NOTAS SOBRE

ESTACIONARIEDAD DE SERIES TEMPORALES:

Definición y contraste de Raíces Unitarias
SEMINARIO DE UTILIZACIÓN DE LOS MODELOS ECONOMÉTRICOS PARA LA
SIMULACIÓN Y PREDICIÓN DE LA ECONOMÍA ESPAÑOLA

R. Mahía
Mayo 2001
 ESQUEMA DE PRESENTACIÓN:

- Definición de estacionariedad

- Concepto de integrabilidad y raíz unitaria

- Métodos simples de detección de la no estacionariedad

- Introducción del test DF

- Problemas de la aplicación del test DF:

· Test DF y P.G.D
· Test DF en modelos AR(p)
· Test DF en presencia de autocorrelación serial
· Test DF en modelos MA(q)
· Test DF y Cambio Estructural

- Conclusiones
 TRASCENDENCIA DEL ANÁLISIS DE LA ESTACIONARIEDAD

- Uso correcto de muchas de las distribuciones en las etapas del contraste y validación
de los modelos econométricos

- Evitar las regresiones espurias

- Como etapa previa en el análisis de cointegración

- Interés conceptual del concepto de tendencia estocástica

TENDENCIAS DETERMINISTAS Vs. TENDENCIAS ESTOCÁSTICAS

- La principal característica que define al componente tendencial frente al irregular es

la de presentar efectos permanentes sobre la serie temporal yt.

- Definir una tendencia en una serie temporal yt es extremadamente sencillo. Por

ejemplo, la serie:

y t = 0.05 + 0.1t + ε t

1 2 ,0 0

1 0 ,0 0

8 ,0 0

6 ,0 0

4 ,0 0

2 ,0 0

0 ,0 0

- 2 ,0 0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96

PRODUCTIVIDAD TOTAL DEFLACTOR CONSUMO PRIVADO

340 145

320 125

300 105

280 85

260 65

240 45

220 25
 y t = 0.05 + 0.1t + 0.03t 2 + ε t

300,00

250,00

200,00

150,00

100,00

50,00

0,00

- 50,00
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96

EXPORTACIONES REALES TOTALES VALOR AÑADIDO EN SERVICIOS

7700
16200
6700
15200
5700
14200
4700

3700 13200

2700 12200

1700 11200

TENDENCIA ESTOCÁSTICA

- Paseo aleatorio simple:

y t = y t −1 + ε t → ∆y t = ε t
t
yt = y0 + ∑ε i
i =1

 t

- E[y t ] = E  y 0 + ∑ ε i  = E[y 0 ] = y 0
 i =1 

2 2
 t
  t 
V [ y t ] = E [ y t − E [ y t ]] = E  y 0 + ∑ ε i − y 0  = E ∑ ε i  =
2

-  i =1   i =1 
[ ] [
= E ε 1 + ε 2 ..... + ε 1ε 2 + ε 1ε 3 + ..... = E ε 1 + ε 2 .... + ε t2 = tσ ε2
2 2 2 2
]
- ¿Será posible que existan series que exhiban este tipo de tendencia estocástica?

Paseo aleatorio I Tipo de cambio Pta/Dólar

30 180

25 160

20 140

15 120

10 100

5 80

0 60
-5 40
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Paseo aleatorio II Tipo de cambio Pta/Libra Esterlina

60 240

50 220

40 200

30 180

20 160

10 140

0 120
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

- Paseo aleatorio con deriva (tendencia estocástica y determinista):

y t = a 0 + y t −1 + ε t → ∆y t = a 0 + ε t
t
yt = y0 + a0t + ∑ε i
i =1

Su no estacionariedad en media y varianza hace difícil su distinción:

y t = 0.5 + y t −1 + ε t

60

50

40

30

20

10

0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
 y t = 0.5 + y t −1 + ε i*

50

40

30

20

10

-10
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96

REGRESIONES ESPURIAS

- ¿Cómo es una regresión espuria?

- Experimento de Granger y Newbold (1974) y Charemza y Deadman (1992)

y t = y t −1 + ε 1t
x t = xt −1 + ε 2 t

y t = a 0 + a1 xt + et

- Sobre un conjunto de 1000 muestras de yt y xt con 50 observaciones, alrededor de

un 75% (65%) de las regresiones de yt sobre xt presentan contrastes “t”
significativos a un nivel de significatividad del 5%.

