Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dialnet SobreLaExistenciaDeUnaRaizUnitariaEnLaSerieDeTiemp 4241150 PDF
Dialnet SobreLaExistenciaDeUnaRaizUnitariaEnLaSerieDeTiemp 4241150 PDF
On the Existence of a Unit Root in the Time Series of Monthly Electricity Prices in Colombia
Abstract: Usually, the time series of electricity prices in different markets show structural changes due to econo-
mic conditions related to supply, demand or specific market rules. While some of the proposals for modeling these
series are based on mean reversion models inspired by the financial literature (Philipovic, 1998), its jumps and
structural changes have evidenced the existence of regimes with different means and variances (Huisman, 2003).
In Colombia, these series seem to show an overall growing pattern. This article seeks to find evidence of whether
this growing pattern is due to the presence of a purely deterministic trend; or if there is a unit root, implying
the existence of a stochastic trend; or if the series is generated by a stationary process around various changes of
level, which could have been caused by various exogenous events such as the weather phenomena of El Niño and
La Niña and the resolutions of the Comisión de Regulación de Energía y Gas in the country. The results are in
favor of a stationary process around multiple level changes, and highlight the importance of having information
about the events that occurred in the evolution of the process.
Key Words: Level shift, deterministic components, unit root. JEL classification: C15, C22, C52.
L’existence d’une racine unitaire dans les séries mensuelle de prix d’électricité en Colombie
Résumé: Généralement, les séries mensuelles de prix d’électricité ont des changements structurels en raison des
conditions économiques liés à l’offre, à la demande ou bien liés aux règles des échangés. La modélisation de ces
séries est souvent basée sur des modèles de retour à la moyenne, inspirés par la littérature financière (Philipovic,
1998). Cependant, cette modélisation présente des sauts et des changements structurels qui prouvent l’existence des
régimes avec des différentes moyennes et différentes variances (Huisman, 2003). Pour le marché colombien, cette
série semble montrer une tendance générale de croissance. Cet article cherche des preuves afin d´établir si cette
croissance est attribuable à une tendance purement déterministe ou elle obéit à une racine unitaire ou bien est
due à la présence de changements du niveau, ce qui pourrait avoir été provoqué par des événements exogènes tels
que les phénomènes climatiques El Niño et La Niña, ou les mandats de la Commission de l’Energie et du Gaz
de Colombie. Les résultats montrent un processus stationnaire autour de plusieurs changements de niveau, et ils
soulignent l’importance des événements en tant que source d’information afin de mieux analyser l’évolution du
processus.
Mots-clés: changements de niveau, composantes déterministes, racine unitaire. Classification JEL: C15, C22, C52.
Lecturas de Economía, 76 (enero-junio), pp. 259-291 © Universidad de Antioquia, 2012
Primera versión recibida en febrero de 2012; versión final aceptada en abril de 2012
Introducción
Gráfico
Gráfico1.1. Serie mensualdel
Serie mensual delprecio
precio
realreal
200
150
Precio
100
50
Time
.
Fuente: ElaboraciónFuente:
propia. Elaboración propia.
Una breve descripción del mercado de la electricidad y sus características para el mercado
Una
colombiano, sebreve descripción
encuentra del mercado
en el Apéndice 1. de la electricidad y sus características
para el mercado colombiano, se encuentra en el Apéndice 1.
En este documento se trata deseobtener
En este documento trata deevidencia sobre el tipo
obtener evidencia sobredeelproceso
tipo de que genera este
proceso
crecimiento. Se quiere investigar si el crecimiento es debido a: i) la existencia de un proceso
que genera este crecimiento. Se quiere investigar si el crecimiento es debido
1
a: i) la existencia de un proceso estacionario alrededor de una tendencia
Elkin Argemiro Castaño Velez: Profesor asociado de la Facultad de Ciencias, Universidad Nacional de
puramente determinística (denominado proceso Trend Stationary o TS); o
Colombia, Sede Medellíny profesor titular de la Facultad de Ciencias Económicas, Universidad de
ii) si Dirección
Antioquia. el proceso tieneUniversidad
postal: una raíz unitaria,
Nacional lo queMedellín,
Sede implicaría
callela59A
presencia
#63-20, de una 43-216.
oficina
tendencia
Dirección estocástica
electrónica: posiblemente
elkincv@gmail.com. Jorgecon una
Sierra deriva XM
Almanza: (denominado
Expertos en proceso
Mercado, Centro
Difference
Nacional Dirección oelectrónica:
Stationary
de Despacho. DS); o iii) si la serie es generada por un proceso
jsierra@xm.com.co.
estacionario alrededor de distintos cambios de nivel, los cuales podrían
haber sido causados por diferentes eventos exógenos. Con respecto a este 1
último enfoque, se quiere verificar si el crecimiento observado se debe a la
posible presencia de cambios de nivel como resultados de los efectos de
los fenómenos climáticos de El Niño y La Niña y de las resoluciones de la
Comisión de Regulación de Energía y Gas del país –CREG– para el mercado
de la electricidad en Colombia.
El contenido de este documento es el siguiente. La sección I presenta
metodología empleada para la determinación del modelo más adecuado
para explicar la tendencia a crecer de la serie del precio. En la sección II se
262
263
I. Metodología
i) Se contrastó la hipótesis de raíz unitaria sobre la serie del precio real de electricidad en e
Castaño
modeloy Sierra: Sobre la existencia
cuya componente de una
exógena esraíz
unaunitaria en la lineal,
tendencia serie deusando
tiempo mensual...
pruebas tradicionales.
ii) Se contrastó la hipótesis de raíz unitaria en presencia de varios cambios de nivel sugerida po
Cavaliere y Georgiev (2006a, de
II. Contraste 2006b).
una raíz unitaria en presencia
iii) Se compararon los modelos sugeridos
de una tendencia lineal en las pruebas anteriores.
determinística
II.
Tras Contraste de unadel
la observación raízGráfico
unitaria1,ense
presencia de una tendencia
puede concluir lineal determinística
que la varianza
incondicional de la serie no es estable y tiende a crecer con su nivel. El
Tras la observación del Gráfico 1, se puede concluir que la varianza incondicional de la serie n
empleo de ylatiende
es estable transformación
a crecer condesuBox-Cox
nivel. El (Box
empleo y Cox,
de la 1964) sugiere que
transformación la
de Box-Cox (Box
transformación
Cox, 1964) sugierelogarítmica
que la es adecuada para
transformación estabilizaresdicha
logarítmica varianza.
adecuada para Por
estabilizar dich
lovarianza.
tanto, elPor
análisis deellaanálisis
lo tanto, serie se derealizará
la serie sesobre el logaritmo
realizará natural natural
sobre el logaritmo de los de los precio
precios
reales. reales.
