Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Prueba de Raiz Unitaria Series de Tiempo
Prueba de Raiz Unitaria Series de Tiempo
90000
80000
70000
Time
a. E-mail: luna.manuel@correounivall.edu.co
b. E-mail: christian.cadena@correounivalle.edu.co
c . E-mail: 0000000.@correounivalle.edu.co
2
Prueba de raíz unitaria Series de tiempo y pronósticos 3
16000
14000
12000
TimeSerieEXP
10000
8000
6000
4000
Time
0.8
0.8
0.6
0.6
Partial ACF
0.4
0.4
ACF
0.2
0.2
0.0
0.0
−0.2
−0.2
0 5 10 15 5 10 15
Lag Lag
1.0
1.0
0.8
0.8
0.6
0.6
Partial ACF
0.4
0.4
ACF
0.2
0.2
0.0
0.0
−0.2
−0.2
0 5 10 15 5 10 15
Lag Lag
En las figuras anteriores se presentan la representación de las series de tiempo del PIB y Exportaciones,
la figura 1 representa la serie del PIB entre 2000 y 2013, se observa que esta serie tiene una tendencia
creciente el cual es su componente deterministico que mas caracteriza a esta serie, la figura 3 se
presentan las graficas de función de autocorrelación y autocorrelación parcial, en donde se observa
que tiene un rezago significativo, a esto se le puede atribuir un modelo Autoregresivo de Orden 1,
caso parecido sucede con la Serie de Exportaciones, donde en la figura 2 en esta serie la tendencia
es tambien creciente, con la caracteristica de que en periodos hay estacionalidad. La figura 4 se
presentan la FAC y la FACP con un comportamiento a un modelo autoregresivo con posible orden
de 2 o 3 rezagos.
H0 : π = 0 → φ = 1 → I(1)
Ha : π < 0 → φ < 1 → I(0)
H0 : Serie no Estacionaria
Ha : Serie Estacionaria
H0 : I(0)
Ha : I(1)
H0 : Serie Estacionaria
Ha : Serie no Estacionaria
Para la prueba KPSS la hipótesis nula es que la serie ya es estacionaria y no necesita diferenciación
I(0) (no tiene raíz en el circulo unitario), y la hipótesis alterna es que necesita al menos una
diferenciación para que sea estacionaria. Entonces si se rechaza la hipótesis nula, es porque el
estadístico calculado es mayor que el estadístico critico, concluyendo que la serie no es estacionaria.
La serie log(PIB) para este periodo de tiempo se puede considerar una serie de tiempo de tipo
AR(1), ya que según su función de autocorrelación parcial (Figura 3), un rezago es significativo,
entonces por lo tanto al tener esta premisa, se pueden evaluar supuestos para definir si la serie tiene
raiz unitaria o no, es decir, si esta es estacionaria, pero cabe resaltar que entre mayor rezagos se
le ponga a las pruebas de raíz unitaria, se aumenta la probabilidad de que se rechaza la hipótesis
nula (es decir se aumenta la probabilidad de concluir que la serie es estacionaria) es por esto que
se decide hacer la Dickey Fuller Aumentada para rezagos iguales a 1 y mayores que 1.
(Dickey Fuller - log(PIB) Se obtuvo que cuando se analiza log(PIB) la serie con un rezago y
tres rezagos, con tendencia y tendencia e intercepto, resulta no rechazar la hipótesis nula, en este
caso se concluye que no es estacionaria, en todos los casos.
(KPSS - log(PIB)) Esta prueba, resulta ser mas potente comparada a la Dickey fuller, comparando
algunos resultados para el log(PIB) se observa en la tabla que esta prueba detecta que la serie
es estacionaria cuando se tiene componente deterministo mu(intercepto) y tau(tendencia) con 3
rezagos, lo que no sucedió con la prueba Dickey Fuller.
(Dickey Fuller - ∆log(PIB))) Para la diferenciación de la seria la prueba Dickey fuller detecta que
la seria es estacionaria cuando se le estable como componente deterministico Tendencia e intercepto
con 1 rezago.
(KPSS - ∆ log(PIB)) Esta prueba para la diferenciación de la serie de logaritmo de PIB detecta
que es estacionaria en todos los casos propuestos en la tabla, a diferencia de la prueba Dickey Fuller.
(Dickey Fuller - log(EXP) En este caso la prueba Dickey no detecta que la seria sea estacionaria
para ninguno de las combinaciones propuestas.
(KPSS - log(EXP)) Por el contrario esta prueba detecta que la seria es estacionaria con componentes
determinísticos tendencia e intercepto y el numero de rezagos igual a 3, lo que no pasó con la prueba
Dickey (aunque su estadístico estuvo cercano a la región critica).
Como se observa en la tabla 2, los resultados obtenidos después de simular 10000 veces la distribución
empírica de τ . Si se compara con los valores obtenidos por Dickey y Fuller, se aprecia que arroja
valores similares para este caso donde no hay componentes deterministas.
