Relación de largo plazo entre la tasa de crecimiento del PIB y la

tasa de crecimiento PCE, para Estados Unidos

Camilo Andrés Manrique Tabares

En términos de macroeconomı́a agregada y medidas de producción nacional, quizá la varia-

ble mas reconocida y fomentada por organismos multilaterales y de cooperación mundial es el
Producto Interno Bruto (PIB). En resumidas cuentas este indicador refleja de forma nominal
la producción de un paı́s en un determinado periodo de tiempo, siendo una de las principales
variables para modelos, pronósticos, presupuestos etc. Al analizar series que tuvieran un com-
portamiento relacionado con el PIB, se pudo validar que el PCE (gasto de consumo personal),
que refleja los cambios en los precios de bienes y servicios de consumo personal durante cierto
tiempo, tiene un comportamiento bastante similar en el largo plazo al de la serie del Producto
Interno Bruto, de hecho sirve en parte para explicarlo, es por esto que son las dos series elegidas
para validar la cointegración y diferentes metodologı́as. Ambas series son de Estados Unidos
entre los años 1960 y 2020, con datos trimestrales.

Estadı́stica Descriptiva

Datos para tener en cuenta sobre las series:

En total son 241 datos por serie, ambas series son medidas en billones de dólares (a pesar
de que el PCE es oficialmente un ı́ndice).
Dados sus valores demasiado grandes, se trabajarán con logaritmos, es decir, tasas de
crecimiento.
La media del PCE es de 5250,4 y su mediana 3857,3, también su dato mı́nimo es 315,5 y
máximo 16719,8. Su desviación estándar es de 4630,474
La media del PIB es de 7904,5 y su mediana 6009,9, también su dato mı́nimo es 522,7 y
máximo 24384,3. Su desviación estándar es de 6759,265
A continuación gráficos de densidad de las series, con comportamientos parecidos a una normal
pero una concentración mayor hacia la derecha o valores más altos:

1
 Realizando un primer análisis gráfico de las series, se puede observar un comportamiento
similar y casi idéntico, inclusive en el largo plazo parecieran tener una tendencia bastante pare-
cida y una relación estable. A continuación se proceden a realizar las respectivas metodologı́as
para confirmar si efectivamente hay cointegración entre ambas.

Metodologı́a Engle-Granger

De forma generalizada, se debe recordar que dos variables están cointegradas si primeramente
existe una combinación lineal entre ellas que es estacionaria y adicional o como primera condi-
ción, deben ser integradas de orden 1 (su primera diferencia es estacionaria). La metodologı́a
de Engle-Granger se va a repartir en cuatro pasos: primeramente analizar el orden de inte-
gración y en este caso que sean I(1), en segundo lugar se realiza una estimación por mı́nimos
cuadrados ordinarios y se analiza estacionariedad en los residuales, tercero en caso de estar
cointegradas se estima una regresión en niveles, en este caso mediante mı́nimos cuadrados ordi-
narios dinámicos, pues es de esta forma como se puede hacer inferencia estadı́stica, o también
un modelo de corrección de error, y por ultimo realizar la validación de los respectivos supuestos.

Primer paso: prueba de Dickey-Fuller(DF) y Dickey-Fuller aumentada(ADF)

Dado que las series presentan de forma gráfica una tendencia clara, se va a realizar el test de
Dickey-Fuller de forma aumentada, pues se requiere confirmar que hay algún tipo de tendencia
y/o constante. Para cada prueba cambian los valores crı́ticos, en el anexo se encuentran las
tablas con sus valores respectivos según la prueba. La Ho indica que la serie tiene al menos una
raı́z unitaria, la H1 que es estacionaria.
Para la tasa de crecimiento del PIB

Prueba ADF con tendencia: con un p-valor de 0,0392 en el tau3, no se rechaza la Ho y la

serie tiene al menos una raı́z unitaria. De igual forma con un p-valor de 7,583 se rechaza
la Ho en favor de la H1 que indica que hay una tendencia en la serie. Con un nivel de
significancia del 5 %.