Sea X = Log(preciot). Para probar la hipótesis de una raíz unitaria en
Sea X t t Log ( preciot ) . Para probar la hipótesis de una raíz unitaria en presencia de un
presencia de una tendencia lineal, se emplearon la prueba de Dickey-Fuller
tendencia lineal,
Aumentada se emplearon
(Dickey la prueba
y Fuller, 1981), de Dickey-Fuller
basada en el modeloAumentada (Dickey y Fuller, 1981)
basada en el modelo
p
Xt 0 1t Xt 1 j Xt j t , (1) (1)
j 1
yy lala prueba
prueba de
de Dickey-Fuller
Dickey-FullerDetrended
Detrended(DF-GLS)
(DF-GLS) de de
Elliot et al.
Elliot (1996),
et al. la cual
(1996), la posee una
ymayor
la prueba de Dickey-Fuller
potencia que la prueba Detrended
anterior, (DF-GLS)
basada en el de Elliot et al. (1996), la cual posee una2
modelo
ycual
mayor posee
la prueba una mayor potencia
de Dickey-Fuller
potencia que la prueba que la
Detrended
anterior, prueba anterior,
(DF-GLS)
basada en el basada
de Elliot
modelo et al.en(1996),
el modelo
la cual posee una
(1996), lay cual
la prueba
mayor posee deunaDickey-Fuller Detrended (DF-GLS) de Elliot et al. (1996), la cual posee una
potencia que la prueba anterior, basada en el modelo
mayor potencia que la prueba anterior, d
basada
d
enp el modelo d
X td X td 1 p
j X td j t, (2) (2)
X dt X dtp 1 jp 1 j X dt j t, (2)
d Xt d Xt 1 j 1 dj Xt j t, (2)
) donde X tdd X t ˆ0 X t ˆ1t , X y tdonde
1 ( ˆj 0j ,X1 ˆt 1 )j se obtienen
t, (2)
regresando X sobre W siendo
donde X dt X t ˆ0 ˆ1t , y dondej 1( ˆ0 , ˆ1 ) se obtienen regresando X sobre W siendo
ˆ ˆ , y donde ˆ , ˆ ) se obtienen regresando X sobre W siendo
X sobre donde
donde
W siendo X td X tX t Xˆt0 ˆ01t , y1tdonde ( ˆ0 , (ˆ1 )0se obtienen
1 regresando X sobre W siendo
X X1, (1 L) X 2 , ...,(1 L) X T y W [W1, (1 L)W2 , ...,(1 L)WT ], (3)
X X1, (1 L) X 2 , ...,(1 L) X T y W [W1, (1 L)W2 , ...,(1 L)WT ], (3)
X XX1, (1 X1, (1L) X L,)...,(1X 2 , ...,(1L) X L) X Ty Wy [W W , (1[W1, (1 L)W2 ,L...,(1 )W2 , ...,(1L)WT ],L)W (3) ],
T (3) (3)
..,(1 L)WT ],con (3) Wt (1, t )' y2 1 c / T T, c =13.5. 1
con Wt (1, t )' y 1 c / T , c =13.5.
con con Wt W(1t , t )'(1,yt )' y 1 c 1/ T ,c / T , c =13.5.
c =13.5.
Sobre los modelos anteriores, para probar la existencia de una raíz unitaria, equivale a contrastar
Sobre Sobre
las hipótesis los
los modelosH0:modelos
anteriores,
0 contra anteriores,
para probar
H1:probar 0para probar la
la existencia
.la existencia
de una raíz unitaria,de una raíz a contrastar
equivale
SobreSobrelos
unitaria,
las los
hipótesismodelos
modelos H
equivale 0 : anteriores,
anteriores, para
contra
a contrastar las
0 para
probar
H : existencia
0 . existencia
de unade una
1 hipótesis H0: γ = 0 contra H1: γ <= 0. contrastar
la raíz raíz
unitaria, unitaria,
equivale equivale
a a contrastar
taria, equivalelas a hipótesis
contrastar
las hipótesis H0: H0: 0 contra 0 contraH1: H1:0 . 0 .
La selección
La selección del orden del p orden
de la componente
p de la componente autorregresiva autorregresiva
de los modelos anteriores de los se basa en:
La
i) selección del
determinar un orden de
orden p dep la componente
máximo usando autorregresiva
p =[12(T/100) de los
0.25
] modelos
donde [.]anteriores
indica se basa
la parte en:
entera
modelos
La selección
La selección anteriores
del del
orden orden
p deseplabasa
de la en:
componente i) determinar
componente autorregresiva
máx un orden de
autorregresiva de los de los
modelos
0.25 máximo
pmodelos
anteriores usando
anteriores
se basa se basa
en: en:
i) determinar
y se
T es el en:
númeroun ordende de p máximo usando
0.25 observaciones de la la pmáxde
serie =[12(T/100)
tiempo; ii)0.25 ] dondetodos
ajustar [.] indica la parte para
los modelos enterap
elos anteriores i)p
i) determinar
ydesde
T es
máx
=[12(T/100)
basa
determinar
elun un orden
orden
número de
de p] de
donde
p máximo
máximo
observaciones [.] indica
usando usando
de pla
máxserie pparte
=[12(T/100)
máx de
entera
0.25 y
=[12(T/100)
tiempo; ] donde
ii) Tajustar
] es[.]elindica
donde número
[.] indica
todos la de
parte
los laentera
parte para
modelos enterap
de [.] indica cero a pmáx y seleccionar el modelo para hacer la prueba como aquel cuyo criterio de
y Tlaydesde
esparte entera
Telesnúmero
el número
cero
información de
pmáx
a de dey observaciones
observaciones
Schwarz (SIC) de
seleccionar de
seaellamínimo
la serie
serie
modelo deypara de hacer
tiempo; tiempo;
el modelo ii) la ii) ajustar
ajustar
prueba
satisfaga todoscomo
los
todos los cuyo
los aquel
modelos
diagnósticos
modelos
para p parade
de criterio
validación
p
todos losdesde
modelos
desdecero
informaciónpara
cero
a p p
a p
máxdemáxy y seleccionar
seleccionar el el
modelo modelopara para
hacer hacer
la la
prueba prueba
Schwarz (SIC) sea mínimo y el modelo satisfaga los diagnósticos de validacióncomo como
aquel aquel
cuyo cuyo
criterio criterio
de de
de supuestos.
mo aquelinformación
cuyo de criterio
información de de
supuestos. Schwarz
de Schwarz (SIC)(SIC)
sea mínimo
sea mínimo y el modeloy el modelo satisfaga los diagnósticos
satisfaga los diagnósticosde validación
de validación
diagnósticos 264
de
de validación
de supuestos.
supuestos.
