ANÁLISIS DE

SERIES DE TIEMPO
Mg. Heber Baldeón Paucar
heberjbaldeon@gmail.com

Análisis de Datos y
Econometría Aplicada con R
 Índice
• Series de tiempo
– Definición, composición y propiedades
– Análisis espectral y filtros
• Series de tiempo univariados
– Modelos para la media:
• Series estacionarias: Metodología Box Jenkins
• Series no estacionarias: Pruebas de raíz unitaria
– Modelos para la varianza:
• Efectos simétricos (ARCH, GARCH)
• Efectos asimétricos (GJR, TARCH)
• Series de tiempo multivariados
– Series estacionarias: VAR (Función impulso respuesta y Descomposición de la varianza),
SVAR
– Series no estacionarias: VEC (metodología de Johnson)
Bibliografía
 ¿ Qué es una Series de Tiempo?
• Es una secuencia de variables aleatorias indexadas al conjunto tiempo.

(𝑖)
𝑋𝑡 , 𝑡 = 0,1,2,3, …

Ejemplos:
– Número de horas de vista de una página web
– Temperatura diaria de la ciudad de Lima
– Ventas mensuales de un producto
– Ingresos trimestrales de una empresa
– Población anual de un país

• Una serie de tiempo contiene información acerca de la tendencia de la data, efectos

estacionales, eventos ocasionales y entre otras.
Descomposición de una serie de tiempo

• Estacionalidad: fluctuaciones periódicas

causadas por influencias regulares
(modelado con una serie de Furier).
• Tendencia: refleja la evolución a largo
plazo, no periódico (modelado como a)
una regresión con respecto al tiempo
(Y=a+bt), un modelo de crecimiento
logístico o extraído de la base de datos
utilizando Medias Móviles)
• Irregular o aleatorio: Variaciones
aleatorias causadas por influencias
impredecibles.
 Descomposición de una serie de tiempo
Hay 2 principales modelos que generalmente son utilizados para modelar los efectos
de estos componentes:
• Modelo aditivo: • Modelo multiplicativo:
𝑌 𝑡 = 𝑇 𝑡 + 𝑆 𝑡 + 𝐶 𝑡 + 𝐼(𝑡) 𝑌 𝑡 = 𝑇 𝑡 ∗ 𝑆 𝑡 ∗ 𝐶 𝑡 ∗ 𝐼(𝑡)
– Asume que los 4 componentes son – Asume que los componentes son
independientes (un incremento en la tendencia dependientes.
no afecta la magnitud de la estacionalidad). – Los componentes de la serie saltan
– La diferencia entre la tendencia y los datos en magnitud en el tiempo.
brutos es más o menos constante en periodos – La estacionalidad y el componente
de tiempo similares. irregular cambian de una manera
– El patrón de variación estacional es más o específica después de la tendencia
menos estable durante el año (los movimientos (la amplitud de la estacionalidad se
estacionales son aproximadamente los mismos incrementa cuando se incrementa
de año en año) la tendencia)
Descomposición de una serie de tiempo
 Descomposición de una serie de tiempo
• Modelo exponencial: la serie de tiempo tiene una tendencia y.
– Holt, para series sin estacionalidad (E=0);
– Holt-Winters, para series con tendencia y estacionalidad. Modelo multiplicativo cuando
el patrón estacional es creciente, y modelo aditivo cuando es constante.
𝑀𝑜𝑑𝑒𝑙𝑜 𝑎𝑑𝑖𝑡𝑖𝑣𝑜 𝑀𝑜𝑑𝑒𝑙𝑜 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑜

𝑀𝑒𝑑𝑖𝑎: 𝑚𝑡 = 𝛼 𝑦𝑡 − 𝐸𝑡−𝑠 + (1 − 𝛼)(𝑚𝑡−1 + 𝑇𝑡−1 ) 𝑀𝑒𝑑𝑖𝑎: 𝑚𝑡 = 𝛼 𝑦𝑡 /𝐸𝑡−𝑠 + (1 − 𝛼)(𝑚𝑡−1 + 𝑇𝑡−1 )

𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎: 𝑇𝑡 = 𝛽 𝑚𝑡 − 𝑚𝑡−1 + (1 − 𝛽)𝑇𝑡−1 𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎: 𝑇𝑡 = 𝛽 𝑚𝑡 − 𝑚𝑡−1 + (1 − 𝛽)𝑇𝑡−1

