Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facultad de Ciencias
Económicas y Empresariales
4
REGRESIÓN CON SERIES TEMPORALES
Internet - http://www.ucm.es/info/ecocuan/jam/ectrgr
COPYRIGHT 2012-2013 José Alberto Mauricio
E-mail: jamauri@ccee.ucm.es
Internet: http://www.ucm.es/info/ecocuan/jam
Este documento puede utilizarse exclusivamente como instrumento para la docencia de las asignaturas
ECONOMETRÍA
ECONOMETRÍA APLICADA
que se imparte en la Facultad de Ciencias Económicas y Empresariales de la Universidad Complutense de Madrid. No
se permite almacenar, reproducir o distribuir por medio alguno, ni tampoco utilizar este documento en cualquier
sentido, fuera de los términos mencionados anteriormente. La obtención de este documento (EctrGr-JAM-4.pdf) en la
dirección de Internet
http://www.ucm.es/info/ecocuan/jam/ectrgr
implica la aceptación de que su uso estará limitado a los términos anteriores.
II
4
BIBLIOGRAFÍA
Wooldridge (2003), Capítulos 10, 11, 12, 18.
Hill, Griffiths, Lim (2011), Capítulos 9, 12.
III
CONTENIDO
IV
4.1 Datos de Series Temporales
Una serie temporal es una secuencia de datos ordenados cronológicamente sobre una o
varias características de una única entidad observable en diferentes momentos.
TABLA 1
Datos Trimestrales sobre Inflación (AINF) y Variación de la Tasa de Paro
(ADU) en Australia desde 1991 hasta 2008 (ST11)
Número de Fecha Serie AINF Serie ADU
observación (trimestre) (porcentaje) (puntos porcentuales)
1 1991:1 -0.2 0.8
2 1991:2 0.2 0.8
3 1991:3 0.6 0.4
71 2008:3 1.2 0.0
72 2008:4 -0.3 0.3
ECONOMETRÍA PÁGINA 1
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
FIGURA 1
Gráficos Estandarizados de las Series de la Tabla 1
4 4
3 3
2 2
1 1
0 0
-1 -1
-2 -2
-3 -3
-4 -4
1992 1996 2000 2004 2008 1992 1996 2000 2004 2008
ECONOMETRÍA PÁGINA 2
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
A diferencia de lo que suele ocurrir con una sección cruzada, el orden en el que guran los
datos en una serie temporal es crucial para detectar pautas e inercias en la evolución de las
características a las que se reeren los datos.
Una serie temporal suele referirse a un período muestral que es tan sólo una parte de la
historia de la entidad considerada. Por este motivo, una serie temporal suele interpretarse
como una muestra ordenada (no aleatoria) extraída de un proceso estocástico (desarrollo
histórico) bien denido. Si las circunstancias sociales o naturales del período muestral al que
se reere la serie temporal considerada se mantienen relativamente estables después de
dicho período, entonces puede esperarse que las conclusiones obtenidas del análisis de dicha
serie sean aplicables también a momentos posteriores, al menos a corto plazo.
ECONOMETRÍA PÁGINA 3
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
Una serie temporal es estacionaria en media cuando su evolución presenta un nivel medio
que es constante.
Una serie temporal es estacionaria en varianza cuando es estacionaria en media y, además,
su evolución presenta una dispersión constante alrededor de su nivel medio.
Observación 1: Suele decirse que una serie es estacionaria (sin más calicativos) cuando lo es en varianza. Algunos
términos asociados con la estacionariedad son estabilidad, homogeneidad, equilibrio y ausencia de tendencia.
ECONOMETRÍA PÁGINA 4
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
Observación 2: Los tipos de no estacionariedad más frecuentes son los que tienen que ver con el caso [i] (incluyendo la
estacionalidad) y con el caso [iii] de la no estacionariedad en varianza (Tabla 2, Figura 2). Suele decirse que una serie
es no estacionaria (sin más calicativos) cuando no es estacionaria por un sólo motivo o por varios al mismo tiempo.
