Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ramn Maha
Febrero 1999.
NDICE DE CONTENIDO
- INTRODUCCIN ............................................................................................. pg.1
1.- TENDENCIAS DETERMINISTAS Vs TENDENCIAS ESTOCSTICAS
1.A.- Tendencias deterministas...................................................................... pg.1
1.B.- Tendencias estocsticas ....................................................................... pg.4
2.- LAS REGRESIONES ESPURIAS ................................................................... pg.8
3.- CONCEPTO DE INTEGRACIN................................................................... pg.10
4.- ALGUNOS PROCEDIMENTOS SIMPLES PARA LA DETECCIN
DE RACES UNITARIAS
4.A.- Anlisis del grfico temporal de la serie ............................................. pg.14
4.B.- Anlisis del correlograma de una serie ................................................. pg.15
4.C.- Utilizacin del test Durbin-Watson ...................................................... pg.19
5.- CONTRASTES DE NO ESTACIONARIEDAD
5.A.- El test simple Dickey-Fuller ................................................................. pg.19
5.B.- Test DF y proceso generador de datos.................................................. pg.21
5.C.- Contraste de races unitarias mltiples ................................................. pg.22
5.D.- Contrastes conjuntos de parmetros en el modelo simple DF.............. pg.24
6.- LIMITACIONES DEL TEST DF
6.A.- Test DF y eleccin de componentes deterministas del P.G.D............. pg.25
6.B.- Test DF en modelos autorregresivos de orden superior. (ADF)........... pg.28
6.C.- Aplicacin del test DF en presencia de autocorrelacin
serial. Test Phillips-Perron.................................................................... pg.30
6.D.- Test DF en modelos con componente de medias mviles.................... pg.32
6.E.- La potencia del test DF ......................................................................... pg.33
6.F.- El test DF en presencia de Cambio Estructural..................................... pg.35
7.- REVISIN DE LOS TEST DE RACES UNITARIAS ESTACIONALES
7.A.- Definicin de estacionalidad no estacionaria ....................................... pg.39
7.B.- Deteccin de races unitarias estacionales ............................................ pg.42
8.- UN APUNTE SOBRE LOS CONTRASTES DE
ESTACIONARIEDAD............................................................................................ pg.44
9.- FORMAS ESPECIALES DE INTEGRACIN
9.A.- Integracin peridica ............................................................................ pg.45
9.B .- Integracin fraccional .......................................................................... pg.46
10.- CONTRASTES DE RACES UNITARIAS EN E-VIEWS ......................... pg.46
BIBLIOGRAFA .................................................................................................... pg.56
pg.1
INTRODUCCIN
En segundo lugar, como resulta ampliamente conocido, se trata de evitar al mximo que la
no estacionariedad de las variables gue los resultados de las estimaciones de las relaciones
que las unen, provocando, como es sabido, la obtencin de regresiones espurias.
Por otro lado, el anlisis de la estacionariedad es bsico como etapa previa en el anlisis de
cointegracin, una de las principales aportaciones a la tcnica economtrica de los ltimos
aos.
El objetivo de este documento es triple: por un lado pretende es servir de gua para la
comprensin de los principales conceptos que rodean el tema del anlisis de la estacionariedad,
en segundo lugar, intenta exponer organizadamente las principales aportaciones expuestas por
los autores fundamentales que han tratado el tema y, en tercer lugar, tal y como se ha dicho en el
prrafo anterior, tiene intencin de servir de documento de trabajo introductorio al que ser
publicado posteriormente en torno al tema de la cointegracin.
pg.2
En un gran nmero de ocasiones, las series pueden no presentar componente tendencial alguno,
como es el caso de un proceso autorregresivo puro AR(1) en el que los coeficientes cumplan las
condiciones de estacionariedad:
y t = a 0 + a1 y t 1 + t
| a1 < 1 |
(Ec. 1)
Como se aprecia en el grfico siguiente, este proceso flucta alrededor del valor medio
representado por una lnea horizontal1 cruzndolo frecuentemente sin que ningn shock sobre yt
se convierta en permanente para sus valores futuros:
PROCESO AR(1) (no tendencial)
y t = 0.75 + 0.5 y t 1 + t
8,00
6,00
4,00
2,00
0,00
-2,00
-4,00
-6,00
1
6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
Definir una tendencia en una serie temporal yt es extremadamente sencillo. Por ejemplo, la
serie:
y t = a 0 + a1 t + t
(Ec. 2)
y t = 0.05 + 0.1t + t
12,00
10,00
8,00
6,00
4,00
2,00
0,00
-2,00
1
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
pg.3
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
Este tipo de proceso, se clasifica dentro de aquellos que vienen definidos por lo que se
denomina una tendencia determinista.
Este patrn de evolucin parecera servir adecuadamente al anlisis de ciertas series econmicas
dado que resulta extremadamente sencillo encontrar magnitudes que exhiban perfiles similares a
los presentados en las ilustraciones anteriores. En los grficos que se muestran a continuacin,
la productividad total y el deflactor del consumo privado muestran una inconfundible tendencia
lineal, de la misma forma, las exportaciones totales reales y el valor aadido real en servicios
aparecen con una ligera tendencia exponencial:
PRODUCTIVIDAD TOTAL
340
145
320
125
300
105
280
85
260
65
240
45
220
25
6700
5700
4700
15200
14200
3700
13200
2700
12200
1700
11200
Como podr intuirse, esta segunda serie representada en el grfico ha sido generada con una
perturbacin aleatoriat con una varianza 10 veces superior a la de la primera figura (tendencia lineal).
pg.4
Esta tendencia de tipo determinista puede combinarse con el proceso autorregresivo presentado
en la (Ec.1) al comienzo del apartado, para generar otra variedad de proceso con tendencia
determinista que se denomina proceso estacionario sobre una tendencia. Su expresin sera la
siguiente:
y t = a 0 + a1 y t 1 + bt + t
(Ec. 3)
En este caso, el proceso es dominado por la componente tendencial3 (para un valor razonable de
la varianza de t) por lo que distinguir grficamente su evolucin temporal de un modelo
tendencial determinista puro como el presentado en los grficos anteriores resulta casi
imposible.
y t = y t 1 + t y t = t
(Ec. 4)
Cuando se dice el proceso es dominado por la componente tendencial en realidad nos referimos a la
varianza de yt .
4
pg.5
yt = y0 + i
(Ec. 5)
i =1
expresin que permite comprobar que estamos ante un proceso estacionario en media
por definicin:
t
E[y t ] = E y 0 + i = E[y 0 ] = y 0
i =1
t
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
2
por lo que se ampla con el paso del tiempo tendiendo a infinito a medida que t
tambin lo hace.
Lo ms interesante es que, de la (Ec. 5), ecuacin solucin para yt, puede observarse
claramente como cada uno de los shocks t (0, 1, ... t-1, t) tiene sobre yt un efecto de
permanente (tendencial) sobre yt pero siempre tratndose de un elemento de naturaleza aleatoria.
As, la denominada esperanza condicional para yt+s, es decir, el valor ms probable de yt+s dadas
las t realizaciones anteriores del proceso yt , es precisamente yt para todos los posibles valores
de t y s; esto confirma que cualquier shock de la secuencia contenida en:
t
i =1
tiene una presencia sobre yt+s de la misma intensidad que sobre yt; o sea, que estamos
ante un componente tendencial.
Existen, en la realidad, fenmenos que se comporten como paseos aleatorios?. Ntese que,
grficamente, el paseo aleatorio flucta ampliamente sin presentar tendencia a crecer o a
decrecer. Raramente alcanza un valor anterior y ninguna fuerza tiende a devolverlo a su nivel de
equilibrio, cualquiera que sea el mismo. Es posible encontrar series en economa de esa
naturaleza?.
Slo como un juego estadstico, en los dos pares de grficos que se muestran a continuacin, se
comparan paseos aleatorios generados para 100 observaciones (a la izquierda en ambos pares
de grficos) con series reales de la economa espaola representadas desde 1970 a 1997 (a la
derecha en ambos pares de grficos). En el primer par, la serie real se corresponde al tipo de
cambio peseta dlar y en el segundo al tipo de cambio peseta libra esterlina.
pg.6
Paseo aleatorio I
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
240
50
220
40
200
30
180
20
160
10
140
0
6
11
13
15
17
19
21
23
25
27
29
60
120
11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
11
13
15
17
19
21
23
25
27
29
y t = a 0 + y t 1 + t y t = a 0 + t
(Ec. 6)
La expresin deriva se aplica con mucho criterio ya que el proceso as definido experimentar
una variacin constante definida por el trmino a0 dado que la solucin genrica a esta (Ec.6)
responde a la expresin:
t
yt = y0 + a0t + i
(Ec. 7)
i =1
Despus de t perodos, el valor de yt se ve influido por todos los shocks pasados y presentes a
travs del trmino de tendencia estocstica
i =1
pg.7
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 media5.
Como puede observarse fcilmente comparando un paseo aleatorio simple de otro con deriva, el
patrn grfico de evolucin de este tipo de procesos vendr dominado por la componente
tendencial determinista del mismo.
PASEO ALEATORIO CON DERIVA (D. Tpica de t 0.4)
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
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
E[y t ] = E y 0 + a 0 t + i = E[y 0 + a 0 t ] = y 0 + a 0 t
i =1
t
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
pg.8
En cualquier caso, si es evidente que el paseo aleatorio con deriva resulta grficamente muy
similar al presentado al principio de este documento, (Ec.2), como tendencial determinista
(puro). Esto explica que, frecuentemente, se califiquen como deterministas series que,
probablemente, presenten un componente tendencial estocstico. Solamente para muestras
grandes un proceso podr ser distinguido del otro en la medida en que, aunque el paseo aleatorio
con deriva presentar una marcada evolucin tendencial, tender a fluctuar de forma algo ms
visible sobre la lnea tendencial de lo que lo hara un modelo determinista puro.
88
24
78
22
68
20
58
18
48
38
16
28
14
18
12
Si bien Granger y Newbold (1974) no explicitaron estadsticamente las razones que explicaban el fallo
de los procedimiento habituales, esto puede encontrarse con detalle en Phillips (1986).
pg.9
contraste DW no supera el valor 0.6, muy alejado del valor de referencia de ausencia de
autocorrelacin7.
y t = y t 1 + 1t
x t = xt 1 + 2 t
(Ec. 8)
y t = a 0 + a1 xt + et
(Ec. 9)
e t = y t a1 x t
por lo que imponiendo las restricciones iniciales y0=x0=0 tenemos que:
El valor de referencia suele ser DW=2 siempre y cuando se asuma la existencia de autocorrelacin en
la perturbacin aleatoria siguiendo un proceso autorregresivo de primer orden.
