Engle Granger

Nociones Elementales de Cointegracin
Enfoque de Engle-Granger
HL Mata

Procedimiento de Engle-Granger
Visiten Otras Notas de Clase en:
http://webdelprofesor.ula.ve/economia/hmata
Profesor Titular de la Facultad de Ciencias Econmicas y Sociales (FACES) de la Universidad de los

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

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

Dos o ms series de tiempo que son no estacionarias de orden I(1) estn
cointegradas si existe una combinacin lineal de esas series que sea
estacionaria o de orden I(0). El vector de coeficientes que crean esta serie
estacionaria es el vector cointegrante.
HL Mata

Las mayora de las series econmicas son no estacionarias

por cuanto comparten tendencias estocsticas comunes.
El profesor Clive Granger, Premio Nobel de Economa en el ao
2003, fue el primero en llamar la atencin sobre la existencia
de tendencias comunes en las series economtricas. Segn l
sta es la causa principal de los resultados espurios
obtenidos en las estimaciones economtricas realizadas antes
del ao 1980.
Los mtodos economtricos desarrollados por los Profesores
Engle y Granger en el ao 1987 se aplican fundamentalmente
a series estacionarias.
HL Mata

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

cambia con el tiempo. Son las llamadas Series no estacionarias.
Algunas Series describen meandros, es decir, suben y bajan sin

ninguna tendencia obvia o tendencia a revertir hacia algn punto
Algunas series presentan Shocks persistentes. Los cambios

repentinos en estas series tardan mucho tiempo en desaparecer
Algunas series se mueven conjuntamente, es decir tienen co

movimientos positivos, ejemplo: diferentes tasa de inters
La Volatilidad de algunas Series vara en el tiempo. Muchas series

pueden ser ms variables en una ao que en otro
1200
1.6E+07
160000
1.4E+07
150000
1000
1.2E+07
800
140000
1.0E+07
130000
8.0E+06
600
120000
6.0E+06
400
110000
4.0E+06
200
100000
2.0E+06
0.0E+00
0
93
94
95
96
97
98
IPC
HL Mata
99
00
01
02
03
90000
93
94
95
96
97
98
99
00
01
02
03
M1

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

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

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

Procedimiento de Engle y Granger
HL Mata

Quienes son Engle y Granger?

Robert F. Engle y Clive W.J. Granger
Recibieron el premio Nobel en Economa en el ao 2003.
Estos laureados desarrollaron mtodos que capturan dos de
las propiedades claves ms importantes de las series
temporales, a saber:
Granger: mtodos para analizar series temporales con
tendencias comunes (Cointegracin)
Engle: mtodos para analizar las series temporales con
volatilidad variable en el tiempo (modelos ARCH)
HL Mata

1.
Determinar el Orden de Integracin de cada una de las Variables a ser

includas en el Modelo:
2.
3.
3.
4.
Si las series son estacionarias de orden I(0) apliquen el procedimiento estandard de MCO. Resultado: parmetros exactos y
superconsistentes.
Si las series resultan integradas de diferente orden, tales como:
I(0), I(1), I(2) es posible concluir que las mismas no estn
cointegradas. La aplicacin de MCO producir resultados
espurios: R2, Fc y tt altos y DWc bajo
Finalmente, puede ocurrir que las series tengan el mismo orden
de integracin, digamos I(1). En general: cualquier combinacin
lineal de variables I(1) ser tambin I(1). Pero puede haber
alguna combinacin lineal particular entre las variables I(1) que
sea estacionaria, es decir: I(0). Para determinarlo, ejecuten el
paso 2
Especificar y Estimar la Relacin Funcional a Largo Plazo y contrastar si

los residuos tienen una raz unitaria o no
Guardar los Residuos Estimados
Prueba de Cointegracin en los Residuos Estimados
Estimar el Modelo de Correcin de Errores si las variables estn cointegradas
HL Mata

Datos: Descripcin
Los series utilizadas en esta nota se obtuvieron de la Tabla 21-1, Informacin
Macroecononmica, Estados Unidos, 1970.1 a 1991.4. Damodar N. Gujarati
(2003) Basic Econometrics, McGraw Hill, 5ta edicin.
El procedimiento de la diapositiva 11 les ayudarn a bajar los datos, guardarlos
en formato .XLS e importarlos posteriormente desde la aplicacin EViews
Series Trimestrales:
Tamao de la muestra: 1970.1 - 1991.4
Series originales (Level: en su forma original, sin transformacin):
PCE = Gasto Consumo Personal
PDI = Ingreso Personal Disponible
Series transformadas en logartmicas (o en tasas de cambio)
LPCE = Logaritmo de la serie PCE
LPDI = Logaritmo de la serie PDI
HL Mata

10
Procedimiento para bajar los datos desde Internet

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

En la pgina Textbook Examples Files. Gujaratis Basics Econometrics, hagan
clic en el hipertexto Gujarati Vers5.zip para mostrar su contenido. Clic en Abrir
3.
4.
Hallarn el archivo table21-1.prn en la 1ra fila de la ventana WinZip, Gujarati[1].zip

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

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

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

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

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

HL Mata

11
Importar Datos desde MS Excel

Abran la aplicacin Econometric Views (Eviews):
File New Workfile:
En Frequency, seleccionen: Quarterly
En Start date, escriban: 1970.1
En End date, escriban: 1991.4.
Clic OK
Procs - Import - Read Text-Lotus-Excel:

En buscar en: seleccionen: USA
En tipo: Text-ASCII[*.*]. Clic Abrir.
En la seccin Name for series or. escriban los nombres de las series separadas
por espacios en blanco, es decir: GDP PDI PCE PROFITS DIVIDENDS. Clic OK
File Save As:

En Guardar en: Seleccionen el directorio donde se guardar el archivo.
En Nombre: escriban USA
En Tipo: debe estar seleccionado Workfile [*.wf1].
HL Mata

