07 Series Temporales

UNIVERSIDAD NACIONAL
“SANTIAGO ANTUNEZ DE MAYOLO”
Facultad de Economía y Contabilidad
ECONOMETRIA
II
Escuela Académico – Profesional de Economía
ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

ECONOMETRIA DE
SERIES
TEMPORALES
SERIES TEMPORALES
INTRODUCCION
En esta parte estudiamos los modelos de series de tiempo. Estos modelos

tratan de explotar la información contenida en la historia de las mismas
variables. Estos modelos son conocidos como modelos en forma
reducida o no estructurales, ya que no han sido derivados de un modelo
teórico o financiero. Estos modelos son de bastante uso en las finanzas
porque usualmente las predicciones obtenidas con estos modelos son
mejores que las obtenidas con los modelos estructurales.
En los capítulos anteriores hemos tratado de la estimación de modelos
econométricos en los que una lista de variables exógenas se utiliza para
explicar el comportamiento de otra variable endógena. Este desarrollo
convencional del modelo econométrico de relación entre variables se
basa en el principio de mínimos cuadrados, tradicional en la teoría
estadística, que se ha aplicado habitualmente en la estimación de
relaciones en todo tipo de ciencias, experimentales o no experimentales.

SERIES TEMPORALES
INTRODUCCION
Pero en ciencias no experimentales como la economía, el investigador

debe incluso tratar de descubrir la especificación del modelo, pues no
existe un diseño experimental que haya generado los datos de que
dispone.
En 1970, Box y Jenkins propusieron una metodología rigurosa para la
identificación, estimación y diagnóstico de modelos dinámicos para
datos de series temporales que, justificadamente se ha convertido en una
herramienta habitual en el análisis de series económicas y que se
desarrolla en esta sección.

SERIES TEMPORALES
INTRODUCCION
Hemos mencionado que uno de los dos tipos importantes de información

para el análisis empírico lo conforman las series de tiempo. Esta
información, plantea diversos desafíos a econometristas y profesionales.
EN PRIMER LUGAR, el trabajo empírico basado en series de tiempo
supone que la serie de tiempo en cuestión es estacionaria. En este ítem
analizaremos con más profundidad el concepto de estacionariedad.
EN SEGUNDO LUGAR, porque las series de tiempo subyacentes no
son estacionarias y por lo tanto, se origina autocorrelación.
EN TERCER LUGAR, al efectuar la regresión de una variable de serie
de tiempo sobre otra variable de serie de tiempo con frecuencia se
obtiene una R2 muy elevada (superior a 0.9) aunque no haya una relación
significativa entre las dos. En ocasiones no se espera ninguna relación
entre las dos variables; sin embargo, una regresión de una variable sobre
la otra a menudo muestra una relación significativa.
SERIES TEMPORALES
INTRODUCCION
Esta situación ejemplifica el problema de la regresión espuria, o

disparatada. Por consiguiente, es muy importante averiguar si la relación
entre las variables económicas es verdadera o espuria.
EN CUARTO LUGAR, algunas series de tiempo financieras, como los
precios de las acciones, muestran lo que se conoce como fenómeno de
caminata aleatoria. Lo anterior significa que la mejor predicción para el
precio de una acción, por ejemplo de IBM, es igual a su precio actual
más un choque puramente aleatorio (o término de error). De ser así, el
pronóstico del precio de las acciones sería un ejercicio inútil.
EN QUINTO LUGAR, los modelos de regresión que consideran series
de tiempo son muy comunes para los pronósticos. En vista de lo
expuesto, deseamos saber si tal pronóstico es válido cuando las series de
tiempo sobre las cuales se basa no son estacionarias.

SERIES TEMPORALES
INTRODUCCION
Es necesario advertir que el análisis de las series de tiempo es muy

amplio y siempre está en evolución; además, algunas matemáticas
propias de las diversas técnicas del análisis de las series de tiempo son
tan complejas que lo mejor que se puede hacer es proporcionar un
panorama general de algunos conceptos fundamentales.

SERIES TEMPORALES
CONCEPTOS BASICOS
1. Proceso estocástico o proceso aleatorio. Un proceso estocástico o

aleatorio es una colección o sucesión de variables aleatorias ordenadas
en el tiempo. Podemos definirlo también como una secuencia de
números aleatorios. El proceso estocástico se escribirá como 𝑌𝑖 para
i=1, 2,…. Si este índice representa tiempo, 𝑌𝑡 , el proceso estocástico se
llamará serie de tiempo. Si se asigna un posible valor de Y por cada i se
estará construyendo una posible realización del proceso estocástico.
Si Y denota una variable aleatoria y es continua, se denota como Y(t),
pero si es discreta se expresa como 𝑌𝑡 . Un ejemplo del primer tipo es un
electrocardiograma, y del segundo tipo, el PBI, IPD (ingreso personal
disponible), etc. En vista de que la mayoría de los datos económicos se
recopilan en puntos discretos de tiempo, para los propósitos de esta
sección utilizaremos la notación 𝑌𝑡 en vez de Y(t).

SERIES TEMPORALES
CONCEPTOS BASICOS
Considere los datos que se presentan en la siguiente diapositiva. Si Y

representa al PBI, para los datos anteriores se tiene Y1, Y2, Y3,..,Y86, Y87,
Y88, donde el subíndice 1 denota la primera observación (es decir, el PBI
del primer trimestre de 1970) y el subíndice 88 señala la última
observación (es decir, el PBI del cuarto trimestre de 1991).
Tenga en cuenta que cada una de estas Y es una variable aleatoria.
¿En qué sentido podemos considerar al PBI un proceso estocástico?
Considere por ejemplo el PBI real de 2872.8 miles de millones de
dólares del primer trimestre de 1970. En teoría, la cifra del PBI del
primer trimestre de 1970 puede ser cualquier dígito, según el clima
económico y político.

SERIES TEMPORALES
CONCEPTOS BASICOS
La cifra 2872.8 miles de millones de dólares es una realización

particular de todas esas posibilidades. Por tanto, podemos decir que el
PBI es un proceso estocástico y que los valores reales observados en el
periodo del primer trimestre de 1970 al cuarto de 1991 son realizaciones
particulares de ese proceso (es decir, una muestra). La distinción entre el
proceso estocástico y su realización es semejante a la diferencia entre
población y muestra en datos de corte transversal. De la misma forma
como hacemos inferencias sobre la población a partir de datos
muestrales, efectuamos inferencias sobre el proceso estocástico
subyacente en las series de tiempo mediante la realización.

SERIES TEMPORALES
CONCEPTOS BASICOS
Eduardo Court y Erick Rengifo («Estadísticas y econometría financiera»; Edit.

Cengage Learning, pág. 400; Perú, 2011) exponen en su texto, que «El principal
problema en los modelos de series de tiempo es que en la realidad sólo
se observa el proceso estocástico en una de sus varias y posibles
realizaciones. Por lo tanto, sólo se puede obtener un set de estadísticos
(media, varianza, etc.) dadas las observaciones disponibles. En teoría si
se pudieran observar todas las posibles realizaciones del proceso
estocástico, se podrían calcular los parámetros poblacionales (tal como
la media poblacional) simplemente como el promedio de todas las
realizaciones.»

SERIES TEMPORALES
CONCEPTOS BASICOS
Reforzando lo anterior, Alfonso Novales en su texto «Econometría» (Edit.

McGraw Hill; Segunda edición, pág. 415; España,1993) afirma que, «Una forma de
abordar el análisis estadístico de una serie temporal económica, consiste
en considerar que la serie temporal correspondiente a una variable,
como el consumo agregado, es la realización de un proceso estocástico.
Bajo este punto de vista, cada dato de la serie es una realización (es
decir una muestra de tamaño 1) de la variable consumo (𝐶𝑡 ) que
compone el proceso estocástico de consuno 𝐶𝑡 ∞ 𝑡=1 .

SERIES TEMPORALES
CONCEPTOS BASICOS
Año PBI IPD GCP Ganancias Dividendos LNPBI LNIPD LNGCP LNGanancias LNDividendos
70-1 2872.8 1990.6 1800.5 44.7 24.5 7.9630424 7.5961914 7.4958197 3.7999735 3.1986731
70-2 2860.3 2020.1 1807.5 44.4 23.9 7.9586818 7.6109023 7.4997000 3.7932395 3.1738785
70-3 2896.6 2045.3 1824.7 44.9 23.3 7.9712929 7.6232998 7.5091709 3.8044378 3.1484534
70-4 2873.7 2045.2 1821.2 42.1 23.1 7.9633557 7.6232509 7.5072509 3.7400477 3.1398326
71-1 2942.9 2073.9 1849.9 48.8 23.8 7.9871508 7.6371862 7.5228869 3.8877303 3.1696856
71-2 2947.4 2098.0 1863.5 50.7 23.7 7.9886787 7.6487398 7.5302117 3.9259259 3.1654750
71-3 2966.0 2106.6 1876.9 54.2 23.8 7.9949695 7.6528306 7.5373768 3.9926809 3.1696856
71-4 2980.8 2121.1 1904.6 55.7 23.7 7.9999470 7.6596901 7.5520273 4.0199801 3.1654750
72-1 3037.3 2129.7 1929.3 59.4 25.0 8.0187242 7.6637364 7.5649125 4.0842942 3.2188758
72-2 3089.7 2149.1 1963.3 60.1 25.5 8.0358293 7.6728044 7.5823820 4.0960098 3.2386785
72-3 3125.8 2193.9 1989.1 62.8 26.1 8.0474455 7.6934361 7.5954376 4.1399551 3.2619353
72-4 3175.5 2272.0 2032.1 68.3 26.5 8.0632204 7.7284158 7.6168250 4.2239098 3.2771447
73-1 3253.3 2300.7 2063.9 79.1 27.0 8.0874251 7.7409687 7.6323527 4.3707129 3.2958369
73-2 3267.6 2315.2 2062.0 81.2 27.8 8.0918110 7.7472514 7.6314317 4.3969152 3.3250360
73-3 3264.3 2337.9 2073.7 81.3 28.3 8.0908006 7.7570084 7.6370897 4.3981460 3.3428618
73-4 3289.1 2382.7 2067.4 85.0 29.4 8.0983693 7.7759896 7.6340471 4.4426513 3.3809947
74-1 3259.4 2334.7 2050.8 89.0 29.8 8.0892984 7.7556387 7.6259852 4.4886364 3.3945084
74-2 3267.6 2304.5 2059.0 91.2 30.4 8.0918110 7.7426190 7.6299757 4.5130549 3.4144426
74-3 3239.1 2315.0 2065.5 97.1 30.9 8.0830508 7.7471650 7.6331276 4.5757414 3.4307562
74-4 3226.4 2313.7 2039.9 86.8 30.5 8.0791222 7.7466033 7.6206561 4.4636066 3.4177267
75-1 3154.0 2282.5 2051.8 75.8 30.0 8.0564268 7.7330266 7.6264727 4.3280983 3.4011974
75-2 3190.4 2390.3 2086.9 81.0 29.7 8.0679016 7.7791742 7.6434350 4.3944492 3.3911470
75-3 3249.9 2354.4 2114.4 97.8 30.1 8.0863795 7.7640412 7.6565264 4.5829246 3.4045252
75-4 3292.5 2389.4 2137.0 103.4 30.6 8.0994024 7.7787976 7.6671583 4.6386050 3.4210000

SERIES TEMPORALES
CONCEPTOS BASICOS
2. Estacionariedad: La estacionariedad, en síntesis, significa que todas

las observaciones de la serie de tiempo provienen de la misma
distribución de probabilidad y que, si a su vez, el proceso no es muy
persistente, cada observación tendrá información valorable que no está
presente en ninguna de las otras observaciones, por lo que los
estadísticos obtenidos de las observaciones serán consistentes con sus
respectivos parámetros poblacionales. Por ejemplo, la media de estas
observaciones en el tiempo, será consistente con la media poblacional.
El concepto de estacionariedad tiene dos versiones: la estacionariedad
estricta y la estacionariedad débil.

