Relación de largo plazo y correcciones de corto

plazo entre el IPSA y diversos factores influyentes:

Cointegración y modelo VEC.

Alumna: Connie Méndez Vergara

Curso: Series de Tiempo (MEF)

Profesor: José Noguera

Fecha: 31 de agosto del 2017

1
Contenido
Introducción ........................................................................................................................................ 3

Fundamentos teóricos ........................................................................................................................ 3

Metodología ........................................................................................................................................ 4

Test de raíz unitaria ......................................................................................................................... 5

Vector autorregresivo y vector de correcciones de error ............................................................... 5

Prueba de cointegración de Johansen ............................................................................................ 6

Datos y resultados ............................................................................................................................... 7

Conclusiones ..................................................................................................................................... 18

Bibliografía ........................................................................................................................................ 20

2
 Introducción
En este trabajo se ha investigado la relación de largo y corto plazo entre diversos factores, que,
según la intuición económica, explicarían el comportamiento del Índice de Precio Selectivo de
Acciones (IPSA) de la Bolsa de Santiago de Chile o al menos presentarían algún tipo de relación.
Estos factores los agruparemos en 3 grandes grupos: variables macroeconómicas locales, diversas
tasas de interés e índices bursátiles internacionales.

En toda se trabajó con 19 variables más el IPSA, 6 variables macroeconómicas, 6 variables de tasas
de interés y 7 variables de índices bursátiles extranjeros. Todos los trabajos econométricos se
realizaron con el programa EViews 8, entre ellos incluye test de raíz unitaria Dickey Fuller
Aumentado, modelos VAR, test de causalidad de Granger, test de cointegración de Johansen,
modelos VEC, entre otros. Además, para acotar el documento final solo se incluyen los resúmenes
y resultados más importantes de la investigación, el resto de los resultados de las estimaciones se
encuentran en un workfile de EViews que será adjuntado junto con el trabajo.

A grandes rasgos se encontró cointegración del IPSA con el IMACEC, IPC y M2, sin embargo, en las
dos primeras la causalidad va en sentido contrario al esperado por el estudio, es decir en esos casos
el IPSA explica a IMACEC e IPC. También se encontró cointegración con BOVESPA, Dow Jones y
Nasdaq, donde IPSA es explicado por cada una de ellas.

Todas las series en nivel (no incluidas aquellas que son tasas) fueron trasformadas a logaritmo
neperiano por lo que la lectura se basa en cambios porcentuales.

Fundamentos teóricos
Diversas teorías vinculan los mercados financieros con variables macroeconómicas estudiándose el
sentido de la causalidad entre el desarrollo financiero y el crecimiento económico. A pesar de que
los estudios en esta materia no dan resultados concluyentes considerando que existen resultados
positivos para ambos sentidos, esto nos da pie para suponer que nuestro más importante índice
bursátil podría estar explicado por variables económicas locales e internacionales.

3
Por ejemplo, el crecimiento real de una economía genera mayores y mejores oportunidades de
inversión para las empresas las que son financiadas por bancos, en el caso de ser proyectos
productivos como riesgosos, o mediante la emisión y/o venta de acciones cuando estos proyectos
tienen un carácter más riesgoso. Esto implicaría una relación causal entre factores económicos que
afecten la economía real y el índice.

Por otro lado, es importante considerar que nuestros índices bursátiles están de una u otra forma
ligados a los índices internacional dada la integración mundial del mercado financiero a partir de la
apertura financiera de la gran mayoría de las economías del mundo. La integración financiera
permite una gran movilidad de capitales la cual es aprovechada por inversionistas deseosos de
encontrar oportunidades de arbitraje, por lo tanto, la integración entre los mercados bursátiles y
financieros internacionales generaría movimientos compartidos en el valor de los índices. Una
forma simple de evidenciar esto es al analizar la data y observar que producto de la crisis sub prime
la mayoría de índices bursátiles de las economías más importante presentan una disminución
grande en agosto del 2010, y en menor media un quiebre en enero del 2016 debido a la crisis
europea.

Metodología
Se ha utilizado el análisis de cointegración con el fin de identificar relaciones de largo plazo y
desviaciones de corto plazo entre el IPSA y diversas variables que mencionaremos en detalle más
adelante. Para ello se utiliza la metodología de Johansen (1988, 1991), y Johansen y Juselius (1990)
quienes generaron un procedimiento de cointegración basado en primera instancia en la
conformación de un vector autorregresivo (VAR). Luego de establecer la relación de cointegración
podemos reescribir el VAR a la forma de un modelo de vector de correcciones de error (VEC) que
incorpore las relaciones de corto y largo plazo.

