03 Pruebas Raices Unit

1
Prof. Adri Prof. Adri n Fern n Fern ndez ndez

CURSO METODOS CUANTITATIVOS AVANZADOS CURSO METODOS CUANTITATIVOS AVANZADOS - -
Opci Opci n Econometr n Econometr a a
Edici Edici n 2009 n 2009
PRUEBAS DE PRUEBAS DE
RAICES UNITARIAS RAICES UNITARIAS
PRUEBAS DE RAICES UNITARIAS PRUEBAS DE RAICES UNITARIAS
Estimacin de - procesos ESTACIONARIOS
Estimacin de - procesos NO ESTACIONARIOS
Prueba de Dickey - Fuller
Prueba de Phillips Perron
Conclusiones
2
Se sigue a Hamilton (1994)
Consideremos el caso de un AR(1):
=
=
=
= = +
=
s t
s t
COV
E
con
x n t
t t
x
t
x
s t
t
t
0

) (
0 ) (
blanco ruido
0 ,..., 2 , 1
1
2
0

(I)
Supongamos ||<1 lo que asegura la estacionariedad en sentido amplio
(o estacionariedad en covarianza) de x
t
.
Estimaci Estimaci n de n de procesos estacionarios procesos estacionarios
La estimaci La estimaci n por MCO de n por MCO de es: es:
+ = =
n
t
n
t t
n
t
n
t t
x
x
x
x x
1
2
1
1
1
1
2
1
1
1

Este resultado es vlido para todo (an = 1)
Dado que tenemos un regresor estocstico:
(II)
)
( E
Adems, el estimador de tiene un sesgo de sub-
estimacin.
3
Propiedades en el l Propiedades en el l mite del estimador mite del estimador. .
Se considera la Se considera la transformaci transformaci n estabilizadora n estabilizadora , que evita , que evita
que la distribuci que la distribuci n en el l n en el l mite sea degenerada. mite sea degenerada.
[ ] [ ] B A

(
=
=
n
t t t
n
t
n
t t
n
t
n
t t
n
t
n
t t
n
x
n
x
n
x
n
x
n
x
x
n
n
x
x
n n
1
1
1
2
1
1
2
1
1
1
1
2
1
1
1
1
2
1
1
1
1 1
1
1 1
)

T T rmino [A]: rmino [A]:
) ; 0 (
1

0
2
1

N x
n
t t
|
|
\
|

0
2
; 0 )

N n
n
0
1
2
1 0
2
1
1
1
lim
1
lim
=
(
t t
x
n
p x
n
p
A partir de estos resultados, se tiene que: A partir de estos resultados, se tiene que:
T T rmino [B]: rmino [B]:
4
ESTIMACI ESTIMACI N DE N DE - - PROCESOS ESTACIONARIOS PROCESOS ESTACIONARIOS
Para un modelo AR(1) se tiene que: Para un modelo AR(1) se tiene que:
Una distribuci Una distribuci n no degenerada (con varianza NO n no degenerada (con varianza NO
nula) lo que prueba la necesidad de una nula) lo que prueba la necesidad de una
transformaci transformaci n estabilizadora. n estabilizadora.
( ) ) 1 ( ; 0 )
(
) 1 (
2
2
2
0

=
N n
n
ESTIM. DE ESTIM. DE - - PROCESOS NO ESTACIONARIOS PROCESOS NO ESTACIONARIOS
Caso m Caso m s simple s simple - - Caminata al azar sin constante: Caminata al azar sin constante: = 1 = 1
) , ~N(
t
x n t
t t
x
t
x
2
0 con 0
0
..., , 2 , 1

1
= =
+
=

) ( ... ) ( ) (
0 ) ( ... ) ( ) ( ) (
2
0
2
1
2
1
0 2 1
t ) V(x
x V t x V x V ) V(x
x E x E x E x E
t
t t t t
t t t

=
+ = = + = + =
= = = = =

(III)
Este resultado determina que la transformaci Este resultado determina que la transformaci n estabilizadora n estabilizadora
sea del orden de n y no de sea del orden de n y no de
n
5
Propiedades del Estimador Propiedades del Estimador
En el caso de En el caso de = 1, el estimador de = 1, el estimador de cumple: cumple:
[ ] [ ] B A
1
1
1
2
1
1
1
1
2
1
1
1

