Instituto Politcnico Nacional

Escuela Superior de economa

Nombre del alumno: Hernndez Serrano Ariana Neftal

Nombre del profesor: Sergio Trinidad Rodriguez

Mndez

Series de tiempo

Entregable final
Races unitarias, cointegracin y cambio estructural

Grupo: 3EV8
de 2016

Martes 12 de enero

Races unitarias, cointegracin y cambio estructural

Para ilustrar el tema de cointegracin utilizaremos un modelo donde la inversin

real (Y ) est explicada por la tasa de inters ( X 2 ) y el ingreso real (X 3) .
Todas las variables tienen una periodicidad trimestral desde 1993.01 hasta
2015.03.
La fuente de los datos es el INEGI, con la Formacin Bruta de Capital Fijo como
Inversin, el PIB como ingreso real y la tasa de CETES a 28 das como tasa de
inters, en este ltimo caso se promediaron las tasas de los tres meses de cada
trimestre. Los valores de la Inversin y del Ingreso estn determinados en millones
de pesos de 2008 y los de la tasa de inters en porcentajes.
En el caso de la inversin y el ingreso, deber tomar sus logaritmos

( LY y LX 3)

y stos ajustarlos estacionalmente.

Para el ajuste estacional, deber seleccionar los datos de la variable y aplicar el
ajuste estacional mediante el comando PROC/Seasonal Adjustment/Census-X13
(puede utilizar la ltima versin del Census que contenga la versin de E-views
que est utilizando.
Ser posible realizar un ajuste de este modelo no espurio y vlido en el largo
plazo?
Para realizar un ajuste del modelo vlido en el largo plazo (no espurio) ser
necesario que exista una relacin de cointegracin entre las variables del
modelo. Para ello, en primer lugar, deber analizar la estacionariedad de todas las
variables que lo integran.
En primer lugar, deber representar cada una de las series mediante una grfica
lineal. Considera usted que hay o no hay estacionariedad de las variables?
Grficas lineales de las variables ajustadas
LPIB_SA
16.5
16.4
16.3
16.2
16.1
16.0
15.9
15.8
94

96

98

00

02

04

06

08

10

12

14

LINV_SA
15.0
14.8
14.6
14.4
14.2

14.0
13.8
94

96

98

00

02

04

06

08

10

12

14

Las grficas de
ambas variables
muestran cambios estructurales relevantes, coincidiendo en una tendencia
decreciente fuerte en los dos aos posteriores a la crisis econmica de 1994. Se
aprecia una evolucin creciente en el PIB y la inversin despus del ao 1996. Al
aplicar la prueba Phillips-Perron, los resultados en las tres variables arrojan
resultados mayores a 0.05, por lo que hay ausencia de estacionariedad, por lo
tanto, se realiza la prueba nuevamente aplicando la primera diferencia
Pruebas de races unitarias para las variables del modelo

Los resultados de las pruebas de races unitarias para las variables empleadas en
el modelo, dos en logaritmos y una en porcentaje, muestran valores menores a
0.05, por lo tanto hay estacionariedad y se cumple la primera condicin que
denota que puede existir una relacin de cointegracin
La siguiente actividad ser comprobar que efectivamente las variables
Y t =1 + 2 X 2 t + 3 X 3 t + t
cointegran. Para ello, se ajusta el modelo
para
comprobar que los residuos estimados de este modelo tienen races unitarias (son
estacionarios), se le puede nombrar como ecuacioninicial (recuerde que las
etiquetas en E-views son sin acentos y sin espacios).

Estimacin de la ecuacin

Dependent Variable: LINV_SA

Method: Least Squares
Date: 01/12/16 Time: 14:27
Sample: 1993Q1 2015Q3
Included observations: 91
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LPIB_SA
RATE

-8.017246
1.398609
-0.004200

0.636533
0.038970
0.000588

-12.59518
35.88975
-7.147381

0.0000
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.978830
0.978349
0.040623
0.145223
163.9122
2034.453
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

14.57803
0.276084
-3.536532
-3.453756
-3.503137
0.369188

Con el modelo ajustado, rescatamos los residuos estimados (variable RESID) con
otro nombre, por ejemplo resid01. Para ello, seleccionamos resid y activamos
Object/Copy selected y en Destination de la pantalla Object Copy anotamos
Resid01.

