Distribution of the Estimators for Autoregressive Time Series With a Unit Root

Al considerar el modelo autorregresivo

donde Yo = 0 , p es un número real y {et} es una secuencia de variables aleatorias normales

independientes con media cero y varianza

La serie de tiempo Yt converge (como t → al infinito) a una serie de tiempo estacionaria si lpl < 1. Si

IpI = 1, la serie de tiempo es no estacionaria y la varianza de Yt es t . Además, series de

tiempo con p=1 son llamadas a veces paseos aleatorios. Por otro lado, si lpl > 1, la serie de
tiempo es no estacionaria y su varianza crece exponencialmente a medida que t
incrementa.
Por otro lado, la máxima verosimilitud de p es el menor estimador cuadrático

Donde el p estimado, es el estimador consistente para todos los valores de p. Se obtiene la

función generadora de momentos por el correcto numerador denominador normalizado de
p estimado menos p. Para lpl =/= 1, Se puede invertir esta función para obtener la
distribución limitante de p estimado menos p. Para lpl < 1 la funcion limitante de

es normal. Para lpl > 1 la función limitante de

es cauchy.
Para transformar la serie de tiempo en diferencias se asume la hipótesis de que p =1.
Donde la función de autocorrelación de las desviaciones del modelo ajustado es investigado
como un test del modelo idóneo. Para lo cual Box y Jenkins sugieren el Box and Pierce test
estadístico.

Con lo cual, lo que se pretende hacer en el artículo analizado es derivar representaciones

de las distribuciones límites de p estimado y de , dado que lpl = 1.

Ahora, la clase de modelos a tratar consisten en 3 modelos, el primero ,el cual es la

ecuación número 1.1, el segundo que es
y el tercer modelo

Donde se asumen n observaciones Y1, Y2, …, Yn para el análisis y se logra definir (n-1)
vectores dimensionales

Donde se imponen las siguientes condiciones U1 = Yt-1, U2 = (1, Yt-1) y U3 = (1,t,Yt-1)

Se define como la última entrada en el vector

y se define como la última entrada en el vector

Los estadísticos análogos a la regresión t estadística para el test de hipótesis que p = 1 son:

Donde es la apropiada regresión media residual al cuadrado

Para obtener las distribuciones límites se investiga la forma cuadrática que aparece en los
estadísticos. Al ser los estimadores radios de forma cuadrática, no se pierde generalidad al

asumir en la secuela.

Al tener a p=1 la forma cuadrática puede ser expresada como

, donde , los elementos de pertenecientes a

satisfacen para todo j >1 ,

para todo j y de otra manera. De los estudios de Rutherford, se desprende que
las raices de An son

Se señala a M como la n-1xn-1 matriz ortogonal cuya fila i es el vector propio de An, el cual
corresponde a . Siento este elemento de M:

y
podemos expresar la suma del denominador normalizado al cuadrado que aparecen en p
estimado como

Se hace

Luego,
 Con

ello tenemos expresado en términos

de con lo que se obtiene las distribuciones límites del vector de

variables aleatorio. Luego, se utiliza un lema para la derivación de la distribución límite

y para que logre estar bien definida como un

límite cuadrático medio y

Para obtener para todo n > No

lo cual sigue la desigualdad de Chebyshev.
Se utiliza un teorema también para hallar la convergencia de al distribución
Ahora se plantea una ecuación ,
la cual junto con el lema, se halla que Tn* converge en probabilidad a T. Lo cual también da

lugar a que converge en probabilidad a

 . Se propone también un corolario

y se encuentra una prueba que logra ser una inmediata consecuencia del teorema 1, debido

a que el denominador cuadrático que se forman en son funciones continuas de

n que tienen probabilidad 1 de esr positivos y de la ecuación 2.8 converge en

probabilidad a

Hay que notar que las distribuciones límites de son obtenidas al asumir que

el término constante es cero. De la misma manera que las distribuciones límites de y

son derivadas con asumir que el coeficiente del tiempo beta, es cero.
las distribuciones de estas últimas no son afectadas por el valor de u. Si es que u =/= 0 o

beta =/= 0, las distribuciones límites de son normales. Entonces si la

ecuación 2.1 es el modelo mantenido y el estadístico es usado para testear la hipótesis

p = 1, la hipótesis va a ser aceptada con una gran probabilidad, mejor que en nivel nominal
donde u=/= 0.

Las distribuciones límites de , dado que p = -1, son idénticas e iguales a la

imagen espejo de las distribuciones límites de p estimado dado que p =1. Por lo que lo
mismo pasaría con las estimaciones de . Cabe señalar que las
distribuciones de ambos no dependen del valor de Yo. Sin embargo, para p estimado,
podría ser influenciado por Yo al tener una muestra pequeña de la distribución. La
distribución límite también se sostiene por et que es una variable aleatoria no normal
independiente e idénticamente distribuido con media cero y varianza sigma al cuadrado.
El estadístico Es una función monótona del radio de verosimilitud donde Yo es fijo bajo
el modelo nulo de p=1 también el modelo alternativo donde p =/= 1. Los test basados en

estadísticos no son radios de verosimilitud y tampoco son necesariamente el más

potente que puede ser construido.

El poder de los estadísticos estudiados se comparan con el Q estadístico de Box-Pierce en

un estudio de Monte Carlo al usar el modelo

El cual hay conclusiones importantes. Primero, el Q estadístico es menos potente que los

estadísticos introducidos en este artículo. Segundo, el desempeño de son

similares, son uniformemente más potentes que los otros test estadísticos. Tercero, para

p< 1 el estadístico produjo un test más poderoso que el estadístico . Para p > 1
el ranking fue al revés y este último estadístico fue mas poderoso. Por lo cual hay evidencia

de que son test sesgados.