Prueba ADF con deriva: con un p-valor de -3,8094 en el tau2, se rechaza la Ho y la serie
no tiene raı́z unitaria. De igual forma con un p-valor de 14,2573 se rechaza la Ho en favor
de la H1 que indica que hay que incluir un intercepto. Con un nivel de significancia del
5 %.

Series de tiempo multivariadas 2

 Prueba DF: con un p-valor de 2,6195 en el tau1, no se rechaza la Ho y la serie tiene al
menos una raı́z unitaria. Con un nivel de significancia del 5 %.

Para la tasa de crecimiento del PCE

Prueba ADF con tendencia: con un p-valor de 0,9157 en el tau3, no se rechaza la Ho y la

serie tiene al menos una raı́z unitaria. De igual forma con un p-valor de 6,7583 se rechaza
la Ho en favor de la H1 que indica que hay una tendencia en la serie. Con un nivel de
significancia del 5 %.

Prueba ADF con deriva: con un p-valor de -3,0523 en el tau2, se rechaza la Ho y la serie
no tiene raı́z unitaria. De igual forma con un p-valor de 8,2032 se rechaza la Ho en favor
de la H1 que indica que hay que incluir un intercepto. Con un nivel de significancia del
5 %.

Prueba DF: con un p-valor de 1,6984 en el tau1, no se rechaza la Ho y la serie tiene al

menos una raı́z unitaria. Con un nivel de significancia del 5 %.

En este sentido, al realizar el test se comprobó que tanto la serie del PIB como la del PCE tienen
tendencias determinı́sticas, incluyen deriva y tienen al menos una raı́z unitaria, por lo tanto,
ninguna de ellas es estacionaria. De acuerdo con los resultados, se realiza una prueba ADF
con tendencia (pues el intercepto se elimina al diferenciar), sobre las series diferenciadas para
verificar que ambas sean I(1). El resultado es que en efecto su primera diferencia es estacionaria.

Para la tasa de crecimiento del PIB se tiene un p-valor de -5,2442 en el tau3, por ende
se rechaza la Ho de que hay al menos una raı́z unitaria y la diferencia de la serie es
estacionaria. De igual forma con un p-valor de 13,9807 se rechaza la Ho en favor de la H1
que indica que hay una tendencia en la serie. Con un nivel de significancia del 5 %

Para la tasa de crecimiento del PIB se tiene un p-valor de -4,2369 en el tau3, por ende
se rechaza la Ho de que hay al menos una raı́z unitaria y la diferencia de la serie es
estacionaria. De igual forma con un p-valor de 9,4093 se rechaza la Ho en favor de la H1
que indica que hay una tendencia en la serie. Con un nivel de significancia del 5 %

Segundo paso: estimación en niveles por MCO.

Posteriormente se realiza una regresión del logaritmo del PIB en función del logaritmo del
PCE con el objetivo de ver el comportamiento de los residuales y determinar si las series están
cointegradas. De forma gráfica se puede evidenciar que si bien hay una pequeña caı́da al inicio, los
valores son demasiado cercanos al cero, demostrando un comportamiento estacionario. También
la gráfica de la FAC cae rápidamente a cero y en la FACP se presenta un proceso que parece
ruido blanco.

Series de tiempo multivariadas 3

Realizando una prueba ADF sobre los residuales, se obtiene un p-valor de -3,6257, rechazando
la Ho de al menos una raı́z unitaria y confirmando que el proceso es estacionario y que las series
están cointegradas. Adicional se realiza un test de cointegración sobre ambas series, resultando
con un p-valor de 0,042 un rechazo a la Ho de no cointegración y confirmando nuevamente una
relación de largo plazo. Este ultimo test es únicamente en forma de verificación, no representa
una prueba formal.
Tercer paso: regresión por MCOD y corrección de errores
Dada la distribución y caracterı́sticas de un proceso con modelo de regresión lineal, no resulta
la mejor forma de hacer inferencia estadı́stica, si bien hay consistencia en los estimadores. En este
caso se realiza a estimación mediante el modelo de mı́nimos cuadrados ordinarios dinámicos, que
permite incluir rezagos y adelantos de la variable regresora diferenciada. El modelo de corrección
de error permitirá observar las relaciones de corto y largo plazo.
Mı́nimos cuadrados ordinarios dinámicos
Según los valores AIC sobre modelos con diferente número de rezagos y adelantos, la cantidad
de estos a incluir es de 4. El coeficiente de largo plazo es de 0,9660, bastante cercano al 1 teórico.
Los valores de los estimadores resultan ser significativos cuando se evalúan adelantos y relaciones
de largo plazo en el modelo, contrario a sus rezagos que no lo son.

