Cap18 Cointegra

Captulo 18: Modelo de Correccin de Errores y Cointegracin 103
CAPITULO 18
MODELO DE CORRECIN DE ERRORES Y COINTEGRACIN
18.1. INTRODUCCIN
Durante la mayor parte de los captulos de este libro, en especial hasta antes del anlisis de series
de tiempo, la estimacin economtrica descansaba sobre modelos estructurales. Se trataba de
encontrar relaciones entre un conjunto de variables, todas ellas estacionarias, y corregir problemas
tales como la heterocedasticidad, la autocorrelacin, multicolinealidad, etc. A partir del Captulo
15, se inicia el anlisis univariado de las series. A partir de entonces los modelos emplean rezagos
de la variable explicada y rezagos de los errores. Bsicamente, este tipo de anlisis tiene como
finalidad la prediccin. Sin embargo, a pesar de los buenos resultados y del amplio uso de estos
modelos, es evidente que existen relaciones estructurales entre las series econmicas, a pesar que la
mayora de stas no sean estacionarias. En este sentido, el objetivo de este captulo es determinar
una tcnica que busque modelar las relaciones entre las series no estacionarias y que a su vez no se
generen regresiones espreas.
18.2. EQUILIBRIO DE LARGO PLAZO ENTRE SERIES DE TIEMPO
Un primer concepto que ser necesario considerar para entender las relaciones entre las series no
estacionarias, es el concepto de equilibrio. Tericamente, un estado de equilibrio est definido
como aquel en donde no existe una tendencia inherente de cambio. Sin embargo, existen diversas
clases de equilibrios: estticos y dinmicos; estable e inestable; o de corto y de largo plazo. A pesar
de su diversidad, cada relacin de equilibrio entre n variables de un sistema puede expresarse como
f ( x1 , x 2 ,..., x n ) 0 . En lo que respecta al anlisis de series de tiempo, la frase equilibrio de
largo plazo suele utilizarse para denotar una relacin estable entre las series; la misma que no es
evidente en intervalos cortos de tiempo. Esto se da debido a que el conjunto de series se encuentra
constantemente expuesto a diversos shocks. A pesar de esto, el concepto de equilibrio de largo
104 Econometra Moderna
plazo todava es til. Esto se debe a que el presente es producto del pasado distante y una relacin
de largo plazo siempre se mantendr en promedio a lo largo del tiempo.
El siguiente ejemplo nos puede ayudar a identificar mejor el concepto de equilibrio de largo plazo:
Un anlisis de mercado a determinado que la mayora de los limeos acostumbran tomar un

lonche en las tardes, el cual incluye por lo general una tasa de leche con caf o de leche con
chocolate. Por este motivo, el caf y el cocoa son considerados como productos sustitutos. El
primero es trado de Chanchamayo; el segundo, de Cuzco. Tanto el precio promedio como el
volumen consumido promedio de cada producto est determinado por las preferencias de los
limeos. Sin embargo, el precio corriente de ambos productos est influenciado por diversos
shocks exgenos. Por ejemplo, cuando lluvias torrenciales daan la va de comunicacin entre
Cuzco y la capital, el precio de la cocoa se incrementa debido a la reduccin de la oferta de cacao.
Ante esta situacin, los limeos dejan de consumir leche con chocolate y consumen leche con caf.
Lo cual, a su vez, hace que por un lado aumente el precio del caf; mientras que por el otro,
disminuya en cierta medida el precio del chocolate, al reducirse el exceso de demanda. La misma
mecnica se presenta si el valle de Chanchamayo sufre algn percance climatolgico que afecte los
cultivos de caf.
De esta manera, a pesar de los diferentes shocks que a travs del tiempo se han registrado, en
promedio, en la mayor parte de tiempo, los precios de ambos mantienen una relacin cercana de
3/2.
Si se analiza con detenimiento la mecnica descrita anteriormente, se observa que, un shock sobre
uno de estos productos ha afectado al sistema en general, debido a la relacin estable entre el
consumo de los dos productos.
1.16
1.14
1.12
1.10
1.08
1.06
1.04
1.02
92 93 94 95 96 97 98
Caf Cocoa
Figura 18.1
Series de tiempo del precio real del caf y de la cocoa.
Esta caracterstica del comportamiento conjunto de las series puede observarse en la Figura 18.1.
En ella estn representadas las series de los precios del caf y de la cocoa. Si bien cada una de las
series es I(1), el comportamiento de una influye sobre la trayectoria de la otra. Como se puede
observar en esta figura, la relacin existente entre estas variables no se mantiene constante durante
todos los meses. De vez en cuando vemos que el precio de la cocoa inclusive llega a superar el
precio del caf; sin embargo este comportamiento no se presenta a lo largo de la muestra y la
relacin se mantiene.
Formalmente, se dice que existe una relacin de equilibrio entre el precio del caf y el de la cocoa,
la cual puede ser representada como f ( x1 , x 2 ) 0 1, si la serie t f ( x1t , x 2t ) , que representa la
desviacin corriente del equilibrio, es un proceso estacionario de media cero 2. Esto significa que
esta serie fluctuar alrededor de su media de manera estable. En caso que no sea estacionaria, el
sistema estara en libertad de moverse sin considerar relacin alguna. El inconveniente que suele
presentarse al querer determinar las caractersticas de un sistema es lo dificultoso que puede ser
distinguir, en muestras pequeas, una desviacin no estacionaria de una que est relacionada con la
nocin del equilibrio.
Hasta este punto, el lector ya habr deducido la importancia que tiene la serie de desviaciones, t,
en nuestro anlisis. Esta serie, de tratarse de una relacin de equilibrio, no debera presentar algn
tipo de comportamiento sistemtico en el tiempo. En el largo plazo no existe una tendencia
sistemtica a que este error disminuya debido a que este representa shocks que constantemente
estn ocurriendo y afectando a las variables econmicas. Slo podr caer hacia el cero si los shocks
cesan.
Con relacin al caso de las series de los precios del caf y de la cocoa, se hace necesario el anlisis
de las desviaciones de la regresin entre ambas para estar seguros de la existencia de alguna
relacin. Con este fin se han elaborado los siguientes grficos:
(a) (b)
1.12 0.04
1.10
0.02
1.08
Pcocoa
0.00
1.06
1.04 -0.02
1.02
-0.04
1.04 1.06 1.08 1.10 1.12 1.14 1.16
92 93 94 95 96 97 98
Pcaf e Residuos
1
En nuestro ejemplo, x1 y x2 representaran al precio del caf y de la cocoa respectivamente. Por consiguiente, la funcin
del equilibrio estara especificada de la siguiente manera: f(x) = 2x 1-3x2.
2
El lector deber de distinguir que cuando se est haciendo referencia de relaciones de largo plazo entre variables, estas
no llevan el subndice del tiempo ya que nos estamos refiriendo a una especificacin que se presenta a lo largo de la
muestra. Un ejemplo de esto lo obtenemos de la relacin de largo plazo f(x) = 2x 1-3x2. En cambio, cuando estamos
considerando relaciones de corto plazo, las variables s llevan tal subndice ya que es necesario determinar a qu parte de
la muestra nos estamos haciendo referencia. Tenemos como ejemplo de esto al trmino de error actual
t f ( x1t , x 2 t ) .
Figura 18.2
En la parte (a) se ha graficado los pares ordenados de las series
de precio del caf y de la cocoa. En la parte (b) tenemos los
residuos resultantes de la regresin entre ambas variables.
En primer lugar analizaremos la relacin lineal que existe entre estas dos variables. Para esto
utilizaremos la parte (a) de la Figura (18.2). Cada punto en el grfico corresponde a un par
ordenado precio caf-cocoa y todos los puntos se sitan alrededor de la lnea de regresin. A veces
esta lnea recibe la denominacin de lnea de atraccin. Si bien en algunos meses los precios del
caf y de la cocoa se separan de ella, en el transcurrir de los aos los precios se han situado
alrededor de esta lnea.. En la parte (b) se grafican los residuos obtenidos de realizar una estimacin
lineal entre estas variables. Este grfico nos indica tentativamente que la relacin entre ambas
variables no es esprea3.
Ahora introduciremos el precio de la leche en el ejemplo anteriormente tratado. Existir alguna

relacin entre el precio de la leche y el precio del caf? Se pueden dar mil y un argumentos que
respalden o refuten la existencia de algn tipo de relacin. Sin embargo, nosotros nos remitiremos a
las pruebas objetivas. Estas estn graficadas a continuacin:
(a)
1.16
1.12
1.08
1.04
1.00
0.96
92 93 94 95 96 97 98
Leche Caf
(b) (c)
0.08 1.16
1.14
0.04
1.12
Pc af e
0.00 1.10
1.08
-0.04
1.06
1.04
-0.08
0.95 1.00 1.05 1.10 1.15 1.20
92 93 94 95 96 97 98
Residuos Pleche
3
Como veremos ms adelante, el empleo del test de Dickey-Fuller en la serie de errores de una regresin en la mayora
de los casos no es apropiado a menos que se cumplan ciertas condiciones.
Figura 18.3 Los grficos (a) y (b) nos muestran diferentes

representaciones de las series de precio del caf y de la leche.
Mientras que en (c) vemos los residuos de la regresin entre
ambas variables.
La Figura 18.3 refuta cualquier pretensin de establecer alguna relacin entre el precio de la leche
y del caf. Tanto el grfico (a) como el (b) nos demuestran que ambas series guardan
comportamientos aparentemente incorrelacionados. En el grfico (b), la nube de pares ordenados
no se encuentra alrededor de la lnea de regresin lo cual nos muestra que no existe relacin lineal
alguna. En la parte (c) de esta figura se observa que los residuos de la regresin no presentan un
comportamiento estacionario. Esto es ms evidente a partir de mediados de 1994. De esta fecha en
adelante vemos que desviaciones negativas son seguidas de desviaciones negativas mientras que las
positivas vienen acompaadas por desviaciones del mismo tipo.
Los residuos que son presentados en la parte c de la figura anterior son obtenidos de la regresin
entre el precio del caf y el precio de la leche ms una constante. En esta regresin, el coeficiente
del precio de la leche es significativamente diferente de cero; sin embargo, la figura anterior nos
demuestra que no existe una relacin verdadera. Por este motivo, el investigador deber de tener
cuidado ante la presencia de regresiones espreas.
La teora macroeconmica nos da ejemplos de relaciones que potencialmente podran presentar un

equilibrio de largo plazo. Entre estas tenemos la teora de la paridad del poder de compra
(Purchasing-Power Parity), el arbitraje de las tasas de inters (tasa de inters nacional = tasas de
inters extranjera + expectativas de devaluacin), la funcin de consumo, etc., entre las ms
conocidas.
Si analizamos la relacin presente en la Paridad del Poder de Compra (PPP), veremos que el
comportamiento de las tasas de inters en el exterior, en el propio pas y las expectativas de
devaluacin estn relacionadas. Si, por ejemplo, en el mundo existe abundancia de recursos
financieros que provoca una disminucin en las tasas de inters, entonces los capitales fluyen a los
pases que no cuentan con esta abundancia y que ofrecen retornos elevados. Esto, a su vez, genera
que las tasas internas disminuyan producto del incremento en la oferta. De esta forma se observa un
tipo de relacin. Otro caso podra ser aquel en que los agentes econmicos esperan que el gobierno
devale su moneda, la respuesta lgica ser que ellos retiren sus capitales a menos que las tasas de
inters nacional se incrementen lo suficiente como para compensar esta posible prdida por
devaluacin. Todos estos mecanismos operan de tal forma, que la relacin entre estas tres variables
se mantiene. Esta relacin puede ser representada como f (t nacional, textranjera, exp.devaluacin).
18.3. EL CONCEPTO DE LA COINTEGRACIN
En la seccin anterior se explic el concepto de equilibrio de largo plazo; sin embargo, no se

precis la estructura paramtrica del mismo, limitndose la representacin a una del tipo
f ( x1 , x 2 ,..., x n ) 0 . En esta seccin se buscar precisar la forma en que esta relacin se
presenta.
Cabe destacar que una relacin de equilibrio se alcanza automticamente cuando las series
empleadas son estacionarias ya que cualquier combinacin lineal de las mismas siempre resultar
en otra serie estacionaria. En este sentido, para cualquier par de series estacionarias x1t y x 2 t ,
sin guardar algn tipo de relacin econmica, una diferencia de la forma x1t x2t puede ser
estacionaria para cualquier valor que adopte . De esta manera, exista o no exista algn valor que
describa alguna relacin econmica, cualquier valor puede hacer que la combinacin entre
estas variables cumpla con la condicin de equilibrio, es decir, que la serie resultante sea
estacionaria, al igual que la serie de desviaciones.
Sin embargo, el equilibrio que nos interesa es aquel generado por series no estacionarias. Tal como
se plante en la introduccin, este captulo apunta al desarrollo de una tcnica de estimacin que
recoja este tipo de relaciones, con el fin de evitar la prdida de informacin que se produce de
diferenciar las series.
En lo que se refiere a la relacin entre el precio del caf y de la cocoa, sta es una relacin de
equilibrio entre variables no estacionarias, tal como se puede ver en Figura 18.1. Ahora la pregunta
que queda en el aire es la siguiente: cualquier relacin entre variables no estacionarias representa
un equilibrio de largo plazo?. Como los lectores se imaginan, la respuesta es no. Este punto ha sido
tratado parcialmente en el captulo 16 cuando nos referamos a las denominadas regresiones
espreas. Sin embargo, el ejemplo visto en la seccin anterior claramente nos seala que puede
existir una funcin especial en la que las dos series de variables no estacionales realmente lleguen a
formar una relacin de largo plazo. Esta relacin, para el ejemplo del precio del caf y de la cocoa,
puede ser denotada as:
f ( x) ( 2 x 1 3 x 2 ) 0
o bien 3
f ( x) ( x 1 x2) 0
2
donde el vector de coeficientes, ( 1 , 2 ) , puede adoptar diferentes valores tales como

