Taller Final de Econometría

1. Gráfico1: Gráfico de la serie de tiempo del Ingreso Personal Disponible per cápita
de Great Lakes (ln_gl) y New England (ln_ne).

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Gráficamente se puede observar que el ingreso personal disponible per cápita de los dos

sitios de Estados Unidos, a pesar de la distancia geográfica que los separa, tienen un

comportamiento similar. Así mismo, en la mayoría de los años, los datos son iguales, es

decir, hay presencia de algún tipo de intersección entre las series de tiempo analizadas.

A partir de 1990 se puede ver que ambas series tienen un comportamiento similar y

estable ante ausencia de quiebres en la pendiente.

En cuanto al análisis econométrico, se puede ver que las series no son estacionarias, es

decir, presentan media y varianza no constante, y la covarianza depende del tiempo.

Adicional a esto, se puede analizar que la serie del ingreso de New England es más estable

que la serie de Great Lakes, ya que evidentemente entre 1960 y 1985 se evidencia que
presenta choques pequeños por los cambios en la pendiente en la serie de Great Lakes. A

pesar de ello, no se puede afirmar gráficamente que las series tienen un comportamiento

estacional, pero si se puede afirmar que tienen una tendencia creciente con el paso de los

años. Por lo cual, es necesario hacer los respectivos test para corroborar la veracidad o

no de estas hipótesis.

2. Pruebas de Raíces Unitarias para New England:

Se utilizó un intervalo de confianza del 95% para todos los test de Raíz Unitaria, para lo

cual:

 Según el test de Dickey-Fuller Aumentado y Phillips Perron, en donde:

𝐻0 = 𝑇𝑖𝑒𝑛𝑒 𝑟𝑎í𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎.

𝐻𝑖 = 𝑁𝑜 𝑡𝑖𝑒𝑛𝑒 𝑟𝑎í𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎.

𝑆𝑖 𝑒𝑙 𝑡𝑒𝑠𝑡 𝑑𝑒 𝐴𝐷𝐹 ≥ 𝑉𝑎𝑙𝑜𝑟 𝐶𝑟í𝑡𝑖𝑐𝑜5% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

−3.075 ≥ −3.5005% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

𝑆𝑖 𝑒𝑙 𝑡𝑒𝑠𝑡 𝑑𝑒 𝑃𝑃 ≥ 𝑉𝑎𝑙𝑜𝑟 𝐶𝑟í𝑡𝑖𝑐𝑜5% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

−1.586 ≥ −3.4965% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

Se puede inferir que según el test de Dickey-Fuller y el test de Phillips-Perron, no se rechaza

la hipótesis nula de la existencia de Raíz Unitaria en el Ingreso personal per cápita, por lo

cual esta serie no es estacionaria en niveles (Tabla 1 y Tabla 3). Sin embargo, con el test de

Dickey-Fuller en primera diferencia no presenta raíz unitaria evaluando 0 rezagos, por lo cual

la serie de tiempo es estacionaria (Tabla 2). Por su parte, con el test de Phillips-Perron en

primera diferencias y con el mismo número de rezagos que tenía en niveles (3), se rechaza la
hipótesis nula de la existencia de raíces unitarias, por lo cual es estacionaria en primera

diferencia (Tabla 4). Esto se debe a que el test de ADF y PP es menor al valor crítico de 5%.

Por otra parte, la tendencia no es significativa para ninguna de las pruebas que se hicieron

con y sin diferencias, a diferencia del test de Dickey-Fuller en niveles (Tabla 1). En cuanto a

la significancia de la constante, es significativa en la mayoría de los test tanto en primera

diferencia como en niveles, caso contrario a la no significancia de esta variable que arroja el

test de Phillips-Perron en niveles (Tabla 3).

