ECONOMETRA GECO

Tema 7 (Libro M. Matilla et al. Tema 14)

TENDENCIAS, RACES UNITARIAS Y REGRESIONES

ESPUREAS.
14.1. CONCEPTO DE TENDENCIA.
1.1. Tendencias deterministas.
1.2. Tendencias estocsticas. Paseo aleatorio sin deriva.
Paseo aleatorio con
deriva.
1.3. Ejemplo.
14.2. REGRESIONES ESPURIAS.
14.3. CONTRASTE DE RACES UNITARIAS.

BIBLIOGRAFIA:
ECONOMETRA Y PREDICCIN. (Tema 14)
MARIANO MATILLA GARCA et al.
Edit. Mc Graw Hill
BERNARD CABRER
UNED Valencia

TENDENCIAS, RACES UNITARIAS Y REGRESIONES

ESPUREAS.
En la especificacin y estimacin del modelo de
regresin lineal se imponen una serie de hiptesis
que
difcilmente se podrn cumplir si las series o variables
utilizadas en el modelo no son estacionarias, entre otras:
1. No se puede recurrir ni aplicar el teorema central del
limite ni siquiera asintticamente. En estos casos las
conclusiones obtenidas de sus resultados pueden ser
errneas.
2. Difcilmente se va a cumplir la hiptesis de no existencia
de cambio estructural
(parmetros estables en el
tiempo).
3. Difcilmente se va a cumplir la hiptesis no existencia
de autocorrelacin.
4. Difcilmente se va a cumplir la hiptesis
de
homocedasticidad.
5. Las varianzas de los estimadores, los intervalos de
confianza y las predicciones
pueden resultar poco
fiables.

14.1. CONCEPTO DE TENDENCIA.

Muchas series o variables econmicas no son
estacionarias pero con una pequea transformacin se
convierten en estacionarias.
transformaciones mas habituales en la realidad son
YLas
t
a partir de la serie original
:

Yt Yt Yt 1

1. Tomar primeras diferencias ordinarias:

2.

Calcular el logaritmo neperiano de la

posteriormente tomar primeras diferencias:

serie

ln(Yt ) ln(Yt 1 ) ln(Yt / Yt 1 )

3. Calcular la tasa de
de la variable original:
(Yt crecimiento
Yt 1 )

Yt
La

segunda
transformacin
y
la
(
Y

Y
)
t
t 1
aproximadamente
iguales
ln(Y ) ln(
Y ) ya que:
t

t 1

Yt

tercera

son

14.1. CONCEPTO DE TENDENCIA.

La interpretacin econmica de las transformaciones
antes descritas son inmediatas. Es por ello que son las mas
utilizadas en la modelizacin economtrica. No obstante, estos
tipos de transformacin suponen que la serie original presentan
diferentes tipos de tendencia.
Se define a la tendencia a un movimiento sistemtico a
largo plazo en el tiempo. Las observaciones de la serie fluctan
alrededor de la tendencia.
En general se van a considerar dos tipos de tendencia:
14.1.1. Tendencia determinista: La esperanza de la serie est
en funcin del tiempo.
14.1.2. Tendencia estocstica: La varianza de la serie est en
funcin del tiempo.
Ejemplos de series temporales:

14.1. Ejemplos Grficos de series con tendencia.

Serie sin tendencia.
Serie con tendencia
4
120
determinista.
3

100

80

60

40

-1

20

-2

-3
10

20

30

40

50

60

70

80

90

00

10

-20
10

20

30

40

50

60

70

80

90

00

10

LOG(POB_ESP)-LOG(POB_ESP(-1))
.024

Serie con tendencia determinista.

tendencia estocstica.
.020
12,000

Serie con

14,000

10,000

.016

8,000

.012

6,000

.008
4,000

.004

2,000
0

.000
1930

1940

1950

1960

1970

1980

1990

2000

2010

1965

1970

1975

1980

1985

1990

1995

2000

2005

2010

12
0

10
0

8
0

6
0

4
0

2
0

10
10

20

30

40

50

60

70

80

90

00

20

10
10

20

14,00
0

10,00
0

.
020

8,00
0

.
016

6,00
0

.
012

4,00
0

.
008

2,00
0

.
004

0
193
0

1940
1950

196
0

1970
1980

199
0

2000

.
000

2010

40

50

60

70

80

90

00

LOG(POB_ESP)LOG(POB_ESP(-1))