La Tabla 1 presenta los resultados obtenidos para la prueba ADF. El modelo seleccionado para
La Tablala1prueba
realizar presenta es los resultados obtenidos para la prueba ADF. El modelo seleccionado para
La Tabla
La 1 presenta
Tabla
realizar la1prueba
presentalosesresultados
los resultados obtenidos
obtenidospara la paraprueba ADF. ADF.
la prueba El modelo seleccionado
El modelo para para
seleccionado
modelo seleccionado Xt 1t Xt 1 1 Xt 1 t , (4)
realizar
realizar lapara
la prueba es es
prueba X
0
1t Xt 1 1 Xt 1 t , (4)
X t X t0t 0
10t X X
1t t 1 X t 11 t 11 X tt 1
, t,
(4) (4)
donde X t Xt 0 1t , y donde ( 0 , 1 ) se obtienen regresando X sobre W siendo
con Wt (1, t )' y 1 c / T , c =13.5.
X X1, (1 L) X 2 , ...,(1 L) X T y W [W1, (1 L)W2 , ...,(1 L)WT ], (3)
Sobre los modelos anteriores, para probar la existencia de una raíz unitaria, equivale a contrastar
las W (1H
conhipótesis
t , t 0)': y 0 contra
1 c /T H,1: c =13.5.
0.
265
La selección
Sobre del orden
los modelos p de lapara
anteriores, componente
probar laautorregresiva
existencia de una de los
raízmodelos
unitaria,anteriores
equivale asecontrastar
basa en:
0.25
i) determinar un
hipótesis H0: orden de p
contramáximo usando p =[12(T/100) ] donde [.] indica la parte entera
lasobservaciones
y T es el númerode
0 serie deHtiempo;
delaobservaciones
1: 0 . ajustar todos los modelos para p desde
máx
de laii)serie de tiempo; ii) ajustar todos los modelos para p
cero cero
desde a pmáx y seleccionar
a pmáx y seleccionar el modelo
el modelo para hacer
para hacerla laprueba
pruebacomo como aquel
aquel cuyo
cuyo criterio de
La selección
criterio dede
información del orden
información p de
Schwarz (SIC) la componente
de sea
Schwarz
mínimo autorregresiva
(SIC)
y el sea mínimo
modelo de los
y
satisfaga el modelos
modelo
los anterioresdese
satisfaga
diagnósticos basa en:
validación
0.25
i) determinar
delos un orden de p máximo usando
diagnósticos de validación de supuestos.
supuestos. pmáx =[12(T/100) ] donde [.] indica la parte entera
y T es el número de observaciones de la serie de tiempo; ii) ajustar todos los modelos para p
desde La
cero1Tabla
a pmáx1 presenta
ylos los resultados
seleccionar obtenidoslapara la pruebaaquel ADF. El criterio de
La Tabla presenta resultadoselobtenidos
modelo parapara hacer
la pruebaprueba
ADF. como cuyo
El modelo seleccionado para
modelo
información
realizar seleccionado
de Schwarz
la prueba es para realizar
(SIC) sea mínimo la prueba es
y el modelo satisfaga los diagnósticos de validación
de supuestos.
Xt 0 1t Xt 1 1 Xt 1 t , (4) (4)
La Tabla 1 presenta los resultados obtenidos para la prueba ADF. El modelo seleccionado para
realizar la prueba es Tabla 1. Prueba ADF
Tabla 1. Prueba ADF
Xt 0 1t X t 1 1 X t 1 Estadístico
t, (4)t Valor p*
Estadístico de Dickey-Fuller Aumentado -5,052628
Estadístico t Valor 0,0003
p*
Valores
Estadístico críticos:
de Dickey-Fuller 1% nivel
Aumentado -4,030729 0,0003
-5,052628
Tabla 1. Prueba ADF
Valores críticos: 5% nivel
1% nivel -3,445030
-4,030729
Estadístico t Valor p*
5% 10%
Estadístico de Dickey-Fuller
nivel
nivel Aumentado -3,147382
-3,445030
-5,052628 0,0003
*MacKinnon (1996) valores
10% p laterales.
nivel -3,147382
Valores críticos: 1% nivel -4,030729
5% nivel
*MacKinnon (1996) valores p laterales. -3,445030
Regresión ajustada
10% nivel -3,147382
Variable Coeficiente Error Estand Estadístico t Valor p
*MacKinnon (1996) valores pRegresión
laterales. ajustada
LPRECIO(-1) -0,336908 0,066680 -5,052628 0,0000
Variable
D(LPRECIO(-1)) Coeficiente Error Estand
0,201667 Estadístico
0,089496 t
2,253358Valor p 0,0260
LPRECIO(-1) Regresión ajustada-5,052628
Constante -0,336908 1,263223 0,066680
0,248810 5,0770510,0000 0,0000
Variable Coeficiente Error Estand Estadístico0,0260
t Valor p
Tenencia
D(LPRECIO(-1)) 0,002823
0,201667 0,000699
0,089496 4,040269
2,253358 0,0001
LPRECIO(-1) -0,336908 0,066680 -5,052628 0,0000
Constante 1,263223 0,248810 5,077051 0,0000
D(LPRECIO(-1))
Fuente: Elaboración propia. 0,201667 0,089496 2,253358 0,0260
Tenencia 0,002823 0,000699 4,040269 0,0001
Constante 1,263223 0,248810 5,077051 0,0000
Fuente: Tenencia
Elaboración
El modelo empleado propia. 0,002823 básicos
pasa los diagnósticos 0,000699 4,040269sobre0,0001
de validación normalidad, no
autocorrelación y homocedasticidad en el término de error. De la tabla anterior se concluye que
Fuente: Elaboración propia.
no hayElraíz unitariaempleado
modelo y que la componente de tendencia determinística
pasa los diagnósticos es significativa.
básicos de validación sobre
Elnormalidad, no autocorrelación
modelo2 presenta
empleado y homocedasticidad de envalidación
el término de error.
La Tabla lospasa los diagnósticos
resultados obtenidos parabásicos
la prueba DF-GLS. Elsobre
modelonormalidad, no
seleccionado
Derealizar
para la tablalaanterior
autocorrelación y
prueba esse concluye que no hay raíz unitaria y que la componente
homocedasticidad en el término de error. De la tabla anterior se concluye que
nodehay raíz unitaria
tendencia y que la componente
determinística de tendencia determinística es significativa.
es significativa.
