EXPOSICION DE ECONOMETRIA

21.9 PRUEBA DE RAIZ UNITARIA

Prueba de raíz unitaria tiene el objetivo determinar la posible existencia de estacionariedad (o

no estacionariedad) en las series de tiempo. Partimos del proceso (estocástico) de raíz unitaria
que se vio en la sección 21.4:

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.

Por lo tanto, se plantean las siguientes hipótesis:

H 0=δ=0 … … . ρ=1 (ES NO ESTACIONARIA) …. PROBLEMA
H 1=δ ≠0 … …. ρ<1 (ES ESTACIONARIA)
2DA DIAPO
La única interrogante es saber ¿con qué prueba averiguar si el coeficiente estimado de Yt−1 en (21.9.2) es
o no cero?
Lo primero que pensaríamos es utilizar la prueba t usual (ya que es lo tradicional porque a partir de esos
estadísticos podíamos ver la significancia de nuestras variables). Pero por desgracia, según la hipótesis
nula de que δ = 0 (es decir, ρ = 1), el valor t del coeficiente estimado de Yt−1 no sigue la distribución t ni
siquiera en muestras grandes, es decir, no tiene una distribución normal asintótica.
Existe una prueba para este caso la cual tiene el nombre de prueba de Dickey-Fuller:

 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:

 Yt es una caminata aleatoria (21.9.2)

H 0=δ=0 … … . ρ=1 (es decir, existe una raíz unitaria, la serie de tiempo es no estacionaria
o tiene tendencia estocástica).
H 1=δ<0 … … . ρ<1 (es decir, la serie de tiempo es estacionaria, posiblemente alrededor de una
tendencia determinista).
 Yt es una caminata aleatoria con deriva (21.9.4)
H 0=δ=0 … … . ρ=1 (es decir, existe una raíz unitaria, la serie de tiempo es no estacionaria
o tiene tendencia estocástica).
H 1=δ<0 … … . ρ<1 (es decir, la serie de tiempo es estacionaria, posiblemente alrededor de una
tendencia determinista).
 Yt es una caminata aleatoria con deriva alrededor de una tendencia determinista
(tendencia predecible y no variable) (21.9.5)
H 0=δ=0 … … . ρ=1 (es decir, existe una raíz unitaria, la serie de tiempo es no estacionaria
o tiene tendencia estocástica).
H 1=δ<0 … … . ρ<1 (es decir, la serie de tiempo es estacionaria, posiblemente alrededor de una
tendencia determinista).

Donde t es la variable de tiempo o de tendencia

Si rechazamos la hipótesis nula, esto significa que 1) Yt es estacionaria con media cero en el caso de la
ecuación (21.9.2) o que 2) Yt es estacionaria con una media distinta de cero en el caso de (21.9.4). En el
caso de la ecuación (21.9.5), podemos probar que δ < 0 (es decir, no hay tendencia estocástica) y α ≠ 0
(es decir, la existencia de una tendencia determinista) simultáneamente, mediante la prueba F pero con los
valores críticos tabulados por Dickey y Fuller. Cabe señalar que una serie de tiempo puede contener tanto
una tendencia estocástica como una determinista.

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.

ECUACION 21.9.6 ES SIMILILAR A LA FORMA DE LA ECUACION 21.9.2 DONDE Yt es una

caminata aleatoria.
ECUACION 21.9.7 ES SIMILILAR A LA FORMA DE LA ECUACION 21.9.4 DONDE Yt es una
caminata aleatoria con deriva
ECUACION 21.9.8 ES SIMILILAR A LA FORMA DE LA ECUACION 21.9.5 DONDE Yt es una
caminata aleatoria con deriva alrededor de una tendencia determinista.
El principal interés en todas estas regresiones radica en el valor t(= τ) del coeficiente LPIBt−1.
Si analizamos la tabla D.7 del apéndice D, observaremos que los valores críticos tau a 5% para un
tamaño de muestra de 250 (el número más próximo a la muestra de 244 observaciones que estudiamos
aquí) son −1.95 (sin intercepto, sin tendencia), −2.88 (intercepto, pero sin tendencia) y −3.43 (intercepto
y tendencia).

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.