SERIES TEMPORALES
CONCEPTOS BASICOS
2.1 Estacionariedad estricta: Un proceso estocástico 𝑌𝑖 con i=1, 2,…T

es estrictamente estacionario si, para un número real finito r y para
cualquier conjunto de subíndices i=i1,i2,…, iT:
𝐹𝑌𝑖1,𝑌𝑖2 ,…,𝑌𝑖𝑇 𝑌1 , … , 𝑌𝑇 = 𝐹𝑌𝑖1+𝑘 ,𝑌𝑖2+𝑘 ,…,𝑌𝑖𝑇+𝑘 𝑌1 , … , 𝑌𝑇
Es decir, que la distribución conjunta de 𝑌𝑖 con i=1, 2,…T depende sólo
de la distancia r y no de i; es decir, la probabilidad conjunta de 𝑌1 , 𝑌11
es la misma que 𝑌51 , 𝑌61 ; note que en este caso, k=10. Lo importante
para la distribución es la posición relativa de la secuencia . Además, esto
quiere decir que la probabilidad que y caiga en algún intervalo en
particular es siempre la misma.
Por lo tanto, si un proceso estocástico, es estrictamente estacionario, la
media, la varianza y otros momentos de la distribución serán los mismos
para toda i. Ejemplos de series estrictamente estacionarios incluyen los
procesos independientes e idénticamente distribuidos (IID).
SERIES TEMPORALES
CONCEPTOS BASICOS
2.2 Estacionariedad débil. Un proceso estocástico 𝑌𝑖 con i=1, 2,…T

(recuerde que si 𝑌𝑖 es 𝑌𝑡 , entonces es una serie de tiempo) es
débilmente estacionario si se cumple lo siguiente:
𝑀𝑒𝑑𝑖𝑎 𝐸 𝑌𝑡 = 𝜇 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑣𝑎𝑟 𝑌𝑡 = 𝐸 𝑌𝑡 − 𝜇 2 = 𝜎 2
𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝛾𝑘 = 𝑌𝑡 − 𝜇 𝑌𝑡+𝑘 − 𝜇
Donde 𝛾𝑘 la covarianza (o autocovarianza) en el rezago k, es la
covarianza entre los valores de 𝑌𝑡 y 𝑌𝑡+𝑘 , es decir, entre dos valores Y
separados k periodos. Si k=0, obtenemos 𝛾0 , que es simplemente la
varianza de Y(= 𝜎 2 ); si k=1, 𝛾1 es la covarianza entre dos valores
adyacentes de Y. Además la última ecuación nos dice que es la posición
relativa k lo importante y no la absoluta i.
Por ejemplo:
𝑐𝑜𝑣 𝑌1 − 𝑌11 = 𝑐𝑜𝑣 𝑌51 − 𝑌61 = 𝛾11

SERIES TEMPORALES
CONCEPTOS BASICOS
En otras palabras, suponiendo que el origen de Y se desplaza de 𝑌𝑡 a

𝑌𝑡+𝑚 (por ejemplo, del primer trimestre de 1970 al primero de 1975 de
los datos del PBI). Ahora, si esperamos que 𝑌𝑡 sea estacionaria, la media,
la varianza y la covarianza de 𝑌𝑡+𝑚 deben ser las mismas que las de 𝑌𝑡 .
En la bibliografía sobre series de tiempo, un proceso estocástico como
éste se conoce como proceso estocástico débilmente estacionario,
estacionario covariante, estacionario de segundo orden o proceso
estocástico en amplio sentido. Para efectos de este capítulo, y en la
mayoría de las situaciones prácticas, basta este tipo de estacionariedad.

SERIES TEMPORALES
CONCEPTOS BASICOS
En resumen, si una serie de tiempo es estacionaria, su media, su

varianza y su autocovarianza (en los diferentes rezagos) permanecen
iguales sin importar el momento en el cual se midan; es decir, son
invariantes respecto del tiempo.
Tal serie de tiempo tenderá a regresar a su media (llamada reversión
media) y las fluctuaciones alrededor de esta media (medida por su
varianza) tendrán una amplitud constante en términos generales. Para
decirlo de otro modo, un proceso estacionario no se desvía demasiado de
su valor medio debido a la varianza finita. Esto no ocurre con los
procesos estocásticos no estacionarios. Debemos señalar que, en un
proceso estacionario, la velocidad de la reversión media depende de las
autocovarianzas: es rápida si las autocovarianzas son pequeñas y lenta
cuando son grandes.

SERIES TEMPORALES
CONCEPTOS BASICOS
La importancia de las series de tiempo estacionarias radica en que si es

no estacionaria, sólo podemos estudiar su comportamiento durante el
periodo en consideración. Por tanto, cada conjunto de datos perteneciente
a la serie de tiempo corresponderá a un episodio particular. En
consecuencia, no es posible generalizar para otros periodos. Así, para
propósitos de pronóstico, tales series de tiempo (no estacionarias) tienen
poco valor práctico.
3. Proceso de ruido blanco
Debemos mencionar, un tipo especial de proceso estocástico (o de series
de tiempo): el proceso puramente aleatorio o de ruido blanco. Se dice
que un proceso es puramente aleatorio o de ruido blanco si tiene una
media igual a cero, una varianza constante σ2 y no está serialmente
correlacionado. Lo anterior implica que un proceso de ruido blanco es
un proceso débilmente estacionario,
SERIES TEMPORALES
CONCEPTOS BASICOS
Recordará que supusimos que el término de error ut que entra en el

MCRL está independiente e idénticamente distribuido como una
distribución normal con media cero y varianza constante; por lo tanto,
es un proceso de ruido blanco denotado por ut∼IIDN(0, σ2). Este proceso
se conoce como proceso gaussiano de ruido blanco.
4. Modelo de caminata aleatoria (MCA).
Un ejemplo de series de tiempo no estacionarias, es el modelo de
caminata aleatoria (MCA). A menudo decimos que los precios de
valores, como las acciones o las tasas de cambio, siguen una caminata
aleatoria; es decir, son no estacionarios. Hay dos tipos de caminatas
aleatorias:
1) caminata aleatoria sin deriva o sin desvío (es decir, sin término
constante o de intercepto); y,
2) caminata aleatoria con deriva o con desvío (es decir, hay un término
constante).
SERIES TEMPORALES
CONCEPTOS BASICOS
4.1 Caminata aleatoria sin deriva o sin desvío (es decir, sin término
constante o de intercepto)
Suponga que ut es un término de error de ruido blanco, con media 0 y
varianza σ2. Entonces decimos que la serie 𝑌𝑡 es una caminata aleatoria
si:
𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡
En este modelo de caminata aleatoria, el valor de Y en el tiempo t es
igual a su valor en el tiempo (t-1) más un choque aleatorio; por tanto, es
un modelo AR(1). Podemos pensar que este modelo es una regresión de
Y en el tiempo t sobre su valor rezagado un periodo.
Entonces, si 𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡 , podemos escribir:
𝑌1 = 𝑌0 + 𝑢1
𝑌2 = 𝑌1 + 𝑢2 = 𝑌0 + 𝑢1 + 𝑢2
𝑌3 = 𝑌2 + 𝑢3 = 𝑌0 + 𝑢1 + 𝑢2 + 𝑢3
SERIES TEMPORALES
CONCEPTOS BASICOS
En general, si el proceso comenzó en el tiempo 0 con un valor de 𝑌0 ,

tenemos:
𝑌𝑡 = 𝑌0 + ෍ 𝑢𝑡
Por tanto:
𝐸 𝑌𝑡 = 𝐸 𝑌𝑡 + ෍ 𝑢𝑡 = 𝑌0
Además:
𝑣𝑎𝑟 𝑌𝑡 = 𝑡𝜎 2

SERIES TEMPORALES
CONCEPTOS BASICOS
Las expresiones anteriores revelan que la media de Y es igual a su valor

inicial (constante), pero conforme se incrementa t, su varianza aumenta
de manera indefinida, lo que viola una condición de la estacionariedad.
En resumen, el MCA sin deriva es un proceso estocástico no
estacionario.
En la práctica, Y0 a menudo se iguala a cero, en cuyo caso E(Yt) = 0.
Una característica importante del MCA es la persistencia de los choques
aleatorios (es decir, los errores aleatorios): Yt es la suma de Y0 inicial
más la suma de los choques aleatorios. Como resultado, no se desvanece
el impacto de un choque particular.
Por ejemplo, si u2=2, en vez de u2=0, todas las Yt de Y2 en adelante serán
2 unidades mayores, por lo que nunca cesa el efecto de este choque. Por
esta razón decimos que la caminata aleatoria tiene memoria infinita.
La suma ut se conoce también como tendencia estocástica.

SERIES TEMPORALES
CONCEPTOS BASICOS
Si expresamos 𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡 como:

𝑌𝑡 − 𝑌𝑡−1 = ∆𝑌𝑡 = 𝑢𝑡
donde ∆ es el operador de primeras diferencias. Resulta fácil probar que
mientras que 𝑌𝑡 es no estacionaria, sí lo es la serie de sus primeras
diferencias. En otras palabras, las primeras diferencias de series de
tiempo de caminata aleatoria son estacionarias.
Modelos autorregresivos AR(p)
En el análisis de regresión con datos de series de tiempo, cuando el
modelo de regresión incluye no sólo valores actuales sino además
valores rezagados (pasados) de las variables explicativas (las X), se
denomina modelo de rezagos distribuidos.
𝑌𝑡 = 𝛼 + 𝛽0 𝑋𝑡 + 𝛽1 𝑋𝑡−1 + 𝛽2 𝑋𝑡−2 + 𝑢𝑡

SERIES TEMPORALES
CONCEPTOS BASICOS
Si el modelo incluye uno o más valores rezagados de la variable

dependiente entre sus variables explicativas, se denomina modelo
autorregresivo.
𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝛾𝑌𝑡−1 + 𝑢𝑡
Estos modelos autorregresivo también se conocen como modelos
dinámicos, pues señalan la trayectoria en el tiempo de la variable
dependiente en relación con su(s) valor(es) pasado(s).
Los modelos autorregresivos se denotan AR(p) en donde p es el rezago.
Así, AR(1) indica un esquema autorregresivo de primer orden; AR(2) un
esquema regresivo de segundo orden; AR(p) un esquema autorrregresivo
de orden p.
Por ejemplo: 𝑌𝑡 = 𝛾𝑌𝑡−1 + 𝑢𝑡 es un modelo autorregresivo de primer
orden porque pude interpretarse como la regresión de 𝑌𝑡 sobre sí misma
con un rezago de un periodo
SERIES TEMPORALES
CONCEPTOS BASICOS
El papel del tiempo o rezago en economía

En economía, la dependencia de una variable Y (dependiente) respecto de
otra u otras variables X (explicativas) pocas veces es instantánea. Con
frecuencia Y responde a X en un lapso, el cual se denomina rezago.
Razones de los rezagos
Hay tres razones principales:
1. Razones psicológicas. Como resultado de la fuerza del hábito, la
gente no cambia sus hábitos de consumo de inmediato tras una reducción
de precios o de un incremento en el ingreso.
Asimismo, la gente puede no saber si un cambio es “permanente” o
“transitorio”. Así, su reacción a un incremento en su ingreso depende de
que sea permanente o no. Si el incremento no se repite y en los periodos
siguientes su ingreso retorna al nivel anterior, quizá ahorre la totalidad de
éste, mientras que otra persona puede decidir “disfrutarlo”.
SERIES TEMPORALES
CONCEPTOS BASICOS
2. Razones tecnológicas. Suponga que se reduce el precio del capital

relativo al trabajo, de modo que es económicamente factible sustituir
mano de obra por capital. Desde luego, la adición de capital toma tiempo
(periodo de gestación). Además, si se espera que la caída de precios sea
temporal, las empresas pueden no apurarse a sustituir mano de obra por
capital, en especial si esperan que luego de la caída temporal el precio
del capital tal vez aumente más allá de su nivel anterior. Algunas veces,
el conocimiento imperfecto también explica los rezagos.

SERIES TEMPORALES
CONCEPTOS BASICOS
2. Razones institucionales. Estas razones también contribuyen a los

rezagos. Por ejemplo, las obligaciones contractuales pueden impedir que
las empresas cambien de una fuente de trabajo o de materias primas a
otra. Por ejemplo, quienes colocaron fondos en cuentas de ahorro de
largo plazo con término fijo, como uno, tres o siete años, están
“atrapados”, aunque las condiciones del mercado de dinero ahora
permitan rendimientos más altos en otras partes. En forma similar, los
empleadores con frecuencia permiten a sus empleados escoger entre
diversos planes de seguro de salud, pero sólo se hace una selección, y un
empleado no puede cambiarse a otro plan durante al menos un año.
Aunque esto puede representar una conveniencia administrativa, el
empleado queda comprometido durante un año.