8
Estos datos se refieren a la prueba efectuada por Charemza y Deadman (1992). En el experimento
original de Granger y Newbold (1974) el porcentaje de regresiones con parmetro significativo al 5%
fue del 75%.
pg.10
i =0
i =0
et = 1i a1 2i
(Ec. 10)
Por tanto, es obvio que estamos ante una secuencia et no estacionaria en varianza. Si esto es as,
et presenta una tendencia estocstica, lo que quiere decir que el error cometido en t no se
diluye en t+1, t+2... t+s ;es imposible que una regresin en la que los errores se acumulan de
forma permanente pueda tener algn inters.
Ntese que en esta situacin se violan un buen nmero de hiptesis bsicas asumidas en los
procesos de inferencia habituales en el contexto del Modelo Bsico de Regresin Lineal:
-
No existe incorrelacin serial. La misma expresin para et puede utilizarse para comprobar
como la correlacin entre et y et+1 tiende a uno a medida que t se incrementa.
n
plim xi2 n = cte
i =1
que es uno de los supuestos que justifican los procedimientos de inferencia habituales
basados en el estimador MCO.
Dada semejante acumulacin de errores de base, ningn test de significatividad puede ser usado
con garantas y por ello, ninguna inferencia ser fiable.
Las regresiones espurias, no obstante, no slo se producen por la aparicin de tendencias
estocsticas en las series: las tendencias deterministas tambin pueden ser un problema. Si
hacemos depender una serie yt lineal (1,2,3,4..... 50) de otra xt con tendencia cuadrtica
(1,4,.......502) el resultado en trminos de R2 es de 0,94 cuando en realidad queda claro que el
patrn de evolucin de la serie cuadrtica acabar por divergir de forma definitiva cuando el
nmero de datos tienda a infinito.
Desde el primer momento, y an de forma intuitiva, se aconsej la utilizacin de tasas o
primeras diferencias en las series de cara a mitigar los efectos negativos en este tipo de
situaciones. Es indudable, efectivamente, que este fenmeno sucede con mayor facilidad cuando
utilizamos series en niveles, dado que los cambios sobre el nivel se producen de forma mucho
ms suave generando series con patrones tendenciales ampliamente comunes y fcilmente
predecibles. El problema, no obstante, no reside en una cuestin de niveles o tasas, sino en el
concepto, algo ms complejo de estacionariedad.
pg.11
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
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
y:
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
Podramos as mismo comprobar sin demasiada complicacin como las covarianzas para
observaciones del proceso separadas un determinado retardo j slo dependen del valor de ese
retardo, es decir, podramos comprobar que ambos procesos diferenciados cumple lo que se
denomina estacionariedad en sentido dbil.
La idea de que la diferenciacin corrige los problemas derivados de la presencia de tendencias
estocsticas puede generalizarse matemticamente del siguiente modo:
Supongamos el caso general de un modelo ARIMA del tipo:
A( L) y t = B( L) t
(Ec. 11)
A( L) = (1 L) A' ( L)
(Ec. 12)
donde ahora A(L) ser un polinomio de orden inferior en una unidad al original A(L),
es decir, p-1. La principal caracterstica de este nuevo polinomio es que ya no contiene una
raz unitaria y que por tanto todas sus races caen fuera del crculo unitario. Por tanto, la
ecuacin (Ec.12) original del modelo ARIMA quedara ahora:
(1 L) A' ( L) y t = B( L) t
o lo que es igual:
pg.12
A' ( L)(1 L) y t = B( L) t
o sea:
A' ( L) y t = B( L) t
Por tanto, la diferencia de un proceso con una raz unitaria es ahora estacionaria y lo mismo
ocurre cuando estamos ante dos races unitarias si tomamos diferencias dos veces o ante d
races unitarias si efectuamos d diferencias.
Por ejemplo, tomemos el siguiente proceso:
(Ec. 13)
(Ec. 14)
2 y t 3 y t 1 + y t 2 = t 1 0.5 t 2
(Ec. 15)
y t A( L) = t B( L) y t ( 2 3L + L2 ) = t ( L 0.5L2 )
(Ec. 16)
Es claro que el polinomio de retardos de la parte autorregresiva contiene una raz unitaria por lo
que (Ec. 16) puede escribirse como:
y t A' ( L) = t B( L) y t ( 2 L) = t ( L 0.5L2 )
Tal y como sealan Charemza y Deadman (1992) es interesante observar que no es necesario
que yt siga un paseo aleatorio puro. Si en un proceso del tipo:
y t = y t 1 + t
la perturbacin aleatoria no fuera ruido blanco sino que siguiera un proceso
autorregresivo de la forma:
t = t 1 + t
la primera diferencia de yt dara una serie estacionaria siempre y cuando fuera menor
que la unidad en valor absoluto.
Llegados a este punto podemos definir perfectamente el concepto de serie integrada de orden
d. Se dice que una serie yt no estacionaria es integrada de orden d y se representa
pg.13
como yt~I(d) cuando puede ser transformada en una serie estacionaria diferencindola
d veces. Siguiendo la definicin dada por Engle y Granger (1987)9, una serie sera
integrada de orden d si admite una representacin ARMA estacionaria e invertible
despus de ser diferenciada d veces.
Un ruido blanco, por ejemplo, o una serie AR(1) con coeficiente menor que la unidad son series
I(0). Una serie que siga un paseo aleatorio es, sin embargo, una serie I(1). Granger (1986) y
Engle y Granger (1987) caracterizaron las series I(0) frente a las I(1) de la siguiente forma:
Series I(0)
Series I(1)
Oscilan ampliamente
Su autocorrelacin tiende a uno (en valor
absoluto) para cualquier orden del retardo
y t = 0 + 1t
(Ec. 17)
y t* = y t y t = y t ( 0 + 1t )
Debe tenerse especial cuidado para no confundir la tendencia determinista y estocstica, ya que
entonces tanto uno como otro mtodo resultaran incorrectos de aplicar. Por ejemplo, si estamos
ante un proceso del tipo:
A( L) y t = 0 + 1t + B( L) t
en el que tenemos tendencia determinista pero no estocstica, si tomamos una primera
diferencia la anterior expresin quedara:
A( L)y t = 1 + (1 L) B( L) t
o sea, habramos eliminado la tendencia temporal pero habramos introducido una raz
unitaria en el proceso MA, que ahora sera no invertible. Debe notarse que este problema
tambin se plantear, por las mismas razones, en el caso en el que sobrediferenciemos una serie
ms all de su orden de integracin.
pg.14
Un efecto adicional comentado por Durlauf y Phillips (1988) es que, en estos casos, el
estadstico DW de la errnea regresin de la serie sobre una tendencia temporal tiende a
acercarse a cero. Este sntoma puede utilizarse como medida de alerta cuando nos encontremos
en una situacin similar.
En cualquier caso, parece claro que la trascendencia de un posible error en los resultados del
modelo exige establecer un modus operandi con ms garantas. El chequeo de la presencia de
races unitarias parece pues insalvable, para lo cual deben conocerse extensamente los
contrastes ms habituales que permitan detectarlas.
Modelo estacionario:
10
Una descripcin formalizada de los efectos puede encontrarse en Durlauf y Phillips (1988).
pg.15
Modelo I(1):
13 19 25 31 37 43 49 55 61 67 73 79 85 91 97
Raiz Unitaria
Estacionario
No obstante, a pesar de que el anlisis grfico no puede considerase una herramienta suficiente
para el anlisis de la estacionariedad de una serie, si ha de servir como etapa previa a la
aplicacin de contrastes ms avanzados. Efectivamente, observar la evolucin grfica de la serie
puede permitir localizar cambios de estructura, comportamientos estacionales o medias y
tendencias de tipo determinista, lo que permitir aplicar con mayor porcentaje de xito, los test
clsicos de races unitarias.
pg.16
La razn de este comportamiento de la FAT en uno y otro caso es clara. Mientras que la serie
integrada es una serie de memoria ilimitada (precisamente por presentar un componente
tendencial), la serie no integrada guarda slo memoria de los shocks ms recientes. De esta
forma, si la serie no estacionaria guarda memoria de los shocks pasados y recientes, la relacin
entre dos valores separados por un lapso de tiempo j presentarn necesariamente algn tipo de
relacin, o sea, los coeficientes de correlacin yt,yt-j tendern a mantenerse elevados.
Efectivamente, la expresin genrica de la solucin de una ecuacin en diferencias de primer
orden puede expresarse como:
t 1
y t = a1t y 0 + a1i t i
(Ec. 18)
i =0
y t = y 0 + t i
(Ec. 19)
i =0
A partir de las expresiones (Ec. 18 y 19) puede calcularse el coeficiente de autocorrelacin yt,yt-j
para cada caso. Cuando no existe raz unitaria, el trmino a1 (menor que la unidad) fuerza a los
coeficientes de autocorrelacin a descender rpidamente hacia el cero en una progresin
geomtrica de razn a1; recordemos que, efectivamente, la expresin de la serie de coeficientes
de autocorrelacin es:
(Ec. 20)
En el segundo caso (Ec. 19), sin embargo, es un trmino lineal (t-s) (y por tanto ms lento) el
que define la progresin hacia el cero de los coeficientes de autocorrelacin. La expresin de los
coeficientes de correlacin es ahora:
t s
s =
t
0.5
(Ec. 21)
pg.17
Si representamos las expresiones (Ec. 20 y 21) para los primeros 24 valores de s, podemos
apreciar claramente como el ritmo de descenso de los coeficientes de autocorrelacin en el caso
de procesos AR(1), con distintos valores para a1, es directo y rpido, mientras que el caso del
paseo aleatorio el descenso es muy tenue, sobre todo para las primeras observaciones11.
AR(1) (0,5)
11
AR(1) (0,7)
13
15
17
AR(1) (0,8)
19
21
23
Paseo Aleatorio
Debe recordarse en este punto que la simple observacin del grfico de la funcin de
autocorrelacin puede completarse con el clculo de algunos conocidos contrastes Q como los
propuestos por Box y Pierce (1970) o Ljung y Box (1978).