( 2,3) (1,3 / 2) , respectivamente4. Sin embargo, siempre se mantiene una misma
relacin entre ambos elementos:
1 2

2 3
Cualquier otra combinacin que no respete esta relacin no nos proporcionara como resultado una
relacin de equilibrio.
Generalizando, si la verdadera relacin que existe entre dos series es x1 x 2 , la serie obtenida de
la diferencia x1 x 2 no ser estacionaria si . Estos errores se alejarn de tener una media
igual a cero por una proporcin constante de ( ) del crecimiento de x2t. Slo el verdadero
valor de puede hacer que esta desviacin del equilibrio sea estacionaria.
De esta manera, se puede definir el concepto de cointegracin. Este implica la existencia de algn
tipo de relacin estable entre series inestables (series no estacionarias, integradas de orden d>0). El
anlisis univariado de cada una de ellas nos indicara que su patrn de comportamiento es aleatorio.
Sin embargo, un anlisis mltiple de series probablemente determinar la existencia de algn tipo
4
Es importante destacar que estamos empleando el mismo vector de coeficientes slo que uno ha sido normalizado con
respecto al primer coeficiente.
de relacin entre estas variables. Una vez determinada la existencia de cointegracin, se buscar
estimar los parmetros que definen esta relacin.
La definicin terica ms frecuentemente empleada es aquella formulada por Engle y Granger

(1987), en donde definen el concepto de cointegracin de la siguiente manera 5:
Un conjunto de variables xt son denominadas cointegradas de orden (d,b), y denotadas como

x t CI (d , b) , si:
i. xt es integrada de orden d, I(d),
ii. existe un vector, diferente de cero, tal que una relacin lineal
xt ( 1 x1t 2 x 2t ... n x nt ) es integrada de orden I(d-b), d b 0 .
donde el vector es denominado vector de cointegracin.
Esta definicin puede ser aplicada al caso del precio del caf y de la cocoa de la seccin anterior.
Cada una de estas series eran no estacionarias, es decir, I(1). Sin embargo, se puede determinar que
exista una combinacin lineal sobre stas series que nos proporcionaba una serie estacionaria de
desviaciones, I(0). Por consiguiente, los precios del caf y de la cocoa son series cointegradas de
orden CI(1,1). El orden de integracin de cada serie est determinado por d (las series son I(d=1));
mientras que la reduccin del orden de integracin de la combinacin lineal es 1:
et f ( Pcaf, Pcocoa) , es I(b=1-1).
Es importante destacar la serie resultante de la cointegracin entre variables no necesariamente

debe ser I(0). Sin embargo, la nocin de equilibrio de largo plazo, desarrollada en la seccin
anterior, y la definicin restrictiva de cointegracin de Engle y Granger 6 sealaran que la
combinacin deberan ser I(0). Sin embargo, cualquier set de variables que sean CI(d,b), donde
b>0, contiene cierta informacin acerca de la conducta de largo plazo de las series involucradas 7.
En lo que respecta a la forma en que se estima el set de coeficientes (vector de cointegracin), el

estimador MCO sigue presentando sus buenas propiedades a pesar de que sea empleado sobre
series no estacionarias. Sin embargo, esto nicamente se cumple cuando el conjunto de variables
presenta alguna relacin de equilibrio.
La estimacin MCO de un vector de cointegracin es denominada como superconsistente. Esto

se debe a que nuestro estimador se aproxima asintticamente a su verdadero valor de forma ms
rpida el estimador MCO tradicional. En este ltimo caso, la tasa a la que converge a su
verdadero valor es de 1 / T . Cuando las variables cointegran, la tasa es de 1/T. Esto significa que
mientras que los estimadores MCO convergen como T ( ) N ; los estimadores de una
regresin de cointegracin lo hacen as: T ( ) N .
5
Esta versin adaptada ha sido tomada y traducida de: Banerjee, Anindya, Co-integration, error-correction, and the
econometric analysis of non-stationary data, Oxford University Press, 1993, pag 145.
6
La definicin de cointegracin dada por Engle y Granger (1987) requiere que la serie de desviaciones de la relacin de
largo plazo, x1t x 2 t , sea estacionaria. Es decir, tanto la media incondicional como la varianza deber de ser
constante.
7
Bajo este concepto ms amplio de cointegracin podemos incluir a las series de residuos de orden mayor a cero que
potencialmente pueden producirse si existe variables cointegradas de orden (d,b), con d>1 y d>0.
Una explicacin intuitiva de la superconsistencia del estimador MCO est basada en el carcter
nico del estimador de cointegracin. Si este estimador adopta un valor diferente al de la
verdadera relacin, entonces la serie de errores ser no estacionaria por lo que presentar una
varianza que crece con el tiempo. Sin embargo, como el algoritmo de optimizacin detrs del MCO
busca la minimizacin de estos errores al cuadrado, es muy probable que se escoja la verdadera
relacin ya que sta es la nica que presenta la menor varianza, que adems es constante.
Antes de continuar desarrollando esta seccin, el lector debe tener bien en claro que para que exista
una relacin de cointegracin todas las variables empleadas deben de ser integradas del mismo
orden. Adems, el avance de las tcnicas economtricas tan slo nos permite determinar si existe
alguna(s) relacin(es) lineal(es). Quizs con el desarrollo de los mtodos de estimacin se pueda
estimar relaciones no lineales.
A continuacin veremos dos conceptos importantes relacionados con la nocin de cointegracin:
Rango de cointegracin
Para analizar el concepto de rango de cointegracin, o mejor dicho, el rango de la matriz de

cointegracin, se utiliza la relacin estimada entre el precio del caf y el precio de la cocoa.
Anteriormente se haba definido esta relacin como:
2 x1 3x 2 0
o bien 3
x1 x2 0
2
De esta forma, el vector de cointegracin adoptara los valores de 2,3 o bien 1, 3 2 . Sin
embargo, ambas representaciones corresponden a un nico vector de cointegracin. Si estos dos
vectores son agrupados en un matriz:
2 3 1x 3 2 x
1
3 2 1 3 2
en donde vemos que solo existe un vector independiente. El rango de esta matriz es 1.
El concepto de rango de una matriz de cointegracin adquiere ms importancia cuando se est

analizando ms de dos variables ya que puede existir ms de un vector de cointegracin
independiente.
Para esto ejemplificar esta idea se utiliza la relacin existente entre los saldos reales en la economa
y los componentes de la demanda por dinero. Asumiendo que cada variable es I(1), la relacin de
cointegracin que podramos encontrar estara representada de la siguiente forma:
1 mt 2 pt 3 y t 4 rt
donde las variables involucradas conforman el siguiente vector xt mt , pt , y t , rt y el vector de

cointegracin est determinado de la siguiente manera:
1 2 -3 -4
Por lo general este vector se normaliza. Si lo hacemos en funcin del coeficiente de m t,

obtendremos el siguiente vector:
1 1 2 3
2 3 4
donde 1 , 2 y 3 .
1 1 1
Ahora que se est empleando ms de dos variables puede ser que se presenten ms un vector de
cointegracin. Tcnicamente, si existen n variables pueden existir n-1 vectores de cointegracin. Si
en nuestro ejemplo asumimos que existe otra relacin de cointegracin entre estas variables,
entonces el vector de cointegracin estara especificado de la siguiente forma:
1 1 2 3

1 0 2 0
Esta segunda relacin de cointegracin tan slo involucra a las variables mt y rt. Podra existir otra
relacin lineal que involucre a las cuatro variables y que sea diferente a la ya presentada?. La
respuesta es s. Estas relaciones estn representadas a partir de la tercera fila de la siguiente matrz:
1 1 2 3
1 0 2 0

1 1 1 1 2 1 3

2 2 1 2 2 2 3

n n 1 n 2 n 3
Si bien es cierto que podemos incorporar infinitas relaciones que involucren a las cuatro variables y
cuyos coeficientes sean diferentes de cero, todas ellas son dependientes entre s. Entonces, si
replanteamos la pregunta anterior a: podra existir otra relacin linealmente independiente que
involucre a las cuatro variables?, la respuesta sera negativa.
Como resultado tenemos que existen tan slo dos relaciones lineales independientes. El nmero de
relaciones independientes se haya a travs del rango de la matriz de cointegracin. Este concepto
va a ser de mucha importancia cuando desarrollemos la metodologa de Johansen para hallar
relaciones de cointegracin.
Tendencias comunes
Un segundo concepto a tener en cuenta al hablar de cointegracin, es que sta se produce a nivel de
las tendencias de las series, tal como lo demuestran Stock y Watson 8.
Se debe considerar que toda la serie de tiempo est conformada por un componente tendencial, un
componente estacional o cclico y un componente estacionario. Si nos olvidamos por el momento
8
Stock J. y M. Watson, Variable Trends in Economic Time Series, en Journal of Economic Perspectives, vol 2, No. 3,
summer 1998, pp. 147-74. y Testing for Common Trends, en Journal of American Statistical Association vol. 83, dic.
1998, pp. 1097-1107.
de la existencia del segundo componente, podremos afirmar que las series bajo el anlisis de
cointegracin estn caracterizadas por la presencia de un componente estacionario y un
componente no estacionario (es decir, una tendencia estocstica) 9. A continuacin se probar que la
relacin de cointegracin se da a este nivel.
En primer lugar, se determina la conformacin de las siguientes variables:
M t mt mt
Yt yt yt
rt rt rt
en donde Mt, Yt y rt representan las series de demanda por dinero, el producto y la tasa de inters,
respectivamente. El componente tendencial ( t) est representado por una serie camino aleatorio
(random walk), mientras que el componente (t) es una serie estacionaria.
En el caso que se llegase a determinar la existencia de un vector de cointegracin entre las tres
variables, entonces la combinacin lineal que utiliza como coeficientes a cada elemento del vector
debera darnos como resultado una serie estacionaria:
1 M t 2Yt 3 rt t (18.1)
Ahora, si reemplazamos los elementos que conforman cada variable obtendremos:
1 ( mt mt ) 2 ( yt yt ) 3 ( rt rt )
(18.2)
( 1 mt 2 yt 3 rt ) ( 1 mt 2 yt 3 rt )
Como la expresin (18.1) nos indica la presencia de una relacin CI(1,1), la combinacin lineal de
sus componentes, usando el mismo vector, tambin debera de darnos una serie estacionaria.
Luego, de la ecuacin (18.2) sabemos que el segundo componente del lado derecho de esta
ecuacin es estacionario por lo que necesariamente el primer componente debe ser, en promedio,
igual a cero.
1 mt 2 yt 3 rt 0
Dado que cualquier combinacin lineal entre los elementos it resulta en una serie estacionaria, la
verdadera relacin de equilibrio debe de darse entre las tendencias de las series para que
cointegren. Si bien cada una de estas tendencias es estocstica ( jt jt 1 t ), por lo que no
mantiene ningn patrn establecido, los comovimientos entre estas variables van a estar
relacionados mutuamente para que puedan cumplir con esta relacin.
9
Un componente no estacionario puede estar constituido por una tendencia determinstica. Sin embargo, la eliminacin
de este tipo de tendencia a travs de una primera diferencia no involucra prdida de informacin como en el caso de una
tendencia estocstica. En este sentido, el anlisis de cointegracin se da sobre series no estacionarias de tendencias
estocstica.
18.4. EL MODELO DE CORRECIN DE ERRORES (MCE)
En la seccin 18.2 se defini cul era el significado de un equilibrio, en especial cuando este haca
referencia al largo plazo. En la seccin anterior vimos que si esta relacin de equilibrio se mantiene
entre series no estacionarias entonces nos estbamos refirindonos a un conjunto de series que
cointegran. En esta seccin se demostrar que el concepto de cointegracin tambin tiene
implicancias en el corto plazo. Estas son recogidas en el denominado modelo de correccin de
errores (MCE).
En primer lugar, se va a explicar mediante un ejemplo cual es el comportamiento, en el corto plazo,

de un conjunto de series que cointegran. Luego, se especificar la estructura de un MCE, el cual es
parecido a un sistema de ecuaciones. De esta manera se analizarn sus caractersticas. Adems se
incorporar al anlisis el concepto de races caractersticas ya que stas juegan un rol importante
dentro de una de las metodologas de estimacin del vector de cointegracin.
Finalmente, luego de haber revisado las dos formas de analizar un MCE, intuitivamente y a travs
de sistemas de ecuaciones, se demostrar que la existencia de un MCE para variables I(1) requiere
de la existencia de un vector de cointegracin entre estas variables y viceversa.
18.4.1 Intuicin y dinmica del MCE
Un equilibrio estable tiene por propiedad que una desviacin del mismo es cada vez ms
improbable cuando la magnitud de la misma es ms grande. Por consiguiente, se puede concluir
que la discrepancia entre la relacin actual y el equilibrio de largo plazo de un conjunto de series
est determinada dentro de ciertos lmites. Para ilustrar intuitivamente este punto tomaremos como
ejemplo la relacin que existe entre la tasa de inters nacional y la extranjera.
En general, una economa abierta al flujo de capitales presenta una tasa de inters igual a la suma
de la tasa extranjera y del factor riesgo del pas. Dado que existe movilidad de capitales, cualquier
variacin de alguna de estas tasas repercutir sobre la otra. En un principio asumiremos que el
factor riesgo del pas se mantiene constante a lo largo del anlisis, por lo que se espera que la
relacin entre ambas tasas sea estable. Sin embargo, si en algn periodo determinado la diferencia
entre la tasa interna y la extranjera es mayor a la determinada por el factor riesgo, los inversionistas
distribuirn sus fondos hacia este pas, una vez que perciban este exceso de brecha .
Como consecuencia, la conducta de los inversionistas har que la relacin tasa interna/externa se
mantenga ya que en el siguiente periodo la tasa de inters interna se habr reducido por el flujo de
capital que este pas habr recibido).
Adems, si el pas es lo suficientemente importante econmicamente hablando, es probable que la

