suponer que el p-value correspondiente
al contraste t de Student sobre el parmetro servira para aceptar o rechazar la hiptesis de
nulidad; sin embargo, Dickey y Fuller demostraron que no podemos utilizar el contraste t
habitual sobre la ratio del parmetro MCO entre su desviacin estndar. La estimacin de
a1 en y t a1 y t 1 t ser siempre consistente pero, sin embargo, su distribucin variar segn
los valores que tome la estimacin. Utilizando las palabras de Novales (1993), la distribucin de
probabilidad asinttica del estimador de MCO del modelo AR(1) presenta una discontinuidad
cuando a1=1 y, como sustituto, debern utilizarse las distribuciones derivadas de forma emprica
mediante un procedimiento de Montecarlo realizado por Dickey (1976). Ms recientemente,
MacKinnon (1991) realiz un nmero mayor de simulaciones que las tabuladas por Dickey y
Fuller. Adems, MacKinnon estim la superficie de respuesta usando los resultados de la
simulacin, lo que permite calcular los valores crticos del test DF para cualquier tamao
muestral y cualquier nmero de variables en el lado derecho de la ecuacin.
4

No se considera el caso de procesos autorregresivos explosivos en que a1>1

10

En todo caso, el procedimiento de contraste sigue siendo aparentemente sencillo:

1.- Se estima el modelo y t a0 yt 1 t

2.- Se calcula la ratio habitual

DT
3.- Se compara el valor calculado con las distribuciones de DF o MacKinnon para un
determinado nivel de confianza.
4.- Si la ratio calculada supera el valor crtico de tablas, se rechaza la hiptesis de
nulidad de , es decir, se rechaza la hiptesis de presencia de races unitarias (hiptesis
de no estacionariedad)
Sin embargo, este procedimiento estndar presenta en este caso algunas peculiaridades.
Quiz la ms importante es que los valores crticos de las tablas DF o MacKinnon dependen de
la presencia en el modelo de trminos deterministas (trmino constante o tendencia
determinista). De ese modo, antes de proceder a contrastar el valor de debe optarse por una
de las tres especificaciones siguientes:
(a).- Con tendencia y trmino independiente. y t a0 a1t yt 1 t
(b).- Con trmino independiente. y t a0 yt 1 t
(c).- Sin trminos deterministas. y t yt 1 t
Dolado et al. (1990) y Perron (1990) propusieron, entre otros autores, seguir un proceso
en etapas a fin de garantizar el xito en la eleccin del modelo de referencia en el mayor nmero
de ocasiones:

En primer lugar se estimara el modelo menos restringido (con trmino constante y

tendencia determinista).

Dado que el principal error de esta tctica inicial consistira en la escasa potencia
del contraste para el rechazo de la hiptesis nula por inclusin de variables
irrelevantes, si los valores crticos indican rechazo (ausencia de raz unitaria),
terminaramos el procedimiento.

En el caso de no rechazarse la hiptesis nula de presencia de una raz unitaria, es

decir, en el caso en que admitamos la presencia de una raz unitaria (H 0: =0)
pasaramos ahora a examinar la significatividad del parmetro tendencial
determinista a1. Dado que, en este punto, estaramos bajo la hiptesis ya admitida de
que =0, utilizaramos el valor de referencia de las tablas DF para el trmino
tendencial (denominado generalmente )5 e incluso, para mayor seguridad,
tambin el contraste conjunto denominado 3 (a1==0).

Si el trmino tendencial resulta significativo (a 10) contrastaremos de nuevo la

presencia de una raz unitaria (H 0: =0) pero utilizando entonces las tablas de una

Por simplicidad expositiva, hemos utilizado en clase para el contraste del trmino tendencial
determinista, de forma aproximada, el valor del p-value correspondiente a la t de Student asumiendo
el carcter aproximado del resultado. En todo caso, la presencia de trminos tendenciales deterministas
debera poder observarse grficamente con relativa sencillez de modo que podra haberse filtrado la
serie con carcter previo al anlisis de races unitarias.

11

normal estandarizada. Sea cual sea el resultado del test con las nuevas tablas
finalizaramos aqu el contraste admitiendo o rechazando la presencia de una raz
unitaria.

Si el trmino tendencial es no significativo, deber replantearse el modelo

inicialmente estimado pasndose a examinar otro con trmino constante pero sin
esta tendencia determinista. Con este modelo se vuelve a analizar la presencia de
una raz unitaria (=0).