SERIES TEMPORALES
CONCEPTOS BASICOS
Por estas razones, el rezago desempeña un papel central en economía.

Esto se refleja en la metodología económica del corto y largo plazos. Por
esta razón se dice que las elasticidades precio-ingreso de corto plazo
suelen ser menores (en valores absolutos) que las elasticidades
correspondientes de largo plazo, o que la propensión marginal a
consumir de corto plazo es por lo general menor que la propensión
marginal a consumir de largo plazo.

SERIES TEMPORALES
CONCEPTOS BASICOS
Modelos de medias móviles MA(q)

El proceso de medias móviles o MA por sus siglas en inglés (Moving
Averages) es un modelo que supone que la variable puede ser explicada
por un cierto número de rezagos (q) de los errores. Es decir:
𝑌𝑡 = 𝛼 + 𝑢𝑡 + 𝛾1 𝑢𝑡−1 + 𝛾2 𝑢𝑡−2 + ⋯ + 𝛾𝑞 𝑢𝑡−𝑞
Donde los errores son IID con media 0 y varianza 𝜎 2 . La ecuación
anterior se puede reescribir de la siguiente manera:
𝑞
𝑌𝑡 = 𝛼 + ෍ 𝛾𝑗 𝑢𝑡−𝑗 + 𝑢𝑡
𝑗=1

SERIES TEMPORALES
CONCEPTOS BASICOS
4.2 Caminata aleatoria con deriva

Expresamos 𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡 de la siguiente forma:
𝑌𝑡 = 𝛿 + 𝑌𝑡−1 + 𝑢𝑡
Donde 𝛿 es el parámetro de la deriva.
El término deriva proviene del hecho de que, si escribimos la ecuación
anterior como:
𝑌𝑡 − 𝑌𝑡−1 = ∆𝑌𝑡 = 𝛿 + 𝑢𝑡
se demuestra que 𝑌𝑡 se deriva o desvía hacia arriba o hacia abajo, según δ
sea positiva o negativa. Observe que el modelo 𝑌𝑡 = 𝛿 + 𝑌𝑡−1 + 𝑢𝑡
también es un modelo AR(1).

SERIES TEMPORALES
CONCEPTOS BASICOS
Se puede demostrar que para para el modelo de caminata aleatoria con

deriva 𝑌𝑡 = 𝛿 + 𝑌𝑡−1 + 𝑢𝑡 :
𝐸 𝑌𝑡 = 𝑌0 + 𝑡𝛿
𝑣𝑎𝑟 𝑌𝑡 = 𝑡𝜎 2
Como puede observar, para el MCA con deriva, la media, al igual que la
varianza, se incrementa con el tiempo, lo que viola de nuevo las
condiciones de la estacionariedad (débil).
En resumen, el MCA, con o sin deriva, es un proceso estocástico no
estacionario.
El modelo de caminata aleatoria es un ejemplo de lo que se conoce en la
bibliografía como proceso de raíz unitaria.

SERIES TEMPORALES
PROCESO ESTOCASTICO DE RAIZ UNITARIA
Escribimos el MCA 𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡 como:

𝑌𝑡 = 𝜌𝑌𝑡−1 + 𝑢𝑡 −1≤𝜌 ≤1
Este modelo se parece al modelo autorregresivo de primer orden de
Markov que analizamos en el capítulo de autocorrelación. Si ρ = 1, se
convierte en un MCA (sin deriva). Si ρ es 1, tenemos lo que se conoce
como problema de raíz unitaria; es decir, enfrentamos una situación de
no estacionariedad. Ya sabemos que en este caso la varianza de 𝑌𝑡 es no
estacionaria.
El nombre de raíz unitaria se debe a que ρ = 1. Por tanto, los términos no
estacionariedad, caminata aleatoria, raíz unitaria y tendencia estocástica
se consideran sinónimos.

SERIES TEMPORALES
PROCESO DE ESTOCASTICO DE RAIZ UNITARIA
Una observación técnica: si ρ = 1, nuestra ecuación se expresa como

𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡 . Ahora, si definimos un operador de rezago L, de modo
que 𝐿𝑌𝑡 = 𝑌𝑡−1 , 𝐿2 𝑌𝑡 = 𝑌𝑡−2 , etc., 𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡 se escribe como 𝑌𝑡 =
𝐿𝑌𝑡 + 𝑢𝑡 ; ordenando términos: 1 − L 𝑌𝑡 = 𝑢𝑡 . El término raíz unitaria”
se refiere a la raíz del polinomio en el operador de rezago. Si se tiene (1
− L) = 0, L = 1, de ahí el nombre de raíz unitaria.
Sin embargo, si |ρ| < 1, es decir, si el valor absoluto de ρ es menor que 1,
podemos demostrar que la serie de tiempo 𝑌𝑡 es estacionaria de acuerdo
con la definición dada.
Así, en la práctica, es importante averiguar si una serie de tiempo tiene
una raíz unitaria. Más adelante analizaremos varias pruebas de raíz
unitaria, es decir, diversas pruebas para la estacionariedad.

SERIES TEMPORALES
PROCESOS ESTOCASTICOS ESTACIONARIOS EN

TENDENCIA (ET) Y ESTACIONARIOS EN DIFERENCIAS
La distinción entre procesos estocásticos (o series de tiempo)
estacionarios y no estacionarios tiene una importancia fundamental para
saber si la tendencia (la lenta evolución de largo plazo de la serie de
tiempo en consideración) observada en las series de tiempo es
determinista o estocástica.
En términos generales, si la tendencia de una serie de tiempo es del todo
predecible y no variable, se le llama tendencia determinista; si no es
predecible, se le llama tendencia estocástica.
Para formalizar la definición, considere el siguiente modelo de la serie de
tiempo 𝑌𝑡 :
𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝛽3 𝑌𝑡−1 + 𝑢𝑡
donde 𝑢𝑡 es un término de error de ruido blanco y donde t es el tiempo
medido cronológicamente.
SERIES TEMPORALES

Ahora tenemos las siguientes posibilidades:
Caminata aleatoria pura:
Si en 𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝛽3 𝑌𝑡−1 + 𝑢𝑡 ; β1 = 0, β2 = 0, β3 = 1, obtenemos
que no es otra cosa sino el MCA sin deriva y por tanto es no estacionario.
Pero observe que si expresamos 𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡 como:
∆𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−1 = 𝑢𝑡
se convierte en estacionaria. Por tanto, un MCA sin deriva es un proceso
estacionario en diferencias (PED).

SERIES TEMPORALES

Caminata aleatoria con deriva:
Si en 𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝛽3 𝑌𝑡−1 + 𝑢𝑡 ; Β1≠0, β2=0, β3=1, obtenemos:
𝑌𝑡 = 𝛽1 + 𝑌𝑡−1 + 𝑢𝑡
que es una caminata aleatoria con deriva y en consecuencia es no
estacionaria.
Si la expresamos como
𝑌𝑡 − 𝑌𝑡−1 = ∆𝑌𝑡 = 𝛽1 + 𝑢𝑡
esto significa que 𝑌𝑡 mostrará una tendencia positiva (𝛽1 >0) o negativa
(𝛽1 <0). Tal tendencia se llama tendencia estocástica. La ecuación
𝑌𝑡 − 𝑌𝑡−1 = ∆𝑌𝑡 = 𝛽1 + 𝑢𝑡 es un PED porque la no estacionariedad en
𝑌𝑡 se elimina al tomar las primeras diferencias de las series de tiempo.

SERIES TEMPORALES

Tendencia determinista:
Si en 𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝛽3 𝑌𝑡−1 + 𝑢𝑡 ; β1≠0, β2≠0, β3=0, obtenemos:
𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝑢𝑡
lo cual se llama proceso estacionario en tendencia (PET). Aunque la
media de 𝑌𝑡 es 𝛽1 + 𝛽2 𝑡 -no constante-, su varianza (=σ2) sí lo es. Una
vez que conocemos los valores de 𝛽1 y 𝛽2 , podemos pronosticar la media
sin ningún problema.
Por tanto, si restamos la media de 𝑌𝑡 de 𝑌𝑡 , la serie resultante será
estacionaria; de ahí el nombre de estacionario en tendencia.
Este procedimiento de eliminar la tendencia (determinista) se llama
supresión de tendencia.

SERIES TEMPORALES

Caminata aleatoria con deriva y tendencia determinista
Si en 𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝛽3 𝑌𝑡−1 + 𝑢𝑡 ; β1≠0, β2≠0, β3=1, obtenemos:
𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝑌𝑡−1 + 𝑢𝑡
en cuyo caso tenemos una caminata aleatoria con deriva y tendencia
determinista, lo cual se aprecia si expresamos esta ecuación como:
∆𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝑢𝑡
que significa que 𝑌𝑡 es no estacionaria.
Tendencia determinista con componente estacionario AR(1):
Si en 𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝛽3 𝑌𝑡−1 + 𝑢𝑡 ; β1≠0, β2≠0, β3<1, tenemos
𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝛽3 𝑌𝑡−1 + 𝑢𝑡
que es estacionaria alrededor de la tendencia determinista.

SERIES TEMPORALES

Para apreciar la diferencia entre una tendencia determinista y una
estocástica, considere la siguiente figura:
La serie llamada estocástica en esta
figura está generada por el MCA
con deriva:
𝑌𝑡 = 0.5 + 𝑌𝑡−1 + 𝑢𝑡
donde se generaron 500 valores de
𝑢𝑡 a partir de la distribución
estándar y donde el valor inicial de
Y se estableció como 1.
La serie llamada determinista se genera de la siguiente forma:
𝑌𝑡 = 0.5𝑡 + 𝑢𝑡
donde 𝑢𝑡 se generó como antes y t es el tiempo medido cronológicamente.
SERIES TEMPORALES

Como se ve a partir de la figura anterior, en el caso de la tendencia
determinista, las desviaciones de la línea de tendencia (que representa la
media no estacionaria) son puramente aleatorias y se eliminan rápido; no
contribuyen al desarrollo de largo plazo de las series de tiempo, el cual
está determinado por el componente de la tendencia 0.5t.
En el caso de la tendencia estocástica, por otra parte, el componente
aleatorio 𝑢𝑡 afecta el curso de largo plazo de la serie 𝑌𝑡 .

SERIES TEMPORALES
PROCESOS ESTOCASTICOS INTEGRADOS
El modelo de caminata aleatoria no es más que un caso específico de una

clase más general de procesos estocásticos conocidos como procesos
integrados. Recuerde que el MCA sin deriva es no estacionario, pero su
serie de primeras diferencias ∆𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−1 = 𝑢𝑡 , es estacionaria.
Por tanto, el MCA sin deriva se llama proceso integrado de orden 1 y
se denota como I(1).
De manera similar, si una serie de tiempo tiene que diferenciarse dos
veces (es decir, se toman primeras diferencias de la serie de primeras
diferencias) para hacerla estacionaria, esa serie de tiempo se denomina
integrada de orden 2 y se denota como I(2).
En general, si una serie de tiempo (no estacionaria) debe diferenciarse d
veces para hacerla estacionaria, decimos que la serie es integrada de
orden d. Una serie de tiempo 𝑌𝑡 integrada de orden d se denota como
𝒀𝒕 ∼I(d).