- Q de Box-Pierce: Q BP = T
j =1
2
j
- Q de Ljung-Box: Q LB = T (T + 2)
2j
(T j )
j =1
Recordemos que, en ambos casos, la hiptesis a contrastar es que los p primeros coeficientes
de correlacin calculados j son iguales a cero. El escalar T ser igual al numero total de
coeficientes de correlacin representados en el correlograma. Estos contrastes se distribuyen
como una con (T-k) grados de libertad. Dado que lo habitual es aplicarlos sobre los residuos
de un modelo ARIMA previamente estimado para saber si estamos ante un ruido blanco o no, el
parmetro k toma el valor de los coeficientes estimados de ese modelo ARIMA. Si, como es
nuestro caso, estamos observando los test directamente sobre una serie, no sobre los residuos de
un modelo, los grados de libertad de la sern entonces p. Si el estadstico supera el valor de
tablas rechazaremos la hiptesis nula de que los p primeros coeficientes son
significativamente nulos.
El problema principal de la utilizacin de este mtodo es, obviamente, que el comportamiento
de la funcin de autocorrelacin cuando existe una raz unitaria es extremadamente similar al
del caso en el que la raz tome un valor muy cercano a la unidad. En la imagen inferior se
muestran 4 correlogramas correspondientes a distintos valores del coeficiente a1 del proceso
terico:
11
Para la representacin de los coeficientes de autocorrelacin del paseo aleatorio se ha supuesto que se
dispona de 30 observaciones (t=30).
pg.18
y t = 0.5 + a1 y t 1 + t
donde la secuencia t ha sido generada idntica para todos los casos:
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
Puede comprobarse como el primero de los casos (paseo aleatorio) puede confundirse con
el resto aun cuando el valor de a1 est relativamente alejado de la unidad (0.95). En el
grfico inferior puede observarse la similitud entre el valor del coeficiente de autocorrelacin de
un AR(1) y el de un paseo aleatorio para valores muy cercanos a la unidad e incluso, cmo el
ritmo de decrecimiento es ms lento para un =0.98 cuando, como en este caso, el nmero de
observaciones es relativamente pequeo (30) :
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
1
AR(1) (0,96)
11
AR(1) (0,97)
13
15
17
19
AR(1) (0,98)
21
23
Paseo Aleatorio
Por otro lado, el concepto de integracin fraccional que se revisar al final de este documento
permite pensar en series estacionarias que sin embargo presenten evoluciones explosivas de la
varianza de la serie en el lmite y , por tanto, muestren funciones de autocorrelacin
particularmente similares a las de las series integradas.
En cualquier caso, queda claro que este mtodo no nos servirn, al menos de forma precisa, para
distinguir un verdadero proceso integrado I(1) de otro que presente una raz elevada.
pg.19
DW =
(e
t =2
et 1 ) 2
(Ec. 22)
e
t =1
2
t
donde et representa los residuos obtenidos en la estimacin del modelo a chequear. Asumiendo
que el residuo, de estar autocorrelacionado, seguira un modelo simple AR(1), el valor del
estadstico fluctuar entre 0 y 4. El lmite inferior (0) correspondera a una situacin de
autocorrelacin perfecta positiva, el lmite superior (4), a una situacin de autocorrelacin
perfecta negativa y el valor medio (2), mostrara ausencia de autocorrelacin. Estas
conclusiones se derivan fcilmente de la relacin aproximada que existe entre el valor del
estadstico DW y una estimacin insesgada del parmetro a1 del modelo AR(1) supuesto en los
residuos:
)
DW 2(1 )
De cara a utilizar este contraste para la deteccin de races unitarias, la idea es aplicar la
expresin del test (Ec.22) sobre los residuos del siguiente modelo:
yt = o + t
(Ec. 23)
si los residuos de este modelo estn correlacionados de forma perfecta siguiendo un paseo
aleatorio, es decir, presentan una raz unitaria, tambin podremos decir que yt es integrada de
orden 1 ya que podramos expresar el estadstico DW como:
n
DW =
(et et 1 ) 2
t =2
e
t =1
2
t
(y
t =2
n
(y
t =1
y t 1 )
yt )
pg.20
hiptesis nula es precisamente la presencia de una raz unitaria en el proceso generador de datos
de la serie analizada.
Vamos a suponer inicialmente, como modelo de partida para el anlisis de una determinada
serie yt, el de un proceso estacionario autorregresivo de orden uno:
y t = a1 y t 1 + t
(Ec. 24)
frente a este modelo se plantea, como hiptesis nula H0, el modelo alternativo de un
paseo aleatorio no estacionario del tipo:
yt = yt 1 + t
se trata por tanto de contrastar si el coeficiente a1 es igual a la unidad o distinto de ella.
Sin embargo, para contrastar la nulidad del coeficiente a1, no podemos utilizar el contraste
t habitual sobre una estimacin por MCO del primer modelo. La razn es que la hiptesis
nula que habitualmente se contrasta y, a partir de la cual se deriva la expresin y propiedades
del test t, es la de nulidad del parmetro (a1=0) de la (Ec.24), sin embargo, en nuestro caso,
necesitaramos contrastar H0: a1=1. Si la hiptesis nula fuera cierta, la varianza de yt no sera
estacionaria sino que crecera con los valores de t segn la expresin de la varianza de un
paseo aleatorio con deriva:
Var ( y t ) = t 2
En estas condiciones la estimacin del parmetro a1 sera una estimacin consistente pero
sesgada a la baja con relacin al verdadero valor del parmetro y el uso de la distribucin t
estndar sera incorrecto. Efectivamente, en el modelo simple AR(1):
y t = a1 y t 1 + t
la estimacin de a1 ser siempre consistente sin embargo, su distribucin variar segn
los valores que tome la estimacin. Si |a1|<1, la distribucin del estimador es asintticamente
normal, o lo que es lo mismo, el estadstico t de Student converge hacia una N(0,1) cuando
los grados de libertad tienden a infinito. En el caso de que |a1|>1, tambin puede caracterizarse
la distribucin del estimador del parmetro y de su razn t si bien la convergencia en el lmite
no se produce hacia una normal12. El problema surge precisamente cuando |a1|=1, ya que en este
caso, la distribucin del parmetro (y por tanto de su ratio t) no puede caracterizarse
adecuadamente.13
Por tanto, 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). En este experimento se generaron un
elevado nmero de series ruido banco t para construir el mismo nmero de paseos aleatorios
con deriva. La estimacin de los parmetros de inters en cada uno de esos modelos
controlados arroj las siguientes conclusiones:
12
13
pg.21
El 90% de los valores estimados del parmetro a1 estaban menos alejados de 2.58
errores estndar del verdadero valor (la unidad).
El 95% de los valores estimados del parmetro a1 estaban menos alejados de 2.89
errores estndar del verdadero valor (la unidad).
El 99% de los valores estimados del parmetro a1 estaban menos alejados de 3.51
errores estndar del verdadero valor (la unidad).
Tras este experimento de Dickey, fue Fuller (1976) quien obtuvo la distribucin lmite
apropiada y public, tabulados, toda una batera de valores crticos, dado que el valor emprico
del contraste vara en funcin del tamao muestral. Estas tablas de referencia, permiten
prescindir de la distribucin t estndar a la hora de contrastar, finalmente, si el parmetro a1 es
igual, o no, a la unidad. 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.
En la prctica, por cuestiones de sencillez operativa, el modelo utilizado para el contraste DF no
es el expuesto al comienzo del epgrafe sino otro, equivalente al anterior, que se obtiene
restando a uno y otro lado el trmino yt-1:
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
(Ec. 25)
y t = a 0 + y t 1 + t
por tanto, la hiptesis nula inicial para la (Ec. 24), se transforma ahora en H0: =0 frente
a H1: <0. Decir que es nulo es lo mismo que decir que a1=1, o sea, que existe una raz
unitaria, decir que es menor que cero equivale a decir que a1 es menor que la unidad (proceso
autorregresivo estacionario)14.
El procedimiento bsico para la aplicacin simple del test DF es, a partir de aqu, aparentemente
sencillo. Se estima el modelo propuesto y se calcula el valor estimado de la t del parmetro
analizado. Una vez calculado se compara con el valor emprico de referencia obtenido con las
tablas de Dickey y Fuller o de MacKinnon. Si el valor estimado para es superior al tabulado
dado un determinado nivel de confianza, admitiremos la hiptesis nula, o sea, la presencia de
una raz unitaria.
14
pg.22
anteriormente contendr una constante (a0), un trmino tendencial determinista (a2t) o ambas
cosas simultneamente15. Los tres modelos propuestos por Dickey-Fuller son por tanto:
-
Modelo 1 (simple): y t = y t 1 + t
Una vez decidido el modelo, el estadstico de referencia para el contraste ser diferente,
notndose generalmente por las letras para el caso ms simple, para el caso del modelo con
constante y para el caso del modelo con tendencia determinista. Consultar correctamente el
estadstico de referencia es fundamental dado que las diferencias entre los distintos valores de ,
y son importantes. Por ejemplo, para un nivel de significacin del 95% y 100
observaciones los valores crticos seran 1.95 para , -2.89 para y 3.45 para .
Tal y como describen de forma muy clara Suriach et al. (1995), los modelos 2 y 3 presentados
por Dickey y Fuller son en realidad formas reducidas de determinados modelos estructurales.
As, el modelo nmero 2, que contrasta la hiptesis nula de paseo aleatorio con deriva frente a
una alternativa de esquema AR(1) estacionario sin tendencia, es la forma reducida del modelo:
y t = 0 + ut
ut = a1ut 1 + t
en el que a0=0(1-a1). Bajo la hiptesis nula (a1=1) el trmino constante sera nulo luego
su presencia por tanto en el modelo a estimar es irrelevante y slo se justificara para garantizar
que, en el caso de que fuera cierta la hiptesis alternativa, el proceso autorregresivo tenga media
no nula. El modelo 3, que contrasta la hiptesis nula de un paseo aleatorio con deriva frente a la
alternativa de un proceso AR(1) estacionario sobre una tendencia determinista, sera la forma
reducida del modelo:
y t = 0 + 1t + ut
ut = a1ut 1 + t
con a0=0(1-a1)+ 1a1 y a2=0(1-a1). Bajo la hiptesis de raz unitaria (a1=1) tendramos
que a0=1 y a2=0 luego, como en el caso anterior, la presencia en este caso del parmetro a2 es
irrelevante en el caso de raz unitaria y su presencia intenta slo garantizar la consistencia del
contraste en una situacin de hiptesis alternativa (proceso estacionario sobre tendencia
determinista).