Clic en Guardar
12
Determinar el Orden de Integracin de

cada una de las Series a ser Incluidas
en el Modelo
HL Mata

13
Orden de Integracin. Definicin
El orden de integracin se refiere al nmero de veces que se debe diferenciar una serie de
tiempo (calcular su primera diferencia) para convertirla en una serie estacionaria
Se dice que una serie de tiempo est integrada de orden d, escrita I(d), si despus de
diferenciarla d veces se convierte en estacionaria.
Las series que son estacionarias sin diferenciar se denominan I(0), ruido blanco
Si se calcula la primera diferencia de una serie y sta se vuelve estacionaria, se dice entonces
que la misma est integrada de orden I(1), random walk.
Si la integracin se alcanza despus de calcular la segunda diferencia, se dir que la serie

esta integrada de orden 2, es decir I(2)
Si una combinacin lineal de 2 variables I(1) genera errores I(0), se dice que las 2 variables
estn cointegradas
Si dos variables estn integradas de diferentes rdenes, digamos que una es I(1) y la otra de
orden I(2), no habr cointegracin
En economa slo tienen importancia las series integradas de orden I(1).
Cul es el orden de integracin de nuestras variables PCE e DPI ?
HL Mata

14
Pruebas Informales para Identificar

Series No estacionarias
Representacin grfica de las series

Correlograma
Estadstico Q de Box-Pierce
Estadstico LB de Ljung-Box
HL Mata

15
Representacin Grfica de las Series

Abran la Aplicacin Eviews:
Clic en File Open WorkFile - A: - USA.wf1 Abrir
Clic sobre la variable (serie) PCE para seleccionarla

Manteniendo oprimida la tecla Control hagan clic sobre PDI
Hagan doble clic sobre la serie PCE y seleccionen Open Group
Clic en View (del archivo de trabajo) Graph - Line
Observen en la prxima diapositiva como las variables PCE y
PDI crecen (tambin pueden decrecer) constantemente en el tiempo.
Este comportamiento es caracterstico de series No estacionarias.
HL Mata

16
Plot de las Series PCE y PDI

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

17
Transformacin de las Series en Primeras

Diferencias
Clic en el botn de Cerrar (botn rojo inferior) para cerrar la Ventana del Grupo
Clic en el botn de comando YES para confirmar el cierre
Calcular Primeras Diferencias:
Clic en Quick - Generate Series y escriban: DPCE=PCE-PCE(-1). Clic OK

Clic en Quick - Generate Series y escriban: DPDI=PDI-PDI(-1)
Representar las Series en Primeras Diferencias
Seleccionen las variables Transformadas DPCE y DPDI, respectivamente
Doble clic sobre la serie DPCE y seleccionen Open Group
Clic en View (archivo de trabajo) Graph - Line
Inspeccionen las grfica de las series en la diapositiva 19. Noten que las mismas se alejan y
regresan a unos valores medio. Esos valores no son otros que la media y la varianza. Las
series que exhiben este tipo de comportamiento se denominan series estacionarias.
HL Mata

18
Representacin Grfica de las Series

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

19
Funcin de Autocorrelacin
La funcin de autocorrelacin de la serie PCE da la correlacin terica entre los valores de
la serie en el perodo t y sus valores en el tiempo t+k, para todo valor de k desde 1 hasta
n, cuya frmula de clculo es la siguiente:
k =
cov(xt , xt + k )
k
k
=
=
para todo k = 1,...,
var( xt ) var(xt + k )
0 0 0
Regla de decisin:
Los coeficientes de autocorrelacin de los procesos estacionarios tienden a cero (0)
rpidamente a medida que aumenta el nmero de retardos K
Los coeficientes de autocorrelacin de los procesos no estacionarios decaen muy
lentamente, a cero (0), a medida que aumenta K
El grfico del correlograma es una herramienta importante en el anlisis de las series
temporales. Noten los valores de
k (rho) en las dispositivas 25 y 26
HL Mata

20
Pasos para Realizar el Correlograma

Clic en el botn de Cerrar (botn rojo inferior) para cerrar la Ventana del Grupo
Clic en el botn de comando YES para confirmar el cierre
Doble clic sobre la serie PCE
Clic en View - Correlograma (Seleccionen Level y hasta de las observaciones de la muestra).
Clic en el botn OK.

Repitan el procedimiento, pero ahora seleccionen Primeras Diferencias.
Comparen el comportamiento de ambos correlogramas. Que conclusin sacan de
ellos?
HL Mata

21
Correlograma de las Series PCE e PDI

Mtodo para determinar si una serie es estacionaria. Representar los valores de
la funcin de autocorrelacin muestral (ACF, por sus siglas en ingls) con respecto a la longitud del retardo. En nuestro ejemplo, la longitud del retardo es 36
Correlogramas de las series PCE e PDI con 36 retardos, hechos en MicroFit 4.1
Reglas de decisin:
SerieNo Estacionaria: El correlograma empieza en un valor muy alto y decae
muy lentamente hacia cero. De acuerdo con esto, nuestras series son no
estacionarias
Serie Estacionaria: El correlograma decae rpidamente despus del primer
retardo
HL Mata

22
Prueba de hiptesis de Q y LB
1.
Planteamiento de hiptesis:
H 0 : 1 = 2 = ... = k = 0 Serie es White noise = Estacionaria

H1 : 1 = 2 ... k 0 Serie Random walk = No estacionaria
Nmero de retardos recomendados: un 25 % del total de las observaciones
2.
Estadsticos de Box-Pierce (Q) y Ljung-Box (Q). Gujarati, p.701

m
Q BP = n
k =1
3.
2
k
2
m k
2
Q
= n (n + 2 )
m
LB
k =1 n k
Regla de decisin:
Rechacen a Ho si el valor de probalidad es menor o igual que el nivel = 0.05

