00188817 Econometría Aplicada

Diego Javier Pérez Alejo Sección 02

Resumen: Econometría de series de tiempo: algunos conceptos básicos

Procesos estocásticos
Un proceso estocástico o aleatorio es una colección de variables aleatorias ordenadas en el
tiempo. Donde, si “Y” denota una variable aleatoria continua, se denota como “Y(t)”, pero si es
discreta, se expresa como Yt.
Procesos estocásticos estacionarios
Se dice que un proceso estocástico es estacionario si su media y su varianza son constantes en el
tiempo y si el valor de la covarianza entre dos periodos depende sólo de la distancia o rezago
entre estos dos periodos, y no del tiempo en el cual se calculó la covarianza. Un proceso
estocástico como este se conoce como proceso estocástico débilmente estacionario, estacionario
covariante, estacionario de segundo orden o proceso estocástico en amplio sentido.
Procesos estocásticos no estacionarios
A menudo se topa uno con series de tiempo no estacionarias, cuyo ejemplo clásico es el modelo
de caminata aleatoria (MCA). A menudo decimos que los precios de valores, como las acciones
o las tasas de cambio siguen una caminata aleatoria, por lo que podemos concluir que son no
estacionarios. Dentro de estos encontramos dos tipos de caminatas aleatorias: 1) caminata
aleatoria sin deriva o sin desvío (es decir, no hay término constante o de intercepto) y 2)
caminata aleatoria con deriva o con desvío (es decir, hay un término constante).

 Caminata aleatoria sin deriva

Supongamos que ut es un término de error de ruido blanco, con media 0 y varianza σ 2.
Entonces decimos que la serie Yt es una caminata aleatoria si: Y t =Y t −1 +U t (21.3 .4)
En el modelo de caminata aleatoria como se puede ver en (21.3.4), el valor de Y en el tiempo t es
igual a su valor en el tiempo (t-1) más un choque aleatorio; por tanto, es un modelo AR(1). Los
defensores de la hipótesis del mercado de capital eficiente argumentan que los precios de las
acciones son en esencia aleatorios. Como revelan las expresiones anteriores, la media Y es igual a
su valor inicial (constante) pero conforme incrementa t, su varianza aumenta de manera
indefinida, lo que viola una condición de la estacionariedad, por lo que es un proceso estocástico
no estacionario.
 Caminata aleatoria con deriva
Se modifica 21.3.4: Y t =δ + Y t−1 +U t , donde δ se conoce como el parámetro de deriva. El
término deriva proviene del hecho de que, si escribimos la ecuación anterior como:
Y t −Y t −1=∆ Y t =δ+U t. Se demuestra que Y t se deriva o desvía hacia arriba o hacia abajo,
según δ sea positiva o negativa, este modelo también es un modelo AR (1). Para el MCA con
deriva, la media es igual que la varianza, se incrementa con el tiempo, lo que viola de nuevo las
condiciones de estacionariedad. Entonces la MCA con o sin deriva es un proceso estocástico no
estacionario.
00188817 Econometría Aplicada
Diego Javier Pérez Alejo Sección 02

Proceso estocástico de raíz unitaria

Escribimos el MCA (21.3.4) como: Yt = ρYt−1 + ut −1 ≤ ρ ≤ 1

Si ρ= 1, se convierte en un mca (sin deriva). Si ρ es en efecto 1, tenemos lo que se conoce como problema
de raíz unitaria; es decir, enfrentamos una situación de no estacionariedad. Ya sabemos que en este caso la
varianza de Yt es no estacionaria.

Sin embargo, si |ρ| < 1, es decir, si el valor absoluto de ρ es menor que 1, podemos demostrar que la serie
de tiempo Yt es estacionaria. Así, en la práctica, es importante averiguar si una serie de tiempo tiene una
raíz unitaria

Procesos estocásticos estacionarios en tendencia y estacionarios en diferencias.