X td X td 1 1 X td 1 t , (5)
La Tabla 2 presenta los resultados obtenidos para la prueba DF-GLS. DF-GLS.
La Tabla 2 presenta los resultados obtenidos para la prueba El modeloEl seleccionado
modelo seleccionado
para realizar la prueba es para realizar la prueba es
X td X td 1 1 X td 1 t , (5) (5)
3
Lecturas de Economía -Lect. Econ. - No. 76. Medellín, enero-junio 2012
3
Castaño y Sierra: Sobre la existencia de una raíz unitaria en la serie de tiempo mensual...
t
Para la componente de cambios de nivel se supone que , donde es un indicador
Yt Yt 1 ut ; t (7) t 1
p
p
ut ut iu
i ut i i.
i 1
i 1
1. Procedimiento
1. Procedimiento para
para la la prueba
prueba cuando
cuando φ =0 y p =0 y p es conocida
es conocida
Si en el modelo (7) Yt fuera observable, entonces la prueba de una raíz unitaria se realiza
Si en
usando el modeloADF
el estadístico (7) Yt fuera en
obtenido observable, entonces la prueba de una raíz
la regresión
unitaria se realiza usando el estadístico ADF obtenido en la regresión
p
Yt Yt 1 i ut i i , (8) (8)
i 1
)Aplique pruebac)tradicional
Apliquelalaprueba Aplique laADF
tradicional prueba
ADFde tradicional
deDickey
Dickey ADF
yyFuller
Fulleraalalade Dickey
serie
serie y Fuller
ajustada
ajustada XXt t a.. la serie ajustada
erie ajustada X t .
uando t t no
uando no eses observable,
observable, Cavaliere
Cavaliere yy Georgiev
Georgiev sugieren
sugieren imitar
imitar elel procedimiento
procedimiento anterior
anterior
timando
stimando . El proceso
t . El proceso es
imitar el tprocedimiento es llevado
llevado a cabo por medio del conocido proceso de detección de
anterior a cabo por medio del conocido proceso de detección de
servaciones
bservaciones atípicas
atípicas en
onocido proceso de detección deen series
series de
de tiempo
tiempo dede Chen
Chen yy Tiao
Tiao (1990)
(1990) oo de
de Chen
Chen yy Liu
Liu (1993).
(1993). Si
Si
t t}} es
esolalade
sucesión
Chen yde estimadores
(1993). Si obtenidos
obtenidosparaparalalasucesión
sucesión {{ t t},},lalacomponente
componentede decambio
Lecturas
sucesión dede Economía
estimadores-Lect. Econ. - No. 76. Medellín, enero-junio 2012 cambio
1990) Liu
tt
n { t }, la componente de cambio
e nivel
nivel se
se estima
estima como
como t t ss XXt t .. Los
Los autores
autores muestran
muestran que
que lala prueba
prueba ADF
ADF no
no es
es
ss 11
stran que la prueba ADF no es
fluenciada asintóticamente
nfluenciada asintóticamentepor
porelelhecho
hechode
deusar
usarlalaestimación
estimaciónde
de tt ..
b) Obtenga la serie ajustada (de-jumped) b) Obtenga la serie ajustada (de-ju
Xt Xt ˆt , (10)
Castaño ylaSierra:
c) Aplique prueba Sobre la existencia
tradicional ADF de de
unaDickey
raíz unitaria en la aserie
y Fuller de tiempo
la serie c) mensual...
Aplique
ajustada Xla prueba tradicional A
t .
2.
2. Procedimiento
Procedimientopara la la
para prueba cuando
prueba existen
cuando componentes
existen determinísticas
componentes 2. Procedimiento para la pr
determinísticas
El procedimiento anterior considera que no existen componentes de Eltendencia
procedimiento anterior conside
determinística en
El procedimiento
la serie de tiempo. Si anterior considera que no existen lacomponentes
serie de tiempo.de
0, el procedimiento de prueba anterior puede ser usado conjuntamenteel pr
Si 0,
tendencia determinística en la serie de tiempo. Si φ ≠ 0, elcon procedimiento de
un método adecuado
con un método adecuado de des-tendencialización (detrending). Una aproximación sencillade
es des
prueba anterior puede ser usado conjuntamente con
usar el procedimiento de de-jumping, anteriormente descrito, junto
un método
usarcon adecuado
el procedimiento
el procedimientode de-jum
de
de des-tendencialización
pseudo (detrending).
des-tendencialización GLS, sugerido enUna
Elliotaproximación ysencilla
pseudo
et al. (1996) es usar
des-tendencialización
presentado en la sección GL
III. el procedimiento de de-jumping, anteriormente descrito,
III. junto con el
procedimiento de pseudo des-tendencialización GLS, sugerido en Elliot et al.
(1996) y presentado
El procedimiento en lalasección
para realizar prueba III.
es el siguiente. El procedimiento para realizar la
a) Los cambios de nivel son removidos a) Los(de-jumping)
cambios de anivel son rem
El procedimiento para realizar lausando
pruebael es
proceso de ajuste
el siguiente. la serie
observada (No se tiene en cuenta
observada (No se tiene en cuenta la presencia de una tendencia lineal).
a) Los cambios de nivel son removidos usando
b) Aplique el procedimiento de pseudo des-tendencialización GLS, el b) Aplique
proceso elenprocedimiento
de ajuste
sugerido Elliott et al. de
(de-
jumping)
(1996) a la serie (1996) a la
a la serie observada (No se tiene en cuenta la presencia de
ajustada. serie ajustada.
c) Aplique launa tendencia
prueba ADF a lalineal).
serie obtenida del paso b). c) Aplique la prueba ADF a la ser
270
271
se debe estimar antes de usar la prueba. Para hacerlo, se sugiere emplear una
estrategia simple como la siguiente. En un primer paso, defina un máximo
valor posible para p. Ng y Perron (1995) sugieren tomar pmáx= [12(T/100)0,25].
Con este valor se detectan los cambios de nivel, si no son conocidos, y se
obtiene la serie ajustada. En un segundo paso, sobre la serie ajustada se
emplea un criterio estándar para la determinación de la estimación de p. Sea
p* dicha estimación. El último paso consiste en calcular el estadístico ADF a
la serie ajustada fijando el número de rezagos en p*.
Gráfico 2. La serie del logaritmo del precio mensual y cambios de nivel usando OLS
5.0
5.0
4.5
4.5
4.0
4.0
3.5
3.5
Fuente:
Fuente: Fuente: Elaboración
Elaboración propia. propia.
propia.
