Econometra de series de tiempo aplicada a

macroeconoma y finanzas
Series de Tiempo no Estacionarias

Carlos Capistran Carmona

ITAM
Tendencias

Una tendencia es un movimiento persistente de largo plazo de

una variable a traves del tiempo.
Una serie de tiempo fluctua alrededor de su tendencia.
Existen dos clases de tendencias:
I Una tendencia determinstica es una funcion no aleatoria del
tiempo. Por ejemplo, puede ser lineal en el tiempo. Si la inflacion se
incrementara 0.1 de punto porcentual cada trimestre, podramos
escribir esta tendencia como 0.1t, t medido en trimestres.
I Una tendecia estocastica es aleatoria y cambia con el tiempo. Por
ejemplo, una tendencia estocastica en la inflacion podra presentar
incrementos por un periodo largo de tiempo, seguido por un
periodo largo de reducciones.
Hay que tener cuidado al definir la tendecia. Si medimos la
temperatura entre las 6:00 am y las 12:00 pm, podemos pensar que
el proceso que genera la temperatura durante el da tiene una
tendencia creciente.
Caminata aleatoria o Random Walk
El modelo mas simple de una variable con una tendencia
estocastica es una caminata aleatoria.
Una serie de tiempo yt sigue una caminata aleatoria si el cambio
en yt es i.i.d., esto es, si:
yt = yt 1 + t t es i.i.d.
En general, es comun referirse a una serie como caminanta
aleatoria si sigue un modelo como el anterior pero con
E [ t | yt1 , yt2 , ...] = 0
La idea basica atras de una caminata aleatoria es que el valor de
una serie manana es el valor de hoy mas un cambio impredecible
(la trayectoria de yt sigue pasos aleatorios).
E [yt | yt1 , yt2 , ...] = yt1 . Si yt sigue una caminata aleatoria, el
mejor pronostico del valor de manana es el valor de hoy.
Si la serie tiene una tendecia a moverse, esta se conoce como
caminata aleatoria con tendencia (o Random walk with drift):
yt = 0 + yt 1 + t
Una caminata aleatoria no es estacionaria

Si yt sigue una caminata aleatoria, entonces no es estacionaria.

La varianza de una caminata aleatoria aumenta con el tiempo, por
lo que la distribucion de yt cambia con el tiempo:

yt = yt1 + t ,
var (yt ) = var (yt1 ) + var ( t ) ,
var (yt ) 6= var (yt1 )

Otra forma de verlo es pensando que yt empieza en cero, es decir,

y0 = 0. Entonces, y1 = 1 , y2 = 1 + 2 , de tal forma que
yt = 1 + 2 + ... + t . Y por lo tanto,
var (yt ) = var ( 1 + 2 + ... + t ) = t2 .
A pesar de que las autocorrelaciones poblacionales de una
caminata aleatoria no estan definidas, las autocorrelaciones
muestrales tienden a ser cercanas a 1.
Tendencias estocasticas, modelos autorregresivos y
races unitarias

La caminata aleatoria es un caso especial de un AR(1) con 1 = 1.

Es decir, si 1 = 1, entonces yt tiene una tendencia estocastica y no
es estacionaria. En cambio, si |1 | < 1, entonces yt es estacionaria.
Para el caso de un AR(p), la condicion que se debe cumplir para
que sea estacionario es que las soluciones a la ecuacion
1 1 z 2 z2 ... p zp = 0 tienen que ser mayores a 1 en valor
absoluto (i.e., las races del polinomio tienen que estar fuera del
crculo unitario).
En el caso de un AR(1), la raz es z = 11 , por lo que la raz es
mayor a uno en valor absoluto si |1 | < 1.
Si el AR(p) tiene una raz que es igual a 1, entonces la serie tiene
una raz unitaria y tiene una tendencia estocastica.
Problemas ocasionados por tendencias estocasticas

Si el regresor tiene una raz unitaria, el estimador de MCO de su

coeficiente y su estadstico t de MCO, pueden tener distribuciones
distintas a la normal, incluso en muestras grandes. Esto genera
por lo menos tres problemas especficos:
1 El estimador del coeficiente del autorregresivo en un AR(1)
esta sesgado hacia 0 si su verdadero valor es 1.
2 Los estadsticos t de los regresores con tendencias estocasticas
pueden tener una distribucion diferente a la normal, incluso en
muestras grandes.
3 Dos series que son independientes podran, con alta probabilidad,
parecer estar relacionadas si ambas tienen tendencias estocasticas
(regresion espuria).
Pruebas de raz unitaria en procesos autorregresivos