Hablamos de cointegración cuando 2 o más variables no son estacionarias en niveles, pero si en

primera diferencia, y existe al menos una combinación lineal de estas que genera residuos
estacionarios. Esto implica que las variables presentan una relación de equilibrio en el cual ambas
series se mueven conjuntamente hacia una convergencia de largo plazo. Además, la existencia de
cointegración nos asegura relaciones causales que no son espuria.

4
 Test de raíz unitaria

En primera instancia es necesario comprobar que todas las series tenga el mismo orden de
integración, en nuestro caso I(1), es decir que sean no estacionarias en nivel y estacionarias en
primera diferencia. Para ello podemos utilizar el test de Dickey Fuller Aumentado (ADF) que permite
testear la presencia de raíz unitaria considerando la incorporación de rezagos para alcanzar un
modelo con residuos independientes e idénticamente distribuidos (iid).

Considere la siguiente relación lineal

𝑦𝑡 = 𝜇 + 𝛽𝑡 + 𝜙𝑦𝑡−1 + 𝑢𝑡 (1)

Donde 𝜇 es una constante, t una tendencia y 𝑢𝑡 es el término de error de un proceso estacionario

ARMA(p,q)

𝑝 𝑞
𝑢𝑡 = ∑𝑖=1 𝜙𝑖 𝑢𝑡−𝑖 + ∑𝑖=1 𝜃𝑖 𝜖𝑡−𝑖 + 𝜖𝑡 (2)

Si 𝑢𝑡 es estacionario e invertible, se puede reescribir como un proceso AR(k)

𝑢𝑡 = ∑𝑘𝑖=1 𝑑𝑖 𝑢𝑡−𝑖 + 𝑒𝑡 (3)

Dado que la existencia de raíz unitaria se basa en las diferencias de 𝑦𝑡 , entonces Δ𝑦𝑡 = 𝑢𝑡 . Luego
podemos reescribir la ecuación (1) y restar 𝑦𝑡−1 en ambos lados de la ecuación

Δ𝑦𝑡 = 𝜇 + Υ𝑦𝑡−1 + ∑𝑘𝑖=1 𝜙𝑖 Δ𝑦𝑡−𝑖 + 𝜖𝑡 (4)

Donde Υ = (𝜙 − 1). Luego, estimando la ecuación (4) por MCO podemos testear la hipótesis nula
de presencia de raíz unitaria en la serie 𝑦𝑡 , 𝐻𝑜 : Υ = 0 versus la hipótesis alternativa de que el
proceso es estacionario 𝐻1 : Υ = 1. El estadístico 𝑡𝐴𝐷𝐹 no se distribuye normal por lo que los valores
críticos se encuentran en los documentos realizados por Dickey y Fuller (1979).

Vector autorregresivo y vector de correcciones de error

Supongamos que tenemos un conjunto de series integradas del mismo orden que pueden ser
expresadas como una VAR:

𝑝
𝑦𝑡 = ∑𝑠=1 𝐴𝑠 𝑦𝑡−𝑠 + 𝛽𝑋𝑡 + 𝜖𝑡 (5)

5
Donde 𝑦𝑡 es un vector de variables endógenas integradas de mismo orden, en general de orden 1,
𝐴 es una matriz de coeficientes estimados, 𝑝 corresponde al número de rezagos del modelo, 𝑋𝑡 un
vector de variables exógenas como variables dummy, y 𝜖𝑡 es un vector de términos de error iid.

Si el conjunto de variables endógenas se cointegran, entonces se pueden representar mediante un

vector de corrección de errores (VEC) que consiste en un VAR en diferencias con parámetros de
corto plazo (Γ).

Δ𝑦𝑡 = Γ1 Δ𝑦𝑡−1 + ⋯ + Γ𝑘 Δ𝑦𝑡−𝑘 + 𝜖𝑡 (6)

Donde Γ𝑖 = −𝐼𝑘 + Π1 + ⋯ + Π𝑖 , 𝑖 = 1, … , 𝑘

La matriz Π nos entrega importante información acerca de la relación de cointegración: si el rango

de Π es cero no existe relación de cointegración, si es distinta de cero entonces existe alguna
relación de cointegración determinado por el número del rango. En este último caso es posible
descomponer la matriz Π en 𝛼 e 𝛾, donde 𝛾 representan la velocidad de ajuste del modelo a la
relación de largo plazo. Por otro lado, Γ calcula las reacciones de corto plazo ante cambios en los
valores pasados de las series.