15
pg.23
en estacionaria por diferenciacin. Para decidirnos entre una u otra alternativa Charemza y
Deadman (1992) sugieren aplicar nuevamente el test DF ahora sobre la serie en diferencias yt:
y t = y t 1 + t
(Ec. 26)
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
En cualquier caso, como se muestra al final del esquema, siempre debemos tener presente la
posibilidad de que el test DF no sea capaz de detectar la presencia de una raz unitaria para un
determinado orden de diferenciacin. Si as fuera, corremos el peligro de sobrediferenciar una
serie. En ese caso, tal y como sealan Charemza y Deadman (1992) el test DF tiende a tomar un
valor muy alto y positivo (en lugar de negativo) acompaado as mismo de un valor muy
elevado del coeficiente de determinacin para el ajuste.
Dickey y Pantula (1987) proponen un procedimiento alternativo al anterior para el contraste de
ms de una raz unitaria. La idea es realizar tambin una secuencia de contrastes pero
empezando por el nmero mximo de races unitarias que se piensa pueden encontrarse.
As, si se piensa que un proceso tiene exactamente, y como mucho, dos races unitarias, se
platear el modelo siguiente:
2 y t = a0 + 1 y t 1 + t
(Ec. 27)
Si efectivamente yt tiene dos races unitarias, 2yt debe ser estacionaria por lo que el parmetro
1 debe ser nulo. Contrastaremos por tanto la hiptesis nula de que en la (Ec. 27) H0: 1=0, si no
podemos rechazarla, afirmaremos que yt tiene exactamente dos races unitarias, o sea, es I(2). Si
1 es distinto de cero debemos plantear entonces el modelo:
pg.24
2 y t = a0 + 1 y t 1 + 2 y t 2 + t
(Ec. 28)
Dado que ya sabemos que no hay dos races unitarias algunos de los dos coeficientes, o ambos,
no sern nulos (sencillamente esto sera incongruente con el resultado obtenido en la etapa
anterior).
La hiptesis nula en este caso ser la de que yt tenga una raz unitaria, o sea, que yt sea
estacionaria. Para eso ser necesario que en la expresin (Ec. 28) 2=0 y 1<0. Si no es as y
debe rechazarse la hiptesis nula (tanto 1 como 2 son no nulos), entonces yt ser estacionaria,
es decir, no tendr ninguna raz unitaria.
Este procedimiento puede utilizarse para un orden mayor r para el caso en que se sospechen
slo dos races unitarias. El caso sera bastante excepcional pero, si se diese, el procedimiento es
el mismo que el descrito anteriormente slo que comenzando el contraste con el modelo:
r y t = a 0 + 1 r 1 y t 1 + t
5.D.- Contrastes conjuntos de parmetros en el modelo simple DF
Sobre los modelos propuestos que contienen ms de un parmetro (modelos 2 y 3) puede
adems tambin contrastarse la hiptesis de nulidad simultnea de conjuntos de parmetros.
Dickey y Fuller (1981) plantearon la construccin de estadsticos F clsicos para contrastar
las hiptesis H0:=a0=0 (estadstico 1) en el modelo 2 y H0:=a0=a2=0 (estadstico 2)
H0:=a2=0 (estadstico 3) en el modelo 3. Los estadsticos 1,2,3 se construyen segn la
expresin conocida del test F:
i =
(SCRmr SCRmnr )
SCRmnr n k
(Ec. 29)
donde SCRmr y SCRmrn son las sumas cuadrticas residuales de los modelos restringido
(mr) y no restringido (mnr), n es el nmero total de observaciones, k el nmero de
parmetros del modelo no restringido y r el nmero de restricciones.
Como ya sucediera en el caso del contraste t individual, no es posible utilizar las tablas
habituales de la razn F por lo que de nuevo debe acudirse a las tablas de Dickey-Fuller en las
que se recogen los valores generados empricamente para i.
Resulta interesante y necesario resaltar, que la aplicacin de los contrastes de nulidad conjunta
1, 2 y 3 supone una forma alternativa a los estadsticos individuales de contrastar la
estacionariedad de yt. Efectivamente podra, por ejemplo, contrastarse con 2 la hiptesis nula
de que yt siga un paseo aleatorio simple (no estacionariedad) frente a un AR(1) estacionario con
trmino independiente. Este hecho, no hace sino hacer an ms compleja la realizacin e
interpretacin del contraste DF.
Por ltimo, conviene no olvidar en este apartado, que, an a pesar del carcter nuisance de
algunos de los parmetros, cabe la posibilidad de contrastar, tambin, la nulidad individual de
los mismos, supuesta, eso si, la existencia de una raz unitaria,. As, puede contrastarse en el
modelo 2 la hiptesis a0=0 dado =0 mediante el denominado contraste o en el modelo 3 las
hiptesis a0=0 dado =0 (estadstico ) y a2=0 dado =0 (estadstico ).
pg.25
A modo de resumen incluiremos aqu la tabla con la notacin y los valores crticos16 para cada
uno de los contrastes DF aplicables a cada una de las variables incluidas en los modelos
comentados hasta ahora:
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
Estadstico
3
2
Valores crticos
95 %
99 %
-3.45
-4.04
3.11
3.78
2.79
3.53
6.49
8.73
4.88
6.50
-2.89
-3.51
2.54
3.22
4.71
6.70
-1.95
-2.60
17
Suriach, Artis, Lpez y Sanso (1995) sealan que, adems, el hecho de existir varios modelos bsicos
de referencia provoca confusin sobre el significado de los parmetros. Efectivamente, en el caso de que
el parmetro de la tendencia determinista a2 sea nulo en el modelo ms completo de todos, el trmino
pg.26
Podra pensarse que una posible alternativa a este esquema podra ser el comenzar
por el modelo ms restringido, es decir, ms simple, e ir aadiendo nuevos
parmetros de forma secuencial. Sin embargo, este proceder tampoco soluciona el
problema de potencia del contraste dado que la omisin del trmino
independiente o la tendencia determinista, cuando estas son variables
relevantes tambin provoca de nuevo una estimable prdida de potencia hasta
el punto de poder incluso anularse por completo. Campbell y Perron (1990)
comprobaron empricamente que la omisin de una variable relevante que crezca
tan rpido o ms que otra de las incluidas (trmino tendencial determinista, por
ejemplo), provoca que la potencia del contraste se reduzca hasta cero a medida que
el tamao muestral se incrementa. Si la variable omitida fuese la deriva, el
estadstico t sera consistente pero, para muestras pequeas, la potencia se vera
seriamente afectada, tanto ms cuanto mayor fuera el coeficiente de deriva omitido.
Este problema expuesto hasta aqu, admite adems ciertos matices adicionales. En primer lugar,
cuando el proceso generador de datos contiene una tendencia o una deriva, la varianza muestral
de yt queda dominada por ellas. As, se ha comprobado empricamente que, en esos casos, los
estadsticos y convergen a una distribucin normal estndar por lo que, si se conoce la
presencia real de esa tendencia o deriva, la hiptesis nula =0 debe contrastarse usando
una distribucin normal estandarizada en lugar de las distribuciones asintticas tabuladas
por Dickey y Fuller. Sin embargo, Hylleberg y Mizn (1989) mostraron que los valores
normales estndar llevan frecuentemente al rechazo de la hiptesis nula, incluso con muestras
grandes, a menos que la constante sea muy grande. Estos autores propusieron nuevos valores
crticos situados entre los clsicos tabulados por DF y los de la distribucin normal; a medida el
tamao de la constante se reduce, estos valores se aproximan ms a los valores DF. Por esta
razn, en estas situaciones y para muestras pequeas, se recomienda como criterio general
utilizar las tablas propuestas por Dickey y Fuller y no las normales estandarizadas .
En la prctica, el problema de la eleccin de los regresores deterministas a incluir en el contraste
no tiene una solucin sencilla. El principio general puede ser el de elegir aquella
especificacin que, a priori, sea ms verosmil tanto bajo la hiptesis nula como bajo la
alternativa18. As, puede realizarse un anlisis previo de la serie que ayude a determinar si cabe
la consideracin de una tendencia (determinista o estocstica), y en ese caso incluir una
independiente a0 determina la media de la variable bajo la hiptesis alternativa y la pendiente de la
misma bajo la hiptesis nula.
18
Hamilton (1994)
pg.27
constante y una tendencia en la regresin. Si la serie no presenta tendencia pero tiene media no
nula, incluiramos entonces la deriva en el modelo y, por ltimo, si presenta media nula y
ausencia de tendencia aplicaramos el contraste con el modelo ms restringido.
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:
-
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.
Por ltimo, parece sensato incluir aqu como consejo la atencin a la teora del fenmeno que se
est analizando. As, en ciertas ocasiones la teora econmica nos mostrar que no cabe
considerar una tendencia en una determinada serie o bien, por el contrario, que no cabe la
fluctuacin alrededor de un valor medio.
pg.28
y t = a 0 + y t 1 + i y t i +1 + t
(Ec. 30)
i =2
donde:
p
= 1 a i
i =1
(Ec. 31)
y:
p
i = a j
(Ec. 32)
j =1
Para entender este modelo y la hiptesis que se contrasta de cara a detectar la presencia de una
raz unitaria, veamos un caso sencillo de una serie que presente una raz unitaria en el marco de
un modelo AR(3). Dado el modelo original:
y t = a 0 + a1 y t 1 + a 2 y t 2 + a3 y t 3 + t
sumamos y restamos a3yt-2 quedando:
y t = a 0 + a1 y t 1 + (a 2 + a 3 ) y t 2 a 3 ( y t 2 y t 3 ) + t
o sea:
y t = a 0 + a1 y t 1 + (a 2 + a 3 ) y t 2 a 3 y t 2 + t
(Ec. 33)
repetimos ahora la misma operacin sobre la (Ec. 33) pero con (a2+a3)yt-1 quedando
ahora:
y t = a0 + (a1 + a 2 + a3 ) y t 1 (a 2 + a 3 )( y t 1 yt 2 ) a 3 y t 3 + t
o sea:
y t = a 0 + (a1 + a 2 + a 3 ) y t 1 (a 2 + a 3 )y t 1 a 3 y t 2 + t
pg.29
y t = a 0 + (a1 + a 2 + a 3 ) y t 1 2 y t 1 3 y t 2 + t
si ahora, como en el caso simple para el contraste DF, restamos en ambos miembros yt-1
tenemos:
y t = a0 + (a1 + a 2 + a3 1) y t 1 2 y t 1 3 y t 2 + t
utilizando la expresin presentada de recogida en la (Ec.31) queda por fin:
y t = a 0 + y t 1 2 y t 1 3 y t 2 + t
(Ec. 34)
Si la serie presenta una raz unitaria, como hemos supuesto, en este modelo bastar con que =0
ya que entonces:
p
a
i =1
=1
lo que garantiza que, al menos, una raz caracterstica de la ecuacin sea igual a uno, es
decir, yt ~I(1). La nulidad del parmetro se contrasta siguiendo el mismo procedimiento que en
el modelo simple y, por tanto, se utilizan las mismas tablas que en el caso del contraste DF. En
este sentido, es importante sealar 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.