SERIES TEMPORALES
Si una serie de tiempo es estacionaria desde el principio (es decir, si no

requiere ninguna diferenciación), decimos que es integrada de orden cero
y se denota mediante 𝒀𝒕 ∼I(0).
Por tanto, con los términos “serie de tiempo estacionaria” y “serie de
tiempo integrada de orden cero” daremos a entender la misma cosa.
La mayoría de las series de tiempo económicas son I(1); es decir, por lo
general se convierten en estacionarias sólo después de tomar sus
primeras diferencias.
Propiedades de las series integradas
Podemos observar las siguientes propiedades de las series de tiempo
integradas: sea 𝑋𝑡 , 𝑌𝑡 y 𝑍𝑡 tres series de tiempo.
1. Si 𝑋𝑡 ∼I(0) y 𝑌𝑡 ~I(1), 𝑍𝑡 = (𝑋𝑡 +𝑌𝑡 )=I(1); es decir, una combinación
lineal o suma de series de tiempo estacionaria y no estacionaria es no
estacionaria.
SERIES TEMPORALES
2. Si 𝑋𝑡 ∼I(d), 𝑍𝑡 =(a+b𝑋𝑡 )=I(d), donde a y b son constantes. Es decir,

una combinación lineal de una serie I(d) es también I(d). Por tanto, si
𝑋𝑡 ∼I(0), 𝑍𝑡 =(a + b𝑋𝑡 )∼I(0).
3. Si 𝑋𝑡 ∼I(𝑑1 ) y 𝑌𝑡 ~I(𝑑2 ), 𝑍𝑡 =(a𝑋𝑡 +b𝑌𝑡 )∼I(𝑑2 ), donde 𝑑1 <𝑑2 .
4. Si 𝑋𝑡 ∼I(d) y 𝑌𝑡 ∼I(d), 𝑍𝑡 =(a𝑋𝑡 +b𝑌𝑡 )∼I(d∗); d∗ es por lo general igual a
d, pero en algunos casos d∗<d.
Como se ve por los enunciados anteriores, debemos poner especial
atención al combinar dos o más series de tiempo que tengan diferente
orden de integración.

SERIES TEMPORALES
Para ver la importancia de esto, considere el modelo de regresión de dos

variables: 𝑌𝑡 = 𝛽1 + 𝛽2 𝑋𝑡 + 𝑢𝑡
Según los supuestos clásicos de MCO, sabemos que:
σ 𝑥𝑡 𝑦𝑡
መ
𝛽2 =
σ 𝑥𝑡2
donde las letras minúsculas indican la desviación de los valores medios.
Suponga que 𝑌𝑡 es I(0) pero que 𝑋𝑡 es I(1); es decir, la primera es
estacionaria y la segunda no. Como 𝑋𝑡 es no estacionaria, su varianza se
incrementará indefinidamente por tanto, domina el término del
numerador, con el resultado de que𝛽መ2 convergirá a cero de manera
asintótica y no tendrá siquiera una distribución asintótica.

SERIES TEMPORALES
LA REGRESION ESPUREA
Para ver por qué las series de tiempo estacionarias son tan importantes,
considere los dos modelos de caminata aleatoria siguientes:
𝑋𝑡 = 𝑋𝑡−1 + 𝑣𝑡
donde se generaron 500 observaciones de 𝑢𝑡 a partir de 𝑢𝑡 ∼N(0,1) y 500
observaciones de 𝑣𝑡 a partir de 𝑣𝑡 ∼N(0, 1), además de que se supuso que
los valores iniciales de Y y X eran cero. También se supuso que 𝑢𝑡 y 𝑣𝑡
no están serial ni mutuamente correlacionadas. Como ya sabemos, ambas
series de tiempo son no estacionarias; es decir, son I(1) o exhiben
tendencias estocásticas.
Suponga que hacemos la regresión de 𝑌𝑡 sobre 𝑋𝑡 . Como 𝑌𝑡 y 𝑋𝑡 son
procesos no correlacionados I(1), R2 de la regresión de Y sobre X debe
tender a cero; es decir, no debe haber ninguna relación entre las dos
variables. Pero vea los resultados de la regresión:
SERIES TEMPORALES
Como puede observar, el coeficiente de X es muy significativo

estadísticamente, y aunque el valor de R2 es bajo, es estadísticamente
distinto de cero. A partir de estos resultados, uno estaría tentado a
concluir que existe una relación estadística significativa entre Y y X,
aunque a priori se pensara que no habría ninguna. Lo anterior resume el
fenómeno de regresión espuria o regresión sin sentido descubierto por
Yule, quien mostró además que la correlación espuria puede persistir en
las series de tiempo no estacionarias aunque la muestra sea muy grande.
Que hay algo malo en la regresión anterior lo indica el valor
extremadamente bajo de la d de Durbin-Watson, el cual indica una
autocorrelación muy fuerte de primer orden.
SERIES TEMPORALES
De acuerdo con Granger y Newbold, R2>d es una buena regla práctica

para sospechar que la regresión estimada es espuria, así, la R2 y el
estadístico t de dicha regresión espuria son engañosos y los estadísticos t
no están distribuidos como la distribución t (de Student) y, por tanto, no
se puede probar con ellos hipótesis sobre los parámetros.
Que los resultados de la regresión presentados antes carezcan de sentido
se advierte con facilidad al hacer la regresión de las primeras diferencias
de 𝑌𝑡 (= Δ𝑌𝑡 ) sobre las primeras diferencias de 𝑋𝑡 (=Δ𝑋𝑡 ); recuerde que
aunque 𝑌𝑡 y 𝑋𝑡 son no estacionarias, sus primeras diferencias sí lo son.
En esta regresión veremos que R2 es prácticamente cero, como debe ser,
y que la d de Durbin-Watson es de casi 2.
Este ejemplo es un recordatorio de que debemos tener mucho cuidado al
llevar a cabo un análisis de regresión basado en series de tiempo que
exhiban tendencias estocásticas.
SERIES TEMPORALES
PRUEBAS DE ESTACIONARIEDAD
En la práctica nos enfrentamos dos preguntas importantes:

1) ¿Cómo sabemos si una serie de tiempo determinada es estacionaria?
2) Si tenemos que una serie de tiempo determinada es no estacionaria,
¿hay alguna forma de que se convierta en estacionaria?
Antes de responder la primera pregunta, tenga en cuenta que sobre todo
nos interesa la estacionariedad débil o covarianza y que, aunque hay
varias pruebas para la estacionariedad, sólo analizamos las que se
estudian de manera prominente en la bibliografía:
1. El análisis gráfico; y,
2. La prueba del correlograma.
3. La prueba de raíz unitaria.

SERIES TEMPORALES
1. El análisis gráfico
Como ya mencionamos, antes de efectuar una prueba formal, siempre es
aconsejable graficar la serie de tiempo en estudio, estas gráficas
proporcionan una pista inicial respecto de la posible naturaleza de las
series de tiempo.
Por ejemplo, considere la serie de tiempo que se muestran en la siguiente
diapositiva. Observe el gráfico del logaritmo PBI, se muestra que a lo
largo del periodo de estudio, éste se incrementó; es decir, muestra una
tendencia ascendente, lo cual deja entrever que quizá esté variando la
media del logaritmo del PBI. Esto tal vez indique que la serie logarítmica
del PBI es no estacionaria, lo cual es más o menos verdadero para las
otras series de tiempo económicas de Estados Unidos (Ganancias y
Dividendos). Esa intuición es el comienzo de una prueba más formal de
estacionariedad.
SERIES TEMPORALES
Año PBI IPD GCP Ganancias Dividendos LNPBI LNIPD LNGCP LNGanancias LNDividendos
70-1 2872.8 1990.6 1800.5 44.7 24.5 7.9630424 7.5961914 7.4958197 3.7999735 3.1986731
70-2 2860.3 2020.1 1807.5 44.4 23.9 7.9586818 7.6109023 7.4997000 3.7932395 3.1738785
70-3 2896.6 2045.3 1824.7 44.9 23.3 7.9712929 7.6232998 7.5091709 3.8044378 3.1484534
70-4 2873.7 2045.2 1821.2 42.1 23.1 7.9633557 7.6232509 7.5072509 3.7400477 3.1398326
71-1 2942.9 2073.9 1849.9 48.8 23.8 7.9871508 7.6371862 7.5228869 3.8877303 3.1696856
71-2 2947.4 2098.0 1863.5 50.7 23.7 7.9886787 7.6487398 7.5302117 3.9259259 3.1654750
71-3 2966.0 2106.6 1876.9 54.2 23.8 7.9949695 7.6528306 7.5373768 3.9926809 3.1696856
71-4 2980.8 2121.1 1904.6 55.7 23.7 7.9999470 7.6596901 7.5520273 4.0199801 3.1654750
72-1 3037.3 2129.7 1929.3 59.4 25.0 8.0187242 7.6637364 7.5649125 4.0842942 3.2188758
72-2 3089.7 2149.1 1963.3 60.1 25.5 8.0358293 7.6728044 7.5823820 4.0960098 3.2386785
72-3 3125.8 2193.9 1989.1 62.8 26.1 8.0474455 7.6934361 7.5954376 4.1399551 3.2619353
72-4 3175.5 2272.0 2032.1 68.3 26.5 8.0632204 7.7284158 7.6168250 4.2239098 3.2771447
73-1 3253.3 2300.7 2063.9 79.1 27.0 8.0874251 7.7409687 7.6323527 4.3707129 3.2958369
73-2 3267.6 2315.2 2062.0 81.2 27.8 8.0918110 7.7472514 7.6314317 4.3969152 3.3250360
73-3 3264.3 2337.9 2073.7 81.3 28.3 8.0908006 7.7570084 7.6370897 4.3981460 3.3428618
73-4 3289.1 2382.7 2067.4 85.0 29.4 8.0983693 7.7759896 7.6340471 4.4426513 3.3809947
74-1 3259.4 2334.7 2050.8 89.0 29.8 8.0892984 7.7556387 7.6259852 4.4886364 3.3945084
74-2 3267.6 2304.5 2059.0 91.2 30.4 8.0918110 7.7426190 7.6299757 4.5130549 3.4144426
74-3 3239.1 2315.0 2065.5 97.1 30.9 8.0830508 7.7471650 7.6331276 4.5757414 3.4307562
74-4 3226.4 2313.7 2039.9 86.8 30.5 8.0791222 7.7466033 7.6206561 4.4636066 3.4177267
75-1 3154.0 2282.5 2051.8 75.8 30.0 8.0564268 7.7330266 7.6264727 4.3280983 3.4011974
75-2 3190.4 2390.3 2086.9 81.0 29.7 8.0679016 7.7791742 7.6434350 4.3944492 3.3911470
75-3 3249.9 2354.4 2114.4 97.8 30.1 8.0863795 7.7640412 7.6565264 4.5829246 3.4045252
75-4 3292.5 2389.4 2137.0 103.4 30.6 8.0994024 7.7787976 7.6671583 4.6386050 3.4210000

SERIES TEMPORALES
2. Función de autocorrelación (FAC) y correlograma

Una prueba sencilla de estacionariedad se basa en la denominada
función de autocorrelación (FAC). La FAC en el rezago k, denotada por
ρk, se define como>
𝛾𝑘
𝜌𝑘 =
𝛾0
𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑒𝑛 𝑒𝑙 𝑟𝑒𝑧𝑎𝑔𝑜 𝑘
𝜌𝑘 =
𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎
donde la covarianza en el rezago k y la varianza son como se definieron
anteriormente. Observe que si k = 0, 𝜌𝑘 = 1.
Como la covarianza y la varianza se miden en las mismas unidades, 𝜌𝑘
es un número sin unidad de medida, o puro. Se encuentra entre −1 y +1,
igual que cualquier coeficiente de correlación. Si graficamos 𝜌𝑘 respecto
de k, la gráfica obtenida se conoce como correlograma poblacional.
SERIES TEMPORALES
Como, en la práctica, sólo tenemos una realización de un proceso

estocástico (es decir, la muestra), sólo podemos calcular la función de
autocorrelación muestral, 𝜌ො𝑘 . Para tal efecto, debemos calcular primero
la covarianza muestral en el rezago k, 𝛾ො𝑘 , y la varianza muestral, 𝛾ො0
definidas como:
σ 𝑌𝑡 − 𝑌ത 𝑌𝑡+𝑘 − 𝑌ത
𝛾ො𝑘 =
𝑛
σ 𝑌𝑡 − 𝑌ത 2
𝛾ො0 =
𝑛
donde n es el tamaño de la muestra y 𝑌ത es la media muestral.

SERIES TEMPORALES
Por consiguiente, la función de autocorrelación muestral en el rezago k

es:
𝛾𝑘
𝜌ො𝑘 =
𝛾0
que es simplemente la razón entre la covarianza muestral (en el rezago k)
y la varianza muestral.
La gráfica de 𝜌ො𝑘 frente a k se conoce como correlograma muestral.
¿Cómo saber con un correlograma si una serie de tiempo particular es
estacionaria?