La prueba Dickey-Fuller aumentada (DFA)

En la prueba DF se supone que el termino de error ut no estaba correlacionado. Dickey y

Fuller desarrollaron una prueba cuando dicho término sí está correlacionado, la cual se conoce como
prueba Dickey-Fuller aumentada (DFA).
Esta prueba implica “aumentar “a cualquiera de las tres ecuaciones (dependiendo el objetivo) anteriores la
sumatoria de los valores rezagados de la variable dependiente ΔYt.
Ejemplo: a la ecuación 21.9.5 se alegramos la sumatoria de los valores rezagados de la variable
dependiente ΔYt.
donde εt es un término de error puro de ruido blanco y donde ΔYt−1 = (Yt−1 − Yt−2), ΔYt−2
= (Yt−2 − Yt−3), etc.
En la DFA se sigue probando δ = 0, y además esta prueba sigue la misma distribución asintótica que el
estadístico DF, por lo que se sirven los mismos valores críticos.

Prueba de la significancia de más de un coeficiente:

prueba F
Suponga que estimamos el modelo (21.9.5) y probamos la hipótesis de que β1 = β2 = 0, es decir, el modelo
es Modelo de Caminata Aleatoria sin deriva ni tendencia. Para probar esta hipótesis conjunta utilizamos
la prueba F restringida. Es decir, estimamos (21.9.5) (la regresión no restringida) aquí encontramos el R2
viejo y luego estimamos (21.9.5) otra vez, lo que elimina el intercepto y la tendencia encontramos en R2
nuevo.
Llevamos a cabo la siguiente Formula:

Las pruebas de raíz unitaria Phillips-Perron (PP)

Una prueba alternativa de raíz unitaria fue desarrollada por Phillips y Perron . Al igual que
la prueba ADF, la prueba PP es una prueba de hipótesis sobre p=1 en la ecuación, pero a
diferencia de la prueba ADF, no existen términos de diferencias retardados.
Prueba de cambios estructurales
Un cambio estructural existe cuando hay un cambio inesperado en una serie de tiempo (macroeconómica).
Esto puede hacer que se incurra en grandes errores predictivos y poca fiabilidad del modelo en general.

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.

Crítica de las pruebas de raíz unitaria

¿por qué hay tantas pruebas de raíz unitaria? La respuesta radica en su tamaño y potencia
Tamaño de la prueba
Es cuando se estima de manera equivocada el verdadero modelo, lo cual puede dificultar el
concluir el verdadero nivel de significancia.
Si, por ejemplo, el verdadero modelo es 1) una caminata puramente aleatoria, pero se estima un modelo
2) una caminata aleatoria con deriva y se concluye que, por ejemplo, con un nivel de significancia
de 5% la serie es estacionaria, esta conclusión puede ser errónea porque el verdadero nivel de
significancia en este caso es mucho mayor que 5%
Potencia de la prueba
Debido al poco poder que tienen las pruebas DF se pueden encontrar raíces unitarias que no
existen la realidad.
la potencia depende del lapso de los datos más que del solo tamaño de la muestra. Para una muestra dada
de tamaño n, la potencia es mayor cuando el lapso es grande. En consecuencia, la(s) prueba(s) basada(s)
en 30 observaciones sobre un lapso de 30 años quizá tengan más potencia que una basada por ejemplo en
100 observaciones durante un lapso de 100 días.

ANGIE

Transformación de las series de tiempo no estacionarias

Ante la presencia de una serie de tiempo no estacionario nos preguntamos que podemos
hacer al respecto Para evitar el problema de la regresión espuria, lo que se tiene que hacer es
transformar las series de tiempo no estacionarias en estacionarias: Existen métodos de
transformación pero eso va a depender de que las series de tiempo sean procesos
estacionarios en diferencias (PED), es decir, si una serie de tiempo tiene una raíz unitaria, las
primeras diferencias de tales series de tiempo son estacionarias. o procesos estacionarios con
tendencia, es decir, si su incremento o disminución fluctúan alrededor de la línea de tendencia.
(PET).
Procesos estacionarios en diferencias
Si una serie de tiempo tiene una raíz unitaria, las primeras diferencias de tales series son
estacionarias.
En consecuencia, la solución aquí es tomar las primeras diferencias de las series de tiempo.
Al reconsiderar la serie de tiempo LPIB (Producto Interno Bruto) de Estados Unidos, ya vimos
que tiene raíz unitaria.
Ahora veremos lo que sucede si se toman las primeras diferencias de la serie LPIB.
Sea la diferencia del logaritmo producto interno bruto va hacer igual a la diferencia entre el
periodo actual y el periodo anterior. ΔLPIBt = (LPIBt − LPIBt−1). Por conveniencia, sea Dt =
ΔLPIBt. Ahora considere la siguiente regresión:

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.