= =

n
t
n
t t n
t
n
t t
n
x x
x
x
(IV)
T T rmino A, observemos que: rmino A, observemos que:
( )
( )
( )

= =
=
(
=
= =

n
t n
n
t n
n n
t t t
n
t t t
n
t t
x x x
x x
x x x
1
2 2
1
2 2
0
2
1 1
2 2
1
2
1
2 2
1
2
1
1
2
1
2
1
2
1
2
1
2
1
2
1

( ) ( )
2 2
1
2
1
2
1
2
1
2
1
2
2
1
2
t t t t t t t t t t t t
x x x x x x x = + + = + =

ya que ya que x x
0 0
= 0. = 0.

=

n
t n
n
t t
x x
1
2 2
1
1
2
1
2
1

(V)
6
T T rmino B. Observemos que: rmino B. Observemos que:
ya que por suma de n ya que por suma de n meros meros
naturales. naturales.
( ) ( )
2
) 1 (
) 1 ( ) 1 (
2
1
2
1
2
1
2
1
1
2
1
n n
t t x E x E
n n n
t
n
t

2
) 1 (
) 1 (
1
n n
t
n

Para el proceso AR(1) estacionario se analiz Para el proceso AR(1) estacionario se analiz la la
distribuci distribuci n de n de
La transformaci La transformaci n estabilizadora tiene por tanto un n estabilizadora tiene por tanto un
orden orden
Para un proceso de caminata al azar, donde la Para un proceso de caminata al azar, donde la
transformaci transformaci n estabilizadora es de orden n estabilizadora es de orden n n , es , es
necesario analizar la distribuci necesario analizar la distribuci n en el l n en el l mite de mite de
n
) 1
(
n
n
)
(
n
n
7
Distribuci Distribuci n en el l n en el l mite de mite de
A partir de A partir de (IV): (IV):
El numerador de El numerador de (VI) (VI) es, de acuerdo a es, de acuerdo a (V) (V): :
Dividiendo ambos miembros por Dividiendo ambos miembros por
2 2
: :
) 1
(
n
n
( )
n
t
n
t t
n
x
n
x
n
n
1
2
1 2
1
1
1
1
1

n
t n
n
t t
n
x
n
x
n
1
2 2
1
1
2
1
2
1 1

|
|
\
|
=
n
t
n
n
t t
n n
x
x
n
1
2
2
2
1
1 2
1
2
1
2
1 1

(VI)
A partir de A partir de (III) (III) y de la esperanza y varianza y de la esperanza y varianza
deducidas: deducidas:
Adem Adem s s
) ; 0 ( ~
2
n N x
n
2
1
2
~ y N(0,1) ~

|
|
\
|
n
x
n
x
n n

=
n
t
n
P
t
n
p
n
1
2 2
1
2 2
1
lim
1

) 1 (
2
1 1
2
1
1
1 2

n
t t
x
n
8
n( n( 1) sigue una distribuci 1) sigue una distribuci n n til no degenerada. til no degenerada.
El numerador contiene una expresi El numerador contiene una expresi n que se n que se
distribuye distribuye
2 2
y el denominador una distribuci y el denominador una distribuci n n
no est no est ndar. ndar.
Como P( Como P(
2 2
1 1
< 1) = 0,68 => P ( < 1) = 0,68 => P (
2 2
1 1
1 < 0) = 0,68 1 < 0) = 0,68
n