No rechacen a Ho si el valor de la probabilidad es mayor que el nivel = 0.05
4.
Conclusin:
Dado que las probabilidades asociadas a los estadsticos Q son menores que el
nivel alfa igual a 0.05, se concluye que las series son no estacionarias
HL Mata

23
Valores de Probabilidad - P-values

Aparece en el anlisis de regresin con el ttulo [Prob]. P es la abreviatura de Probabilidad
[Prob].
Especifica el nivel de significacin ms bajo al cual se puede rechazar la hiptesis

nula
Prueba de hiptesis con el p-value y/o (Prob)

1.
2.
Definan previamente el nivel de significacin

Regla de decisin:
Rechace Ho
si
No rechace a Ho si
p
p >
En estadstica es convencional rechazar la hiptesis nula con un nivel de significacin

. Cuando se rechaza la hiptesis nula se dice que los resultados del estudio
son estadsticamente significativos al nivel
= 0.05
Qu interpretacin se les da a los p-values o valores de las probabilidades?:

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

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

***************************************************************
Orden
Coeficiente
Autocorrela.
Standard
Error
Box-Pierce
Estadstico Q
Ljung-Box
Estadstico
***************************************************************
1
2
3
4
5
6
7
8
9
10
.96891
.93525
.90136
.86579
.82982
.79122
.75193
.71250
.67491
.63814
.10660
.18083
.22930
.26654
.29678
.32207
.34345
.36167
.37729
.39077
82.6134[.000]
159.5870[.000]
231.0825[.000]
297.0469[.000]
357.6434[.000]
412.7341[.000]
462.4895[.000]
507.1635[.000]
547.2475[.000]
583.0827[.000]
85.4621[.000]
166.0159[.000]
241.7170[.000]
312.3932[.000]
378.1002[.000]
438.5656[.000]
493.8494[.000]
544.1077[.000]
589.7729[.000]
631.1213[.000]
*****************************************************************
Estadsticos calculados con MicroFit. Los valores entre corchetes son valores de Probabilidad.
Rechace a Ho si el valor de la probabilidad asociada al los estadsticos Q [valores entre

corchetes] es menor o igual que el nivel de significacin 0.05
Observen a los estadsticos Q y LB y a sus correspondientes valores de Probabilidad:

Todos son significativospor ser menores que el nivel alfa 0.05. Esto obliga a rechazar la
hip tesis nula Ho: Serie PCE es estacionaria. Por lo tanto, la serie PCE es no estacionaria por el hecho de poseer una raz unitaria
HL Mata

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

***************************************************************
Orden
Coeficiente
Autocorrela.
Standard
Error
Box-Pierce
Estadstico Q
Ljung-Box
Estadstico
***************************************************************
1
2
3
4
5
6
7
8
9
10
.96699
.93425
.90142
.86762
.83310
.79829
.76253
.72655
.69147
.65661
.10660
.18060
.22902
.26631
.29669
.32218
.34393
.36263
.37881
.39289
82.2863[.000]
159.0952[.000]
230.5997[.000]
296.8437[.000]
357.9201[.000]
413.9999[.000]
465.1683[.000]
511.6215[.000]
553.6973[.000]
591.6376[.000]
85.1237[.000]
165.5052[.000]
241.2158[.000]
312.1915[.000]
378.4190[.000]
439.9700[.000]
496.8237[.000]
549.0836[.000]
597.0181[.000]
640.7953[.000]
*****************************************************************
Estadsticos calculados con MicroFit. Los valores entre corchetes son valores de Probabilidad
Rechace a Ho si el valor de la probabilidad asociada al los estadsticos Q [valores entre

corchetes] es menor o igual que el nivel de significacin 0.05
Observen a los estadsticos Q y LB y a sus correspondientes valores de Probabilidad:

Todos son significativos por ser menores que el nivel alfa 0.05. Esto obliga a rechazar la
hip tesis nula Ho: Serie PDI es estacionaria. Por lo tanto, la serie PDI es no estacionaria por el hecho de poseer una raz unitaria
HL Mata

26
Pruebas Formales para Identificar

Series No estacionarias
1.
2.
3.
HL Mata
Estadstico de Dickey-Fuller (DF)

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

27
Prueba de Dickey-Fuller (DF)

Antes de someter los datos a procesamiento electrnico Uds. deben investigar
previamente si las series son o no estacionarios. Los resultados estimados a
partir de series no estacionarias son espurios. No tienen significado alguno.
Dickey y Fuller (1979) sugieren las siguientes ecuaciones para determinar la
presencia o no de races unitarias. Gujarati, pgina 703.
Yt = Yt 1 + ut
Yt = + Yt 1 + ut
Yt = + T + Yt 1 + ut
La diferencia entre estas tres regresiones envuelve la presencia de componentes

determinsticos: Intercepto (drift) y tendencia (T). La primera es un modelo
puramente aleatorio. La segunda aade un intercepto o trmino de deriva, drift
y la tercera incluye intercepto y un trmino de tendencia
El parmetro de inters en las 3 regresiones es

HL Mata

.
28
Pasos para la Prueba de Hiptesis

1.
H 0 : = 0 La Serie es no estacionaria : Tiene una raiz unitaria

H1 : 0 La Serie es estacionaria
2.
Estadsticos para la prueba
*
t = tau = ADF
3.
Regla de decisin:
los valores crti cos de MacKinnon
Comparen el valor de tau con los valores crticos de MacKinnon
Si | t | | valor crtico
Si | t | > | valor crtico

4.
DF | Re chace a H . Serie estacionaria

0
DF | Acepte a H . Serie No Estacionaria
0
Conclusin:
PCE ... Como | t | > | valor crtico DF | Serie no estacionaria
PDI
Serie no estacionaria
Como | t | > | valor crtico DF |
HL Mata

