ESTADÍSTICA III

TALLER 11: TEST DE RAÍZ UNITARIA

Considere la serie en el archivo ARIMA110.SIMUL.txt, un conjunto de N=201 observaciones obtenidas por simulación.
La gráfica de la serie, y de su ACF son presentadas en la Figura 1:

Series ARIMA1.1.0

1.0
0
-20

0.5
ARIMA1.1.0

ACF
-40

0.0
-60

-0.5
0 50 100 150 200 5 10 15 20

Time Lag

Figura 1: Serie original y su ACF

Realice cada uno de los tests de raíz unitaria DF y ADF cuyos resultados se muestran a continuación (vea la información
destacada en color rojo y azul) ¿Si tuviese que elegir entre estos test según AIC cuál prueba debería realizarse? ¿y según
el BIC cuál?
TABLA 1: RESULTADOS R PARA PRUEBAS DE RAÍZ UNITARIA
DF caso 2:
DF caso 1: Coefficients:
Coefficients: Estimate Std. Error t value Pr(>|t|)
Estimate Std. Error t value Pr(>|t|) (Intercept) -0.098784 0.167588 -0.589 0.5563
z.lag.1 0.014460 0.003797 3.809 0.000189 z.lag.1 0.011440 0.006382 1.793 0.0746

Value of test-statistic is: 3.8088 Value of test-statistic is: 1.7926

Critical values for test statistics: Critical values for test statistics:
1pct 5pct 10pct 1pct 5pct 10pct
tau1 -2.58 -1.95 -1.62 tau2 -3.46 -2.88 -2.57

AIC=663.0018 BIC=669.4958 AIC=664.651 BIC=674.392

DF caso 3 ADF Caso 1 (p=2 por criterio AIC Y BIC)
Coefficients: Coefficients:
Estimate Std. Error t value Pr(>|t|) Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.006752 0.201549 0.034 0.973 z.lag.1 0.004089 0.003124 1.309 0.192
z.lag.1 0.002275 0.011626 0.196 0.845 z.diff.lag1 0.642551 0.058175 11.045 <2e-16
tt -0.003129 0.003317 -0.943 0.347

Value of test-statistic is: 0.1957 Value of test-statistic is: 1.309

Critical values for test statistics: Critical values for test statistics:
1pct 5pct 10pct 1pct 5pct 10pct
tau3 -3.99 -3.43 -3.13 tau1 -2.58 -1.95 -1.62

AIC=665.7492 BIC=678.7373 AIC=566.8551 BIC= 576.5804

ADF caso 2 (p=2, criterio AIC Y BIC) ADF caso 3(p=2 por criterio de AIC Y BIC)
Coefficients: Coefficients:
Estimate Std. Error t value Pr(>|t|) Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.14692 0.1353408 -1.086 0.279 (Intercept) 0.017910 0.163745 0.109 0.913
z.lag.1 -0.00042 0.0051979 -0.081 0.935 z.lag.1 -0.013792 0.009164 -1.505 0.134
z.diff.lag1 0.64367 0.0581557 11.068 <2e-16 tt -0.004625 0.002618 -1.767 0.079
z.diff.lag1 0.649531 0.057917 11.215 <2e-16

Value of test-statistic is: -0.0811 Value of test-statistic is: -1.505

Critical values for test statistics: Critical values for test statistics:
1pct 5pct 10pct 1pct 5pct 10pct
tau2 -3.46 -2.88 -2.57 tau3 -3.99 -3.43 -3.13

AIC=567.9195 BIC=580.8865 AIC=566.4394 BIC=582.6481

Solución:
Los tests se aplican sobre la serie sin transformar ya que ésta es de varianza constante. Tenga en cuenta que en las salidas
R presentadas en la Tabla 1, las variables que denomina R como Z.lag.1, Z.diff.lag1 y tt, corresponden a Yt-1, Yt-1 y
índice t, respectivamente, con 1 el operador diferencia o filtro diferencia regular de orden 1. En cada uno de los
seis tests presentados es necesario identificar lo siguiente
a) Modelo AR del test para Yt
b) Modelo de regresión para Yt, especificando la relación de los parámetros de este modelo de regresión con los
parámetros autorregresivos del modelo AR en a).
c) Hipótesis nula y alternativa del test para el coeficiente de regresión asociado a Yt-1 en el modelo de regresión.
Recuerde que bajo la hipótesis nula el proceso es no estacionario por tener raíz unitaria.
d) Estadístico de la prueba, su valor y valores críticos contra los cuales se compara y criterio de rechazo
e) Conclusión del test ¿Se rechaza H0? ¿Hay raíz unitaria? ¿Es estacionaria la serie? ¿Debe o no diferenciarse la
serie?
Vea las cifras destacadas en color en la tabla 1, donde en color rojo se destaca el valor del estadístico de la prueba y en
color azul los valores críticos al 1%, 5% y 10% de significancia.