La distinción entre procesos estocásticos estacionarios y no estacionarios tiene una importancia

fundamental para saber si la tendencia observada en las series de tiempo es determinista o estocástica. En
términos generales, si la tendencia de una serie de tiempo es del todo predecible y no variable, se le llama
tendencia determinista; si no es predecible, se le llama tendencia estocástica.

Modelo: Yt = β1 + β2t + β3Yt−1 + u t 21.5.1

Donde ut es un término de error de ruido blanco y donde t es el tiempo medido cronológicamente.

Caminata aleatoria pura: Si β1 = 0, β2 = 0, β3 = 1, obtenemos Yt = Yt−1 + ut , que no es otra

cosa sino el MCA sin deriva y por tanto es no estacionario. Pero observe que si lo expresamos como Yt =
(Yt − Yt−1) = u t . Se convierte en estacionaria, como ya mencionamos. Por tanto, un MCA sin deriva es
un proceso estacionario en diferencia
Caminata aleatoria con deriva: Si β1 /= 0, β2 = 0, β3 = 1, obtenemos Yt = β1 + Yt−1 + u t , que es
una caminata aleatoria con deriva y en consecuencia es no estacionaria. Si la expresamos como
(Yt − Yt−1) = Yt = β1 + u t , esto significa que Yt mostrará una tendencia positiva (β1 > 0) o negativa (β1
< 0)). Tal tendencia se llama tendencia estocástica. La ecuación es un PED porque la no estacionariedad
en Yt se elimina al tomar las primeras diferencias de las series de tiempo.
Procesos estocásticos integrados
El MCA sin deriva se llama proceso integrado de orden 1 y se denota como I (1). De manera similar, si
una serie de tiempo tiene que diferenciarse dos veces para hacerla estacionaria, esa serie de tiempo se
denomina integrada de orden 2. La mayoría de las series de tiempo económicas son I (1), es decir, por lo
general se convierten en estacionarias sólo después de tomar sus primeras diferencias

El fenómeno de regresión espuria

Para ver por qué las series de tiempo estacionarias son tan importantes, considere los dos modelos de
caminata aleatoria siguientes: Yt = Yt −1 + u t y Xt = X t −1 + vt. Suponga que hacemos la
regresión de Yt sobre Xt. Como Yt y Xt son procesos no correlacionados I (1), R2 de la regresión de Y
sobre X debe tender a cero, es decir, no debe haber ninguna relación entre las dos variables, pero si R 2, es
distinto de 0, podríamos pensar que existe una relación entre Y y X, este es el fenómeno de regresión
espuria descubierto por Yule, quien mostró además que la correlación (espuria) puede persistir en las
series de tiempo no estacionarias, aunque la muestra sea muy grande
00188817 Econometría Aplicada
Diego Javier Pérez Alejo Sección 02

Pruebas de estacionariedad
1. Análisis gráfico

Como ya mencionamos, antes de efectuar una prueba formal, siempre es aconsejable graficar la serie
de tiempo en estudio. Estas gráficas proporcionan una pista inicial respecto de la posible naturaleza de
las series de tiempo.

2. Función de autocorrelación (FAC)

Una prueba sencilla de estacionariedad se basa en la denominada función de auto correlación (FAC). La
FAC en el rezago k, denotada por ρk, se define como

covarianza en el rezago k
ρ =
varianza

, donde la covarianza en el rezago k y la varianza son como se definieron anteriormente

3. Elección de la longitud del rezago

Una regla práctica es calcular la FAC hasta un tercio o una cuarta parte de la longitud de la serie de
tiempo. El mejor consejo práctico es comenzar con rezagos lo bastante grandes y luego reducirlos
mediante un criterio estadístico, como el criterio de información Akaike o de Schwarz.