Algunos términos asociados con la no estacionariedad son inestabilidad, heterogeneidad, desequilibrio y tendencia.
TABLA 2
Tipos Frecuentes de No Estacionariedad
No A C
No Constante
Si B D
Observación 3: Muchas series que son no estacionarias pueden ser convertidas en series estacionarias mediante la
aplicación de ciertas transformaciones muy sencillas (Figuras 3-6).
ECONOMETRÍA PÁGINA 5
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
FIGURA 2
Series Temporales de los Tipos Considerados en la Tabla 2
SERIE YTVGDP1 - ARCHIVO ST13 - TIPO E SERIE EINF - ARCHIVO ST25 - TIPO C SERIE IBEX35 - ARCHIVO ST14 - TIPO A
TRIMESTRAL - PORCENTAJE MENSUAL - PORCENTAJE MENSUAL - BASE 29/12/1989 = 3000
4 4 4
3 3 3
2 2 2
1 1 1
0 0 0
-1 -1 -1
-2 -2 -2
-3 -3 -3
-4 -4 -4
1987 1990 1993 1996 1999 2002 2005 1993 1994 1995 1996 1997 1998 1999 2000 2001 1989 1991 1993 1995 1997 1999 2001
N = 79 - MEDIA = 1.38 - DT = 0.51 N = 108 - MEDIA = 3.34 - DT = 1.10 N = 156 - MEDIA = 5380.9 - DT = 3146.5
SERIE TEMP - ARCHIVO ST14 - TIPO H SERIE TPARO - ARCHIVO ST20 - TIPO D SERIE VIVIN - ARCHIVO ST14 - TIPO B
MENSUAL - GRADOS CENTÍGRADOS TRIMESTRAL - PORCENTAJE MENSUAL - MILES
4 4 4
3 3 3
2 2 2
1 1 1
0 0 0
-1 -1 -1
-2 -2 -2
-3 -3 -3
-4 -4 -4
1989 1991 1993 1995 1997 1999 2001 1980 1984 1988 1992 1996 2000 1989 1991 1993 1995 1997 1999 2001
N = 156 - MEDIA = 15.06 - DT = 6.87 N = 84 - MEDIA = 18.56 - DT = 3.35 N = 156 - MEDIA = 27.27 - DT = 11.36
ECONOMETRÍA PÁGINA 6
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
(yt + m )l - 1
yt º , con l £ 2 .
l
El –1 del numerador se emplea tan sólo porque liml 0 { [(Yt + m )l - 1] / l } = ln(Yt + m ) ]. En particular, l = 0 y
m = 0 proporcionan la transformación yt = ln yt .
Observación 5: Aunque en la transformación general de Box-Cox caben muchas otras posibilidades, con frecuencia la
dispersión no constante de series de los tipos A y B en la Tabla 2 se puede estabilizar aplicándole a dichas series
simplemente una transformación logarítmica (Figura 3). Por lo tanto, la decisión en la práctica sobre qué
transformación aplicarle a una serie para estabilizar su dispersión suele reducirse a decidir si la serie requiere o no una
transformación logarítmica.
ECONOMETRÍA PÁGINA 7
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
FIGURA 3
Gráficos Desviación Típica-Media - Transformación Logarítmica
4 4
2 2
3 3
DESVIACIÓN TÍPICA
DESVIACIÓN TÍPICA
2 1 2 1
1 1
0 0 0 0
-1 -1
-2 -1 -2 -1
-3 -3
-2 -2
-4 -4
1989 1991 1993 1995 1997 1999 2001 -2 -1 0 1 2 1989 1991 1993 1995 1997 1999 2001 -2 -1 0 1 2
4 4
2 2
3 3
DESVIACIÓN TÍPICA
DESVIACIÓN TÍPICA
2 1 2 1
1 1
0 0 0 0
-1 -1
-2 -1 -2 -1
-3 -3
-2 -2
-4 -4
1989 1991 1993 1995 1997 1999 2001 -2 -1 0 1 2 1989 1991 1993 1995 1997 1999 2001 -2 -1 0 1 2
ECONOMETRÍA PÁGINA 8
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
Operador de Retardo
El operador de retardo se representa con el símbolo B (a veces L, del inglés Backshift o Lag
operator) y se dene de acuerdo con que
BXt º Xt -1 , B d X t º Xt -d (d ³ 1 entero),
donde X t es una variable (real o aleatoria) referida a un momento t determinado.
