BANCO CENTRAL DE RESERVA DEL PERÚ

57 CURSO DE EXTENSIÓN UNIVERSITARIA 2010

CURSO: TÓPICOS DE SERIES DE TIEMPO

PROFESOR: ALBERTO HUMALA

MODELOS DE REGÍMENES CAMBIANTES

Basado en (traducción libre de) Krolzig (2002)

1. INTRODUCCIÓN
Implicaciones de los modelos lineales:
- Multiplicadores dinámicos invariantes con respecto a la historia del sistema y al
tamaño y signo de los choques
- Parámetros invariantes en el tiempo
- Gaussianidad

Aunque útiles en mostrar las interrelaciones entre series de tiempo macroeconómicas,

los modelos lineales no son enteramente válidos en todos los casos.

Se requiere aproximaciones no lineales en muchas series de tiempo económicas y

financieras.

1.1 Regímenes cambiantes

Mientras que la importancia de los cambios de régimen parece ser generalmente
aceptada, no hay una teoría que sugiera una metodología única para especificar modelos
econométricos que incluyan estos cambios.

Regímenes = diferentes estados del mundo

El comportamiento dinámico no lineal de una serie de tiempo implica que ciertas

propiedades como su media, su varianza o su autocorrelación son diferentes según el
régimen prevaleciente en cada momento:
Los parámetros del modelo estadístico que representa la serie son variantes en el
tiempo.

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
1
 BANCO CENTRAL DE RESERVA DEL PERÚ

Cada vez más, los cambios de régimen dejan de considerarse eventos determinísticos
singulares. En cambio, el régimen no observable se asume gobernado por un proceso
estocástico (exógeno o endógeno).

Así, los regímenes previos pueden retornar de forma similar en el futuro. Por lo tanto:
- Debe considerarse esta posibilidad en las proyecciones de la serie o relación
- Las proyecciones de media y varianza no necesariamente son superiores a las de
un modelo lineal pero sí, por lo general, la proyección de la distribución
completa

La idea básica de los modelos de regímenes cambiantes es que el proceso es invariante

en el tiempo condicional a una variable de régimen st que indica el régimen
prevaleciente en el período t.
- Los modelos teóricos no necesariamente suponían cambios de régimen,
- Pero los datos los mostraban con frecuencia

Los modelos de regímenes cambiantes caracterizan un proceso generador de datos

(PGD) no lineal como procesos lineales condicionales en cada régimen donde:
- El régimen puede ser no observable
- Sólo un número discreto de regímenes es posible. Si se aumenta el número de
regímenes se puede estar buscando un sobre ajuste de los datos

¿En qué difieren los modelos de regímenes cambiantes?

Estos modelos no lineales difieren en sus supuestos sobre el proceso estocástico que
genera el régimen:

Modelos de Transición Determinística: Régimen observable (con certeza)

- Modelos de umbral: TAR, SETAR
- Modelos de transición suave: STAR (LSTAR, ESTAR)

Modelos de Transición Estocástica: Régimen no observable (incierto)

- Modelos de Markov con probabilidades de transición constantes
- Modelos de Markov con probabilidades de transición variables

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
2
 BANCO CENTRAL DE RESERVA DEL PERÚ

El objetivo primario de los modelos de regímenes cambiantes es proporcionar una

metodología econométrica sistemática para el análisis estadístico de series de tiempo
múltiples cuando el PGD está sujeto a cambios de régimen:
(i) extrayendo la información de los datos sobre los cambios de régimen en el
pasado,
(ii) estimando los parámetros del modelo consistente y eficientemente,
(iii) detectando los cambios de régimen recientes,
(iv) corrigiendo el modelo VAR cuando el régimen cambia,
(v) incorporando la probabilidad de cambios de régimen futuros en las
proyecciones

Ejemplos:
Producto: Fases del ciclo económico
Inflación: Baja volatilidad de los choques
Alta volatilidad de los choques
Tipo de cambio: Paridad descubierta de tasas de interés no lineal
Paridad de poder de compra
Tasas de interés: Traspaso de señales de política monetaria es no lineal
Primas de riesgo variantes en el tiempo
Retornos bursátiles: Retornos negativos largos son más probables que retornos
positivos grandes
Largos retornos negativos preceden gran volatilidad, más que los
positivos
Calma vs. turbulencia financiera (el nivel de volatilidad determina
el régimen)

¿Qué modelo?
El número de modelos no lineales que se puede representar es ilimitado.