Figura 1: Modelo de mı́nimos cuadrados ordinarios dinámicos

Series de tiempo multivariadas 4

 Figura 2: Modelos de corrección de error

Sobre este modelo se va a realizar una validación para verificar el comportamiento de corre-
lación de los residuales y ası́ mismo si son estacionarios. Primeramente se realiza una prueba
DF para validar raı́ces unitarias en el modelo. Con un p-valor de -4,5574 se rechaza la Ho y
los residuales son estacionarios, a un nivel de significancia del 5 %. De la misma forma los test
de Box-Pierce y Ljung-Box, con 60, 30 y 20 rezagos, rechazan la Ho de no autocorrelación con
p-valores ≈ 0 y niveles de significancia del 5 %. En conclusión este modelo es estacionario pero
presenta procesos de autocorrelación en los residuales, en parte porque no incluye rezagos de la
variable dependiente.
Cuarto paso: estimación de modelo de corrección de errores y validación de supues-
tos
Este modelo nos permite incorporar relaciones de corto y largo plazo, donde además se
incluyen rezagos de la variable dependiente, por lo que se capturan estructuras de correlación
de carácter autorregresivo, que en el MCOD no fueron incorporadas. Dado que el β = 0, 9660
de la anterior estimación se acerca al valor teórico, se usa también para estimar este modelo,
de la misma forma por supuestos se toman 3 rezagos por ecuación (ver figura 2). Para la tasa
de crecimiento del PIB como variable dependiente, el parámetro de velocidad de ajuste α es
el esperado, por ejemplo, ante un choque en el crecimiento del PIB que lo haga aumentar, se
puede esperar que la tasa de crecimiento del PCE disminuya para continuar la relación de largo
plazo. En el caso de la tasa de crecimiento del PCe como variable dependiente también se tiene
un α esperado, pues una vez que si la anterior se encontraba en el periodo t − 1, en este caso el
periodo t se espera que la tasa de crecimiento del PIB aumente para continuar esa relación de
largo plazo (comportamiento similar en niveles). Se puede decir que el modelo se ajusta a las
desviaciones de la relación de cointegración.
Validación de supuestos

Prueba DF sobre la tasa de crecimiento del PIB: con un p-valor de -10,9337, se rechaza la
Ho de al menos una raı́z unitaria y se establece que los residuales son estacionarios. Con
nivel de significancia del 5 %.

Prueba DF sobre la tasa de crecimiento de PCE: con un p-valor de -10,6861, se rechaza la

Ho de al menos una raı́z unitaria y se establece que los residuales son estacionarios. Con
nivel de significancia del 5 %.

Series de tiempo multivariadas 5

 Test de Box-Pierce para autocorrelación en los residuales: tomando 60, 30 y 20 rezagos
para cada modelo y con p-valores en ambos que oscilan entre 0,2697 y 0,7562, no se rechaza
la Ho de no autocorrelación en los residuales y se establece que hay un cumplimiento del
supuesto de aucotorrelación en ambos modelos. Con nivel de significancia del 5 %.

Test de Ljun-Box para autocorrelación en los residuales: de la misma forma que el anterior,
p-valores que oscilan entre 0,2697 y 0,7562 para ambos modelos, en este caso no se rechaza
Ho y se cumple el supuesto de no autocorrelación en los residuales. Con un nivel de
significancia del 5 %.

