518 2013 10 25 EctrGr JAM 4

ECONOMETRÍA
Facultad de Ciencias
Económicas y Empresariales
4
REGRESIÓN CON SERIES TEMPORALES
José Alberto Mauricio
Departamento de Economía Cuantitativa
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.
Versión 2.1 - 6 de mayo de 2013
II
4
REGRESIÓN CON SERIES TEMPORALES
BIBLIOGRAFÍA
Wooldridge (2003), Capítulos 10, 11, 12, 18.
Hill, Griffiths, Lim (2011), Capítulos 9, 12.
III
CONTENIDO
4.1 Datos de Series Temporales .................................................................................... 1

Series Estacionarias y Series No Estacionarias ......................................................... 4
Transformaciones de Series No Estacionarias ........................................................... 7
Propiedades Muestrales de Series Estacionarias ..................................................... 14
4.2 Regresión con Series Estacionarias ..................................................................... 20
Autocorrelación I: Definición - Consecuencias - Detección ...................................... 21
Autocorrelación II: Utilización Adecuada de MCO .................................................... 23
Modelos ADL ............................................................................................................. 24
4.3 Regresión con Series No Estacionarias ............................................................... 26
Regresión Espuria ..................................................................................................... 26
Cointegración ............................................................................................................ 26
4.4 Resumen .................................................................................................................. 29
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
SERIE AINF - ARCHIVO ST11 SERIE ADU - ARCHIVO ST11

TRIMESTRAL - PORCENTAJE TRIMESTRAL - PUNTOS PORCENTUALES
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
N = 72 - MEDIA = 0.60 - DT = 0.46 N = 72 - MEDIA = -0.04 - DT = 0.25
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 reeren 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 denido. Si las circunstancias sociales o naturales del período muestral al que
se reere 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.
El análisis de series temporales permite investigar posibles relaciones dinámicas entre

variables examinando las variaciones recogidas en los datos entre momentos consecutivos de
la historia de una entidad observable. Adicionalmente, el análisis de series temporales se
emplea con mucha frecuencia para prever la evolución futura de variables económicas,
nancieras, o de muchos otros tipos.
Una serie temporal univariante suele representarse como y1 , y2 , ..., yN , y º [ y1 , y 2 , ..., yN ]¢ ,

(yt )tN=1 , ó yt (t = 1, ..., N ), donde yt es la observación número t (1 £ t £ N ) de la serie y N
es el número de observaciones de que consta la serie completa (su tamaño o longitud).
SERIES ESTACIONARIAS Y SERIES NO ESTACIONARIAS
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 calicativos) cuando lo es en varianza. Algunos
términos asociados con la estacionariedad son estabilidad, homogeneidad, equilibrio y ausencia de tendencia.
Una serie temporal es no estacionaria en media cuando su nivel medio no es constante.

Una serie temporal es no estacionaria en varianza [i] cuando es no estacionaria en media, o
bien [ii] cuando su dispersión alrededor de su nivel medio no es constante, o bien [iii]
cuando se dan ambas circunstancias al mismo tiempo.
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 calicativos) 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
Nivel Medio General Estacionalidad Dispersión No Constante Dispersión Constante
No A C
No Constante
Si B D
No F - Poco Frecuente E - Estacionariedad

Constante
Si G - Poco Frecuente H
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).
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
TRANSFORMACIONES DE SERIES NO ESTACIONARIAS
Estabilización de la Dispersión - Transformación Logarítmica