- Sin embargo, prescindiendo de la constante a0:

e t = y t − a1 x t

por lo que imponiendo las restricciones iniciales y0=x0=0 tenemos que:

t t
et = ∑ ε 1i − a1 ∑ ε 2i
i =0 i =0
 · Secuencia de errores no estacionaria en varianza

· La varianza de et no es constante

· No existe incorrelación serial, la correlación entre et y et+1 tiende a uno a

medida que t se incrementa.

· Dada semejante acumulación de errores de base, ningún test de significatividad

puede ser usado con garantías y por ello, ninguna inferencia será fiable.

CONCEPTO DE INTEGRACIÓN

- Se dice que una serie yt no estacionaria es integrada de orden “d” y se representa

como yt~I(d) cuando puede ser transformada en una serie estacionaria
diferenciándola “d” veces.

- Concepto previo: ¿por qué las condiciones de estacionariedad de los modelos de

series temporales tienen que ver con las raíces características o las raíces del
polinomio de retardos?.

- ¿Porqué una serie se vuelve estacionaria al diferenciarla?

A( L) y t = B( L)ε t
A( L) = (1 − L) A' ( L)
(1 − L) A' ( L) y t = B( L)ε t
A' ( L)(1 − L) y t = B( L)ε t
A' ( L) ∆y t = B( L)ε t

Ejemplo

y t = 1.5 y t −1 − 0.5 y t − 2 + 0.5ε t −1 − 0.25ε t − 2

y t − 1.5 y t −1 + 0.5 y t − 2 = 0.5ε t −1 − 0.25ε t − 2

2 y t − 3 y t −1 + y t − 2 = ε t −1 − 0.5ε t − 2

y t A( L) = ε t B( L) → y t ( 2 − 3L + L2 ) = ε t ( L − 0.5L2 )

y t (1 − L) A' ( L) = ε t B( L) → y t (1 − L)( 2 − L) = ε t ( L − 0.5L2 )

∆y t A' ( L) = ε t B( L) → ∆y t ( 2 − L) = ε t ( L − 0.5L2 )

- Efectivamente, en los casos vistos anteriormente:

En el caso de un paseo aleatorio puro

 V [∆y t ] = V [ y t − y t −1 ] = E [( y t − y t −1 ) − E [ y t − y t −1 ]] =
2

2
 t t −1
  t t −1

E  y 0 + ∑ ε i − y 0 − ∑ ε i  − E  y 0 + ∑ ε i − y 0 − ∑ ε i  = E [ε t ] = σ ε2
2

 i =1 i =1   i =1 i =1 

.... y en el caso de uno con deriva

 t t −1

E [∆y t ] = E [ y t − y t −1 ] = E  y 0 + a 0 t + ∑ ε i − y 0 − a 0 (t − 1) + ∑ ε i  = E [a 0 + ε t ] = a 0
 i =1 i =1 
2
 t t −1
 
V [∆y t ] = E [( y t − y t −1 ) − E [ y t − y t −1 ]] = E  y 0 + a 0 t + ∑ ε i − y 0 −a 0 (t − 1) − ∑ ε i  − a 0  =
2

 i =1 i =1  
[ ]
= E [a 0 + ε t − a 0 ] = E ε t2 = σ ε2
2

- En este punto es fundamental distinguir entre tendencia determinista y estocástica

- Caracterización series I(0) e I(1)

Series I(0) Series I(1)

Su varianza depende del tiempo y tiende a
Presentan varianza finita e independiente
finito a medida que el tiempo tiende a
del tiempo
infinito
Cualquier innovación afecta
Tienen memoria limitada permanentemente
a sus procesos
Tienden a fluctuar alrededor de la media
(que puede incluir una tendencia Oscilan ampliamente
determinista)
Presentan autocorrelaciones que tienden a
Su autocorrelación tiende a uno (en valor
disminuir rápidamente a medida que el
absoluto) para cualquier orden del retardo
retardo se incrementa