Elaboración
Se observa
Se observa que, aparentemente,
que, aparentemente, el proceso
el proceso pareceparece ser estacionario
ser estacionario alrededor
alrededor de losde los cambios
cambios de de
Se
nivel observa
inducidos porque,
los aparentemente,
eventos exógenos.
nivel inducidos por los eventos exógenos. el proceso parece ser estacionario
alrededor de los cambios de nivel inducidos por los eventos exógenos.
El modelo
El modelo propuesto inicialmente
propuesto para realizar la prueba es el siguiente.
El modeloinicialmente para realizar
propuesto inicialmente lapara
prueba es el la
realizar siguiente.
prueba es el siguiente.
Xt X t Y 0 Y,t t 1t , tk ,...,
1 Tk;,..., T ;
0 t t
Yt Y
Yt Y
ut ;1 ut ;
t 1 t (11) (11) (11)
p p
ut ut u u i,
i t i i ti , i
i 1 i 1
dondedonde
donde es desconocido.
p es desconocido.
p es desconocido.
La Tabla
La Tabla 4 presenta
4 presenta la estimación
la estimación de la de la regresión
regresión de mínimos
de mínimos cuadrados
cuadrados de Xde X t sobre
las las
t sobre
variables
variables de impulso, llamadas D (Dj) para=13, 17, 34, 81, 84, 108, 117 y 126, donde Dj
de impulso, llamadas D (Dj) para=13, 17, 34, 81, 84, 108, 117 y 126, donde Dj es unaes una
272
variable depara
saltoelpara el período j.
variable de salto período j.
TablaTabla 4. Estimación
4. Estimación de los de los saltos
saltos
Variable
Variable Coeficiente ErrorError
Coeficiente Est. Est.
273
Con base en estos resultados, se ajusta la serie del logaritmo de los precios
haciendo el proceso de-jumping. El Gráfico 3 presenta la serie ajustada.
4.4
4.2
de_jumped
4.0
3.8
3.6
Time
La serie ajustada ya no presenta los cambios de nivel, pero aún se observa una leve tendencia
creciente. Sobre esta serie se realiza la prueba de DF-GLS con tendencia lineal. Como el orden
de la autorregresión para la prueba es desconocido, se estima el orden a partir del uso de
Lecturas de Economía -Lect. Econ. - No. 76. Medellín, enero-junio 2012
criterios de información sobre todos los modelos estimados hasta el orden máximo de pmáx. La
Tabla 5 muestra los resultados de la aplicación de la prueba DF-GLS para una componente
determinística de tendencia lineal, usando el paquete urca versión 1.2-5 de R, Pfaff (2008).
4.2
Castaño y Sierra: Sobre la existencia de una raíz unitaria en la serie de tiempo mensual...
de_jumped
4.0
sobre todos los modelos estimados hasta el orden máximo de pmáx. La Tabla
Time
En los residuales del modelo se detectó autocorrelación. Para eliminarla se empleó un rezago
Tabla 6. La prueba DF-GLS con rezago=3
autorregresivo de orden 3. Los resultados se presentan en la Tabla 6.
Value of test-statistic is: -3.5569
Tabla 6. La prueba 1%DF-GLS 5% con10% rezago=3
Value of test-statistic is: -3.5569
Valores Críticos -3,46 -2,93 -2,64
Fuente: Elaboración propia. 1% 5% 10%
Valores Críticos -3,46 -2,93 -2,64
Fuente: Elaboración
Para un nivel de significancia tan propia.
bajo como 0,01 se rechaza Ho, y por
tanto se concluye que la serie del logaritmo del precio de la electricidad no
Para un nivel de significancia tan bajo como 0,01 se rechaza Ho, y por tanto se concluye que la
contiene una raíz unitaria.
serie del logaritmo del precio de la electricidad no contiene una raíz unitaria.
En este caso, el rechazo de Ho conduce a considerar que el modelo
En este caso,
adecuado el rechazo
para de Ho conduce
la generación a considerar
del precio que el modelo
es el modelo adecuado
de cambios de para
nivella generación
del precio es
estacionario el modelo de cambios de nivel estacionario
Todas las pruebas anteriores rechazan la existencia de una raíz unitaria en la serie de los precios
mensuales de la electricidad. Las pruebas tradicionales, sobre las cuales no se introdujo la
275
Raíces AR Módulo
0,432379 ± 0,121305i 0,449073
SS (residuales) 3,280098 Criterion Schwarz -0,683370
Log Verosimilitud 53,79701 Criterion Hannan-Quinn -0,736016
Estadístico F 215,8251 Est. Durbin-Watson 1,939758
Valor p(Estadístico F) 0,000000
LosLos resultados
resultados de lade la estimación
estimación OLS seOLS se encuentran
encuentran en la
en la Tabla 8. Tabla 8.
Tabla
Tabla 8. Modelo
8. Modelo con tendencia
con tendencia lineal ylineal y múltiples
múltiples cambioscambios
de nivel de nivel
Variable Dependiente: LPRECIO
Variable Dependiente:
Método: MínimosLPRECIO
Cuadrados
Método:
ObservacionesCuadrados
Mínimos incluidas: 128 después de ajustes
Observaciones incluidas: 128 después de ajustes
Variable Coeficiente Error Estand Estadístico t Valor p
Constante 3,855835 0,054422 70,85091 0,0000
Tendencia 0,001256 0,001572 0,798713 0,4261 10
D13 0,376055 0,103293 3,640657 0,0004
D17 -0,455649 0,096079 -4,742425 0,0000
D34 0,365903 0,068467 5,344184 0,0000
D81 0,389490 0,110363 3,529190 0,0006
D84 -0,201564 0,107212 -1,880062 0,0626
D109 0,311730 0,071704 4,347434 0,0000
D117 0,400339 0,081313 4,923401 0,0000
D126 -0,590822 0,089850 -6,575620 0,0000
AR(1) 0,393804 0,084341 4,669189 0,0000
AR(3) -0,229321 0,085865 -2,670708 0,0087
Fuente: Elaboración propia.
276
D126 -0,590822 0,089850 -6,575620 0,0000
AR(1) 0,393804 0,084341 4,669189 0,0000
AR(3) -0,229321 0,085865 -2,670708 0,0087
Fuente: Elaboración propia.
Los resultados muestran que no parece existir tendencia lineal en presencia de los
277cambios
de nivel. Entonces se propone el modelo
3
Xt (Cambios de nivel )t 1/(1 1L 3L ) t . (15) (15)
Comparación de modelos:
Los diagnósticos para los modelos anteriores se encuentran en el Apéndice.
De ellos se desprende que ambos modelos pasan los diagnósticos básicos de
que el proceso del ruido es estacionario, no parecen existir observaciones
atípicas, hay normalidad, homocedasticidad y no autocorrelación en el término
de error. Los parámetros en cada modelo son estadísticamente significativos.