29
Prueba Aumentada de Dickey Fuller (ADF)

La prueba aumentada de Dickey-Fuller (ADF) es una versin de la prueba de
(DF) para modelos de series de tiempo mucho ms grandes y complicados.
La ADF es un nmero negativo. Mientras ms negativo sea el estadstico ADF (
con respecto a los valores crticos) ms fuerte ser el rechazo de la hiptesis
nula sobre la existencia de una Raz Unitaria o no estacionariedad
La ecuacin de regresin ADF se basa en las regresiones de la diapositiva 28,
pero aumentndolas con trminos retardados de la variable
Yt = + T + Yt 1 + Yt i + et
i =1
Use este estadstico cuando la prueba de DF no pueda corregir la correlacin

serial en los residuos. El propsito de los retardos Yt i es asegurar que los
residuos sean ruido blanco. Cuntos retardos usar?. Empiecen con 6 retardos
y vayan disminuyendo gradualmente su nmero hasta que el estadstico
indique que se ha corregido la autocorrelacin.
HL Mata

30
Prueba de Raz Unitaria con el EViews

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

HL Mata
Maximum Lags: 11
OK
Re chace a Ho :| 6.630339 | > | Valores crti cos |
Estadtico Durbin Watson: 2.034425

31
Prueba de Raz Unitaria, Serie PCE

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

Test critical values:
Conclusin:
.
1% level
5% level
10% level
Prob.*
0.4749
-4.068290
-3.462912
-3.157836
Acepten la hiptesis nula por cuanto el valor del ADF es menor en valor abosluto (menos negativo)
que el valor crtico de McKinnon al 5%. (Transformen sus datos en logs, 1ras diferencias, tasas de
cambio, etc)
Primera diferencia (Intercepto y 0 retardos):

Test Critical Values:
Conclusin:
t-Statistics
-6.630339
1% level
5% level
10% level
Prob.*
0.00000
-3.508326
-2.895512
-2.584952
El estadstico ADF, -6.630339, es un nmero suficientemente negativo
Rechacen la hiptesis nula a favor de estacionariedad por cuanto el valor del ADF (-6.630339) es
mayor, en valor absoluto (ms negativo) que cualesquiera de los valores crticos de MacKinnon
Noten que la probabilidad asociada al estadstico tau (Prob) es menor que el nivel 0.05, lo cual
ratifica el rechazo de la hiptesis nula de no estacionariedad
HL Mata

32
Prueba de Raz Unitaria, Serie PDI

Level (Intercepto y tendencia y 3 retardos):
t-Statistics
-2.588254

Conclusin:
.
1% level
5% level
10% level
Prob.*
0.2867
-4.066981
-3.462292
-3.157475
Acepten la hiptesis nula por cuanto el valor del ADF es menor en valor abosluto (menos negativo)
que el valor crtico de McKinnon al 5%. (Transformen sus datos en logs, 1ras diferencias, tasas de
cambio, etc)
Primera diferencia (Intercepto y 0 retardos):

Test Critical Values:
Conclusin:
.
.
.
t-Statistics
-9.636167
1% level
5% level
10% level
Prob.*
0.00000
-3.508326
-2.895512
-2.584952
El estadstico ADF, -9.636167, es un nmero suficientemente negativo

Rechacen la hiptesis nula a favor de estacionariedad por cuanto el valor del ADF (-9.636167) es
mayor, en valor absoluto (ms negativo) que cualesquiera de los valores crticos de MacKinnon
Noten que la probabilidad asociada al estadstico tau (Prob) es menor que el nivel 0.05, lo cual
ratifica el rechazo de la hiptesis nula de no estacionariedad
HL Mata

33
Resultados de la Prueba ADF.

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

*
Significante a cualquier nivel de significacin: 1% 5% 10%..
NOTAS:
1.
El estadstico de Dickey Fuller (ADF o tau) es la prueba estndard de estacionariedad
2.
Un valor positivo de ADF significa que la serie es definitivamente no estacionaria
3.
Para que se pueda rechazar la hiptesis nula en favor de estacionariedad el estadstico ADF debe ser
un nmero suficientemente negativo. Ejemplo de nmeros suficientemente negativos: -6.6303 y
-9.6361, respectivamente.
4.
4.
Rechace la hiptesis nula de no estacionariedad cuando el valor absoluto del estadstico ADF (tau)
sea mayor en valor absoluto que el valor crtico de MacKinnon al nivel de significacin seleccionado,
normalmente el 5 %.
Un valor bajo del estadstico DW es indicativo de la necesidad de aumentar el nmero de retardos a
fin de remover la autocorrelacin en los valores de la serie.
HL Mata

34
Especificar y Estimar la
Relacin Funcional a Largo Plazo
HL Mata

35
Relacin de Equilibrio a Largo Plazo

Dado que las series PCE e PDI resultaron ser integradas de orden I(1), vamos a
especificar y estimar la siguiente funcin esttica de consumo a largo plazo:
PCEt = 0 + 1 PDI t + t
Tambin se especificar una relacin logartmica de consumo por cuanto la
primera diferencia de los logaritmos de las variables es equivalente a la
tasa de crecimiento de las series. Dichas trasformaciones son importantes ya
que inducen estacionariedad, adems de facilitar la interpretacin de los
resultados
LPCEt = 0 + 1 LPDI t + t
Al concluir la estimacin guarden los residuos estimados a fin de determinar
si existe o no cointegracin, en un todo de acuerdo con el procedimiento de
Engle-Granger, diapositiva 9
HL Mata