Prueba de cointegración de Johansen

Esta prueba nos indica las relaciones de cointegración de acuerdo con un ratio de verosimilitud (LR)
donde la hipótesis alternativa indica la existencia de al menos un rango de cointegración.

La confiabilidad de este test se sustenta en 4 supuestos de Gauss Markov:

1) Correcta especificación de la ecuación VAR y estabilidad del modelo;

2) Ausencia de autocorrelación en los residuos;
3) Los residuos se distribuyen normalmente;
4) Residuos homocedásticos.

Para testear el rango de cointegración Johansen propuso 2 prueba de hipótesis: trace y máximo
eigenvalue.

𝐻0 : 𝑟𝑎𝑛𝑔𝑜 Π = 𝑟 ; 𝐻1 : 𝑟 < 𝑟𝑎𝑛𝑔𝑜(Π) ≤ 𝐾 (7)

6
 𝐻𝑜 : 𝑟𝑎𝑛𝑔𝑜 Π = 𝑟 ; 𝐻1 : 𝑟𝑎𝑛𝑔𝑜 Π = 𝑟 + 1 (8)

𝑑
𝜆𝑡𝑟𝑎𝑐𝑒 (𝑟, 𝐾) → 𝑡𝑟(𝐷) (9)

𝑑
𝜆𝑚𝑎𝑥 (𝑟, 𝑟 + 1) → 𝜆𝑚𝑎𝑥 (𝐷) (10)

Donde 𝑡𝑟 y 𝜆𝑚𝑎𝑥 es el máximo eigenvalue de la matriz

1 1 −1 1
𝐷 = (∫0 𝑊𝑑𝑊 ´ ) (∫0 𝑊𝑊 ´ 𝑑𝑠 ) (∫0 𝑊𝑑𝑊 ´ ) (11)

Donde 𝑊 = 𝑊𝐾−𝑟 es un proceso de Wiener (𝐾 − 𝑟).

Datos y resultados
La base de datos está conformada por 19 variables más el IPSA agrupadas en 3 conjuntos: variables
macroeconómicas, tasas de interés e índices bursátiles internacionales. La longitud de la data
comprende el periodo 2010m7-2017m6 (7 años) con un total de 84 datos por cada variable. La
descripción más detallada de las variable se presenta en la tabla 1.

7
 VARIABLES DESCRIPCIÓN
DESEMPLEO Tasa de desocupación nacional.
IMACEC DES IMACEC desestacionalizado con base 2013.
IPC IPC con base 2013.
Índice de Precio Selectivo de Acciones, valor nominal, de la bolsa de Santiago,
IPSA
Chile.
M2 M2 promedio en miles de millones de pesos.
PRECIO COBRE Cobre refinado BML, dólares/libra.
TIPO DE CAMBIO Dólar observado.
BONO 1 Tasa de interés de bonos licitados por el BCCh en pesos, vencimiento a 1 año.
BONO 2 Tasa de interés de bonos licitados por el BCCh en pesos, vencimiento a 2 año.
BONO 5 Tasa de interés de bonos licitados por el BCCh en pesos, vencimiento a 5 año.
EMBI Spread soberano entre instrumentos de deuda EE.UU y Chile.
TPM Tasa de política monetaria.
Proxy de rendimiento de la economía chilena generado mediante la diferencia de la
YIELD
tasa del bono a 5 años y el bono a 2 años.
BOVESPA Índice bursátil de la Bolsa de Sao Paulo, Brasil.
CAC 40 Índice bursátil de la Bolsa de Paris, Francia.
DAX Índice bursátil de la Bolsa de Fráncfort, Alemania.
DOW JONES Índice bursátil de EE.UU, referente a producción industrial.
FTSE 100 Índice bursátil de la Bolsa de Londres, Reino Unido.
NASDAQ Índice bursátil de EE.UU, referente a valores electrónicos.
NIKKEI Índice bursátil de la Bolsa de Tokio, Japón.
Tabla 1. Descripción de las variables.

Con fines interpretativos y para suavizar los resultados se han trasformado las series en logaritmos,
excepto para aquellas series que representen tasas como Desempleo, Bono 1, Bono 2, Bono 5, EMBI,
TPM, e Yield. La transformación a escala logarítmica ayuda en la interpretación de los parámetros
cuando el modelo incorpore primeras diferencias, los resultados se leerían como variación
porcentual.

Una vez transformadas las variables se ha procedido a realizar la prueba de raíz unitaria mediante
el test Dickey Fuller Aumentado mencionado en el apartado “Metodología”. Los resultados de la
estacionariedad de la series en niveles se presentan en la tabla 2.

