Series de tiempo y pronósticos

Cali, Colombia, Abril de 2020

Prueba de raíz unitaria

Series de tiempo y pronósticos

Manuel Enrique Luna a

, Christian Camilo Cadena b , Daniel Delgado c

Escuela de Estadística, Facultad de Ingeniería, Universidad Valle, Cali, Colombia

1. PIB y Exportaciones Colombianas entre 2000:01 y 2013:03

El objetivo de este trabajo es realizar un análisis de la prueba Dickey Fuller y KPSS, las cuales
permiten observar la estacionariedad de la serie, estas pruebas se le conocen como de Raíz unitaria,
ya que permiten observar evidencia estadística a través de hipótesis que prueban la existencia de
coeficientes dentro de la raíz unitaria.

Serie de tiempo para el periodo 2000 a 2013 PIB de Colombia

120000
110000
100000
TimeSeriePIB

90000
80000
70000

2000 2002 2004 2006 2008 2010 2012 2014

Time

Figura 1: PIB 2000 a 2013

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

Serie de tiempo para el periodo 2000 a 2013 Exportaciones de Colombia

16000
14000
12000
TimeSerieEXP

10000
8000
6000
4000

2000 2002 2004 2006 2008 2010 2012 2014

Time

Figura 2: Exportaciones Colombianas 2000 a 2013

ACF log(PIB) PACF log(PIB)

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

Figura 3: Función de Autocorrelación y Autocorrelación Parcial PIB

Análisis de Series de Tiempo (2020)

4 Manuel Enrique Luna, Christian Camilo Cadena & Daniel Delgado

ACF log(EXP) PACF log(EXP)

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

Figura 4: Función de Autocorrelación y Autocorrelación Parcial Exportaciones

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.

1.1. Pruebas de R.U Dickey Fuller Aumentada (ADF)

Hipotesis nula y alternativa

H0 : π = 0 → φ = 1 → I(1)
Ha : π < 0 → φ < 1 → I(0)
H0 : Serie no Estacionaria
Ha : Serie Estacionaria

1.2. Prueba de R.U KPSS

Hipotesis nula y alternativa

H0 : I(0)

Análisis de Series de Tiempo (2020)

Prueba de raíz unitaria Series de tiempo y pronósticos 5

Ha : I(1)

H0 : Serie Estacionaria
Ha : Serie no Estacionaria

Serie Prueba Comp. Deterministico Estadística Rezagos V. Critico 5 % Conclusión

lnPIB ADF None 6.197 1 -1.95 No Estacionaria
lnPIB ADF Drift 0.0466 3 -2.89 No Estacionaria*
lnPIB ADF Drift y Trend -2.5048 1 -3.45 No Estacionaria
lnPIB KPSS Drift 5.5127 0 0.463 No Estacionaria
lnPIB KPSS Drift y Trend 0.1141 3 0.146 Estacionaria*
lnPIB KPSS Drift y Trend 0.3629 0 0.146 No Estacionaria

∆lnP IB ADF Ninguno -1.8731 1 -1.95 No Estacionaria

∆lnP IB ADF Drift -2.8657 3 -2.89 No Estacionaria
∆lnP IB ADF Drift y Trend -4.6405 1 -3.45 Estacionaria*
∆lnP IB KPSS Drift 0.1928 3 0.463 Estacionaria
∆lnP IB KPSS Drift y Trend 0.1152 3 0.146 Estacionaria
∆lnP IB KPSS Drift y Trend 0.1178 0 0.146 Estacionaria*

lnEXP ADF Ninguno 2.2747 1 -1.95 No Estacionaria

lnEXP ADF Drift -0.1805 3 -2.89 No Estacionaria
lnEXP ADF Drift y Trend -2.7547 1 -3.45 No Estacionaria*
lnEXP KPSS Drift 5.3688 0 0.463 No Estacionaria
lnEXP KPSS Drift y Trend 0.1007 3 0.146 Estacionaria
lnEXP KPSS Drif y Trend 0.2913 0 0.146 No Estacionaria*

∆lnEXP ADF Drift -5.1689 1 -2.89 Estacionaria

∆lnEXP ADF Drift y Trend -2.5872 3 -3.45 No Estacionaria*
∆lnEXP ADF Drift y Trend -5.1446 1 -3.45 Estacionaria
∆lnEXP KPSS Drift 0.0912 0 0.463 Estacionaria
∆lnEXP KPSS Drift y Trend 0.0901 3 0.146 Estacionaria*
∆lnEXP KPSS Drift y Trend 0.0821 0 0.146 Estacionaria
Tabla 1: ADF y KPSS