Cuando la dispersión de una serie temporal no estacionaria yt (t = 1, ..., N ) no es
constante porque su desviación típica local es aproximadamente proporcional a su nivel
local, la dispersión de la serie transformada logarítmicamente yt = ln yt (t = 1, ..., N )
suele ser razonablemente estable.
Observación 4: La transformación logarítmica es un caso particular de la llamada Transformación de Box-Cox de
parámetros l y m, cuya fórmula general se escribe habitualmente como
(yt + m )l - 1
yt 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 yt = 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.
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
IBEX35 - TIPO A MEDIA VIVIN - TIPO B MEDIA
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
LOG( IBEX35 ) - TIPO C MEDIA LOG( VIVIN ) - TIPO D MEDIA
Operador de Retardo
El operador de retardo se representa con el símbolo B (a veces L, del inglés Backshift o Lag
operator) y se dene 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.
Estabilización del Nivel Medio General - Diferenciación Regular
El operador diferencia regular de orden d (d ³ 1 entero) se representa con el símbolo d

(a veces Dd ) y se dene como d º (1 - B )d (donde B es el operador de retardo), de
manera que
X t º X t - X t -1 , 2 X t º X t - 2 X t -1 + X t -2 , ...,
Observación 6: En muchas ocasiones, la tendencia o nivel medio general no constante de series de los tipos C y D en la
Tabla 2 se puede transformar en un nivel medio general razonablemente estable aplicándole a la serie correspondiente
d ³ 1 diferencias regulares (en general, no más de 2). La justicación teórica de esta posibilidad es algo laboriosa,
pero se puede ilustrar con ejemplos sobre el efecto de la diferenciación regular en algunas series reales (Figura 4).
FIGURA 4
Diferenciación Regular de Series con Tendencia
EINF - TIPO C D( EINF ) - TIPO E D( EINF, 2 ) - TIPO E
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
TPARO - TIPO D D( TPARO ) - TIPO D D( TPARO, 2 ) - TIPO H
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
N = 84 - MEDIA = 18.56 - DT = 3.35 N = 83 - MEDIA = 0.03 - DT = 0.63 N = 82 - MEDIA = -0.01 - DT = 0.57
Desestacionalización - Diferenciación Estacional

El operador diferencia estacional de periodo S y orden D ( D ³ 1 entero) se representa con
el símbolo SD (a veces DSD ) y se dene como SD º (1 - B S )D (donde B es el operador de
retardo), de manera que, en particular (cuando D = 1),
S Xt º Xt - Xt -S ,
Observación 7: En los casos de series estacionales mensuales (S = 12 meses) y trimestrales (S = 4 trimestres), 12 y
 4 suelen denominarse diferencias anuales. Nótese que S º 1 - B S =
/ (1 - B )S º S para todo S > 1.
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 justicación 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 yt (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).
FIGURA 5
Diferenciación Anual de Series Estacionales
LOG( VIVIN ) - TIPO D TEMP - TIPO H D( TPARO, 2 ) - TIPO H
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
DLOG( VIVIN, 0, 12 ) - TIPO C D( TEMP, 0, 12 ) - TIPO E D( TPARO, 2, 4 ) - TIPO E
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
FIGURA 6
Efectos de Distintos tipos de Diferenciación sobre una Serie No Estacionaria en Media
LOG( VIVIN ) - TIPO D DLOG( VIVIN ) - TIPO H
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
N = 156 - MEDIA = 3.23 - DT = 0.39 N = 155 - MEDIA = 0.00 - DT = 0.26
DLOG( VIVIN, 0, 12 ) - TIPO C DLOG( VIVIN, 1, 12 ) - TIPO E
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
N = 144 - MEDIA = 0.05 - DT = 0.20 N = 143 - MEDIA = 0.00 - DT = 0.19
PROPIEDADES MUESTRALES DE SERIES ESTACIONARIAS
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 .
La desviación típica muestral (sy ) de la serie es la raíz cuadrada de la varianza muestral.