8
 ESTADISTICO ORDEN DE
VARIABLE P-VALUE ADF REZAGOS INTERCEPTO TENDENCIA
DW INTEGRACION
EN NIVEL
DESEMPLEO 0,0722 2,026332 3 SI NO I(1)
IMACEC DES 0,0749 2,090053 1 SI NO I(1)
IPC 0,7469 1,91895 2* SI SI I(1)
IPSA 0,3778 1,859109 0 SI NO I(1)
M2 0,5735 1,981526 1* SI SI I(1)
PRECIO COBRE 0,0678 1,976645 1 SI SI I(1)
TIPO DE CAMBIO 0,3353 2,004136 1 SI SI I(1)
BONO 1 0,0524 1,90378 2* SI SI I(0)
BONO 2 0,178 1,894113 2 SI SI I(1)
BONO 5 0,0188 1,901579 1 SI SI I(0)
EMBI 0,1238 1,96769 1 SI NO I(1)
TPM 0,0441 1,939113 4* SI SI I(0)
YIELD 0,1568 1,879396 0 SI NO I(1)
BOVESPA 0,1719 1,933138 1* SI NO I(1)
CAC 40 0,3153 1,982157 1 SI SI I(1)
DAX 0,1706 1,970943 1 SI SI I(1)
DOW JONES 0,1368 1,976514 1* SI SI I(1)
FTSE 100 0,3431 1,90339 0 SI SI I(1)
NASDAQ 0,2221 1,95298 1* SI SI I(1)
NIKKEI 0,6541 2,019383 1* SI SI I(1)
Tabla 2. Prueba de Raíz Unitaria, Dickey Fuller Aumentado, con variables en niveles.

Con un nivel de significancia de 5% se ha rechazado la hipótesis nula de presencia de raíz unitaria

en las series Bono 1, Bono 5 y TPM. Para asegurar la confiabilidad de la prueba se han considerado
aquellos resultados que presenten un estadístico de Durbin Watson (DW) en el intervalo [1,85 ;
2,15] con el fin de asegurar que la autocorrelación de los residuos no invalide el test ADF. Por lo
tanto, aquellos rezagos que están marcados con (*) implica que se agregaron rezagos al modelo
optimo elegido mediante el criterio de Schwartz en el test ADF, con el fin de elevar el estadístico
DW a un valor que este dentro del intervalo definido.

A partir de estos resultados se ha realizado el test ADF con el fin de evaluar la estacionariedad en
primera diferencia de aquellas series I(1) en niveles. Los resultados se presentan en la tabla 3.

9
 ESTADISTICO ORDEN DE
VARIABLE P-VALUE ADF REZAGOS INTERCEPTO TENDENCIA
DW INTEGRACION
EN PRIMERA DIFERENCIA
DESEMPLEO 0 2,069185 2 NO NO I(0)
IMACEC DES 0 1,951789 0 NO NO I(0)
IPC 0 1,932105 1 SI NO I(0)
IPSA 0 2,002563 0 NO NO I(0)
M2 0 1,93434 0 SI NO I(0)
PRECIO COBRE 0 1,971693 0 NO NO I(0)
TIPO DE CAMBIO 0 2,033506 0 NO NO I(0)
BONO 2 0 1,868146 1 NO NO I(0)
EMBI 0 1,946362 0 NO NO I(0)
YIELD 0 1,990454 0 NO NO I(0)
BOVESPA 0 1,948942 0 NO NO I(0)
CAC 40 0 1,962055 0 NO NO I(0)
DAX 0 1,953222 0 NO NO I(0)
DOW JONES 0 1,97308 0 SI NO I(0)
FTSE 100 0 2,001981 0 NO NO I(0)
NASDAQ 0 1,948263 0 SI NO I(0)
NIKKEI 0 2,012409 0 NO NO I(0)
Tabla 3. Prueba de Raíz Unitaria, Dickey Fuller Aumentado, con variables en primera diferencia.

De estos resultados podemos concluir que todas las variables I(1) en niveles son I(0) en primera
diferencia, por lo tanto, podemos trabajar con estas series para encontrar posibles relaciones de
cointegración.

Para realizar el test de cointegración de Johansen es necesario definir el número de rezagos óptimos
del modelo considerando que los residuos cumplan con los supuestos Gauss-Markov. Entonces se
comenzará con la generación de un modelo VAR con k rezagos de acuerdo con las siguientes
condiciones:

1) Modelo cumplan con la condición de estabilidad, es decir todas las raíces están dentro del
circulo unitario;
2) Ausencia de autocorrelación de los residuos;
3) Los residuos del modelo se distribuyan normal;
4) Los residuos sean homocedásticos.

