Según (Palacios, 2018) Estos son componentes de las soluciones explicitas de los

modelos dinámicos (temporales) lineales. Los signos de estos son el ingrediente clave
para determinar la definición de una matriz simétrica.

Estos se usan para encontrar la relación de cointegración a partir de un modelo VAR. Se

debe encontrar las raíces características, después correspondiendo a cada raíz, encontrar
el vector característico, luego construimos una matriz con los vectores característicos
obtenido e invertimos dicha matriz, entonces, las columnas de esta matriz dan las
combinaciones lineales requeridas. (Palacios, 2018)

Ejemplo:

De la matriz A encuentre sus máximos valores propios

1 12
𝐴=( )
3 1

Procedimiento

1. Restar λ para cada uno de los valores de la diagonal principal

1−λ 12
𝐴λ = ( )
3 1−λ

2. Se obtienen el determinante de esta nueva matriz igualándola a cero

[Aλ]= (1- λ) (1- λ) -36

(1- λ) (1- λ) -36=0

3. Se despeja λ para obtener los máximos valores propios

λ 2 -2 λ-35=0

(λ-7) (λ+5)

λ =7

λ =-5

Comprobación:

Se debe restar los valores de λ para toda la diagonal principal de la matriz A, y nos debe
dar como resultado una matriz singular, es decir su determinante debe ser nulo o igual a
cero.
λ=7

1−7 12
𝐴=( )
3 1−7

−6 12
𝐴=( )
3 −6

A= 36-36

A= 0

Prueba de Máximo Valor propio en econometría:

El modelo tiene o no un vector de cointegración

Ho:r=0 No existen vectores de cointegración

H1: r=1 Existe un vector de cointegración

Si el valor estadístico de máximo valor propio es mayor que el valor critico se rechaza H0
y se acepta H1, es decir que existe uno o más vectores de cointegración.

¿Para qué sirve?

Los eigenvalores se usan para encontrar la relación de cointegración a partir de un modelo

VAR. Se debe encontrar las raíces características. Después, correspondiendo a cada raíz,
encontrar el vector característico; luego se construye una matriz con los vectores
característicos obtenidos e invertimos dicha matriz, entonces, las columnas de esta matriz
dan las combinaciones lineales requeridas. En la práctica es necesario hacer la prueba de
raíces unitarias. Esto se lleva a cabo por medio de la metodología de Johansen (Londoño,
2005)

¿Cómo se calcula?

1. Encontrar 𝑝(𝜆) = det (𝐴 − 𝜆𝐼 )

2. Calcular las raíces λ1, λ2, …, λp de p(λ) = 0.
3. Resolver el sistema homogéneo (A − λiI) ci = 0 que corresponde a cada valor
característico de λi.

Ejemplo:
A continuación, una matriz para calcular los valores propios. Sea:
1 1
𝐴=[ ]
−2 4
Se desea obtener todos los números reales λ y vectores x ≠ 0 que satisfacen
Ax = λx, esto es,
1 1 𝑥1 𝑥1
[ ] [𝑥 ] = 𝜆 [ 𝑥 ]
−2 4 2 2
Esta ecuación equivale a:
X1 + X2 = λ X1
-2X1 + 4X2 = λX1
ó
𝜆−1 1
[ ]=0
2 𝜆−4
Esto quiere decir que
(λ-1) (λ-4) + 2 = 0
λ2 − 5λ + 6 = 0 = (λ − 3) (λ − 2)
por lo que
λ1 = 2 y λ2 = 3
Estos son los eigenvalores de A.
Así podemos calcular el eigenvector

¿Cómo se interpreta?

Usted puede utilizar el tamaño del valor propio para determinar el número de
componentes principales. Conserve los componentes principales con los valores
propios más grandes. Por ejemplo, según el criterio de Kaiser, se usan solo los
componentes principales con valores propios que son mayores que 1. (Soporte de
minitab, 2018)

Para comparar visualmente el tamaño de los valores propios, utilice la gráfica de

sedimentación. La gráfica de sedimentación puede ayudarle a determinar el número de
componentes con base en el tamaño de los valores propios.

Análisis de componente principal: Ingresos, educación, residencia, empleo,

ahorros, deuda y tarjeta de crédito.
En estos resultados, los tres primeros componentes principales tienen valores propios
mayores que 1. Estos tres componentes explican 84,1% de la variación en los datos.
La gráfica de sedimentación muestra que los valores propios comienzan a formar una
línea recta después del tercer componente principal. Si 84,1% es una cantidad
adecuada de variación explicada en los datos, entonces debe utilizar los tres primeros
componentes principales.