Adicionalmente desde la FAC y la FACP se puede observar que no hay rezagos autocorrela-
cionados significativos o afuera de las bandas de confianza, por ende de forma gráfica también
podemos validar dicho supuesto.

Test de Johanssen

Esta prueba permite validar relaciones de cointegración en varias series de tiempo, de esta forma
resulta más general que la prueba Engle-Granger. Se reparte en cuatro etapas: primeramente la
verificación del orden de cointegración, en segundo lugar el análisis de la matriz que contiene el
número de relaciones de cointegración y por ultimo validación de supuestos del modelo estimado.
Primer paso: identificar orden de cointegración
Dados los resultados de las pruebas ADF de las series en niveles hallados anteriormente,
se tiene preliminarmente que ninguna es estacionaria y que además incluyen derivas y una
tendencia deterministica, por eso se realizan las respectivas ADF directamente sobre las series
diferenciadas. Para el cambio en la tasa de crecimiento del PIB con un p-valor de -7,7905 en el
tau3, se rechaza la Ho y se establece que la primera diferencia es estacionaria, adicional con un
p-valor de 30,407, se confirma una tendencia. De la misma forma para la diferencia en la tasa
de crecimiento de PCE con un p-valor de -4,4333 en el tau3, se rechaza la Ho y se establece
que la primera diferencia es estacionaria. Igualmente presenta una tendencia con un p-valor de
10,2319. A un nivel de significancia del 5 %.

Para saber el orden del VAR en niveles se toma una selección de varios modelos VAR
mediante el criterio AIC, que sugiere un orden de 2 o 3 rezagos respectivamente. Por el criterio
de parsimonia se toma el VAR de orden 2, sin embargo al realizar las pruebas de Pormenteau
para especificación y autocorrelación en los residuales, se rechaza la Ho con rezagos de 70, 30,
20 y 10, incumpliendo el supuesto. Dada esta situación se toma el VAR de orden 3 con la misma
cantidad de rezagos, con unos p-valor de 0,855 - 0,2294 - 0,1405 - 0,2966 respectivamente,
no rechazando la Ho de un modelo bien especificado y no autocorrelación. Con un nivel de
significancia del 5 %. El comportamiento gráfico de los residuales es el esperado, donde no hay

Series de tiempo multivariadas 6

algun rezago que salga de las bandas de confianza y validando la no autocorrelación. Si bien los
datos si están concentrados alrededor de la media, su distribución no es la más clara.

Segundo paso: determinación de rango de la matriz π

Las pruebas para validar orden de cointegración arrojan un r=1. De acuerdo con los re-
sultados gráfico y de ADF, se estiman la pruebas y el modelo incluyendo la tendencia linea y
se desestiman pruebas que no la incluyan. Adicionalmente se realiza una prueba de razón de
verosimilitud para confirmar que el modelo se estime con una tendencia incluida, rechazando la
Ho con un p-valor de 0,03 y una significancia del 5 % y confirmando que se debe incluir.

Pruebas con tendencia lineal: la prueba sin traza arroja un p-valor de 44,42 rechazando la
Ho de r=0. La misma prueba con un p-valor de 8,15 no rechaza la hipótesis nula de r ≦ 1
y confirma 1 relación de cointegración. La prueba con traza arroja un p-valor de 52,57
rechazando la Ho de r=0. La misma prueba con un p-valor de 8,15 no rechaza la hipótesis
nula de r ≦ 1 y confirma 1 relación de cointegración Con un nivel de significancia del 5 %.
Se debe recordar que de acuerdo a la prueba, a ese mismo nivel de significancia las series
están cointegradas.

Se realiza la estimación del modelo VECM de acuerdo a los criterios anteriormente seleccionados,
obteniendo las matrices β de vector de cointegración normalizado y α de velocidad de ajuste.
Los valores de los parámetros del vector β son cercanos a 1, de forma similar a valores de
estimadores para modelos anteriores. En el caso de la velocidad de ajuste es bastante cercana a
cero en 1 parámetro, en el otro es positivo y significativo.
   