Los modelos de regímenes cambiantes que estudiaremos representan una clase muy
general que incluyen algunos modelos alternativos no lineales y variantes en el tiempo:
- Nos limitaremos a modelos que tienen una clara interpretación y que son
plausibles desde una perspectiva económica/financiera

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
3
 BANCO CENTRAL DE RESERVA DEL PERÚ

En general, el modelo genera heteroscedasticidad condicional y no-normalidad; los

intervalos de predicción son asimétricos y reflejan la incertidumbre sobre el régimen:
- ¿Es un dato atípico (outlier) o está naturalmente implicado por el proceso base
que el modelo debe capturar?
- Eventos atípicos que se ignoran pueden producir proyecciones imprecisas

1.2 El proceso condicional

El modelo estadístico de ỵt definido condicionalmente sobre el régimen st ε{1, …, M}:

 f ( yt / Yt 1 , X t ,1 )sist  1

p ( yt / Yt 1 , X t , st )   

 f ( yt / Yt 1 , X t , M )sist  M

Donde p ( yt / Yt 1 , X t , st ) es la función de densidad de probabilidades del vector de

variables endógenas yt  ( y1t ,..., ykt ) ' condicional a la historia del proceso,

Yt 1   yt i i 1 , algunas variables exógenas (fuerte) X t   xt i i 0 , y la variable de

 

régimen st. m es el vector de parámetros presente en el régimen m.

Usualmente se asume que el modelo estadístico es lineal en cada régimen st  m .

En las siguientes discusiones nos concentraremos en los procesos autoregresivos:1

yt  vm   m1 yt 1  ... mp yt  p   t , t IID(0,  m2 )

Y su generalización multivariada: el proceso autoregresivo de vectores

:

yt  vm  Am1 yt 1  ... Amp yt  p   t , t IID(0, m )

1
Para un tratamiento de modelos MA con cambios de régimen ver Franses y van Dijk (2000).

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
4
 BANCO CENTRAL DE RESERVA DEL PERÚ

1.3 El proceso generador del régimen

Si el proceso estocástico de yt se define condicional sobre el régimen (no observable) st,
una descripción completa del PGD requiere también la especificación del proceso
estocástico que genera el régimen:2

Pr( st / Yt 1 , St 1 , X t ;  )

Donde la historia St 1  st  j  j 1 de la variable estado puede ser no observable pero



puede “reconstruirse” de las observaciones. El vector ρ reúne los parámetros del

proceso generador del régimen.

2. TIPOS DE MODELOS DE REGÍMENES CAMBIANTES

Supóngase que la función de densidad de probabilidades de la variable endógena está
dada por un proceso autoregresivo.

2.1 Modelos simples

a) Modelo de quiebre estructural
Quiebre estructural en el período t = τ:

v1   p 1i yt i   t  parat  

 i 1
yt  
v2   i 1 2i yt i   t  parat  
p

Donde  t IID(0,  2 ) . Usando la función indicador I(t; τ):

1 parat  
I(t; )  
0 parat  

El PGD puede ser reescrito como:

 p
  p

yt   v1  1i yt i  1  I(t ; )    v2   2i yt i  I(t ; )   t
 i 1   i 1 

2
Si se conoce con certeza por anticipado es determinístico. Por ejemplo: días de la semana en retornos
bursátiles.

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
5
 BANCO CENTRAL DE RESERVA DEL PERÚ

Dos supuestos diferentes respecto a la estructura de información

- τ es conocido: quiebre es determinístico
- τ es desconocido: quiebre es estocástico

b) Modelo de regresión variante

Relacionado al modelo de quiebre estructural está el modelo de regresión variante, en el
cual los cambios de régimen son generados por una variable de régimen observable st:

 p
  p

yt   v1   1i yt i  1  I( st ; M )    v2    2i yt i  I( st ; M )   t
 i 1   i 1 

con M=2, la función indicador sería:

0sist  1
I( st ; M )  
1sist  

Estimación por máxima verosimilitud bajo normalidad

Quiebre estructural en el período t = τ :

v1   p 1i yt i   t  parat  

 i 1
yt  
v2   i 1 2i yt i   t  parat  
p

Donde  t IID(0,  2 )

Dos supuestos diferentes respecto a la estructura de información

- τ es conocido: quiebre es determinístico
i) Partir la muestra y estimar por MCO para cada régimen
ii) Prueba de β1 = β2 es asintótica estándar, donde  m  (vm , 1 ,...,  p )

iii) La misma metodología puede emplearse para los modelos de

regresión cambiante

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
6
 BANCO CENTRAL DE RESERVA DEL PERÚ

- τ es desconocido: quiebre es estocástico

i) Búsqueda por sector para τ ε [0.15,0.85]T:
 *  arg min RSS  


 arg min ˆ12    1   ˆ 22  



ii) Test de β1 = β2 tiene propiedades asintóticas no estándares en la

medida que τ es una variable problema (nuisance variable)

MODELOS AUTOREGRESIVOS DE UMBRAL

3. EL MODELO TAR
En el modelo autoregresivo de umbral (Threshold AutoRegressive), los cambios de
régimen están generados por una variable de transición observable y exógena xt que
cruza un umbral c:

 p
  p

yt   v1  1i yt i  1  I( xt ; c)    v2   2i yt i  I( xt ; c)   t
 i 1   i 1 

Donde  t IID(0, 2 ) . La función indicador I(xt; c) es del tipo

1si g  xt   c
I( x, c)  
0si g  xt   c
Para xt = t se tiene un modelo con quiebre estructural en el período t = c

4. EL MODELO SETAR
Si la variable de transición es una variable endógena rezagada yt-d con rezago d>0, se
obtiene el modelo autoregresivo de auto-activación del umbral (Self Excitement
Threshold AutoRegressive):

 p
  p

yt   v1  1i yt i  1  I( yt  d ; c)    v2   2i yt i  I( yt  d ; c)   t
 i 1   i 1 

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
7
 BANCO CENTRAL DE RESERVA DEL PERÚ

Donde  t IID(0,  2 ) y c es otra vez el umbral. La función indicador I(yt-d; c) es:

1si g ( yt  d )  c
I( yt  d , c)  
0sig ( yt  d )  c

Nótese que el modelo puede ser escrito como:

p
yt  v  st    i  st  yt i   t
i 1

Donde para un umbral c dado pero desconocido, la “probabilidad” del régimen no

observable está dada por:

1si g  yt  d   c
Pr  st  1/ St 1 , Yt 1   I( yt  d , c)  
0sig  yt  d   c

Así, en el modelo SETAR, el proceso generador del régimen no se asume exógeno pero
está directamente vinculado a la variable endógena rezagada yt-d.

Mientras que los supuestos de los modelos SETAR y MSVAR parecen ser muy
diferentes, la relación entre ambos modelos alternativos es más bien cercana. De hecho,
modelos SETAR y MSVAR son equivalentes observacionalmente (Carrasco, 1994).

Alternativamente, para un AR(1), el modelo puede escribirse como:

v   y t-1   si yt 1  c
yt   1
v2    y t-1   si yt 1  c

Con rezagos mayores a uno, ¿el número de rezagos podría diferir por régimen?

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
8
 BANCO CENTRAL DE RESERVA DEL PERÚ

Ejemplo: Modelos SETAR para US GNP

Tiao y Tsay (1994) y Potter (1993)
Tasa de crecimiento trimestral del PBI de EEUU, yt
5
yt    st    i  st  yt i  ut ,ut IID  0, 2  st  
i 1

Es un modelo SETAR de dos regímenes con d=2

Modelos empíricos:

1siyt  d  r
- Umbral r  0 :
st  
 2siyt  d  r
- Moviéndose suavemente fuera de las recesiones:  2 L   0

5. Estimación de máxima verosimilitud bajo normalidad

a) Para un retraso d y umbral c dados:

- Dividir la muestra de acuerdo a I  yt  d ; c 

- Regresión de MCO para cada régimen separadamente:

ˆm   X 'm X m  X'm ym

1

eˆm   I-X m  X'm X m  X'm  ym

1

 

ˆ m2  Tm1eˆm' eˆm

donde Xm y ym reúnen las observaciones del régimen m, es decir aquellas

observaciones en el período t con st  m . Tm es el número de observaciones en

el régimen m.
- Funciones indicadores alternativas pueden usarse en regresiones
uniecuacionales, restringiendo la varianza de los residuos a ser constante entre
regímenes.

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
9
 BANCO CENTRAL DE RESERVA DEL PERÚ

b) Búsqueda por sectores sobre d y c: seleccionar el par (c, d) que minimiza la suma
total de residuos al cuadrado
M
 c, d  *  arg min RSS  c, d   arg min  Tmˆ m2
 c ,d   c ,d  m 1

Usualmente la búsqueda sobre c (dado d) está restringida tal que

min Tm  0.15T

c) Cuando no se conoce p: hay un trade-off entre el ajuste (“fit”) y parsimonia. Una

búsqueda es hecha sobre todo los valores p  p max y el orden preferido es

frecuentemente tomado como aquél que minimiza AIC

 M

p*  arg min AIC  p    Tm ln ˆ m2  2  p  1 
p  m 1 

MODELOS DE TRANSICIÓN SUAVE (STAR)

6. EL MODELO STAR
En el modelo autoregresivo de transición suave (Smooth Transition Autoregressive
Model), popularizado por Granger y Teräsvirta (1993), el peso asignado a los regímenes
depende de la ocurrencia de variables exógenas o endógenas rezagadas zt:

Pr  st  2 / St 1 , Yt 1 ; X t   G ( zt ;  , c)

Donde la función de transición G ( zt ;  , c) es una función continua que determina el

peso del régimen 2 y está, usualmente, limitada entre 0 y 1.

A diferencia de I( yt  d ; c) , G ( zt ;  , c) cambia suavemente de 0 a 1 conforme zt crece.

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
10
 BANCO CENTRAL DE RESERVA DEL PERÚ

El modelo STAR está muy relacionado con el trabajo de Teräsvirta (1994), (1998):

 p
  p

yt   v1  1i yt i  1  G ( zt ;  , c)    v2    2i yt i  G ( zt ;  , c)   t
 i 1   i 1 

Donde  t IID(0,  2 ) .

La variable de transición zt puede ser una variable endógena rezagada

 zt  yt d parad  0  , una variable exógena  zt  xt  , o una función de algunas

variables endógenas rezagadas y variables exógenas zt  g  yt  d , xt  .

Por ejemplo, el autoregresivo de 1er orden cambia de orden progresivamente de α11 a

α12 conforme yt-1 aumenta. Puede pasar de negativo a positivo y definir uno, varios o
ningún equilibrio.

Con zt  t se tiene un modelo con parámetros suavemente cambiantes: c es el umbral y

γ es el parámetro de suavidad.

Nótese que: (ver Franses y van Dijk, 2000)

- Los modelos no lineales pueden contener dinámica endógena. Aun en ausencia
de choques, yt fluctúa. Los modelos lineales se mueven solo por choques.
- Los interceptos en los modelos no lineales son cruciales en determinar la
existencia de uno, varios o ningún equilibrio (aún bajo la misma representación
del modelo).

Este modelo STAR exhibe 2 regímenes:

- Asociados con los valores extremos de la función de transición: G ( zt ;  , c)  1 y
G ( zt ;  , c)  0

- La transición de un régimen a otro es gradual

- El régimen que ocurre en el período t es observable (para zt; c, γ dados) y puede
ser determinado por G ( zt ;  , c)

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
11
 BANCO CENTRAL DE RESERVA DEL PERÚ

Elección de la función de transición: G ( zt ;  , c)

LSTAR: Función de densidad logística acumulada
Diferente comportamiento para valores positivos vs. valores negativos de zt relativos a c

1
G ( zt ;  , c) 
1  exp   zt  c 

El parámetro γ determina la gradualidad del cambio en el valor de G ( zt ;  , c) y, así, la

transición de un régimen a otro.

