Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Johansen Con e Views PDF
Johansen Con e Views PDF
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.
6.0E+06 120000
400
4.0E+06 110000
200
2.0E+06 100000
0
0.0E+00 90000
93 94 95 96 97 98 99 00 01 02 03
93 94 95 96 97 98 99 00 01 02 03 93 94 95 96 97 98 99 00 01 02 03
IPC
M1 PIBR
Johansen, S. (1988,1991)
9 Aplicable a sistemas de ecuaciones
9 Este mtodo est basado en modelos VAR (Vectores autorregresivos).
9 Es un test de mxima verosimilitud que requiere grandes volmenes de
datos (100 ms)
9 Prueba la existencia de mltiples vectores de cointegracin entre las
variables, mediante la prueba de la Traza y del Eigenvalue mximo
9 Descansa fuertemente en la relacin entre el rango de la matriz y sus
races caractersticas
HL Mata Nociones Elementales de Cointegracin 6
Enfoque de S. Johansen
Enfoque de Soren Johansen
.
HL Mata Nociones Elementales de Cointegracin 8
Enfoque de S. Johansen
Metodologa de S. Johansen
Determinar el orden de integracin a cada una de las series includas en el
modelo.
Especificar un Vector AutoRegresivo (VAR) con las series que resulten
integradas de orden I(1).
Seleccionar las Variables del Modelo
Seleccionar las transformaciones de las variables, si las hubieren
Determinar el retardo ptimo del VAR para asegurar que los residuos
sean ruido blanco (white noise)
Especificar las variables determinsticas (variables dummy, tendencias,
etc)
Diagnstico del VAR estimado
Aplicar el procedimiento de Mxima Verosimilitud al vector autorregresivo
con el fin de determinar el rango (r) de cointegracin del sistema:
Prueba de la Traza
Prueba del Eigenvalue Mximo (valor propio)
. Estimar el modelo Vector de Correccin de Errores
Determinar la relacin causal entre las variables del modelo
HL Mata Nociones Elementales de Cointegracin 9
Enfoque de S. Johansen
Datos: Descripcin
Los series utilizadas en este trabajo se obtuvieron de la Tabla 21-1 Informacin Macroeco-
nmica, Estados Unidos, 1970.1 a 1991.4 Damodar N. Gujarati (2003) Basic
Econometrics, McGraw Hill, 5ta edicin.
Sigan el procedimiento de la diapositiva 11 para bajar los datos y transcriban las series con
el software EViews 4.1. Guarden los datos en un disco flexible con el nombre USA
Series Trimestrales:
Tamao de la muestra: 1970.1 - 1991.4
Series originales (Level: en su forma original, sin transformacin):
GCP = Gasto Consumo Personal
IPD = Ingreso Personal Disponible
Series transformadas en logartmicas (o en tasas de cambio)
LGCP = Logaritmo de la serie GCP
LIPD = Logaritmo de la serie IPD
Pruebas Informales:
Representacin grfica de las series
Correlograma
Estadstico BP o Q de Box-Pierce
Estadstico LB o Q de Ljung-Box
Pruebas Formales:
Estadstico de Dickey-Fuller (DF)
Estadstico Aumentado de Dickey-Fuller (ADF)
Estadstico de Phillips-Perron (PP
3200
2800
2400
2000
1600
70 72 74 76 78 80 82 84 86 88 90
GCP IPD
La inspeccin grfica de las series sugiere que las mismas pueden ser estacionarias
Las Series parecen moverse no alrededor del tiempo sino alrededor de sus
Medias, Varianzas y Covarianzas, caracterstica de las series estacionarias
cov(xt , xt + k ) 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
Si el correlograma empieza en un valor muy alto y decae muy lentamente hacia cero: Serie
No Estacionaria.
Si el correlograma decae muy rpidamente despus del primer retardo: Serie Estacionaria.