DETECCIÓN DE RAÍCES UNITARIAS

- Análisis gráfico de la serie

· En períodos cortos, las tendencias estocásticas puras no son sencillas de distinguir

de series sin tendencia de ningún tipo

· En presencia de tendencias deterministas, éstas suelen dominar el patrón gráfico de

evolución

· En ningún caso una serie con una raíz unitaria puede distinguirse gráficamente de
una cuasi raíz de un proceso autorregresivo.
 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97

Raiz Unitaria Estacionario

· Aún con todas las limitaciones no está nunca de más un análisis gráfico de la
serie

- Análisis del correlograma de la serie

1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1 3 5 7 9 11 13 15 17 19 21 23
AR(1) (0,5) AR(1) (0,7) AR(1) (0,8) Paseo Aleatorio

t −1
· Modelo autorregresivo simple: y t = a1t y 0 + ∑ a1i ε t −i
i =0

ρ 1 = a1 ; ρ 2 = a ; ρ 3 = a ,............; ρ s = a1s
2
1
3
1

t −1
· Paseo aleatorio simple: y t = y 0 + ∑ ε t −i
i =0

t − s 
0.5

ρs = 
 t 

· El problema es, una vez más, el caso de raíces muy cercanas a la unidad
 a1=1 a1=0,99 a1=0,98 a1=0,97 a1=0,96 a1=0,95

-1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1

· Debe tenerse en cuenta, además, el caso de la integración fraccional

(Mandelbrot 1969, 1972)

- Utilización del test Durbin Watson (Sargan y Bhargava 1983):

· Se estima el modelo y t = β o + ε t

· Se interpreta la medida DW sobre los residuos “ei” como medida de

autocorrelación de la variable original yt dada la equivalencia:

n n

∑ (et − et −1 ) 2 ∑(y − y t −1 )
2
t
DW = t =2
n
= t =2
n

∑e ∑(y − yt )
2 2
t t
t =1 t =1

TEST DICKEY-FULLER: Definición

- Definición básica del contraste:

H1: y t = a1 y t −1 + ε t

H0: yt = yt −1 + ε t

- La distribución de probabilidad asintótica del parámetro estimado “a1” presenta una

discontinuidad cuando a1=1 dada la no estacionariedad en varianza de yt

- Debemos usar las tablas de Dickey (1976) y Fuller (1976) ó Mackinnon (1991)

- El modelo operativo utilizado es:

 y t − y t −1 = a 0 + a1 y t −1 − y t −1 + ε t
∆y t = a 0 + ( a1 − 1) y t −1 + ε t
∆y t = a 0 + γ ⋅ y t −1 + ε t

H0: γ=0 frente a H1: γ<0.

- Los valores de referencia para el contraste del parámetro γ dependen del proceso
generador de datos elegido:

· Modelo 1 (simple) (τ): ∆y t = γ ⋅ y t −1 + ε t

· Modelo 2 (con constante) (τµ): ∆y t = a 0 + γ ⋅ y t −1 + ε t
· Modelo 3 (con constante y tend. determinista) (ττ): ∆y t = a 0 + γ ⋅ y t −1 + a 2 t + ε t

- Puede además contrastarse alguna hipótesis conjunta de parámetros

(SCRmr − SCRmnr ) r
Φ 1, 2 ,3 =
SCRmnr n − k

- Por último cabe la posibilidad de contrastar la nulidad de los parámetros nuisance

(Suriñach et al. 1995)

Resumen de los test DF

Valores
críticos
Modelo Hipótesis nula Estadístico 95 % 99 %
∆y t = a 0 + γ ⋅ y t −1 + a 2 t + ε t γ=0 ττ -3.45 -4.04
a0=0 dado γ=0 τατ 3.11 3.78
a2=0 dado γ=0 τβτ 2.79 3.53
γ=a2=0 φ3 6.49 8.73
a0=γ=a2=0 φ2 4.88 6.50
∆y t = a 0 + γ ⋅ y t −1 + ε t γ=0 τµ -2.89 -3.51
a0=0 dado γ=0 ταµ 2.54 3.22
a0=γ=0 φ1 4.71 6.70
∆y t = γ ⋅ y t −1 + ε t γ=0 τ -1.95 -2.60

- Debe pensarse siempre en la posibilidad de la existencia de más de una raíz unitaria

(Charemza y Deadman (1992) ó Dickey y Pantula ) (1987))

Esquema de Charemza y Deadman (1992)

 DF sobre yt H1 yt~I(0)

H0 DF sobre ∆yt H1 yt~I(1)

H0 DF sobre ∆∆yt H1 yt~I(2)

- Orden superior a 2.
H0 - No integrable.
- Fallo DF

TEST DF Y P.G.D (Elementos deterministas)

- El principal problema del test DF es su dependencia de la forma del PGD. Esta

dependencia es un problema ya que generalmente la forma del PGD se desconoce

- ¿Qué ocurre si fallamos en la consideración de los elementos deterministas?