Tabla 1: Test de Dickey-Fuller Aumentado.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Tabla 2: Test de Dickey-Fuller Aumentado.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

 Tabla 3: Test de Phillips-Perron.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Tabla 4: Test de Phillips-Perron.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

 En cuanto al test de KPSS, en donde:

𝐻0 = 𝐸𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑜.

𝐻𝑖 = 𝑁𝑜 𝑒𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑜.

𝑆𝑖 𝑒𝑙 𝑡𝑒𝑠𝑡 𝑑𝑒 𝐾𝑃𝑆𝑆 ≤ 𝑉𝑎𝑙𝑜𝑟 𝐶𝑟í𝑡𝑖𝑐𝑜5% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

0.144 ≤ 0.1465% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

Se dice que en niveles no se rechaza la hipótesis nula de la existencia de estacionariedad en

el Ingreso personal per cápita, por lo cual esta serie no tiene raíz unitaria evaluando 5 rezagos

(Tabla 5).

Tabla 5: Test KPSS.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Pruebas de Raíces Unitarias para Great Lakes:

Se utilizó un intervalo de confianza del 95% para todos los test de Raíz Unitaria, para lo

cual:

 Según el test de Dickey-Fuller Aumentado y Phillips Perron, en donde:

𝐻0 = 𝑇𝑖𝑒𝑛𝑒 𝑟𝑎í𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎.

𝐻𝑖 = 𝑁𝑜 𝑡𝑖𝑒𝑛𝑒 𝑟𝑎í𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎.

𝑆𝑖 𝑒𝑙 𝑡𝑒𝑠𝑡 𝑑𝑒 𝐴𝐷𝐹 ≥ 𝑉𝑎𝑙𝑜𝑟 𝐶𝑟í𝑡𝑖𝑐𝑜5% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

−2.907 ≥ −3.4995% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

𝑆𝑖 𝑒𝑙 𝑡𝑒𝑠𝑡 𝑑𝑒 𝑃𝑃 ≥ 𝑉𝑎𝑙𝑜𝑟 𝐶𝑟í𝑡𝑖𝑐𝑜5% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

−1.689 ≥ −3.4965% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

Se puede inferir que según el test de Dickey-Fuller y el test de Phillips-Perron, no se rechaza

la hipótesis nula de la existencia de Raíz Unitaria en el Ingreso personal per cápita, por lo

cual esta serie no es estacionaria en niveles (Tabla 6 y Tabla 8). Sin embargo, con el test de

Dickey-Fuller en primera diferencia no presenta raíz unitaria evaluando 0 rezagos, por lo cual

la serie de tiempo es estacionaria (Tabla 7). Por su parte, con el test de Phillips-Perron en

primera diferencias y con el mismo número de rezagos que en niveles (3), se rechaza la

hipótesis nula de la existencia de raíces unitarias, por lo cual es estacionaria en primera

diferencia (Tabla 9). Esto se debe a que el test de ADF y PP es menor al valor crítico de 5%.

Por otra parte, la tendencia no es significativa para ninguna de las pruebas que se hicieron

con y sin diferencias, a diferencia del test de Dickey-Fuller en niveles (Tabla 6). En cuanto a

la significancia de la constante, es significativa en la mayoría de los test tanto en primera

diferencia como en niveles, caso contrario a la no significancia de esta variable que arroja el

test de Phillips-Perron en niveles (Tabla 8).

Tabla 6: Test de Dickey-Fuller Aumentado.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

 Tabla 7: Test de Dickey-Fuller Aumentado.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Tabla 8: Test de Phillips-Perron.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Tabla 9: Test de Phillips-Perron.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

  En cuanto al test de KPSS, en donde:

𝐻0 = 𝐸𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑜.

𝐻𝑖 = 𝑁𝑜 𝑒𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑜.

