21.1. ¿Qué significa estacionariedad débil?

Se dice que un proceso estocástico es débilmente estacionario si su media y varianza son

constantes a lo largo del tiempo y si el valor de la covarianza entre dos períodos de tiempo
depende solo de la distancia o retraso entre los dos períodos y no del tiempo real en el que la
covarianza es calculado

21.2. ¿Qué significa serie de tiempo integrada?

Si una serie de tiempo tiene que diferenciarse d veces antes de que se vuelva estacionaria, se
integra en el orden d, denotado como I (d). En su forma indiferenciada, dicha serie temporal
no es estacionaria.

21.5. ¿Qué son las pruebas Dickey-Fuller (DF) y DF aumentada?

La prueba DF es una prueba estadística que se puede usar para determinar si una serie temporal
es estacionaria. El DFA es un DF similar, excepto que tiene en cuenta la posible correlación en los
términos de error.

21.6. ¿Qué son las pruebas Engle-Granger (EG) y EG aumentada?

Las pruebas EG y EGA son procedimientos estadísticos que se pueden utilizar para
determinar si dos series de tiempo están cointegradas.

21.9. ¿Qué es la regresión espuria?

Si una variable no estacionaria se regresa a otra (s) variable (s) no estacionaria, la regresión
resultante puede pasar los criterios estadísticos habituales (valor R ^ 2 alto, razones t
significativas, etc.) aunque a priori no esperamos ninguna relación entre las dos. Esto es
especialmente así si las dos variables no están cointegradas. Sin embargo, si las dos variables están
cointegradas, aunque individualmente no son estacionarias, entonces tal regresión puede no ser
espuria.

21.10. ¿Cuál es la conexión entre cointegración y regresión espuria?

21.11. ¿Cuál es la diferencia entre una tendencia determinista y una tendencia

estocástica?
La mayoría de las series de tiempo económicas exhiben tendencias. Si tales tendencias son
perfectamente predecibles, las llamamos deterministas. Si ese no es el caso, las llamamos
estocásticas. Una serie temporal no estacionaria generalmente exhibe una tendencia
estocástica.

21.13. ¿Qué es una caminata aleatoria (modelo)?

Una caminata aleatoria es un ejemplo de un proceso no estacionario. Si una variable sigue
una caminata aleatoria, significa que su valor hoy es igual a su valor en el período de tiempo
anterior más un choque aleatorio (término de error). En tales situaciones, es posible que no
podamos pronosticar el curso de dicha variable a lo largo del tiempo. Los precios de las
acciones o los tipos de cambio son ejemplos típicos del fenómeno de la caminata aleatoria.

21.15. ¿Qué es el mecanismo de corrección de errores (MCE)? ¿Cuál es su relación con

la cointegración?
La cointegración implica una relación a largo plazo, o equilibrio, entre dos (o más variables). A
corto plazo, sin embargo, puede haber desequilibrio entre los dos. El MCE devuelve las dos
variables al equilibrio a largo plazo.

21.26. De los datos correspondientes del primer trimestre de 1971 al cuarto de 1988
para Canadá se obtuvieron los siguientes resultados de la regresión:

1. ln M1t = −10.2571 + 1.5975 ln PIBt

t = (−12.9422) (25.8865)
R^2 = 0.9463 d = 0.3254

2. ln M1t = 0.0095 + 0.5833 ln PIBt

t = (2.4957) (1.8958)
R^2 = 0.0885 d = 1.7399

3. ˆUt = −0.1958ˆUt−1
(t = τ) (−2.2521)
R^2 = 0.1118 d = 1.4767

Donde M1 = la oferta de dinero M1, PIB = producto interno bruto, ambas medidas en miles
de millones de dólares canadienses, ln es el logaritmo natural y ˆUt representa los residuos
estimados de la regresión 1.

a) Interprete las regresiones 1 y 2.

La regresión (1) muestra que la elasticidad de M1 con respecto al PIB es de aproximadamente
1.60, lo que parece estadísticamente significativo, ya que el valor t de este coeficiente es muy alto.
Pero mirando el valor d (0.3254), sospechamos que existe una correlación en los términos de error
o que esta regresión es espuria.

La regresión (2) muestra que la elasticidad de M1 con respecto al PIB es de aproximadamente

0.60, lo que parece estadísticamente significativo, ya que el valor t de este coeficiente es muy alto.
Pero mirando el valor d (0.3254), sospechamos que existe una correlación en los términos de error
o que esta regresión es espuria

b) ¿Sospecha que la regresión 1 es espuria? ¿Por qué?

En la primera forma de diferencia, todavía hay una relación positiva entre las dos variables, pero
ahora el coeficiente de elasticidad se ha reducido drásticamente. Sí, los valores d podrían sugerir
que no hay ningún problema de correlación en serie ahora. Pero la caída significativa en el
coeficiente de elasticidad sugiere que el problema aquí puede ser uno de falta de cointegración
entre las dos variables.
c) ¿La regresión 2 es espuria? ¿Cómo sabe?
d ) De los resultados de la regresión 3, ¿cambiaría su conclusión de b)? ¿Por qué?

(c) y (d) A partir de la regresión (3) parece que las dos variables están cointegradas, ya que el valor
t crítico del 5% es -1.9495 y el valor tau estimado es más negativo que esto. Sin embargo, el valor
tau crítico del 1% es -2.6227, lo que sugiere que las dos variables no están cointegradas. Si
permitimos la intercepción e intercepción y la tendencia en la ecuación (3), entonces la prueba de
DF mostrará que las dos variables no están integradas

e) Ahora considere la siguiente regresión:

ln M1t = 0.0084 + 0.7340 ln PIBt − 0.0811ˆUt−1
t = (2.0496) (2.0636) (−0.8537)
R^2 = 0.1066 d = 1.6697
La ecuación (2) da la relación a corto plazo entre los registros de dinero y el PIB. La ecuación dada
aquí tiene en cuenta el mecanismo de corrección de errores (MCE), que intenta restablecer el
equilibrio en caso de que las dos variables se desvíen de su camino a largo plazo.
Sin embargo, el término de error en esta regresión no es estadísticamente significativo al nivel del
5%.

Como, como se discutió en (c) y (d) arriba, los resultados de las pruebas de cointegración son
bastante mixtos, es difícil saber si los resultados de regresión presentados en (1) son espurios o
no.