Así, para    :LSTAR  SETAR :

G ( zt ;  , c)  I  zt  c 

Si γ crece mucho, el cambio de G ( zt ;  , c) de 0 a 1 deviene casi instantáneo en zt = c.

Mientras que para   0 :LSTAR  linearAR :

G ( zt ;  , c)  0.5

ESTAR: Función exponencial

Diferente comportamiento para pequeñas vs. grandes desviaciones de zt relativos a c


G( zt ;  , c)  1  exp   zt  c 
2

Nótese que para     0 :ESTAR  linearAR :
G ( zt ;  , c )  0 (en ambos casos?)

Función logística cuadrática:

Valores muy cercanos a cero o varios umbrales

1
G ( zt ;  , c ) 
1  exp   zt  c1  zt  c2 

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
12
 BANCO CENTRAL DE RESERVA DEL PERÚ

Para    :quadratic LSTAR  3  regimeSETAR :

G ( zt ;  , c)  1  I  c1  zt  c2 

Para   0 :quadratic LSTAR  linearAR :

G ( zt ;  , c)  0.5

Propiedades de los modelos STAR

- Poco se conoce acerca de las condiciones bajo las cuales estos modelos son
estacionarios; (Ver Franses y van Dijk)
- La estacionariedad tiene que ser evaluada por procedimientos numéricos
(simulación);
- Aún con estacionariedad, hay una gran variabilidad de la dinámica implícita:
o Equilibrio único
o Múltiples equilibrios
o No equilibrios
o Concentradores extraños (caos)

Problemas:
- Es difícil determinar la magnitud del parámetro de suavizamiento.
Marginalmente no hay mucha diferencia entre valores altos y muy altos del
mismo.
- Dificultad para determinar el número de rezagos apropiados. Alternativa de
elegir los rezagos del mejor modelo lineal (igual para cada régimen) puede
resultar inapropiada.

Modelo STAR de la producción industrial de US

Teräsvirta y Anderson (1992): un modelo LSTAR de 2 regímenes de la tasa anual de
crecimiento de la producción industrial de US (data trimestral desde 1961 – 1986):

 9
  9

 4 yt   v1   1i  4 yt i  1  G (.)    v2    2i  4 yt i  G (.)   t
 i 1   i 1 

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
13
 BANCO CENTRAL DE RESERVA DEL PERÚ

Con la función de transición:

1
G ( yt 3 ;  , c) 
1  exp 45  yt 3  0.0061 /  y 

Propiedades del ciclo económico:

- Expansión: yt 3  0.61%

Mayor raíz de 1  L  : módulo = 0.76 y períodos = 61 trimestres

- Contracción yt 3  0.61%

Mayor raíz de  2  L  : módulo = 1.1 y períodos = 8.9 trimestres

- La economía se mueve desde una recesión profunda hasta un crecimiento alto
con agresividad

Modelos de transición suave multivariados

 p
  p

yt   v1   A1i yt i  1  G ( zt ;  , c)    v2   A2i yt i  G ( zt ;  , c)   t
 i 1   i 1 
Donde:

yt   y1t ,..., ykt  ', t IID (0, ), m es (KxK ) yvm es (Kx1)

Tsay (1998) describe un procedimiento de especificación para modelos de umbral

multivariados.

Suponga ahora que yt es I(1), pero que una combinación linear et   ' yt es
estacionaria con media μ . Entonces un modelo de corrección de equilibrio de transición
suave es relevante.

VECMs asimétricos

yt  1 1  G (et 1 ;  ,  )(et 1   )    2 G (et 1 ;  ,  )(et 1   )   t

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
14
 BANCO CENTRAL DE RESERVA DEL PERÚ

LSTAR: desviaciones positivas versus negativas del equilibrio

1
G (et 1 ;  ,  ) 
1  exp   et 1   
Para   SETAR

G (et 1 ;  ,  )  I  et 1   

ESTAR: desviaciones pequeñas versus grandes del equilibrio


G (et 1 ;  ,  )  1  exp   et 1   
2

Caso interesante: comportamiento de paseo aleatorio en régimen 1  '1  0 y ajuste

de media (autoregresivo) en el régimen 2  ' 2  0 .