En el caso en que, nuevamente, se sostenga la presencia de una raz unitaria, se

contrastar entonces la adecuacin del trmino independiente a 0 bien con el
contraste , bien con el contraste conjunto denominado 1 (a0==0) 6. Si el trmino
independiente resulta significativo usamos de nuevo las tablas de una normal para
contrastar la presencia de la raz unitaria, concluyendo de nuevo aqu el contraste.

Slo si entonces la constante a0 es no significativa se utiliza el modelo ms simple

como modelo de referencia contrastndose, de nuevo, la presencia de raz unitaria.
En este caso, no tiene cabida el uso de la distribucin normal estandarizada.

Nuevamente en este caso, al igual que en el de la tendencia determinista, hemos utilizado en clase para
el contraste del trmino independiente el valor del p-value correspondiente a la t de Student
asumiendo el carcter aproximado del resultado.

12

En el caso de encontrar una raz unitaria en la serie analizada, cabe preguntarse qu

transformacin requiere la serie para convertirse en una serie estacionaria en varianza.
Observando el caso de un paseo aleatorio simple utilizado en la hiptesis nula, parece sencillo
intuir que, si la serie original presenta una raz unitaria, la serie en primeras diferencias ser una
transformada estacionaria en varianza:
yt a0 yt 1 t yt a0 t

Las series que requieren una transformacin en diferencias (integracin) para

convertirse en series estacionarias en varianza se denominan series Integradas de Orden 1,
y se representan como I(1). Si de una serie se dice que es I(0) es evidente que no son
necesarias diferencias para lograr la estacionariedad, es decir, que la serie original ya es
estacionaria en varianza.
Puede una serie ser I(2) I(3)?. Es decir, puede una serie tener ms de una raz
unitaria?. Efectivamente, ya vimos anteriormente que en procesos autorregresivos de orden
superior a uno cabe la posibilidad de que exista ms de una raz unitaria. As pues, una vez
detectada la primera raz de una serie, debe repetirse de nuevo el test DF sobre la serie
diferenciada una vez, con el fin de localizar una segunda raz. En el caso de que el test DF
detectase esa segunda raz, la serie sera entonces I(2), es decir, necesitara ser diferenciada 2
veces para convertirse en estacionaria en varianza:

yt I (1) yt I (0)

yt I (2) yt I (1) yt 2 yt I (0)

Efectivamente, cuando una serie que sigue un proceso AR(2), por ejemplo:
yt 1 yt 1 2 yt 2 t

presenta dos races unitarias, su polinomio de retardos puede descomponerse

factorialmente en:

L 1 1 L 2 L2 L 1 L 1 L
De modo que la serie original Yt:
yt 1 yt 1 2 yt 2 t
puede representarse como una serie estacionaria mediante la expresin:

Yt L a0 t
o lo que es igual,

yt L a0 t y y 1 L 1 L a0 t 2 yt a0 t

La presencia de ms de una raz unitaria en una serie exige que el proceso generador de
datos sea de orden superior a uno dado que de otra forma el polinomio de retardos slo puede
tener una nica raz; sin embargo, el test DF slo contempla la posibilidad de una modelo AR(1)
frente aun paseo aleatorio (de orden 1). Para dar cabida a modelos de orden superior (tanto en la
hiptesis nula como en la alternativa), se propone una versin extendida del test DF que se
conoce como test ADF. Para ilustrar el modelo de contraste del test ADF, supongamos un
modelo AR(2) como base del proceso autorregresivo del que se desea analizar la
estacionariedad:

13

yt a1 yt 1 a2 yt 2 t

En este caso, vimos anteriormente como la presencia de races unitarias se corresponda

con la situacin en la que:

a2 a1 1
de modo que lo que debemos ahora contrastar con el test DF no es ya el valor de uno de
los dos coeficientes sino el de la suma de ambos. Es decir, en este caso, las hiptesis nula y
alternativa se definen del siguiente modo:
H0: a1+ a2=1 yt a0 a1 yt 1 a2 yt 2 t (yt No Estacionaria en varianza)
H0: a1+ a2<1 yt a0 a1 yt 1 a2 yt 2 t (yt Estacionaria en varianza)
Una vez ms, para adaptar el test a una hiptesis clsica de nulidad de un coeficiente, se
propone la expresin:
p

yt a0 yt 1 i yt i1 t
i 2

Donde nuevamente, la hiptesis nula a contrastar es H 0: =0 frente a H1: <0 dado que
no resulta complejo demostrar que el coeficiente es:

siendo:

1 ai
i 1

i a j
j 1

As pues, como puede observarse, la presencia de ms de una raz unitaria en una serie
exigir aadir a la regresin del test simple DF trminos retardados de la endgena yt i 1 lo
que, por otro lado, servir para corregir la regresin de contraste de posibles problemas de
autocorrelacin.