Como el denominador es mayor que 0, Como el denominador es mayor que 0, P[n P[n( ( 1)]<0 se 1)]<0 se
aproxima a 0,68 cuando aproxima a 0,68 cuando n n es grande. es grande.
En 2/3 de las muestras grandes generadas por En 2/3 de las muestras grandes generadas por
una caminata al azar la estimaci una caminata al azar la estimaci n de n de ser ser
menor al verdadero valor 1. menor al verdadero valor 1.
n
9
Prueba de Prueba de Dickey Dickey- -Fuller Fuller
Caminata al azar sin deriva. Prueba de hip Caminata al azar sin deriva. Prueba de hip tesis. tesis.
=
=
=
= =
+
=
s t
s t
)
s
t
COV(
)
t
E(

t
x ,...,n , t
t
t
x
t
x
0
2
0
blanco ruido con
0
0
2 1
1
1 :
1 :
1
0
<
=
H
H
Por el sesgo
del estadstico
Se plantean 2 estad Se plantean 2 estad sticos para la prueba: sticos para la prueba:
El estad El estad stico stico
La llamada La llamada seudo t seudo t : :
donde s donde s
2 2
n n
es la estimaci es la estimaci n de la n de la vza vza de las perturbaciones: de las perturbaciones:
) 1
(
n
n
=
n
t
t n
n n n
n
x s
ES
t
1
2
1
2
1
(
1
1
)
(
1
2
1
2

=
=

n
x x
s
n
t
t t
n

10
Los 2 estad Los 2 estad sticos, dada H sticos, dada H
0 0
, no siguen distribuciones , no siguen distribuciones
est est ndares. ndares.
DF aplicando pruebas de Montecarlo calculan los valores DF aplicando pruebas de Montecarlo calculan los valores
cr cr ticos para distintos tama ticos para distintos tama os de muestra y niveles de os de muestra y niveles de
significaci significaci n. n.
A continuaci A continuaci n ejemplo de deducci n ejemplo de deducci n (programa n (programa EViews EViews). ).
Se parte del modelo Se parte del modelo x x
t t
= = x x
t t- -1 1
+ +
t t
con t=1, 2, con t=1, 2, , 100, , 100,
x x
0 0
=0 y =0 y
t t
~N(0,1) ~N(0,1)
Se determinan los valores de la prueba de DF exclusivamente Se determinan los valores de la prueba de DF exclusivamente
con la hip con la hip tesis H tesis H
0 0
: : = 1 para el modelo x = 1 para el modelo x
t t
= = x x
t t- -1 1
+ +
t t
create u 101
vector(1000) phi
vector(1000) secoef
genr x = 0
for !j=1 to 1000
smpl @all
genr epsi = nrnd
smpl 2 101
genr x = x(-1) + epsi
equation pepe.ls x x(-1)
phi(!j) = @coefs(1)
secoef(!j) = @stderrs(1)
next
11
Ejemplo (Hamilton): Ejemplo (Hamilton):
Notas del Tesoro americano, 3 meses plazo, datos entre Notas del Tesoro americano, 3 meses plazo, datos entre
1947 1947- -2 y 1989 2 y 1989- -1. n 1. n=168 =168
Estimaci Estimaci n n por MCO: por MCO: i i
t t
= 0,99694 = 0,99694 i i
t t- -1 1
(0,010592) (0,010592)
De De donde donde
= 168( = 168(0,99694 0,99694 1) = 1) = - - 0,51 0,51
Prueba Prueba de Hip de Hip tesis tesis
) 1
(
n
n
1
1
<
=
:
:
1
0
H
H Valor Crtico: -7,9 para nivel de significacin del
5% y n = 100. Como - 0,51 > -7,9 no Rech H
0
Slo con ^0,953 se rech. H
0
ya que 168*(0,9531)=-7,9
Especificaciones Especificaciones del Test DF del Test DF - - 3 3 Modelos Modelos
En En todos todos los los casos casos
Para Para cada cada modelo modelo se se construyen construyen las las tablas tablas siguiendo siguiendo el el mismo mismo
procedimiento procedimiento. As . As para n para n= 100, los = 100, los Valores Valores Cr Cr ticos ticos para para
cada modelo son: Modelo A: cada modelo son: Modelo A: - -1,61, 1,61, Modelo Modelo B: B: - -2,58 y 2,58 y
Modelo Modelo C: C: - -3,1 3,1
t t t
t t t
t t t
x t x C
x x B
x x A