· Si tomamos como modelo de partida un modelo con tendencia determinista y

término constante, podemos estar sobreparametrizando la estimación. Pero
además, los valores críticos de referencia para aceptar o rechazar la hipótesis
nula dependen crucialmente del modelo estimado: la potencia del contraste
decrece tanto más cuanto mayor sea el número de parámetros añadidos
incorrectamente.

· La omisión del término independiente o la tendencia determinista, cuando

estas son variables relevantes, también provoca de nuevo una estimable
pérdida de potencia. (Campbell y Perron (1990))

- Pero además debemos considerar matices adicionales

· Si se conoce la presencia real de tendencia o deriva, algunos autores proponen

que la hipótesis nula γ=0 debe contrastarse usando una distribución normal
estandarizada en lugar de las distribuciones asintóticas tabuladas por Dickey y
Fuller. (Hylleberg y Mizon (1990))

- ¿Cómo hacer en la práctica?

· Observar la gráfica de la serie puede ayudarnos

 · Esquema de Dolado y Perron (1990)

TEST DF EN MODELOS AUTORREGRESIVOS AR(P)

- Test ADF:
p
∆y t = a 0 + γ ⋅ y t −1 + ∑ β i ∆y t −i +1 + ε t
i =2
con:

 p

γ = −1 − ∑ a i 
 i =1 
p
β i = ∑ ai
j =1

- Sin embargo, conviene recordar que el propio Fuller demostró que la distribución
asintótica del estadístico “t” del parámetro γ estimado, es independiente del número
de retardos de la variable diferenciada que incluyamos en la especificación del
modelo estimado.

- Por tanto el el test ADF es conceptualmente útil como posible corrección a los
problemas de autocorrelación que pudieran aparecer en el término de error del
modelo básico utilizado en el test simple DF: Solución Paramétrica de la
Autocorrelación (Dickey y Fuller 1981)

- La elección del número de retardos a considerar viene determinada por:

· La persistencia de la autocorrelación residual

· El modelo teórico de referencia supuesto para yt

· Criterios clásicos de aceptación de variables en un modelo como el test “t-

Student” de significatividad individual, Akaike o Schwarz

TEST DF EN MODELOS CON PROBLEMAS DE

AUTOCORRELACIÓN SERIAL

- Para la aplicación del test DF se asume que los errores del modelo están idéntica e
independientemente distribuidos.

- Contamos con la alternativa de corrección paramétrica del test ADF.

- Phillips (1987) y Phillips y Perron (1988) señalaron que la distribución asintótica de
la razón “t” del parámetro γ en los modelos del test DF depende de la ratio:

σ ε2
σ2

en donde σ2ε y σ2 responden a las expresiones:

 n   n 2 
2 
 ∑ E (ε i )  E ∑εi  
σ ε2 = lim  i =1  y σ = lim   i =1  
2

n →∞  n  n →∞
 n 
   
 

- En los trabajos Phillips (1987) y Phillips y Perron (1988) se sugieren utilizar los
residuos obtenidos en la estimación del modelo DF simple para transformar los
estadísticos “t” asociados a los parámetros del mismo:

∑ (1 − r l + 1) ∑ e e
n n l n

∑ ei2 ∑ ei2 i i−r

σˆ ε2 = i =1
y σˆ 2 = i =1
+2 r =1 i = r +1

n n n

- Una vez computadas las estimaciones de σ2ε y σ2 , corregiremos el valor obtenido

para la razón “τ” en la estimación de nuestro modelo según las expresiones
siguientes de modo que puede entonces utilizarse la tabla clásica DF:

σˆ ε2
1
(σˆ 2 −σˆε2 )
Z (τ ,τ µ ) = 2 τˆ − 2
σˆ n

∑y 2
t −1
σˆ ⋅ t =2

n2

σˆ ε2 n3 (σˆ 2 −σˆε2 )
Z (τ τ ) = 2 τˆτ −
σˆ 4σˆ ⋅ 3Dy

- A partir de los trabajos de estos autores se han propuestos otras correcciones – otros
estimadores como el de Newey y West (1987, 1994)

- Debe seleccionarse siempre el máximo número de retardos a considerar o

“truncation-lag” con un procedimiento automático (usando las propuestas de Newey
y West o de Schwert (1987 y 1989)) o a partir del examen detallado de la
autocorrelación.
 TEST DF EN MODELOS CON
COMPONENTES DE MEDIAS MÓVILES MA(q)

- En principio puede pensarse en la transformación en un modelo AR(p) :

A( L) y t = B( L)ε t

A( L) B( L) y t = ε t → C(L)y t = ε t

y el uso de la forma general del ADF:

∞
∆y t = a 0 + γ ⋅ y t −1 + ∑ β i ∆y t −i +1 + ε t
i =2

- Debemos acudir a trabajos como los presentados por Said y Dickey (1984) sobre el
contraste de raíces unitarias en procesos ARMA de orden desconocido: ”... un
modelo ARIMA (p,1,q) de órdenes desconocidos podía ser aproximado
adecuadamente por un modelo ARIMA (s,1,0) de orden “s” no superior a la raíz
cúbica del tamaño muestral “n”...”.

- Debe considerarse la propuesta de Hall (1989) apoyada en la utilización del método

de estimación por variables instrumentales.

- Debe vigilarse especialmente la pérdida de potencia del test ADF y PP señalada por
Molinas (1986) y Molinas y Schwert (1987 y 1989) en el caso de procesos MA
cercanos a la no invertibilidad.

TEST DF EN MODELOS CON CAMBIO ESTRUCTURAL

- En presencia de cambio estructural se tiende a aceptar sesgadamente la existencia de

una raíz unitaria.

- ERROR POR OBSERVACIÓN: Proceso AR(1) estacionario en niveles y en

diferencias y residuos una vez eliminada la tendencia determinista.

12 5

4
10

3
8
2
6
1

4 0

-1
2

-2
0
-3
-2
-4

-4 -5

Serie en niveles Serie diferenciada Residuos niveles Resiudos diferencias

- ERROR POR APLICACIÓN DEL TEST DF: Proceso Generador Real AR(1)
estacionario con cambio de tendencia de escalón.

· Modelo correcto: y t = 0.5 y t −1 + ε t + FN

· Propuesta incorrecta: y t = a 0 + a1 y t −1 + ε t

....... estimación incorrecta y t = a 0 + y t −1 + ε t

(Solución de un P.Aleatorio simple: y t = y 0 + a 0 t + ∑ ε t )

- Soluciones:

· Aplicar DF ó ADF en las submuestras

· Utilizar la propuesta de Perron en dos pasos (1989).

ASPECTOS PENDIENTES EN ESTE GUIÓN

- Profundización en los problemas de potencia del test DF

- Estacionariedad estacional: Test DHF, HEGY

- Contrastes de estacionariedad: Test KPSS y LMC

- Integración periódica

- Integración fraccional
 REFERENCIAS BIBLIOGRÁFICAS

Amano, R.A. y van Norden, S. (1992). “Unit-Root tests and the Burden of Proof”. Mimeo.
(http://wueconb.wustl.edu/eprints/em/papers/9502/9502005.abs)

Beaulieu, J.J. y Miron, J.A. (1993). “Seasonal Unit Roots in Aggregated U.D. Data”. Journal of Econometrics, 51, pp. 305-328.

Box, G.E.P. y Jenkins, G.M. (1970). Time Series Analysis: Forecasting and Control. Holden-Day. San Francisco, CA.

Box, G.E.P y Pierce, D.A. (1970). “Distribution of Residual Autocorrelations in Autorregresive moving – Average Time Series
Models”. Journal of The American Statistical Association, 65, pp. 1509 – 1526.

Campbell, John Y. y Perron, P. (1991). “Pitfalls and Opportunities: What Macroeconomists Should Know About Unit Roots”.
Technical Working Paper 100, NBER Working Paper Series. Abril 1991.