Sin embargo, la prueba de estabilidad de Nyblom (1989) y Hansen (1992)
aplicada al modelo de tendencia lineal señala que el modelo no es estable
en todos sus parámetros, mientras que el modelo con cambios de nivel sí
lo es. Finalmente, los criterios de información presentados muestran que el
modelo de cambios de nivel representa mejor la evolución de los precios. Esta
conclusión reafirma la importancia de reconocer los cambios estructurales en
el modelo que genera la serie de tiempo. Aunque el modelo de tendencia
lineal determinística no es rechazado estadísticamente, sí lo es en términos
del no uso de la información sobre los eventos históricos que ocurrieron en
la serie del precio de la electricidad en Colombia.
Conclusiones
278
279
que han ocurrido a través del tiempo. Esto significa que el proceso
exhibe reversión a la media dentro de cada cambio de nivel alrededor
del cual fluctúa.
4. Dada la ausencia de una raíz unitaria, el efecto de los shocks sobre
el precio no es permanente, sino transitorio. Esto implica que, por
ejemplo, un shock positivo sobre el precio no tendrá un efecto per-
manente, sino que en el corto plazo el precio regresará a su nivel.
5. La ausencia de una raíz unitaria también implica que la varianza de
largo plazo es finita y no depende del tiempo. Esta es una caracte-
rística crucial en los pronósticos. En series de tiempo con una raíz
unitaria su varianza crece indefinidamente con el tiempo, lo cual es
un problema serio en el uso de los pronósticos ya que los intervalos
de predicción, generalmente, son muy poco informativos.
6. Otro resultado importante es que la aparente no linealidad de la se-
rie no es endógena, lo que implica que la aplicación de modelos no
lineales tales como redes neuronales no conseguirían buenos resulta-
dos en sus pronósticos.
Apéndice 1
280
281
Apéndice 2 2
Apéndice Apéndice 2
Diagnósticos
Diagnósticos empleados
empleados sobre
sobre los los modelos
Diagnósticos
modelos estimados
empleados
estimados sobre los modelos estimado
1. Gráfico1. de Gráfico
residuales de residuales
1. Gráfico
estandarizados: estandarizados:
de residuales
Utilidad Utilidad en Utilidad
estandarizados:
en la detección la detección
de observaciones en la detección de o
atípicas,
de observaciones detección de autocorrelación y heterocedasticidad. y
atípicas, detección
detección de autocorrelación y heterocedasticidad. de autocorrelación
heterocedasticidad.
2. Prueba Para
2. Prueba de normalidad de Jarque-Bera: de normalidad
verificar ladenormalidad
Jarque-Bera:en Para verificardela normalid
un conjunto
2. Prueba proponen
datos, Jarque-Bera de normalidad deJarque-Bera
usardatos, Jarque-Bera:
el estadístico Para verificar
proponen la normalidad
usar el estadístico
en un conjunto de datos, Jarque-Bera proponen usar el estadístico
T 2 ( K 3 )2 T 2 ( K 3 )2
JB S . JB S .
6 4 6 4
T
et es el t-ésimo residual del modelo y ˆ 2 n 1
et2 .
282 t 1
xit et i 1,...,k t
Defina, f it y sit fij , i 1,...,k 1
et2 ˆ2 i k 1 j 1
parámetros
parámetros
parámetros parámetros
constantes,
constantes,
constantes, constantes,
el vector
elelvector
vector de deelpuntajes
vector
depuntajes
puntajes parade
para el puntajes
para
modelo
elpara
modelo para
el modelo
lineal
linealel modelo
lineal
con
con con lineal
errores
errores
errores con
Normales
Normaleserrores N
Normales
está parámetros
está basado constantes,
está
en basado
las en
ecuacionesel vector
las de puntajes
ecuaciones
normales normales el modelo lineal con errores Normales
estábasado
basado en
enlas
las
está basado
ecuaciones
parámetros
ecuaciones normales
constantes,
normales
en las ecuaciones
el vector de puntajes para el modelo lineal con errores Norm
normales
está basado en las ecuaciones normales
TT T T TT T T
ˆeˆt22)) ˆ,T 00.).2 ( 0et. ˆ ) 0.
2
xxit eet xit0e0,t , i0iT, 11,xi,...,k
et1, ...,k
,0, , ,i((eet 1, (T...,k
T 2
it...,k
tt 1
1
it
t 1 t xit et t 01x, e i 01,, ...,k ti 1 1,,t ...,k
t1 ( ,et ˆ(t e1 ) ˆ0. ) 0.2 283
it t t 1 t
t 1 t 1
t 1 t 1
TT T T
El El
El estadístico
estadístico
Elestadístico paraEl parapara probar
estadístico
probar para laprobar
hipótesis
la hipótesis individual
laindividual
hipótesis H
Hindividual : constante,
βH es
: esconstante,
es constante,
: i=1,…
es constante,
i=1,… y i=1,…
kk yy kpara para k
estadístico
El estadísticoEl probar
para probar
para
lalahipótesis
estadístico hipótesis
paralaprobar
probar
individual
individual HH0:0:individual
la hipótesis
2 hipótesis individual iH0:
i 0 es iconstante,
0 H :i 0 es
es
ii=1,…
constante,
0 constante, i=1,… para
i=1,…
k y kpara
y
i=1,…
probar
probar H : kHy202:para
es
2
probar probar
es H : H 2 : σ constante,
2 0 eses
constante,
constante, es es constante,
es es i i
probarprobar
H0: Hprobar
0 es: constante,
2 H0: 0
eses constante,
es constante, es es
0
Para Para
Para
Para probar
probar
probar
probar Para
la
lala hipótesis
Para
hipótesisprobar
la hipótesis
hipótesis
probar lalaconjunta
conjunta
conjunta hipótesis
conjunta
hipótesis HH0:0: el H conjunta
: :elelvector
H0vector
conjunta
el ββ0H: 0yel
vector
H :yβel 2
σy2vector
σβvector
2
σσ2 βson
y son son
constantes,σy 2 σsonson
βy constantes,
2
constantes, constantes,
defina
defina los
constantes, defind
los los
Para probar la hipótesis conjunta H0vector
0: el vector β y σ
son 2constantes,
son constantes, defina defina los
defina
vectores
vectores f(tfvectores
fftlos (vectores
vectores (,...,
f1tff,...,
,...,
vectores
f f ft)'
tf)' ((tyf)'y1ft1t,...,
,...,
SySt f kf k1S
( (S
)')'t ,...,S
S (,...,S
ySy1t
S St t)')'k(.S1.(El
,...,S S)',...,S
El ,...,S k )'1t .)'El
Elk .estadístico
.estadístico
1testadístico El
paraestadís-
.para
El estadístico
para probar
probar
estadístico
probar que
para
que para
que pr
probar
k
k 1 1t t
tico vectores
para
t 1
f
t1t ( fk 1
,...,
t
1t f )' ty
t
S
1 1t ( Sk 1t
k ,...,S
1t
1t
)' 1 t
. El estadístico para probar que
todos
todostodos
los
los losprobar
parámetros
parámetros todosson
parámetros
t que
los
son
1 t todos
losconstantes
parámetros
son
parámetrosconstantes
constantes
k 1 loses:
t parámetros
sonconstantes
son
es: constantes
es: t son
es:es:constantes es:
1 t k 1 t
todos los parámetros son constantes es:
1 TT 1 T 1
11
TT T T T T
1
LLc Lc SStV '' L
1 1 1'
SL
T
SctSV S
St1 , donde
ct ,',donde
' ' 1 1 T
V
tSV S
V tVSt , fdonde
, dondef ' V '
'.f t f tV.