+ + + =
+ + =
+ =
1
1
1
) (
) (
) (
1
1
<
=
:
:
1
0
H
H
12
Ejemplo (Hamilton): Ejemplo (Hamilton):
Notas del Tesoro americano, n Notas del Tesoro americano, n=168 =168
Estimaci Estimaci n n por MCO: por MCO: i i
t t
= 0,211 + 0,96691 = 0,211 + 0,96691 i i
t t- -1 1
(0,112) (0,0191) (0,112) (0,0191)
= 168 * ( = 168 * (0,99691 0,99691 1) = 1) = - - 5,51 5,51
Prueba Prueba de Hip de Hip tesis tesis
) 1
(
n
n
1
1
<
=
:
:
1
0
H
H
Valor Crtico: -2,58 para n. de s. del 5% y n=100.
Especificaci Especificaci n n alternativa alternativa
Las Las hip hip tesis tesis son: son:
t t t
t t t
t t t
x t x C
x x B
x x A

+ + + =
+ + =
+ =
1
1
1
) (
) (
) (
0 :
0 :
1
0
<
=
H
H
13
Pruebas conjuntas Pruebas conjuntas
Puede tener inter Puede tener inter s, suponiendo la especificaci s, suponiendo la especificaci n (B), n (B),
plantearse la siguiente hip plantearse la siguiente hip tesis a testear: tesis a testear:
u otras combinaciones de par u otras combinaciones de par metros. metros.
Por los procedimientos ya vistos se construyen tablas para Por los procedimientos ya vistos se construyen tablas para
estas pruebas conjuntas. estas pruebas conjuntas.
Si Si < 1 se rechaza la hip < 1 se rechaza la hip tesis de ra tesis de ra z unitaria y las z unitaria y las
pruebas para pruebas para , , , etc. se transforman en pruebas , etc. se transforman en pruebas t t
est est ndares. ndares.
1 o 0 :
1 0, :
1
0
<
= =

H
H
Modelo B Modelo B sico es AR (p sico es AR (p+1), en +1), en vez vez de un AR(1): de un AR(1):
Interesa Interesa saber saber si si el el proceso proceso incluye incluye una una ra ra z z unitaria. unitaria.
Es decir, si: Es decir, si:
donde tiene sus ra donde tiene sus ra ces fuera del c ces fuera del c rculo unidad. rculo unidad.
Prueba de Prueba de Dickey Dickey- -Fuller Fuller - - DF aumentado (ADF) DF aumentado (ADF)
t t
P
P t p
x L L L x L = =
+
+ +
) ... 1 ( ) (
1
1
2
2 1 1
t t p t p
x L L x L = =
+
) ( ) 1 ( ) (
*
1
*
p
14
Reformulaci Reformulaci n del Modelo B n del Modelo B sico: sico:
An An logamente para los modelos B y C. logamente para los modelos B y C.
Los estad Los estad sticos son los mismos que en el sticos son los mismos que en el test test de de
D D- -F. F.
t p t p t t t t
x x x x x + + + + + =