Observación 10: 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 ] y varianza sY2 º Var[Yt ] constantes,
se puede contrastar la signicación de la media mY utilizando un estadístico t cuyo valor calculado es
y
t =
sy2 / N
y cuya distribución (aproximada), bajo la hipótesis nula de que mY = 0 , es una t ( N - 1) .
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,
entre las series yt -k e yt (t = k + 1, ..., N ) :

N -k N
ck º 1 å (y - y )(yt +k - y ) º 1 å (y - y )(yt - y ) (k = 0, 1, 2, ...). [7]
N t =1 t N t =k +1 t -k
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 inuencia 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 .
Dinámica II - Autocorrelación Simple

La autocorrelación simple muestral de orden k (k > 0) de una serie y º [ y1 , y 2 , ..., yN ]¢ es
una medida total o bruta del grado de correlación lineal entre cualquier par de componentes
de dicha serie separados entre sí por k períodos. Habitualmente (Observación 16),
ck
rk º (k = 0, 1, 2, ...) (  r0 = 1). [8]
c0
Observación 12: A diferencia de las autocovarianzas, las autocorrelaciones carecen de unidades de medida y sus valores
están comprendidos entre +1 y –1. La secuencia r1, r2, ... se denomina la Función de Autocorrelación Simple (ACF)
Muestral de la serie temporal y1 , y 2 , ..., yN . La representación gráca 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.
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 signicación
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 signicativa al 5% cuando
r k > 1.96/ N ). Por otro lado, para decidir si las G primeras autocorrelaciones simples son conjuntamente
signicativas, 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 ) .
Dinámica III - Autocorrelación Parcial

La autocorrelación parcial muestral de orden k (k > 0) de una serie y º [ y1 , y 2 , ..., yN ]¢ es
una medida parcial o neta del grado de correlación lineal entre cualquier par de
componentes de dicha serie separados entre sí por k períodos, que no es debida a la posible
correlación entre cada uno de ellos y todos los que se encuentran entre ambos.
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.
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 signicativa al 5% si r kk > 1.96 / N (igual que en la Observación 13).
FIGURA 7
Autocorrelaciones Muestrales de algunas Series Estacionarias
SERIE AINF SERIE ADU

1 1
4 4
3 3
0 0
2 2
1 -1 1 -1
0 1 ACF 15 0 1 ACF 15
-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
SERIE DLOG( IBEX 35 ) SERIE D( TPARO, 2, 4 )

1 1
4 4
3 3
0 0
2 2
1 -1 1 -1
0 1 ACF 15 0 1 ACF 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
FIGURA 8
Autocorrelaciones Muestrales de algunas Series No Estacionarias en Media
SERIE EINF SERIE TPARO

1 1
4 4
3 3
0 0
2 2
1 -1 1 -1
0 1 ACF 15 0 1 ACF 15
-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
SERIE LOG( IBEX35 ) SERIE D( TPARO, 2 )

1 1
4 4
3 3
0 0
2 2
1 -1 1 -1
0 1 ACF 15 0 1 ACF 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
4.2 Regresión con Series Estacionarias
Ejemplo - Curva de Phillips: Modelo Teórico
AINFt = AINFtE - a0 ADU t , con a0 > 0, ADU t º TPt - TPt -1 .

Si desempleo sube (ADU t > 0 º exceso oferta de trabajo)  Salarios y precios bajan.
Si desempleo baja (ADU t < 0 º exceso demanda de trabajo)  Salarios y precios suben.
AINFtE  Negociación salarial sobre inación esperada  Precios.
Ejemplo - Curva de Phillips: Modelo RLS con Autocorrelación - ST11
AINFt = b0 + g 0 ADU t + U t ,
con b0 º AINFtE (expectativas constantes), g 0 º -a0 < 0.
 Estimación MCO  residuos autocorrelacionados. [Detección: gráco temporal de los
residuos, ACF/PACF residuales, contrastes de Durbin-Watson y de Breusch-Godfrey.]
 Estimación MCO con matriz de covarianzas robusta (Newey-West).
4 · REGRESIÓN CON SERIES TEMPORALES 4.2 REGRESIÓN CON SERIES ESTACIONARIAS
Ejemplo - Curva de Phillips: Modelos ADL - ST11
AINFt = b0 + b1 AINFt -1 + g 0 ADU t + U t ,

b0 + b1 AINFt -1 º AINFtE (expectativas), b1 < 1 (estacionariedad), g 0 º -a0 < 0.
 Estimación MCO ADL(1,0): Residuos no autocorrelacionados.
 Estimación MCO ADL(1,1): AINFt = b0 + b1 AINFt -1 + g 0 ADU t + g1 ADU t -1 + U t .
AUTOCORRELACIÓN I: DEFINICIÓN - CONSECUENCIAS - DETECCIÓN
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):
Y = Xb + U , con E[ U | X ] = 0 , pero Var[ U | X ] = s 2 W con W =

