Prueba de Raiz Unitaria y Cointegracion2

PRUEBA DE RAIZ UNITARIA
Y COINTEGRACION.

Julio 2012

UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA.
Anlisis de Series de tiempo
Mtodos de descomposicin de la serie
en:
Tendencia
Estacional
Cclico
Aleatorio

Metodologa de Box Jenkins
Modelos ARIMA
Identificacin
Estimacin
Pruebas de hiptesis
Proyeccin

Series estacionarias vs no estacionarias
Series no Estacionarias
Concepto de Cointegracin
Significado Estadstico
Significado Econmico
Porqu?
Anlisis de Integracin.
Anlisis de Integracin
2
3
4
5
6
7
8
25 50 75 100 125 150 175 200
I_CERO
Grafico : I_cero=5+nrnd
(genr I_cero=5+nrnd)
-3
-2
-1
0
1
2
3
4
5
25 50 75 100 125 150 175 200
I_CERO
Grfico: I_cero=0.5+nrnd
Donde:

SCST = Sin Constante y Sin Tendencia
CCST = Con Constante y Sin Tendencia
CCCT = Con Constante y Con Tendencia
SCCT = Sin Constante y Con Tendencia

0
20
40
60
80
100
25 50 75 100 125 150 175 200
X
Grafico: Serie X, generada con:
genr x=0.5+x(-1)+nrnd
Prueba de RU para PIB (Gujarati: Tabla 21.1)
Null Hypothesis: PIB has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic based on AIC, MAXLAG=11)
===============================================================
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -0.54720 0.87559
Test critical values:
1% level -3.50832603999
5% level -2.89551171577
10% level -2.58495242822
*MacKinnon (1996) one-sided p-values.
Como el valor de t-calculado mayor que los valores tabla de MacKinnon, aceptamos
La Ho: la serie PIB es no estacionario, en sus niveles.

Prueba RU-PIB en primeras diferencias.
Null Hypothesis: D(PIB) has a unit root

Exogenous: Constant
Lag Length: 11 (Automatic based on AIC, MAXLAG=11)

t-Statistic Prob.*
Test critical values:
1% level -3.520307
5% level -2.900670
10% level -2.587691

Se rechaza la Ho: serie PIB en primeras diferencias tiene RU (no
estacionario) a un nivel de significancia del 5% y 10%, mas no al 1% de
significancia.

Procedimiento en EViews
Tabla : Valores Crticos de DF, prueba
rho
Tabla : Valores Crticos de DF, prueba
t
a) T.(rho - 1) a) t
Tam.Muestra 0.025 0.05 0.1 0.025 0.05 0.1
25 -9.3 -7.3 -5.3 -2.26 -1.95 -1.6
50 -9.9 -7.7 -5.5 -2.25 -1.95 -1.61
100 -10.2 -7.9 -5.6 -2.24 -1.95 -1.61
250 -10.4 -8 -5.7 -2.24 -1.95 -1.62
500 -10.4 -8 -5.7 -2.23 -1.95 -1.62
Infinito -10.5 -8.1 -5.7 -2.23 -1.95 -1.62
b) T.(rho(mu) - 1) b) t(mu)
Tam.Muestra 0.025 0.05 0.1 0.025 0.05 0.1
25 -14.6 -12.5 -10.2 -3.33 -2.99 -2.64
50 -15.7 -13.3 -10.7 -3.23 -2.93 -2.6
100 -16.3 -13.7 -11 -3.17 -2.9 -2.59
250 -16.7 -13.9 -11.1 -3.14 -2.88 -2.58
500 -16.8 -14 -11.2 -3.13 -2.87 -2.57
Infinito -16.9 -14.1 -11.3 -3.12 -2.86 -2.57
c) T.(rho(tau) - 1) c) t(tau)
Tam.Muestra 0.025 0.05 0.1 0.025 0.05 0.1
25 -20 -17.9 -15.6 -3.95 -3.6 -3.24
50 -22.4 -19.7 -16.8 -3.8 -3.5 -3.18
100 -23.7 -20.6 -17.5 -3.73 -3.45 -3.15
250 -24.4 -21.3 -17.9 -3.69 -3.42 -3.13
500 -24.7 -21.5 -18.1 -3.67 -3.42 -3.13
Infinito -25 -21.7 -18.3 -3.67 -3.41 -3.13
Fuente: Hayashi,Econometrics Fuente: Hayashi,Econometrics
Frmulas de la prueba de RU de DFA.
1 :
.. ...
.. .........
.. .... ..........
1
1
1
1
1
1
=
+ A + + + =
+ A + + =
+ A + =
=