Estimación de máxima verosimilitud

Modelo STAR

yt  xt' 1 1  G ( zt ;  , c )   xt'  2 G ( zt ;  , c )   t
t IID(0,  2 )

 
'
Estimación de mínimos cuadrados no lineal (NLS) de   1 ,  2 ,  ,c :
' '

T
ˆ  argminRSS= argmin
 
   
t 1
t
2

donde  t    yt   xt' 1 1  G ( zt ;  , c)   xt'  2G ( zt ;  , c) 

- Bajo el supuesto de normalidad,  t NID(0,  2 ) :NLS  ML

- Estimación vía un procedimiento de optimización numérica:

o Máximo local!
o Convergencia?
- Valores de inicio:

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
15
 BANCO CENTRAL DE RESERVA DEL PERÚ

 
'
o Condicionales en  y c: estimación MCO de   1 ,  2
' '

T 1

ˆ   , c     x ( , c) x ( , c) '
t 1
t t xt ( , c) yt


donde xt ( , c)  xt 1  G ( zt ;  , c)   xt G ( zt ;  , c) '
' '

o Búsqueda de bloques sobre  y c : minRSS=   ,c 

- Concentrando la función de verosimilitud (RSS):

 
'
o Condicional en  y c : estimación MCO de   1 ,  2
' '

o NLS de  y c : minRSS=   ,c 

- Problema: estimación precisa de 

o Motivo: para grandes valores de , la forma de la función logística
cambia sólo muy poco
o Estimación precisa de  requiere muchas observaciones en las
inmediaciones del umbral c
o Insignificancia de  no debería ser interpretada como evidencia en contra
de la presencia de no linealidad tipo STAR

Selección del modelo

a) Procedimiento de especificación empírica
Terasvirta (1994), basado en Granger y Terasvirta (1993), recomienda un procedimiento de lo
específico a lo general para modelos no lineales.
(1) Especificar el modelo lineal AR(p) apropiado
(2) Probar la hipótesis nula de linealidad contra la alternativa STAR
(3) Si linealidad es rechazada, seleccionar zt y especificar G ( zt ;  , c)
(4) Estimar el modelo STAR
(5) Evaluar el modelo STAR utilizando pruebas de diagnóstico
(6) Si se detecta especificación incorrecta, modificar el modelo
(7) Usar el modelo para descripción o proyecciones

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
16
 BANCO CENTRAL DE RESERVA DEL PERÚ

b) Pruebas de no linealidad STAR

Problema: bajo la hipótesis nula de linealidad, algunos parámetros “incómodos” no
están identificados:

Null hipótesis Nuisance parameters

(v1 ,11 ,...,1 p )  (v2 , 21 ,..., 2 p )  ;c

 0 (v1 ,11 ,...,1 p )  (v1 ,11 ,...,1 p ); c

- Por lo tanto, teoría estadística convencional no se puede aplicar

- Tiene distribución no estándar
- Los valores críticos tienen que ser determinados por medio de métodos de
simulación

Solución: propuesta por Luukkonen, Saikkonen y Terasvirta (1988)

- Reemplazar la función de transición G ( zt ;  , c) por una aproximación de
Taylor apropiada.
- En el modelo reparametrizado, el problema de identificación ya no está presente.
- Linealidad puede ser evaluada por medio de una prueba de multiplicador de

Lagrange (LM), que tiene una distribución asintótica estándar bajo la nula.

c) Pruebas de diagnóstico en modelos STAR

- Test de Jarque-Bera para normalidad de los residuos
- Test tipo LM para autocorrelación serial
- Test LM para no linealidad subsistente (un modelo STAR de 2 regímenes frente
la alternativa de un modelo STAR aditivo)
- Test LM para constancia de los parámetros (un modelo STAR de 2 regímenes
frente la alternativa de un modelo STAR variante en el tiempo).

___________________________________________________________________
Tópicos Series de Tiempo L1– Alberto Humala
17