𝐸𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑: 𝐸𝑡 = 𝛾 𝑦𝑡 − 𝑚𝑡 + (1 − 𝛾)𝐸𝑡−𝑠 𝐸𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑: 𝐸𝑡 = 𝛾 𝑦𝑡 /𝑚𝑡 + (1 − 𝛾)𝐸𝑡−𝑠

𝑷𝒓𝒐𝒏ó𝒔𝒕𝒊𝒄𝒐: 𝑃𝑡+𝑖 = 𝑚𝑡 + 𝑖 𝑇𝑡 + 𝐸𝑡−𝑠+𝑖 𝑷𝒓𝒐𝒏ó𝒔𝒕𝒊𝒄𝒐: 𝑃𝑡+𝑖 = 𝑚𝑡 + 𝑖 𝑇𝑡 ∗ 𝐸𝑡−𝑠+𝑖

• El objetivo es calibrar los factores 𝛼, 𝛽, 𝛾 ∈ [0,1]

Descomposición de una serie de tiempo
 Descomposición de una serie de tiempo
Filtros para extraer los ciclos (fluctuaciones recurrentes en la actividad real respecto a una tendencia):
• Filtro de Hodrick – Prescott (1980): El componente tendencia de una serie es el que minimiza la
ecuación:
𝑇 𝑇−1 𝑇
෢𝑗 = 𝑎𝑟𝑔𝑚𝑖𝑛 ෍ 𝑦𝑡 − 𝜏𝑡
𝐵 2
+ 𝝀 ෍ 𝜏𝑡+1 − 𝜏𝑡 − 𝜏𝑡 − 𝜏𝑡−1 2
, 𝑠𝑎: ෍ 𝑦𝑡 − 𝜏𝑡 = 0
𝑡=1 𝑡=2 𝑡=1

• Filtro de Baxter-King, Band pass (1995): B son los ponderadores de promedios móviles, estos
ponderados se obtienen de una transformación inversa de Fourier.
𝑛 𝑛

𝑦𝑡 = 𝐵෠ 𝐿 𝑥𝑡 = ෍ 𝐵 ෢ 𝑥𝑡 + ෍ 𝐵
෢𝑗 𝑥𝑡+𝑗 = 𝐵0 ෢𝑗 (𝑥𝑡−𝑗 + 𝑥𝑡+𝑗 )
𝑗=−𝑛 𝑗=1
• Filtro de Christiano-Fitzgerald (1999): El filtro CF trata de minimizar el error cuadrático medio –
ECM, respecto a un filtro band pass ideal.
𝑡−1
𝑐𝑓 𝑐𝑓
𝐶𝑡 = ෍ 𝜓𝑗 𝑌𝑡
𝑗=𝑡−𝑇
 Series de tiempo univariadas
• Hay muchos diferentes enfoques, pero solo consideraremos 2:
– Modelos estocásticos
• ARMA
• SARIMA
– Modelos de Redes Neuronales Artificiales
Modelos ARMA: Modelos ARIMA:
• Asume que las realizaciones de los datos es un • Una generalización de los modelos ARMA para series
proceso estacionario. de diferente orden de integración (estacionarias en
• Proceso AR: tiene una relativa larga memoria, diferencia).
porque las ocurrencias están correlacionadas con • Las series de tiempo integradas son diferenciados
todos las ocurrencias anteriores, aunque con hasta que sean estacionarias.
coeficientes decrecientes. • No da soporte al modelamiento de los componentes
estacionales.
• Proceso MA: tienen memoria de corto plazo, ya
que generalmente es un número finito y pequeño
de valores del pasado.
 Modelamiento de las series de tiempo univariadas

¿Cuál de las siguientes series es un proceso estacionaria?

a) No estacionaria en media
b) Estacionaria en media, pero no estacionaria en varianza
c) Estacionaria en media y varianza
Modelamiento de las series de tiempo univariadas
Modelamiento de las series de tiempo univariadas
 Modelamiento de las series de tiempo univariadas

Modelos SARIMA
• Es una modificación a los modelos ARIMA que soporta el comportamiento estacional.
𝐴𝑅𝐼𝑀𝐴 𝑝, 𝑑, 𝑞 𝑥 𝑃, 𝐷, 𝑄 𝑆
Donde: s es la periodicidad de la estacionalidad
(periodo trimestral: 4, periodo anual: 12, etc.)
• Verificar si hay alguna evidencia de una tendencia o efectos estacionales
• Estacionarizar tomando diferencias
• Investigación de componentes estacionales
 Metodología Box Jenkins