SERIES TEMPORALES
Para este propósito, primero

presentamos el correlograma
muestrales de un proceso
puramente aleatorio de ruido
blanco.
La figura adjunta es el correlogra-
ma del término de error de ruido
blanco u.
AC = autocorrelación,
ACP = autocorrelación parcial
Est. Q = estadístico Q
Prob = Probabilidad.

SERIES TEMPORALES
En el correlograma se muestran
hasta 30 rezagos. Observe la
columna AC, que es la función de
autocorrelación muestral, y el
primer diagrama de la izquierda,
llamado autocorrelación. La línea
vertical continua de este diagrama
representa el eje cero; las
observaciones por arriba de esta
línea son valores positivos, y los
que están por debajo, negativos.

SERIES TEMPORALES
Como resulta evidente a partir de

este diagrama, para un proceso
puramente de ruido blanco, las
autocorrelaciones en distintos
rezagos se ubican alrededor del
cero. Ésta es una imagen de un
correlograma de una serie de
tiempo estacionaria. Por tanto, si
el correlograma de una serie de
tiempo real (económica) se parece
al correlograma de una serie de
tiempo de ruido blanco, podemos
decir que dicha serie de tiempo es
quizá estacionaria.

SERIES TEMPORALES
Ahora observe el correlograma de

una serie de caminata aleatoria.
La característica más sobresaliente
de este correlograma es que los
coeficientes de autocorrelación,
para diversos rezagos, son muy
altos, incluso hasta para un rezago
de 33 trimestres.
La figura muestra el correlograma
de una serie de tiempo no
estacionaria. El coeficiente de
autocorrelación comienza en un
nivel muy alto y disminuye de
modo muy lento hacia cero,
conforme se prolonga el rezago.
SERIES TEMPORALES
Analicemos ahora el correlograma de la

serie de tiempo LnPBI de nuestro
ejemplo.
La figura muestra que el coeficiente de
autocorrelación comienza con un valor
alto en el rezago 1 (0.942) y disminuye
lentamente. Por lo tanto, parece que la
serie de tiempo lnPBI es no
estacionaria.
Para obtener el correlograma:
Quick/Series Statistics/correlogram
En la nueva ventana: Series Name,
digitar: log(PBI)
En la ventana: Correlogram
Specification: Level/Ok
SERIES TEMPORALES
La figura adjunta muestra el

correlograma de la serie de tiempo
LnIPD de los datos del ejemplo.
Al igual que en el caso anterior, el
coeficiente de autocorrelación
comienza con un valor muy alto en
el rezago 1 (0.941) y disminuye
lentamente. Por lo tanto, parece
que la serie de tiempo LnIPD es no
estacionaria.

SERIES TEMPORALES
La figura adjunta muestra el

correlograma de la serie de tiempo
LnGCP de los datos del ejemplo.
Al igual que en el caso anterior, el
coeficiente de autocorrelación
comienza con un valor muy alto en el
rezago 1 (0.943) y disminuye
lentamente. Por lo tanto, parece que la
serie de tiempo LnGCP tampoco es
estacionaria.

SERIES TEMPORALES
Significancia estadística de los coeficientes de autocorrelación

Considere el correlograma de la serie de tiempo LnPBI. ¿Cómo decidir si
el coeficiente de correlación, 0.421, en el rezago 10 (trimestres) es
estadísticamente significativo?
La significancia estadística de cualquier 𝜌ො𝑘 se juzga mediante su error
estándar. Está demostrado que si una serie de tiempo es puramente
aleatoria, es decir, si es una muestra de ruido blanco (diapositiva 55), los
coeficientes de autocorrelación muestrales 𝜌ො𝑘 son aproximadamente :
𝜌ො𝑘 ∼ N(0, 1/n)
es decir, en muestras grandes, los coeficientes de autocorrelación
muestrales están normalmente distribuidos y tienen media cero y
varianza igual a 1 sobre el tamaño de la muestra. Como hay 88
observaciones, la varianza es 1/88 ≈ 0.01136, y el error estándar,
0.01136 ≈ 0.1065833.
SERIES TEMPORALES
Por tanto, según las propiedades de la distribución normal estándar, el

intervalo de confianza de 95% para cualquier (población) 𝜌𝑘 es:
𝜌ො𝑘 ± 1.96(0.1065833) 𝜌ො𝑘 ± 0.2089033
En otras palabras,
𝑃𝑟𝑜𝑏(𝜌ො𝑘 − 0.2089 ≤ 𝜌𝑘 ≤ 𝜌ො𝑘 + 0.2089) = 0.95
Si este intervalo incluye el valor 0, no rechazamos la hipótesis de que la
𝜌𝑘 = 0, pero si este intervalo no incluye 0, rechazamos la hipótesis de
que la verdadera 𝜌𝑘 = 0. Al aplicar esto al valor estimado de 𝜌ො10 =
0.421, se puede verificar que el intervalo de confianza de 95% para la
verdadera 𝜌𝑘 es (0.421 ± 0.2089) o (0.212, 0.6299). Es obvio que este
intervalo no incluye el valor cero, lo cual indica que hay 95% de
confianza de que la verdadera 𝜌10 sea significativamente diferente de
cero. Como se ve, incluso en el rezago 20 la 𝜌20 es estadísticamente
significativa en un nivel de 5%.
SERIES TEMPORALES
En lugar de probar la significancia estadística de cualquier coeficiente de

autocorrelación individual, para probar la hipótesis conjunta de que
todos los 𝜌𝑘 hasta ciertos rezagos son simultáneamente iguales a cero,
podemos utilizar el estadístico Q desarrollado por Box y Pierce, que se
define como:
𝑚
𝑄 = 𝑛 ෍ 𝜌ො𝑘2
𝑘=1
donde n = tamaño de la muestra y m = longitud del rezago.
El estadístico Q es común para probar si una serie de tiempo es de ruido
blanco. En muestras grandes, este estadístico se distribuye aproximada-
mente como la distribución ji cuadrada con m gl.

SERIES TEMPORALES
En una aplicación, si la Q calculada excede el valor Q crítico de la

distribución ji cuadrada en el nivel de significancia seleccionado,
podemos rechazar la hipótesis nula de que todos los 𝜌𝑘 (verdaderos) son
iguales a cero; por lo menos algunos de ellos deben ser diferentes de
cero.
Una variante del estadístico Q de Box-Pierce es el estadístico Ljung-
Box (LB), que se define como:
𝑚
𝜌ො𝑘2
𝐿𝐵 = 𝑛(𝑛 + 2) ෍ ~2𝑚
𝑛−𝑘
𝑘=1
Aunque en muestras grandes tanto el estadístico Q como el estadístico
LB siguen la distribución ji cuadrada con m gl, se ha visto que el
estadístico LB tiene mejores propiedades en muestras pequeñas (más
potente, en el sentido estadístico) que el estadístico Q.

SERIES TEMPORALES
De regreso al ejemplo del LnPBI, el valor del estadístico Q hasta el

rezago 36 es cercano a 537.83. La probabilidad de obtener tal valor de Q
según la hipótesis nula de que la suma de los 36 cuadrados de los
coeficientes de autocorrelación estimados sea cero es prácticamente nula,
como lo muestran las cifras de la última columna. Por consiguiente, la
conclusión es que la serie de tiempo LnPBI probablemente es no
estacionaria.

SERIES TEMPORALES
3. Prueba de raíz unitaria

Otra prueba sobre estacionariedad (o no estacionariedad), que se
populariza cada vez más, se conoce como prueba de raíz unitaria.
El punto de partida es el proceso (estocástico) de raíz unitaria que vimos
anteriormente (diapositiva 33):
𝑌𝑡 = 𝜌𝑌𝑡−1 + 𝑢𝑡 −1≤𝜌 ≤1
donde 𝑢𝑡 es un término de error de ruido blanco.
Sabemos que si 𝜌 = 1, es decir, en el caso de la raíz unitaria, se convierte
en un modelo de caminata aleatoria sin deriva, del cual sabemos también
que es un proceso estocástico no estacionario. Por consiguiente, ¿por qué
no simplemente hacer la regresión de 𝑌𝑡 sobre su valor rezagado (de un
periodo) 𝑌𝑡−1 y se averigua si la ρ estimada es estadísticamente igual a
1? De ser así, 𝑌𝑡 es no estacionaria. Ésta es la idea general de la prueba
de raíz unitaria para la estacionariedad.
SERIES TEMPORALES
Sin embargo, no podemos estimar 𝑌𝑡 = 𝜌𝑌𝑡−1 + 𝑢𝑡 por MCO y probar la

hipótesis de que ρ = 1 por medio de la prueba t acostumbrada, porque esa
prueba tiene un sesgo muy marcado en el caso de una raíz unitaria. Por
tanto, manipulamos 𝑌𝑡 = 𝜌𝑌𝑡−1 + 𝑢𝑡 ; restamos 𝑌𝑡−1 de ambos miembros
𝑌𝑡 − 𝑌𝑡−1 = 𝜌𝑌𝑡−1 − 𝑌𝑡−1 + 𝑢𝑡
𝑌𝑡 − 𝑌𝑡−1 = (𝜌 − 1)𝑌𝑡−1 + 𝑢𝑡
la cual también se expresa como:
∆𝑌𝑡 = 𝛿𝑌𝑡−1 + 𝑢𝑡
donde 𝛿 = (𝜌 − 1) y ∆ es el operador de primeras diferencias. Por tanto,
en la práctica, en vez de estimar 𝑌𝑡 = 𝜌𝑌𝑡−1 + 𝑢𝑡 , calculamos ∆𝑌𝑡 =
𝛿𝑌𝑡−1 + 𝑢𝑡 y probamos la hipótesis nula de que δ = 0, y la hipótesis
alternativa es que δ<0. Si δ=0, entonces ρ = 1; es decir, tenemos una raíz
unitaria, lo cual significa que la serie de tiempo en consideración es no
estacionaria.
SERIES TEMPORALES
Antes de proceder con la estimación de ∆𝑌𝑡 = 𝛿𝑌𝑡−1 + 𝑢𝑡 debemos

observar que si δ=0, entonces la ecuación se convertirá en
∆𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−1 = 𝑢𝑡
Como 𝑢𝑡 es un término de error de ruido blanco, entonces es
estacionario, lo cual significa que las primeras diferencias de una serie de
tiempo de caminata aleatoria son estacionarias.
Ahora la estimación de ∆𝑌𝑡 = 𝛿𝑌𝑡−1 + 𝑢𝑡 es muy simple, sólo hay que
tomar las primeras diferencias de 𝑌𝑡 y hacer la regresión sobre 𝑌𝑡−1 , para
ver si 𝛿መ es o no cero. Si 𝛿መ = 0, concluimos que 𝑌𝑡 es no estacionaria;
pero si 𝛿መ < 0, se infiere que 𝑌𝑡 es estacionaria. La única interrogante es
saber con qué prueba averiguar si 𝛿መ es o no cero. Uno estaría tentado a
utilizar la prueba t usual. Por desgracia, según la hipótesis nula de que
δ=0 (es decir, ρ=1), el valor t de 𝛿መ no sigue la distribución t ni siquiera en
muestras grandes, es decir, no tiene una distribución normal asintótica.
SERIES TEMPORALES
¿Cuál es la alternativa? Dickey y Fuller probaron que según la hipótesis

nula de que δ=0, el valor estimado t del coeficiente 𝑌𝑡−1 sigue el
estadístico τ (tau). Estos valores se encuentran en tablas estadísticas con
el nombre de prueba de Dickey-Fuller (DF).
Resulta interesante que si rechazamos la hipótesis de que δ=0 (es decir,
la serie de tiempo es estacionaria), podemos utilizar la prueba t (de
Student) usual. Tenga en cuenta que la prueba Dickey-Fuller es
unidireccional porque la hipótesis alternativa es que δ<0 (o ρ<1).
El procedimiento real para aplicar la prueba DF supone diversas
decisiones. Al analizar la naturaleza del proceso de raíz unitaria
observamos que un proceso de caminata aleatoria tal vez no tiene deriva,
o quizá sí, o tal vez tiene tendencia determinista y estocástica.