T ft ftf' t .f t' .
c T L T tt 1 V donde tV f
t f
t .
St tVTTt St1 t1, dondet 1V tt 1t ft ftt .1 t 1 '
T t ct 11 T t 1
t 1 t 1
Los Los
LosLos valores
valores
valores
Los
Los
críticos valores
valores
críticos
críticos bajoH
bajo bajo críticos
críticos
se
H0bajo bajoHH
bajo
Hencuentran
0 se encuentran
se encuentran
tabulados.tabulados.
0 se encuentran
0tabulados. tabulados.
0 se encuentran tabulados.
valores
Los valorescríticos
críticosbajo HH0 0seseencuentran
encuentran tabulados.
tabulados.
7. Detección 7. de
7. Detección
Detección de
observaciones observaciones
deatípicas
observaciones
atípicas atípicas
atípicas
usando el usando
usando el el
procedimientoprocedimiento
procedimiento
de Chen de Chen
de Chen
y(1993):
Liu y Liu
(1993): (1993)
y Liu (19
7.7. Detección
7.
Detección de
de observaciones
Detección de
observacionesobservaciones
atípicas usando
usando el
atípicas
el procedimiento
usando
procedimiento el de Chen yyLiu
procedimiento
de Chen Liu de
(1993):
7. Detección
Este Este
de
Este
procedimiento procedimiento
observaciones
procedimiento
trata de trata
atípicas
trata
detectar dede
sidetectar
usando
detectar
existen elsi existen
procedimiento
si existen
observaciones observaciones
de Chen
observaciones
atípicas atípicas
y
del Liu
tipo del tipo
(1993):
atípicas del
aditivo ad
tipo
Este
Este procedimiento
procedimiento trata
trata de
de detectar
detectar sisi existen
existen observaciones
observaciones atípicas
atípicas del
del tipo
tipo aditivo
aditivo
Chen
(denominadas y Liu
Este procedimiento(1993):
(denominadas
(denominadas otrata
AO), o
de detectar
AO), innovativas
si(denominadas
o (denominadas (denominadas
existen observaciones
innovativas (denominadas IO), o
atípicas
IO), de cambio
deldenivel
ode tipo de
aditivod
cambio
(denominadas
(denominadas
(denominadasAO),AO),
AO),
(denominadas
AO),
innovativas
oo innovativas
innovativas
LS)innovativas
o o de cambio (denominadas
temporal IO),IO),
IO), oo de
(denominadas
(denominadas IO),
o cambio
de o
de
cambio
TC).de
cambio de de
cambio nivel
de
nivel
nivel
(denominadas
(denominadas
(denominadas (denominadas
LS)
LS) oLS)
ode
Este procedimientode cambio LS)
o de cambio ode
temporal
trata dedetectar
cambio
temporal
(denominadastemporal
(denominadas
si existen (denominadas
TC). TC).
observaciones TC).
atípicas
(denominadas LS)cambio temporal
o de cambio (denominadas
temporal (denominadasTC). TC).
del tipo aditivode(denominadas
8. Detección observaciones atípicas AO), usando o innovativas (denominadas
el procedimiento de Chen y Liu (1993).
8. Detección
8.8.Detección
Detección de
de 8.observaciones
Detección
de
observaciones deatípicas
observaciones observaciones
atípicas
atípicas usando
usando atípicas
usando
el
el usando elde
el procedimiento
procedimiento
procedimiento procedimiento
de de Chen
Chen
Chen yyLiu
Liu de Chen
y(1993).
Liu
(1993).(1993). y Liu (199
IO), o de
8. Detección de cambio de nivel
observaciones (denominadas
atípicas LS) o de cambio
usando el procedimiento de Chentemporal
y Liu (1993).
(denominadas TC).
A2. 1 Diagnósticos para el modelo de tendencia lineal determinística
A2.1A2.
A2. A2. para
1Diagnósticos 1para
Diagnósticos
1 Diagnósticos para para
el modelo
elelmodelo de el modelo
de delineal
tendencia
detendencia linealtendencia lineal determinística
determinística
determinística
A2. 18. Detección
Diagnósticos
Diagnósticos de
para observaciones
modelo tendencia
el modelo atípicas
lineal
de tendencia usando el procedimiento de
determinística
lineal determinística
Chen y Liu (1993).
Gráfico
Gráficode
deresiduales
residuales estandarizados
estandarizados
3
-1
-2
-3
00 01 02 03 04 05 06 07 08 09 10
Standardized Residuals
Prueba de Normalidad
Prueba de Normalidad
Coef. Asimetría 0,114421
Coef.
Coef. Curtosis
Asimetría 3,166036
0,114421
Coef. Jarque-Bera
Curtosis 3,166036
0,429659
Jarque-Bera
Valor p 0,429659
0,806679
Valor p 0,806679
Prueba de Ljung-Box (Autocorrelación)
Prueba de Rezago,
Ljung-Box
k Q (Autocorrelación)
Valor p
6 4,0327 0,402
12k 9,0717
Rezago, Q 0,525
Valor p
18 13,955 0,602
6 4,0327 0,402
Prueba de McCleod-Li
12 (Heterocedasticidad
9,0717 0,525 condicional)
18
Rezago, k13,955 0,602
Q Valor p
6 6,3007 0,178
12 15,233 0,124
Prueba de McCleod-Li 18 25,108 0,068 condicional)
(Heterocedasticidad
Rezago, k Q Valor p
Prueba para Forma funcional
6 6,3007 0,178
Prueba RESET de RAMSEY:
12 15,233 0,124
Estadístico F 0,19373825,108
18 Valor p0,068
F(1,124) 0,6606
Razón Log Verosimil. 0,201393 Valor p Chi-Cuadr(1) 0,6536
Estadístico F 0,188649 Valor p F(2,123) 0,8283
Razón Log Verosimil. 0,395097 Valor p Chi-Cuadr(2) 0,8207
284
Prueba de estabilidad
Prueba de estabilidad
Prueba de Normalidad
Coef. Asimetría 0,029256
Coef. Curtosis 2,690887
Jarque-Bera 0,527863
Valor p 0,768026
Castaño y Sierra: Sobre la existencia de una raíz unitaria en la serie de tiempo mensual...