1.3. Interpretación Tabla 1

Cuando se trata de la prueba Dickey Fuller aumentada, se observa que la hipótesis nula es plantear
que la seria no es estacionaria (tiene una raíz en el circulo unitario), y se necesita diferenciar la
serie al menos una vez para que ésta sea estacionaria, por el contrario, la hipótesis alterna se dice
que la serie es estacionaria y no necesita diferenciación. Entonces la hipótesis nula se rechaza si el
estadístico calculado es menor al estadístico critico, concluyendo que la serie es 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.

Análisis de Series de Tiempo (2020)

6 Manuel Enrique Luna, Christian Camilo Cadena & Daniel Delgado

1.3.1. Análisis PIB

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.

1.3.2. Análisis EXP

(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).

(Dickey Fuller - ∆ log(PIB)) En la diferenciación para el logaritmo de la exportaciones, en los

casos propuestos la prueba Dickey fuller detecta estacionariedad para 2 casos, menos para uno y es
cuando la serie se coloca con tendencia e intercepto y un numero de rezagos igual a 3 (esto puede
deberse a que en la función de autocorrelación no son significativos 3 rezagos ó que la prueba no
alcanzó a detectar dicha estacionariedad.)

(KPSS - ∆ log(PIB)) A diferencia de la dickey fuller, esta prueba si detecta estacionariedad en

todos los casos para la diferenciación.

2. Simulación del estadístico τ de Dickey y Fuller

Percentiles Empíricos para la Simulación de τ

Análisis de Series de Tiempo (2020)

Prueba de raíz unitaria Series de tiempo y pronósticos 7

Simulacion τ Vs. Dickey-Fuller con T=50

Significancia V. Critico Simulado V. Critico DF
1% -2.61 -2.614029
5% -1.95 -1.947816
10 % -1.62 -1.612492
Tabla 2: Resultados de τ Contrastados con los Valores Críticos de Dickey-Fuller

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

Histograma de la Distribución T−Student Histograma de la Distribución Simulada de T

2000

2000
1500

1500
Frequency

Frequency
1000

1000
500

500
0

−4 −2 0 2 −4 −2 0 2

t_student tau

Figura 5: Comparación de Distribuciones

Al realizar la comparación entre las distribuciones T-Student y la del estadístico τ de Dickey-Fuller,

se puede observar en la figura anterior que la segunda distribución no esta centrada en cero sino
que se centra en un número menor que cero, por lo tanto, es una distribución sesgada a la derecha.
Como ya se sabe, la distribución T-Student es centrada en cero y por lo tanto los valores que arroja
para el estadístico de contraste son mayores que los que arroja en la distribución de τ .

3. Simulación con Distribución Leptocúrtica para Ruido Blanco

En este caso se escoge una distribución Gamma de parámetros (α= 34, β= 0.5), cuya curtosis es
5.53 por lo tanto se puede considerar Leptocúrtica.

Simulación Leptocúrtica de τ Vs. Dickey-Fuller con T=50

Significancia V. Critico Simulado V. Critico DF
1% 10.1 -2.614029
5% 10.4 -1.947816
10 % 10.5 -1.612492
Tabla 3: Resultados de τ Contrastados con los Valores Críticos de Dickey-Fuller

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

Análisis de Series de Tiempo (2020)

8 Manuel Enrique Luna, Christian Camilo Cadena & Daniel Delgado

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.

Histograma del Tao Histograma de la T−student

2000
1500

1500
Frecuencia

Frecuencia
1000

1000
500

500
0

9.5 10.5 11.5 12.5 −4 −2 0 2 4

Valores del Tao Valores de la T−studet

Figura 6: Comparación de Distribuciones

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.

4. Análisis de la Distribución de τ con los Componentes

Determinísticos
Ahora se realiza el procedimiento de las 10000 simulaciones primero agregando la pendiente y
posterior agregando la pendiente y el intercepto.

Simulación Agregando el Intercepto al modelo

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.