Prueba de raíz unitaria

El punto de partida es el proceso (estocástico) de raíz unitaria que vimos antes.
Se inicia con Yt = ρYt−1 + u t −1 ≤ ρ ≤ 1. Sabemos que si ρ=1, es decir, en el caso de la raíz unitaria,
se convierte en un modelo de caminata aleatoria sin deriva, del cual sabemos también que es un proceso
estocástico no estacionario. Por consiguiente, ¿por qué no simplemente hacer la regresión de Yt sobre su
valor rezagado Yt−1 y se averigua si la ρ estimada es estadísticamente igual a 1? De ser así, Yt es no
estacionaria. Ésta es la idea general de la prueba de raíz unitaria para la estacionariedad.
Sin embargo, no podemos estimar la ecuación por MCO y probar la hipótesis de que ρ = 1 por medio de
la prueba t acostumbrada, porque esa prueba tiene un sesgo muy marcado en el caso de una raíz unitaria.
Por tanto, manipulamos de la siguiente forma: restamos Yt−1 de ambos miembros de la ecuación para
obtener: Yt = δYt−1 + u t. Si δ =0, entonces ρ =1; es decir, tenemos una raíz unitaria, lo cual significa
que la serie de tiempo en consideración es no estacionaria.
La prueba Dickey-Fuller aumentada (DFA)
Si se supone que el término de error está correlacionado, estamos frente a una prueba Dickey-Fuller
aumentada. Esta prueba implica “aumentar” las tres ecuaciones anteriores mediante la adición de los
valores rezagados de la variable dependiente OY t.
Utilizamos:

Yt = β1 + β2t + δYt−1 + i =1 αi Yt−i + εt

00188817 Econometría Aplicada
Diego Javier Pérez Alejo Sección 02

donde OYt−1 = (Yt−1−Yt−2), OYt−2 (Yt−2Yt−3), etc. El número de términos de diferencia rezagados que
debemos incluir con frecuencia se determina de manera empírica.
Las pruebas de raíz unitaria Philips-Perron
Un supuesto importante de la prueba DF es que los términos de error u t están idéntica e
independientemente distribuidos. La prueba DFA ajusta la prueba DF a fin de tener cuidado de una
posible correlación serial en los términos de error al agregar los términos de diferencia rezagados de la
regresada. Phillips y Perron utilizan métodos estadísticos no paramétricos para evitar la correlación serial
en los términos de error, sin añadir términos de diferencia rezagados.

Prueba de cambios estructurales

Los ciclos económicos están marcados por periodos de recesiones y de expansiones. Es muy probable
que un ciclo económico sea distinto de otro, lo que puede reflejar rupturas estructurales o cambios
estructurales en la economía. Perron sostiene que las pruebas estándar de la hipótesis de raíz unitaria
pueden no ser confiables en presencia de cambios estructurales

Crítica de las pruebas de raíz unitaria

Se han analizado varias pruebas de raíz unitaria y además existen todavía otras más. La pregunta es:
¿por qué hay tantas pruebas de raíz unitaria? La respuesta radica en su tamaño y potencia. Casi todas las
pruebas de raíz unitaria se basan en la hipótesis nula de que la serie de tiempo que se analiza tiene una
raíz unitaria; o sea, es no estacionaria. La hipótesis alterna es que la serie de tiempo es estacionaria.

Tamaño de la prueba
La prueba DF es sensible a la forma en que se lleva a cabo. Recuerde que analizamos tres variedades de
pruebas DF: 1) una caminata puramente aleatoria, 2) una caminata aleatoria con deriva y 3) una caminata
aleatoria con deriva y tendencia. Si, por ejemplo, el verdadero modelo es 1) pero se estima un modelo 2) y
se concluye que, por ejemplo, con un nivel de significancia de 5% la serie es estacionaria, esta conclusión
puede ser errónea porque el verdadero nivel de significancia en este caso es mucho mayor que 5%. El
tamaño de la distorsión también puede deberse a la exclusión de componentes de promedios móviles

Potencia de la prueba

La mayoría de las pruebas del tipo DF tienen poco poder; es decir, tienden a aceptar la nulidad de la raíz
unitaria con más frecuencia de la garantizada. En otras palabras, estas pruebas pueden encontrar una raíz
unitaria, aunque no exista