PROCESOS ESTACIONARIOS EN DIFERENCIAS.

Como podemos observar en la gráfica 21.9 que son las primeras diferencias de los
logaritmos del Producto Interno Bruto de Estados Unidos en los años 1947 – 2007
trimestralmente, a simple vista se puede ver que la serie de tiempo es estacionaria, ya
que, se establece a lo largo del tiempo, es decir, cuando la media y varianza son
constantes en el tiempo. Lo adecuado sería trabajar con series de tiempo estacionarias,
en el caso que no sean así podemos aplicar métodos de corrección. En la otra grafica
21.1 que es logaritmo del Producto Interno Bruto, el Ingreso Personal Disponible (IPD)
y Gasto de Consumo Personal Real (GCP) en los años 1947 y 2007 podemos observar
que es una serie no estacionaria, porque la tendencia o variabilidad cambian en el
tiempo.
SINDY
Procesos estacionarios en tendencia
Como vimos en la figura 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. En otras palabras, realizamos la siguiente regresión:

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.

COMO OBSERVAR CUANDO EL COMPORTAMIENTO DE LOS RESIDUOS SIMILIAR AL COMPARAR

DE LA VARIBALE EN ESTUDIO LPIB TENEMOS UN CASO DE NO ESTACIONARIDAD

21.11 COINTEGRACIÓN: REGRESIÓN DE UNA SERIE DE TIEMPO CON RAÍZ UNITARIA SOBRE
OTRA SERIE DE TIEMPO CON RAÍZ UNITARIA.

COINTEGRACION Y MECANISMO DE CORRECION DE ERRORES

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.

LAS SERIES ESTACIONARIAS SE CARACTERIZAN POR TENER MEMORIAS DE CORTO PLAZO ES

DECIR LOS POSIBLES FENOMENOS DEL PASADO NO INFLUYEN NI TIENEN EFECTO EN EL
PRESENTE NI FUTUTO. LO CONTRARIO SUCEDE CON LAS NO ESTACIONARIAS YA QUE ESTAS
SERIES DE TIEMPO SI TIENEN LA MEMORIA A LARGO PLAZO EN EL CUAL VEMOS QUE LOS
FENOMENOS DEL PASADO SI INFLUYEN DE ALGUNA FORMA AL ESTIMAR NUESTRA REGRESION
ES DECIR, SI TIENEN EFECTO.

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:

• En cointegración es importante que las dos variables sean no estacionarias (integradas

de orden cero)

• Otro es que X y Y deben tener el mismo orden de integración

Si X es integrado en orden I(1) ENTONCES Y es integrado en orden I(1)

Si X es integrado en orden I(2) y Y es integrado en orden I(1) (NO PODEMOS HABLAR DE

COINTEGRACION).

• No podemos hablar de cointegración con las series que son estacionarias de orden I(0).

CONDICIONES

¿Cómo SABER SI X,Y COINTEGRAN?

1°PASO: REGRESION --- Deben de tener el mismo orden de integración

2°PASO: Estimamos el error del modelo

3°PASO: Analizar la estacionariedad

Aplicamos test raíz unitaria al error

CONCLUSION

Dos series no estacionarias cointegran si es el error de la regresión es estacionaria, ya que si

este resulta no estacionario es decir que está integrada en orden 1 al momento de graficarlo
este va presentar alguna tendencia o comportamiento, al contrario si el error es integrada de
orden cero su grafica flutuarara alrededor de algún valor medio ya que no se va mostrar algún
comportamiento o algún patrón.

COINTEGRACION Y MECANISMO DE CORRECION DE ERRORES

Si nosotros tenemos nuestra regresión y vemos que nuestra x y y estan cointegrados

entonces podemos crear nuestro mecanismo de corrección de error que se expresa por:

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