Canova, F. y Hansen, B.E. (1995). “Are Seasonal Patterns Constant over Time? A test for Seasonal Stability”. Journal of Business
and Economic Statistics, 13, 3, pp. 237-252.

Carrión, J,Ll., Sansó, A. y Artís, M. (1998a). “The DF and KPSS’ Wedding”. Document de Treball del Dep. Econometria,
Estadística i Economia Espanyola. Universitat de Barcelona.

------. (1998b). “Stationary Test in the Presence of Structural Breaks”. Document de Treball del Dep. Econometria, Estadística i
Economia Espanyola. Universitat de Barcelona.

------. (1998c). “The KPSS Test with Two Structural Breaks”. Document de Treball del Dep. Econometria, Estadística i Economia
Espanyola. Universitat de Barcelona.

Charemza, W.W. y Deadman, D.F. (1992). New Directions in Econometric Practice. Edward Elgar Publishing Limited. England.

Charemza, W.W. y Syczewska, E.M. (1998). Joint Application of the Dickey Fuller and KPSS tests. Mimeo. University of
Leicester, U.K.

Choi, I. (1994). “Residual Based Tests for the Null of Stationarity with Applications to U.S. Macroeconomic Time Series”.
Econometric Theory, 10. Pp. 720-746.

De Jong, D., Nankervis, J.C., Savin, N.E. y Whiteman, C.H. (1992). “Integration Vs. Trend Stationary in Time Series”.
Econometrica, 60, 1992.

Dickey, D. A. (1976). Hypothesis Testing for Non-Stationary Time Series. Sin publicar. Universidad del Estado de Iowa.

Dickey, D. A. y Fuller, W.A. (1979). “Distribution of the Estimates for Autoregresive Time Series with a Unit Root”. Journal of the
American Statistical Association, 74, pp. 427-431.

------. (1981). “Likelihood Ratio Statistics for Autoregresive Time Series with a Unit Root”. Econometrica, 49, pp. 1057-1072

Dickey, D.A., Hasza, D.F. y Fuller, W.A. (1984). “Testing for Unit Roots in Seasonal Time Series”. Journal of American Statistical
Association, 79. Pp.355-367.

Dickey, D. A. y Pantula, S. (1987). “Determining the Order of Differencing in Autorregresive Processes”. Journal of Business and
Economic Statistics, 15, pp. 455-461

Diebold, F.X. Rudebusch, G.D. (1989). “Long Memory and Persistence in Aggregate Output”, Journal of Monetary Economics, 24,
pp. 189-209.

Dolado, J., Jenkinson, T. y Sosvilla - Rivero, S. (1990). “Cointegration and Unit Rots: A Survey”. Servicio de Estudios, Banco de
España. Documento de trabajo 9005.

Durbin, J. y Watson, G.S. (1950). “Testing for Serial Correlation in least-squares regression I”. Biometrika, 37(3-4), pp. 241-247.

Durlauf, S. y Phillips, P.C.B. (1988): “Trends versus Random Walks in the Time Series Analysis”. Econometrica, 56, pp. 1333-
1354.

Engle, R.F., Granger, C.W.J. (1987). “Cointegration and Error Correction: Representation, Estimation and Testing. Econometrica,
55, pp.251-276

------. (1991) editores. Long Run Economic Relationships. Oxford University Press.

Engle, R.F., Granger, C. y Hallman, J. (1988): “Merging Short- and Long – Run Forecasts: An application of Seasonal Co-
Integration to Monthly Electricity Sales Forecasting”. Journal of Econometrics, 40, pp. 45-62.

Enders, W. (1995). Applied Econometric Times Series. John Wiley & Sons, Inc. United States.

Franses, P.H. (1991). “Model Selection and Seasonality in Time Series”. Tinbergen Institute Series, 18.
Fuller, W.A. (1976). Introduction to Statistical Time Series. John Wiley. Nueva York.

Geweke, J. Y Porter-Hudak, S. (1983). “The Estimation and Application of Long Memory Times Series Models”. Journal of Time
Series Analysis, 4, pp. 221-238

Granger, C.W.J. (1977). Forecasting Economic Time Series. Academic Press Inc., New York

------. (1986). Forecasting Economic Time Series. 2ª Edición. Academic Press Inc., Orlando.