𝑆𝑖 𝑒𝑙 𝑡𝑒𝑠𝑡 𝑑𝑒 𝐾𝑃𝑆𝑆 ≤ 𝑉𝑎𝑙𝑜𝑟 𝐶𝑟í𝑡𝑖𝑐𝑜5% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

0.141 ≤ 0.1465% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

Se dice que en niveles no se rechaza la hipótesis nula de la existencia de estacionariedad en

el Ingreso personal per cápita, por lo cual esta serie no tiene raíz unitaria evaluando 5 rezagos

(Tabla 10).

Tabla 10: Test de KPSS.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

3. Vectores Autorregresivos (VAR)

a) Rezagos óptimos.

Para la modelación estructural de la relación entre las variables de Ingreso Personal

Disponible per cápita de Great Lakes y New England, se utilizaron VAR. El cual consiste

en la modelación simultánea de ecuaciones, en donde cada variable es explicada por los

retardos de sí misma (como en un modelo AR) y por los retardos de las demás variables,

como se expresa en la siguiente ecuación:

𝑉𝐴𝑅(𝑝) → 𝑦𝑡 = Φ0 + Φ1 𝑦𝑡−1 + ⋯ + Φ𝑝 𝑦𝑡−𝑝 + 𝜀𝑡

Para desarrollar la metodología de los VAR, en primera instancia se hace la

identificación, en la cual se selecciona la mayoría de criterios que toman menor valor

(FPE – AIC – HQIC - SBIC) o el modelo más parsimonioso, que en este caso corresponde

al rezago número 2. Todo esto con el fin de definir el orden del VAR, es decir, el número

de rezagos óptimos (Tabla 11).

Tabla 11: Identificación de los rezagos óptimos..

Fuente: Elaboración propia en base a los datos propuestos en el taller.

b) Modelo estimado.

Posteriormente, con la estimación, se puede decir que el Ingreso personal per cápita de

Great Lake en el periodo anterior (L1) y posterior (L2), tiene efectos positivos en el

mismo. Sin embargo, debido a que las variables no son significativas, no se pueden

analizar los efectos fijos y del ingreso personal per cápita de New England sobre el

ingreso personal per cápita de Great Lake (Tabla 12).

De la misma manera, los efectos del Ingreso de Great Lake y de New England sobre el

Ingreso personal per cápita de New England, son positivos en el periodo posterior (L2) y

en el periodo anterior (L1), respectivamente. A diferencia del efecto negativo que genera

el ingreso personal per cápita de New England en el periodo posterior (L2) sobre el

mismo; adicionando, que el efecto fijo del Ingreso de New England es negativo. Sin

embargo, debido a que las variables no son significativas, no se pueden analizar los

efectos del ingreso personal per cápita de Great Lake en el periodo anterior (L1). (Tabla

11).

Tabla 12: Estimación del VAR.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Con el paso de la verificación, se comprueba gráficamente y en primera instancia la

estacionariedad de los errores de las ecuaciones estimadas (Gráfico 2 y Gráfico 3).

Gráfico 2: Gráfico de los errores de la serie del Ingreso Personal Disponible per
cápita de Great Lakes (ln_gl)

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Gráfico 3: Gráfico de los errores de la serie del Ingreso Personal Disponible per
cápita de New England (ln_ne)

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Según las gráficas de los errores de las ecuaciones del ingreso personal per cápita de

Great Lakes y New England, se puede inferir que los errores son estacionarios, es decir,

con media y varianza constante, y la covarianza no depende del tiempo. Por lo cual, dado

que el modelo VAR asume la estacionariedad de las series, se puede decir que la

correlación de los ingresos analizados no es espuria.

A parte de la comprobación de la estacionariedad de los errores, se realizaron las pruebas

de estabilidad, autocorrelación y normalidad. Con la prueba de normalidad del VAR

(Tabla 13), se aplicaron tres test: Jarque-Bera – Skewness – Kurtosis. Particularmente,

según el test de Jarque-Bera, no se rechaza la hipótesis nula de la existencia de

normalidad en toda la ecuación del ingreso personal per cápita de New England y Great

Lakes. En donde:

𝐻0 = 𝐸𝑥𝑖𝑠𝑡𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑑𝑎𝑑.