DF caso 1:
Modelo AR que supone para Yt Modelo de regresión para Yt:
∗
Yt es un AR(1) de media cero , , con un 0, , con
∗
un 0, 1
Test a realizar Estadístico de la prueba, valores críticos y criterio de rechazo
H0: ∗ 0 (Yt tiene raíz unitaria) vs. ∗
. , rechazar H0 si
H1: ∗ 0 (Yt no tiene raíz unitaria y por tanto es estacionario) . ∗

Valores críticos
Conclusión Nivel 0.01 0.05 0.10
Con los tres niveles de significancia no se rechaza H0 y por tanto -2.58 -1.95 -1.62
se detecta raíz unitaria, lo cual implica que Yt no es estacionario No rechazar No rechazar No rechazar
y debe ser diferenciado por lo menos una vez Decisión
H0 H0 H0

DF caso 2:
Modelo AR que supone para Yt Modelo de regresión para Yt:
∗
Yt es un AR(1) de media diferente de cero: , con un 0, ,
, un 0, ∗
1
Test a realizar Estadístico de la prueba, valores críticos y criterio de rechazo
H0: ∗ 0 (Yt tiene raíz unitaria y por tanto no es estacionario) ∗

vs. ∗ . , rechazar H0 si
.
H1: ∗ 0 (Yt no tiene raíz unitaria y por tanto es estacionario) Valores críticos
Conclusión Nivel 0.01 0.05 0.10
Con los tres niveles de significancia no se rechaza H0 y por tanto -3.46 -2.88 -2.57
se detecta raíz unitaria, lo cual implica que Yt no es estacionario No rechazar No rechazar No rechazar
y debe ser diferenciado por lo menos una vez Decisión
H0 H0 H0

DF caso 3:
Modelo AR que supone para Yt Modelo de regresión para Yt:
∗
Yt es un AR(1) con tendencia (es ya un modelo no estacionario!): , con un 0, ,
, un 0, ∗
1
Test a realizar Estadístico de la prueba, valores críticos y criterio de rechazo
H0: ∗ 0 (Yt tiene raíz unitaria y por tanto no es estacionario
no sólo por tendencia lineal sino también por la raíz unitaria) vs. ∗
∗ . , rechazar H0 si
H1: 0 (Yt no tiene raíz unitaria, aunque bajo modelo . ∗

supuesto, es no estacionario sólo por tendencia lineal) Valores críticos

Conclusión Nivel 0.01 0.05 0.10
Con los tres niveles de significancia no se rechaza H0 y por tanto -3.99 -3.43 -3.13
se detecta raíz unitaria, lo cual implica que Yt no es estacionario
No rechazar No rechazar No rechazar
además del modelo de tendencia, por presentar raíz unitaria y Decisión
H0 H0 H0
debe ser diferenciado por lo menos una vez
En todos los casos ADF, se identificó con criterios AIC y BIC, que el mejor orden p del modelo AR(p) para cada prueba
es p=2, luego, sólo aparece un test en cada caso ADF. Recuerde además que para cada modelo AR(p) supuesto bajo cada
test, se postula un modelo de regresión para como variable respuesta, donde además de interceptos y tendencias
lineales (según caso) aparecen como predictores con coeficiente de regresión ∗ , y , ,…, , con
∗ ∗ ∗
coeficientes de regresión , , … , , respectivamente, los cuales se relacionan con los coeficientes del modelo AR(p) a
través de las siguientes ecuaciones: ∗ ∑ 1, ∗ ∑ , 2, … , . Usando entonces p=2 en la solución
para cada test ADF en Tabla 1, se tiene que:

ADF caso 1:
Modelo AR que supone para Yt Modelo de regresión para Yt:
∗ ∗
Yt es un AR(2) de media cero , , con un 0, ,
∗
un 0, 1, y ∗
Test a realizar Estadístico de la prueba, valores críticos y criterio de rechazo
H0: ∗ 0 (Yt tiene raíz unitaria) vs. ∗

H1: ∗ 0 (Yt no tiene raíz unitaria y por tanto es estacionario) ∗ . , rechazar H0 si

.
Valores críticos
Conclusión Nivel 0.01 0.05 0.10
Con los tres niveles de significancia no se rechaza H0 y por tanto -2.58 -1.95 -1.62
se detecta raíz unitaria, lo cual implica que Yt no es estacionario No rechazar No rechazar No rechazar
y debe ser diferenciado por lo menos una vez Decisión
H0 H0 H0

ADF caso 2:
Modelo AR que supone para Yt Modelo de regresión para Yt:
∗ ∗
Yt es un AR(2) de media diferente de cero: , con un 0, ,
∗ ∗
, un 0, 1, y
Test a realizar Estadístico de la prueba, valores críticos y criterio de rechazo
H0: ∗ 0 (Yt tiene raíz unitaria y por tanto no es estacionario) ∗

vs. ∗ . , rechazar H0 si
.
H1: ∗ 0 (Yt no tiene raíz unitaria y por tanto es estacionario) Valores críticos
Conclusión Nivel 0.01 0.05 0.10
Con los tres niveles de significancia no se rechaza H0 y por tanto -3.46 -2.88 -2.57
se detecta raíz unitaria, lo cual implica que Yt no es estacionario No rechazar No rechazar No rechazar
y debe ser diferenciado por lo menos una vez Decisión
H0 H0 H0