tasa de inters extranjera tambin ayude a mantener esta relacin, corrigindose al alza debido a la
disminucin del stock de capital del resto del mundo.
Esta misma dinmica se observar si por alguna razn disminuye la brecha entre ambas tasas y el
factor de riesgo se mantiene constante. Es decir, el inversionista, en el periodo t, ve que se ha
hecho menos atractivo invertir en esta economa, por lo que retirar sus capitales. Esta accin
provoca, en el periodo t+1, un incremento en la tasa interna, al reducirse la oferta de fondos;
mientras que la tasa extranjera se reducir al recibir este influjo. Por consiguiente, la relacin entre
ambas tasas volver a su equilibrio (de largo plazo10).
4.8
4.7
4.6
4.5
4.4
4.3
4.2
20 40 60 80 100 120 140
I LIBOR
Figura 18.4
Tenemos la trayectoria de las series de la tasa de inters
interna y de la tasa Libor. Ambas son I(1) y mantienen una
relacin de equilibrio a lo largo de la muestra.
En la Figura 18.4 podemos observar que existe una relacin de equilibrio de largo plazo entre estas
dos series. Sin embargo, sabemos que el comportamiento corriente (de corto plazo) de ambas
guarda una estrecha relacin con este nivel de equilibrio. Podemos imaginarnos a los inversionistas
que da a da estn observando y determinando, segn sus decisiones de inversin, el
comportamiento de estas series. De esta forma, ellos buscan aprovechar cualquier discrepancia
entre esta relacin de largo plazo (relacin esttica).
Por consiguiente, existe una dinmica de corto plazo que integra el equilibrio de largo plazo. La
modelacin de la misma recibe el nombre de Modelo de Correccin de Errores (MCE).
Histricamente, la econometra tradicional ha empleado modelos que buscan establecer alguna

relacin de corto plazo. Un cambio fundamental se produjo con la introduccin del concepto de
cointegracin y de los modelos de correccin de errores (MCE). Estos ltimos incorporan dentro de
su modelacin dinmica desequilibrios pasados de la relacin esttica.
Uno de los requisitos para llevar a cabo el anlisis univariado era contar con series estacionarias.
Para esto, era necesario aplicar primeras diferencias en el caso que las series no fueran I(0). Sin
embargo, el inconveniente con llevar a cabo este procedimiento radica en la prdida de informacin
potencialmente valiosa con respecto de las interelaciones de largo plazo. Siendo precisamente este
tipo de relacin la materia de estudio y debate en la macroeconoma.
18.4.2 Representacin del MCE
Prrafos arriba vimos que exista una relacin de equilibrio entre la tasa de inters interna ( it)y la
tasa del exterior (libort). Esta relacin puede ser representada como un sistema de ecuaciones. Para
llevar a cabo esto, se tiene que definir la relacin de largo plazo que siguen estas variables:
10
Hasta esta parte del ejemplo estamos asumiendo que el factor riesgo se mantiene constante a lo largo del tiempo.
i libor . Ahora bien, el comportamiento corriente de estas variables ser formulado de la

siguiente manera:
libort 1 (it 1 libort 1 ) 1t (18.3)
it 2 (it 1 libort 1 ) 2t (18.4)
en donde es una constante, 1t y 2t son errores ruido blanco que pueden estar correlacionados y
los coeficientes 1, 2 y son positivos. Estos dos primeros tambin son conocidos como
coeficientes de ajuste (speed of ajustment parameters). La magnitud de los mismos nos indica cual
de las dos variables responde con mayor celeridad ante un desequilibrio. 11
Como se observa en estas ecuaciones, las posibles fuentes de cambio de las variables libort e it son
los shocks aleatorios o bien la discrepancia pasada con respecto a la relacin de equilibrio:
Z t 1 it 1 libort 1 . Esta discrepancia influir en el valor que ambas series debern de
tomar en el periodo t para que el sistema se aproxime a su equilibrio de largo plazo.
Este sistema de ecuaciones representa la dinmica existente detrs de la explicacin del

comportamiento de las tasas de inters hecho prrafos arriba. Si existe una discrepancia positiva en
la relacin de equilibrio, (it 1 libort 1 0) , el ajuste se efectuar de distintas formas. En
el caso en que tanto el coeficiente 1 como 2 sean significativamente diferentes de cero, el ajuste
se llevar a cabo por ambas tasas. Por un lado la variable libort se incrementar; mientras que por
otro, la variable it disminuir. De esta forma, el comportamiento conjunto de ambas variables
reduce la discrepancia producida en el periodo anterior 12.
En el caso que la variable it sea la tasa de inters interna de una economa pequea, entonces es
imposible que alguna variacin de sta provoque efecto alguno sobre la tasa de inters extranjera
(internacional). En cambio, la variacin de esta ltima s provoca grandes efectos en esta economa.
En este caso, si se plantea un MCE es muy probable que el coeficiente de ajuste de la ecuacin de
libort no sea significativamente diferente de cero (es decir, es nulo). Por lo que todo el ajuste de
corto plazo se produce en la ecuacin de it . Es importante recalcar que basta que por lo menos
uno de estos coeficientes sean diferente de cero para que exista un MCE.
Las ecuaciones (18.3) y (18.4) pueden incluir rezagos de la primera diferencia de las variables:
p p
libort 1 z t 1 a
i 1
11 (i ) libort i a
i 1
12 (i ) i t i 1t (18.5)
p p
it 2 z t 1
i 1
a 21 (i )libort i a
i 1
22 (i ) it i 2t (18.6)
11
En realidad, la magnitud de ambos coeficientes tambin est influenciada por el tamao de las variables que se est
empleando, por lo que la nica aseveracin que se puede formular con certeza es cuando uno de estos coeficientes es
igual a cero. En ese caso, la variable que est siendo explicada no responde a las discrepancias y es la otra la que
mantiene la relacin de equilibrio.
12
En la siguiente seccin se discutir en detalle los valores que pueden adoptar estos coeficientes.
La inclusin de estos rezagos responde a la necesidad de lograr una modelacin dinmica que nos
proporcione residuos ruidos blancos. La presencia de los mismos determinar la forma en que se
realiza el ajuste hacia el equilibrio. Este ser ms o menos gradual en funcin del nmero de
rezagos que aparezcan en el modelo de correccin de errores 13.
Si se analizan los componentes de las ecuaciones (18.5) y (18.6), se concluir que es necesaria la
existencia de una relacin de cointegracin para que el sistema sea estacionario. En este sentido, se
conoce que las primeras diferencias de las variables libort y it son estacionarias ya que estas
series en niveles son I(1). Adems, por definicin, los errores ruido blanco son estacionarios. De
esta manera, la consistencia del modelo descansa en que exista un vector de cointegracin entre
estas variables, de la siguiente forma: (1, - , -)
MCE y las races caractersticas
En la seccin 15.3 se indic que toda serie de tiempo poda ser analizada como una ecuacin en
diferencias. La solucin de esta ecuacin nos permite calcular el valor de las races caractersticas,
las cuales indican el comportamiento de estas series. Siguiendo esta misma filosofa y para
demostrar la relacin que existe entre la cointegracin y el MCE, se especificar el siguiente
sistema de ecuaciones, donde tanto x1 como x2 son I(1):
x1t a11 x1t 1 a12 x 2t 1 1t (18.7)
x 2t a 21 x1t 1 a 22 x 2t 1 2t (18.8)
El clculo de las races caractersticas para cada serie indicar su comportamiento, y hasta sealar
si estas series cointegran o no.
Un primer paso para determinar cual es el comportamiento de cada una de las variables, consiste en
reescribir estas dos ecuaciones empleando el operador de rezagos:
(1 a11 L ) x1t a12 Lx 2t 1t
a 21 Lx1t (1 a 22 L) x 2 t 2t
Despejando una variable y reemplazndola en la otra ecuacin se obtiene:
(1 a 22 L) 1t a12 L 2 t
x1t (18.9)
(1 a11 L)(1 a 22 L) a12 a 21 L2
a 21 L 1t (1 a11 L) 2t
x 2t (18.10)
(1 a11 L)(1 a 22 L) a12 a 21 L2
13
Se puede obtener el nmero adecuados de residuos para el sistema (el orden del sistema) aplicando un test chi-cuadrado
basado en la similitud que tiene este modelo con el de la modelacin VAR (Vectores Autorregresivos). Otra alternativa es
ir incrementado el orden del sistema y a la vez ir analizando los errores obtenidos. La primera alternativa ser explicada
ms adelante.
Tal como ya se vio la seccin 15.3, la ecuacin caracterstica de cada serie se obtiene del
denominador de estas expresiones14. Adems, debido a que ambas son iguales, esto nos indica que
ambas series tienen la misma ecuacin caracterstica:
2 (a11 a 22 ) (a11 a 22 a12 a 21 ) 0 (18.11)
Esta ltima expresin nos indica que cada una de las variables tiene dos races (iguales para las
dos), de tal forma que de acuerdo con los valores que tomen se caracterizar el comportamiento del
sistema:
Si ambas races caractersticas ( 1,2) caen dentro del crculo unitario, entonces estas
variables son estacionarias (obviamente dejan de ser CI(1,1)).
Si ambas races caen fuera del crculo unitario, entonces la solucin de cada variable es
explosiva. De igual manera, si ambas races son iguales a uno, la primera diferencia de las
mismas no nos dar una variable estacionaria sino I(1). Por consiguiente, estas variables no
pueden ser CI(1,1).
En el caso de que a12 y a21 sean iguales a cero, esto significara que no existe relacin alguna
entre estas dos variables. Si adems ambas races son iguales a uno, lo nico que
obtendramos es que cada una de ellas presentan raz unitaria pero sin ninguna relacin
entre s.
Finalmente, si una de estas races es igual a uno y la otra es menor a 1 en valor absoluto,
entonces estas variables sern CI(1,1). Cada una de ellas tendr la misma tendencia
estocstica y su primera diferencia ser estacionaria.
18.4.3 Teorema de Representacin de Granger
El ejemplo de las tasas de inters nacional y extranjera nos indica claramente que existe una
relacin entre la estimacin de largo plazo (cointegracin) y la de corto plazo (MCE). Los valores
que toman ambas variables da a da no pueden estar divorciado de su relacin de largo plazo y
viceversa. Esta relacin recibe el nombre del Teorema de Representacin de Granger.
Este teorema afirma que si tanto x1 como x2 son series I(1), y si la relacin de largo plazo entre
ambas es estable: z t x1t x 2t , entonces se puede afirmar que estas variables son generadas por
un modelo de correccin de errores.
La existencia variables CI(1,1) implica la existencia de un MCE entre estas.
Para demostrar esto emplearemos las races caractersticas de las variables incluidas en las
ecuaciones (18.7) y (18.8):
2 (a11 a 22 ) (a11 a 22 a12 a 21 ) 0
14
Estas expresiones pueden estar definidas como las vistas en el captulo 15:
(1 a 11
L)(1 a22 L) a12 a21L2 x1, 2t f (1t , 2t )
de tal forma que la raz caracterstica se obtiene reemplazando L=1/ en el corchete e igualndolo a cero.
Como ya indicamos anteriormente, para que estas variables sean CI(1,1) es necesario que una raz
caracterstica sea igual a uno mientras que la otra sea menor a uno en valor absoluto. Si
desarrollamos esta ecuaciones sabremos que la mayor raz caracterstica (la cual debe ser igual a
uno) debe ser:
1 1
* (a11 a 22 ) * (a112 a 22
2
2a11 a 22 4a12 a 21 1
2 2
luego de algunas simplificaciones podemos obtener el siguiente resultado:
a11 1 a12 a 21 /(1 a 22 ) (18.12)
Luego, la segunda condicin sobre las races caractersticas es la siguiente:
1 1
* ( a11 a 22 ) * (a11
2
a 22
2
2a11 a 22 4a12 a 21 1
2 2
lo que implica:
a 22 1 (18.13)
a12 a 21 ( a 22 ) 2 1 (18.14)
De esta manera, las ecuaciones (18.12), (18.13) y (18.14) representan restricciones sobre los
coeficientes del sistema conformado por las ecuaciones (18.7) y (18.8) para asegurar que estas
variables son CI(1,1). Este sistema puede ser reespecificado de la siguiente forma:
x1t a11 1 a12 x1t 1 1t

x a
a 22 1 x 2t 1 2t
(18.15)
2t 21
Si reemplazamos la restriccin (18.12) en el sistema, obtendremos:
x1t a12 a 21 /(1 a 22 ) x1t 1 a12 x 2t 1 1t (18.16)
x 2 t a 21 x1t 1 (1 a 22 ) x 2 t 1 2t (18.17)
Finalmente, si tanto a12 como a21 son diferentes de cero, entonces podremos normalizar el vector de
cointegracin con respecto a ambas variables. De esta forma obtenemos el siguiente modelo de
correccin de errores:
x1t 1 ( x1t 1 x 2t 1 ) 1t
x 2t 2 ( x1t 1 x 2t 1 ) 2t
donde: 1 a12 a 21 /(1 a 22 )
2 a 21
(1 a 22 ) / a 21
Si analizamos los valores que pueden tomar estos parmetros, veremos que las restricciones (18.12-
18.14) que nos aseguraban que las variables fuesen CI(1,1), tambin nos aseguran de que 0 y
que por lo menos alguno de los coeficientes de ajuste (1, 2) sea diferente de cero.
De esta manera, queda comprobado que las condiciones para que exista una grupo de variables
CI(1,1) traen consigo la existencia de un modelo de correccin de errores entre esas variables.
La existencia de un MCE entre un grupo de variables I(1) implica que stas sean a su vez
CI(1,1).
Esta afirmacin ya ha sido probada anteriormente. Sin embargo, en esta oportunidad se