1 −0, 0061
β= α=
−0, 9680 0, 1530
Tercero paso: validación de supuestos del modelo
Para este paso se debe reparametrizar el VECM como un VAR en niveles, se sabe que
dadas las caracterı́sticas de ambos esto es posible, inclusive representando un VAR(p) como un
VECM(p-1). Recordando que el orden elegido habia sido de p=3, se tienen las matrices Ai de
coeficientes:
     
0, 9098 0, 5872 0, 1187 −0, 3188 −0, 0347 −0, 2623
A1 = A2 = A3 =
0, 2157 1, 0437 −0, 0661 −0, 0323 −0, 0034 −0, 1595

Prueba para autocorrelación serial: tomando 75, 30, 20 y 10 rezagos, con p-valores de
0,2125 a 0,9342, no se rechaza la Ho y se cumple el supuesto de autocorrelación serial.

Series de tiempo multivariadas 7

 Test Arch multivariado para homocedasticidad: con rezagos de 24 y 12 respectivamente,
se tienen unos p-valor de 0,2307 y 0,08713, con lo cual no se rechaza la Ho y se cumple el
supuesto de comportamiento homocedastico en los residuales.

Test de normalidad de Jarque-Bera: Con un p-valor cercano a cero, se rechaza la Ho de

normalidad y se tiene que no se cumple este supuesto. En este caso se deben calcular
intervalos bootstraping para poder hacer inferencia.

Las funciones impulso-respuesta muestran en principio como ante un parámetro de crecimiento

de las tasas para el PIB y PCE, estas también esperan aumentar, podrı́a ser muy parecido a
una elasticidad, pues la serie estimada ya es una tasa de crecimiento. En otros casos ante un
choque en una de las variables, por ejemplo la tasa de crecimiento del PIB, se espera que de la
misma forma la otra variable tienda a disminuir y en el largo plazo tomen un comportamiento
similar.

Conclusiones
De acuerdo a los modelos estimados y si bien ya se brindaron unos resultados, cabe decir
que tanto el modelo de corrección de errores como el VECM fueron los esperados, en ambos
coeficientes significativos y una validación de los supuestos correcta, exceptuando la normalidad
en el segundo. Ambas series y sus respectivas transformaciones permiten que estos modelos sean
adecuados para dar manejo a su cointegración. El MCOD como se esperaba presenta problemas
respecto a autocorrelación, pues no tiene rezagos de la variable dependiente por lo cual es
sensible a este problema, de esa forma se concluye que no es un buen modelo en este caso.

Modelo VAR de series diferenciadas

Primeramente se realiza una gráfica de las series diferenciadas, en esta parte se puede analizar
gráficamente que parecen ser estacionarias y tener una relación de largo plazo. Las series en
este caso serı́an diferencias en las tasas de crecimiento.

Series de tiempo multivariadas 8

Primeramente se realiza un test ADF en ambas series para confirmar que sean estacionarias, de
esta manera, también aunque no se presente una tendencia, se realizan las 3 pruebas: respecto
a la diferencia de la tasa de crecimiento del PIB, se elige la ADF con deriva, pues se rechaza la
de tendencia, en este caso el p-valor de tau2 es de -4,5342, rechazando la Ho de raı́z unitaria y
verificando que es estacionaria. También se tiene un p-valor de 10,2905 con el cual se rechaza la
Ho en favor de incluir un intercepto. De la misma forma sucede para la diferencia de en la tasa
de crecimiento PCE, con un p-valor de -4,2726 para rechazar la Ho de raı́z unitaria y 9,1292
para rechazar la Ho en favor de incluir intercepto. Con un nivel de significancia del 5 %. En
conclusión las series son estacionarias y se debe incluir un intercepto.
Identificación El criterio AIC de acuerdo con un VAR estimado, sugiere 3 rezagos. También se
realiza el proceso de selección incluyendo intercepto y sin términos deterministicos, resultando
el intercepto significativo, de manera que se sigue incluyendo.
Estimación Una vez tomado el VAR con 3 rezagos y un intercepto, se procede a validar su
estabilidad mediante los valores propios de la matriz de coeficientes, en este caso son 6 valores
entre 0,3403 y 0,8426, todo menores que 1, por ende se confirma que es estable. Las matrices
de estimadores Ai son:
     