NO
Estimación:
Identificación: Diagnóstico:
• Máxima Verosimilitud
Selección de una ¿Es válido el
• Método Generalizado de
especificaciones ARIMA modelo? ¿Cumple
Momentos
(p,d,q) o SARIMA con las
• Mínimos cuadrados propiedades?
(p,d,q,P,D,Q) tentativa.
ordinarios

SI

Utilización del modelo

 Medidas de performance del forecast

Mean error forescast error (MFE) Mean squared error (MSE)

𝑛 𝑛
1 1 2
෍ 𝑥𝑡 − 𝑓𝑡 ෍ 𝑥𝑡 − 𝑓𝑡
𝑛 𝑛
𝑡=1 𝑡=1
• Un buen modelo tiene un MFE cercano • Un buen modelo tiene un MSE cercano a 0.
a 0. – Muestra una idea general del error.
– Provee la dirección de error. – Se enfatiza que el error total de
– MFE=0 no garantiza que la forecast es mas afectado por los
proyección no contenga error. errores individuales grandes.
– Sensible a transformaciones de la – Sensible a transformaciones de la data
data y escala. y escala.
– No penaliza los errores extremos. – Penaliza los errores extremos.
 Medidas de performance del forecast
Normalized Mean squared error (NMSE) U de Theil
𝑛
1 1 𝑛 2
2
෍ 𝑥𝑡 − 𝑓𝑡 2 σ 𝑥 − 𝑓𝑡
𝑛 𝑡=1 𝑡
𝜎 𝑛 𝑈=
𝑡=1
• Un menor NMSE implica un mejor 1 𝑛 1 𝑛
σ𝑡=1 𝑓𝑡 2 σ 𝑥 2
forecast. 𝑛 𝑛 𝑡=1 𝑡
– Es una medida de error • Un buen forecast implica que la U de Theil sea
balanceada. cercana a 0.
– Es efectivo para evaluar la – Es una medida de error total
precisión del forecast de un normalizada.
modelo. – 0 ≤ 𝑈 ≤ 1.
– U=0, significa ajuste perfecto.
Coeficiente de determinación (R2)
2
σ𝑛𝑡=1 𝑥𝑡 − 𝑓𝑡 2
𝑅 = 1− 𝑛
σ𝑡=1 𝑥𝑡 − 𝑥ҧ 2
 Modelos de heterocedasticidad condicional
Precios de cierre de acciones Rendimientos de acciones
(2008-2018) (2008-2018)
 Modelos de heterocedasticidad condicional
Características de las series financieras:
1. Nula o escasa estructura regular dinámica en la media
2. Distribuciones simétricas y con exceso de curtosis (leptocúrticas)
3. Volatilidad:
– No es un componente directamente observable
– Existen clusters de volatilidad
– Evoluciona de forma continua
– No diverge (es estacionaria)
– Leverage: Reacciona de diferente forma ante el distinto signo de las innovaciones en los
precios.
– Mayor volatilidad tras rendimientos muy negativos.
4. Posible presencia de relaciones no lineales.
 Modelos de heterocedasticidad condicional

• Los correlogramas (acp y pacp) no presentaban estructura, ¿es un ruido blanco?

• El valor absoluto y el cuadrado de la serie si presentan estructura.
• Los rendimientos son “menos predecibles” que la volatilidad.
 Modelos de heterocedasticidad condicional
Modelos ARCH:
• Engle (1982) propuso el siguiente modelo para los retornos:
𝑦𝑡 = 𝜇𝑡 + 𝜈𝑡 , 𝑑𝑜𝑛𝑑𝑒 𝜈𝑡 = 𝜎𝑡 𝜀𝑡