Cabe destacar que se privilegió el cumplimiento de la estabilidad del sistema y los supuestos Gauss-
Markov versus el test de exclusión de rezagos y test de criterio de selección, pues ambas decisiones
no son compatibles al momento de elegir el modelo óptimo. Por ejemplo, si se elegía el modelo de
acuerdo con el test de criterio de selección los residuos del modelo no cumplían con la ausencia de

10
autocorrelación de los residuos y/o normalidad y homocedasticidad. Por lo tanto, considerando la
importancia del cumplimiento de los supuestos para asegurar la robustez de los resultados, se optó
por incluir la cantidad de rezagos que cumpliera con los 4 supuestos mencionados anteriormente.

En las tablas 4, 5 y 6 se presentan los rezagos del VAR óptimo de acuerdo con el cumplimiento de
los 4 supuestos mencionados anteriormente, también se ha considerado el test de causalidad de
Granger para definir la dirección de la relación. Cabe destacar que todos los resultados cumplen la
condición de estabilidad y la ausencia de autocorrelación, dichos resultados se encuentran en el
workfile de EViews que se adjuntará junto con el documento.

TEST DE
VAR REZAGOS NORMALIDAD TEST DE HETEROCEDASTICIDAD
J-B
PROB. 5%
SIN TERMINOS CON TERMINOS
CRUZADOS CRUZADOS
DESEMPLEO-IPSA 13 0,9762 0,5008 0,5344
IMACEC-IPSA 12 0,5095 0,1792 0,1666
IPC-IPSA 13 0,695 0,0369 0,2486
IPSA-M2 12 0,4195 0,4287 0,0467
PCOBRE-IPSA 13 0,5412 0,2621 0,0282
IPSA-TCN 12 0,3114 0,2109 0,0337
Tabla 4. Rezagos óptimos del modelo VAR para variables macroeconómicas.

TEST DE
VAR REZAGOS NORMALIDAD TEST DE HETEROCEDASTICIDAD
J-B
PROB. 5%
SIN TERMINOS CON TERMINOS
CRUZADOS CRUZADOS
BONO2-IPSA 13 0,6703 0,0735 0,0685
EMBI-IPSA 11 0,1036 0,0001 0,0004
IPSA-YIELD 1 1* 0,3155 0,0322 0,021
Tabla 5. Rezagos óptimos del modelo VAR para variables tasas de interés.

11
 TEST DE
VAR REZAGOS NORMALIDAD TEST DE HETEROCEDASTICIDAD
J-B
PROB. 5%
SIN TERMINOS CON TERMINOS
CRUZADOS CRUZADOS
IPSA-BOVESPA 11 0,7128 0,4825 0,6661
CAC40-IPSA 1 1* 0,2914 0,616 0,257
IPSA-DAX 1 1* 0,8114 0,1436 0,1121
IPSA-DOW JONES 1 4* 0,5446 0,1365 0,3111
IPSA-FTSE100 1 1* 0,9835 0,0504 0,1
IPSA-NASDAQ 1 1* 0,363 0,2601 0,3999
NIKKEI-IPSA 11 0,7277 0,4713 0,4652
Tabla 6. Rezagos óptimos del modelo VAR para variables índices bursátiles internacionales.

De las tablas anteriores podemos concluir que todos los modelos cumplen con la condición de
normalidad de los residuos. Acerca de la condición de homocedasticidad de los residuos, solo EMBI-
IPSA e IPSA-Yield no cumplen con ninguno de los test de homocedasticidad, todos los restantes
modelos cumplen con al menos uno de los dos test, o en su mayoría con ambos.

Es importante destacar que, para lamentos de este estudio existen relaciones en que IPSA explica
el comportamiento de una variable y no a la inversa (todas aquellas donde el nombre IPSA va en
segundo lugar), sin embargo, continuaremos con la relación encontrada a fin de encontrar
cointegración y estimar sus parámetros.

Cabe señalar que en la tabla 5 y 6 aparecen modelos donde los rezagos llevan un (*), esto significa
que fue necesaria la incorporación de variables dummy dado que, por ejemplo, algunas series de
índices bursátiles internacionales presentan datos fuera del margen normal debido a efectos de la
crisis subprime. Estos datos afectan fuertemente el supuesto de normalidad por lo que la
incorporación de variables dummy ayuda a la corrección del problema.

Una vez definido el número de rezagos óptimo y el sentido de causalidad del modelo se da paso a
la realización del test de cointegración de Johansen. Los resultados se presentan en las tablas 7, 8 y
9.