De manera informal, podemos detectar tendencias en series de

tiempo utilizando la grafica de la serie contra el tiempo y el
correlograma. En particular, si la serie tiene una tendencia
estocastica, la primera autocorrelacion es cercana a 1, por lo tanto,
una primera autocorrelacion pequena y una grafica contra el
tiempo que no muestra una tendencia sugieren que la serie no
tiene una tendecia.
Un procedimiento mas formal consiste en llevar a cabo una
prueba de raz unitaria. Una prueba muy usada, y una de las mas
confiables, es la prueba de Dickey-Fuller (1979).
Pruebas de raz unitaria en procesos autorregresivos
La prueba de Dickey-Fuller para el AR(1)

Sea Xt un proceso AR(1):

Xt = Xt1 + t
Xt Xt1 = Xt1 Xt1 + t
Xt = ( 1)Xt1 + t
Xt = aXt1 + t .

Si = 1,entonces Xt sigue una caminata aleatoria (es no

estacionaria), por lo tanto:

H0 : a = 0 (i.e. raz unitaria)

Ha : a < 0 (i.e. serie estacionaria).

donde la hipotesis alternativa corresponde a estacionariedad.

Pruebas de raz unitaria en procesos autorregresivos
La prueba de Dickey-Fuller para el AR(1)

Existen tres formas de realizar la prueba:

Xt = aXt1 + t
Xt = m + aXt1 + t , (i.e., con constante)
Xt = m + t + aXt1 + t , (i.e., con constante y tendencia).
estas son distintas dependiendo de que proceso estocastico se asuma
para la hipotesis alternativa.
La prueba esta basada en a o en ta . Si el valor de ta es muy grande,
entonces rechazamos la hipotesis nula de raiz unitaria. El
estadistico asociado a a, ta , es conocido como Estadstico
Dickey-Fuller, el cual posee una distribucion diferente a una t, y
por lo tanto posee diferentes valores crticos.
El valor crtico correspondiente a la prueba con un constante, y un
nivel de significancia de 5% es 2.86, mientras que el
correspondiente a una normal sera 1.64.
Pruebas de raz unitaria en procesos autorregresivos
La prueba de Dickey-Fuller Aumentada

La prueba se puede aumentar para aplicarla a procesos AR(p), la

regresion de la ADF es:

Xt = (m+)aXt1 (+ 0 t) + 1 Xt1 + ... + k Xtk + t

H0 : a = 0 (i.e. raz unitaria)
H1 : a < 0 (i.e. serie estacionaria).

Se realiza la prueba de esta manera, por que en la DF, t podra no

a.
ser ruido blanco, lo que afectara la distribucion de b
Se utiliza algun criterio de informacion, como BIC o AIC, para
seleccionar los k rezagos.
La Prueba de Dickey-Fuller Aumentada usa las mismas tablas que
la Prueba de Dickey-Fuller.
Cambios estructurales

Son otro tipo de no-estacionaridad que surge cuando la funcion

de regresion poblacional cambia durante la muestra.
Pueden surgir por cambios discretos en los coeficientes de la
regresion o por una evolucion gradual de estos.
Cambios estructurales
Problemas causados por cambios estructurales

Si existe un cambio estructural en la muestra y estimamos una

regresion utilizando MCO, los estimadores usando toda la
muestra estimaran una regresion promedio (van a combinar los
dos periodos), lo que afectara negativamente la inferencia y los
pronosticos.
La magnitud del problema depende de donde ocurra el cambio
(en que parte de la muestra).
Cambios estructurales
Como se modelan los cambios estructurales?

La manera mas sencilla de modelar los cambios estructurales es

por medio de variables dicotomicas (i.e. variables dummy).
Supongamos un caso con la siguiente forma poblacional:
yt = 0 + ut en la cual exista un cambio estructural en el
parametro 0 en el tiempo . Definimos la variable dicotomica:

0, t = 0..... 1
D=
1, t = .........T

Podemos entonces correr la regresion:

yt = 0 + 0 D + ut
E [ yt | D = 0] = 0
E [ yt | D = 1] = 0 + 0
Cambios estructurales
Como se modelan los cambios estructurales?