Debe observarse cmo la aplicacin del test ADF no slo es conceptualmente til para el
contexto en el que sospechemos un modelo AR(p), sino que, adems, se nos presenta como una
posible correccin a los problemas de autocorrelacin que pudieran aparecer en el trmino de
error del modelo bsico utilizado en el test simple DF, sobre todo en series de frecuencia
superior a la anual. Efectivamente, debe tenerse en cuenta que los valores de referencia del test
DF se han obtenido suponiendo la ausencia de autocorrelacin serial en t, en este sentido, la
introduccin de un nmero suficiente de retardos de la variable dependiente podra ser
suficiente como para transformar t en un ruido blanco. La eleccin del nmero de retardos a
considerar viene determinada por:
1.- El modelo terico de referencia supuesto para yt, en la medida en que este sea
conocido por el investigador.
2.- Criterios clsicos de aceptacin de variables en un modelo como el test t- Student
de significatividad individual, Akaike 19 o Schwarz20
19
e' e
AIC = 2k n + log
n
siendo n igual al nmero de observaciones, k igual al nmero de parmetros estimados y e igual
a la serie de residuos obtenidos con la estimacin. Slo interesa introducir una variable adicional x(k+1)
en un modelo con k variables explicativas si AICk+1<AICk.
20
El criterio de Schwarz se aplica de igual modo que el AIC slo que en este caso la expresin de
referencia es:
S=
k log n
e' e
+ log
n
n
pg.30
(Ec. 35)
n
2
E ( i )
2 = lim i =1
n
n
n 2
E i
i =1
2
y = lim
n
n
Cuando no existe autocorrelacin serial, al ser E[ij]=0 para todo ij en la expresin (Ec.35) de
2, la ratio mencionada es igual a la unidad ya que entonces 2 = 2. Slo bajo este supuesto se
calcularon los valores tabulados por Fuller (1976), por lo que su utilizacin no es correcta si no
se cumple este requisito.
Como primera medida de precaucin conviene, una vez estimado el modelo de que se trate para
realizar el contraste DF o ADF, chequear los residuos del modelo descartando
heterocedasticidad y correlacin serial; los procedimientos tradicionales como los test ya
conocidos de la Q-Box & Pierce y Q-Ljung & Box aplicados sobre la representacin de la FAT
pueden ser de utilidad en este sentido. Si las pruebas realizadas sealan la presencia de
heterocedasticidad y/o autocorrelacin en la estimacin para la aplicacin del test DF, una
primera posibilidad es la aplicacin del test ampliado ADF; elegir el orden correcto de retardos
es, en este caso, el principal problema. Sin embargo, otra posibilidad es utilizar una correccin
no paramtrica de la razn t obtenida en el contraste DF tal y como se expondr a
continuacin.
Frente a la alternativa paramtrica del test ADF, existe una propuesta de Phillips (1987) y
Phillips y Perron (1988) que sugieren utilizar los residuos obtenidos en la estimacin del
modelo DF para transformar los estadsticos t asociados a los parmetros del mismo. La
correccin de las razones t incorrectamente calculadas, intenta hacerlas independientes de la
ratio mencionada en (Ec. 35). La transformacin se realizar con estimaciones propuestas para
2 y 2 por estos autores, estimaciones para las que se utilizarn los residuos previamente
obtenidos en la regresin del modelo DF analizado. Las estimaciones sugeridas son:
pg.31
=
2
e
i =1
2
i
(Ec. 36)
=
2
e
i =1
2
i
+2
(1 r l + 1) e e
l
r =1
i = r +1
ir
(Ec. 37)
La expresin (Ec. 36) no ofrece complejidad alguna mientras que la segunda se interpreta
tambin muy fcilmente. Se fija un determinado nivel mximo de retardo l que se quiere tener
en cuenta, por ejemplo l=5 y se computa para cada uno de esos retardos considerados
n
e e
i = r +1
ir
continuacin, cada una de esas correlaciones muestrales se pondera con el trmino (1-r/l+1)
dando ms importancia a la correlacin para un retardo (r=1) que a la correlacin para retardos
ms elevados; hecho esto se obtiene la suma ponderada de todas ellas. Las varianzas calculadas
en el primer sumando se completan as con el doble de la covarianza muestral calculada
siguiendo la expresin matemtica bsica:
E [ + j ] = E ( i2 ) + E ( 2j ) + 2 E ( i j )
2
Dado que la expresin para la estimacin de 2 depender del valor mximo l conviene
testar la sensibilidad del clculo a los diferentes valores de ste o bien, seguir la
recomendacin de Schwert (1987 y 1989) tomando l en funcin del nmero de datos segn
las expresiones:
l=
44 n
124 n
;l =
100
100
(Ec. 38)
lo cual supone, por ejemplo, l=1 l=3 (segn la 1 2 expresin) para 100 datos, 2 6
para 200 datos, 3 o 9 para 300 y as sucesivamente (un retardo ms por cada 100 datos extra).
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:
2
Z ( ) = 2
1
2
( 2 2 )
n
y
t =2
(Ec. 39)
2
t 1
n2
tanto para el caso de haber estimado el modelo ms simple () como en el caso del
modelo con constante ( ), y:
Z ( ) =
2
n3 ( 2 2 )
2
4 3Dy
(Ec. 40)
para el caso del modelo menos restringido (con trmino constante y tendencia
determinista). En esta ltima expresin, Dy se calcula como:
n
n
n 2 (n 2 1) n 2
n (n + 1)( 2n + 1) n
n
(
)
Dy =
y
n
iy
+
n
n
+
1
i
y
y
y t 1
i 1
i 1
i 1 i 1
12
6
i=2
i=2
i =2
i =2
i =2
pg.32
Los valores as corregidos de las razones t ( ) pueden entonces ser comparados sin
problemas con las distribuciones tabuladas por Fuller (1976).
A( L) y t = B( L) t
donde A(L)=(1-a1L-a2L2- a3L3-.... apLp) y B(L)= (1-b1L-b2L2- b3L3-.... bqLq), siempre
que la parte de medias mviles sea invertible podremos escribirlo como el modelo
autorregresivo siguiente:
A( L) B( L) y t = t
C(L)y t = t
Sin embargo, sado que el polinomio C(L) ser de orden infinito, si quisiramos utilizar la
estructura presentada en el caso general del test ADF (Ec. 30) tendramos que incluir infinitos
retardos de la variable yt:
y t = a 0 + y t 1 + i y t i +1 + t
i =2
Obviamente, resulta imposible estimar un modelo de infinitos parmetros por lo cual debemos
acudir a trabajos como los presentados por Said y Dickey (1984) sobre el contraste de races
unitarias en procesos ARMA de orden desconocido. Estos autores encontraron que 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. Por tanto,
puede utilizarse en estas condiciones el procedimiento ADF contrastando la nulidad del
parmetro usando las tablas DF para los valores de referencia i.
Para encontrar el verdadero valor de ese orden s inferior a (n)1/3 podemos utilizar los
contrastes clsicos de significatividad t F estimando el modelo a partir de un valor s
mximo y descendiendo en orden hasta conseguir que todos los retardos incluidos sean
significativos, o utilizar un procedimiento inverso comenzando por un orden mnimo y
aadiendo sucesivamente parmetros en el modelo. Sin embargo, este mtodo plantea el
problema de la prdida de grados de libertad que supone la estimacin de una serie de
parmetros nuisance autorregresivos que adems se incrementan a medida que la muestra se
ampla.
21
Precisamente la definicin de invertibilidad de un modelo de medias mviles supone que ste pueda
reescribirse como un modelo autorregresivo de orden infinito.
pg.33
Como alternativa a este enfoque22 debe mencionarse en este apartado el trabajo de Hall (1989)
ya que ste fue expresamente propuesto por el autor como un test para la deteccin de races
unitarias ante la presencia de un componente de medias mviles. Hall afirma que uno de los
inconvenientes que hacen inapropiada la utilizacin del test DF en presencia de proceso MA(q),
es la utilizacin de mnimos cuadrados ordinarios en la estimacin. As, propone como
alternativa la utilizacin de un estimador de Variables Instrumentales, que utiliza yt-k como
instrumento para yt-1. Hall demuestra que con este nuevo estimador:
-
La transformacin realizada a partir varianza muestral que se aplica para lograr el ratio t
comparable con los valores tabulados por Dickey Fuller es, en cualquier caso, ms sencilla
que la propuesta por en el mtodo de Phillips y Perron, ya que, segn palabras del propio autor,
por un lado el empleo del mtodo de variables instrumentales elimina la necesidad de corregir
sesgos en la media y, por otro, se emplean estimadores de la varianza que utilizan informacin
sobre la estructura de los trminos del proceso de medias mviles, mientras que en el caso del
contraste PP, se usa un estimador del tipo Newey y West (1994).
22
Existe alguna posibilidad adicional distinta a las dos comentadas en este apartado como, por ejemplo,
la utilizacin de las distribuciones corregidas propuestas para el caso general por Phillips (1987) y
Phillips y Perron (1988). Sin embargo, estas correcciones no parecen tampoco ser apropiadas en el caso
en que las innovaciones exhiben procesos de medias mviles homocedsticos.