Granger, C.W.J. y Joyeux, R. (1980). “An Introduction to Long Memory Time Series Models and Fractional Differencing”. Journal
of Time Series Analysis, 1, pp. 15-29.

Granger, C.W.J. y Newbold, P. (1974). “Spurius Regressions in Econometrics”. Journal of Econometrics, 2, pp. 111-120.

Hall, A. (1989). “Testing for Unit Root in the Presence of Moving Average Errors”. Biometrika, 79, pp.49-56.

Hamilton, J. D. (1994). Time Series Analysis. Princetown University Press.

Hasza, D.P. y Fuller, W.A. (1982). “Testing for Nonstationary Parameter Specifications in Seasonal Time Series Models”. Annals of
Statistics, 10, pp.1209-1216.

Hobijn, B., Franses, P.H. y Ooms, M. (1998). “Generalisations of the KPSS-Test for Stationarity”. Econometric Institute Report
9802. Erasmus University Rotterdam.

Hosking, J.R.M. (1981). “Fraccional Differencing”, Biometrika, 68, pp. 165-176.

Hylleberg, S. (1986). Seasonality in Regressions. Academic Press Inc.

------. (1992). Modelling Seasonality. Oxford University Press.

------. (1995). “Tests for Seasonal Unit Roots. General to Specific or Specific to General?”. Journal of Econometrics, 69, pp. 5-25.

Hylleberg, S., Engle, R.F., Granger, C.W.J. y Yoo, B.S. (1990). “Seasonal Integration and Co-Integration”. Journal of
Econometrics, 44, pp. 215-228.

Hylleberg, S., y Mizon (1989). “A Note on the Distribution of the Least Squares Estimator of a Random Walk with Drift”.
Economic Letters, 29, pp. 169-210.

Kwiatkoski, D., Phillips, P.C.B., Schmidt, P.J. y Shin, Y. (1992). “Testing the Null Hypothesis of Stationarity Against the
Alternative of a Unit Root: How Sure Are We That Economic Series Have a Unit Root?”. Journal of Econometrics, 56, pp.285-302.

Lee, J. (1996). “Minimum Statistics Testing for a Stationarity in the Presence of a Structural Break”. Working Paper 97-W03.
Department of Economics and Business Administration. Vanderbilt University.

Lee, J., Huang, Cl.J. y Shin, Y. (1997). “On Stationarity Test in the Presence of Structural Break”. Economic Letters, 55, pp.165-
172.

Leybourne, S.J y McCabe, B.M.P. (1994a). “A Consistent test for Unit Root”. Journal of Business & Economic Statistics, Vol. 12,
2, pp. 157-166.

Ljung, G.M. y Box, G.E.P. (1978). “On a measure of Lack of Fit in Time Series Models”. Biometrika, 65, pp. 297-303.

Lo, A.W. (1991). “Long Term Memory in Stock Market Prices”. Econometrica, 59, pp. 1279-1313

Lumsdaine, R.L. y Papell, D.H. (1997). “Multiple Trend Breaks and the Unit Root Hypothesis”. The Review of Economics and
Statistics, 79, 212-218.

MacKinnon, J.G. (1991). “Critical Values for Cointegration Tests”. Capítulo 13 de “Long Run Economic Relationships: Readings in
Cointegration”, editado por R.F. Engel y C.W.J. Granger. Oxford University Press.

Mandelbrot, B.B. (1969). “Long-Run Linearity, Local Gaussian Process, H-Spectra, and Infinite Variances”. International
Economic Review, 10, pp. 82-111.

------. (1972). “Statistical Methodology for Nonperiodic Cycles: From the Covariance to R/S Analysis”. Annals of Economic and
Social Measurement, 1/3, pp. 259-90.

Mills, T.C. (1990). Time Series Techniques for Economists, Cambridge University Press.

------. (1993). The Econometric modelling of Financial Time Series. Cambridge University Press

Molinas, C. et al. (1986). “A note on Spurious Regression with Integrated Moving Average Errors”. Oxford Bulletin of Economics
and Statistics, 48, 3, pp. 279-282.