ADF caso 3:
Modelo AR que supone para Yt Modelo de regresión para Yt:
Yt es un AR(2) con tendencia (es ya un modelo no estacionario!): ∗ ∗
, con
, un 0, un , 0,
∗
1, y ∗
Test a realizar Estadístico de la prueba, valores críticos y criterio de rechazo
H0: ∗ 0 (Yt tiene raíz unitaria y por tanto no es estacionaria
no sólo por tendencia lineal sino también por la raíz unitaria) vs. ∗
∗ . , rechazar H0 si
H1: 0 (Yt no tiene raíz unitaria, aunque bajo modelo . ∗

supuesto, es no estacionaria sólo por tendencia lineal) Valores críticos

Conclusión Nivel 0.01 0.05 0.10
Con los tres niveles de significancia no se rechaza H0 y por tanto -3.99 -3.43 -3.13
se detecta raíz unitaria, lo cual implica que Yt no es estacionario
No rechazar No rechazar No rechazar
además del modelo de tendencia, por presentar raíz unitaria y Decisión
H0 H0 H0
debe ser diferenciado por lo menos una vez

Respecto a la elección entre estos seis tests según AIC, se elige aquel para el cual el modelo de regresión ajustado para
Yt: sea el de menor AIC (AIC=566.4394 ), en este caso sería el modelo del test ADF caso 3 con p=2 y si fuese usado el criterio del
BIC se elegiría el modelo ADF caso 1 con p=2 (BIC= 576.5804).

Nota: La serie propuesta fue simulada de un ARIMA(1,1,0) sin deriva, es decir que el verdadero modelo es 1 1
, un RB ∼ 0, , de donde 1 , es decir, es equivalente a un AR(2) no estacionario ya que su
polinomio AR(2) sería 1 1 que tiene una raíz unitaria.
Código R
library(forecast); library(urca); library(dynlm)

ARIMA1.1.0=ts(scan(file.choose(),skip=1),freq=1)#leer ARIMA110.SIMUL.txt
layout(rbind(c(1,2),c(3,4)))
plot(ARIMA1.1.0); acf(ARIMA1.1.0,ci.type="ma")
plot(diff(ARIMA1.1.0)); acf(diff(ARIMA1.1.0),ci.type="ma")

####################################################
#Recorte de la serie para usar sólo n= 191 datos
####################################################
n=length(ARIMA1.1.0)-10
yt=ts(ARIMA1.1.0[1:n],freq=1)
plot(yt); acf(yt,ci.type="ma")

#######################################################
#Pruebas de raíz unitaria
#######################################################
DFcaso1=ur.df(yt,lags=0,type="none"); summary(DFcaso1)
mDFcaso1=dynlm(d(yt)~L(yt,1)-1)
AIC(mDFcaso1); BIC(mDFcaso1)

DFcaso2=ur.df(yt,lags=0,type="drift"); summary(DFcaso2)
mDFcaso2=dynlm(d(yt)~L(yt,1))
AIC(mDFcaso2); BIC(mDFcaso2)

DFcaso3=ur.df(yt,lags=0,type="trend"); summary(DFcaso3)
mDFcaso3=dynlm(d(yt)~L(yt,1)+trend(yt,scale=F))
AIC(mDFcaso3); BIC(mDFcaso3)

pmax=floor(n^0.25)+1 #define número máximo de p en testes ADF

ADFcaso1AIC=ur.df(yt,lags=pmax,type="none",selectlags ="AIC"); summary(ADFcaso1AIC)
mADFcaso1AIC=dynlm(d(yt)~L(yt,1)+L(d(yt),1)-1)
AIC(mADFcaso1AIC); BIC(mADFcaso1AIC)

ADFcaso1BIC=ur.df(yt,lags=pmax,type="none",selectlags ="BIC") #da mismo modelo que con AIC

summary(ADFcaso1BIC)

ADFcaso2AIC=ur.df(yt,lags=pmax,type="drift",selectlags ="AIC"); summary(ADFcaso2AIC)

mADFcaso2AIC=dynlm(d(yt)~L(yt,1)+L(d(yt),1))
AIC(mADFcaso2AIC); BIC(mADFcaso2AIC)

ADFcaso2BIC=ur.df(yt,lags=pmax,type="drift",selectlags ="BIC") #da mismo modelo que con BIC

summary(ADFcaso2BIC)

ADFcaso3AIC=ur.df(yt,lags=pmax,type="trend",selectlags ="AIC"); summary(ADFcaso3AIC)

mADFcaso3AIC=dynlm(d(yt)~L(yt,1)+L(d(yt),1)+trend(yt,scale=F))
AIC(mADFcaso3AIC); BIC(mADFcaso3AIC)

ADFcaso3BIC=ur.df(yt,lags=pmax,type="trend",selectlags ="BIC"); summary(ADFcaso3BIC)