generalizar la especificacin de un MCE para un vector X' t ( x 1t , x 2 t ,..., x nt ) de variables
I(1):
X t 0 X t 1 1 X t 1 2 X t 2 ... p X t p t (18.18)
donde: 0 = un vector (n x 1) de intercepto con elementos i0
= es una matriz donde al menos uno de sus elementos ( jk) debe ser diferente
de cero
i = matriz (nxn) cuyos elementos son jk(i)
t = un vector (nx1) de elementos it
Como ya se seal anteriormente, este sistema debe estar conformado solamente de variables
endgenas e I(1). De esa forma, sus primeras diferencias nos reportan variables estacionarias.
Adems, si el nmero de rezagos es el adecuado 15, los trminos it son ruidos blancos. Por
consiguiente, la consistencia del MCE se centra en los elementos del vector Xt-1.
Si realmente existe un MCE, entonces cada elemento de este vector debe contener una expresin
que sea estacionaria. De esta manera, los elementos de la matriz determinan las relaciones de
cointegracin. De esta manera, se debe cumplir con:
X t 1 t (18.19)
o bien:
11 12 1n x1t 1 1t
2 n x 2t 1 2t
21 22

n1 nn x nt 1 nt
15
Para tratar este tipo de problemas existe una metodologa denominada VAR (Vector Autoregression). En este libro no
existe un captulo que la trate extensamente; sin embargo, debido a que su uso indirecto es indispensable, el lector
tendr nociones acerca de su aplicacin prctica. En caso que el lector desee una mayor rigurosidad entonces puede
consultar diversos libros de texto de econometra de series de tiempo.
Este vector contiene las discrepancias con la relacin de largo plazo, las cuales se asumen que en
promedio son cero.
De esta manera hemos comprobado que la existencia de un MCE implica que exista(n) relacin(es)
de cointegracin entre las variables.
18.4.4 Rango y valores propios de la matriz de cointegracin
Como ya hemos visto, si existe una representacin a travs de un MCE de un conjunto de series
I(1), esto requiere que exista alguna relacin de cointegracin entre estas variables y viceversa.
Ahora que hemos generalizado nuestro anlisis a un vector de n variables, el nmero de vectores de
cointegracin puede ser mayor que uno. Como ya se indic en la seccin anterior, para determinar
el nmero de vectores de cointegracin existentes entre un conjunto de variables es necesario
analizar el rango de la matriz de la expresin (18.19).
X t 1 t
El lector recordar que el rango de una matriz est determinado por el nmero de valores propios
diferentes de cero (denominados tambin como races caractersticas). Por cada valor propio
diferente de cero, existe un vector independiente que conforma esta matriz. Precisamente, nuestro
inters se centra en determinar estos vectores independientes ya que cada uno representa un vector
de cointegracin. El mximo nmero de valores propios que puede tener una matriz nxn es n. De
esta manera puede darse las siguientes situaciones:
El nmero de valores propios diferentes de cero de es cero.
El nmero de valores propios diferentes de cero de es n.
El nmero de valores propios diferentes de cero de es r (0<r<n).
Para el primero de estos casos, el rango de es cero, es decir, todos sus elementos son iguales a
cero. Entonces no existe ningn vector de cointegracin entre estas variables.
0 0 0 x1t 1 0
0 0
0 x 2t 1 0

0 0 x nt 1 0
De esta manera la expresin (18.18) representar un sistema de ecuaciones constituido

integramente por variables endgenas16.
Para el segundo de los casos, donde todos los valores propios de son diferentes de cero, se cuenta
con un rango completo (si tenemos n variables, el rango de la matriz es n), por lo que cada una de
estas series es estacionaria. Los n valores propios caen dentro del crculo unitario. El determinante
de esta matriz es diferente de cero. Si todas las series son estacionarias, cualquier combinacin de
estas produce otra serie estacionaria. Por consiguiente no existe ningn vector de cointegracin.
16
Esta forma de especificacin se puede estimar a travs de la metodologa VAR.
11 X 1t 12 X 2t 13 X 3t ... 1n X nt 0
21 X 1t 22 X 2t 23 X 3t ... 2 n X nt 0

n1 X 1t n 2 X 2t n 3 X 3t ... nn X nt 0
En el ltimo de los casos, donde se cuenta con r valores propios diferentes de cero aunque en
cantidad menor a n, la matriz es de rango n. De esta manera se puede afirmar que existen r
vectores de cointegracin. Como ya sabemos, debe existir por lo menos un valor propio igual a
cero, pero no todos. En este caso, existen n-r valores propios iguales a cero. El resto caen dentro
del crculo unitario por lo est garantizada la estabilidad del sistema.
En el caso que exista un solo vector de cointegracin, la expresin xt 1 puede ser representada
como:
1 ( X 1t 12 X 2t 13 X 3t ... 1n X nt ) 1t
2 ( X 1t 12 X 2t 13 X 3t ... 1n X nt ) 2t

n ( X 1t 12 X 2t 13 X 3t ... 1n X nt ) nt
Como vemos, el vector de cointegracin est determinado por (1, 12 , 13 ,..., 1n ) . Los
coeficientes de ajuste est formados como: i i1 mientras que los betas se comportan de la
i2
siguiente manera: 12 , y esto se puede generalizar para todos los betas del vector:
i
i3 ij
13 , 14 i 4 ,..., 1 j . Todos estos betas llevan el subndice 1j debido a que hacen
i i i
referencia a un mismo vector de cointegracin.
En el caso que exista ms de un vector de cointegracin, su representacin estara dada de la

siguiente manera17:
11 ( X 1t 12 X 2t ... 1n X nt ) 12 ( X 1t 22 X 2t ... 2 n X nt ) 1t
21 ( X 1t 12 X 2t ... 1n X nt ) 22 ( X 1t 22 X 2t ... 2 n X nt ) 2t
(18.20)

n1 ( X 1t 12 X 2t ... 1n X nt ) n 2 ( X 1t 22 X 2t ... 2 n X nt ) nt
Como se puede concluir, las caractersticas que presente la matriz es de gran ayuda ya que nos
indica el nmero de vectores de cointegracin detrs de estas variables.
Ahora bien, nuestros lectores se estarn preguntando cmo realizar la estimacin del MCE. Si bien
es cierto que el parmetro que caracteriza la verdadera relacin entre las variables x1 y x2 no es
conocido de antemano, esta pequea contrariedad no impide que el mecanismo de correccin de
errores (MCE) nos sirva. Su clculo puede ser realizado de forma separada a travs de una
estimacin previa (para calcular la discrepancia rezagada de la relacin de largo plazo) o bien
realizado dentro del mismo esquema de correccin de errores. Estas dos formas de calcular el
17
En la seccin 18.6 se explicar cmo es que se obtiene esta expresin.
vector de cointegracin determinan las dos tcnicas ms difundidas para estimar una relacin de
cointegracin: metodologa Engle-Granger y el test de Johansen, respectivamente.
18.5. METODOLOGA DE ENGLE Y GRANGER
Como ya se mencion lneas arriba, existen dos metodologas para estimar el vector de
cointegracin. La primera de ellas elabora esta estimacin en dos etapas: primero calcula a travs
de MCO los posibles coeficientes del vector de cointegracin (de la relacin esttica); y en un
segundo paso, se estima el MCE para determinar si estos coeficientes calculados realmente
constituyen los de una relacin de equilibrio de largo plazo a travs del anlisis dinmico de este
modelo. La segunda metodologa fue desarrollada por Johansen 18 y calcula el MCE al mismo
tiempo que determina los coeficientes del vector de cointegracin. Para esto emplea la tcnica de
mxima verosimilitud. En esta tcnica se emplean los conceptos de rango y de valores propios de la
matriz .
A continuacin desarrollaremos la primera de estas tcnicas, la cual fue desarrollada por Engle y
Granger (E&G)19.
18.5.1 Revisin general del metodologa E&G
Como primer paso para analizar el desempeo de la metodologa E&G, se especifica un modelo
simple conformado por dos series: x1t y x2t. Estas han sido generadas conjuntamente a partir de las
series de errores aleatorios 1t y 2t, los cuales pueden estar correlacionados. El modelo generador es
el siguiente:
x1t x 2 t u1t , u 1t u 1t -1 1t (18.20)
x1t x 2t u 2t , u 2t u 2t -1 2t , 1 (18.21)
Si reespecificamos este sistema de ecuaciones en su forma reducida, entonces se comprueba que

ambas series (x1t, x2t) estn en funcin de u1t y u2t. Por consiguiente, ambas sern I(1). Sin embargo,
se puede deducir otra caracterstica de estas series a partir de la ecuacin (18.21). En esta ecuacin
se observa que existe una combinacin lineal de estas series que resulta ser estacionaria. Por
consiguiente, se concluye que ambas series son CI(1,1).
La metodologa de Engle y Granger es bastante sencilla en su modus operandi aunque conlleva a

algunas complicaciones al momento de su aplicacin. De forma resumida, esta metodologa busca
estimar, como primer paso, el vector de cointegracin ( ); y luego de reemplazar estos errores en el
MCE, se analiza la presencia de las caractersticas propias de un conjunto de variables que en su
comportamiento dinmico (corto plazo) mantienen una relacin de largo plazo.
En este sentido, la forma en que se comporta el trmino de error aleatorio u 2t desempea un rol
importante. Por consiguiente, como primer paso se estimar el valor de . Para esto se emplear el
18
Johansen, Soren, Statistical Analysis of Cointegration Vectors, Journal of Economic Dynamics and Control, vol 12,
Junio-Septiembre 1988, pp. 231-254.
19
Engle, R.F y C. W. J. Granger, Co-integrated and Error Correction: Representation, Estimation and Testing,
Econometrica, vol 55, 1987, pp. 251-276.
test de Dickey-Fuller. Sin embargo, en esta situacin el rechazo de la hiptesis nula, que
usualmente implicaba la ausencia de una raz unitaria, ahora implica presencia de cointegracin
entre las variables.
Sin embargo, al momento de aplicar este test se debe tomar en cuenta que se lo est aplicando a una
series de residuos de una regresin, por lo que el anlisis de los resultados diferir de su aplicacin
tradicional. De esta forma el investigador puede encontrar en dos escenarios:
a. es conocido
Si asumimos que el investigador determina a priori el vector de cointegracin ( ), entonces en este

caso, se puede emplear los test de Dickey-Fuller y Dickey-Fuller Aumentado ya que la serie u 2t es
construida y no estimada. Si bien es cierto que esta distribucin no es estndar, los valores
crticos de sta han sido calculados a travs de simulaciones por Dickey(1976). De esta forma, si se
rechaza la hiptesis nula, entonces el vector podra ser el vector de cointegracin.
Para estar completamente seguros de que el vector estimado representa un vector de cointegracin,
se necesita examinar las caractersticas del MCE. En l se reemplaza la serie construida de u 2t,
rezagada en un periodo. Para determinar la existencia o no del vector de cointegracin, este sistema
deber de cumplir con las caractersticas mencionadas en la seccin anterior.
Sin embargo, esta forma de anlisis no es frecuentemente utilizada debido a que sta implica la
comprobacin sistemtica de diferentes valores del vector de cointegracin () hasta dar con el
verdadero. Generalmente, los trabajos de investigacin buscan estimarlos y no dar con el
iterativamente sin ningn algoritmo preestablecido.
b. es estimado
En el caso que no sea conocido, este deber de ser estimado a partir de los datos.
La estimacin de parmetro ( ) cuando el verdadero valor de es menor de uno es fcil de realizar

debido a que el MCO ofrece una excelente estimacin a pesar de que cada una de estas variables
(x1t , x2t) sean I(1). Esta regresin lleva por nombre regresin de cointegracin.
Por las caractersticas de estas series se conoce que todas sus combinaciones excepto la definida en
la ecuacin (18.21) tendrn una varianza infinita y, por lo tanto, producirn una suma del cuadrado
de los errores bastante elevada. Por otro lado, el verdadero valor generar una serie de errores
I(0), de varianza finita. De esta manera, con el empleo de este valor se contar con una suma de
errores cuadrticos marcadamente menor. Debido a esto, los parmetros estimados por MCO son
superconsistentes20, es decir, convergen a su verdadero valor con mayor celeridad que cualquier
otro estimador. Esto se produce debido a que la correlacin existente entre x 2t y u2t, causada por la
omisin de la dinmica en la relacin, es de menor orden que la varianza de x 2t. Para comprobarlo,
se determinar la expresin de la estimacin de de la ecuacin (18.21):
1
T T
x1t x 2t x 22t
t 1 t 1
20
El teorema de la superconsistencia fue planteado por Stock. J. H, Asymptotic Properties of Least-Squares Estimators
of Co-integrating Vectors, Econometrica, vol 55, pp. 1035-56.
1
T T
x 2t u 2t x 22t (18.22)
t 1 t 1
Se conoce que el estimador de es sesgado ya que el error u 2t incorpora la relacin dinmica que
existe entre estas variables. Sin embargo, debido a que x 2t es I(1) y u2t es I(0), el segundo
componente del lado derecho de la expresin anterior va a converger a cero rpidamente. La
convergencia se produce a una tasa de T, mientras que estimadores tradicionales convergen a tasa
T1/2. Es por esto que reciben el nombre de estimadores superconsistentes 21.
Esta caracterstica es empleada por Engle y Granger como base de su estimador de dos etapas
(two-step estimator). Debido a que el estimador de obtenido en la regresin esttica converge con
una mayor velocidad que el resto de estimadores, ste puede ser incorporado en el modelo de
correccin de errores y figurar como el verdadero valor del parmetro ya que el resto de parmetros
tardarn mucho ms tiempo en converger a su verdadero valor. De esta manera, cuando estos
ltimos converjan, ya estarn incorporando en su clculo no al valor estimado y sesgado de sino
al verdadero valor.
De esta manera, estos autores formulan el siguiente teorema 22:
La estimacin de los parmetros del modelo de correccin de errores, en el cual se haya