ECONOMETRÍA PÁGINA 9
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
FIGURA 4
Diferenciación Regular de Series con Tendencia
4 4 4
3 3 3
2 2 2
1 1 1
0 0 0
-1 -1 -1
-2 -2 -2
-3 -3 -3
-4 -4 -4
1993 1994 1995 1996 1997 1998 1999 2000 2001 1993 1994 1995 1996 1997 1998 1999 2000 2001 1993 1994 1995 1996 1997 1998 1999 2000 2001
N = 108 - MEDIA = 3.34 - DT = 1.10 N = 107 - MEDIA = -0.02 - DT = 0.21 N = 106 - MEDIA = 0.01 - DT = 0.24
4 4 4
3 3 3
2 2 2
1 1 1
0 0 0
-1 -1 -1
-2 -2 -2
-3 -3 -3
-4 -4 -4
1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
ECONOMETRÍA PÁGINA 10
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
Observación 8: Muchas series estacionales de los tipos D y H en la Tabla 2 se pueden transformar en series sin
estacionalidad aplicándoles una única diferencia estacional. La justicación teórica de esta posibilidad es laboriosa,
pero se puede ilustrar con ejemplos sobre el efecto de la diferenciación estacional en algunas series reales (Figura 5).
Observación 9: En conclusión, si una serie temporal yt (t = 1, ..., N ) es no estacionaria por diversos motivos, entonces
una serie transformada del tipo
wt º d SD yt (que consta de n º N - d - DS observaciones)
puede ser razonablemente estacionaria si la transformación de Box-Cox (con frecuencia ninguna, o bien un logaritmo
neperiano), el número d de diferencias regulares (en muchos casos 0, 1 ó 2), y el número D de diferencias estacionales
o anuales (en muchos casos 0 ó 1) se escogen adecuadamente (Figura 6).
ECONOMETRÍA PÁGINA 11
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
FIGURA 5
Diferenciación Anual de Series Estacionales
4 4 4
3 3 3
2 2 2
1 1 1
0 0 0
-1 -1 -1
-2 -2 -2
-3 -3 -3
-4 -4 -4
1989 1991 1993 1995 1997 1999 2001 1989 1991 1993 1995 1997 1999 2001 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
N = 156 - MEDIA = 3.23 - DT = 0.39 N = 156 - MEDIA = 15.06 - DT = 6.87 N = 82 - MEDIA = -0.01 - DT = 0.57
4 4 4
3 3 3
2 2 2
1 1 1
0 0 0
-1 -1 -1
-2 -2 -2
-3 -3 -3
-4 -4 -4
1989 1991 1993 1995 1997 1999 2001 1989 1991 1993 1995 1997 1999 2001 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
N = 144 - MEDIA = 0.05 - DT = 0.20 N = 144 - MEDIA = -0.06 - DT = 2.21 N = 78 - MEDIA = 0.00 - DT = 0.52
ECONOMETRÍA PÁGINA 12
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
FIGURA 6
Efectos de Distintos tipos de Diferenciación sobre una Serie No Estacionaria en Media
4 4
3 3
2 2
1 1
0 0
-1 -1
-2 -2
-3 -3
-4 -4
1989 1991 1993 1995 1997 1999 2001 1989 1991 1993 1995 1997 1999 2001
4 4
3 3
2 2
1 1
0 0
-1 -1
-2 -2
-3 -3
-4 -4
1989 1991 1993 1995 1997 1999 2001 1989 1991 1993 1995 1997 1999 2001
ECONOMETRÍA PÁGINA 13
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
Nivel y Dispersión
La media muestral y la varianza muestral de una serie temporal y º [ y1 , y 2 , ..., yN ]¢ son
N N
y º 1 å y
N t =1 t
y sy2 º 1 å (y
N t =1 t
- y )2 .