SERIES TEMPORALES
A fin de permitir las distintas posibilidades, la prueba DF se estima en

tres diferentes formas, es decir, conforme a tres hipótesis nulas:
1. 𝑌𝑡 es una caminata aleatoria: ∆𝑌𝑡 = 𝛿𝑌𝑡−1 + 𝑢𝑡
2. 𝑌𝑡 es una caminata aleatoria con deriva: ∆𝑌𝑡 = 𝛽1 + 𝛿𝑌𝑡−1 + 𝑢𝑡
3. 𝑌𝑡 es una caminata aleatoria con deriva alrededor de una
tendencia determinista: ∆𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝛿𝑌𝑡−1 + 𝑢𝑡
donde t es la variable de tiempo o de tendencia.
En cada caso, las hipótesis son:
Hipótesis nula: H0: δ=0 (es decir, existe una raíz unitaria, la serie de
tiempo es no estacionaria o tiene tendencia estocástica).
Hipótesis alternativa: H1: δ<0 (es decir, la serie de tiempo es
estacionaria, posiblemente alrededor de una tendencia determinista).

SERIES TEMPORALES
Si rechazamos la hipótesis nula, esto significa que:

a. 𝑌𝑡 es estacionaria con media cero en el caso de la ecuación (1); o que
b. 𝑌𝑡 es estacionaria con una media distinta de cero en el caso de (2).
c. En el caso de la ecuación (3), podemos probar que δ<0 (es decir, no
hay tendencia estocástica) y α≠0 (es decir, la existencia de una tendencia
determinista) simultáneamente, mediante la prueba F pero con los
valores críticos tabulados por Dickey y Fuller. Cabe señalar que una serie
de tiempo puede contener tanto una tendencia estocástica como una
determinista.
Es extremadamente importante observar que los valores críticos de la
prueba tau para probar la hipótesis de que δ=0 son diferentes en cada
una de las tres especificaciones anteriores de la prueba DF.

SERIES TEMPORALES
Es más, si, por ejemplo, la especificación (2) es correcta pero se estima

(1), cometemos un error de especificación. La misma regla se aplica si
estimamos (2) en vez del verdadero (3).
Desde luego, no hay forma de saber cuál especificación es la correcta.
Resulta inevitable hacer pruebas de ensayo y error, no obstante la
minería de datos.
El procedimiento real de estimación es el siguiente:
1. Estimamos (1), ∆𝑌𝑡 = 𝛿𝑌𝑡−1 + 𝑢𝑡 o (2) ∆𝑌𝑡 = 𝛽1 + 𝛿𝑌𝑡−1 + 𝑢𝑡
mediante MCO; dividimos el coeficiente estimado de 𝑌𝑡−1 en cada caso
entre su error estándar a fin de calcular el estadístico tau (τ) y
consultamos las tablas DF (o cualquier software estadístico).
Si el valor absoluto calculado del estadístico tau (|τ|) excede la DF
absoluta o los valores críticos tau de MacKinnon, rechazamos la
hipótesis de que δ=0, en cuyo caso la serie de tiempo es estacionaria.
SERIES TEMPORALES
Por otra parte, si el |τ| calculado no excede el valor crítico tau, no

rechazamos la hipótesis nula, en cuyo caso la serie de tiempo es no
estacionaria. Hay que asegurarse de utilizar los valores críticos τ
apropiados. En la mayoría de las aplicaciones, el valor tau es negativo.
Por consiguiente, también vale decir que si el valor tau calculado
(negativo) es más pequeño (es decir, más negativo) que el valor crítico
tau, rechazamos la hipótesis nula (es decir, la serie de tiempo es
estacionaria); de lo contrario, no la rechazamos (es decir, la serie de
tiempo es no estacionaria).
Regresemos al ejemplo de las series de tiempo del PBI de Estados
Unidos. Para estas series, los resultados de las tres regresiones (1), (2) y
(3) son los siguientes: la variable dependiente en cada caso es ∆𝑌𝑡 =
∆𝐿𝑛𝑃𝐵𝐼𝑡 , donde LnPBI es el logaritmo del PBI real.

SERIES TEMPORALES
Para regresionar la ecuación (1)

a. Digitamos en el cuadro de comandos la siguiente orden:
Ls d(log(pbi)) log(pbi(-1))
Obtenemos la siguiente hoja de respuestas:
Buscamos en la tabla los valores
críticos de t para 1%, 5%. Estos
valores son, -2.60 y -1.95,
respectivamente.
Este modelo lo descartamos debido a
que el coeficiente de ∆𝐿𝑛𝑃𝐵𝐼𝑡−1 es
positivo (𝛿 > 0; (𝜌 − 1) > 0) lo que
implica que 𝜌 > 1.

SERIES TEMPORALES

Ls d(log(pbi)) c log(pbi(-1))
críticos de t para 1%, 5%. Estos valores
son, -3.51 y -2.89, respectivamente.
En este modelo 𝛿 < 0; 𝜌 − 1 < 0) lo
que implica que 𝜌 < 1 (𝛿 = 𝜌 − 1;
− 0.006557 = 𝜌 − 1; 𝜌 = 0.9934)
El t=-0.9983 en valor absoluto es
menor a los valores absolutos críticos
de 1% y 5%, por lo que concluimos que la serie es no estacionaria
SERIES TEMPORALES

Ls d(log(pbi)) c t log(pbi(-1))
críticos de t para 1%, 5%. Estos valores
son, -4.04 y -3.45, respectivamente.
En este modelo 𝛿 < 0; 𝜌 − 1 < 0 lo
que implica que 𝜌 < 1 (𝛿 = 𝜌 − 1;
− 0.074019 = 𝜌 − 1; 𝜌 = 0.925981)
El t=-1.68678; en valor absoluto es
menor a los valores absolutos críticos
de 1% y 5%, por lo que concluimos que la serie es no estacionaria
SERIES TEMPORALES
Por lo tanto, con base en el análisis gráfico, el correlograma y la prueba

Dickey-Fuller, la conclusión es que para los periodos trimestrales de
1970 a 1991, la serie de tiempo LnPBI de Estados Unidos es no
estacionaria; es decir, contiene una raíz unitaria, o tiene tendencia
estocástica.

SERIES TEMPORALES
La prueba de Dickey-Fuller aumentada

Al llevar a cabo la prueba DF en (1), (2) o (3) supusimos que el término
de error 𝑢𝑡 no estaba correlacionado. Pero Dickey y Fuller desarrollaron
una prueba cuando dicho término sí está correlacionado, la cual se
conoce como prueba Dickey-Fuller aumentada (DFA).
Esta prueba implica “aumentar” las tres ecuaciones anteriores mediante
la adición de los valores rezagados de la variable dependiente Yt. Para un
ejemplo específico, suponga que utilizamos (3). La prueba DFA consiste
en este caso en estimar la siguiente regresión:
𝑚
∆𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝛿𝑌𝑡−1 + ෍ 𝛼𝑖 ∆𝑌𝑡−𝑖 + 𝜀𝑡

𝑖=1
donde 𝜀𝑡 es un término de error puro de ruido blanco y donde ∆𝑌𝑡−1 =
𝑌𝑡−1 − 𝑌𝑡−2 ; ∆𝑌𝑡−2 = 𝑌𝑡−2 − 𝑌𝑡−3 etc.

SERIES TEMPORALES
En la DFA se sigue probando δ=0, y además esta prueba sigue la misma

distribución asintótica que el estadístico DF, por lo que se sirven los
mismos valores críticos.
Esta prueba lo realizamos directamente en E-Views, de la siguiente
manera:

SERIES TEMPORALES
Uso de E-Views
E-Views tiene incorporada una macro mediante la cual se puede observar
directamente la prueba de raíz unitaria de Dickey-Fuller. Los criterios de
análisis son los mismos estudiados líneas arriba.
Procedimiento:
1. Active la serie lnPBI
2. View/Unit Root test
3. En la ventana Unit Root Test,
por defecto, aparece el tipo de
prueba Augmented Dickey-Fuller;
4. Test for unit root in: Level.
5. Include in test equation: Trend
and intercept

SERIES TEMPORALES
El t Statistic=-2.487119 (=t), que en
valor absoluto es menor al valor
absoluto del valor crítico de 1% (t=-
4.06829), 5% (t=-3.462912) e incluso
de 10% (t=-3.157836), lo que indica
que aun después de tener cuidado de la
posible autocrelación en el término de
error, la serie LnPBI es no estacionaria

SERIES TEMPORALES
Prueba de raíz uniaria Phillips-Perron (PP)

Un supuesto importante de la prueba DF es que los términos de error 𝑢𝑡
están idéntica e independientemente distribuidos. La prueba DFA ajusta
la prueba DF a fin de tener cuidado de una posible correlación serial en
los términos de error al agregar los términos de diferencia rezagados de
la regresada. Phillips y Perron utilizan métodos estadísticos no
paramétricos para evitar la correlación serial en los términos de error, sin
añadir términos de diferencia rezagados. Como la distribución asintótica
de la prueba PP es la misma que la prueba DFA, no examinaremos con
mayor detalle este tema.
Procedimiento en E-Views:
1. Active la serie lnPBI
2. View/Unit Root test
3. En la ventana Unit Root Test, desplegar la pestaña en Test Type;

SERIES TEMPORALES
Prueba de raíz uniaria Phillips-Perron (PP)

4. Test for unit root in: Level.
5. Include in test equation: Trend and intercept

SERIES TEMPORALES
CRITERIOS DE INFORMACION
Para determinar el modelo de series de tiempo apropiado, se utilizan tres

criterios de información. La idea general de cada uno de estos criterios es
que si se aumenta el número de rezagos esto generará dos cosas: por un
lado, el ajuste del modelo mejorará porque la desviación estándar de los
errores disminuirá; pero, por otro lado, el modelo será más complejo de
estimar; es decir, que se estará sacrificando la parsimonia del modelo a
expensas de un mejor ajuste.
En modelos de series de tiempo la idea de parsimonia se refiere a que
siempre se preferirá un modelo con un menor número de rezagos si la
influencia marginal de incluir rezagos adicionales en el modelo es baja.
Esto se puede entender fácilmente recordando que el número de grados
de libertad en los modelos está dado por n-k, donde n es el número de
observaciones y k el número de parámetros (que incluye a los interceptos
y a los rezagos, ya sea de la variable exógena como de los errores.)

SERIES TEMPORALES
Por lo tanto, si se incluyen más rezagos, k se incrementará y los grados

de libertad se reducirán, lo que a su vez afectará la inferencia estadística
que se desea realizar. Esto es particularmente cierto cuando el tamaño de
la muestra es pequeño.
Los tres métodos que se presentan a continuación son: Akaike
Information Criteria (AIC), Bayesian Information Criteria (BIC)
también conocido como Schwarz Information Criteria (SIC) y Hannan-
Quinn Information Criteria (HQIC).
1. Akaike Information Criteria (AIC)
′
2𝑘
𝐴𝐼𝐶 = ln 𝑒 𝑒 −
𝑛
2. Akaike Information Criteria (AIC)
′
ln(𝑘)
𝐵𝐼𝐶 = ln 𝑒 𝑒 −
𝑛
SERIES TEMPORALES
3. Hannan-Qinn Information Criteria (HQIC)

′
2𝑙𝑛[𝑙 𝑛 𝑘 ]
𝐻𝑄𝐼𝐶 = ln 𝑒 𝑒 −
𝑛
Donde 𝑒 ′ 𝑒 es el estimador de la varianza de los errores de la regresión,
en todos los casos.
La idea es seleccionar el número de rezagos que haga que se minimice el
criterio de información escogido. En la práctica, los métodos más usados
son el AIC y el BIC. Sin embargo, ambos métodos no son perfectos y
será necesaria cierta discrecionalidad al momento de escoger el mejor
modelo.
El AIC es eficiente pero sesgado; mientras que el BIC es ineficiente pero
insesgado. Es por esto que se usa cierta lógica que puede estar dada or
algún modelo teórico o por la frecuencia de los datos con que se está
trabajando.
SERIES TEMPORALES
Por ejemplo, si se trabaja con datos diarios, lo común es que el número

de rezagos máximos sean igual a 5 (una semana laboral). Si se trabajan
con datos mensuales, por lo general, se asume que 12 es el número
máximo de rezagos (un año).