calculado el trmino de correccin empleando el estimado de la regresin esttica entre las
variables, y slo en el caso que exista un nico vector de cointegracin, tendr la misma
distribucin lmite que la de los parmetros calculados por mxima-verosimilitud conociendo
el verdadero valor de . Los errores mnimo cuadrticos de esta segunda etapa proveen de
estimadores consistentes de las verdaderas desviaciones estndar de los errores.
Con relacin a las pruebas de raz unitaria sobre los errores de la ecuacin (18.21), stas ya no
podrn ser hechas empleando los valores crticos tradicionales ya que ahora la serie u 2 t es un
residuo estimado de una regresin, por lo que cuenta con una distribucin lmite diferente. La
explicacin intuitiva de esto se encuentra en el hecho que el estimador MCO busca un conjunto de
parmetros que genere una serie de errores que cuente con la varianza mnima, entonces los valores
crticos del DF tradicional estarn sesgados a afirmar que que no existe raz unitaria. Ms adelante
veremos cules son los test alternativos con los que cuenta el investigador.
21
Demostracin analtica: se conoce que u 2t es I(0) si existe cointegracin y adems que x 2t es I(1), tal manera
que:
T T
T 1 x 22t O p (T ) Converge en probabilidad a T y T 1 x2t u2t O p (1) converge en
t 1 t 1
probabilidad a cero
1
T
T

por lo que: T ( ) T 1 x2t u2t T 2 x22t O p (1) , lo cual implica que
t 1 t 1
( ) O p (T 1 )
De modo que la convergencia del estimador a su verdadero valor se da a un ratio T. Como se revis en el Captulo 10,
Teora Asinttica, el ratio al que normalmente se da la convergencia es T 1/2. Por este motivo, este estimador se denomina
superconsistente.
22
Traduccin propia. Engle, R.F y C. W. J. Granger, op. cit., pp. 262
Existen otras formas alternativas para calcular el valor de ; sin embargo stas no presentan
estimadores consistentes. Se puede colocar como ejemplo el empleo de primeras diferencias de las
variables (x1t , x2t), en vez de la forma en niveles como son empleadas en la ecuacin (18.21) y al el
uso de mtodos de correccin de correlaciones seriales como el Cochrane-Orcutt en la regresin de
cointegracin.
Algunos inconvenientes
A travs del empleo de simulaciones de Monte Carlo, Barnerjee ha demostrado que la

superconsistencia de los estimadores MCO no se presentan en muestras pequeas. De esta manera,
la incorporacin de los residuos de la regresin de cointegracin en el MCE puede afectar a la
estimacin del resto de parmetros y hasta negar la presencia de un vector de cointegracin aun
cuando realmente ste s existiese realmente.
Adems de esto, cuando se cuenta con un modelo que presenta ms de dos variables en la relacin
de cointegracin se pueden presentar dos tipos de problemas:
El primero de ellos se relaciona con la determinacin de la variable dependiente. Si primero se

coloca a x1 como la variable dependiente de x2 y x3, la relacin estimada puede diferir con aquella
que se obtiene de colocar como variable dependiente a x2. Lo mismo se repite si colocamos a x3.
Asintticamente estos estimadores son iguales (previa normalizacin); sin embargo, en la prctica
empleamos muestras que generalmente no son lo suficientemente grandes.
Banerjee, demuestra con simulaciones de Monte Carlo que el sesgo de las muestras chicas est
inversamente relacionada con el R-cuadrado, por lo que sugiere que la normalizacin se haga en
funcin al mayor R-cuadrado. En general, la regresin de cointegracin que presente un R-
cuadrado bajo debe ser tomada con precaucin.
El segundo problema relacionado con esta metodologa se encuentra en la serie de residuos que se
puede encontrar cuando se estima una relacin bivariada frente a la alternativa de una multivariada.
Existe la posibilidad de obtener resultados no necesariamente verdaderos si, por ejemplo,
queremos comprobar si existe alguna relacin entre las variables x1 y x2, cuando en realidad la
verdadera relacin involucra una tercera variables, x 3: x1 2 x 2t 3 x3t . En este caso, si se
estima el siguiente modelo:
x1 2 x 2 t u t
la serie ut presenta raz unitaria al incluir en ella a la serie x 3t por lo que nuestro
procedimiento nos indicara que no existe relacin alguna entre estas variables, lo cual es falso. De
esta manera, los resultados de esta metodologa depende de la buena especificacin del modelo.
Adems debido a que nuestro modelo puede presentar ms de dos variables puede darse el caso que
entre un mismo grupo de variables se presente dos relaciones de cointegracin. Esto implica que
puede existir ms de una desequilibrio que afecte la dinmica de las variables que son modeladas
en el MCE. La metodologa de Engle y Granger no contempla este caso.
18.5.2 Aplicacin de la metodologa de E&G
Ahora continuacin se determinar cules son los pasos a seguir para aplicar esta metodologa.
Estos pasos se relacionan con la teora antes expuesta y consideran en cuenta las dolencias que
posee esta metodologa para as realizar una buena estimacin. Para mejorar su comprensin, este
procedimiento ser aplicado paralelamente a un conjunto de series simuladas. Finalmente, se
aplicar esta metodologa a series econmicas reales.
Primer paso: determinacin el orden de integracin
El objetivo de la metodologa E&G es determinar la existencia de un equilibrio de largo plazo

dentro de un conjunto de series no estacionarias. Si nos basamos en la definicin restringida de
cointegracin de Engle y Granger, este conjunto de variables deben ser I(1). Tericamente, la
ecuacin de regresin puede incluir variables de diferente orden (I(0) y I(2)). La inclusin de
variables I(0) no seran de gran utilidad ya que lo que estamos buscando determinar es una relacin
de largo plazo entre estas series, lo que equivale a determinar alguna relacin entre las tendencias
de las mismas. Una serie I(0) no presenta un tendencia estocstica, por lo que su aporte al momento
de determinar el vector de cointegracin no sera significativo.
Con respecto a la inclusin de series I(2), esto puede realizarse de dos formas: o bien las diferencio
una vez para as incorporar a la regresin de cointegracin variables I(1) o bien primero busco
determinar la existencia de una relacin de cointegracin entre estas variables I(2) e incorporo los
residuos I(1) de esta regresin junto con el resto de series I(1) de la primera regresin.
En la prctica diaria es raro encontrar variables que sean I(2) por lo que generalmente esta
metodologa se aplica a series I(1)23.
De esta manera, el primer paso consiste en determinar el orden de integracin de las series. Para
esto se aplican los procedimientos vistos en el captulo 16.
En el siguiente cuadro se especifica la conformacin de las series x t , w t , y t , z t , que sern

empleadas a lo largo de la aplicacin de esta metodologa. Las tres primeras mantienen entre ellas
una relacin de equilibrio de largo plazo (cointegran); mientras que la ltima se comporta como un
camino aleatorio independiente.
Cuadro 18.1
xt wt yt zt
Tendencia xt= xt-1 +xt wt= wt-1 +wt yt= 2xt +wt zt= zt-1 +zt
comp..
xt=0.5xt-1 + xt wt=0.5wt-1 + wt yt=0.5yt-1 + yt zt=0.5zt-1 + zt
Estacionario
Serie z xt = xt + xt wt = wt + wt + 0.5xt yt = yt + yt+0.5xt+0.5wt zt = zt + zt
Las series xt , wt , zt , xt , wt , yt , zt son secuencias de nmeros aleatorios. Estas series nos

ayudan a construir el componente tendencial y el componente estacionario de las series
xt , wt , yt , z t . El valor inicial de cada serie de componentes es cero; mientras que el resto de
23
Se pueden encontrar como ejemplos de series I(2) a las series de stock de inventarios ya que stas resultan de la
agregacin de las series de produccin y ventas, las cuales son I(1).
valores depende de cmo se haya definido su PGD (proceso generador de datos). Cada serie cuenta
con 150 observaciones.
Como era de esperarse, el resultado que se obtuvo de aplicar el test de Dickey-Fuller reconoci la
presencia de una raz unitaria en cada una de estas series.
Segundo paso: estimacin de la regresin de cointegracin
Este segundo paso consiste en estimar la regresin de cointegracin. Una vez que se comprueba
que todas las variables son del mismo orden, I(1), se procede a aplicar el procedimiento MCO
sobre estas variables. Como ya se mencion anteriormente, los estimadores obtenidos son
superconsistentes. Sin embargo, esta caracterstica se puede ver afectada por el nmero de
observaciones de la muestra y por el grado de dependencia de cada serie.
Para determinar los efectos de estos dos factores sobre los estimadores MCO se realizar una
simulacin de Monte Carlo. Este experimiento consiste en generar las series x t , w t , yt
siguiendo la ley de formacin del cuadro anterior y estimar la siguiente regresin:
Yt x X t wWt
Lo que se va a calcular es la magnitud en que se desvan los estimadores MCO de los verdaderos
valores de los parmetros (x =2, w = 1), cuando se altera tanto el nmero de observaciones como
el coeficiente (AR(1)) del componente estacionario de cada serie. Estos son los resultados:
Cuadro 18.2
Modelo Correcto
x w
%desv. %desv.
Nmero 50 0.12143 0.21447
De 100 0.07704 0.12947
Obs. 150 0.05751 0.09709
0.50 0.07704 0.12947
AR(1) 0.70 0.10503 0.18254
(obs=10
0.95 0.27160 0.46222
0)
Este cuadro recoge el promedio que se obtuvo luego de 1000 estimaciones para cada tipo de
modelo. Queda como ejercicio al lector ver cmo se alteran estos parmetros si especificamos el
componente estacionario no slo como un AR(1) sino como un AR(p).
Esta simulacin nos indica que el sesgo asinttico tiende a decrecer a medida que se incrementa el
nmero de observaciones. Con series que cuenten con 50 observaciones, el sesgo alcanza el 12% y
21% del verdadero valor de los coeficientes x y w, respectivamente. Este sesgo va disminuyendo
a medida que se incremente el tamao muestral.
Tambin se determina que el sesgo se incrementa cuando el grado de independencia de las series,
determinado por el coeficiente de AR(1), se incrementa. Para el caso de un AR(1) con =0.5, el
sesgo es de 7.7% y 12.9% de los coeficientes de las series xt y wt, respectivamente. El mismo que
se increment a 27% y 42% cuando alcanz el valor de 0.95.
El investigador deber tener en cuenta que los coeficientes estimados en esta regresin no
presentan distribuciones t asntticas si en el modelo no se han incluido todas las variables que
realmente conforman la relacin de largo plazo. Si hubiese omisin de una de estas variables
obtendramos como resultado una regresin esprea, la cual es identificada aplicando el test de DF
a los residuos. En el caso que exista una variable redundante, su coeficiente debera de ser no
significativo en la regresin de cointegracin.
Empleando el modelo de generacin del Cuadro 18.1, en la simulacin de Monte Carlo se busca
determinar cmo nuestro modelo, que incorpora una variable redundante, se comporta ante
variaciones del nmero de observaciones y el grado de dependencia entre las observaciones de cada
serie (siempre considerando slo series AR(1)). Se realizaron 1000 replicaciones para cada uno de
estos casos. Como en el cuadro anterior, la columna de los (x,w) recoge el promedio de la
desviacin de los estimadores con respecto a su verdadero valor y en la columna de las t(x,w,z) se
encuentra el porcentaje en que los respectivos coeficientes resultaron ser significativamente
diferentes de cero.
Cuadro 18.3
Modelo con variable redundante

x w t (x) t (w) t (z)
%desv. %desv. %sign. %sign. %sign.
50 0.15695 0.25847 100.0 95.4 39.3
Nmero 75 0.12707 0.19533 100.0 99.5 42.1
De 100 0.10195 0.16067 100.0 99.9 44.9
Obs. 125 0.09037 0.14474 100.0 100 47.8
150 0.07763 0.13537 100.0 100 47.4
0.50 0.10195 0.16067 100.0 99.9 44.9
AR(1) 0.70 0.13774 0.21766 100.0 99.4 53.2
(obs=100) 0.95 0.30078 0.46455 98.6 88.4 72.3
De los resultados que se encuentran resumidos en este cuadro se observa que la presencia de la
variable redundante (Zt) en el modelo de regresin result ser significativa en un 39.3% de las
veces cuando contamos con 50 observaciones. Cada vez que se incrementa el nmero de
observaciones, el porcentaje de veces que esta variable redundante no es especificada como tal
aumenta llegando inclusive a un 47.4% cuando se emplea en la estimacin 150 observaciones por
serie.
Este mismo fenmeno se presenta cuando se incrementa el grado de dependencia de las series. Si el
componente estacionario de las series se comporta como un AR(1) con una raz caracterstica de
0.50, el porcentaje de veces que la variable redundante sale significativa es de 44.9%. Si la raz
caracterstica se incrementa a 0.95, este porcentaje se incrementa a 72.3%. 24
A parte del problema de variables redundantes u omitidas, otro problema que el investigador deber
de tener en cuenta es la normalizacin, es decir, qu variable coloca a la izquierda de la regresin
24
Tambin se observa que la serie wt resulta ser menos significativa cuando la raz caracterstica se incrementa. Vemos
que las alteraciones de las condiciones provocan mayores efectos sobre las variables que presentan una menor
participacin en la relacin de equilibrio (recordemos que yt = 2xt + wt).
de cointegracin. Tericamente, la disposicin de las variables no debe influir sobre el resultado

final. Sin embargo, se ha visto que los coeficientes obtenidos de las distintas formas de calcular la
regresin no guardan la misma relacin. Incluso podra darse el caso que si se coloca una
determinada variable como dependiente, la regresin de cointegracin nos indique que s existe una
relacin de equilibrio; mientras que si se coloca otra variable como dependiente, el resultado sera
distinto.
En nuestro modelo simulado obtenemos las siguientes estimaciones:
y 1.970943 * x 0.952004 * w
(0.016112) (0.040993)
x 0.502403 * y - 0.458607 * w
(18.23)
(0.004107) (0.023838)
w - 1.557668 * x 0.824234 * y
(0.080965) (0.035491)
Sabemos que las variables y, x, w guardan la siguiente relacin: 1, -2, -1, respectivamente. Vemos
que an si normalizamos de diferentes maneras, esta misma relacin se mantiene.
Una ltima recomendacin: a menos que sea precisada la ausencia del trmino de intercepto, es
recomendable que este trmino sea incluido en el modelo. En las regresiones (18.23) no hemos
incluido intercepto ya que estas series fueron generadas sin este elemento.
Tercer paso: verificacin si los errores estimados son I(0)
Una vez que se ha determinado qu variables deben ser incluidas en el modelo y luego de haber
estimado la regresin de cointegracin se debe verificar si estos errores se comportan como I(0). En
caso que esto no se presente, el modelo estara representando una relacin esprea. Por otro lado, si
los errores efectivamente se comportan como I(0), entonces nuestro modelo estimado recoge una
relacin de equilibrio de largo plazo, a pesar de que las series no sean estacionarias.
De esta manera, para realizar la verificacin del orden de estos errores debemos utilizar el test de
Dickey-Fuller. Sin embargo, como ya se ha indicado anteriormente, la aplicacin de los valores
crticos tradicionales generaran resultados sesgados hacia la negacin de la presencia de una raz
unitaria.
Para determinar la existencia de un sesgo al aplicar el test de Dickey-Fuller, se estimar el siguiente

modelo:
xt wt u t
Si nos fijamos en la forma en que se generaron estas series vemos que cada una es I(1) e
independiente de la otra serie. Podra darse el caso que aparentemente el coeficiente sea
significativamente distinto de cero, pero esto correspondera a una relacin esprea. Sin embargo,
en todos los casos la serie de residuos debe ser I(1).
Se efectu una simulacin de Monte Carlo (1000 replicaciones) y se detect que en un 37.5% de
las veces el test de Dickey-Fuller, con sus valores tradicionales, nos indicaban que esta serie no
presentaba raz unitaria.
Debido a la presencia de este sesgo en los valores crticos de Dickey-Fuller, es necesario el empleo
de valores crticos ms estrictos. En este sentido Engle y Granger 25 calcularon un conjunto de
valores crticos que eliminase este sesgo para el caso de un modelo que incluyese slo 2 variables.
Engle y Yoo26 calcularon valores crticos para el caso de ms de dos variables.
Cuadro 18.4
0.01 0.05 0.10