36
Procedimiento para Estimar la Relacin a

largo plazo
Clic en Cerrar (botn rojo, el inferior) para cerrar la Ventana del Grupo.
Clic en el men Quick y seleccionen Estimate Equation
En el cuadro de nombre Equation Specification, escriban:
Primero el nombre de la variable dependiente PCE, dejen un espacio en blanco.
La constante C para calcular la ordenada en el origen, dejen un espacio
El o los nombres de las variables independientes separadas por espacios
Hagan Clic en el botn de comando OK
HL Mata

37
Resultados de la Estimacin a largo Plazo

Dependent Variable: PCE
Method: Least Squares
Date: 05/10/03 Time: 07:39
Sample: 1970:1 1991:4
Included observations: 88
Variable
C
PDI
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Coefficient
-171.4412
0.967250
0.994051
0.993981
35.92827
111012.3
-439.0292
0.531629
Std. Error
22.91725
0.008069
t-Statistic
-7.480880
119.8712
Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0000
0.0000
2537.042
463.1134
10.02339
10.07969
14369.10
0.000000
Relacin de Consumo estimada a largo Plazo:
PC E = 171.4412 + 0,967250 PDI

El trmino de error estimado por MCO a largo plazo U t es una medida del desequilibrio en PCE con respecto
a su trayectoria de largo Plazo. Se utilizar ste ms adelante (diapositivas 52-55 ) para construir el Modelo
de Correccin de Errores.
HL Mata

38
Anlisis de los Resultados

1. La regresin estimada es espuria. De acuerdo con el criterio de Granger y Newbold las
regresiones espurias son aquellas que exhiben las siguientes caractersticas:
No mantienen entre s una relacin causal.
La estimacin de un modelo economtrico temporal proporciona elevada bondad del
ajuste. En nuestro caso, R2 =0.99405.
un valor del estadstico Durbin-Watson relativamente bajo, indicativo de
autocorrelacin positiva. En nuestro caso el DW=0.5316
Se sospeche regresin espuria cuando se cumple que R2 > DW
2. El bajo valor de DW indica auto correlacin positiva en los errores.
3. El bajo valor de DW tambin puede ser indicativo de no Cointegracin
4. PCE e PDI son series no estacionarias de orden I(1).
5. El signo estimado del coeficiente de la variable PDI result positivo tal como lo postula
la Teora Econmica.
HL Mata

39
HL Mata

40

Procedimiento:
Hagan clic en Quick y seleccionen el comando Generate Series

En la seccin Enter equation escriban:
Res=Resid y opriman la tecla OK
Clic en el botn Cerrar. Clic en Yes

para cerrar la ventana de la ecuacin
Clic en el botn Cerrar. Clic en Yes
para cerrar la ventana del grupo
Doble clic sobre el icono Res en la ventana del archivo de trabajo.
Hagan clic en la instruccin: Clic en View Graph Line.
El grfico de los Residuos en la diapositiva 42 pareciera indicar que los mismos

varan en torno a la media, varianza y covarianza, indicativo de estacionariedad
HL Mata

41
Prueba Informal de Cointegracin

en los Residuos
100
50
-50
-100
70
72
74
76
78
80
82
84
86
88
90
ERRORES
La inspeccin grfica sugiere que los residuos son estacionarios

HL Mata

42
Pruebas Formales de Cointegracin

en los Residuos Estimados
HL Mata

43
Estacionariedad de los Residuos Estimados

La metodologa tradicional de la regresin es aplicable a las series de tiempo
slo si los residuos estimados de la regresin son I(0) o estacionarios:
U t = PCEt 0 1 PDI t
Para conocer si los residuos son estacionarios, estime la siguiente regresin:
= U
U
t
t 1
En donde:
U t
U t 1
es la primera diferencia de los residuos estimados

es el primer retardo de los residuos estimados.
Los resultados de dicha regresin se muestran en la diapositiva 45. Observen

especialmente el valor del parmetro . El mismo es estadsticamente significativo, an al 1 %. En efecto, la probabilidad asociada al estadstico t, 0,0002, es
menor que el nivel 0,05, con lo cual se rechaza la Ho de no cointegracin a favor
de la hiptesis de cointegracin. En la diapositiva 48 se ratifican estos resultados
mediante la prueba formal ADF.
HL Mata

44
Resultados de la Estimacin
Dependent Variable: dRES
Date: 04/20/04 Time: 10:59
Sample(adjusted): 1970:2 1991:4
Included observations: 87 after adjusting endpoints
Variable
Coefficients
Std. Error
t-Statistico
rRES
-0.275312
0.072852
-3.779071
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.142205
0.142205
24.25937
50612.48
-400.3706
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
Prob.
0.0002
-0.405877
26.19315
9.226911
9.255255
2.277512
NOTAS:
Residuos retardados en un perodo: rRES = -0.276312. Probabilidad = 0.0002
Se rechaza la hiptesis nula Ho: de no cointegracin.
Se concluye que los residuos son I(0) y en consecuencia las series estn cointegradas
HL Mata

45
Prueba Dickey-Fuller Aumentada
HL Mata

46
Prueba ADF: Residuos Estimados

Cierren todas menos la ventana del Archivo de trabajo
Hagan doble clic sobre el icono de la serie RES para mostrar su contenido
Clic en View y seleccionen Unit Root Test - Augmented Dickey Fuller
En
En
En
En
Test type seleccione Augmented Dickey Fuller

Test for Unit Root seleccione Level
Include in Test equation seleccione None
Lag length seleccione 0
Recuerden que la ecuacin no tiene Intercepto
o tendencia, debido a que el error debe tener media
igual a cero ya que no se espera que el mismo
tenga una tendencia determinstica
Ahora hagan clic en el botn OK

Vean los resultados en la diapositiva siguiente
HL Mata

47
Null Hypothesis: RES has a unit root

Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=11)
t-Statistic
Prob.*
Augmented Dickey-Fuller test statistic ... -3.779071 . 0.0002