=

=

o | o
o o
o
t
Ho
prueba u y y t y
prueba u y y y
prueba u y y y
t
m
i
i t i t t
t
m
i
i t i t t
t
m
i
i t i t t
0 :
1 ...
.. ...
.. .........
.. .... ..........
1
1
1
1
1
1
=
=
+ A + + + = A
+ + A + + = A
+ A + = A
=

=

=

o | o
o o
o
t
Ho
Donde
t prueba u y y t y
t prueba u y y y
t prueba u y y y
t
m
i
i t i t t
t
m
i
i t i t t
t
m
i
i t i t t
Las instrucciones en Eviews son:
LS X X(-1) D(X(-1)) D(X(-2))

La prueba de DFA hace referencia a los
Trminos comprendidos en las sumato-
Rias.
De manera equivalente:
LS D(X) X(-1) D(X(-1)) D(X(-2))
Este ltimo es la forma en que
Eviews estima las ecuaciones para
la prueba de DFA.
Ejemplo sobre la serie X en niveles (LS)
Dependent Variable: X
Method: Least Squares
Date: 01/08/06 Time: 10:27
Sample(adjusted): 4 200
Included observations: 197 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
X(-1) 1.005981 0.001547 650.2054 0.0000
D(X(-1)) -0.047951 0.069356 -0.691368 0.4902
D(X(-2)) 0.149027 0.069387 2.147761 0.0330
R-squared 0.998211 Mean dependent var 48.41210
Adjusted R-squared 0.998193 S.D. dependent var 24.25923
S.E. of regression 1.031359 Akaike info criterion 2.914744
Sum squared resid 206.3582 Schwarz criterion 2.964742
Log likelihood -284.102 Durbin-Watson stat 1.981848
-------------------------------------------------------------------------------------------------------------------------------------------------
Dependent Variable: D(X)
Date: 01/08/06 Time: 10:39
X(-1) 0.005981 0.001547 3.865920 0.0002
D(X(-1)) -0.047951 0.069356 -0.691368 0.4902
D(X(-2)) 0.149027 0.069387 2.147761 0.0330
R-squared -0.024653 Mean dependent var 0.427670
Adjusted R-squared -0.035217 S.D. dependent var 1.013665

LS D(X,2) D(X(-1)) D(X(-1),2) D(X(-2),2)
Dependent Variable: D(X,2)
Date: 01/08/06 Time: 10:55

D(X(-1)) -0.697004 0.105965 -6.577691 0.0000
D(X(-1),2) -0.265745 0.095725 -2.776121 0.0060
D(X(-2),2) -0.028250 0.070798 -0.399015 0.6903
R-squared 0.500068 Mean dependent var -0.006965

La representacin del modelo de la prueba en primeras diferencias, y empleamos
El estadstico t.
t
i
i t i t t
u y y y + A + A = A

=

2
1
2
1
2
o
En la siguiente diapositiva se pre-
senta la estimacin UROOT de
Eviews.
Ejemplo en Eviews (1ras.diferencias)
Null Hypothesis: D(X) has a unit root
Exogenous: None
Lag Length: 2 (Fixed)
t-Statistic Prob.*
Test critical values: 1% level -2.576814
5% level -1.942456
10% level -1.615622

Augmented Dickey-Fuller Test Equation
Dependent Variable: D(X,2)
Date: 01/08/06 Time: 10:43
D(X(-1)) -0.697004 0.105965 -6.577691 0.0000
D(X(-1),2) -0.265745 0.095725 -2.776121 0.0060
D(X(-2),2) -0.028250 0.070798 -0.399015 0.6903