𝐻𝑖 = 𝐼𝑛𝑒𝑥𝑖𝑠𝑡𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑑𝑎𝑑

𝑆𝑖 𝑐ℎ𝑖2 ≥ 𝑃𝑟𝑜𝑏 > 𝑐ℎ𝑖2 = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

−4.703 ≥ 0.31918 = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

A diferencia de los test de Skewness y Kurtosis, no se puede concluir en cuanto a la

normalidad del modelo en general por la inexistencia de datos.

 Tabla 13: Test de normalidad del VAR.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Por su parte, según la prueba de no autocorrelación de los errores evaluando los rezagos

(Tabla 14), debido a que los valores que toma el chi2 son mayores a los valores de

Prob>chi2, no se rechaza la hipótesis nula de la existencia de no autocorrelación. Sin

embargo, en el rezago 8 se rechaza la hipótesis nula de la existencia de no autcorrelación;

pero en la mayoría de los rezagos se afirma lo contrario, por lo cual no se considera

relevante la prueba de decisión arrojada en el rezago 8. En donde:

𝐻0 = 𝑁𝑜 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛.

𝐻𝑖 = 𝐴𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛.

𝑆𝑖 𝑐ℎ𝑖2𝑖 ≥ (𝑃𝑟𝑜𝑏 > 𝑐ℎ𝑖2)𝑖 = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

𝑆𝑖 𝑐ℎ𝑖2𝑖 < (𝑃𝑟𝑜𝑏 > 𝑐ℎ𝑖2)𝑖 = 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

 Tabla 14: Test de No Autocorrelación del VAR.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Por último, para comprobar la estabilidad del VAR, tanto en la gráfica 4 como en la Tabla

15, se llegó a la conclusión que todos los vectores satisfacen la condición de estabilidad

ya que las raíces se encuentran dentro del círculo.

Tabla 15: Test de estabilidad del VAR.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

 Gráfica 4: Gráfica de estabilidad del VAR.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

El último paso de la metodología del VAR, es la llamada uso que en otras palabras es

analizar el VAR. Este análisis está compuesto por evaluar la causalidad de Granger,

realizar pronósticos, descomponer la varianza y evaluar el comportamiento del ingreso

personal per cápita de New England y Great Lakes a través de los gráficos de impulso

respuesta.

Con la causalidad de Granger, se pudo evidenciar que en la ecuación analizada, que en

este caso corresponde a los ingresos de New England y Great Lakes, hay relación de

causalidad entre estas variables. Siguiendo los criterios de información:

 𝐻0 = X 𝑛𝑜 𝑐𝑎𝑢𝑠𝑎 𝑌.

𝐻𝑖 = 𝑋 𝑐𝑎𝑢𝑠𝑎 𝑎 𝑌.

𝑆𝑖 (𝑃𝑟𝑜𝑏 > 𝑐ℎ𝑖2)𝑖 < 5% = 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

𝑆𝑖 (𝑃𝑟𝑜𝑏 > 𝑐ℎ𝑖2)𝑖 ≥ 5% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

Por lo cual, se rechaza la hipótesis nula de que no hay causalidad entre los ingresos de New

England y Great Lakes, a un nivel de significancia del 5% (Tabla 16).

Tabla 16: Tabla de causalidad de Granger.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Según el pronóstico realizado para el año 2015, se prevee, a menos que tenga el país

alguna externalidad negativa o positiva repentina, que siga teniendo una tendencia

creciente los ingresos de los dos sitios analizados de Estados Unidos, como se observa a

continuación:
Gráfica 5: Gráfico del pronóstico del ingreso personal per cápita de Great Lakes para
2015.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Gráfica 6: Gráfico del pronóstico del ingreso personal per cápita de New England
para 2015.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

En cuanto a los gráficos de impulso-respuesta (Gráfico 7 y Gráfico 8), que evalúan el

choque de una variable y la respuesta de la otra, se puede ver que un choque en el ingreso

de Great Lakes aumenta el ingreso de New England en los siguientes periodos (Gráfica

7). Sin embargo, no se puede analizar el efecto de un choque en el ingreso de New

England sobre el ingreso de Great Lakes ya que no es significativo (Gráfica 8).