23
En realidad sera injusto circunscribir este problema al test DF ya que, en mayor o menor medida,
todos los contrastes de races unitarias presentan este defecto.
pg.34
y t = 0.75 y t 1 + 0.20 y t 2 + e t
6
4
2
0
-2
-4
-6
-8
-10
-12
1
15
22
29
36
43
50
57
Proceso I(1)
64
71
78
85
92
99
A R ( 2 ) E stacionario
La falta de potencia no afecta slo a aquellas situaciones en las que es preciso distinguir entre
un proceso autorregresivo y un proceso con raz o races unitarias, sino tambin a aquellas en la
que se confunde un paseo aleatorio con deriva de una serie estacionaria en varianza pero con
tendencia determinista. En ambos tipos de procesos, es fcil que la componente tendencial
domine el patrn de evolucin por lo que, a poco que la varianza de la perturbacin aleatoria del
paseo aleatorio sea algo menor que la del modelo tendencial determinista, ambos procesos
pueden confundirse24.
PASEO CON DERIVA Vs. TENDENCIA DETERMINISTA
y t = 0.03 + y t 1 + e t
y t = 1 + 0.02t + e t
4
3,5
3
2,5
2
1,5
1
0,5
0
1
15
22
29
36
43
50
57
64
71
78
85
92
99
T endencial Determinista
Por ltimo, Molinas (1986) y Schwert (1987 y 1989) demostraron mediante simulaciones,
cmo la potencia del test DF (y tambin del P.P.) se ve afectada seriamente en muestras
elevadas en presencia de un esquema MA en el verdadero proceso generador de datos. En
particular, cuando el proceso generador de datos responde a un esquema ARIMA (0,1,1) con el
parmetro MA muy cercano a la unidad, los estadsticos ADF y Phillips Perron presentan
24
En esta ilustracin, an habindose utilizado la misma serie de perturbaciones aleatorias, para el caso
del paseo aleatorio con deriva, su desviacin tpica se redujo a la mitad de cara a acentuar el dominio de
la componente tendencial.
pg.35
valores crticos muy por debajo de los tabulados en las distribuciones de Dickey-Fuller. De ese
modo, tenderemos a afirmar que los series analizadas son estacionarias demasiado
frecuentemente.
Intuitivamente la razn es sencilla ya que si el proceso generador de datos de yt es:
y t = y t 1 + (1 L) t (1 - L) y t = (1 L) t
si el parmetro est muy cercano a la unidad, el polinomio de raz unitaria (1-L) del lado
izquierdo tiende a eliminarse con (1-L) pareciendo entonces que yt tiene estructura de ruido
blanco (proceso I(0)).
6.F.-
Otro problema del test DF, en relacin directa con lo comentado previamente sobre la
sensibilidad del contraste a la eleccin del correcto proceso generador de datos supuesto, es el
de la presencia de cambio estructural, y sus efectos sobre los resultados del test.
Cuando existe cambio estructural, la conclusin del test DF tiende a estar sesgada hacia la
aceptacin de presencia de una raz unitaria. El motivo, tal y como sealaran Rappoport y
Reichlin (1989), puede entenderse fcilmente si se observa que, en mayor o menor medida, un
cambio tendencial en una serie se manifiesta como un cambio de impulso en la misma serie en
diferencias. Siendo esto as, al ajustar el modelo en diferencias (con una raz unitaria) se obtiene
un mejor ajuste que cuando se estima en niveles lo que puede hacer aparecer una serie
estacionaria como otra que requerira una diferenciacin.
En muchos manuales es fcil encontrar un sencillo ejemplo grfico explicativo de este
problema; se tomar en este texto la lnea argumental expuesta por Suriach et al. (1995). En el
grfico de la izquierda se reproduce una serie en niveles, afectada claramente por un cambio de
tendencia hacia la mitad del perodo, y esa misma serie en diferencias, que, dada la naturaleza
de la ruptura, no aparenta verse afectada por el cambio estructural. La serie en niveles ha sido
generada con un proceso AR(1) estacionario debidamente perturbado con una serie temporal
aleatoria. Tomando estas series como endgenas se estima un modelo en el que se hacen
depender ambas series, de un trmino independiente y una tendencia lineal constante. Este
modelo eliminara, por as decirlo, el componente determinista de la serie al que sera sensible
el test DF quedando en los residuos de estas estimaciones, que aparecen en el grfico de la
derecha, el componente estocstico.
5
12
10
3
8
2
6
1
0
-1
-2
0
-3
-2
-4
-4
-5
Serie en niveles
Serie diferenciada
Residuos niveles
Resiudos diferencias
Tal y como puede observarse, ambos grficos mostraran que la serie diferenciada es
estacionaria mientras que la serie en niveles, al no haber sido modelizada convenientemente, no
pg.36
parece serlo aconsejando la presencia de una raz unitaria. Obviamente, dado que hemos
controlado su generacin, sabemos que en realidad la serie en niveles si es estacionaria y la serie
en diferencias est sobrediferenciada.
An puede verse ms clara la idea si recreamos para 100 valores la siguiente serie25:
y t = 0.5 y t 1 + t + FN
donde la variable FN es una variable ficticia dicotmica de escaln que toma valor cero
hasta la observacin 50 y uno a partir de la 51 y donde, adems, t es una secuencia de valores
aleatorios independientes y normalmente distribuidos. La representacin grfica de esta serie
aparece a continuacin:
8
7
6
5
4
3
2
1
0
y t = a 0 + a1 y t 1 + t
En esta situacin, dado el perfil grfico de la serie, la estimacin del parmetro a1 estara
sesgada hacia la unidad. La razn de este sesgo es que el parmetro tendera a captar la
propiedad de que, a valores pequeos de yt-1 , siguen valores pequeos de yt al tiempo que, a
valores elevados de yt-1 siguen, tambin, valores elevados de yt. A medida que el valor estimado
de a1 tendiese a la unidad, la ecuacin anterior se acerca a la formulacin de un paseo aleatorio
con deriva:
y t = a0 + y t 1 + t
ecuacin cuya solucin implica la presencia de un componente tendencial determinista:
yt = y0 + a0t + t
es decir, la ecuacin ajustada tendera a reproducir un ajuste lineal como el que se
muestra en el grfico siguiente, o sea, del tipo:
y t = a0 + a 2 t + t
25
pg.37
9
8
7
6
5
4
3
2
1
0
En estas condiciones es fcil entender el sesgo del test DF hacia la deteccin de una raz unitaria
cuando, en realidad, cualquiera de los dos ramos es estacionario. Esto no quiere decir, no
obstante, que un proceso I(1) no pueda presentar un cambio estructural. Sin demasiado
problema puede construirse un ejemplo de esta situacin partiendo del proceso generador de
datos siguiente:
y t = y t 1 + t + FI
(Ec. 41)
donde FI es ahora una ficticia de impulso con valor cero en todos los perodos salvo en
la observacin nmero 5026. El aspecto grfico de la serie sera ahora el siguiente:
10
9
8
7
6
5
4
3
2
1
0
Cmo se resuelve entonces este problema ante la necesidad de testar la presencia de una raz
unitaria?. De forma inmediata cabe pensar en la posibilidad de, una vez observado el cambio
estructural, proceder a la aplicacin del test DF sobre cada una de las submuestras si es que los
grados de libertad en cada caso nos lo permiten. Si no es as o, si por cualquier otra razn nos
vemos en la necesidad de usar el total del perodo considerado, podemos utilizar procedimientos
especiales diseados al efecto27, como el contraste propuesto por Perron (1989).
Las dos hiptesis enfrentadas sern la nula de un salto de impulso en un proceso I(1) frente a la
alternativa de un cambio en el trmino independiente de un proceso con tendencia determinista.
Los modelos que representan una y otra hiptesis seran:
26
Al tratarse de un paseo aleatorio, cualquier shock tiene duracin infinita por lo que para generar un
cambio estructural de efecto permanente basta con un impulso en una observacin cualquiera.
27
Un repaso y examen de los contrastes de races unitarias en presencia de cambio estructural puede
encontrarse en Noriega-Muro (1993).
pg.38
H 0 : y t = a 0 + y t 1 + 1 FI + t
H 1 : y t = a 0 + a 2 t + 2 FN + t
(Ec. 42)
donde las variables F son ficticias dicotomicas (0,1) de impulso y escaln que cambian
en el momento t=+1.
El procedimiento de Perron es, en esencia, extremadamente sencillo ya que se basa en que, de
existir una verdadera raz unitaria en el proceso yt, esta pervive cuando se elimina el
componente tendencial determinista. La aplicacin del contraste implica por tanto completar
los siguientes pasos:
-
y t = a 0 + a 2 t + 2 FN + y t
-
y t = a1 y t 1 + t
(Ec. 43)
contrastndose sobre este modelo la presencia de una raz unitaria, o sea, tomando como
hiptesis nula H0: a1=1.
-
Debe advertirse que el planteamiento anterior supone un cambio de estructura que afecta
exclusivamente al trmino independiente, es decir, un cambio de nivel. Si embargo, cabe la
posibilidad de plantear un cambio en la pendiente de las serie transformando los modelos de la
expresin (Ec. 40), hiptesis nula y alternativa, de la siguiente forma:
H 0 : y t = a0 + y t 1 + 1 FN + t
H 1 : y t = a0 + a 2 t + 2 FT + t
(Ec. 44)
La diferencia radica exclusivamente en la forma en que se definen las ficticias. Ahora la ficticia
incluida en el paseo aleatorio con deriva de la hiptesis nula es (FN) es una ficticia de escaln
mientras que la incluida en el modelo tendencial determinista alternativo (FT) es una ficticia
temporal DT=t- ( o sea una sucesin de valores 1, 2, 3, 4... hasta )
Incluso, a fin de completar el planteamiento, cabe la posibilidad de suponer ambos cambios
simultneamente, cambio en la tendencia y cambio en el nivel, tanto en la hiptesis nula como
La mayor diferencia se produce en el mximo de , o sea, cuando =0.5. En este caso el valor crtico
de la t de las tablas DF es 3.76 frente al 3.41 tabulado por Perron.