N=2 N=3 N=4 N=2 N=3 N=4 N=2 N=3 N=4
DF -4.07 -4.45 -4.75 -3.37 -3.93 -4.22 -3.03 -3.59 -3.89
DFA -3.77 -4.22 -4.61 -3.17 -3.62 -4.02 -2.84 -3.32 -3.71
Valores crticos para el constraste de cointegracin Dickey-Fuller (DF) y Dickey-Fuller Ampliado
(DFA).
Nmero de observaciones: T=100
Ahora utilizando esos valores crticos vamos a realizar nuevamente una simulacin de Monte Carlo
para determinar el nmero de veces que estos tests nos proporcionan resultados adecuados.
Como procedimiento alternativo para detectar la cointegracin entre series, se puede emplear el
estadstico Durbin-Watson (DW=2(1-)) en la regresin de cointegracin. La hiptesis nula detrs
de este estadstico es que las series no cointegran. Este estadstico ser significativamente igual a
cero cuando se acepta la hiptesis nula. Si el DW calculado es mayor a los valores crticos,
entonces se rechaza la hiptesis nula de no cointegracin.
La ventaja de este estadstico es que no vara ante la inclusin de una constante o de una tendencia
en el modelo. Sin embargo, el problema con este estadstico es que los valores crticos depende de
la especificacin adoptada para el verdadero modelo.
Cuadro 18.5
Nivel de significacin 0.01 0.05 0.10
Valor crtico 0.511 0.386 0.322
Contraste de cointegracin empleando el estadstico DW en la regresin de

cointegracin27
Nmero de observaciones: T=100
A continuacin, estos dos tipos de pruebas de cointegracin sern aplicadas sobre las series de
errores obtenidas a partir de (18.23):
25
Engle R.F y C. W. J. Granger, op. cit., pp. 269.
26
Engle, Robert y B. Yoo, Forecasting and Testing in Cointegrated Systems, Journal of Econometrics, vol. 35, 1987,
pp. 143-159.
27
Sargan, J. y A. Bhargava, Testing Residuals from Least Squares Regression for Being Generated by the Gaussian
Random Walk, Econometrica, vol. 51, 1983, pp. 153-174.
Cuadro 18.6
DF() DW V. crticos V. crticos
Signif (0.05) (0.05) Engle&Yoo DW

.
e yt -5.699821 1.019884 -3.93 0.386
e xt -5.775792 1.001976 -3.93 0.386
e wt -4.982286 0.908438 -3.93 0.386
El test de DF no present rezagos significativos

El DW calculado es tomado a partir de las ecuaciones 18.23
Los resultados del Cuadro 18.6 nos indican que las distintas series de residuos son I(0) por lo s
existe una relacin de cointegracin entre estas series.
Cuarto paso: estimacin del MCE y determinacin de sus caractersticas
Se ha visto que segn el teorema de representacin de Granger todo conjunto de series que
cointegracin puede ser representada como un MCE. El cuarto paso en esta metodologa consiste
en construir este sistema de ecuaciones y determinar si este presenta coeficientes de ajuste
coherentes28. Tericamente, el MCE para nuestro conjunto de series estara especificado de la
siguiente manera:
p p p
y t y ( y t 1 x xt 1 w wt 1 ) a y1 (i ) y t i a x1 (i )xt i a w1 (i )wt i yt
i 1 i 1 i 1
p p p
wt w ( y t 1 x xt 1 w wt 1 ) a y 3 (i )y t i a x 3 (i )xt i a w3 (i )wt i wt
i 1 i 1 i 1
(18.24)
Debido a la presencia de estimaciones no lineales, este sistema no puede ser estimado utilizando
MCO. Ante este dificultad, se puede llevar a cabo el reemplazo del factor de correccin por la serie
de residuos de la regresin esttica. De esta manera, nuestro sistema se reduce a:
p p p
y t y (et 1 ) a y1 (i )y t i a x1 (i )x t i a w1 (i )wt i yt
i 1 i 1 i 1
28
Este cuarto paso puede considerarse como un tercer contraste de cointegracin. Tericamente no debera existir
ninguna contradiccin severa.
p p p
wt w (et 1 ) a y 3 (i )y t i a x 3 (i)xt i a w3 (i )wt i wt
i 1 i 1 i 1
Por este motivo la metodologa de Engle y Granger es conocida como una estimacin en dos
etapas. En una primera etapa se determina la serie de residuos; y en la segunda, esta serie es
incluida como un elemento explicativo en el MCE.
El nmero de rezagos (p) de cada ecuacin son los necesarios para contar con trminos ( t) que
sean ruidos blancos. El mximo nmero de rezagos de cada variable por serie es T1/3.
Con respecto a los valores esperados de los coeficientes de ajuste, estos dependen de qu serie de
residuos se est empleando en la estimacin.. En el caso de emplear la serie
e yt y t x xt w wt , se espera que y 0, x 0, w 0. Luego de estimar cada ecuacin
se obtiene:
y t 0.3361 * e yt 1 1.274665 * x t 0.633112 * wt yt

(18.25)
(0.059304) (0.086151) (0.076543)
x t 0.218056 * e yt 1 0.470655 * y t 0.230934 * wt xt

(18.26)
(0.035476) (0.031809) (0.033025)
wt 0.256339 * e yt 1 0.503980 * x t 0.497889 * wt wt

(18.27)
(0.054456) (0.060931) (0.114320)
El valor que adopte cada coeficiente de ajuste debe buscar mantener la relacin de equilibrio. Por
lo general, se esperara que si el error es calculado como e yt y t x xt w wt o bien como
e yt y t y t , el coeficiente de ajuste de la ecuacin de yt sea negativo y el resto de coeficientes
sean positivos.
De esta forma, si la estimacin de yt est por debajo del verdadero valor, en la dinmica de corto
plazo se esperara que yt sea menor que cero y que xt y wt sean positivos, para reestablecer el
equilibrio. Sin embargo, como nuestro lector se habr dado cuenta, existen otras formas de
reestrablecer el equilibrio. Por ejemplo, ante un e yt 0 , la serie yt puede presentar un yt 0 ; sin
embargo, xt y wt debern de ser positivos y de mayor magnitud para reestablecer la relacin de
equilibrio. En el caso que yt 0 , tanto xt como wt pueden serlo, aunque en menor
proporcin, y as poder volver al equilibrio. Sin embargo, sera incoherente que yt 0 , mientras
que xt y wt sean negativos ya que el sistema no volver a estar en equilibrio.
En el caso en que no se hubiese encontrado los signos esperados, el investigador podr cambiar la
serie de errores empleada por otra serie (calculada a parir de una variable dependiente distinta).
Tal como lo demuestran las ecuaciones (18.25-18.27), la estimacin del MCE con las series
generadas no present ningn rezago de la diferencia de las series significativo. Los que s
resultaron ser significativos fueron los coeficientes de ajuste. En el caso que uno o dos de ellos
fuesen no significativos todava sigue existiendo el MCE. En el caso que no tuvisemos algn
coeficiente de correccin distinto de cero, entonces no existe el MCE por lo que las variables no
cointegran.
Problemas subyacentes a esta metodologa
Esta estimacin del vector de cointegracin empleando una metodologa de dos etapas est sujeta a
varias crticas. Las ms importantes son:
a. Los valores que se puedan estimar del vector de cointegracin estn sujetos a la variable que se
coloque como dependiente. Es decir, si primero colocamos a yt como la variable dependiente de xt y
wt, la relacin estimada puede diferir con aquella que se obtiene de colocar como variable
dependiente a xt. Lo mismo se repite si colocamos a wt. Asintticamente estos estimadores son
iguales (previa normalizacin). Sin embargo, en la prctica empleamos muestras que generalmente
no son lo suficientemente grandes.
Se recomienda emplear el criterio de causalidad para determinar cual de todas las series es la ms
endgena o exgena.
b. Los resultados obtenidos de aplicar esta metodologa dependen de la buena especificacin del
modelo. La omisin de variables podra generar conclusiones errneas con respecto a las relaciones
entre variables.
Si, por ejemplo, se busca comprobar la existencia de alguna relacin entre las variables x1 y x2,
cuando en realidad la verdadera relacin involucra una tercera variables, x3, se estimara el
siguiente modelo:
x1 2 x 2t u t
la serie u t presentar raz unitaria ya que est incluyendo en ella a la serie x3t . Por lo tanto se
concluira la no existencia de alguna relacin entre estas variables, lo cual es falso.
c. Finalmente, la metodologa de Engle y Granger tan slo considera la presencia de una sola
relacin de cointegracin. En el caso que se cuente con n variables (n>2), entonces pueden existir
hasta n-1 relaciones de equilibrio. Si el nmero de relaciones de cointegracin es mayor que 1,
entonces los resultados que obtendremos al emplear esta metodologa estn alterados.
Por este motivo se recomienda el uso de la metodologa de Engle y Granger slo cuando se busque
comprobar alguna relacin bivariada. En el caso de querer determinar las relaciones entre tres o
ms variables se recomienda el empleo del test de Johansen. Este puede detectar la existencia de
ms de una relacin de equilibrio.
18.6. TEST DE JOHANSEN
En la seccin anterior se desarroll una primera metodologa para el clculo y anlisis de relaciones
de cointegracin. La metodologa de Engle y Granger representa un mtodo de fcil entendimiento
y aplicacin. En ste se emplea al estimador MCO, el cual presenta caractersticas asintticas que
favorecen la estimacin de estos parmetros. Sin embargo, al final de esta seccin se determin que
esta metodologa presentaba ciertas dolencias debido a que el set de supuestos que existen detrs de
ella no siempre se cumplen (en especial el denominado sesgo asinttico).
Otra caracterstica de la metodologa de E&G es que la misma no involucra una estimacin directa
(no es un test directo) de la cointegracin, sino todo lo contrario. En buena parte del
procedimiento est presente la aplicacin del test de Dickey-Fuller. Es decir, necesitamos recurrir a
los residuos para determinar si nuestro procedimiento es adecuado o no.
Precisamente, este carcter de dos etapas (two step) de esta metodologa es uno de sus punto ms
criticados. Como primer punto, es un tanto difcil establecer empricamente el orden de integracin
de cada serie, pero por sobre todo, el orden de integracin de la combinacin lineal entre las
variables es an ms complicado. Por este motivo se tiene que trabajar con distintos set de valores
crticos que dependen de la especificacin del modelo y del tipo de contraste empleado.
Felizmente, Johansen29 y Stock y Watson30 desarrollaron un test alternativo que emplea un proceso
de mxima verosimilitud. Esta forma de estimacin cuenta con la ventaja de realizar el clculo del
vector de cointegracin dentro de un modelo dinmico (MCE). Adems, este test contempla la
posibilidad de contar con ms de un vector de cointegracin.
A diferencia de la metodologa E&G, que analiza los residuos de las regresiones, el test de
Johansen concentra su anlisis sobre el rango y las races caractersticas del sistema de ecuaciones.
De esta manera se elimina procedimientos un tanto subjetivos (como la ordenacin de las variables
o bien el empleo de diversos valores crticos).
Una ltima ventaja a tomar en cuenta es la fcil implementacin de diferentes test sobre los
parmetros estimados, tanto de los coeficientes de la regresin de cointegracin como de los
coeficientes de ajuste.
18.6.1 Estimacin de los vectores de cointegracin
Para que el lector tenga una idea lo que implica calcular simultneamente tanto el vector de
cointegracin como el MCE, se reescribir el sistema (18.24):
p p p
y t y ( y t 1 x xt 1 w wt 1 ) a y1 (i )y t i a x1 (i )xt i a w1 (i )wt i yt
i 1 i 1 i 1
29
Johansen, Soren, Statistical Analysis of Cointegration Vectors, Journal of Economic Dynamics and Control, vol. 12,
Junio-Septiembre 1988, pp. 231-254.
30
Stock, James y Mark Watson, Testing for Common Trends, Journal of the American Statistical Association, vol. 83,
Diciembre 1988, pp. 1097- 1107.
p p p
wt w ( y t 1 x xt 1 w wt 1 ) a y 3 (i )y t i a x 3 (i )xt i a w3 (i )wt i wt
i 1 i 1 i 1
Segn la metodologa de E&G, lo primero que se necesita calcular son los residuos de la regresin
yt 1 x xt 1 w wt 1 . Luego estos sern reemplazados en todas estas ecuaciones para
proceder con su estimacin.
El procedimiento de estimacin propuesto por Johansen es distinto. La implementacin de este test