/ I.
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 .
Ningún resultado de la RLM basado en la expresión s 2 ( X ¢X )-1 para Var[ b̂ W ] es

aplicable ahora (por ejemplo, el Teorema de Gauss-Markov). Además, cualquier cálculo
basado en la estimación sˆ2 ( X ¢X )-1 de la matriz de covarianzas (exacta o asintótica) de
ˆ W es incorrecto (por ejemplo, los errores estándar habituales de los estimadores MCO).
b
Detección
 Examinar el gráco 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 signicativas, 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).
 Realizar un contraste de Breusch-Godfrey.

Observación 18: El estadístico de Breusch-Godfrey ( BG ) se emplea prácticamente en cualquier situación para
contrastar la hipótesis de que las perturbaciones de un modelo de regresión no están autocorrelacionadas, frente a la
alternativa de que sí lo están hasta un orden P determinado:
1. Estimar el modelo de regresión considerado por MCO y guardar los residuos uˆ1 , uˆ2 , ..., uˆN .
2. Estimar por MCO la regresión auxiliar (con término constante) de uˆt sobre x t 2 , ..., x tK , uˆt -1 , ..., uˆt -P y guardar
el coeciente de determinación normal R 22 de esta regresión auxiliar.
û
Calcular BG = N ´ R 22 y el p-value Pr[ χ2 ( P ) ³ BG ] ; alternativamente, calcular el estadístico FBG para el
û
contraste de signicación conjunta de uˆt -1 , ..., uˆt -P en la regresión auxiliar anterior y el p-value
Pr[ F ( P , N - K - P ) ³ FBG ] ; si el p-value es sucientemente pequeño (menor que el nivel de signicación
escogido), rechazar la hipótesis nula de ausencia de autocorrelación.
Los cálculos referidos a BG y FBG se pueden llevar a cabo con EViews seleccionando en la ventana donde se
encuentra el modelo original estimado por MCO View → Residual Tests → Serial Correlation LM Test... y escribiendo en la
celda Lags to include: el valor de P.
AUTOCORRELACIÓN II: UTILIZACIÓN ADECUADA DE MCO

ˆ W ] frente
El Estimador de Newey-West es un estimador robusto (consistente) de VarAs[ b
a cualquier tipo de autocorrelación y heteroscedasticidad:
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)
Yt = b0 + b1Yt -1 + g 0 X t + g1 X t -1 + U t , con b1 < 1.
Modelo ADL(1,1) - Equilibrio

Relación esperada (equilibrio) implícita con Y* º E[Yt ], X * º E[ Xt ], E[U t ] = 0 :
b0 g + g1
Y* = b0 + b1Y* + g 0 X * + g1 X * = + 0 X * = m0 + m1 X * .
1 - b1 1 - b1
Ejemplo - Curva de Phillips: Modelo ADL(1,0) - ST11
Dependent Variable: INF

