Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INICIAMOS CON:
Ecuación 21.4.1
Donde μt es un termino de error de ruido blanco. Es decir, cuando cumple con las siguientes
propiedades:
¿por qué no simplemente hacer la regresión de Yt sobre su valor rezagado (de un periodo) Yt−1 y se
averigua si la ρ estimada es estadísticamente igual a 1? De ser así, Yt es no estacionaria. Ésta es la idea
general de la prueba de raíz unitaria para la estacionariedad.
Si ρ= 1, se convierte en un modelo de caminata aleatoria sin deriva es decir sin termino
constante o de intercepto. Si ρ es en efecto 1, tenemos lo que se conoce como problema de
raíz unitaria; es decir, enfrentamos una situación de no estacionariedad. Ya sabemos que en
este caso la varianza de Yt es no estacionaria.
No podemos estimar la ecuación 21.4.1 por MCO y probar la hipótesis de que ρ = 1 por medio de la
prueba t acostumbrada, porque esa prueba tiene un sesgo muy marcado en el caso de una raíz unitaria. Es
por eso que restamos Yt-1 en ambos miembros de la ecuación.
Sin embargo, si |ρ| < 1, es decir, si el valor absoluto de ρ es menor que 1, podemos demostrar
que la serie de tiempo Yt es estacionaria. Así, en la práctica, es importante averiguar si una
serie de tiempo tiene una raíz unitaria.
Dickey y Fuller probaron que según la hipótesis nula de que δ = 0, el valor estimado t del
coeficiente Yt−1 en (21.9.2) sigue el estadístico τ (tau)
El estadístico o prueba tau se conoce como prueba Dickey-Fuller (DF), en honor a sus
descubridores.
Solo podemos utilizar la prueba t (de Student) usual cuando rechazamos la hipótesis de que δ = 0
(es decir, la serie de tiempo es estacionaria)
PROCEDIMIENTO PARA APLICAR PRUEBA DF :
1. ESTIMAMOS TRES HIPOTESIS NULA CON LA FINALIDAD DE PERMITIR LAS
DISTINTAS POSIBILIDADES:
EJEMPLO:
Las series de tiempo del PIB de Estados Unidos. Para estas series, los resultados de las tres regresiones
(21.9.2), (21.9.4) y (21.9.5) son los siguientes: la variable dependiente en cada caso es ΔYt = ΔLPIBt,
donde LPIB es el logaritmo del PIB real.
Antes de examinar los resultados, tenemos que decidir cuál de los tres modelos es el adecuado.
Debemos descartar el modelo (21.9.6) porque el coeficiente LPIB t−1, que es igual a δ, es positivo. Pero en
vista de que δ = (ρ − 1), una δ positiva implicaría que ρ > 1(esto no está planteado dentro de las
hipótesis). Aunque es una posibilidad teórica, se descarta en este caso porque la serie de tiempo LPIB
sería explosiva. Por tanto, no quedan más que los modelos (21.9.7) y (21.9.8). En ambos casos, el
coeficiente estimado δ es negativo, lo cual implica que la ρ estimada es menor que 1. Para ambos
modelos, los valores estimados ρ son 0.9984 y 0.9731, respectivamente. Ahora, la única pregunta
pendiente es saber si estos valores son estadísticamente menores que 1 de manera significativa, para que
podamos decir que la serie de tiempo del PIB es estacionaria.
Para el modelo (21.9.7), el valor τ estimado es −1.5294, mientras que el valor crítico τ a 5%, como ya
señalamos, es −2.88(valor de tabla DF) . Como en términos absolutos el primer valor es más pequeño que
el segundo, la conclusión es que la serie de tiempo LPIB es no estacionaria. Sucede lo mismo con el
modelo (21.9.8). El valor τ calculado de −1.8102, en términos absolutos, es menor incluso que el valor
crítico a 5% de −3.43(valor de la tabla DF). Por tanto, con base en la prueba Dickey-Fuller, la conclusión
es que para los periodos trimestrales de 1947 a 2007, la serie de tiempo LPIB de Estados Unidos fue no
estacionaria; es decir, contenía una raíz unitaria, o tenía una tendencia estocástica.