Gráfica 7: Gráfico de impulso respuesta del ingreso per cápita de Great Lakes sobre
New England

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Gráfica 8: Gráfico de impulso respuesta del ingreso per cápita de New England sobre
Great Lakes

Fuente: Elaboración propia en base a los datos propuestos en el taller.

Por último, en cuanto a la descomposición de la varianza, se puede decir que en el periodo

1, donde hubo el choque, hasta el periodo 10, cuando se analizó el impulso y respuesta

sobre la misma variable; sorprendentemente, cuando hay un impulso en el ingreso

personal per cápita de New England la varianza de la misma variable no es explicada al

100%. Caso contrario al ingreso de Great Lakes, en el cual el impulso explica el 100%

del comportamiento de la varianza en el ingreso per cápita de Great Lakes. Esta situación

se puede deber a que hay muchos más factores determinantes que influyen en el

comportamiento del ingreso de New England, a diferencia de Great Lakes (Tabla 17).

Adicional a esto, como se pudo analizar en el gráfico de impulso respuesta anterior

(Gráfico 8), realmente un impulso en el ingreso de New England, no afecta

significativamente el comportamiento de la varianza del Ingreso de Great Lakes, incluso

no alcanza a afectarlo un 10%. Sin embargo, un impulso en el ingreso de Great Lakes

afecta desde el periodo del choque un 71% hasta el último periodo un 90%, rasgo que

demuestra la cercana vinculación del ingreso per cápita de New England al de Great

Lakes.

Tabla 17: Descomposición de la varianza.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

4. Según la Prueba de Johansen de cointegración, en donde:

𝐻0 = 𝑇𝑖𝑒𝑛𝑒 # 𝑑𝑒 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑑𝑜𝑠.

𝐻𝑖 = 𝑁𝑜 𝑡𝑖𝑒𝑛𝑒 # 𝑑𝑒 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑑𝑜𝑠.

𝑆𝑖 𝑇𝑟𝑎𝑐𝑒 𝑎𝑛𝑑 𝑀𝑎𝑥 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐 ≥ 𝑣𝑎𝑙𝑜𝑟 𝑐𝑟í𝑡𝑖𝑐𝑜 𝑑𝑒𝑙 5% = 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

𝑆𝑖 𝑇𝑟𝑎𝑐𝑒 𝑎𝑛𝑑 𝑀𝑎𝑥 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐 < 𝑣𝑎𝑙𝑜𝑟 𝑐𝑟í𝑡𝑖𝑐𝑜 𝑑𝑒𝑙 5% = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

Por lo cual, se rechaza la hipótesis nula de la existencia de 0 vectores cointegrados en el largo

plazo, dado que la prueba de traza y lambda-max es mayor al valor crítico del 5%. Por lo

cual, posteriormente, se acepta la hipótesis nula de la existencia de 1 vector cointegrado en

el largo plazo, ya que en caso contrario al anterior, ya que el valor que toma la prueba de

traza y lambda-max es menor al valor crítico del 5% (Tabla 18).

Tabla 18: Test de Cointegración de Johansen.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

5. Vectores de Corrección del Error (VEC)

a) Modelo estimado.

Permiten analizar la dinámica de corto plazo y largo plazo entre variables. Permitiendo

de esta manera, tener una visión más amplia y completa en cuanto a la cointegración de

las variables a analizar. Teniendo en cuenta, que este modelo no asume que las series de

tiempo son estacionarias pero de las que se sabe que están cointegradas.
 Tabla 19: Estimación del Vector de Corrección de Errores.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

b) Relación estimada de largo plazo.