28
pg.39
en la alternativa. Para eso basta con definir en ambos modelos una componente de cambio
estructural doble lo que se consigue sin problemas utilizando dos ficticias en cada caso:
H 0 : y t = a 0 + y t 1 + 1 FI + 2 FN + t
H 1 : y t = a0 + a 2 t + 2 FN + 3 FT + t
(Ec. 45)
Para terminar conviene sealar que, en el caso de observarse correlacin serial en el residuo del
modelo sealado en el segundo paso de la aplicacin del test de Perron (Ec. 43) resulta
conveniente la utilizacin de la forma ampliada de la ecuacin, es decir:
k
y t = a1 y t 1 + i y t i + t
i =1
y t = 0 + 1 D1 + + 1 D2 + + 1 D3 + et
el residuo (et) estara libre de estacionalidad.
En el siguiente par de grficos puede observarse un ejemplo de una serie trimestral con
estacionalidad determinista muy marcada en el primer y tercer trimestre (Grfico 1; cada ao
esta delimitado por lneas verticales) y los residuos derivados de su ajuste a un modelo como el
especificado anteriormente (Grfico 2)
29
Siguiendo a Franses (1991), una serie estacional puede definirse como .. una serie de observaciones
sobre un proceso yt medido un nmero s de veces por ao , cuya principal caracterstica es que las
observaciones para cada estacin s presentan medias y varianzas diferentes...
pg.40
1,5
0,6
0,4
0,5
0,2
-0,5
-0,2
-1
-0,4
-1,5
-0,6
- Estacionalidad estacionaria. Se trata, en este caso, de una serie generada por un proceso
autorregresivo que incluya retardos estacionales y cuyos parmetros cumplan las condiciones de
estacionariedad. El proceso:
y t = a 0 + a1 y t 4 + t
definido sobre una serie yt trimestral, con a1 menor que la unidad sera un ejemplo de
este caso.
En este caso la estacionalidad no resulta molesta dado que la serie sera en cualquier caso
estacionaria.
- Estacionalidad no estacionaria. En este caso tendramos un proceso estacional integrado lo
que supone la presencia de races unitarias en la representacin autorregresiva de la serie. El
tratamiento de este tipo de series es lo que interesa desarrollar en este apartado
Estamos pues ante un proceso yt que puede presentar races unitarias de orden estacional. As,
no es infrecuente encontrar procesos yt que se caractericen por estar integrados de orden d en
su componente regular e integrados de orden D en su componente estacional: yt ~ I(d,D).
Un ejemplo de este tipo de proceso definido a partir de una serie yt trimestral sera el siguiente:
y t = y t 1 + t
(Ec. 46)
25
20
15
10
5
0
-5
-10
-15
-20
-25
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
pg.41
Como puede observarse, esta serie est dominada por un patrn cclico de dos unidades de
tiempo (trimestres en este caso) por perodo, o sea, medio ciclo por perodo de tiempo
(trimestre). En este caso, sin embargo, esta componente estacional no ser fcilmente predecible
como en el caso de la estacionalidad determinista. Efectivamente, si en la ecuacin (Ec. 46) del
modelo anterior sustituimos de forma recursiva llegamos a la expresin siguiente:
t 1
y t = ( 1) t y 0 + ( 1) i t i
i =1
que nos permite observar las dos caractersticas que definen a una serie integrada:
memoria ilimitada y varianza no constante. Lo mismo ocurre con el proceso siguiente:
y t = y t 2 + t
en el que ahora es posible encontrar dos races unitarias complejas. Este proceso viene
gobernado por un ciclo anual tal y como se representa en el grfico:
20
15
10
5
0
-5
-10
-15
-20
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
por otro lado, conviene ser capaces de distinguir entre una estacionalidad
determinista y una de naturaleza estocstica.
Franses (1991)
pg.42
(1 Ls )
(Ec. 47)
y t = 0 + 1 D1 + + 1 D2 + + 1 D3 + et
El modelo a estimar sera entonces:
et = a1 et 4 + t
y la hiptesis nula se reflejara en a1=131. Este test, presenta algunos problemas pero el
ms importante es que no considera aisladamente las distintas races que pueden componer un
proceso estacional o, mejor dicho, se supone la igualdad de todas ellas.32
31
32
Este modelo se complica sustancialmente si se supone que sus residuos estn autocorrelacionados .
Por cierto que, en realidad, esto significa tambin que, en caso de no darse la hiptesis nula, el test
asume que el mdulo de las races no unitarias estacionales ser el mismo.
pg.43
Engle, Granger, Hylleberg y Yoo (1987) plantearon, para una serie trimestral, un contraste
alternativo (HEGY) que permite distinguir las distintas races estacionales y cuya expresin
vamos a obviar aqu. Aunque en definitiva la hiptesis genrica de esta alternativa sigue siendo
yt~SI(1,1) frente a yt~SI(0,0), la posibilidad de contrastar cada una de las frecuencias
estacionales por separado permite descomponer la hiptesis general en las siguientes
variedades:
H0
H1
SI(1,1) SI(1,0)
SI(1,0) SI(0,0)
SI(1,1) SI(0,0)
SI(1,1) SI(0,1)
SI(0,1) SI(0,0)
Hiptesis
Presencia o NO de races unitarias en las frecuencias estacionales 1, 2 y 3 dada
una raz unitaria en la frecuencia 0
Presencia o NO de una raz unitaria en la frecuencia 0 dadas races distintas de
uno en las frecuencias estacionales 1, 2 y 3.
Presencia o NO de cuatro races unitarias en todas las frecuencias estacionales.
Presencia o NO de una raz unitaria en la frecuencia 0 dadas races unitarias en
las frecuencias estacionales 1, 2 y 3.
Presencia o NO de races unitarias en las frecuencias estacionales 1, 2 y 3 dada
una raz distinta de uno en la frecuencia 0.
Este contraste, presentado inicialmente para datos trimestrales, fue generalizado posteriormente
por Franses (1991) y Beaulieu y Miron (1993) para series mensuales. Este contraste se abrevia
generalmente con las siglas BM, haciendo referencia al segundo de los trabajos citados.
Adems de los contrastes mencionados hasta aqu, nos referiremos al contraste conocido como
HF planteado en 1982 por dos de los autores que posteriormente generalizaran sus resultados
en el DHF, Hasza y Fuller (1982). ste permite contrastar la presencia de una raz unitaria
regular junto a una estacional , es decir H0:yt~I(1,1) (o lo que es igual, yt~SI(2,1)) tanto en el
contexto de un modelo aditivo:
et = a1 et 1 + a 2 et s + a 3 et s 1 + t
como de uno multipilicativo:
et = 1 et 1 + 2 ( et s + 1 et s 1 ) + t
La hiptesis nula implicara contrastar (a1, a2, a3)=(1,1,-1) o bien (1,2)=(1,1) mediante el
estadstico F. Los modelos propuestos ms arriba seran, obviamente, los modelos no
restringidos frente a los que se propone un nico modelo restringido:
s et = t
Los problemas de este test pueden resumirse en tres:
-
El test impone dos races unitarias en la componente regular bajo la hiptesis nula
No est claro el comportamiento del test cuando existe slo alguna raz estacional
en alguna frecuencia
pg.44
El contraste de estacionariedad conocido como KPSS es, sin duda, la referencia bsica en este
contexto. Las siglas KPSS responden a los nombres de sus autores, Kwiatkoski, Phillips,
Schmidt y Shin (1992) aunque en realidad ste parece ser un caso especial del procedimiento
general propuesto con anterioridad por Nabeya y Tanaka (1989). Los problemas derivados de la
aplicacin de este contraste as como algunas aportaciones al mismo han sido expuestos por
distintos autores en diversos trabajos: Newey y West (1994) y Hobijn et al. (1998) trataron el
procedimiento de seleccin de la amplitud de la ventana espectral para la estimacin de la
varianza a largo plazo que resulta necesaria en la aplicacin del contraste, mientras que Tanaka
(1990), Saikkonen y Luukkonen (1993) y Choi (1994) aportaron contrastes de no invertibilidad
alternativos con estadsticos de contrastes equivalentes al KPSS bsico.
Junto al contraste KPSS, y como segunda aportacin importante, debe mencionarse tambin el
contraste LMC debido a Leybourne y McCabe (1994) que vendr a ser la readaptacin a este
nuevo planteamiento de la correccin paramtrica ya expuesta en el contraste tradicional ADF
de no estacionariedad. En definitiva la diferencia entre el contraste KPSS viene a ser el diferente
tratamiento, paramtrico en el KPSS y no paramtrico en el LMC, de la autocorrelacin de la
serie yt. Las propiedades de este contraste tambin han sido revisadas en distintos trabajos como
en Hobijn et al. (1998), citado anteriormente.
33
En realidad, el autor emple en su documento el trmino imponer aunque quiz no con el sentido de
sustituir al mtodo tradicional sino con el de extender sin reservas y de forma definitiva su utilizacin en
el mismo plano de importancia que el enfoque tradicional.
pg.45
Estas dos propuestas bsicas, KPSS y LMC se complementan con las de otros autores como
Park (1990), Tanaka (1990), Saikkonen y Lukkonen (1993), Choi (1994), y en cierto modo,
Franses (1991) y Valdero (1998).
A efectos prcticos resulta especialmente interesante el uso simultneo de contrastes de
integracin (no estacionariedad) y estacionariedad como ya propusieran inicialmente tanto
Kwiatkoski et al. (1992) como Leybourne et al. (1994). Los trabajos presentados por Amano y
van Norden (1992) muestran una mejora considerable en las conclusiones obtenidas con el uso
conjunto de estas dos aproximaciones. Las aportaciones de Charemza y Syczewska (1998) y
Carrin et al. (1998a) deben ser tambin consideradas para aproximarse con ms garantas de
xito al uso combinado de los dos tipos de contrastes.
Por ltimo, para completar las referencias sobre el tema, resulta pertinente citar los trabajos
sobre la aplicacin de contrastes de estacionariedad con cambio estructural de Lee (1996), Lee
et al. (1997), Lumsdaine y Papell (1997) y Carrin et al. (1998b) y (1998c) as como las
aportaciones a la aplicacin de estos contrastes para el anlisis de la estacionariedad estacional
de Canova-Hansen (1995) y Hylleberg (1995).
y t = j S jt y t 1 + t
j =1
y t = y t j y t 1
donde j vara desde 1 hasta q y se cumple que el producto:
1 2 ..... q = 1
pg.46
pg.47
La serie elegida para el anlisis de estacionariedad es la del Tipo de Inters a Largo Plazo de
Estados Unidos35, eleccin motivada sobre todo por la amplitud de la muestra anual disponible
(38 datos correspondientes a los aos 1960 a 1997). Pocas series de la economa espaola, y an
menos si se trata de la vertiente financiera, estn disponibles anualmente desde un perodo tan
lejano.