Dinámica I - Autocovarianza
La autocovarianza muestral de orden k (k ³ 0 ) de una serie temporal y º [ y1 , y 2 , ..., yN ]¢
es la covarianza muestral entre las series yt e yt +k (t = 1, ..., N - k ) , o, equivalentemente,
ECONOMETRÍA PÁGINA 14
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
Observación 11: La autocovarianza muestral de orden cero (c0 ) es exactamente la varianza muestral (sy2 ) de la serie
considerada. Para k > 0, la autocovarianza muestral de orden k mide el grado medio de asociación lineal entre
cualquier par de componentes de una serie separados entre sí por k períodos (es decir, el grado medio de inuencia de
cualquier observación yt sobre yt +k , o, equivalentemente, el grado medio de dependencia de cualquier observación yt
con respecto a yt -k ). La secuencia c 0, c1, c2, ... se denomina la Función de Autocovarianza Muestral de la serie
temporal y1 , y 2 , ..., yN .
ECONOMETRÍA PÁGINA 15
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
Muestral de la serie temporal y1 , y 2 , ..., yN . La representación gráca de la ACF muestral de una serie se denomina el
correlograma de dicha serie. La ACF muestral es el instrumento básico para describir en la práctica la duración y la
intensidad de la dinámica (inercia o memoria) de una serie.
Observación 13: Si se supone que una serie temporal estacionaria y º [ y1 , y 2 , ..., y N ]¢ es una realización particular de
un vector Y º [Y1 , Y2 , ..., YN ]¢ de variables aleatorias con media mY º E[Yt ] , varianza sY2 º Var[Yt ] , y
autocovarianzas gk º Cov[Yt , Yt +k ] º Cov[Yt -k , Yt ] (k = 1, 2, ...) constantes, se puede contrastar la signicación
individual de cualquier autocorrelación simple rk º gk / g 0 utilizando un estadístico cuyo valor calculado es
rk / 1 / N y cuya distribución (aproximada), bajo la hipótesis nula de que rk = 0 , es una N(0, 1) (por lo que suele
considerarse que cualquier autocorrelación simple rk ( k ³ 1 ) es individualmente signicativa al 5% cuando
r k > 1.96/ N ). Por otro lado, para decidir si las G primeras autocorrelaciones simples son conjuntamente
signicativas, suele emplearse el valor calculado del estadístico de Ljung-Box
G rk2
QLB = N ( N + 2) å ,
k =1 N - k
que, bajo la hipótesis nula de que r1 = r2 = ... = rG = 0 , sigue aproximadamente una distribución χ2 (G ) .
ECONOMETRÍA PÁGINA 16
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
Observación 14: La autocorrelación parcial muestral de orden k (rkk ) puede calcularse a partir de una regresión lineal
estimada del tipo yt = rk 0 + rk 1yt -1 + rk 2yt -2 + ... + rkk yt -k + uˆtk . No obstante, con mucha frecuencia rkk se
calcula a partir de las autocorrelaciones simples muestrales mediante el siguiente procedimiento recursivo:
1. k = 1, r11 = r1 .
2. k = k + 1. Calcular la autocorrelación parcial muestral de orden k como
-1 r
rk -åki=1 k -1, i rk -i
rkk = .
-1 r
1-åki =1 k -1, i ri
3. Si k = K (retardo máximo que se desea calcular), parar. En caso contrario, calcular las cantidades auxiliares
rki = rk -1,i - rkk rk -1,k -i (i = 1, 2, ..., k - 1) .
4. Volver al paso 2.
Observación 15: La secuencia r11, r22 , ... se denomina la Función de Autocorrelación Parcial (PACF) Muestral de la
serie temporal y1 , y 2 , ..., yN . La ACF y la PACF muestrales constituyen en conjunto el instrumento fundamental
para describir en la práctica la duración y la intensidad de la dinámica (inercia o memoria) de una serie temporal.
