Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadı́stica Descriptiva
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.
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 %.
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 %.
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 %
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 %.
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
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.
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.
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.
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.
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
Nivel de significancia 1% 5% 10 %
tau2 -3,46 -2,88 -2,57
phi1 6,52 4,63 3,81
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.
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).
Enders, W (2015). Applied Econometric Time Series. Fourth Edition. University of Ala-
bama. Tuscaloosa, Alabama, United States.