HL Mata Nociones Elementales de Cointegracin 23
Enfoque de S. Johansen
Pruebas de hiptesis de Q (BP 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: una cuarta parte del total de las observaciones
4. Conclusin:
Dado que todas la probabilidades o p-values son menores de 0.05 se concluye que las series son no
estacionarias
Presten atencin a los estadsticos Q y LB y a sus correspondientes valores de Probabilidad. Todos son
significativos y menores que el nivel alfa 0.05. Esto obliga a rechazar la hiptesis nula Ho: de que la Serie GCP
es estacionaria. Por lo tanto, la serie GCP es una serie no estacionaria por presentar una raz unitaria
Presten atencin a los estadsticos Q y LB y a sus correspondientes valores de Probabilidad. Todos son
significativos y menores que el nivel alfa 0.05. Esto obliga a rechazar la hiptesis nula Ho: de que la Serie IPD
es estacionaria. Por lo tanto, la serie IPD es una serie no estacionaria por presentar una raz unitaria
Yt = Yt 1 + ut
Yt = + Yt 1 + ut
Yt = + T + Yt 1 + ut
La diferencia entre estas tres regresiones envuelve la presencia de componentes
deterministicos: Intercepto (drift) y tendencia (T). La primera es un modelo
puramente aleatorio. La segunda aade un intercepto o trmino a la deriva drift
y la tercera incluye intercepto y un trmino de tendencia
Acepte a Ho :| 2.215287 | > | Valores crti cos | Re chace a Ho :| 6.630339 | =< | Valores crti cos |
Estadtico Durbin Watson: 2.085875 Estadtico Durbin Watson: 2.034425
HL Mata Nociones Elementales de Cointegracin 31
Enfoque de S. Johansen
Prueba de Raz Unitaria de la Serie GCP
Level (Intercepto y tendencia y 3 retardos):
t-Statistics Prob.*
Augmented Dickey-Fuller test statistic -2.215287 0.4749
Test critical values: 1% level -4.068290
5% level -3.462912
10% level -3.157836
Conclusin:
. Acepte la hiptesis nula, por cuanto el valor del ADF es mayor (menos negativo) que el valor
crtico de McKinnon al 5%. (Transforme sus datos en logaritmos, primeras diferencias, tasas de
cambios, etc.)
En Level
GCP -2.21528 2.0858 0 Si No I(1)
IPD -2.58825 1.9384 0 No Si I(1)
En Primeras Diferencias:
NOTAS:
1. El estadstico de Dickey Fuller (ADF o tau) es la prueba estandadard 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. Ejemplos: -6.6303 y -9.6361 son nmeros
suficientemente negativos
4. Rechace la hiptesis nula de no estacionariedad cuando se cumpla, en trminos absolutos, que
el valor del estadstico ADF sea mayor que el valor crtico de MacKinnon al nivel de
significacin seleccionado, normalmente el 5 %.
4. Un valor bajo del estadstico DW es indicativo de la necesidad de aumentar el nmero de
retardos con el fin de remover la autocorrelacin en los valores de la serie.
HL Mata Nociones Elementales de Cointegracin 34
Enfoque de S. Johansen
Especificar un Vector AutoRegresivo
(VAR) con las series que resulten
Integradas de Orden I(1).
4. Clic en OK
Los coeficientes del VAR no son fciles de interpretar. En la primera fila se indican los
coeficientes estimados; en la segunda, los errores estndar y en la tercera los valores
estimados del estadstico t .
1.0
La representacin grfica de los eigenvalues muestra que todos los
valores se encuentran dentro del crculo unitario y que uno de ellos se encuentra 0.5
-1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
NOTAS:
Partiendo del supuesto de existencia de relaciones de cointegracin, los valores propios de la
matriz de acompaamiento deberan estar dentro del circulo unitario de modo que aquellos
valores que se encuentran muy prximos a la unidad determinan el nmero de tendencias
comunes.
ANALISIS: Primer bloque, no rechace a HO. Concluya que GCP no explica a IPD
Segundo bloque, rechace a Ho y acepte H1. Concluya que IPD explica a GCP: (IPD GCP )
Planteamiento de hiptesis:
Regla de decisin:
ANALISIS: De acuerdo con la prueba de Wald se rechaza la hiptesis nula para la primera fila de retar
dos y se acepta H1: Hay contribucin significativa individual y conjunta en el VAR Los retardos 2 al 6
(se omiten desde el 3 hasta el 6) no contribuyen significativamente en el VAR, por lo tanto se excluyen
Los asteriscos indican el orden del retardo seleccionado tanto por el estadstico como por los Criterios
El estadstico LR y los criterios SC y HQ indican un retardo. Los criterios FPE y AIC sealan dos retardos.