1% level
-2.591813
5% level
-1.944574
10% level
-1.614315
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(RES)
Date: 04/21/04 Time: 08:42
Variable
Coefficient
Std. Error
t-Statistic
RES(-1)
-0.275312
0.072852
-3.779071
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.142205
0.142205
24.25937
50612.48
-400.3706
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
Prob.
0.0003
-0.405877
26.19315
9.226911
9.255255
2.277512
Dado que el valor del estadstico ADF, -3.779071, es mayor en valor absoluto que cualesquiera de los
valores crticos de McKinnon, al 1%, 5% y 10%, respectivamente, (vea notas al final de la diapositiva
34), se rechaza la Ho de no cointegracin y se concluye que los residuos estn integrados de orden I(0).
Existe una relacin estable a largo plazo, por lo que se dice que las variables PCE y DPI estn
cointegradas.
HL Mata

48
Prueba de Durbin-Watson sobre la

Regresin de Cointegracin (CRDW)
HL Mata

49
Prueba de Durbin-Watson sobre la

Regresin de Cointegracin (DWRC)
De acuerdo con Gujarati, pag.711, los valores crticos para esta prueba se
basaron en 10.000 simulaciones, cada una de ellas conformada por 100
observaciones, obtenindose los siguientes valores crticos:
al 1 % = 0 .511 ;
al 5 % = 0 .386 ;
al 10 % = 0 .322
H 0 : DW = 0. Las var iables no estn co int egradas

H A : DW > 0. Las var iables estn co int egradas
Regla de decisin:
Si DW 0.386 No rechace a Ho. Las Series no estn coinegradas

Si DW > 0.386 Re chace a Ho. Las Series estn co int egradas
Conclusin:
Dado que el estadstico de DW, en la ecuacin de largo plazo, es mayor que el
valor crtico 0,386 (0.531629>0,386) se concluye que las variables
cointegran
HL Mata
50
Mecanismo de Correccin de Errores (ECM)
HL Mata

51
Mecanismo de Correccin de Errores

Este Mecanismo, propuesto originalmente por Engle y Granger en el ao 1987,
tiene por finalidad ligar el comportamiento a Corto Plazo (CP) de las variables PCE
y PDI con el comportamiento a Largo Plazo (LP) de las mismas:
Comportamiento de Corto Plazo:
Comportamiento de Largo Plazo:
= GCP IPD
U
t
t
0
1
t
GCPt = 0 + 1 IPDt + t
El mecanismo ms simple de Correccin de Errores es:
PCEt = 0 + 1PDI t + 2U t 1 + t
Dado que las series PCE y DPI estn cointegradas, implica que hay una relacin
estable de equilibrio a largo plazo entre ellas; no obstante, en el corto plazo puede haber desequilibrio. El trmino error U t en la regresin de cointegracin se
interpreta como el error de equilibrio y es ste, precisamente, el que sirve para
atar la conducta a corto plazo de la variable PCE con su valor a largo plazo.
Denota la primera diferencia de las variables PCE y DPI, respectivamente
U t 1 Es el mecanismo de correccin del error. Se usa para corregir el desequilibrio a
corto plazo
Es el parmetro de ajuste a corto plazo. La significacin estadstica de 2 indica
la proporcin del desequilibrio en PCE, que es corregido en el siguiente perodo.
Mientras ms cerca est 2 de 1, ms rpido ser el ajuste hacia el equilibrio.
HL Mata

52
Estimacin del ECM

Pasos previos para la estimacin:
1.
2.
Calculen la primera diferencia de las variables PCE e DPI, respectivamente:
Clic en Quick Generate series escriban:
dPCE=PCE-PCE(-1).
OK
dPDI=PDI-PDI(-1).
OK
Calculen el primer retardo de los residuos estimados; es decir:
rRES=RES(-1).
OK
Estimacin del modelo ECM:
1.
Hagan clic en Quick Estimate equation y escriban
2.
La variable dependiente en primeras diferencias, es decir: dPCE

Escriba la constante C para calcular la ordenada en el origen
La variable independiente en primeras diferencias, es decir: dPDI
Los residuos retardados en un perodo, es decir: rRES
Clic en el botn de comando OK

Resultados de la estimacin en la diapositiva siguiente:
HL Mata

53
Resultados de la Estimacin ECM

Dependent Variable: dPCE
Date: 04/20/04 Time: 10:59
Variable
Coefficient
Std. Error
t-Statistico
11.69183
2.195675
5.324936
0.0000
dPDI
0.290602
0.069660
4.171715
0.0001
rRES
-0.086706
0.054180
-1.600311
0.1133
0.171727
0.152006
16.84283
23829.19
-367.6026
1.923381
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Prob.
16.90345
18.29021
8.519601
8.604632
8.707918
0.000366
Funcin estimada:
dPC E = 11.69183 + 0.290602 dPDI 0.086706 ut 1

HL Mata

54
Anlisis
Ecuacin estimada escrita en primeras diferencias:
PCE = 11.69183 + 0.290602 PDI 0.086706 U t 1

El trmino -0.086706*Ut-1 es el Mecanismo de Correccin de Errores (ECM).
Noten que el mismo presenta el signo correcto (negativo), pero la magnitud del
coeficiente es pequeo e insignificante, ni siquiera al nivel 0.10 (0.1133). Vean
diapositiva anterior
El signo negativo acta para reducir el desequilibrio en el prximo perodo, en
nuestro caso, trimestralmente. En efecto, si las variables estn en desequilibrio
en el perodo t-1, entonces el MCE acta para restaurar las variables gradualmente hacia el equilibrio en el perodo t, o en el futuro. En el presente ejercicio
se observa que la desviacin del PCE respecto a su nivel de equilibrio de largo
se corrige trimestralmente en un 9 por ciento, aproximadamente.
Segn Jeremy Wakeford el coeficiente -0.086706 representa la a propensin
marginal a consumir a largo plazo. Se le denomina parmetro de cointegracin.
HL Mata