SERIES TEMPORALES
TRANSFORMACION DE LAS SERIES DE TIEMPO NO

ESTACIONARIAS
Ahora que conocemos el problema asociado a las series de tiempo no
estacionarias, surge la pregunta práctica de qué hay que hacer. Para evitar
el problema de la regresión espuria que pudiese surgir al hacer la
regresión de una serie de tiempo no estacionaria sobre una o más series
de tiempo no estacionarias tenemos que transformar las series de tiempo
no estacionarias en estacionarias. El método de transformación depende
de que las series de tiempo sean procesos estacionarios en diferencias
(PED) o procesos estacionarios con tendencia (PET).
Procesos estacionarios en diferencias
Si una serie de tiempo tiene una raíz unitaria, las primeras diferencias de
tales series son estacionarias. En consecuencia, la solución aquí es tomar
las primeras diferencias de las series de tiempo.
Al considerar la serie de tiempo LnPBI de Estados Unidos, ya vimos que
tiene raíz unitaria.
SERIES TEMPORALES

ESTACIONARIAS
Ahora veremos lo que sucede si se toman las primeras diferencias de la
serie LnPBI.
Sea ∆𝐿𝑛𝑃𝐵𝐼𝑡 =(𝐿𝑛𝑃𝐵𝐼𝑡 −𝐿𝑛𝑃𝐵𝐼𝑡−1 ). Por conveniencia, sea 𝐷𝑡 =
∆𝐿𝑛𝑃𝐵𝐼𝑡 . Ahora considere la siguiente regresión:
∆𝐷𝑡 =𝛼 + 𝐷𝑡−1 + −𝑒𝑡
Los resultados son:
∆𝐷𝑡 =0.004484 − 0.722269𝐷𝑡−1
t=(3.70053) (-6.928845)
R2=0.3636 d=2.028

SERIES TEMPORALES

ESTACIONARIAS
Para obtener estos resultados en Eviews realice lo siguiente:

a. Escriba en el cuadro de comandos: genr D1=Lnpbi-lnpbi(-1) para
crear la serie D1 que es la primera diferencia de la serie LnPBI.
b. Luego, digite: ls d(d1) c d1(-1) para obtener la regresión solicitada.
El valor crítico τ a 1% para la DF es −3.51 (para n=100). Como la τ
calculada (= t) de −6.92 es más negativa que el valor crítico, concluimos
que la serie LnPBI en primeras diferencias es estacionaria; o sea, es I(0),
como se muestra en la figura siguiente. Si comparamos esta figura con la
serie LnPBI, observaremos las evidentes diferencias entre ambas.

SERIES TEMPORALES

ESTACIONARIAS
8.6 .04
8.5 .03
8.4 .02
8.3 .01
8.2 .00
8.1 -.01
8.0 -.02
7.9 -.03
70 72 74 76 78 80 82 84 86 88 90 70 72 74 76 78 80 82 84 86 88 90
LNPBI D1

SERIES TEMPORALES

ESTACIONARIAS
Procesos estacionarios en tendencia
Como vemos en la figura adjunta, un
Proceso Estacionario en Tendencia (PET),
es estacionario alrededor de la línea de
tendencia. Por tanto, la manera más
sencilla de convertir en estacionaria una
serie de tiempo es hacer la regresión de
ella sobre el tiempo y los residuos de tal
regresión serán estacionarios.
En otras palabras, realizamos la siguiente regresión:
𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝑢𝑡
donde 𝑌𝑡 es la serie de tiempo estudiada y t es la variable de tendencia
medida de manera cronológica.

SERIES TEMPORALES

ESTACIONARIAS
Ahora bien,
𝑢ො 𝑡 = 𝑌𝑡 − 𝛽መ1 − 𝛽መ2 𝑡
será estacionaria.
A 𝑢ො 𝑡 se le conoce como serie de tiempo sin tendencia.
Es importante notar que tal vez la tendencia sea no lineal. Por ejemplo,
puede ser:
𝑌𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝛽3 𝑡 2 + 𝑢𝑡
que es una serie con tendencia cuadrática. De ser así, los residuos de esta
ecuación serán ahora una serie (cuadrática) de tiempo sin tendencia.
Debe señalarse que si una serie de tiempo es PED pero se trata como si
fuera PET, esto se conoce como hipodiferenciación. Por otra parte, si una
serie de tiempo es PET pero se le trata como PED, se conoce como
hiperdiferenciación.
SERIES TEMPORALES

ESTACIONARIAS
Las consecuencias de estos errores de especificación pueden ser graves,
según la manera en que se manejen las propiedades de correlación de los
términos de error resultantes.
Se debe mencionar que la mayoría de series de tiempo macroeconómicas
son PED y no PET.

SERIES TEMPORALES
EL MODELO AUTORREGRESIVO MULTIPLE (VAR)
La idea general del modelo VAR (Vectores Auto Regresivos) es tratar a

todas las variables del sistema como variables endógenas. Es decir, que
cada variable en la parte derecha de la ecuación estará a su vez en la parte
izquierda de la misma. Otra característica es que las variables entran en la
parte derecha en forma de rezagos, tal como se puede apreciar en la
siguiente ecuación que presenta un modelo VAR(p):
En el modelo, las variables endógenas también se encuentran en la parte

derecha de la ecuación pero rezagadas. En este caso, se tiene r variables
endógenas y p rezagos. Se asume que los errores u son IID, media cero,
varianza 𝜎 2 y son correlacionados entre sí, cov(𝑢𝑖,𝑡 ,𝑢𝑗,𝑡 )=0 para todo i≠j
SERIES TEMPORALES
El número de coeficientes a estimar en este modelo VAR(p) irrestricto es

igual a (r+p*r2). Por lo tanto, cuanto mayor sea el número de variables
incluidas en el sistema y cuanto mayor sea el número de rezagos p, la
cantidad de parámetros a estimar crecerá exponencialmente.
Por ejemplo, si se tiene un modelo VAR bivariado con dos rezagos:
El número de coeficientes a estimar será (2+2*22)=10. Es importante

tener en cuenta esta situación porque los grados de libertad que
constituyen el denominador del error estándar de los errores dependen del
número de parámetros a estimar en el modelo.

SERIES TEMPORALES

La principal ventaja del modelo VAR es que como todas las variables son
consideradas como endógenas, no se requiere ninguna restricción
adicional para calcular los coeficientes del modelo.
Comparado con los modelos univariados este modelo explota las posibles
relaciones que pudieran existir entre variables al considerar que no sólo la
historia de una variable determina su comportamiento sino que, además,
considera que los rezagos de otras variables pueden influir en ella. Esto
último se puede apreciar en la ecuación del modelo VAR en la que tiene
los rezagos de todas las variables incluidas en el sistema. Esto a su vez
ayuda a que los pronósticos generados por este modelo sean mucho
mejores que los modelos univariados y que los sistemas de ecuaciones.

SERIES TEMPORALES

Como en el modelo VAR todas las variables explicativas son
predeterminadas (conocidas en el periodo t) se puede usar el método de
MCO ecuación por ecuación.
Sin embargo, los modelos VAR tienen algunas desventajas que se deben
mencionar. El primero de ellos es que este es un modelo a-teórico; es
decir, que como todas las variables son consideradas endógenas, no existe
una relación estructural o dependencia que pueda ser definida por algún
modelo teórico. Un segundo problema está referido al número de
parámetros por estimar, sin embargo, cuando se trabaja con datos
financieros, como serie de precios, en los que el número de observaciones
es grande, este será un problema no tan importante.

SERIES TEMPORALES

Ejemplo:
Consideremos un modelo VAR(2), el PBI de EE.UU y su relación con el
Ingreso personal disponible (IPD) y el Gasto de consumo personal (GCP).
Procedemos de la siguiente manera:
1. En el menú principal hacemos click
en Quick/Estimate VAR. Se obtiene
la ventana VAR Especification.
Se debe ingresar los
nombres de las
variables del sistema
Ingresar, así mismo, el número

de rezagos. En este ejemplo,
trabajamos con 2 rezagos.

SERIES TEMPORALES

Ejemplo:
2. Después de presionar OK, se presenta
la pantalla que se muestra adjunto.
Estos resultados corresponden a la
ecuación del modelo VAR multivariado
con dos rezagos.

SERIES TEMPORALES

Ejemplo:
3. Diagnóstico del VAR: El número de rezagos óptimo
3.1 Longitud de retardo: Click: Views/Lag Structure/Lag Length Criteria
Calcula varios criterios: ( LR likelihood Ratio, FPE, AIC, SC, HQ) con el
fin de seleccionar la longitud óptima del retardo que será utilizado en la
prueba de cointegración. El mejor modelo es aquel que minimiza el
Criterio de Información, o que maximiza el estadístico LR.
REGLA: El número de retardos P depende de la frecuencia de los datos.
Seleccione P=3, para datos anuales; P=6 ó P=8 para datos trimestrales; y
P=12 ó P=18, para datos mensuales
Después de dar las órdenes,, en la
ventana de Lag Specification, especificar
los rezagos incluidos, en este caso, dejar
con 6. Luego, presionar OK
SERIES TEMPORALES

Los asteriscos indican el
orden del retardo
seleccionado tanto por el
estadístico como por los
Criterios.
El estadístico LR y los
criterios SC y HQ indican
un retardo. Los criterios
FPE y AIC señalan dos
retardos.
El número de retardos en el modelo VAR se determinó utilizando el

criterio de información de Schwarz . AIC siempre selecciona retardos
superiores a SC.
SERIES TEMPORALES

3.2 Raices autorregresivas: Click Views/Lag Structure/AR Roots Table
Para trabajar este criterio incluimos 4 retardos en el modelo. Los
resultados son los siguientes:
Notas: Todos los Modulus son menores que 1.
Al ser menores que 1, todos caen dentro del
círculo unitario (unit circle).
Por las razones anteriores se dice que el sistema
es estable y estacionario.
El sistema es marginalmente estable cuando al
menos un Modulus sea igual a 1.
El sistema es inestable cuando al menos un
Modulus sea mayor que 1.
En nuestro caso, el modelo satisface la
condición de estabilidad.
SERIES TEMPORALES

3.3 Raices autorregresivas: Click Views/Lag Structure/AR Roots Graph
Uno de los aspectos más interesantes en la salida de un VAR es poder
examinar la Raiz inversa del polinomio autorregresivo del VAR. Esto
actúa como un chequeo de la estabilidad del modelo estimado. Estas
raíces se pueden representar en una tabla o como puntos en el círculo
unitario, tal y como se ve en la figura.
Inverse Roots of AR Characteristic Polynomial
1.5
La representación gráfica de los eigenvalues
1.0
(Modulus) muestra que todos los valores se
encuentran dentro del círculo unitario y que uno
0.5
de ellos se encuentra cercano al borde del círculo
0.0
de la unidad. Este resultado indica que hay una
-0.5
tendencia común, por lo que solo hay que
-1.0 esperar un vector de cointegración
-1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

SERIES TEMPORALES

NOTAS:
Partiendo del supuesto de existencia de relaciones de cointegración, los
valores propios de la matriz de acompañamiento deberían estar dentro del
circulo unitario de modo que aquellos valores que se encuentran muy
próximos a la unidad determinan el número de tendencias comunes.
Inverse Roots of AR Characteristic Polynomial

1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

SERIES TEMPORALES

3.4 Raices autorregresivas: Click Views/Lag Structure/Pairwise Granger
Causality Test
Realiza una prueba de causalidad para
determinar si una variable endógena puede ser
tratada como una variable exógena.
En la tabla de resultados se muestra el
estadístico 2 de Wald para determinar la
significación (nivel crítico 5%) de cada una de
las otras variables endógenas retardadas
incluidas en la ecuación.

SERIES TEMPORALES

Planteamiento de hipótesis. Primer cuadro:
Ho: IPD does not Granger-cause GCP (IPD no
explica a GCP)
H1: IPD Granger-cause GCP (IPD explica a
GCP)
Planteamiento de hipótesis. 2º cuadro:
Ho: GCP does not Granger-cause IPD (GCP
no explica a IPD)
H1: GCP Granger-cause IPD (GCP explica a
IPD)
Estadístico para la prueba:

W: Estadístico (Chi) de Wald

SERIES TEMPORALES
Regla de decisión:
Rechace a Ho si Prob es menor o igual a 0,05
No rechace a Ho si Prob es mayor que 0,05.
ANALISIS: Primer bloque, no rechace a Ho.
Concluya que IPD no explica a GCP.
Segundo bloque, rechace a Ho y acepte H1.
Concluya que GCP explica a IPD.