*
2
*
2 1
*
1 1
...
Prueba de Prueba de Dickey Dickey- -Fuller Fuller - - DF aumentado (ADF) DF aumentado (ADF)
Estructura MA (q) y Test DF Estructura MA (q) y Test DF
Si el PGD es un AR (p), se aplica ADF. La Si el PGD es un AR (p), se aplica ADF. La
pregunta es c pregunta es c mo se testea si el modelo mo se testea si el modelo modelo modelo
incluye una estructura de medias m incluye una estructura de medias m viles. viles.
Todo Arima (p,1,q) puede aproximarse por un Todo Arima (p,1,q) puede aproximarse por un
AR de orden finito. AR de orden finito.
Said y Said y Dickey Dickey proponen aplicar el ADF como un proponen aplicar el ADF como un
AR(s AR(s) escogiendo como s = ) escogiendo como s =
3 3
n; se aplican los n; se aplican los
tests anteriores a un AR(s) tests anteriores a un AR(s)
15
Pruebas de Pruebas de I(d I(d) con d>1 ) con d>1
Se realizan las pruebas en orden. Se conjetura Se realizan las pruebas en orden. Se conjetura
el orden el orden m m ximo ximo de integraci de integraci n de la serie n de la serie
(d*) y se comienza realizando las pruebas de (d*) y se comienza realizando las pruebas de
D D- -F sobre la serie diferenciada d* veces. F sobre la serie diferenciada d* veces.
En el caso que se rechace Ho se hace la prueba En el caso que se rechace Ho se hace la prueba
con la serie diferenciada d* con la serie diferenciada d*- -1. 1.
Se aplican las mismas tablas de D Se aplican las mismas tablas de D- -F. F.
Phillips Phillips(1987), y (1987), y Phillips Phillips y y Perron Perron(1988) realizan (1988) realizan
una extensi una extensi n a las pruebas de n a las pruebas de Dickey Dickey- -Fuller Fuller
permitiendo DGP m permitiendo DGP m s generales. s generales.
D D- -F construyen sus pruebas suponiendo ruidos F construyen sus pruebas suponiendo ruidos
blancos para sus modelos. La prueba de blancos para sus modelos. La prueba de Dickey Dickey- -
Fuller Fuller Aumentado (ADF) permite la generalizaci Aumentado (ADF) permite la generalizaci n n
a un modelo con un polinomio a un modelo con un polinomio AR(p AR(p+1) con +1) con
eventualmente una ra eventualmente una ra z unitaria. z unitaria.
Las pruebas de D Las pruebas de D- -F pueden ampliarse en dos F pueden ampliarse en dos
l l neas: admitiendo que el ruido sigue un proceso neas: admitiendo que el ruido sigue un proceso
estacionario estacionario ARMA(p,q ARMA(p,q) y la posibilidad de ruidos ) y la posibilidad de ruidos
heteroced heteroced sticos sticos. .
Prueba de Prueba de Phillips Phillips - - Perron Perron
16
La posibilidad de componentes MA en el ruido est La posibilidad de componentes MA en el ruido est
impl impl citamente considerado en el ADF en la citamente considerado en el ADF en la
medida que se suponga el componente MA medida que se suponga el componente MA
invertible. Sin embargo, la propiedad de invertible. Sin embargo, la propiedad de
parsimonia recomendar parsimonia recomendar a el tratamiento expl a el tratamiento expl cito cito
de componentes MA. de componentes MA.
En ambos casos la existencia de estas violaciones En ambos casos la existencia de estas violaciones
a los supuestos invalidar a los supuestos invalidar an las pruebas D an las pruebas D- -F. Dada F. Dada
la baja potencia de estas pruebas, estas hip la baja potencia de estas pruebas, estas hip tesis tesis
alternativas sobre los ruidos representan un alternativas sobre los ruidos representan un
importante desaf importante desaf o. o.
Como en D Como en D- -F, F, Phillips Phillips plantea 3 modelos. Se presentan a plantea 3 modelos. Se presentan a
continuaci continuaci n los modelos A y B: n los modelos A y B:
donde donde u u
t t
sigue un proceso sigue un proceso ARMA(p,q ARMA(p,q) estacionario e ) estacionario e
invertible. Alternativamente, puede suponerse un invertible. Alternativamente, puede suponerse un
proceso estacionario proceso estacionario heteroesced heteroesced stico stico. .
t t B B t
t t A t
u x x
u x x
+ + =
+ =
1
1

(VII)
17
Mientras que el procedimiento de D Mientras que el procedimiento de D- -F busca de F busca de
retener la validez de los retener la validez de los tests tests basados en errores basados en errores
ruido blanco (ampliando el polinomio ruido blanco (ampliando el polinomio
autoregresivo autoregresivo al grado p+1), el procedimiento de al grado p+1), el procedimiento de
Phillips Phillips modifica las estad modifica las estad sticas para tomar en sticas para tomar en
cuenta distintos tipos de estructura en los errores. cuenta distintos tipos de estructura en los errores.
Asint Asint ticamente ticamente la estad la estad stica de la prueba es stica de la prueba es
corregida en el monto apropiado, de manera que corregida en el monto apropiado, de manera que
las mismas tablas de D las mismas tablas de D- -F son aplicables. F son aplicables.
A diferencia del ADF, el procedimiento no requiere A diferencia del ADF, el procedimiento no requiere
la estimaci la estimaci n de par n de par metros adicionales en el metros adicionales en el
modelo de regresi modelo de regresi n. n.
Consideremos la hip Consideremos la hip tesis tesis
B B
=1 (VII). P =1 (VII). P- -P plantean la P plantean la
estad estad stica: stica:
El primer t El primer t rmino de la estad rmino de la estad stica es el estad stica es el estad stico de D stico de D- -F, F,
por lo que el segundo t por lo que el segundo t rmino (el producto de II y III) rmino (el producto de II y III)
corrige corrige por la eventual presencia de estructura en el por la eventual presencia de estructura en el
ruido. ruido.
El t El t rmino II estar rmino II estar relacionado con eventual auto relacionado con eventual auto- -
correlaci correlaci n del ruido, mientras que el t n del ruido, mientras que el t rmino III rmino III
corresponde a una estimaci corresponde a una estimaci n de la varianza del proceso. n de la varianza del proceso.
( )
(III) (II) (I)
* 1
n( )
Z(
1
2
2
1 1
2
1 1
1
1
= + =