Procedimiento en EViews
Tipos de tendencias:
80
120
160
200
240
280
320
100 200 300 400 500 600 700
S
Grfico : Tasa Spot Yen/Dolar. Enero 1975-Dic. 1989.
Ejemplo de tendencia estocstica
Tipos de tendencias
2400
2800
3200
3600
4000
4400
4800
5200
70 72 74 76 78 80 82 84 86 88 90
PIB PIB_F
Grfico: Tendencia determinstico o temporal (linea recta)
Cointegracin: introduccin
Regresin de una serie de tiempo con raz
unitaria sobre otra serie de tiempo con raz
unitaria
Puede llevar a regresin espuria.
Dos series no estacionarias no correlacionadas
pueden tener una relacin que aparece
significativa en una regresin
Esto puede persistir aun en muestras grandes
Gran R
2
y bajo DW (R
2
>DW)
Si se diferencian las series la correlacin
(espuria) desaparece
Sin embargo puede que dos series I(1) resulten
en una combinacin lineal I(0)
La combinacin lineal puede cancelar las
tendencias estocsticas y resulta en una serie
estacionaria
En estos casos las series estn cointegradas
En trminos econmicos dos varibables sern
cointegradas si existe una relacin de largo
plazo o de equilibrio entre ambas
Modelos de Correccin de Errores
Teorema de Representacin de Granger.
El Mecanismo de Correccin de Errores
(ECM) utilizado por primera vez por Sargan y
luego por Engle y Granger, es concebido
como una correccin el desequilibrio.
El teorema de representacin de Granger,
afirma que si dos variables X y Y estn
cointegradas, entonces la relacin entre las
dos variables se expresa como MCE,
expresada por ejemplo:

t t t t t
ipd gcp ipd gcp c o o | | | + + A + = A

) (
1 2 1 1 3 2 1
Mtodos de Estimacin de MCE
Mtodo de Engle-Granger de 2 etapas
Ejemplo 1: Funcin de Gasto de consumo
(Econometra de Gujarti)
Operando en Eviews:
LS gcp c ipd obtenemos el resultado:

Capturando los residuos y haciendo la prueba
de Raiz Unitaria obtenemos:
GENR rgcp=resid
UROOT rgcp LS D(rgcp) rgcp(-1)
53 . 0 .......... 99 . 0
) 87 . 119 )..( 48 . 7 .........(
9672 . 0 44 . 171
2
= =
+ =
DW R
t
ipd p c g
c
) 779 . 3 ..( ..........
2753 . 0
1
= A

c
t t
t
rgcp rgcp
2775 . 2
1422 . 0
2
=
=
DW
R
t t t
rgcp ipd gcp + + =
2 1
o o
Continuacin del ejemplo 1: estimacin de ecuacin de prueba
Con Uroot obtenemos los siguientes valores Tabla.

Null Hypothesis: RGCP has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=11)
t-Statistic Prob.*
Test critical values: 1% level -2.591813
5% level -1.944574
10% level -1.614315

Augmented Dickey-Fuller Test Equation
Dependent Variable: D(RGCP)
Date: 01/15/06 Time: 09:47
Sample(adjusted): 1970:2 1991:4
RGCP(-1) -0.275312 0.072852 -3.779071 0.0003

Continuacin del ejemplo 1: comentario de la prueba
Al comparar el valor Tabla t y la probabilidad de
MacKinnon de una sola cola, con la t-estimada indican
que se rechaza Ho: de no estacionariedad de los
residuos, o de no cointegracin.
Lo que significa que los residuos son I(0) es decir
estacionarios, aunque GCP y IPD son I(1) (es decir no
estacionarios), entonces en la relacin estimada para
GCP y IPD decimos que s cointegran. Es decir la
funcin de consumo estimado es una relacin de Largo
Plazo.
El valor de la propensin marginal a consumir (PMC)
de largo plazo o de equilibrio es igual a 0.9672.
Mtodo Engle-Granger de 2 etapas
Continuacin del Ejemplo 1: Modelo de Correccin de Error.
Esto es; de la estimacin por MCO del Modelo

Incorporamos el residuo rgcp
t
en el modelo de
MCE.