Análisis de Series de Tiempo (2020)

Prueba de raíz unitaria Series de tiempo y pronósticos 9

Histograma de Simulaciones con Intercepto Histograma de la T−student

2500

2000
2000

1500
1500
Frecuencia

Frecuencia

1000
1000

500
500
0

0
−4 −2 0 2 −4 −2 0 2 4

Valores del Tao Valores de la T−studet

Figura 7: Comparación de Distribuciones

La figura 7 nos permite observar el comportamiento de las simulaciones agregando el intercepto y

compararlo con una distribución T-studen. donde notamos que ambos histogramas presentan un
comportamiento simétrico, pero difieren en su valor medio, ya que la gráfica con intercepto presenta
un valor medio de -1.5, es decir que esta distribución esta sesgada a la derecha.

Por ultimo se compran los valores obtenidos con la prueba Dickey Fuller agregando el intercepto.

Significancia V. Critico Simulado V. Critico DF

1% -3.588739 -2.614029
5% -2.907873 -1.947816
10 % -2.586989 -1.612492
Tabla 5: Resultado Dickey Fuller con 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.

Simulación Agregando Pendiente e Intercepto al Modelo

Análisis de Series de Tiempo (2020)

10 Manuel Enrique Luna, Christian Camilo Cadena & Daniel Delgado

Histograma con Intercepto y Tendencia Histograma de la T−student

2000
2500

1500
Frecuencia

Frecuencia
1500

1000
500
500
0

0
−6 −4 −2 0 −4 −2 0 2 4

Valores del Tao Valores de la T−studet

Figura 8: Comparación de Distribuciones

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.

Significancia V. Critico Simulado V. Critico DF

1% -4.214924 -2.614029
5% -3.517681 -1.947816
10 % -3.180063 -1.612492
Tabla 6: Resultado Dickey Fuller con Tendencia e 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.

5. Calculo de los Valores Críticos de la Prueba KPSS Mediante

Simulación

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.

Análisis de Series de Tiempo (2020)

Prueba de raíz unitaria Series de tiempo y pronósticos 11

Significancia Intercepto Intercepto y Pendiente

90 % 0.35 0.12
92.5 % 0.39 0.13
95.7 % 0.48 0.15
99 % 0.76 0.21
Tabla 7: Valores Críticos KPSS

6. Prueba de Raíz Unitaria Phillips - Perron (1988)

Phillips y Perron (1988) al igual que Dickey y Fuller, consideraron el efecto que presenta la
estructura de autocorrelación en los errores, pero no la incluyeron en el modelo, sino que corrigieron
los estadísticos de prueba para tenerla en cuenta. Su forma de corregir es relativamente complicada
y pertenece al área de las pruebas no perimétricas relacionadas, particularmente, con los problemas
de autocorrelación y heterocedasticidad en los modelos de regresión (Guerrero Guzmán 2003).

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

Y se rechaza la H0 si el estadístico de prueba es menor o igual al valor critico asignado con un

grado de significancia del 1 %, 5 % o 10 %.

6.1. Aplicación Practica de la Prueba Phillips - Perron (PP)

A continuación se realizara la aplicación de la prueba PP, a la base de datos que se analizó en la
primera sección.

Serie Prueba Comp. Deterministico Estadístico Rezagos V. Critico 1 % Conclusión

lnPIB PP-tau constant 0.7995 short -3.5546 No Estacionaria
lnPIB PP-tau trend -2.838 short -4.1347 No Estacionaria
lnPIB PP-tau constant-trend 0.7995 short -3.5546 No Estacionaria

∆lnP IB PP-tau constant -8.1662 short -3.557102 Estacionaria

∆lnP IB PP-tau trend -8.2322 short -4.138292 Estacionaria
∆lnP IB PP-tau constant-trend -8.1662 short -3.557102 Estacionaria

lnEXP PP-tau constant -0.2717 short -3.554623 No Estacionaria

lnEXP PP-tau trend -2.6546 short -4.134754 No Estacionaria
lnEXP PP-tau constant-trend -0.2717 short -3.554623 No Estacionaria

∆lnEXP PP-tau constant -7.0905 short -3.557102 Estacionaria

∆lnEXP PP-tau trend -7.0247 short -4.138292 Estacionaria
∆lnEXP PP-tau constant-trend -7.0905 short -3.557102 Estacionaria
Tabla 8: Prueba Phillips - Perron (PP)

Análisis de Series de Tiempo (2020)

12 Manuel Enrique Luna, Christian Camilo Cadena & Daniel Delgado

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.

Análisis de Series de Tiempo (2020)