A2.2 Diagnósticos para el modelo de múltiples cambios de nivel
Gráfico de residuales
Gráfico de residuales
.4
.3
.2
.1
.0
-.1
-.2
-.3
-.4
00 01 02 03 04 05 06 07 08 09 10
LPRECIO Residuals
Prueba de Normalidad
Prueba de Ljung-Box (Autocorrelación)
Coef.Rezago,
Asimetría
k Q 0,029256
Valor p
Coef. Curtosis
6 1,7400 2,690887
0,783
12 6,1273 0,804
Jarque-Bera
18 10,286 0,527863
0,851
Valor p 0,768026
Prueba de McCleod-Li (Heterocedasticidad condicional)
Prueba de Ljung-Box
Rezago, k Q(Autocorrelación)
Valor p
6 2,3178 0,678
Rezago,
12 k 10,016
Q Valor
0,439p
6
18 1,7400 0,783
16,475 0,420
12 6,1273 0,804
18 10,286 0,851
Prueba para Forma funcional
Prueba de McCleod-Li
Prueba (Heterocedasticidad condicional)
RESET Ramsey:
Estadístico F Rezago,
0,680825k Q Valor
Valor ppF(1,116) 0,4110
Razón Log Verosimil. 6
0,749059 2,3178
Valor0,678
p Chi-cuadrad(1) 0,3868
12 10,016 0,439
18 16,475 0,420
286
287
Prueba de estabilidad
Bibliográfia
288
289
Diebold, Francis & Kilian, Lutz (2000). “Unit Root Tests are Useful for
Selecting Forecasting Models”, Journal of Business and Economic Statistics,
No.18, pp. 265-273.
Elliott, Graham; Rothenberg, Thomas & STock, James (1996). “Efficient
Tests for an Autoregressive Unit Root”, Econometrica, No. 64, pp. 813-
836.
Hansen, Bruce (1992). “Testing for Parameter Instability in Linear Models”,
Journal of Policy Modeling, No. 14, pp. 517–533.
Huisman, Ronald (2003). “Regime Jumps in Electricity Prices”, Energy Eco-
nomics, No. 25, pp. 423 - 434.
Kwiatkowski, Denis; Phillips, Peter; Schmidt, Peter & Shin, Yongcheol
(1992). “Testing the Null Hypothesis of Stationarity Against the Alter-
native of a Unit Root”, Journal of Econometrics, No. 54, pp. 159-178.
Lanne, Markku; Lütkepohl, Helmut & Saikkonen, Pentti (2002). “Com-
parison of Unit Root Tests for Time Series with Level Shifts”, Journal of
Time Series Analysis, No. 23,pp. 667-685.
Leybourne, Stephen; Mills, Terence y Newbold, Paul (1998): “Spurious
Rejections by Dickey-Fuller Tests in the Presence of a Break under the
Null”, Journal of Econometrics, No. 87, pp. 191-203.
Lumsdaine, Robin & Papell, David (1997). “Multiple Trend Breaks and the
Unit Root Hypothesis”, Review of Economics and Statistics, No.79, pp.
212-218.
Lütkepohl, Helmut; Saikkonen, Pentti & Trenkler, Carsten (2004). “Tes-
ting for the Cointegration Rank of a VAR Process with Level Shift at
Unknown Time”, Econometrica, No.72, pp. 647-662.
Mackinnon, James (1996). “Numerical Distribution Functions for Unit
Root and Cointegration Tests”, Journal of Applied Econometrics, 11(6),
pp. 601-618.
NG, Serena & PERRON, Pierre ( (1995). “Unit Root Tests in ARMA Mo-
dels with Data Dependent Methods for the Selection of the Truncation
Lag”, Journal of the Americal Statistical Association, No. 90, pp. 268-281.
NG, Serena & PERRON, Pierre (2001). “Lag Length Selection and the
Construction of Unit Root Tests with Good Size and Power” , Econome-
trica, No. 69, pp. 1519-1554.
Nyblom, Jukka (1989). “Testing for the Constancy of Parameters Over Time”,
Journal of the American Statistical Association, No.84, pp. 223–230.
Ohara, Hidetaka (1999), “A Unit Root Test with Multiple Trend Breaks: A
Theory and Application to US and Japanese Macroeconomic Time Se-
ries”, TheJapanese Economic Review, Vol. 50, pp. 266-290.
Perron, Pierre (1990). ”Testing for a Unit Root in a Time Series with a
Changing Mean”, Journal of Business and Economic Statistics, No. 8, pp.
153-162.
Perron, Pierre (1992). “Trend, Unit Root and Structural Change: A Multi-
Country Study with Historical Data”, Proceedings of the Business and Eco-
nomic Statistics Section, American Statistical Association, pp. 144-149.
Perron, Pierre & Vogelsang, Timothy (1992). “Nonstationarity and Level
Shifts with an Application to Purchasing Power Parity”, Journal of Busi-
ness and Economic Statistics, 10, 301-320.
Pfaff, Bernhard (2008) Analysis of Integrated and Cointegrated Time Series
with R. Second Edition. Springer, New York. ISBN 0-387-27960-1.
Phillips, Peter & Perron, Pierre (1988). “Testing for a Unit Root in Time
Series Regression”, Biometrika, No. 75, pp. 335–346
Philipovic, D. (1998). Energy Risk. McGraw-Hill, New York.
Saikkonen, Pentti & Lütkepohl, Helmut (2001), “Testing for Unit Roots
in Time Series with Level Shifts”, Allgemeines Statistisches Archiv, No. 85,
pp. 1-25.
290
291
Saikkonen, Pentti & Lütkepohl, Helmut (2002), “Testing for a Unit Root
in a Time Series with a Level Shift at Unknown Time”, Econometric
Theory, No. 18, pp. 313-348.
Zivot, Eric & Andrews, Donald (1992): “Further Evidence on the Great
Crash, the Oil-Price Shock, and the Unit-Root Hypothesis”. Journal of
Business and Economic Statistics, Vol. 10, No.3, pp. 251-270.