O equivalentemente:

Donde el vector de cointegracin est dado por:

t t t
rgcp ipd gcp + + =
2 1
o o
(
2 1
1 o o
t t t t
rgcp ipd gcp c | | | + + A + = A
1 3 2 1
t t t t t
ipd gcp ipd gcp c o o | | | + + A + = A

) (
1 2 1 1 3 2 1
Continuacin del Ejemplo 1: Modelo de Correccin de
Error.
La estimacin del modelo MCE es:

El valor absoluto del parmetro del residuo rgcp
t
mide
la velocidad con que se aproxima al equilibrio de largo
plazo. La prueba estadstica sobre este coeficiente
implica aceptar la hiptesis de valor cero para este
parmetro, sugiriendo que GCP se ajusta a los
cambios habidos en el IPD durante el mismo periodo.
9233 . 1
1717 . 0
1133 . 0 ........ 0001 . 0 .... 000 . 0 .......
) 16003 ).......( 171 . 4 )..( 324 . 5 ( ..........
086 . 0 29 . 0 69 . 11
2
1
=
=
+ A + = A

DW
R
p
t
rgcp ipd gcp
valor
c
t t t t
c
Continuacin del Ejemplo 1: Modelo de Correccin de Error.
En el resultado anterior vemos que los cambios
de corto plazo en IPD tiene un efecto positivo
en los cambios de corto plazo del GCP.
El valor 0.29 se interpreta como la propensin
marginal a consumir de corto plazo.
Si el coeficiente de rgcp
t
fuera estadsticamente
diferente de cero, implicara que la discrepancia
en GCP respecto al periodo anterior se elimina
en el siguiente periodo.
Mtodo Engle-Granger de 2 etapas
MG tiene algunos inconvenientes:
Los test de raz unitaria y cointegracin pierden
validez en muestras pequeas.
Puede presentarse el sesgo de ecuaciones
simultneas si la causalidad entre las variables
(y,x) va en ambas direcciones.
Si se comete un error de especificacin el
modelo E1 (etapa 1), este se traslada al test de
cointegracin en E2 (etapa 2).
No es posible realizar pruebas de hiptesis al
VC (vector de cointegracin) de E1.

Mtodo de Johansen
Mtodo de Johansen
El modelo anterior puede tambin
escribirse.

Para aplicar el mtodo de Johansen, el
modelo anterior expresamos como un
VECM.

t t
p
i
i t i t t
Bx y y y c + + A I + H = A

=

1
1
1
t t p t p t t
Bx y A y A y c + + + + =

...
1 1
Mtodo de Johansen
Mtodo de Johansen
Mtodo de Johansen
Ejemplo: Cointegracin de Johansen.
Consideremos el modelo de funcin de consumo
anterior, mas una variable en las explicativas
(beneficios), esto es:

Al igual que el primer modelo de consumo
estimado, con la metodologa de Engle-Granger
se rechaza la hiptesis nula de no cointegracin.

t t t t
rgcp beneficios ipd gcp + + + =
3 2 1
o o o
5317 . 0
9942 . 0
081 . 0 ........ 000 . 0 ....... 000 . 0 .......
) 766 . 1 ).....( 022 . 63 )...( 154 . 5 ........(
262 . 0 944 . 0 07 . 143
2
=
=
+ + + =
DW
R
p
t
rgcp benef icios ipd gcp
value
c
t t t t
El MCE estimada con el mtodo de EG es:

Como vemos los parmetros del MCE son
todos diferentes de cero.
t t t t t
rgcp beneficios ipd gcp c | | | | + + A + A + = A
4 3 2 1
942 . 1
298 . 0
0121 . 0 ... .......... .......... 0295 . 0 ......... 0002 . 0 .... 000 . 0 ........
) 56 . 2 .....( .......... )......... 21 . 2 ..( )......... 88 . 3 )....( 88 . 5 .( ..........
135 . 0 441 . 0 251 . 0 752 . 11
2
=
=
+ + A + A + = A
DW
R
p
t
rgcp benef icios ipd gcp
value
c
t t t t t
c
El procedimiento de estimacin de la prueba de
Johansen, se efectuar en Eviews.