−0, 0787 0, 59 0, 0438 0, 2553 −0, 0670 0, 0402
A1 = A2 = A3 =
0, 1099 0, 2046 −0, 0037 −0, 2496 −0, 0365 0, 2047

Validación
Primeramente se valida el supuestos clave que es el de ruido blanco en los residuales, por
ende se toma un test de autocorrelación serial con 50, 30, 20 y 10 rezagos y unos p-valores
0,1458 - 0,1401 - 0,0937 - 0,05687, de esta manera no rechazo la Ho de no autocorrelación serial
y se tiene un cumplimiento de dicho supuesto.

Test arch multivariado para homocedasticidad: con 24 y 12 rezagos se tienen unos p-

valores de 0,2005 y 0,1208, por ende no se rechaza la Ho de homocedasticidad y se cumple
el supuesto.

Test de Jarque-Bera multivariado para normalidad: Con un p-valor cercano a cero, se

rechaza la Ho de normalidad y se tiene que este supuesto no se cumple. En este caso como
anteriormente, se deben calcular unos nuevos intervalos bootstraping para poder hacer
inferencia. Los intervalos se calculan para poder realizar y validar los gráficos impulso-
respuesta ortogonalizados.

Series de tiempo multivariadas 9

Por ultimo se tiene que los supuestos se cumplen parcialmente, el más importante que es el
de autocorrelación y comportamiento ruido blanco en los residuales, se cumple de forma co-
rrecta, sin embargo no es el caso de la normalidad, donde se realiza cierto calculo aparte en
los intervalos de confianza para que se pueda realizar inferencia respecto a las funciones de
impulso-respuesta. Se puede evidenciar en las IRF que ante choques en una de las diferencias
de la tasa de crecimiento, por ejemplo en la del PIB, esta aumenta en su primer paso pero in-
mediatamente comienza la variable del PCE a disminuir, inclusive tiende a su media. De forma
análoga pasa al contrario, cuando hay un choque en la diferencia de la tasa de crecimiento de
PCE, se presenta un decaimiento en la diferencia de la tasa de crecimiento del PIB, tendiendo
a su media de largo plazo.

Series de tiempo multivariadas 10

 Anexos

DF hace referencia a prueba Dickey Fuller

ADF hace referencia a prueba Dickey Fuller aumentada, es decir, incluyendo intercepto o
tendencia.

Dado que los valores criticos cambian según la prueba, se incluyen a continuación:
Prueba DF

Nivel de significancia 1% 5% 10 %
tau1 -3,43 -2,86 -2,57

ADF con intercepto

Nivel de significancia 1% 5% 10 %
tau2 -3,46 -2,88 -2,57
phi1 6,52 4,63 3,81

ADF con tendencia

Nivel de significancia 1% 5% 10 %
tau3 -3,99 -3,43 -3,13
phi2 6,22 4,75 4,07
phi3 8,43 6,49 5,47

GDPL og y P CEL og hacen referencia a las tasas de crecimiento de cada variable, en este
caso usadas como variables explicativas para los modelos.

Todas las pruebas de hipotesis son a un nivel de significancia de 5 %.

En total los modelos estimados fueron MCO (mı́nimos cuadrados ordinarios), MCOD
(mı́nimos cuadrados ordinarios dinámicos), modelo de corrección de errores, VECM (mo-
delo de corrección de errores multivariado) y VAR (vector autorregresivo).

Series de tiempo multivariadas 11

 Referencias

Enders, W (2015). Applied Econometric Time Series. Fourth Edition. University of Ala-
bama. Tuscaloosa, Alabama, United States.

Wooldridge, J (2010). Introducción a la Econometrı́a. 4ta edición. Michigan State Univer-

sity. Ann Arborn, Michigan, Estados Unidos.

FRED (2022). Datos obtenidos de Federal Reserve Economic Data. https://fred.stlouisfed.org/

Series de tiempo multivariadas 12