.
024

12,00
0

30

1965

197
0

1975 1980
2010

1985

1990

1995

2000

2005

14.1.1. TENDENCIAS DETERMINISTAS.

Una tendencia determinista es una funcin no aleatoria del
tiempo. Por consiguiente una serie con tendencia determinista
es necesariamente no aleatoria.
Las tendencias deterministas mas habituales son:

Yt 0 1 t ut

1.Tendencia lineal:

Yt 0 1 t 2 t 2 ut

2.Tendencia cuadrtica:

3.Tendencia exponencial:

Yt e

0 1 t ut

14.1.1.
Ejemplos
de
tendencias
cuadrtica y exponencial.

determinostas:

lineal,

10

20

30

40

50

60

70

80

90

00

10

10

20

30

40

50

60

70

80

90

00

10

10

20

30

40

50

60

70

80

90

00

10

14.1.1. Ejemplos de tendencias

cuadrtica y exponencial.

deterministas:

10

20

30

40

50

60

70

80

90

00

10

10

20

30

40

50

60

70

80

90

00

10

10

20

30

40

50

60

70

80

90

00

10

lineal,

14.1.1. Especificacin de modelos con tendencia determinista.

La especificacin de un modelo economtrico cuando las
variables (regresor y regresando) presentan tendencia
determinista se puede realizar a travs de
la siguiente
ecuacin de comportamiento:

Yt 0 1 X t 2 t ut

En el caso de que se estimara el modelo:

Yt 0 1 X t ut
Este
ltimo
autocorrelacin.

modelo

seguramente

presentara

14.1.1. Especificacin de modelos con tendencia determinista.

Ejemplo.
1.Modelo estimado con
tendenciaYdeterministas):
4.899

autocorrelacin

(variables

con

2.Modelo estimado sin autocorrelacin (variables

Yt 1.746
0.484 X t 3.035 t
tendencia deterministas):

con

2.002 X t

(3.287)

(179.138)

R 2 0.998

(4.128)
R 2 0.999

DW 2.489

(12.316)
DW 1.989

(38.705)

14.1.2. Tendencias estocsticas.

Se dice que una serie temporal presenta tendencia
estocstica cuando su varianza evoluciona en el tiempo. Una
serie que presenta tendencia estocstica es no estacionaria.
Una serie transformada es integrada de orden uno, y se
representa por I(1), si mediante una sola integracin se
obtiene la serie original. En otras palabras, una serie original,
no estacionaria, es I(1), si mediante su transformacin
utilizando sus primeras diferencias ordinarias se obtiene una
Yt
serie estacionaria.

Z t Yt
Serie original no estacionaria:

Yt 1

Serie transformada estacionaria:

Y Y Z

t
t 1
t
La relacin entre la serie original
y la serie
transformada
se puede escribir a travs de la siguiente ecuacin:

Yt tambin
1 Yt 1 se
Zpuede
t
En general la ecuacin anterior
expresar
como:
1 1
1

En este caso si

la serie original no es

14.1.2. Tendencias estocsticas.

PASEO ALEATORIO.
Se trata de un proceso no estacionario que se puede
representar a travs de las siguientes ecuaciones:

Yt Yt 1 t
Paseo aleatorio sin deriva:
donde:
t
una variable ruido blanco.
Este proceso no estacionario se caracteriza por:

es

E (Yt ) f (t )

su esperanza no depende del tiempo:

var(Yt ) f (t )

su varianza depende del tiempo:

Yt 0 Yt 1 t

Paseo aleatorio con deriva:

es una variable r. b.
E (Yt ) f por:
(t )
Este proceso no estacionario se caracteriza
su esperanza depende del tiempo:
var(Y

su varianza depende del tiempo:

) f (t )

donde:

14.1.2. Tendencias estocsticas. Ejemplos.

Paseo aleatorio sin deriva:

10

20

30

40

50

60

70

80

90

00

10

60

70

80

90

00

10

Paseo aleatorio con deriva:

10

20

30

40

50

14.1.2. Tendencias estocsticas. Ejemplos.

Paseo sin
deriva

10

20

30

40

50

60

70

80

90

00

10

30

40

50

60

70

80

90

00

10

Paseo con
deriva

10

20

14.1.2. Tendencias estocsticas. Ejemplos serie PIB de Espaa .

La serie del PIB de Espaa podemos observar que no es
estacionaria. Tanto su representacin grfica como su funcin de
PIB_ESP
autocorrelacin confirman dicha
caracterstica.

