Prueba de Estabilidad

Kunst (2011), señala que un VAR (1) es denominado estable si los valores propios correspondientes la
matriz de coeficientes son menores al valor numérico 1. Desde una perspectiva matemática, esta
condición es equivalente a la siguiente expresión

det ( I k −A 1 z ) ≠ 0 para |z|≤1

Adicionalmente, se aclara que cuando no se encuentren raíces dentro o en el circulo unitario, se genera
una condición de estabilidad dentro del modelo VAR, pero esta condición no implica estacionariedad.

Prueba de Wald

Esta prueba examina la significancia conjunta entre las variable dependiente e independiente
contenidas dentro de un modelo logístico. Para ello, se plantearán dos hipótesis; la hipótesis nula que
señala que el coeficiente de la variable independiente es igual a 0, mientras que en la hipótesis
alternativa demostrará que el coeficiente es diferente de 0.

H 0 : β1 =0

H1: β1 ≠ 0

Liu (2016) señala lo siguiente acerca de la prueba estadístico de Wald:

Se obtiene dividiendo la máxima verosimilitud estimada (MLE) del parámetro del pendiente ( ^ β 1)
multiplicado por las estimaciones de los errores standard respectivos se ¿) . Bajo la hipótesis
nula, la ratio sigue una distribución normal.

(^
β 1)
se ( ^
β 1)

Prueba de Portmanteu Ljung-Box

Esta prueba se basa en los problemas de autocorrelación de los residuos estimados para los modelos
econométricos de series de tiempo propuesto por Box-Jenkins en 1976. Sin embargo, después de
algunas discusiones sobre la distribución estadística de una muestra finita, Ljung y Box (1978) una
prueba modificada sustituyendo los coeficientes de los residuos correlacionados con valores
estandarizados obteniendo la siguiente expresión:

~ ~
n
r^ 2k
QLB ( r )=n( n+2) ∑
k=1 n−k
Donde r^ k es la muestra de autocorrelación de orden k de residuos y n el tamaño de la muestra.
~
Asimismo, se señala que Q LB posee una distribución para una muestra finita cercana a la distribución
Chi-cuadrado con (m− p−q) grados de libertad.

Prueba de Causalidad

Esta prueba, mediante el estadístico T- Student y el estadístico F comprueba que los valores de una
variable X provee información estadísticamente significativa sobre los valores de otra variable Y . Por lo
tanto, asumiendo que X y Y son dos variables con series estacionarias de una muestra de
observaciones, es posible comprobar una causalidad a lo Granger de X sobre Y si se encuentra un
determinado número de rezagos P dentro de la expresión que representa Y ; asimismo, esta última
variable es definida como un proceso AR de orden P.

En base a lo anterior, se puede expresar la variable Y de la siguiente manera:

y t =c +ϕ1∗y t−1 +ϕ2∗y t−2 +…+ ϕ p∗y t − p+ ε t

Donde

ϕ 1 , ϕ2 , … , ϕ p : representa los parámetros estimados

c : el intercepto del proceso AR(p)

Luego, en la ecuación anterior, se incluye los valores de los rezagos de la variable X :

y t =c +ϕ1∗y t−1 +ϕ2∗y t−2 +…+ ϕ p∗y t − p+ ωm∗X t −1+ …+ω n∗X t −n +ε t

Entonces, , se puede indicar que existe una causalidad de Granger de X sobre Y si los rezagos de la
expresión X se conservan después de aplicar los estadísticos T student y F en la última ecuación.

Prueba de Jarque-Bera

Las pruebas de normalidad son ampliamente utilizadas para estimar la diferencia entre una distribución
empírica y una distribución normal. La prueba de Jarque – Bera es usada para reconocer esta condición
de la muestra. Además, esta prueba es basada en los coeficientes de asimetría y los coeficientes
estadísticos de curtosis. En efecto, para una población muestral de N individuos el estadístico JB se
define de la siguiente manera:
2
N ( K −3 )
JB= (W 2 + )
6 4
Donde:

μ3
W= representa la asimetría
μ32 / 2
 μ4
W= representa la curtosis
μ 22