Plantemiento de hiptesis: .3
Cor(GCP,GCP(-i))
.3
Cor(GCP,IPD(-i))
H 0 = Ausencia de autocorrelacin
.2 .2
.1 .1
H1 = Hay autocorrelacin .0 .0
-.1 -.1
-.3 -.3
2 4 6 8 10 12 2 4 6 8 10 12
Correlograma Estadstico Q
Cor(IPD,GCP(-i)) Cor(IPD,IPD(-i))
.3 .3
Regla de decisin:
.2 .2
.1 .1
Planteamiento de hiptesis:
Regla de decisin:
La prueba es vlida solamente para retardos superiores al orden del retardo del VAR.
df son los grados de libertad de la distribucin Chi cuadrado
Los valores de Prob, indican que los residuos son white noise despus del 6to retardo
Planteamiento de hiptesis:
Regla de decisin:
Otro supuesto del modelo de regresin lineal es que todos los trminos errores tienen la
misma varianza. Si este supuesto se satisface, entonces se dice que los errores del modelo
son homocedsticos de lo contrario son heteroscedasticos.
Planteamiento de hiptesis:
Regla de decisin:
CONCLUSIN: los residuos son homocedsticos. La probabilidad conjunta (Joint test) 0,805 > 0,05
X t = 1X t 1 + ... + p 1X t p + X t p + t
En donde: es el operador de primera diferencia, ejemplo: X t = X t X t 1 ;X t es el
vector de variables endgenas e integradas de orden I(1): GCP e IPD;
i = (I A1 ... A i ), i = 1,..., p 1 ; es una matriz (NxN) de la forma = T en donde
y son matrices de Rango completo (NxN) y t es un vector (Nx1) de
trminos de errores normal e independientemente distribuido
Quienes son y ?
la matriz recoge las r relaciones de cointegracin
la matriz se interpreta como la velocidad de ajuste de cada variable
para recuperar la posicin de equilibrio en el largo plazo cuando se
produzcan desviaciones de dicho equilibrio
Estimar el Sistema Mediante el Mtodo de Mxima Verosimilitud
En la ventana del Vector Autorregresivo (VAR):
1 Hagan clic en VIEW y seleccionen COINTEGRATION TEST
HL Mata Nociones Elementales de Cointegracin 55
Enfoque de S. Johansen
Prueba de Cointegracin de Johansen
Noten que aparece el cuadro de dilogo Johansen Cointegration Test
La prueba requiere hacer algn supuesto relacionado con la tendencia que subyace en los
datos, a saber:
CE VAR
No Tendencia determinstica en los datos
No Intercepto o
No Intercepto o Tendencia
Tendencia
Intercepto no Tendencia No Intercepto
Si hubiera un segundo vector de cointegracin las hiptesis seran tal como sigue:
Eview plantea la Hipotesis nula (Ho) como AT MOST 1 (cuando ms una)
.
CONCLUSION: De acuerdo con la prueba de la traza se rechaza la hiptesis nula de no cointegracin
en favor de una relacin de cointegracin al nivel del 5% y del 1 %. ( 30.95 > 19,96 y 24.60)
CONCLUSIN La prueba de Mximun EigenValue indica la existencia de una sola ecuacin de cointegracin
tanto al 5% como al 1%, respectivamente ( 22.96 es mayor que 15,67 y 20.20)
De los resultados de las pruebas de la Traza y del Mximo Eigenvalues se concluye que existe un solo
vector o relacin de cointegracin.
HL Mata Nociones Elementales de Cointegracin 63
Enfoque de S. Johansen
Ecuacin de Cointegracin
Debajo de los resultados de la prueba de cointegracin Eviews muestra los estimados de los
vectores o relaciones de cointegracin. El vector de cointegracin no est identificado, a
menos que Ud. imponga alguna normalizacin arbitraria. Eviews adopta una normalizacin
tal que el primer r de la serie en el vector sea normalizado como una matriz identidad
Los nmeros entre parntesis debajo de los coeficientes estimados son los errores estndar
asintticos. Algunos coeficientes normalizados se muestran sin su correspondiente error
estndar, tal es el caso del coeficiente que ha sido normalizado a 1.0