no estima ecuacin por ecuacin. Este realiza la estimacin de manera conjunta de todo el sistema,
logrando calcular los coeficientes de tando la relacin de cointegracin ( x y w) como del resto de
coeficientes del sistema (ayi, axi, awi). Por este motivo, el estimador MCO no puede ser empleado en
este contexto, siendo necesario la aplicacin de un procedimiento de mxima verosimilitud.
Cmo se realiza esta estimacin?
Para realizar la estimacin del sistema completo, primero ste debe ser especificado de una forma
conveniente. Esta forma es bastante parecida a la empleada en el test de Dickey-Fuller. Sin
embargo, en este caso se emplea un vector de variables. Primero se define la siguiente relacin:
X t A1 X t 1 t (18.28)
donde: Xt = vector de n variables
A1 = matriz de nxn
t = vector de errores aleatorios (nx1)
Esta representacin se parece a un AR(1) con la diferencia que no se est analizando una sola serie
sino un vector de series. Por este motivo, esta denominacin es conocida como un vector de
autocorrelacin (VAR)31.
Ahora se procede a restar a cada lado de la ecuacin el vector Xt-1. De esta manera se va
construyendo el MCE:
X t X t 1 A1 X t 1 X t 1 t
(18.29)
X t X t 1 t
de esta manera se obtiene la matriz (nxn) definida de como: = A1 - I. De esta matriz nos interesa
conocer dos cosas: sus valores propios diferentes de cero y la estimacin de cada uno de los
vectores linealmente independientes.
31
La singularidad de una estimacin VAR consiste en que considera como variables explicativas a todos los rezagos de
las variables explicadas. De esta manera se elimina los problemas causalidad o exogeneidad. En series macroeconmicas
no es fcil encontrar variables puramente exgenas ya que la mayora de ellas estn relacionadas de alguna manera; por
lo que una variable no puede ser afectada sin que sta tarde o temprano afecte al desempeo de otra serie.
Determinacin de los valores propios
Para determinar los valores propios (o races caractersticas) de la matriz se debe recordar que
toda matriz puede ser expresada en trminos de estos:
X t X t
luego:
( I ) X t 0
de esta manera, y para que no exista una solucin trivial (es decir, que las variables del vector sean
iguales a cero), se debe de cumplir con:
I 0
De esta expresin se puede calcular el valor de los valores propios. Como ya se trat en la seccin
18.4, la presencia de un valor propio (o raz caracterstica) diferente de cero indica la existencia de
una relacin linealmente independiente dentro del vector .
Dada la siguiente especificacin de un MCE:
x1t 0.90 0.40 x1t 1 1t

x 1.80 0.80 x (18.30)
2t 2t 1 2t
Si se busca determinar las races caractersticas de la matriz , entonces:
0.90 0.40
0
1.80 0.80
de donde se obtiene las siguientes races caractersticas: 1=0.10 y 2 = 0.
De esta manera se determina que una relacin en la matriz no es linealmente independiente. El

nmero de races iguales a cero est dado por n - r, donde r es el nmero de relaciones de
cointegracin. Por consiguiente, este MCE cuenta con 2-1=1 vector de cointegracin.
Sin embargo, no se pretende que este modelo se limite a la especificacin de la ecuacin (18.29).
Al igual que en la metodologa de E&G, el MCE debe contener con la suficiente cantidad de
rezagos de tal forma que los errores de cada ecuacin del sistema se comporte como un ruido
blanco.
Ahora, se generaliza la ecuacin (18.29) para el caso de una relacin de autocorrelacin de orden p:
X t A1 X t 1 A2 X t 2 ... A p X t p t
Si se sustrae Xt-1 de ambos lados de esta ecuacin, se obtendr:
X t ( A1 I ) X t 1 A2 X t 2 ... A p X t p t
Como nuestro objetivo es contar con valores rezagados de las diferencias del vector Xt, entonces
primero se resta y suma al lado derecho de la ltima expresin el monto de (A1-I) Xt-2, de tal forma
que se obtenga:
X t ( A1 I ) X t 1 ( A2 A1 I ) X t 2 ... A p X t p t
Si se contina con esta operacin, finalmente se obtiene:
p 1
X t i X t i X t p t (18.31)
i 1
donde:
i p
i ( I A j ) ; ( I Ai )
j1 i 1
Por lo que el rango de indicar el nmero de vectores de cointegracin independientes. Si el

rango de = 0, esto significa que esta matriz est compuesta por ceros. De esta forma, lo que se
obtendra sera un VAR en primeras diferencias. En el caso que el rango de esta matriz fuese igual a
n (es decir, que todas sus races caractersticas se encuentren entre 0 y1), esto significara que las
series son estacionarias por lo que cualquier combinacin de stas ser estacionaria. Si se cuenta
con r races caractersticas distintas de cero (0 < r < n), esto equivale a decir que existen r
relaciones linealmente independiente en nuestra matriz .
Una pregunta que se puede estar planteando el lector es la forma de determinar el nmero de
rezagos dentro del sistema. Por regla se ha determinado que el nmero mximo de rezagos es de
T1/3 (donde T es igual al nmero de observaciones). Al iniciar el anlisis se puede emplear los T1/3
rezagos, y luego ir desechando los rezagos que no sean significativos para lograr un modelo ms
parsimonioso.
La estimacin de los vectores de cointegracin
En este punto del proceso de estimacin ya se conocen los valores de la matriz , estimados a partir
del desarrollo del sistema autoregresivo. Adems, de la determinacin del nmero de valores
propios diferentes de cero se conoce el nmero de vectores de cointegracin involucrados en el
MCE. Finalmente, se debe considerar que el valor esperado de X t-1 es cero.
Con esta informacin, y aplicando un algoritmo de mxima verosimilitud 32, el test de Johansen
busca determinar los valores de los elementos de la matriz y de la siguiente relacin:
(18.32)
donde y son matrices de nxr. La primera matriz corresponde a los coeficientes de ajuste,
mientras que la segunda guarda los coeficientes de las relaciones de cointegracin. De esta manera,
en el caso que existiese un solo vector de cointegracin entre tres variables, la estimacin del
vector de cointegracin y de los coeficientes de ajuste sera de la siguiente forma:
32
Johansen, Soren, op. cit., pp. 234
y y t 1 y

x y x
w xt 1 t x y y t 1 x xt 1 w wt 1
w wt 1 w
y ( y y t 1 x xt 1 w wt 1 )

x ( y y t 1 x xt 1 w wt 1 ) t
w ( y y t 1 x xt 1 w wt 1 )

Para el caso de detectarse 2 vectores de cointegracin, la especificacin de la matriz sera la

siguiente:
y1 y2 y
y1 x1 w1 t 1
X t 1 x1 x2 x
y2 x2 w2 t 1
w1
w2 wt 1
si se opera y factoriza adecuadamente, se obtiene:
y1 ( y1 yt 1 x1 xt 1 w1 wt 1 ) y 2 ( y 2 y t 1 x 2 xt 1 w 2 wt 1 )

X t p x1 ( y1 yt 1 x1 xt 1 w1 wt 1 ) x 2 ( y 2 y t 1 x 2 xt 1 w2 wt 1 )
w1 ( y1 yt 1 x1 xt 1 w1 wt 1 ) w 2 ( y 2 y t 1 x 2 xt 1 w 2 wt 1 )

en esta matriz se observa claramente la existencia de dos vectores de cointegracin, cada uno de los
cuales est multiplicado por su coeficiente de ajuste.
Incorporacin de tendencia e intercepto al modelo
El modelo representado en la ecuacin (18.31), el cual incluye p rezagos del vector en diferencias,
puede generalizarse an ms si se incluyese un intercepto y una tendencia tanto en el MCE como
en el vector de cointegracin.
De esta manera se puede contar con diferentes tipos de modelos.
Modelo #1: z t 1
Este tipo de modelo no incorpora intercepto ni pendiente tanto en el vector de cointegracin como
dentro del modelo de correccin de errores. Este puede presentar la siguiente estructura:
x t 0.3 0.3 x t 1 xt
y (18.33)
t 0.3 0.3 y t 1 yt
En este sistema se est considerando un coeficiente de ajuste de 1. El movimiento de las series se

caracteriza por mantener tan solo una tendencia estocstica propia de las series random walk.
Modelo # 1 Modelo # 2
(A) (B)
12 10
8
8
6
4 4
2
0 0
-2
-4
-4
-8 -6
20 40 60 80 100 120 140 20 40 60 80 100 120 140
X Y X Y
Figura 18.5
Modelo #2: ( z t 1 0 )
Ahora en este modelo vamos a incorporar la presencia de una constante en el vector de

cointegracin. La presencia de la misma responde a la modelacin de largo plazo, mas no a alguna
caracterstica sobre el comportamiento dinmico. Es decir, esto no va a provocar la presencia de
algn tipo de tendencia determinstica. Ambas series continan siendo random walk.
Estas series, graficadas en la Figura 18.5 (b), fueron construidas considerando los siguientes
valores:
xt 1
xt 0.3 0.3 0.4 xt
y 0.3
0.3 0.4
y t 1 yt (18.34)
t
1
El lector deber de notar que la incorporacin de la constante dentro del vector de cointegracin
debi de guardar relacin con el coeficiente de ajuste(-1). En el caso que se hubiese incorporado
una constante de 0.4 en la primera fila y una de 0.4 en la segunda fila, lo que estaramos
provocando sera la inclusin de una constante a cada ecuacin del sistema y no al vector.
Modelo # 3: ( z t 1 0 ) 1 0
Para entender mejor lo expuesto en el prrafo anterior, se procede a desarrollar el sistema matricial
(18.34):
x t (0.3 xt 1 0.3 y t 1 0.4) xt

y t (0.3 x t 1 0.3 y t 1 0.4) yt
En este sistema se determina la incorporacin de la constante 0.4 en la segunda ecuacin fue la

acertada para incorporar una constante en el vector de cointegracin debido a que el valor del
coeficiente de ajuste es =-1. De esta manera se presenta el mismo vector de cointegracin para
ambas ecuaciones. Qu hubiese pasado si en vez de colocar 0.4 hubiese incorporado al sistema
0.8?.
La respuesta se encuentra en el grfico (a) de la siguiente figura:

Modelo # 3 Modelo # 4
(A) (B)
16 60
50
12
40
8
30
4
20
0
10
-4 0
20 40 60 80 100 120 140 20 40 60 80 100 120 140
X Y X Y
Figura 18.6
Como este valor no guarda relacin alguna con el coeficiente de ajuste, no pudo ser incorporado al
vector de cointegracin por lo que ambas constantes son ahora constantes del sistema:
xt (0.3 xt 1 0.3 y t 1 ) 0.4 xt

y t (0.3 x t 1 0.3 y t 1 ) 0.8 yt
La presencia de estas constantes en el sistema han incorporado una tendencia determinstica a cada
una de las series. Ahora ambas se comportan como series random walk with drift. Es necesario
precisar que debido a que ambas series cointegran, por ms variado sean estos drift, ambas
siempre se movern juntas alrededor de la tendencia generada por el mayor drift.
Generalmente se incorpora una constante al MCE si se observa las series bajo anlisis presentan
cierta tendencia determinstica.
Modelo #4: ( z t 1 0 1t )
La incorporacin de una tendencia dentro del vector de cointegracin no incorpora ningn tipo de
tendencia determinstica al modelo, tal como lo demuestra la parte (b) de la Figura 18.6. Si tambin
se incorpora una tendencia al MCE, lo que se estara determinando es una tendencia cuadrtica a
las series, tal como lo demuestra la siguiente figura.
Modelo #5
80
60
40
20
-20
20 40 60 80 100 120 140
X Y
Figura 18.7
18.6.2 Test de Cointegracin
El nmero de vectores de cointegracin est determinado por el nmero de valores propios

mayores a cero. Bajo esta consideracin se plantean un par de test LR (mxima verosimilitud) que
buscan determinar cuntos vectores de cointegracin existen. Para esto, ambos test calculan los
valores propios y luego los ordenan de mayor a menor.
El primero de ellos calcula el siguiente estadstico:
n
Qr T log(1 )
i r 1
i
donde r representa el nmero de vectores de cointegracin: r = 0, 1, ..., k-1. Adems, los i estn
ordenados de forma descendente. Este estadstico Qr es denominado trace statistic y cuenta por
hiptesis nula que el nmero de vectores de cointegracin es menor o igual a r, frente a una
hiptesis alternativa que enuncia la existencia de n vectores de cointegracin, es decir, que
considera la matriz como una matriz de rango completo.
La intuicin detrs de este test es sencilla: si queremos probar que no existe ningn vector de
cointegracin, es decir, que las races caractersticas son cercanamente iguales a cero, la sumatoria
del log(1-i) difcilmente alcanzar un valor muy alto ya que log(1) es cero.
Si el valor calculado de Q0 es menor al valor crtico, entonces no puedo rechazar la hiptesis nula
de no existencia de algn vector de cointegracin (es decir, no hay ningn vector de cointegracin).
En el caso que sea mayor al valor crtico, se rechazara la hiptesis, es decir, por lo menos existe un
vector de cointegracin. El siguiente paso es probar Q1. La lgica es la misma. Si Q1 es menor a un
determinado valor crtico, no se rechaza la hiptesis nula de existencia de un solo vector de
cointegracin. En el caso contrario, acepto que existen ms de un vector de cointegracin, y as
sucesivamente.
Johansen tambin propone un test LR alternativo conocido como el test de la mxima raz
caracterstica (maximun eigenvalue statistic). Este es calculado de la siguiente forma:
Qmax T log(1 r 1 )
En este caso, la hiptesis nula es la existencia de r vectores de cointegracin frente a la hiptesis