Comparación de Histogramas
2000
1500
1500
Frequency
Frequency
1000
1000
500
500
0
−4 −2 0 2 −4 −2 0 2
t_student tau
Observando la tabla 3, se puede afirmar que los resultados después de realizar las 10.000 simulaciones
de tamaño 50 a la distribución Leptocúrtica se obtiene unos valores críticos mayores a los obtenidos
por la distribución Dickey y Fuller, ya que dicha dicha distribución esta construida bajo un ruido
blanco que se asemeja a una normal estándar, por lo tanto al alterar la distribución del componente
del error a una distribución leptocurtica no se van a obtener resultados similares a los de la
distribución Dickey Fuller.
2000
1500
1500
Frecuencia
Frecuencia
1000
1000
500
500
0
Observando la figura 6, se puede afirmar que la distribución Leptocúrtica de Tao esta centrada en
un numero mucho mayor a cero, es decir esta distribución esta corrida hacia la derecha. mientras
que la distribución T-Student esta centrada en cero. por lo tanto, esta va arrojar unos valores
menores en el estadístico de contraste con respecto a la distribución Leptocúrtica de Tao.
Percentiles Valores
1% -3.588739
5% -2.907873
10 % -2.586989
Tabla 4: Percentiles Empíricos
Observando los resultados obtenidos en la tabla 4, notamos que que los valores calculados de la
simulación con intercepto van creciendo a medida que los valores del percentil son mayores. Por
otra parte vemos que en los valores que se encuentran en el rango del percentil 1 al percentil 10
varían entre -3.5 y -2.5.
Ahora, se Realiza una comparación entre la distribución T-student y la distribución de las 10000
simulaciones agregando el intercepto.
2000
2000
1500
1500
Frecuencia
Frecuencia
1000
1000
500
500
0
0
−4 −2 0 2 −4 −2 0 2 4
Por ultimo se compran los valores obtenidos con la prueba Dickey Fuller agregando el intercepto.
Observando la tabla 5, se puede afirmar que los resultados después de realizar las 10.000 simulaciones
de tamaño 50 a la distribución agregando el intercepto se obtiene unos valores críticos cercanos a
los obtenidos por la distribución Dickey y Fuller, ya que las dos distribuciones están construidas
bajo un ruido blanco que se asemeja a una normal estándar, pero solo se diferencian en que a una
de ellas se le agrega el intercepto. por lo tanto con un tamaño de 50 y agregando el componente
deterministico no se pueden alcanzar los valores críticos de la distribución Dikey Fuller.
2000
2500
1500
Frecuencia
Frecuencia
1500
1000
500
500
0
0
−6 −4 −2 0 −4 −2 0 2 4
La figura 8 nos permite observar que el comportamiento de las simulaciones agregando el intercepto
y la tendencia y comprarlos con una distribución T-studen. donde notamos que ambos histogramas
presentan un comportamiento simétrico, pero difieren en su valor medio, ya que la gráfica de la
izquierda presenta un valor medio de -2.16, es decir que esta sesgada a la derecha. mientras que la
distribución T-Student presenta simetría y un valor medio cercano a cero.
Ahora realizamos la comparación con los valores obtenidos de la prueba Dickey Fuller agregando
la tendencia y el intercepto.
Observando la tabla 6, se puede afirmar que los resultados después de realizar las 10.000 simulaciones
de tamaño 50 a la distribución Leptocúrtica se obtiene unos valores críticos menores a los obtenidos
por la distribución Dickey y Fuller, estos se puede deber a que a dicha simulación se le esta
agregando el intercepto y la tendencia. por lo tanto las simulaciones de tamaño 50 agregando el
componente deterministico no nos garantiza alcanzar los valores críticos de la prueba Dickey Fuller.
Teniendo en cuenta que la hipótesis nula de la prueba KPSS es lo inverso que la prueba Dickey-Fuller,
es decir, en este caso la hipótesis nula sera que la serie presenta tendencia determinista y la
alternativa sera que es estacionaria. Se puede observar en la siguiente tabla los valores críticos
obtenidos mediante simulación para 50 observaciones, entonces la regla de decisión sera comparar
estos valores críticos con el KPSS de la serie y si este ultimo es mayor, entonces se rechaza la
hipótesis nula, por lo tanto, habrá una amplia evidencia de que la serie es estacionaria.
Las hipotesis planteadas en esta prueba son las mismas que se plantean en la prueba Dickey-Fuller
Aumentada ADF es decir:
H0 : π = 0 → φ = 1 → I(1)
Ha : π < 0 → φ < 1 → I(0)
H0 : Serie no Estacionaria
Ha : Serie Estacionaria
Con el paquete estadístico ’urca’ se puede llevar a cabo la prueba PP, la función permite dos tipos
de test Z-τ y Z-α, siendo la primera la mas utilizada pero ambas arrojan resultados similares. Si se
observa la tabla 6, se logra apreciar que las series originales son no estacionarias pero, al hacer la
primer diferenciación el test rechaza la hipótesis nula, evidenciando que las series con la primera
diferenciación es estacionaria.
Referencias
Guerrero Guzmán, V. M. (2003), Análisis estadístico de series de tiempo económicas, number 04;
Q280, G8 2003.