Por ejemplo, considere el primer embargo petrolero, en 1973. Los precios del petróleo se cuadriplicaron.
Los precios volvieron a aumentar de manera sustancial después del segundo embargo petrolero, en 1979.
Como es natural, estas conmociones afectan el comportamiento económico.
Por tanto, si queremos hacer una regresión del gasto de consumo personal (GCP) sobre el ingreso
personal disponible (IPD), es muy probable que el intercepto, la pendiente o ambas varíen de un ciclo
económico a otro (recuerde la prueba de Chow de rupturas estructurales). Esto es lo que se entiende por
cambios estructurales.
Perron sostiene que las pruebas estándar de la hipótesis de raíz unitaria pueden no ser confiables en
presencia de cambios estructurales.
ANGIE
Como podemos observar el tau calculado es de -11.0204 y el valor critico tau a un nivel de
significancia de 1% nos ubicamos en la tabla Tc, porque es un modelo de caminata aleatoria con
deriva (es decir, hay termino constante), como la muestra de ese ejemplo es 250, su valor critico
tau es de -3.46. Siendo el valor tau calculado mas negativo que el valor critico tau, por lo tanto
rechazamos la H0 y concluimos que la serie LPIB(logaritmo del Producto Interno Bruto) en primeras
diferencias es estacionaria.
Como vimos en la fi gura 21.5, un PET es estacionario alrededor de la línea de tendencia. Por
tanto, la manera más sencilla de convertir en estacionaria una serie de tiempo es hacer la
regresión de ella sobre el tiempo y los residuos de tal regresión serán estacionarios.
Debe señalarse que si una serie de tiempo es PED pero se trata como si fuera PET, esto se
conoce como hipodiferenciación. Por otra parte, si una serie de tiempo es PET pero se le trata
como PED, se conoce como hiperdiferenciación. Las consecuencias de estos errores de
especificación pueden ser graves, Por eso es muy importante aplicar el tipo correcto de
transformación de estacionariedad a los datos si no son ya estacionarios
Podemos ver que las primeras diferencias del logaritmo del PIB real son estacionarias (como lo
confirma la regresión [21.10.1]), pero los residuos de la línea de tendencia (RESI1) no.
21.11 COINTEGRACIÓN: REGRESIÓN DE UNA SERIE DE TIEMPO CON RAÍZ UNITARIA SOBRE
OTRA SERIE DE TIEMPO CON RAÍZ UNITARIA.
Cointegración: regresión de una serie de tiempo con raíz unitaria sobre otra serie de tiempo
con raíz unitaria
LA COINTEGRACION:
EN EL CASO DE LAS SERIES DE TIEMPO EXISTEN DOS TIPOS COMO YA SABEMOS ESTAS SON LAS
SERIES ESTACIONARIAS Y LAS SERIES NO ESTACIONARIAS.
El concepto de cointegración surge por el problema de intentar saber si dos o más variables
están en realidad relacionadas EN EL LARGO PLAZO.
Que dos variables estén cointegradas implica que, aunque crezcan o caigan lo hacen de forma
sincronizada y mantienen dicha relación a lo largo del tiempo.
Por ejemplo, podemos ver los siguientes graficos y se dice que dos series estan cointegradas si
ambas se mueven conjuntamente a lo largo del tiempo es decir que comparten una tendencia
común
REQUISITOS:
• No podemos hablar de cointegración con las series que son estacionarias de orden I(0).
CONDICIONES
CONCLUSION
Nos aseguramos que alfa2 sea menor a 0 para esta forma corregir los errores a corto plazo
Este modelo de corrección de error nos ayuda a poder corregir los errores o desvíos a corto
plazo
Algunas Aplicaciones Económicas