QUICK/GROUP STATISTICS/COINTEGRATION TEST

Luego especifique las variables:

gcp ipd beneficios

1. El nivel de datos yt no tiene tendencia determinstico y la ecuacin de
cointegracin no tiene intercepto:

2. El nivel de los datos yt no tiene tendencia determinstico y la ecuacin
de cointegracin tiene solamente intercepto:

3. El nivel de los datos yt tiene tendencia lineal pero la ecuacin de
cointegracin solamente tiene intercepto:

4. El nivel de los datos yt y la ecuacin de cointegracin tiene tendencia
lineal:

5. El nivel de los datos yt tiene tendencia cuadrtica y la ecuacin de
cointegracin tiene tendencia lineal:

1
'
1 2
: ) (

= + H
t t t
y Bx y r H o|
) ( : ) (
0 1
'
1 1
| o + = + H
t t t
y Bx y r H
0 1
'
1 1
) ( : ) ( o | o

+ + = + H
t t t
y Bx y r H
0 1 1
'
1
) ( : ) ( o | o

+ + + = + H t y Bx y r H
t t t
) ( ) ( : ) (
1 0 1 1
'
1
t t y Bx y r H
t t t
o | o + + + + = + H

Resultado de la opcin (2)

Date: 01/15/06 Time: 16:16
Sample(adjusted): 1970:3 1991:4
Trend assumption: No deterministic trend (restricted constant)
Series: GCP IPD BENEFICIOS
Lags interval (in first differences): 1 to 1

Unrestricted Cointegration Rank Test
Hypothesized Trace 5 Percent 1 Percent
No. of CE(s) Eigenvalue Statistic Critical Value Critical Value
None ** 0.280554 55.83955 34.91 41.07
At most 1 ** 0.204143 27.52204 19.96 24.60
At most 2 0.087610 7.885120 9.24 12.97
*(**) denotes rejection of the hypothesis at the 5%(1%) level

Trace test indicates 2 cointegrating equation(s) at both 5% and 1% levels

Hypothesized Max-Eigen 5 Percent 1 Percent
No. of CE(s) Eigenvalue Statistic Critical Value Critical Value
None ** 0.280554 28.31751 22.00 26.81
At most 1 * 0.204143 19.63692 15.67 20.20
At most 2 0.087610 7.885120 9.24 12.97

*(**) denotes rejection of the hypothesis at the 5%(1%) level
Max-eigenvalue test indicates 2 cointegrating equation(s) at the 5% level
Max-eigenvalue test indicates 1 cointegrating equation(s) at the 1% level

..\..\..\Mis documentos\estadisticos-
calculados de johansen.xls
La primera parte de la tabla reporta los resultados para probar el nmero de
relaciones de cointegracin. Son reportados dos tipos de pruebas estadsticas.
El primer bloque es denominado estadstico trace y el segundo bloque reporta la
estadstica Max. valor caracterstico (eigenvalue).
Para cada bloque, la primera columna es el nmero de relaciones de cointegracin
bajo la hiptesis nula.
La segunda columna es el eigenvalue ordenado de la matriz PI.
La tercera columna es la prueba estadstica, y las dos ltimas columnas son los
valores crticos al 5% y 1%.
Para determinar el nmero de relaciones de cointegracin r condicional sobre los
supuestos hechos en la tendencia, podemos proceder secuencialmente desde r = 0
a r = k -1 hasta dejar de rechazar.
El estadstico Trace reportado en la prueba del primer bloque con la hiptesis nula
de r relaciones de cointegracin contra la alternativa de k relaciones de
cointegracin, donde k es el nmero de variables endgenas, para r = 0, 1, , k1.
La alternativa de k relaciones de cointegracin corresponde al caso donde ninguna
de las series tiene una raz unitaria y un VAR estacionario puede ser especificado en
trminos de los niveles de todas las series. El estadstico Trace para la hiptesis
nula de r relaciones de cointegracin es calculado como:

donde lamda es el psimo eigevalue mayor de la matriz PI que se reporta en la
segunda columna de la tabla de resultados.