• Donde: 𝜇𝑡 es la media del retorno, y 𝜀𝑡 es una variable aleatoria iid con 𝐸[𝜀𝑡 ] = 0 y
𝑉𝑎𝑟(𝜀𝑡 ) = 1.
• El modelo ARCH(1) propuesto por Engle, sostiene que 𝛼0 > 0 (varianza positiva) y
0 < 𝛼1 < 1 (supuesto de estacionariedad).
𝝈𝟐𝒕 = 𝜶𝟎 + 𝜶𝟏 𝝂𝟐𝒕−𝟏
• El problema es que no conocemos 𝜎𝑡2 (volatilidad inobservable), pero si suponemos que
se puede aproximar por 𝜈𝑡2 :
𝑉𝑎𝑟 𝜈𝑡 = 𝑉𝑎𝑟 𝜎𝑡 𝜀𝑡 ⇒ 𝐸 𝜈𝑡2 = 𝐸[𝜎𝑡2 𝜀𝑡2 ] ⇒ 𝜈𝑡2 = 𝜎𝑡2
2
• Si el error de proyección es 𝜉𝑡 = 𝜈𝑡2 − 𝜎𝑡2 , entonces: 𝜈𝑡2 = 𝛼0 + 𝛼1 𝜈𝑡−1 + 𝜉𝑡
 Modelos de heterocedasticidad condicional
Modelos GARCH:
• Bollerslev (1986) propuso el siguiente modelo para los retornos:

𝑦𝑡 = 𝜇𝑡 + 𝜈𝑡 , 𝑑𝑜𝑛𝑑𝑒 𝜈𝑡 = 𝜎𝑡 𝜀𝑡

• Donde: 𝜇𝑡 es la media del retorno, y 𝜀𝑡 es una variable aleatoria iid con 𝐸[𝜀𝑡 ] = 0 y
𝑉𝑎𝑟(𝜀𝑡 ) = 1.
• El modelo GARCH(1,1) propuesto por Bollerslev, sostiene que 𝛼0 > 0 (varianza positiva) y
0 < 𝛼1 < 1, 𝛽1 ≥ 0 𝑦 𝛼1 + 𝛽1 ≤ 1(supuestos de estacionariedad).
𝝈𝟐𝒕 = 𝜶𝟎 + 𝜶𝟏 𝝂𝟐𝒕−𝟏 + 𝜷𝟏 𝝈𝟐𝒕−𝟏
• El problema es que no conocemos 𝜎𝑡2 (volatilidad inobservable), pero si suponemos que se
puede aproximar por 𝜈𝑡2 :
𝑉𝑎𝑟 𝜈𝑡 = 𝑉𝑎𝑟 𝜎𝑡 𝜀𝑡 ⇒ 𝐸 𝜈𝑡2 = 𝐸[𝜎𝑡2 𝜀𝑡2 ] ⇒ 𝜈𝑡2 = 𝜎𝑡2
2
• Si el error de proyección es 𝜉𝑡 = 𝜈𝑡2 − 𝜎𝑡2 , entonces: 𝜈𝑡2 = 𝛼0 + (𝛼1 +𝛽1 )𝜈𝑡−1 + (𝜉𝑡 −𝛽1 𝜉𝑡−1 )
 Modelos de heterocedasticidad condicional
Efecto Leverage:
• La correlación entre las noticias y los retornos son fuertes, sobre todo con las malas noticias.
• Cambios fuertes en el precio de los stocks disminuyen el capital de la empresa. Por eso un
mayor leverage, implica una mayor volatilidad de los precios del stock.
• Todo el modelo es similar a un modelo GARCH:
𝑦𝑡 = 𝜇𝑡 + 𝜈𝑡 , 𝑑𝑜𝑛𝑑𝑒 𝜈𝑡 = 𝜎𝑡 𝜀𝑡
expecto por:
GJR (Glosten, Jagannathan & Runkle, 1993)
𝝈𝟐𝒕 = 𝜶𝟎 + (𝜶𝟏 +𝜸𝟏 𝕝𝝂𝒕−𝟏 <𝟎 )𝝂𝟐𝒕−𝟏 + 𝜷𝟏 𝝈𝟐𝒕−𝟏

TGARCH ó AVGARCH (Taylor, 1986; Zakoian, 1994)

𝝈𝒕 = 𝜶𝟎 + (𝜶𝟏 +𝜸𝟏 𝕝𝝂𝒕−𝟏 <𝟎 ) 𝝈𝒕−𝟏 + 𝜷𝟏 𝝈𝒕−𝟏
Modelos Multivariado
 Modelos Multivariado: VAR
• Reconociendo la complejidad de las interrelaciones macroeconómicas se debe reducir el
número de restricciones a priori impuestas por el modelo. Por ello Sims sugiere los modelos
VAR: donde todas las variables son endógenas y cada una puede ser escrita como una función
lineal de sus propios rezagos y los valores rezagados de las otras variables en el sistema.
• Un modelo VAR es una forma reducida no restricta de un modelo de Ecuaciones Simultáneas.