55
Prueba de Causalidad de Granger
HL Mata

56
Prueba de Causalidad de Granger

Prueba propuesta inicialmente por Granger en el ao 1969 y popularizada posteriormente por Sims en el 72. Se aplica solo si las variables estn cointegradas
La prueba implica estimar el siguiente par de ecuaciones mediante MCO:
[1]
PCEt = 0 + 1 PCEt 1 + ... + l PCEt l + 1 PDI t 1 + ... + l PDI t l + t
[2]
PDI t = 0 + 1 PDI t 1 + ... + l PDI t l + 1 PCEt 1 + ... + l PCEt l + ut
En donde PCE y DPI son las variables endgenas de inters, l es el nmero de

retardos usados, y son los parmetros a ser estimados; t y ut son los
errores o perturbaciones aleatorias, las cuales se encuentran incorrelacionadas.
La ecuacin [1] postula que PCE est relacionada con sus valores pasados, as
como tambin con los valores pasados de PDI. La ecuacin [2] postula una
conducta similar para PDI.
La idea central de la prueba consiste en determinar si los parmetros i que
acompaan a las variables retardadas PDI y PCE, en las ecuaciones [1] y [2]
respectivamente, son estadsticamente diferentes de cero. Esto es lo que
recogen las pruebas de hiptesis planteadas en la diapositiva siguiente
HL Mata

57
La prueba sirve para determinar si una variable precede a otra

Hiptesis Nulas:
Ho : 1 = ... = l = 0
Ho : 1 = ... = l = 0
PDI " no causa Granger" PCE No existe causalidad

PCE " no causa Granger" PDI No existe causalidad
Hiptesis alternativas:
H1 : 1 ... l 0
H1 : 1 ... l 0
PDI " Causa Granger" PCE

PCE " Causa Granger" PDI
Estadstico para la prueba:

Eviews reporta el estadstico F como el estadstico de Wald a fin de probar
las hiptesis nulas de que los coeficientes de los valores retardados de las
otras variables son cero:
H 0 = 1 = 2 = ... = l = 0
Adems del estadstico mencionado, Eviews suministra en el output de la

prueba la probabilidad asociada al estadstico F
Regla de decisin:
No rechace a Ho si la probabilidad asociada al estadstico F es > que 0,05
Rechace a Ho si la probabilidad asociada al estadstico F es que 0,05
HL Mata

58
Bsicamente, la prueba de Causalidad de Granger distingue cuatro casos:

1. Causalidad unidireccional: PCE causa a DPI ( PCE DPI).
Ocurre cuando los coeficientes estimados de la variable retardada DPI en la ecuacin [1]
son estadsticamente diferentes de 0; pero los coeficientes estimados de la variable
retardada PCE en [2] no son estadsticamente diferentes de 0.
2. Causalidad unidireccional: PDI causa a PCE ( DPI PCE)

no son estadsticamente diferentes de 0; pero los coeficientes estimados de la
variable retardada PCE en la [2] son estadsticamente diferentes de 0.
4. Causalidad bidireccional: retroalimentacion entre PCE y DPI (PCE DPI)

y los coeficientes estimados de la variable retardada PCE en la [2] son ambos estadsticamente diferentes de 0
3. Independencia Causal:
Ocurre cuando ninguno de los coeficientes retardados de la variable DPI en la ecuacin
[1], ni los coeficientes retardados de la variable PCE en la [2] no son estadsticamente
diferentes de cero
HL Mata

59
Procedimiento para realizar la prueba:

1.
2.
3.
4.
En el archivo de trabajo hagan clic en el icono de la serie PCE

Manteniendo oprimida la tecla Ctrl hagan clic en la serie DPI
Clic con el botn derecho del ratn sobre las series seleccionadas
Clic en el comando As a Group
5.
6.
7.
Clic en Views y seleccione Granger Causality

En Lags to include, escriba un nmero grande de retardos, 10 por eje.
Clic en el botn de comando OK
Resultados de la estimacin:
HL Mata

60
Conclusin:
Basado en los valores de la probabilidad mostrados en el
cuadro de los resultados del Eviews, diapositiva 60, no se
puede rechazar la hiptesis nula que PDI no causa a PCE,
en el sentido de Granger.
No obstante, se rechaza la hiptesis que sostiene que PCE no
causa a PDI, en el sentido de Granger. Por lo tanto, se
desprende que la causalidad de Granger corre en una sola
direccin, desde PCE hacia PDI.
Se desprende del rechazo de la hiptesis nula que la variable
PCE precede a la variable PDI, lo que equivale a decir que los
valores retardados de la variable PDI tienen un impacto
significativo en la variable endgena PCE
HL Mata

61
Bibliografa
HL Mata

62
Engle, R. F. y Granger, C. W. J. (1989): Cointegration and Error Correction:

Representation, Estimation and Testing, Econometrica, volumen 55, pginas
251-276.
Gujarati, Damodar N. (1997).Econometra, Editorial McGraw-Hill Interamericana,
SA , Santa Fe de Bogot, Colombia, Cap. 21, pp.693-715
Maha, Ramn. (Febrero 1999). Revisin de los Procedimientos de Anlisis de la
Estacionariedad de las Series Temporales.
http://www.uam.es/otroscentros/klein/doctras/doctra9901.pdf
Sosa Escudero, Walter. (2000). A Primer on Unit-Roots ans Cointegration.
http://www.depeco.econo.unlp.edu.ar/trabdoce/docen3.pdf
Department of Economics, SUNY-oswego, Jane Kane. (11-12-2003) Online
Statistical Calculators and Tables. Related Links.
http://www.oswego.edu/~kane/econometrics/calculators.htm
Batchelor., Roy. (2000). Eviews Tutorial: Cointegration and Error Correction.
http://www.staff.city.ac.uk/r.a.batchelor/Eviews2.pdf
Miller, Rom. (Dec 1996) Problem Set #8: Time Series
http://www.columbia.edu/~rm170/ps8.html
The University of StrathClyde. Cointegration Analysis in Practice. Engle Granger
2 Step, an 1 Step Estimation Procedure: mlecture14.ppt
http://www.economics.strath.ac.uk/pg/mod/ae_files/mlecture14.ppt
HL Mata