12
 VARIABLES MODELO TRACE P-VALUE MAX EIGENVALUE P-VALUE ECUACION
DESEMPLEO-IPSA NO EXISTE NINGUNA RELACION DE COINTEGRACION
IMACEC-IPSA 1 NONE 0,0001 NONE 0,0001 IMACEC = 0,576665*IPSA
IPC-IPSA 1 AT MOST 1 0,0376 AT MOST 1 0,0376 IPC = 0,423434*IPSA
IPSA-M2 1 NONE 0 NONE 0 IPSA = 0,65481*M2
PCOBRE-IPSA NO EXISTE NINGUNA RELACION DE COINTEGRACION
IPSA-TCN NO EXISTE NINGUNA RELACION DE COINTEGRACION
Tabla 7. Prueba de cointegración de Johansen para variables macroeconómicas.

VARIABLES MODELO TRACE P-VALUE MAX EIGENVALUE P-VALUE ECUACION

BONO2-IPSA NO EXISTE NINGUNA RELACION DE COINTEGRACION
EMBI-IPSA NO EXISTE NINGUNA RELACION DE COINTEGRACION
IPSA-YIELD NO EXISTE NINGUNA RELACION DE COINTEGRACION
Tabla 8. Prueba de cointegración de Johansen para variables tasas de interés.

VARIABLES MODELO TRACE P-VALUE MAX EIGENVALUE P-VALUE ECUACION

IPSA-BOVESPA 1 NONE 0,0062 NONE 0,0035 IPSA = 0,762363*BOVESPA
CAC40-IPSA NO EXISTE NINGUNA RELACION DE COINTEGRACION
IPSA-DAX NO EXISTE NINGUNA RELACION DE COINTEGRACION
IPSA-DOW JONES 1 NONE 0,0001 NONE 0,0002 IPSA = 0,0811189*DOW JONES
IPSA-FTSE100 NO EXISTE NINGUNA RELACION DE COINTEGRACION
IPSA-NASDAQ 1 NONE 0,0006 NONE 0,0005 IPSA = 0,884504*NASDAQ
NIKKEI-IPSA NO EXISTE NINGUNA RELACION DE COINTEGRACION
Tabla 9. Prueba de cointegración de Johansen para variables índices bursátiles internacionales.

De los resultados de la prueba de cointegración podemos concluir que las variables tasas de interés
no presentan ningún tipo de cointegración con el IPSA. Cabe destacar que se decidió utilizar el
primero modelo de cointegración por su simpleza, además coincidentemente todos los modelos
que presentan cointegración lo poseen de la forma del primero modelo.

Acerca de la ecuación de cointegración cabe señalar que todos los parámetros esperados tienen
coeficientes positivos, lo que es de esperar al menos en el caso de las variables macroeconómicas
considerando intuición económica. Es importante señalar que los parámetros normalizados que
entrega el test tienen la forma funcional

𝑦 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑛 𝑥𝑛 = 0

, por lo tanto, al reordenar los parámetros para formar la ecuación general de análisis, multiplicamos
por -1 los parámetros estimados.

Dado los resultados de las relaciones de cointegración se ha procedido a calcular el modelo de vector
de correcciones de error (VEC). Considerando el estadístico t-student para un aproximado de 80

13
observaciones, los estadísticos de criterio de rechazo de la hipótesis nula de significancia estadística
son los siguientes:

ESTADISTICO T N=80
10% 1,2922
5% 1,6641
1% 2,3739
Tabla 10. Estadístico t-student.

A continuación, se presentan los resultados de la estimación del modelo VEC, sin embargo, por
razones de organización del documento solo se presentan los resultados de las estimaciones de
corto plazo.

Acerca del modelo IMACEC-IPSA podemos

concluir lo siguiente: las desviaciones a la
relación de largo plazo son corregidas en un
1.8257% cada mes, el primer rezago de
IMACEC e IPC presentan significancia
estadística sobre la primera diferencia de
IMACEC. Un aumento de 1% del IMACEC e
IPC en t-1 ocasiona una disminución de 0.4%
y 0.03% del IMACEC en t respectivamente.

Acerca del modelo IPC-IPSA podemos concluir lo

siguiente: las desviaciones a la relación de largo
plazo son corregidas en un 0.2377% cada mes, el
primer y segundo rezago del IPC, y el tercer rezago
del IPSA presentan significancia estadística sobre la
primera diferencia del IPC. Un aumento del 1% del
IPC en t-1 y t-2, y del IPSA en t-3 genera un

14
 aumento de 0.3%, una disminución de 0.22%, y
una disminución de 0.02% del IPC en t
respectivamente.