Observación 16: Si se supone que una serie temporal estacionaria y º [ y1 , y 2 , ..., y N ]¢ es una realización particular de
un vector Y º [Y1 , Y2 , ..., YN ]¢ de variables aleatorias con media mY º E[Yt ] , varianza sY2 º Var[Yt ] , y
autocovarianzas gk º Cov[Yt , Yt +k ] º Cov[Yt -k , Yt ] (k = 1, 2, ...) constantes, suele considerarse que cualquier
autocorrelación parcial (el parámetro rkk en la regresión Yt = rk 0 + rk 1Yt -1 + rk 2Yt -2 + ... + rkkYt -k + U tk ) es
individualmente signicativa al 5% si r kk > 1.96 / N (igual que en la Observación 13).
ECONOMETRÍA PÁGINA 17
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
FIGURA 7
Autocorrelaciones Muestrales de algunas Series Estacionarias
-1 1 -1 1
-2 -2
-3 0 -3 0
-4 -4
-1 -1
1992 1996 2000 2004 2008 1 PACF 15 1992 1996 2000 2004 2008 1 PACF 15
-1 1 -1 1
-2 -2
0 0
-3 -3
-4 -4
-1 -1
1989 1991 1993 1995 1997 1999 2001 1 PACF 15 1980 1984 1988 1992 1996 2000 1 PACF 15
ECONOMETRÍA PÁGINA 18
4 · REGRESIÓN CON SERIES TEMPORALES 4.1 DATOS DE SERIES TEMPORALES
FIGURA 8
Autocorrelaciones Muestrales de algunas Series No Estacionarias en Media
-1 1 -1 1
-2 -2
0 -3 0
-3
-4 -4
-1 -1
1993 1994 1995 1996 1997 1998 1999 2000 2001 1 PACF 15 1980 1984 1988 1992 1996 2000 1 PACF 15
-1 1 -1 1
-2 -2
0 0
-3 -3
-4 -4
-1 -1
1989 1991 1993 1995 1997 1999 2001 1 PACF 15 1980 1984 1988 1992 1996 2000 1 PACF 15
ECONOMETRÍA PÁGINA 19
4.2 Regresión con Series Estacionarias
AINFt = b0 + g 0 ADU t + U t ,
con b0 º AINFtE (expectativas constantes), g 0 º -a0 < 0.
Estimación MCO residuos autocorrelacionados. [Detección: gráco temporal de los
residuos, ACF/PACF residuales, contrastes de Durbin-Watson y de Breusch-Godfrey.]
Estimación MCO con matriz de covarianzas robusta (Newey-West).
ECONOMETRÍA PÁGINA 20
4 · REGRESIÓN CON SERIES TEMPORALES 4.2 REGRESIÓN CON SERIES ESTACIONARIAS
Definición
Covarianzas (correlaciones) distintas de cero entre las perturbaciones de un modelo.
Consecuencias
Las mismas que cuando las perturbaciones son heteroscedásticas (en ambos casos, la matriz
de varianzas-covarianzas de las perturbaciones deja de ser una matriz escalar):
ECONOMETRÍA PÁGINA 21
4 · REGRESIÓN CON SERIES TEMPORALES 4.2 REGRESIÓN CON SERIES ESTACIONARIAS
Por lo tanto:
ˆ W ] = b , pero
E[ b
ˆ W ] = s 2 ( X ¢X )-1 X ¢WX ( X ¢X )-1 =
Var[ b / s 2 ( X ¢X )-1 .
Detección
Examinar el gráco temporal de los residuos junto con la ACF y la PACF residuales.
Observación 17: Para determinar si las G primeras autocorrelaciones simples de las perturbaciones de un modelo con K
parámetros son conjuntamente signicativas, suele emplearse el valor calculado del estadístico de Ljung-Box
Gr i (uˆt )2
QLB (uˆt ) = n (n + 2) å ,
i =1 n - i
donde n es el número de residuos uˆt disponibles. Bajo la hipótesis nula de que r1 (U t ) = r2 (U t ) = ... = rG (U t ) = 0 ,
el estadístico de Ljung-Box sigue aproximadamente una distribución χ2 (G - K ) (comparar con Observación 13).