Method: Least Squares
Sample: 1991:2 2008:4
Included observations: 71
Variable Coefficient Std. Error t-Statistic Prob.
C 0.346999 0.081564 4.254321 0.0001
INF(-1) 0.380169 0.107675 3.530710 0.0007
DU -0.523016 0.209264 -2.499309 0.0149
R-squared 0.222366 Mean dependent var 0.607042
Adjusted R-squared 0.199494 S.D. dependent var 0.450499
S.E. of regression 0.403066 Akaike info criterion 1.061904
Sum squared resid 11.04745 Schwarz criterion 1.157510
Log likelihood -34.69758 F-statistic 9.722343
Durbin-Watson stat 1.796021 Prob(F-statistic) 0.000193
ainft = bˆ0 + bˆ1ainft -1 + gˆ0adut + uˆt ,

bˆ0 gˆ0
ainf* = mˆ0 + mˆ1adu* = + adu* = 0.5598 - 0.8438adu* .
1 - bˆ1 1 - bˆ1
4.3 Regresión con Series No Estacionarias
El problema principal en un análisis de regresión con series no estacionarias reside en la

posibilidad de obtener resultados signicativos al estimar relaciones entre series que en
realidad no están relacionadas en absoluto. Dichas relaciones estimadas, que son tan sólo
aparentes, se denominan relaciones espurias porque carecen de autenticidad.
REGRESIÓN ESPURIA
Ejemplo en ST12-Espur.wf1. Indicador del problema: residuos no estacionarios.
COINTEGRACIÓN
Como regla general, en un análisis de regresión no deben utilizarse series no estacionarias

para evitar el problema de la regresión espuria.
No obstante, existe una excepción importante a esta regla: el caso en el que las series no
estacionarias consideradas en el análisis están cointegradas.
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 grácamente si los residuos de una RLS con
dichas series son estacionarios.
Ejemplo en ST13-Coint.wf1. Interpretación en términos de la transmisión de los efectos de la

política monetaria al resto de la economía.
4 · REGRESIÓN CON SERIES TEMPORALES 4.3 REGRESIÓN CON SERIES NO ESTACIONARIAS
Modelos de Regresión para Series Cointegradas
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
Regresión con Series No Cointegradas
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.
4.4 Resumen
 Series Estacionarias, o No Estacionarias Cointegradas: En un análisis de regresión con

las series originales (sin diferenciar), no existe el riesgo de encontrar relaciones espurias.
En este caso, se debe utilizar las series sin diferenciar en el análisis de regresión que se
pretenda llevar a cabo [por ejemplo, estimar varios modelos ADL y seleccionar, entre
aquellos cuyos residuos no presenten autocorrelación, el que mejor ajuste proporcione
(criterios de información); con frecuencia, un modelo ADL(1,1) es suciente].
 Series No Estacionarias No Cointegradas: En un análisis de regresión con las series

originales (sin diferenciar), sí existe el riesgo de encontrar relaciones espurias. En este
caso, se debe diferenciar primero las series originales para hacerlas estacionarias, y
utilizar las series estacionarias en el análisis de regresión que se pretenda llevar a cabo.

518 2013 10 25 EctrGr JAM 4

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

518 2013 10 25 EctrGr JAM 4

Cargado por

Copyright:

Formatos disponibles

ECONOMETRÍA

José Alberto Mauricio

Departamento de Economía Cuantitativa

Versión 2.1 - 6 de mayo de 2013

REGRESIÓN CON SERIES TEMPORALES

4.1 Datos de Series Temporales .................................................................................... 1

SERIE AINF - ARCHIVO ST11 SERIE ADU - ARCHIVO ST11

N = 72 - MEDIA = 0.60 - DT = 0.46 N = 72 - MEDIA = -0.04 - DT = 0.25

El análisis de series temporales permite investigar posibles relaciones dinámicas entre

Una serie temporal univariante suele representarse como y1 , y2 , ..., yN , y º [ y1 , y 2 , ..., yN ]¢ ,

SERIES ESTACIONARIAS Y SERIES NO ESTACIONARIAS

Una serie temporal es no estacionaria en media cuando su nivel medio no es constante.