Acerca del modelo IPSA-M2 podemos concluir lo

siguiente: las desviaciones a la relación de largo
plazo son corregidas en un 1.3347% por parte del
IPSA y de 1% por parte de M2 cada mes, el primer
rezago de M2 presenta significancia estadística
sobre la primera diferencia del IPSA. Un aumento
del 1% del M2 en t-1 produce una disminución de
1.2% del IPSA en t.

Acerca del modelo IPSA-BOVESPA podemos

concluir lo siguiente: las desviaciones a la
relación de largo plazo son corregidas en un
26.5707%.

Acerca del modelo IPSA-DOW Jones podemos

concluir lo siguiente: las desviaciones a la
relación de largo plazo son corregidas en un
2.5% por parte del Dow Jones. El tercer y cuarto
rezago del IPSA, y el segundo y tercer rezago del
Dow Jones presentan significancia estadística
sobre la primera diferencia del IPSA. Un aumento de 1% del IPSA en t-3 y t-4, y del Dow Jones en t-

15
2 y t-3, produce una disminución de 0.18%, 0.16%, 0.25% y un aumento de 0.54% en el IPSA en t
respectivamente.

Acerca del modelo IPSA-NASDAQ

podemos concluir lo siguiente: las
desviaciones a la relación de largo plazo
son corregidas en un 1.3387% por parte
del Nasdaq, los rezagos del modelo no son
significativos.

La tabla 11 presenta un resumen de los supuestos estadísticos principales acerca de la ausencia de

autocorrelación, normalidad y homocedasticidad de los residuos, e información acerca de si se
mantuvo la causalidad de Granger encontrada en los modelos VAR.

AUSENCIA CAUSALIDAD DE
MODELOS NORMALIDAD HOMOCEDASTICIDAD
AUTOCORRELACION GRANGER
IMACEC-IPSA NO SI SI SI
IPC-IPSA SI SI SI SI
IPSA-M2 SI SI SI SI
IPSA-BOVESPA SI SI SI NO
IPSA-DOW JONES SI SI SI SI
IPSA-NASDAQ SI SI SI SI
Tabla 11. Supuestos estadísticos encontrados en los modelos VEC.

De la tabla anterior podemos concluir que casi todos los modelos siguen cumpliendo con los 3
supuestos Gauss-Markov excepto el modelo IMACEC-IPSA donde no se cumple el supuesto de
ausencia de autocorrelación, también observamos que en el modelo IPSA-BOVESPA se cambia el
sentido de la causalidad de Granger.

Como última prueba se ha realizado un test de cointegración múltiple de todas las variables
macroeconómicas que presentaron algún tipo de cointegración. Estas son IMACEC, IPC y M2, todas
ellas como variables explicativas de IPSA.

16
El modelo VAR con 2 rezagos cumple con los 4 supuestos mencionados anteriormente y se rechaza
la hipótesis nula de no causalidad de Granger por lo tanto IPSA si puede ser explicado por los demás
variables. Estos resultados fueron obtenidos con EViews 8 y se muestran a continuación.

VAR Residual Serial Correlation LM Te...

Null Hypothesis: no serial correlation at...
Date: 08/30/17 Time: 21:00
Sample: 2010M07 2017M06
Included observations: 82

Lags LM-Stat Prob

1 15.76534 0.4695
2 18.58877 0.2906
3 23.60419 0.0985
4 10.73046 0.8258
5 13.47977 0.6374
6 15.52202 0.4868
7 17.18907 0.3735
8 14.11140 0.5904
9 12.66493 0.6971
10 23.74336 0.0953
11 9.577722 0.8877
12 25.22350 0.0660

Probs from chi-square with 16 df.

Dependent variable: IPSA

Excluded Chi-sq df Prob.

IMACECDES 0.053067 2 0.9738

IPC 4.026413 2 0.1336
M2 13.42072 2 0.0012

All 19.45469 6 0.0035

El modelo genera 2 tipos de cointegraciones distintas, por lo tanto, utilizando el primer modelo de
cointegración obtenemos la siguiente relación:

𝐼𝑃𝑆𝐴 = 5.451859 ∗ 𝐼𝑀𝐴𝐶𝐸𝐶 + 6.5574 ∗ 𝐼𝑃𝐶 − 4.145975 ∗ 𝑀2

17
 Luego, el modelo VEC nos
indica que las desviaciones
de la relación de largo
plazo se corrigen en un
6.1945% por parte del
IPSA, 0.6% por parte del
IMACEC, 0.9% por parte del
IPC, y 2.8% por parte de M2
cada mes, el primer y el
segundo rezago de M2
presentan significancia
estadística sobre la
primera diferencia del
IPSA. Un aumento del 1%
del M2 en t-1 y t-2 produce
una disminución de 1.26%
y 0.53% del IPSA en t
respectivamente.