1965
1970
1975
1980
1985
1990
1995
A la vista del grfico de nuestra serie, podramos clasificarla en principio como no estacionaria.
Para determinar el orden de integracin, tambin grficamente, representaramos ahora la serie
en primeras diferencias, tal y como aparece en el siguiente grfico.
Grfico 2.- Representacin en primeras diferencias (DTLUSA)
3 ,0
2 ,0
1 ,0
0 ,0
- 1 ,0
- 2 ,0
- 3 ,0
1960
1965
1970
1975
1980
1985
1990
1995
Dicho todo lo anterior, a la vista de este nuevo grfico, podramos aadir ahora a lo que antes
dijimos, que si la serie fuese no estacionaria, sera I(1), y no de orden mayor.
35
Se trata concretamente del promedio anual de los datos medios mensuales del rendimiento compuesto
de las Obligaciones del Gobierno Federal a ms de 10 aos, publicado regularmente en el Main
Economic Indicators de la OCDE.
pg.48
Por otro lado y terminado de aprovechar la informacin que nos ofrecen los grficos 1 y 2,
podramos aadir que la serie no parece exhibir tendencia determinista alguna, mientras que,
aparentemente, si parecera adecuado suponer la presencia de un trmino independiente u
ordenada en el origen.
TUSAt = 0 + t
En caso de presencia de una raz unitaria, el estadstico DW tomara un valor cercano al cero.
En nuestro caso, la regresin mnimo cuadrtica facilita un valor del DW de 0.1316, valor que,
an sin enfrentarlo a los resultados obtenidos por Sargan y Barghava, resulta suficientemente
cercan a cero como para considerar la validez de la hiptesis nula.
pg.49
El test de races unitarias es, en E-Views, un formato ms de vista (View) de una serie, como lo
es su grfico, su tabla de estadsticos bsicos o su correlograma. Para acceder por tanto al test
DF/ADF en E-Views, editaremos la serie y seleccionaremos a continuacin la opcin Unit Root
Test dentro del men View.
Siguiendo el esquema propuesto ms arriba, queremos aplicar el test DF simple por lo que
seleccionaremos la opcin Test Type: Augmented Dickey-Fuller, sin incluir diferencias
retardadas Lagged differences: 0. Por otro lado, dado que empezaremos contrastando la
presencia de la primera raz unitaria, aplicaremos el test sobre la serie en niveles,
seleccionando Test for unit root in: Level. Por ltimo, si vamos a empezar estimando el modelo
menos restringido, aadiremos tendencia y trmino independiente en la estimacin,
seleccionando Include in test equation: Trend and Intercept.
36
Aunque hablando con propiedad, debe recordarse que en realidad son contrastes de No
Estacionariedad, ya que asumen como hiptesis nula la presencia de una raz unitaria.
pg.50
El programa E-Views, estima entonces la regresin especificada por MCO mostrando, por un
lado, los resultados bsicos comunes a cualquier estimacin que se realizase y, por otro los
valores crticos obtenidos de las superficies de respuesta de Mackinnon (1991) para el rechazo
de la hiptesis nula de raz unitaria. Los resultados bsicos obtenidos en nuestro caso son los
siguientes:
Deteccin 1 Raz Unitaria.
Test simple DF no restringido
En primer lugar nos plantearemos si debemos continuar con este modelo simple DF o
considerar la inclusin de algn retardo de la variable DTLUSA en la especificacin (test ADF).
Para ello observaremos la presencia de autocorrelacin en los residuos: el valor del Durbin
Watson (1.59) se encontrara dentro de los lmites de ausencia de autocorrelacin marcados por
los intervalos di=1.165 y ds=1.382 para n=37 y k=3 al 1% de significacin. Por otro lado, el
correlograma de los residuos de la regresin no muestra tampoco seales de autocorrelacin.
As mismo, los criterios clsicos de aceptacin o rechazo de nuevas variables como el Akaike
I.C y Schwarz tampoco recomiendan claramente la inclusin de un retardo de la variable
DTLUSA al registrar incrementos casi nulos 0.82% para el AIC y 2.41% para la S , sin que
adems la variable resulte estadsticamente significativa.
Una vez decido que no incorporaremos retardo alguno, sino que utilizaremos la expresin
simple del test DF, el esquema de Dolado et al. (1990) y Perrn (1990) nos obliga a contrastar
la hiptesis nula H0:=0, es decir a preguntarnos si, en este modelo sin restricciones, el
contraste indica presencia de raz unitaria o no. Para ello deberemos comparar el valor del ratio
la t obtenida en nuestro caso para el parmetro de TLUSA(-1), es decir, -0.8925, con el valor
crtico ofrecido por la superficie de respuesta de Mackinnon, ya calculado automticamente por
E-Views.
pg.51
En nuestro caso, no podemos rechazar la hiptesis nula a ningn nivel de significacin por lo
que deberamos admitir, en principio, la presencia de una raz unitaria.
Sin embargo, antes de dar el resultado del test por bueno definitivamente, debemos analizar la
significatividad de los trminos deterministas. Empezaremos contrastando la significatividad del
parmetro tendencial determinista @TREND(1960) cuyo valor en nuestro caso es 0.007. Para
contrastar la hiptesis nula H0:a2=0 (siendo =0) compararemos el ratio t obtenido en la
regresin para esta variable (-0.4387), con el valor crtico Dickey-Fuller (1981) del estadstico
.
Si observamos los valores crticos de referencia en las tablas37 (entre 2,85 para 25 datos y 2,81
para 50 datos, con un nivel de confianza del 95%) comprobaremos que, en cualquier caso, el
parmetro tendencial no resulta significativo. Para asegurar el anterior resultado, la nulidad del
parmetro a2 puede tambin contrastarse con el estadstico de significacin conjunto 3. Para
ello tendramos que calcular el resultado de ese ratio F (Ec. 29) en nuestro caso a partir de la
estimacin de los modelos restringido (sin parmetro a2) y sin restringir (con parmetro a2):
3 =
26,54 37 3
con SCRmr y SCRmrn como sumas cuadrticas residuales de los modelos restringido, n
nmero total de observaciones, k nmero de parmetros del modelo no restringido y r el
nmero de restricciones. En nuestro caso, el valor crtico ofrecido por las tablas DF para 3, con
un nivel de significacin de 0,95 estara entre 6,73 (para 50 datos) y 7,24 para 25 datos) por lo
que, en cualquier caso, volvemos a admitir la nulidad del parmetro a2.
Por tanto, ante los problemas de potencia del test en presencia de variables irrelevantes, no
podemos admitir como correcto el contraste anterior H0:=0. Suprimiremos de la especificacin
el trmino tendencial y estimaremos ahora la expresin del test DF slo con el trmino
independiente volviendo a contrastar de nuevo la presencia de la raz unitaria.
37
El E-Views no aporta estos valores de modo que habr que acudir al artculo de Fuller et al. (1981). Pg.
1062-1063.
pg.52
pg.53
De nuevo, dado el valor del ratio t (-1.5137) los valores crticos de Mackinnon no permiten
rechazar la hiptesis nula de raz unitaria. Sin embargo, nuevamente debemos asegurarnos que
el modelo elegido es correcto, contrastando ahora la idoneidad del trmino constante a0.
Para contrastar la hiptesis la nula H0:a0=0 (siendo =0) compararemos el ratio t obtenido en
la regresin para esta variable (1.5940), con el valor crtico Dickey-Fuller del estadstico .
Como ya ocurriera con el trmino tendencial, el valores crticos (entre 2,61 para 25 datos y 2,56
para 50 datos, con un nivel de confianza del 95%) indican que el parmetro del trmino
independiente no es estadsticamente significativo. Del mismo modo que hicimos ms arriba
para el parmetro a2, podemos ahora contrastar la nulidad de a0 utilizando el test 1 propuesto
por Dickey y Fuller y comentado en el correspondiente apartado terico. En este caso, los
clculos seran:
1 =
(SCRmr SCRmnr ) r
SCRmnr n k
de nuevo inferiores a los lmites para 1, con un nivel de significacin de 0,95: 5,18
(para 50 datos) y 4,86 (para 25 datos) ; volvemos por tanto a admitir la nulidad del parmetro
a2.
Una vez ms debemos reestimar el modelo DF, ahora en su versin restringida. El resultado de
esta regresin final aparece a continuacin y ahora si que, definitivamente, podemos afirmar la
presencia de una raz unitaria en TLUSA.
Salida 5.- Deteccin 1 Raz Unitaria.
Valor ratio t para y valores crticos de Mackinnon en test DF restringido
Sin embargo, este anlisis simple de estacionariedad para TLUSA no ha terminado todava,
dado que la presencia de una raz unitaria no significa necesariamente que la serie sea I(1).
Efectivamente, puede existir una segunda raz unitaria, por lo que, asumiendo el esquema de
Charemza y Deadman (1992), repetiremos ahora el test DF sobre la variable en diferencias,
asumiendo ya, eso s, la estructura restringida y sin retardos para el modelo DF.
pg.54
En este caso, seleccionaremos en la pantalla de Eviews la opcin Test for unit root in: 1st
difference.
En nuestro ejemplo, el resultado del test no permite admitir la presencia de una segunda raz
unitaria, al ser el ratio t estimado (-4.7791) muy inferior a los lmites marcados por las
superficies de respuesta de Mackinnon para cualquier nivel de significacin.
pg.55
N
q = 4
100
pg.56
pg.57
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. 1333-1354.
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 Co-Integration 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.
pg.58
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 CoIntegration. 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.165-172.
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. 12791313
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. Engle 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.
pg.59
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. 513-519.
Newey, W.K y West, K.D. (1987). "A Simple Positive Semi-Definite, Heteroskedasticity and
Autocorrelation Consistent Covariance Matrix". Econometrica, 51.
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
pg.60
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.433444.
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 NonInvertible 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.