63
Bill Hung. (October, 2000). Dickey-fuller unit root test (stationary test).
Http://www.Hkbu.Edu.Hk/~billhung/econ3600/application/app01/app01.Html
Wakeford, Jeremy. Honours econometrics:
econometrics Time series econometrics.
Stationarity, unit roots and cointegration
http://www.Commerce.Uct.Ac.Za/economics/courses/eco416z/2004/time%20series.Doc
Clive w. J. Granger. Revista asturiana de economa (2003). Anlisis de series

temporales,cointegracin y aplicaciones
http://www.Revistaasturianadeeconomia.Org/raepdf/30/granger.Pdf
Guisan, Carmen. (2002). Causalidad y cointegracion en modelos Econometricos:
Aplicaciones a los paises de la OCDE y limitaciones de los test de cointegracion
http://www.Usc.Es /~economet/aeeadepdf /aeeade61.Pdf
Roche, Maurice. Unit roots and non stationary time series,
http://www.May.Ie/academic/economics/mroche /ec609_1.Ppt
Asteriuo, Dimitrios. (June, 2001). Notas sobre anlisis de series de tiempo:
estacionariedad, integracin y cointegracin (H.L. Mata, trans.).
http://webdelprofesor.ula.ve/economia/hmata/Calificaciones/Procedimiento%20E
ngle%20Granger.pdf
University of Melbourne. (2002). Topic 3. Stationary Multivariate Time Series
Models. Granger Causality.
http://www.economics.unimelb.edu.au/subject_pages/2002/semester2/316-350/TOPIC3.pdf
Clive W. J. Granger. (2003). Anlisis de Series Temporales, Cointegracin y

Aplicaciones. http://www.revistaasturianadeeconomia.org/raepdf/30/GRANGER.pdf
HL Mata

64
Ana Cecilia Kikut Valverde, Bernal Laverde Molina, Jorge Len Murillo, Evelyn
Muoz Salas, Mario Rojas Snchez, lvaro Solera Ramrez y Carlos Torres
Gutirrez (2003). Aspectos tericos sobre algunos temas economtricos.
http://www.bccr.fi.cr/ndie/Documentos/DIE-01-2003-NT-ASPECTOS%20TEORICOS
%20SOBRE%20TEMAS%20ECONOMETRICOS.pdf
HL Mata

65

Engle Granger

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

Engle Granger

Cargado por

Copyright:

Formatos disponibles

Nociones Elementales de Cointegracin

Nociones Elementales de Cointegracin

Visiten Otras Notas de Clase en:

Profesor Titular de la Facultad de Ciencias Econmicas y Sociales (FACES) de la Universidad de los

Nociones Elementales de Cointegracin

Desde el punto de vista de la Econometra

Nociones Elementales de Cointegracin

Las mayora de las series econmicas son no estacionarias

Nociones Elementales de Cointegracin

Caractersticas de las Series Temporales

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

Algunas Series describen meandros, es decir, suben y bajan sin

Algunas series presentan Shocks persistentes. Los cambios

Algunas series se mueven conjuntamente, es decir tienen co

La Volatilidad de algunas Series vara en el tiempo. Muchas series

Nociones Elementales de Cointegracin

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

Aplicable a sistemas de ecuaciones

Nociones Elementales de Cointegracin

Procedimiento de Engle y Granger

Nociones Elementales de Cointegracin

Quienes son Engle y Granger?

Nociones Elementales de Cointegracin

Determinar el Orden de Integracin de cada una de las Variables a ser

Especificar y Estimar la Relacin Funcional a Largo Plazo y contrastar si

Nociones Elementales de Cointegracin

Nociones Elementales de Cointegracin

Procedimiento para bajar los datos desde Internet

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

Hallarn el archivo table21-1.prn en la 1ra fila de la ventana WinZip, Gujarati[1].zip

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

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

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

Clic en el men Edicin y seleccionen Reemplazar.

Importen el archivo desde la aplicacin Econometric Views (EViews)

Nociones Elementales de Cointegracin

Importar Datos desde MS Excel

Procs - Import - Read Text-Lotus-Excel:

En tipo: Text-ASCII[*.*]. Clic Abrir.

File Save As:

Nociones Elementales de Cointegracin

Determinar el Orden de Integracin de

Nociones Elementales de Cointegracin

Orden de Integracin. Definicin

Si la integracin se alcanza despus de calcular la segunda diferencia, se dir que la serie

En economa slo tienen importancia las series integradas de orden I(1).

Cul es el orden de integracin de nuestras variables PCE e DPI ?

Nociones Elementales de Cointegracin

Pruebas Informales para Identificar

Representacin grfica de las series

Nociones Elementales de Cointegracin

Representacin Grfica de las Series

Clic en File Open WorkFile - A: - USA.wf1 Abrir

Clic sobre la variable (serie) PCE para seleccionarla

Nociones Elementales de Cointegracin

Plot de las Series PCE y PDI

Nociones Elementales de Cointegracin

Transformacin de las Series en Primeras

Clic en Quick - Generate Series y escriban: DPCE=PCE-PCE(-1). Clic OK

Nociones Elementales de Cointegracin

Representacin Grfica de las Series

Nociones Elementales de Cointegracin

Nociones Elementales de Cointegracin

Pasos para Realizar el Correlograma

En tipo: Text-ASCII[.]. Clic Abrir.