• Metodología planteada por Sims en 1980. Es un modelo aleatorio, por ello ayuda poco para la
toma de decisiones de política y su objetivo de PREDICCIÓN.
• Su principal problema conceptual está relacionado a la interpretación de las correlaciones
instantáneas entre los términos de error y por tanto entre las variables observables. El VAR
Estructural (SVAR) trata de dar una solución a este problema imponiendo restricciones.
• Como todas las variables son endógenas se requiere estimar una gran cantidad de parámetros.
Se debe determinar la cantidad de rezagos óptima (a veces es complicado).
 Modelos Multivariado: VAR
𝑋𝑡 𝜙11 𝜙12 𝑋𝑡−1 𝜀𝑥,𝑡
= + 𝜀 ,
𝑌𝑡 𝜙21 𝜙22 𝑌𝑡−1 𝑦,𝑡
𝜀𝑥,𝑡 𝜎𝑥2 𝜎𝑥𝑦
donde 𝜀 ∼ 𝑊𝑁 0, Σ , y Σ = 2 .
𝑦,𝑡 𝜎 𝑥𝑦 𝜎𝑦
𝜀𝑥,𝑡−2 𝜀𝑥,𝑡−1 𝜀𝑥,𝑡

𝝓𝟏𝟏 𝝓𝟏𝟏
𝑋𝑡−2 𝑋𝑡−1 𝑋𝑡
𝝓𝟏𝟐 𝝓𝟏𝟐

𝝓𝟐𝟏 𝝓𝟐𝟏
𝑌𝑡−2 𝝓𝟐𝟐
𝑌𝑡−1 𝝓𝟐𝟐
𝑌𝑡

𝜀𝑦,𝑡−2 𝜀𝑦,𝑡−1 𝜀𝑦,𝑡

 Modelos Multivariado: VAR

Analizar la • Pruebas de Raíz

estacionariedad Unitaria

¿Cuál es la variable
• Test de Causalidad
más
a lo Granger
endógena/exógena?

• MCO (SUR, donde las

Estimación variables de cada una de las
ecuaciones son iguales)

Número de • Estadístico de Ratio

rezagos de Verosimilitud
óptimo • AIC y SBC
 Modelos Multivariado: VAR

• Una vez estimado el modelo VAR no se interpretan los coeficientes sino que se van
a analizar 2 herramientas:
• La Función Impulso Respuesta
mide la respuesta de cada una de
las variables en el sistema ante un
shock exógeno (innovación) que se
presenta en alguna de ellas.
• Se analiza:
– Signo de la respuesta.
– Amplitud de la respuesta (que tan
grande es).
– Duración de la respuesta (persistencia).
• La Descomposición de la Varianza
de Proyección nos dice la
proporción de los movimientos en
una secuencia debido a sus
“propios” shocks versus los shocks
de las otras variables.
• Si hay m variables en el modelo, la
variancia se descompondrá en m
partes.
• La suma de las m partes será 100%.
Modelos Multivariado: VAR
 Modelos Multivariado: VEC

Cointegración:
Para el caso de 2 series 𝐼 1 , 𝑋𝑡 e 𝑌𝑡 , si existe 𝛽 s.t. 𝑌𝑡 − 𝛽𝑋𝑡 ∼ 𝐼 0 , se puede decir que 𝑋𝑡 e 𝑌𝑡
están cointegradas o que existe una relación de cointegración entre 𝑋𝑡 e 𝑌𝑡 , por lo que 𝑌𝑡 −
𝛽𝑋𝑡 ∼ 𝐼 0 es denominado una relación de equilibrio de largo plazo entre 𝑋𝑡 y 𝑌𝑡

Test de cointegración:
 Test de Engle Granger
o Fit OLS – 𝑌𝑡 = 𝛼ො + 𝛽𝑋 ෠ 𝑡 + 𝑍መ 𝑡
o Test 𝑍መ 𝑡 es I(0) o I(1)

Con qué test I(0) v.s. I(1):

Dickey-Fuller test & Augmented Dickey-Fuller test
 Modelos Multivariado: VEC

• Un modelo VAR k-dimencional con p lags

𝑋𝑡 = Π1 𝑋𝑡−1 + ⋯ + Π𝑝 𝑋𝑡−𝑝 + 𝜀𝑡
Donde 𝑋𝑡 es un vector de k series de tiempo en el periodo t y 𝜀𝑡 es un vector de white
noise con matriz de covarianzas Σ𝜀