Para comprobar que los residuos estimados del ajuste anterior son estacionarios,
seleccionamos otra vez Quick/Series Statistics/Unit Roots Tests, en serie name se
anota su nombre (Resid01), al pulsar OK aparecer la pantalla Unit Root Tests, en
el campo Test Type seleccionamos Phillips-Perron y en Test for unit root in,
activamos level, en virtud de que estamos probando la estacionariedad de la serie
resid01 en niveles. Si la Prob.* de la prueba resulta menor que 0.05, indicar
estacionariedad en los residuos del modelo, por lo que llegaremos a la
conclusin de que las variables del modelo cointegran y de que nuestro
modelo no es espurio.
Prueba de races unitarias Phillips-Perron para los residuos de la estimacin
Null Hypothesis: D(RESID01) has a unit root
Exogenous: Constant
Bandwidth: 0 (Newey-West automatic) using Bartlett kernel

Phillips-Perron test statistic

Test critical values:
1% level
5% level
10% level

Adj. t-Stat

Prob.*

-11.51819
-3.505595
-2.894332
-2.584325

0.0001

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction)
HAC corrected variance (Bartlett kernel)

0.000572
0.000572

Phillips-Perron Test Equation

Dependent Variable: D(RESID01,2)
Method: Least Squares
Date: 01/12/16 Time: 15:49
Sample (adjusted): 1993Q3 2015Q3
Included observations: 89 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(RESID01(-1))
C

-1.203501
-0.000419

0.104487
0.002564

-11.51819
-0.163415

0.0000
0.8706

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.603949
0.599397
0.024181
0.050871
206.0001
132.6688
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.000191
0.038205
-4.584273
-4.528348
-4.561731
2.022145

Los resultados son menores a 0.05, por lo que se cumple la segunda condicin de
estacionariedad en los residuos, por lo tanto existe una relacin de cointegracin
en las variables

Una vez vista la existencia de una relacin de cointegracin, llegamos a la

conclusin de que el ajuste Y t =1 + 2 X 2 t + 3 X 3 t + t no es espurio y que, por lo
tanto, los resultados presentarn significancia individual y global de los parmetros
R
estimados del modelo y una bondad de ajuste buena ( 2 alta) , aunque debe

revisarse y en su caso corregirse el grado de autocorrelacin serial, con un

proceso autorregresivo del orden necesario.
Con el fin de corregir el estadstico durbin-watson, se aadieron los procesos
AR(2) y MA(1) a la estimacin, arrojando los siguientes resultados

Las variables seleccionados y los procesos seleccionados muestran significancia

individual y global, la medida de bondad de ajuste R2 es cercana a 1 y el
estadstico durbin-watson es cercano a 2. Los indicadores son satisfactorios
La ecuacin estimada fue la siguiente
Y t =1 + 2 X 2 t + 3 X 3 t + AR ( 2 ) + MA ( 1 )+ t

Finalmente, debemos hacer nuestro ejercicio de pronsticos, tanto esttico para el

periodo posibles de la serie, como dinmico para proyectar el valor de la inversin
para el ltimo trimestre de 2015.

En el caso de los pronsticos estticos, debemos analizar los valores resultantes

de los factores: PEAM, Theil y los ponderadores de sesgo, varianza y covarianza.
El pronstico dinmico para el trimestre IV de 2015, se deber integrar a los
pronsticos estticos en una sola serie y graficarse junto con los datos observados
de la inversin.
En una tabla, deber indicar el valor pronosticado de la inversin para el trimestre
IV de 2015 y obtener su variacin porcentual con respecto al valor observado de la
inversin en el trimestre IV de 2014.
Pronstico esttico de la inversin real

Pronstico dinmico de la inversin real