Si la forma poblacional fuera, yt = 0 + 1 xt + ut , y exisitiera un

cambio estructural en la misma fecha que afectara tanto al parametro
0 como al parametro 1 ,la variable dicotomica se utiliza de la
siguiente manera:

yt = 0 + 0 D + 1 xt + 1 Dxt + ut
E [ yt | D = 0 ] = 0 + 1 xt
E [ yt | D = 1] = (0 + 0 ) + (1 + 1 ) xt
Cambios estructurales
Pruebas para detectar cambios estructurales

Si la fecha de cambio es conocida, se pueden utilizar variables

dummies para probar si existe el cambio estructural.
Por ejemplo, sea el modelo poblacional:
yt = 0 + 1 yt1 + 2 xt + ut
ut iid(0, 2 )
con fecha de cambio estructural conocida, .
Formamos la variable dicotomica:

0, t <
D=
1, t >
Incorporando la dummy a la forma poblacional anterior:
yt = 0 + 0 Dt ( ) + 1 yt1 + 1 Dt ( )yt1 + 2 xt + 2 Dt ( )xt + u
H0 : 0 = 1 = 2 = 0 No existe cambio estructural en
H1 : i 6= 0 i = 1, 2, o, 3 Si existe cambio estructural en
Cambios estructurales
Pruebas para detectar cambios estructurales

A la prueba descrita anteriormente se le conoce como Prueba de

Chow.
Los supuestos para poder realizar la prueba de Chow son:
I La fecha de cambio es conocida de manera exogena.
I La varianza de los errores no cambia, en caso de existir cambios en
la varianza, no sera posible detectar los cambios buscados.
Un punto importante de la prueba de Chow es que es flexible
como para poder buscar cambios estructurales en cualquier
subconjunto de los coeficientes de la regresion, es decir, se puede
probar la existencia de cambios estructurales unicamente en 0 ,
o en 0 , 1 , o en 0 , 1 , 2 , etc.
Cambios estructurales
Pruebas para detectar cambios estructurales cuando la fecha del cambio no es conocida

En estos casos, suponemos que el cambio estructural ocurrio entre

una fecha 0 y 1 (0 podra ser el inicio de la muestra y 1 podra
ser el final de la muestra).
Se calcula la prueba de Chow para cada una de las observaciones
entre 0 y 1 . Una vez que se tienen los n estadsticos F que se
derivan de las n pruebas de Chow, se realiza la prueba conocida
como QLR:

QLR = max [F(0 ), F(o + 1), ....., F(1 )]

Cambios estructurales
Pruebas para detectar cambios estructurales cuando la fecha del cambio no es conocida

El estadstico QLR selecciona la F mas grande. La fecha

correspondiente al estadstico F mas grande, es la fecha de cambio
estimada.
Dado que el estadstico QLR es el maximo de muchos estadsticos
F, su distribucion no es la de una F individual. Se necesita una
distribucion que depende del numero de restricciones en las
pruebas conjuntas y de 0 /T y 1 /T. Las tablas con la distribucion
del estadstico QLR se pueden encontrar en Andrews, D.W.K
(2003) Econometrica.
Cambios estructurales
Pruebas para detectar cambios estructurales cuando la fecha del cambio no es conocida

Debido a que la distribucion asintotica asume que 0 y 1 no estan

en los extremos, lo que se hace para tener buenas estimaciones es
no utilizar el principio ni el final de la muestra.
As si se fija un triming de 15%, 0 = 0.15T y 1 = 0.75T, y por lo
tanto solo se utilizara el 70% de la muestra.
Bibliografa

Enders, Walter. 2010. Applied Econometric Time Series. 3a ed. New

Jersey:Wiley.
Hamilton, James D. 1994. Times Series Analysis. Princeton
University Press.
Hansen, B.E. 2001. The New Econometrics of Structural Change:
Dating Breaks in US Labor Productivity. The Journal of Economic
Perspectives, 15(4), 117-128.
Stock, James H. y Mark W. Watson. 2007. 2n edition. Introduction to
Econometrics. Pearson, Addison Wesley.