55

60

65

70

75

80

85

90

95

00

05

10

14.1.2. Tendencias estocsticas. Ejemplos serie PIB de Espaa .

Adems la serie transformada mediante sus primera
diferencias a travs de su representacin grfica y su funcin de
D(PIB_ESP)
autocorrelacin lo confirman.

55

60

65

70

75

80

85

90

95

00

05

10

14.2. REGRESIONES ESPUREAS.

Cuando se especifica un modelo economtrico y se estima
dicho modelo utilizando variables no estacionarias se obtienen
generalmente unos resultados incorrectos. A este tipo de
regresin se le denomina en el contexto economtrico regresin
espurea que se caracteriza por presentar un coeficiente de
determinacin muy elevado (prximo a la unidad) y una alta
autocorrelacin, un coeficiente DW, generalmente prximo a cero.
En otras palabras, cuando se tiene un modelo economtrico
estimado en el que el estadstico DW es inferior al coeficiente de
determinacin es un indicativo de que la estimacin es incorrecta.
0

KF
e economa espaola 1955Ejemplo: Modelo PIB
economtrico
para
t e
t la
2012
ut

LPIBt 0 1 LKFt ut

o bien, tomando logaritmos neperianos

LPIBt

Donde:

LKFt

es el logaritmo neperiano del PIB

es el logaritmo neperiano del stock de capital

14.2. REGRESIONES ESPUREAS.

Modelo estimado:

LPIB t 1.470
(4.842)
R 2 0.808

0.907 LKFt
(13.759)
DW 0.103

Los resultados obtenidos son, a todas luces inadecuados, a pesar

de que el coeficiente de determinacin es muy elevado pero
existe una alta autocorrelacin.
Si ahora se incluye la variable tendencia en el modelo se
obtiene:
LPIB t 6.090
0.355 LKF 0.048 t
t

(18.981)
R 2 0.970

(4.162)

(15.538)

DW 0.110

En este caso lejos de solucionar el problema ya que el DW no ha

mejorado. Adems, el signo negativo del coeficiente del capital

14.2. REGRESIONES ESPUREAS.

Otra posible solucin, es utilizar tanto el regresor como el
regresando en incrementos de las variables en logaritmos
neperianos. En este caso se obtiene:

LPIB t 0.041
(11.188)
R 2 0.062

Como se puede
totalmente inadecuada.

0.081 LKFt
(1.633)
DW 0.503

observar

la

estimacin

obtenida

es

14.3. CONTRASTE DE RACES UNITARIAS.

Cmo contrastar si una serie no es estacionaria?
Una forma alternativa de comprobar si una serie es
estacionaria es efectuando el contraste probabilstico en el
modelo AR(1) habitual. En este caso se va a utilizar el contraste
de propuesto por Dickey-Fuller (1979).

1
Se trata de contrastar la hiptesis
Yt 0 Yt 1 t
hiptesis alternativa

nula

frente a la

En el modelo:
en el caso de que se acepte la hiptesis nula concluiramos que la
serie no es estacionaria.
(Yt Y )(Yt 1 Y )

Limitaciones:

2
(
Y

Y
)
t

El estimador
S tiende a infinito
denominador
El estadstico
(Distribucin DF)
La

serie

puede

es inadecuado, el

ya no se distribuye segn una t-Student .

presentar

simultneamente

tendencia

14.3. CONTRASTE DE RACES UNITARIAS.

Con el fin de superar la primera limitacin Dickey-Fuller
(DF) proponen estimar el siguiente modelo:

Yt Yt 1 0 Yt 1 Yt 1 t

o bien:
donde:

Yt 0 Yt 1 t

Yt serie
Ahora, para contrastar si la
es no estacionaria o bien
que presentan una raz unitaria, esto es si es I(1), se debe
contrastar:

0
Hiptesis
nula
0

(existe tendencia estocstica o la serie es

I(1) ) frente a la hiptesis alternativa
(no existe
tendencia estocstica o la serie es I(0) )

Yt 0 Yt 1 t

En el modelo
propuesto por DF:

El estadstico
se distribuye
propuesta por DF siempre y cuando

segn la distribucin

14.3. CONTRASTE DE RACES UNITARIAS.

Con el fin de superar la tercera limitacin al modelo
propuesto Dickey-Fuller (DF) se puede incluir un trmino que
recoja dicha caracterstica:

Yt 0 t Yt 1 t

0
En el caso de que simultneamente:
Se rechace la hiptesis
0
Se acepte la hiptesis
Se concluye que la serie objeto del anlisis
simultneamente tendencia determinista y estocstica.

presenta

14.3. CONTRASTE DE RACES UNITARIAS.

Con el fin de superar la presencia de autocorrelacin en el
modelo propuesto Dickey-Fuller (DF) se puede incluir como
regresor el regresando desfasado. A este test se le denomina de
Dickey-Fuller Ampliado (ADF)

Yt 0 Yt 1 1 Yt 1 t

o bien:

Yt 0 Yt 1 1 Yt 1 2 Yt 2 t

Cuntos retardos se deben incluir

deben incluir?

del regrasando defasado se

Los necesarios para que el modelo estimado no

autocorrelacin de primer orden.
Adems, se puede hacer uso del criterio
AIC-Akaike.
q
En general tendremos el modelo:

Yt 0 Yt 1 i Yt i t
i 1

presente

14.3. CONTRASTE DE RACES UNITARIAS. Ejemplo logaritmo del

PIB economa espaola.
Iniciamos
el estudio estimando el modelo:

Yt

0.171 0.324 Yt 1

(6.102) (4.927)
n 56 R 2 0.306 DW 0.694
Como se puede observar que el modelo presenta
autocorrelacin de primer orden (dl=1.528; du=1.601), para
solucionar dicho
se debe incluir como regresor
el
problema

Y
0
.
070

0
.
010
Y

0
.
648

Y
regresando desfasado.
t
t 1
t 1

(2.485) (2.264)

(6.201)

n 56 R 2 0.592 DW 1.601

El segundo modelo estimado, a pesar de que el DW ha aumentado

considerablemente no podemos rechazar la existencia de
autocorrelacin de primer orden (dl=1.490; du=1.641). Con el fin

14.3. CONTRASTE DE RACES UNITARIAS. Ejemplo logaritmo del

PIB economa espaola.
El modelo estimado para el test de DFA, con dos desfases
del regresor se presenta a continuacin:

Yt

0.081 0.012 Yt 1
(2.760) (2.498)

0.797 Yt 1
(5.745)

0.223

Yt 2

(1.625)

n 55 R 2 0.606 DW 1.785
En el presente modelo se puede comprobar que el modelo no
Yt primer
presenta autocorrelacin de
orden (dl=1.452; du=1.681). A
1
continuacin vamos a proceder a docimar si el coeficiente que
afecta a la variable
puede ser igual a cero.

14.3. CONTRASTE DE RACES UNITARIAS. Ejemplo logaritmo del PIB

economa espaola.
El contraste que vamos a efectuar es el siguiente:

Hiptesis nula
Hiptesis alternativa
(la serie presenta tendencia estocstica) (la serie no presenta
tendencia estocstica)
(la serie es (1) )
(la serie es I(0) )

Si se cumple Pr
la desigualdad
ob( probabilstica
) (1 ) :
S
(1 )

Aceptamos la hiptesis nula con una probabilidad de

0.012
En nuestro caso se tiene:
Pr ob(

0.005

) (1 )

Sustituyendo
por cero debido a la hiptesis nula. Adems, se
sabe que el valor crtico de
para una probabilidad del 95%

14.3. CONTRASTE DE RACES UNITARIAS. Ejemplo logaritmo del PIB

economa espaola.
Se obtiene la siguiente desigualdad:
- 2.86 < -2.498

Dado que se cumple la desigualdad probabilstica se puede

concluir que la serie objeto del anlisis, el logaritmo neperiano del
PIB de Espaa es una serie I(1), con una probabilidad del 95%.