• Si las variables del VAR están cointegradas, el modelo VAR puede ser reescrito de
forma equivalente a vector error correction model (Engel y Granger 1987):

𝛻𝑋𝑡 = ΠX t−1 + Γ1 𝛻Xt−1 + ⋯ + Γ𝑝−1 𝛻𝑋𝑡−𝑝+1 + εt

Π = Π1 + ⋯ + Π𝑝 − 𝐼𝑘
𝑝

Γ𝑘 = − ෍ Π𝑗 , 𝑘 = 1, … , 𝑝 − 1
𝑗=𝑘+1
 Modelos Multivariado: VEC
• Un Vector Error Correction Model (VECM) k-dimencional para un proceso VAR(p)
puede ser reescrito como:
𝛻𝑋𝑡 = Π[𝑘×𝑘] Xt−1 + Γ1 𝛻Xt−1 + ⋯ + Γ𝑝−1 𝛻𝑋𝑡−𝑝+1 + εt

• En el VECM, 𝛻𝑋𝑡 y sus lag son todos I(0)

• Π 𝑘×𝑘 Xt−1 es el termino de corrección del error; Π 𝑘×𝑘 contiene las relaciones de
largo plazo
• 𝑅𝑎𝑛𝑘 Π 𝑘×𝑘 = Número de relaciones de cointegración
• Si hay r vectores de cointegración, Π 𝑘×𝑘 puede ser reexpresado Π 𝑘×𝑘 =
′
𝛼[𝑘×𝑟] 𝛽[𝑟×𝑘]
• 𝜶 contiene la velocidad de ajuste de los parámetros que puede ser interpretado
como el peso con el que cada vector de cointegración aparece.
• 𝜷 contiene los coeficientes de las relaciones de largo plazo
 Modelos Multivariado: VEC
• El estadístico de la traza considera cuando la traza se incrementa por añadir más
eigenvalues adicionales al 𝑟 𝑡ℎ
𝐻0 : 𝑅𝑎𝑛𝑘 Π = 𝑟0
• Hipótesis: ቊ
𝐻1 : 𝑅𝑎𝑛𝑘 Π > 𝑟0
• Test Likelihood ratio:
𝑘

𝐿𝑅𝑡𝑟 𝑟0 = −𝑇 ෍ 𝑙𝑛 1 − 𝜆෡𝑖
𝑖=𝑟𝑜+1
Notas:
• Si 𝑟𝑎𝑛𝑘 Π = 𝑟0 , entonces 𝜆መ 𝑟0+1, … , 𝜆መ 𝑘 todos deberían ser cercanos a 0, o
𝐿𝑅𝑡𝑟 𝑟0 debería ser pequeño para no rechazar H0 como 𝑙𝑛 1 − 𝜆෡𝑖 ≈ 0 𝑠𝑖 𝑖 > 𝑟𝑜
• Si 𝑟𝑎𝑛𝑘 Π > 𝑟0 , entonces 𝜆መ 𝑟0+1 , … , 𝜆መ 𝑘 deberían mayores de 0 pero menores de
1, y 𝐿𝑅𝑡𝑟 𝑟0 debería ser grande para 𝑙𝑛 1 − 𝜆෡𝑖 ≪ 0 para algún 𝑖 > 𝑟0 .
 Modelos Multivariado: VEC
• Test del Máximo eigenvalue: Es un procedimiento secuencial para determinar el
número de cointegración
𝐻0 : 𝑅𝑎𝑛𝑘 Π = 𝑟0
• Hipótesis:ቊ
𝐻1 : 𝑅𝑎𝑛𝑘 Π = 𝑟0 + 1
• Test:
𝐿𝑅𝑚𝑎𝑥 𝑟0 = −𝑇𝑙𝑛(1 − 𝜆መ 𝑟0+1)
Notas:
• El test consiste en ordenar los eigenvalues en orden descendente y considerar
cuando ellos son significativamente diferentes de 0.
• Supongamos que obtenemos n eigenvalues denotados 𝜆1 > 𝜆2 > ⋯ > 𝜆𝑘 , si las
variables no están cointegradas, entonces el rango de Π es 0 y todos los
eigenvalues debería ser iguales a 0, por eso, ln 1 − 𝜆෡𝑖 sería igual a 0.
Modelos Multivariado: VAR, SVAR y SVEC