La relación de largo plazo estimada entre la serie de tiempo del Ingres personal per cápita

de New England y Great Lakes con base en la tabla 19, es:

∆ln(𝑔𝑙)𝑡 0.0116 −0.2283 0.4477 ∆ln(𝑔𝑙)𝑡−1 0.2293 [1 ln(𝑔𝑙)𝑡

[ ]=[ ]+[ ][ ]+[ ] − (−0.9356)] [ ] + (-0.3745)
∆ln (𝑛𝑒)𝑡 −0.0072 −0.5575 0.8353 ∆ln (𝑛𝑒)𝑡−1 0.3664 ln (𝑛𝑒)𝑡
 c) Prueba de normalidad.

Para realizar la prueba de normalidad del VEC (Tabla 20), se aplicaron tres test: Jarque-

Bera – Skewness – Kurtosis. Particularmente, según el test de Jarque-Bera, no se rechaza

la hipótesis nula de la existencia de normalidad en toda la ecuación del ingreso personal

per cápita de New England y Great Lakes. En donde:

𝐻0 = 𝐸𝑥𝑖𝑠𝑡𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑑𝑎𝑑.

𝐻𝑖 = 𝐼𝑛𝑒𝑥𝑖𝑠𝑡𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑑𝑎𝑑

𝑆𝑖 𝑐ℎ𝑖2 ≥ 𝑃𝑟𝑜𝑏 > 𝑐ℎ𝑖2 = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

3.758 ≥ 0.4397 = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

A diferencia de los test de Skewness y Kurtosis, no se puede concluir en cuanto a la

normalidad del modelo en general por la inexistencia de datos.

Tabla 20: Test de Normalidad del VEC.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

 d) Prueba de autocorrelación.

Según la prueba de no autocorrelación de los errores evaluando los rezagos (Tabla 21),

debido a que los valores que toma el chi2 son mayores a los valores de Prob>chi2, no se

rechaza la hipótesis nula de la existencia de no autocorrelación. Sin embargo, en el rezago

8 se rechaza la hipótesis nula de la existencia de no autcorrelación; pero en la mayoría de

los rezagos se afirma lo contrario, por lo cual no se considera relevante la prueba de

decisión arrojada en el rezago 8. En donde:

𝐻0 = 𝑁𝑜 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛.

𝐻𝑖 = 𝐴𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛.

𝑆𝑖 𝑐ℎ𝑖2𝑖 ≥ (𝑃𝑟𝑜𝑏 > 𝑐ℎ𝑖2)𝑖 = 𝑁𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

𝑆𝑖 𝑐ℎ𝑖2𝑖 < (𝑃𝑟𝑜𝑏 > 𝑐ℎ𝑖2)𝑖 = 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

Tabla 21: Test de No Autocorrelación del VEC.

Fuente: Elaboración propia en base a los datos propuestos en el taller.

 6. Conclusión

A pesar de la distancia que separa Great Lakes y New England, presentan un

comportamiento similar en sus ingresos personales per cápita; incluso, en muchas

ocasiones durante el periodo de tiempo analizado, presentan valores iguales. Así mismo,

las series analizadas con tendencia y constante, tienen raíces unitarias en niveles pero son

estacionarias en primeras diferencias, a su vez, cumplen con normalidad y no

autocorrelación en los errores tanto en el modelo de Vectores Autoregresivos (VAR)

como en Vectores de Correción del Error (VEC). Factor clave en el modelo VAR, ya que

éste asume que si se cumplen estas condiciones, la correlación de los ingresos analizados

no es espuria. Sin embargo, con los test realizados, la relación entre los ingresos per

cápita de New England con Great Lakes es débil a comparación de la relación y el efecto

positivo y fuerte que generan los ingresos de Great Lakes sobre New England.