|
|
\
|
=

n
t
t
l
j
n
j t
t t B B
y y n u u n ) -
18
Conclusiones Conclusiones
En el caso de las pruebas estad En el caso de las pruebas estad sticas del tipo de sticas del tipo de
D D- -F, se presume que el modelo captura las F, se presume que el modelo captura las
principales caracter principales caracter sticas del proceso de una sticas del proceso de una
manera en que los errores son independientes e manera en que los errores son independientes e
id id nticamente distribuidos. nticamente distribuidos.
Cuando ello no se cumple, las pruebas como las Cuando ello no se cumple, las pruebas como las
de P de P- -P, o inclusive pruebas no P, o inclusive pruebas no param param tricas tricas son son
m m s adecuadas. s adecuadas.
Dada la relevancia del tema es importante determinar si
las inferencias que surgen de los tests de races unitarias
son frgiles. Tienen estos tests una baja potencia
respecto de la una alternativa TS? Son los resultados
obtenidos de estos tests sensibles a informacin fuera de
la muestra (propuesta de Perron)?
DeJong y otros encuentran que los tests de races unitarias
tienen en los hechos una muy baja potencia (menos de
50% y frecuentemente tan baja como 10%) frente a la
alternativa TS.
Las implicancias para el trabajo emprico es que alternativa
(la H
1
) importa: la inferencia debera estar basada en el
soporte relativo que los datos otorgan a la hiptesis nula y
a la hiptesis alternativa.
19
Ejemplo de inconsistencia de H Ejemplo de inconsistencia de H
0 0
y H y H
1 1
. .
Obsrvese el modelo (B) de D-F: x x
t t
= = + + x x
t t- -1 1
+ +
t t
con con

t t
~N ~N(0,1) (0,1)
En el caso de rechazo de H En el caso de rechazo de H
0 0
, ello implica que el proceso es , ello implica que el proceso es
estacionario. Pero adem estacionario. Pero adem s s E( E(x x
t t
) = ) = * = * = /(1 /(1- - )
En cambio si se acepta En cambio si se acepta H H
0 0
el proceso es una caminata al el proceso es una caminata al
azar ( azar (random random walk walk) con deriva (con tendencia). ) con deriva (con tendencia).
Si, alternativamente, se especifica el modelo (A) de D Si, alternativamente, se especifica el modelo (A) de D- -F, sin F, sin
deriva, ello implica que la alternativa es un proceso deriva, ello implica que la alternativa es un proceso
estacionario con estacionario con E( E(x x
t t
) = 0. ) = 0.
No hay una especificaci No hay una especificaci n que permita testear un n que permita testear un
modelo de modelo de random random walk walk sin deriva vs. un proceso sin deriva vs. un proceso
estacionario de media no nula. estacionario de media no nula.

03 Pruebas Raices Unit

Cargado por

Información del documento

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

03 Pruebas Raices Unit

Cargado por

Copyright:

Formatos disponibles

1

Prof. Adri Prof. Adri n Fern n Fern ndez ndez

ESTIM. DE ESTIM. DE - - PROCESOS NO ESTACIONARIOS PROCESOS NO ESTACIONARIOS

También podría gustarte