ECONOMETRÍA PÁGINA 22
4 · REGRESIÓN CON SERIES TEMPORALES 4.2 REGRESIÓN CON SERIES ESTACIONARIAS
ECONOMETRÍA PÁGINA 23
4 · REGRESIÓN CON SERIES TEMPORALES 4.2 REGRESIÓN CON SERIES ESTACIONARIAS
ˆ b
VarAs[ ˆW ] = 1 Q
ˆ -1 S
ˆ NW Q
ˆ -1 , donde
N
ˆ º
Q 1 åiN=1 Xi Xi¢ = 1 X ¢X ,
N N
ˆ NW º
S 1
N
åiN=1 Uˆi 2 Xi Xi¢ + åhH=1 ( 1 - Hh+1 ) ( 1 å N -h é Uˆ Uˆ
N i =1 ë i i +h ( Xi Xi¢+h + Xi +h Xi¢ ) ùû ) .
Observación 19: En esta fórmula para ŜNW , el número H £ N - 1 es tal que Cov[U i , U i +h ] = 0 para h > H . En la
práctica, H se escoge como la parte de entera del número 4( N / 100)2 /9 , o bien como la parte entera del número N 1 / 4 .
Observación 20: Un ajuste muy común del estimador ŜNW cuando se emplea con muestras cortas, consiste en
multiplicar ŜNW por N N -K
(este ajuste está implementado, por ejemplo, en EViews, así como la primera de las dos
sugerencias del nal de la Observación 19 para escoger H en ŜNW ).
MODELOS ADL
Modelo ADL(1,1)
ECONOMETRÍA PÁGINA 24
4 · REGRESIÓN CON SERIES TEMPORALES 4.2 REGRESIÓN CON SERIES ESTACIONARIAS
b0 g + g1
Y* = b0 + b1Y* + g 0 X * + g1 X * = + 0 X * = m0 + m1 X * .
1 - b1 1 - b1
ECONOMETRÍA PÁGINA 25
4.3 Regresión con Series No Estacionarias
REGRESIÓN ESPURIA
COINTEGRACIÓN
ECONOMETRÍA PÁGINA 26
4 · REGRESIÓN CON SERIES TEMPORALES 4.3 REGRESIÓN CON SERIES NO ESTACIONARIAS
Observación 21: Cuando una serie no estacionaria sólo requiere una diferencia regular para hacerla estacionaria, suele
decirse que dicha serie es una serie I(1) (integrada de orden 1). Por su parte, una serie I(0) es una serie estacionaria.
Esta terminología se utiliza con mucha frecuencia en el análisis de series temporales cointegradas.
Se dice que dos series temporales I(1) (no estacionarias) están cointegradas cuando existe
una combinación lineal de dichas series que es I(0) (estacionaria).
Dos series I(1) están cointegradas cuando comparten una tendencia semejante y nunca se
alejan de manera persistente (tan sólo de forma transitoria) la una de la otra.
En otros términos, dos series I(1) están cointegradas cuando están sujetas a una relación
estable o de equilibrio entre ellas.
Aunque existen opciones más formales, la manera más sencilla de decidir si dos series I(1)
están cointegradas consiste en comprobar grácamente si los residuos de una RLS con
dichas series son estacionarios.
ECONOMETRÍA PÁGINA 27
4 · REGRESIÓN CON SERIES TEMPORALES 4.3 REGRESIÓN CON SERIES NO ESTACIONARIAS
Todo lo expuesto sobre regresión con series estacionarias es aplicable también al caso de la
regresión con series no estacionarias cointegradas.
Ejemplo en ST13-Coint.wf1. Modelo ADL(1,1): estimación, equilibrio
En este caso, la regla general consiste en transformar primero las series no estacionarias
consideradas en el análisis para hacerlas estacionarias, y proceder después como en el caso
del análisis de regresión con series estacionarias.
ECONOMETRÍA PÁGINA 28
4.4 Resumen
ECONOMETRÍA PÁGINA 29