+ =
=
k
r i
i tr
T k r LR
1
) 1 log( ) | (
El segundo bloque reporta el estadistico mximo eigenvalue que prueba la hiptesis
nula de r relaciones de cointegracin contra la alternativa de r+1 relaciones de
cointegracin. Esta prueba estadstica es calculado como

para r = 0, 1, , k 1
Importante:
Los valores crticos estn disponibles para k =10 series. Tambin note que los
valores crticos depende sobre los supuestos de tendencia y puede ser no apropiado
para modelos que contienen otros regresores determinsticos.
El estadstico Trace y el estadstico mximo eigenvalue puede producir resultados
conflictivos. Para cada caso, se recomienda que examine el vector de cointegracin
estimado y base su eleccin sobre la interpretabilidad de la relacin de
cointegracin; ver Johansen y Juselius (1990).
En algunos casos, la prueba de raz unitaria individual mostrar que algunas de las
series son integrados, pero la prueba de cointegracin indicar que la matriz tiene
rango completo (r =k). Esta aparente contradiccin puede ser el resultado de bajo
poder de la prueba de cointegracin, quizs provenga del tamao de muestra
pequeo o que sirve como indicacin de error de especificacin.
) | 1 ( ) | (
) 1 log( ) 1 | (
1
1 max
k r LR k r LR
T r r LR
tr tr
k
r i
r
+ =
= +

+ =
+

Segn nuestros resultados con la prueba trace
diramos que al 5% y 1% de significancia
rechazamos la Ho de un vector de
cointegracin contra la alterna de 2 relaciones
de cointegracin, concluyndose que hay 2
vectores de cointegracin.

Segn el estadstico mximo eigenvalue slo al
5% de confianza se rechaza la Ho de un vector
de cointegracin.
Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):
GCP IPD BENEFICIOS C
-0.002729 0.003715 -0.012865 -0.385652
-0.030717 0.030270 1.98E-05 -7.113613
-0.007663 0.004185 0.039540 2.737768

Unrestricted Adjustment Coefficients (alpha):
D(GCP) 9.949174 -1.847530 -1.630149
D(IPD) 5.229851 -10.62746 2.299481
D(BENEFICIOS) -0.173835 -1.907877 -2.242598

1 Cointegrating Equation(s): Log likelihood -1063.923
Normalized cointegrating coefficients (std.err. in parentheses)
1.000000 -1.361001 4.713283 141.2944
(0.26628) (2.63872) (484.896)

Adjustment coefficients (std.err. in parentheses)
D(GCP) -0.027156
(0.00523)
D(IPD) -0.014274
(0.00788)
D(BENEFICIOS) 0.000474
(0.00262)

2 Cointegrating Equation(s): Log likelihood -1054.104
Normalized cointegrating coefficients (std.err. in parentheses)
1.000000 0.000000 -12.37055 468.5338
(3.67001) (555.488)
0.000000 1.000000 -12.55240 240.4402
(3.70428) (560.674)

Adjustment coefficients (std.err. in parentheses)
D(GCP) 0.029594 -0.018966
(0.05874) (0.05809)
D(IPD) 0.312164 -0.302265
(0.08136) (0.08046)
D(BENEFICIOS) 0.059078 -0.058397
(0.02883) (0.02851)

Como podemos notar hay la estimacin de dos
relaciones de largo plazo, pero sin embargo
estos parmetros no son los adecuados para
una interpretacin econmica. As por ejemplo
el coeficiente del IPD es mayor que uno.
Para hacer una aproximacin hacia un modelo
posible de interpretacin, tenemos que hacer
unas restricciones en la matriz beta y alpha.
(esta demostracin es tarea para la siguiente
reunin).
Modelos VAR
Ventajas
Desventajas

Prueba de Raiz Unitaria y Cointegracion2

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Prueba de Raiz Unitaria y Cointegracion2

Cargado por

Copyright:

Formatos disponibles

PRUEBA DE RAIZ UNITARIA

Ejemplo: Cointegracin de Johansen.

También podría gustarte