Nivel Medio General Estacionalidad Dispersión No Constante Dispersión Constante

No F - Poco Frecuente E - Estacionariedad

TRANSFORMACIONES DE SERIES NO ESTACIONARIAS

Estabilización de la Dispersión - Transformación Logarítmica

IBEX35 - TIPO A MEDIA VIVIN - TIPO B MEDIA

LOG( IBEX35 ) - TIPO C MEDIA LOG( VIVIN ) - TIPO D MEDIA

Estabilización del Nivel Medio General - Diferenciación Regular

El operador diferencia regular de orden d (d ³ 1 entero) se representa con el símbolo d

EINF - TIPO C D( EINF ) - TIPO E D( EINF, 2 ) - TIPO E

TPARO - TIPO D D( TPARO ) - TIPO D D( TPARO, 2 ) - TIPO H

N = 84 - MEDIA = 18.56 - DT = 3.35 N = 83 - MEDIA = 0.03 - DT = 0.63 N = 82 - MEDIA = -0.01 - DT = 0.57

Desestacionalización - Diferenciación Estacional

LOG( VIVIN ) - TIPO D TEMP - TIPO H D( TPARO, 2 ) - TIPO H

DLOG( VIVIN, 0, 12 ) - TIPO C D( TEMP, 0, 12 ) - TIPO E D( TPARO, 2, 4 ) - TIPO E

LOG( VIVIN ) - TIPO D DLOG( VIVIN ) - TIPO H

N = 156 - MEDIA = 3.23 - DT = 0.39 N = 155 - MEDIA = 0.00 - DT = 0.26

DLOG( VIVIN, 0, 12 ) - TIPO C DLOG( VIVIN, 1, 12 ) - TIPO E

N = 144 - MEDIA = 0.05 - DT = 0.20 N = 143 - MEDIA = 0.00 - DT = 0.19

PROPIEDADES MUESTRALES DE SERIES ESTACIONARIAS

La desviación típica muestral (sy ) de la serie es la raíz cuadrada de la varianza muestral.

entre las series yt -k e yt (t = k + 1, ..., N ) :

Dinámica II - Autocorrelación Simple

Dinámica III - Autocorrelación Parcial

SERIE AINF SERIE ADU

SERIE DLOG( IBEX 35 ) SERIE D( TPARO, 2, 4 )

SERIE EINF SERIE TPARO

SERIE LOG( IBEX35 ) SERIE D( TPARO, 2 )

Ejemplo - Curva de Phillips: Modelo Teórico

AINFt = AINFtE - a0 ADU t , con a0 > 0, ADU t º TPt - TPt -1 .

Ejemplo - Curva de Phillips: Modelo RLS con Autocorrelación - ST11

Ejemplo - Curva de Phillips: Modelos ADL - ST11

AINFt = b0 + b1 AINFt -1 + g 0 ADU t + U t ,

AUTOCORRELACIÓN I: DEFINICIÓN - CONSECUENCIAS - DETECCIÓN

Y = Xb + U , con E[ U | X ] = 0 , pero Var[ U | X ] = s 2 W con W =

Ningún resultado de la RLM basado en la expresión s 2 ( X ¢X )-1 para Var[ b̂ W ] es

 Realizar un contraste de Breusch-Godfrey.

AUTOCORRELACIÓN II: UTILIZACIÓN ADECUADA DE MCO

Yt = b0 + b1Yt -1 + g 0 X t + g1 X t -1 + U t , con b1 < 1.

Modelo ADL(1,1) - Equilibrio

Ejemplo - Curva de Phillips: Modelo ADL(1,0) - ST11

Dependent Variable: INF

ainft = bˆ0 + bˆ1ainft -1 + gˆ0adut + uˆt ,

El problema principal en un análisis de regresión con series no estacionarias reside en la

Ejemplo en ST12-Espur.wf1. Indicador del problema: residuos no estacionarios.

Como regla general, en un análisis de regresión no deben utilizarse series no estacionarias

Ejemplo en ST13-Coint.wf1. Interpretación en términos de la transmisión de los efectos de la

Modelos de Regresión para Series Cointegradas

Regresión con Series No Cointegradas

 Series Estacionarias, o No Estacionarias Cointegradas: En un análisis de regresión con

 Series No Estacionarias No Cointegradas: En un análisis de regresión con las series

También podría gustarte