Nabeya, S.I. y Tanaka, K. (1989). “Asymptotic Theory for a Test for the Constancy of the Regression Coefficients Against the
Random Walk Alternative”. Annals of Statistics, 16, pp. 218-235.
Newbold, P. y Davies, N. (1978). “Error miss-specification and spurious regressions”. International Economic Review,7, pp. 513-
519.

Newey, W.K. y West, K.D. (1994). “Automatic lag Selection in Covariance Matrix Estimation”. Review of Economic Studies
Limited, 64, pp. 631-653.

Noriega-Muro, A.E. (1993). Nonstationarity and Structural Breaks in Economic Time Series. Averbury. Aldershot.

Novales, A. (1993). Econometría. Mc Graw Hill. Madrid

Osborn, D. (1988). “Seasonality and Habit Persistence in a Life Cycle Model of Consumption”. Journal of Applied Econometrics, 3,
pp. 255-66.

Otero, J.M. (1993). Econometría: Series temporales y predicción. AC. Madrid

Park, J.Y. (1990). “Testing for Unit Roots and Cointegration by Variable Addition”. A Fomby, T.B. y Rhodes, G.F. (1990) editors:
Advances in Econometrics: Co-Integrations, Spurius Regressions and Unit Roots. Jai Press Inc.

Perron, P. (1988). “Trends and Random Walks in Macroeconomic Times Series: Further Evidence from a new Approach”. Journal
of Economics Dynamics and Control,12, pp. 297-332.

------. (1989). “The Great Crash, the Oil Price Shock, and the Unit Root Hypothesis”. Econometrica, 57, pp. 1361-1401.

Phillips, P.C.B. (1986). “Understanding Spurius Regressions in Econometrics”. Journal of Econometrics, 33, pp. 311-340.

------. (1987). “Time Series Regression with a Unit Root”. Econometrica, 55, pp. 277-301.

Phillips, P.C.B, y Perron, P. (1988). “Testing for a Unit Root in Time Series Regression”. Biometrika, 75, pp. 335-346.

Plosser, C.I. y Schwert, G.W. (1978). “Money Income and Sunspots: Measuring economic relationships and the effects of
differencing”. Journal of Monetary Economics, 4, pp. 637-660

Rappoprt, P. y Reichlin, L. (1989). “Segmented Trends and Non-Stationary Time Series”. The Economic Journal, 99, pp. 168-177.

Said, S. Y Dickey, D.A. (1984). “Testing for Unit Roots in Autorregresive-Moving Average Models with Unknown Order”.
Biometrika, 71, pp. 599-607.

Saikkonen, P. y Luukonen, R. (1993). “Testing for a Moving Average Unit Root in Autorregresive Integrated Moving Average
Models”. Journal of the American Statistical Association, 88, pp.596-601.

Sargan, J. y Bhargava, A. (1983). “Testing Residual from Least Squares Regressions for Being Generated by the Gaussian Random
Walk”. Econometrica, 51, pp. 153-174.

Schwert, G.W. (1987). “Effects of Model Specification on Test for Unit Root in Macroeconomic Data”. Journal of Monetary
Economics, 20, pp. 73-103.

------. (1989). “Test for Unit Roots: A Monte Carlo Investigation”. Journal of Business and Economic Statistics, 7, 2, pp. 147-159.

Suriñach, J., Artís, M., López, E. Y Sansó, A. (1995). Análisis económico regional. Nociones básicas de la teoría de la
cointegración. Antoni Bosch Editor. Barcelona.

Tanaka, K. (1990). “Testing for a Moving Average Unit Root”. Econometric Theory, 6, pp.433-444.

Tiao, G. Y Grupe, M. (1980). “Hidden Periodic Autorregresive-Moving Average Models in Time-Series Data”. Biometrika, 67,
365-373.

Valdero, E. (1998). “An Application of a Time Series Inequality to the Detection of Non-Invertible Moving Average Processes”.
Documents de Treball E98/24 de la Divisó de Ciències Jurídiques, Econòmiques i Socials.

Wold, H. (1938). A Study in the Analysis of Stationary Times Series. Stockholm: Almqvist and Wiksell.

Yule, G.U. (1926).”Why do we sometimes get nonsense correlations between time series?”. Journal of the Royal Statistical Society,
89, pp. 1-64.