¿Qué es el estadístico de traza?

El estadístico de traza evalúa la hipótesis nula de que existen como máximo r vectores
cointegrados en un conjunto de n variables en contra de la hipótesis alternativa de rango
completo Ha(n).

𝜆𝑡𝑟 (𝑟⁄𝑛) = −𝑇 ∑ 𝑙𝑛 (1 − 𝜆∧𝑖 ) ∀𝑖 = 0,1,2, . . . . , 𝑛 − 1

𝑡=𝑟+1

donde es el i-ésimo eigenvalor o raíces características del sistema de ecuaciones |Πnn-

λInn|= 0 y T es el número de observaciones. La contrastación con base en el estadístico de
la traza se realiza secuencialmente desde r = 0 hacia r = n - 1 hasta que la hipótesis nula
deje de rechazarse. A partir del estadístico de la traza se puede calcular el estadístico del
máximo eigenvalor, λmax, cuya hipótesis nula es que existen exactamente r vectores
cointegrados en un conjunto de n variables, contra la hipótesis alternativa de que
existen r + 1 vectores cointegrados.

𝜆𝑚𝑎𝑥 (𝑟⁄𝑟 + 1) = −𝑇𝑙𝑛 (1 − 𝜆∧𝑟+1 )

Johansen (1991 y 1995) demuestra que la distribución asintótica del estimador de máxima
verosimilitud es normal-mixta, lo que permite que la inferencia de las hipótesis sobre el
rango de cointegración r se realice sobre una distribución Chi-cuadrada. (Scielo, 2020)

¿Para qué sirve?

El método o contraste de cointegración de (Johansen) manifiesta que las siguientes

pruebas o estadísticos determinan el número de vectores de cointegración, como lo son el
estadístico de traza (λTraza) y máximo eigenvalor (λMax). Cabe mencionar, que el
estadístico de traza (λTraza) sirve para estimar, lo cual determinan el número de vectores
de cointegración. Además, la prueba de máximo en valor (λMax) solo rechaza la hipótesis
nula de cero vectores de cointegración para el caso de dos vectores, lo que coincide con
la prueba del estadístico de traza. (Metodología y Modelo Econométrico, 2002)

¿Cómo se calcula?

Prueba de cointegración en base al número de vectores de cointegración.

𝑛

𝜆𝑡𝑟𝑎𝑐𝑒 (𝑟) = −𝑇 ∑ 𝑙𝑜𝑔 (1 − 𝜆∧𝑖 )

𝑖=𝑟+1

Teniendo en cuenta las siguientes hipótesis:

𝐻0 : 𝑟 = 0 No existen vectores de cointegración

𝐻1 : 𝑟 = 1 Existe un vector de cointegración

De la misma manera que en la prueba de máximo Eigenvalor, si el valor estadístico de

Traza es mayor que el valor crítico (5% o 1%) se resiste la hipótesis nula 𝐻0 y se acepta
la hipótesis alternativa 𝐻1 , por lo tanto, se puede decir que existe uno o varios vectores
de conintegración.

¿Cómo se interpreta?

De acuerdo con la prueba de la traza se rechaza la hipótesis nula de no cointegración en

favor de una relación de cointegración al nivel del 5% y del 1 %. (30.95 > 19,96 y 24.60)
(Mata, 2015).
Bibliografía
Mata, H. (2015). Nociones Elementales de Cointegración: Enfoque de Soren Johansen.
Universidad de los Andes.

Metodología y Modelo Econométrico. (14 de Noviembre de 2002). Obtenido de

http://catarina.udlap.mx/u_dl_a/tales/documentos/lec/felix_m_a/capitulo4.pdf

Palacios, L. (22 de julio de 2018). Eigenvalores y Eigenvectores. Obtenido de

https://medium.com/datos-y-ciencia/eigenvalues-y-eigenvectors-948d3fca6f7e

Scielo. (Noviembre de 2020). Obtenido de

http://www.scielo.org.mx/img/revistas/ineco/v67n264/html/a1anexo1.html

Soporte de minitab. (2018). Obtenido de Soporte de minitab:

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-
statistics/multivariate/how-to/principal-components/interpret-the-results/all-
statistics-and-graphs/