alternativa de r + 1.
Pongamos como ejemplo la estimacin de una relacin de largo plazo entre las series de la tasa de
inters, tipo de cambio y emisin primaria. Los valores de los estadstico Qtrace y el Qmax son los
siguientes:
Tabla 18.1
Qtrace Qmax
-Tln(1-i) -Tln(1-r+1)
n-r=3 39.895 21.910 r=0
n-r=2 17.985 10.683 r=1

n-r=1 7.302 7.302 r=2
Los valores crticos se encuentran en la Tabla B al final del libro. Debido a que se incluy una
constante en el vector de cointegracin, los valores adecuados son lo que se encuentran al final de
esta tabla.
En la primera fila de la Tabla 18.1, lo que se est probando es la presencia o no de un vector de

cointegracin (r). La hiptesis nula es que r=0, es decir, que no exista vector alguno. Sin embargo,
vemos que el valor Qtrace calculado sobrepasa a los valores crticos (32.093 y 35.068 al 90 y 95% de
confianza, respectivamente), por lo que se rechaza esta hiptesis.
De esta manera se conoce que por lo menos existe un vector de cointegracin, por lo que vamos a
verificar la existencia de otro ms. Para esto se contina con la siguiente fila de la tabla, en donde
la hiptesis es que r<=2 y el estadstico estimado es igual a 17.985. Si nuevamente se compara con
los valores crticos (17.957 y 20.168 para el 90 y 95% de confianza), se observa que ahora existe
cierta duda con respecto a la existencia de un segundo vector de cointegracin: al 90% s existira;
mientras que a un 95% de confianza, no.
Ante esta duda se recurre al estadstico Qmax. Este estadstico, para n - r = 3, alcanza un valor
21.910. Con este valor se rechaza la hiptesis nula de que el nmero de vectores es cero ( r = 0) ya
que los valores crticos de tabla son de 19.796 y 21.894 al 90 y 95%, respectivamente. Cuando
probamos la hiptesis nula r = 1 contra la alternativa (r = 2), el valor que se obtiene es de 10.683,
mientras que los valores tabulares son de 13.781 y 15.752. De esta manera no se puede rechazar la
presencia de un solo vector de cointegracin.
18.6.3 Pasos para la aplicacin del test de Johansen
A continuacin se indican cules son los pasos bsicos que se deben tomar en cuenta para aplicar el
test de Johansen y cmo interpretar sus resultados. En esta parte utilizan los mismos datos
generados y empleados en la seccin anterior con el fin de comparar los resultados.
Como recordar, el modelo generador de estas series contemplaba la siguiente relacin:

Yt 2 X t Wt , mientras que Zt no es ms que una serie random walk independiente de las dems.
Determinacin del nmero de rezagos
La determinacin del nmero de rezagos tiene bastante importancia ya que la incorporacin de un

nmero inadecuado de los mismos puede generar diferentes resultados. Por este motivo se recurre
al test LR de determinacin del nmero ptimo de rezagos del sistema. El estadstico calculado es
el siguiente:

(T C ) ln i ln i r X 2
q
donde: T = nmero de observaciones
c = nmero de parmetros en el sistema no restringido
ln i = el logaritmo natural del determinante de la matriz de covarianzas del sistema

restringido
ln i r = el logaritmo natural del determinante de la matriz de covarianzas del sistema
sin restringir
Ho: el nmero ptimo de rezagos del sistema es i
Ha: el nmero ptimo de rezagos del sistema es i+r
Donde i + r = t1/3 (t es el nmero de observaciones las series). Si, por ejemplo, t1/3 =5, la primera
prueba buscara determinar si se puede eliminar el quinto rezago, por lo que la hiptesis nula sera
Ho: i=4 (nmero de rezagos del sistema restringido). En el caso que se acepte, entonces se prueba
con la hiptesis Ho: i=3. Si en este caso se rechaza la Ho, entonces se concluye que el nmero de
rezagos ptimo es 4. Sino se rechazase, se continuara disminuyendo los rezagos hasta que se
rechace la hiptesis nula.
Se tiene que considerar que q representa el nmero total de restricciones en el sistema ( q r.g 2 ),
donde g es el nmero de variables del sistema.
El resultado de aplicar este test sobre el conjunto de series generadas, nos indic que este sistema,
que incluye las variables xt, wt, yt y zt, no incluye ningn rezago de ellas mismas. Recordemos que
esta misma situacin sucedi cuando determinbamos el nmero de rezagos en la metodologa
E&G. Esto se debe a la forma en que han sido generados los datos.
Estimacin de las races caractersticas
Una vez que se ha determinado el nmero de rezagos a incorporar en el MCE, el siguiente paso
ser calcular las races caractersticas. Para esto se puede aplicar diversos paquetes economtricos.
Los resultados que a continuacin se mostrarn corresponden a los obtenidos al aplicar el test de
Johansen del Econometrics Views 3.0.
Este test ofrece como opciones la incorporacin de una constante y una tendencia en el vector de
cointegracin y en el sistema. Si se observa que la data tiene algn tipo de tendencia determinstica,
entonces es recomendable que se incorpore la constante a todo el sistema.
A continuacin se presenta la estimacin del estadstico Qtrace junto con los valores crticos:
Test assumption: No deterministic trend in the data

Series: W X Y Z
Lags interval: No lags
Likelihood 5 Percent 1 Percent Hypothesized
Eigenvalue Ratio Critical Value Critical Value No. of CE(s)
0.282911 71.86245 53.12 60.16 None **
0.074399 22.31163 34.91 41.07 At most 1
0.052588 10.79211 19.96 24.60 At most 2
0.018241 2.742974 9.24 12.97 At most 3
*(**) denotes rejection of the hypothesis at 5%(1%) significance level
L.R. test indicates 1 cointegrating equation(s) at 5% significance level
Los valores de las races caractersticas se encuentran en la primera columna y en orden

descendente. En la siguiente columna se calcula el estadstico Qtrace. Si se compara el primer
estadstico LR con los valores crticos correspondientes, se observa que existe 1 vector de
cointegracin tal como lo indica el Eviews.
Determinacin de los coeficientes del vector de cointegracin y los coeficientes de ajuste
Una vez que ya se determina el nmero de vectores de la matriz se procede a normalizar y

calcular los coeficientes de este vector. La normalizacin puede ser tomada de cualquier
coeficiente.
Los resultados que presentamos a continuacin nos indican de alguna manera si existe alguna
variable redundante. Para esto se puede emplear los estadsticos t que parecen debajo de los
parmetros estimados. Si bien es cierto que este estadstico no es exacto, puede proporcionar una
idea de la significancia de los coeficientes. Si el ratio entre el coeficiente y la desviacin estndar
es menor que dos en valor absoluto o est muy cercano a este valor, entonces se puede concluir que
esta variable no es significativa. Si se calcula el t-estadstico de cada uno de los coeficientes
obtiene: x = 74.75 ; w = 14.99 ; z = 1.97. De esta manera resulta claro que el aporte de la variable
zt a la relacin de equilibrio no es significativo.
Normalized Cointegrating Coefficients: 1 Cointegrating Equation(s)

Y X W Z
1.000000 1.981692 1.037160 0.134975
(0.02651) (0.06918) (0.06829)
Log likelihood 1091.881
Estos resultados son bastante parecidos a los obtenidos en la aplicacin de la metodologa de Engle
y Granger.
Una ventaja que tiene el test de Johansen del Eviews es que normaliza las ecuaciones como si
existiese no slo uno sino todos los posibles vectores de cointegracin (n-1), permitiendo al
investigador tener la certeza de entre qu variables existe esta relacin de cointegracin.
En lo referido a los coeficientes de ajuste, estos se calculan a partir del vector de cointegracin
calculado en la parte anterior. Es importante que el investigador tenga sumo cuidado al determinar
el nmero de rezagos apropiados as como eliminar del modelo todas las variables reduntantes.
Si se estima el MCE del modelo anterior, sin eliminar la serie Zt, entonces este sera el resultado
obtenido:
VAR Model - Substituted Coefficients:
D(Y) = 0.03291033621*( Y(-1) - 1.981692456*X(-1) - 1.037159503*W(-1) + 0.1349753188*Z(-1) )

D(X) = 0.1939057704*( Y(-1) - 1.981692456*X(-1) - 1.037159503*W(-1) + 0.1349753188*Z(-1) )
D(W) = 0.1945428908*( Y(-1) - 1.981692456*X(-1) - 1.037159503*W(-1) + 0.1349753188*Z(-1) )
D(Z) = 0.008081624393*( Y(-1) - 1.981692456*X(-1) - 1.037159503*W(-1) + 0.1349753188*Z(-1) )
Vemos que por defecto, este paquete economtrico coloca como variable normalizada a la primera
en ser digitada. Este orden ser de ayuda al momento de determinar el signo del coeficiente de
ajuste. Tericamente, el coeficiente de la regresin de D(Y) debe ser negativo o bien tener una
menor magnitud que los coeficientes de ajuste de la regresin D(X) y D(W), como en el presente
caso. Se observa que el coeficiente de ajuste de la regresin D(Z) no guarda relacin ya que sta es
la variable redundante.

Cap18 Cointegra

Cargado por

Información del documento

Título original

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

Cap18 Cointegra

Cargado por

Copyright:

Formatos disponibles

Captulo 18: Modelo de Correccin de Errores y Cointegracin 103

18.2. EQUILIBRIO DE LARGO PLAZO ENTRE SERIES DE TIEMPO

Un anlisis de mercado a determinado que la mayora de los limeos acostumbran tomar un

Ahora introduciremos el precio de la leche en el ejemplo anteriormente tratado. Existir alguna

Figura 18.3 Los grficos (a) y (b) nos muestran diferentes

La teora macroeconmica nos da ejemplos de relaciones que potencialmente podran presentar un

18.3. EL CONCEPTO DE LA COINTEGRACIN

En la seccin anterior se explic el concepto de equilibrio de largo plazo; sin embargo, no se

donde el vector de coeficientes, ( 1 , 2 ) , puede adoptar diferentes valores tales como

La definicin terica ms frecuentemente empleada es aquella formulada por Engle y Granger

Un conjunto de variables xt son denominadas cointegradas de orden (d,b), y denotadas como

i. xt es integrada de orden d, I(d),

donde el vector es denominado vector de cointegracin.

Es importante destacar la serie resultante de la cointegracin entre variables no necesariamente

En lo que respecta a la forma en que se estima el set de coeficientes (vector de cointegracin), el

La estimacin MCO de un vector de cointegracin es denominada como superconsistente. Esto

A continuacin veremos dos conceptos importantes relacionados con la nocin de cointegracin:

Para analizar el concepto de rango de cointegracin, o mejor dicho, el rango de la matriz de

El concepto de rango de una matriz de cointegracin adquiere ms importancia cuando se est

donde las variables involucradas conforman el siguiente vector xt mt , pt , y t , rt y el vector de

Por lo general este vector se normaliza. Si lo hacemos en funcin del coeficiente de m t,

En primer lugar, se determina la conformacin de las siguientes variables:

Ahora, si reemplazamos los elementos que conforman cada variable obtendremos:

18.4. EL MODELO DE CORRECIN DE ERRORES (MCE)

En primer lugar, se va a explicar mediante un ejemplo cual es el comportamiento, en el corto plazo,

18.4.1 Intuicin y dinmica del MCE

Adems, si el pas es lo suficientemente importante econmicamente hablando, es probable que la

Histricamente, la econometra tradicional ha empleado modelos que buscan establecer alguna

18.4.2 Representacin del MCE

i libor . Ahora bien, el comportamiento corriente de estas variables ser formulado de la

libort 1 (it 1 libort 1 ) 1t (18.3)

it 2 (it 1 libort 1 ) 2t (18.4)

Este sistema de ecuaciones representa la dinmica existente detrs de la explicacin del

MCE y las races caractersticas

x1t a11 x1t 1 a12 x 2t 1 1t (18.7)

(1 a11 L ) x1t a12 Lx 2t 1t

Despejando una variable y reemplazndola en la otra ecuacin se obtiene:

2 (a11 a 22 ) (a11 a 22 a12 a 21 ) 0 (18.11)

18.4.3 Teorema de Representacin de Granger

La existencia variables CI(1,1) implica la existencia de un MCE entre estas.

2 (a11 a 22 ) (a11 a 22 a12 a 21 ) 0

luego de algunas simplificaciones podemos obtener el siguiente resultado:

a11 1 a12 a 21 /(1 a 22 ) (18.12)

Luego, la segunda condicin sobre las races caractersticas es la siguiente:

x1t a11 1 a12 x1t 1 1t

Si reemplazamos la restriccin (18.12) en el sistema, obtendremos:

x1t a12 a 21 /(1 a 22 ) x1t 1 a12 x 2t 1 1t (18.16)

donde: 1 a12 a 21 /(1 a 22 )

Esta afirmacin ya ha sido probada anteriormente. Sin embargo, en esta oportunidad se

donde: 0 = un vector (n x 1) de intercepto con elementos i0

i = matriz (nxn) cuyos elementos son jk(i)

t = un vector (nx1) de elementos it

18.4.4 Rango y valores propios de la matriz de cointegracin

El nmero de valores propios diferentes de cero de es cero.

El nmero de valores propios diferentes de cero de es n.

El nmero de valores propios diferentes de cero de es r (0<r<n).

De esta manera la expresin (18.18) representar un sistema de ecuaciones constituido

En el caso que exista ms de un vector de cointegracin, su representacin estara dada de la

18.5. METODOLOGA DE ENGLE Y GRANGER

18.5.1 Revisin general del metodologa E&G

x1t x 2 t u1t , u 1t u 1t -1 1t (18.20)

Si reespecificamos este sistema de ecuaciones en su forma reducida, entonces se comprueba que

La metodologa de Engle y Granger es bastante sencilla en su modus operandi aunque conlleva a