Conclusiones
• Acerca de los modelos que consideran variables macroeconómicas podemos decir lo
siguiente:
Cointegrating Eq: CointEq1 Cointegrating Eq: CointEq1

IMACECDES(-1) 1.000000 IPC(-1) 1.000000

IPSA(-1) -0.576665 IPSA(-1) -0.423434

(0.00508) (0.02787)
[-113.553] [-15.1916]

Cointegrating Eq: CointEq1

Todas las relaciones de largo plazo son significativas,
IPSA(-1) 1.000000
además las relaciones de corto plazo poseen parámetros
M2(-1) -0.654810
(0.01432)
[-45.7423]

18
 significativos de corrección a la desviación de largo plazo y también son significativos
algunos rezagos.

Esto implica una cierta confianza en la robustez de los resultados estimados considerando
que solo en un modelo falla solo la ausencia de autocorrelación de los residuos, y se
cumplen todos los otros supuestos, incluyendo la relación de causalidad.

• Acerca de los modelos que consideran variables de índices bursátiles internacionales

podemos concluir lo siguiente:
Cointegrating Eq: CointEq1 Cointegrating Eq: CointEq1

IPSA(-1) 1.000000 IPSA(-1) 1.000000

BOVESPA(-1) -0.762363 DOW_JONES(-1) -0.811189

(0.00091) (0.01142)
[-837.060] [-71.0202]

Cointegrating Eq: CointEq1

Todas las relaciones de largo plazo son significativas, sin
IPSA(-1) 1.000000
embargo, solo en el modelo IPSA-Dow Jones se presentan
NASDAQ(-1) -0.884504
(0.02711) parámetros significativos de corrección a la desviación de
[-32.6324]
largo plazo y rezagos significativos. En IPSA-NASDAQ solo
existe un parámetro significativo de corrección al igual que en IPSA-BOVESPA, e incluso en
este último se invierte la causalidad de Granger.

Pese a lo anterior los modelos cumplen los supuestos sobre los residuos, por lo tanto,
considero que se obtendría una mejor estimación, con parámetros significativos, si se
incluyera más información a la base de datos y mayor trabajo econométrico al realizar test
que incluyen variables exógenas dummy.

• Acerca de la estimación IPSA con múltiples variables macroeconómicas podemos concluir

lo siguiente:
Todas las relaciones de largo plazo son significativas, posee parámetros significativos de
correcciones a la desviación de largo plazo y también parámetros significativos de rezagos.

19
 Cointegrating Eq: CointEq1 Estos resultados son defendidos al cumplir los 4 supuestos
IPSA(-1) 1.000000 sobre los residuos e incluso con la respectiva causalidad de
IMACECDES(-1) -5.451859 Granger, todo esto nos hace suponer una cierta robustez y
(1.12556)
[-4.84369] confiabilidad en los resultados obtenidos.

IPC(-1) -6.557400
(1.20075)
[-5.46111]

M2(-1) 4.145975
(0.52511)
[ 7.89539]

Para finalizar me es importante acotar que para un próximo estudio sería interesante evaluar la
cointegración en una data más extensa en años y de menor frecuencia, ya sea trimestral o anual,
con el fin de evaluar una relación de cointegración de muy largo plazo. No obstante, dicho estudio
requerirá mayor trabajo econométrico debido a las diversas crisis que ha atravesado la economía
chilena y que afectan los residuos del modelo.

Bibliografía
▪ “Determinantes comunes entre el IMACEC y el IPSA: Un enfoque de largo plazo en base a la
teoría de la cointegración”. Pablo Donders Canto.
▪ “Pobreza absoluta y crecimiento económico, análisis de tendencia en México 1970-2005”.
Rogelio González de Jesús.
▪ “Un modelo de corrección de errores para el tipo de cambio real en el Uruguay: 1983-2005”.
Diego Gianelli & Matías Mednik.
▪ “Nociones elementales de cointegración. Enfoque de Soren Johansen”. HL Mata.
▪ “Modelos predictivos de índices bursátiles relevantes para la economía chilena”. Rodrigo
Giméndez Fernández & Pablo Zamorano Cid.
▪ “La demanda de etanol en EE.UU”. Luis Becerra Pérez.
▪ “Factores internos y externos que afectan el precio de las acciones”. Matías Gajardo &
Felipe Molina.
▪ “relación entre el dólar, el precio del cobre y el IPSA en distintas escalas de tiempo: una
aproximación a través de wavelet”. Werner Kristjanpoller & Alejandro Sierra.

20