SERIES TEMPORALES

3.5 Excusión de retardos: Click Views/Lag Structure/Lag Exclusion Test
Esta prueba analiza si los retardos tienen
algún efecto significativo o no (en forma
individual o conjunta) sobre el sistema del
VAR. Las filas de la tabla reportan la
contribución de los términos retardados en
cada ecuación.
Planteamiento de hipótesis:
Ho: Los coeficientes de los retardos son
conjuntamente no significativos diferentes de
cero
H1: Los coeficientes de los retardos son
conjuntamente significativos diferentes de
cero

SERIES TEMPORALES

3.5 Excusión de retardos: Click Views/Lag Structure/Lag Exclusion Test
Estadístico de la prueba:
W: Estadístico (Chi) de Wald
Regla de decisión:
Rechace a Ho si Prob es menor o igual a 0,05
No rechace a Ho si Prob es mayor que 0,05
ANALISIS: De acuerdo con la prueba de
Wald se rechaza la hipótesis nula para la
primera fila de retardos y se acepta H1: Hay
contribución significativa individual y
conjunta en el VAR. Los retardos 2 al 6 no
contribuyen significativamente en el VAR, por
lo tanto se excluyen.

SERIES TEMPORALES

4. Prueba de los residuos
4.1 Correlogramas: Views/Residual Test/Correlograms
Muestra un correlograma cruzado de los residuos estimados en el VAR
para un número determinado de retardos. Las líneas punteadas en el
gráfico representan más o menos 2 veces el error estándar asintótico de
las correlaciones retardadas. Cor(GCP,GCP(-i))
Autocorrelations with 2 Std.Err. Bounds
Cor(GCP,IPD(-i))
.3 .3
Inicialmente regresionar el modelo VAR(2) .2 .2
.1 .1
.0 .0
H0= Ausencia de autocorrelación -.1
-.2
-.1
-.2
H1= Hay autocorrelación -.3

1 2 3 4 5 6 7 8 9 10 11 12
-.3
1 2 3 4 5 6 7 8 9 10 11 12
Estadístico de la prueba: .3
Cor(IPD,GCP(-i))
.3
Cor(IPD,IPD(-i))
Correlograma – Estadístico Q
.2 .2
.1 .1
.0 .0
-.1 -.1
-.2 -.2
-.3 -.3
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

SERIES TEMPORALES

4.1 Correlogramas: Views/Residual Test/Correlograms
Autocorrelations with 2 Std.Err. Bounds
Regla de decisión: Cor(GCP,GCP(-i)) Cor(GCP,IPD(-i))
.3 .3
Rechacen a H0 si el 5% o más de las barras .2
.1
.2
.1
caen fuera de los intervalos de confianza .0
-.1
.0
-.1
No rechacen a H0 si el 95 % o mas de las -.2 -.2
-.3 -.3
barras caen dentro del intervalo de 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
confianza. .3
Cor(IPD,GCP(-i))
.3
Cor(IPD,IPD(-i))
.2 .2
ANALISIS: .1 .1
Los Plots (gráficos) no exhiben

.0 .0
-.1 -.1
autocorrelación significativa. -.2
-.3
1 2 3 4 5 6 7 8 9 10 11 12
-.2
-.3
1 2 3 4 5 6 7 8 9 10 11 12
Alternativamente, comparen la probabilidad asociada del estadístico Q

(Box Pierce) con el nivel 0,05. Si p-value (prob) > 0,05, acepten a H0.
Concluyan que no hay autocorrelación.
SERIES TEMPORALES

4.2 Test de Pormanteau: Views/Residual Test/Pormanteau Autocorrelation
Test
Calcula el estadístico multivariado Q de Box-Pierce/Ljung-Box
Inicialmente regresione el VAR(6) y para
la prueba incluya 8 rezagos.
H0= Ausencia de autocorrelación hasta el
retardo h
H1= Hay autocorrelación hasta el retardo h
Estadístico Ljung Box para la prueba:
𝑚
𝜌ො𝑘2
𝐿𝐵 = 𝑛(𝑛 + 2) ෍ ~2𝑚
𝑛−𝑘
𝑘=1
SERIES TEMPORALES

4.2 Test de Pormanteau: Views/Residual Test/Pormanteau Autocor…
Regla de decisión
Rechace a H0 si Prob = 0,05
No rechace a H0 si Prob >= 0,05.
La prueba es válida solamente para
retardos superiores al orden del retardo
del VAR.
df son los grados de libertad de la
distribución Chi cuadrado.
Los valores de Prob, indican que los residuos son white noise después
del 6º retardo.

SERIES TEMPORALES

4.3 Test de LM: Views/Residual Test/Autocorrelation LM Test
Prueba de Breusch Godfrey o Prueba del Multiplicador
de Lagrange (LM).
Se usa para detectar autocorrelación de cualquier orden,
especialmente en aquellos modelos con o sin variables
dependientes retardadas. Permite determinar si existe
correlación en los residuos hasta un determinado orden.
Inicialmente regresione el VAR(6) y para la prueba
incluya 6 rezagos.
H0= Ausencia de autocorrelación hasta el retardo h
H1= Hay autocorrelación hasta el retardo h

SERIES TEMPORALES

4.3 Test de LM: Views/Residual Test/Autocorrelation LM Test
Estadístico para la prueba
LM=n*R2 (número de observaciones * R cuadrado)
Regla de decisión
Rechace a H0 si Prob = 0,05
No rechace a H0 si Prob >= 0,05.
Alternativamente: El estadístico calculado Obs*R-
Squared se compara con el valor tabular de la tabla
2, según los rezagos que se seleccionen.

SERIES TEMPORALES

4.4 Test de Normalidad: Views/Residual Test/Normality Test
El estadístico JB es una prueba asintótica de normalidad para grandes
muestras.
Una prueba de normalidad es un proceso estadístico utilizado para
determinar si una muestra o cualquier grupo de datos se ajusta a una
distribución estándar normal. En nuestro caso, los residuos del modelo
VAR.
El test de Jarque Bera analiza la relación entre el coeficiente de
apuntamiento y la curtosis de los residuos de la ecuación estimada y los
correspondientes de una distribución normal, de forma tal que si estas
relaciones son suficientemente diferentes se rechazará la hipótesis nula
de normalidad.

SERIES TEMPORALES

4.4 Test de Normalidad: Views/Residual Test/Normality Test
H0: Jbi = 0 Residuos son normales
H1 : Jbi ≠ 0 Residuos no son normales
T  k  2 K  3 
2
JB = S  
6  4 
Regla de decisión
Rechace a H0 si Prob es menor o igual a 0,05
No rechace a H0 si Prob es mayor que 0,05
La prueba conjunta indica que los residuos son marginalmente normales,
por cuanto el p-value, 0,054 > 0,05
SERIES TEMPORALES

4.5 Test de heterocedasticidad: Views/Residual Test/White
Heteroskedasticity (No Cross term)
Prueba de Heteroscedasticidad de White sin Términos Cruzados.
Otro supuesto del modelo de regresión lineal es que todos los términos
errores tienen la misma varianza. Si este supuesto se satisface, entonces
se dice que los errores del modelo son homocedásticos de lo contrario
son heteroscedasticos.
H0: Residuos homocedásticos
H1: Residuos heterocedásticos
F y 2 =n*R2 (número de observaciones * R cuadrado)

SERIES TEMPORALES

4.5 Test de heterocedasticidad: Views/Residual Test/White
Heteroskedasticity (No Cross term)
Regla de decisión:
Rechace a H0 si Prob <=0,05
No rechace a H0 si Prob >=0,05
Análisis
Los residuos son
homocedásticos. La probabilidad
conjunta (Joint test) 0,805 > 0,05

SERIES TEMPORALES

Los análisis anteriores: Diagnóstico del VAR y la Prueba de los
Residuos, evidencian que la longitud óptima del VAR es de un retardo y
que los residuos cumplen con los supuestos de Gauss Markov, referente a
ausencia de autocorrelacion, normalidad y homoscedasticidad en los
errores, características éstas que nos permiten seguir adelante con el
análisis del método VAR.

SERIES TEMPORALES

5. Interpretación de los resultados del VAR
Un problema que a menudo ocurre cuando tratamos de interpretar los
resultados obtenidos mediante un modelo VAR(p) está relacionado con el
número de coeficientes estimados. Cuanto mayor sea este número, mayor
será la dificultad en tratar de interpretar los resultados basados en la
interpretación de cada uno de los coeficientes del sistema. Es por eso que
existe otra forma de analizar los resultados.
5.1 Las funciones impulso respuesta
Una forma de analizar los resultados del modelo VAR es mediante las
funciones de impulso respuesta.
En este caso la idea es analizar cuál es el impacto de en todo el sistema de
un shock unitario en alguna de las variables, manteniendo las otras
constantes.

SERIES TEMPORALES

5.1 La función impulso respuesta
Esta función es la representación de las medias móviles asociadas con el
modelo estimado y explica la respuesta del sistema a shock en los
componentes del vector de perturbaciones. Es decir, la función impulso
respuesta traza la respuesta de las variables endógenas en el sistema ante
un shock en los errores. Un cambio en 𝑢1 cambiaría inmediatamente el
valor de GCP, ello además cambiaría todos los valores futuros de las
demás variables endógenas debido a la estructura dinámica del sistema.
La función impulso respuesta separa los determinantes de las variables
endógenas dentro de los shock o identifica innovaciones con variables
específicas. Dicho de otra manera, traza el efecto corriente y valores
futuros de las variables endógenas ante un shock de una desviación
estándar a las innovaciones (variables estocásticas).

SERIES TEMPORALES

Por ejemplo, supongamos que se tienen los coeficientes de un modelo
VAR(1), los cuales se presentan en forma matricial:
𝑌1,𝑡 0 0.7 0.2 𝑌1,𝑡−1 𝑢1,𝑡
= + ∗ + 𝑢
𝑌2,𝑡 0 0.1 0.8 𝑌2,𝑡−1 2,𝑡
Ahora, asumimos que se da un shock unitario a la variable 𝑌1,𝑡 en el
periodo 0, es decir:
𝑌1,0 𝑢1,𝑡 1
= 𝑢 =
𝑌2,0 2,𝑡 0
Observe el impacto de este shock en todas las variables del sistema, hasta
5 periodos adelante:

SERIES TEMPORALES

𝑌1,1 0.7 0.2 𝑌1,0 0.7 0.2 1 0.7
= ∗ = ∗ =
𝑌2,1 0.1 0.8 𝑌2,0 0.1 0.8 0 0.1
𝑌1,2 0.7 0.2 𝑌1,1 0.7 0.2 0.7 0.51
= ∗ = ∗ =
𝑌2,2 0.1 0.8 𝑌2,1 0.1 0.8 0.1 0.15
𝑌1,3 0.7 0.2 𝑌1,2 0.7 0.2 0.51 0.39
= ∗ = ∗ =
𝑌2,3 0.1 0.8 𝑌2,2 0.1 0.8 0.15 0.17
𝑌1,4 0.7 0.2 𝑌1,3 0.7 0.2 0.39 0.31
= ∗ = ∗ =
𝑌2,4 0.1 0.8 𝑌2,3 0.1 0.8 0.17 0.18
𝑌1,5 0.7 0.2 𝑌1,3 0.7 0.2 0.31 0.25
= ∗ = ∗ =
𝑌2,5 0.1 0.8 𝑌2,3 0.1 0.8 0.18 0.17

SERIES TEMPORALES

Como se puede observar de estas ecuaciones, la variable 𝑌1,𝑡 tiende a
volver a su media (fijada en el ejemplo a 0) y pasa de 0.7 a en t=1 a 0.17
en t=5. Por otra parte, el efecto de este shock unitario a la variable 𝑌1,𝑡
hace que la variable 𝑌2,𝑡 crezca a ritmo decreciente hasta el periodo 4 y a
partir de allí comienza a caer a su nivel de equilibrio, también fijado en 0.
Ahora analicemos lo que acurre con un shock unitario en la otra variable
𝑌2,𝑡 . Si se sigue la misma lógica que en el primer caso, se tendrá:
𝑌1,0 𝑢1,𝑡 0
= 𝑢 =
𝑌2,0 2,𝑡 1
Por lo que el impacto de este shock unitario en todas las variables del
sistema hasta 5 periodos adelante será:

SERIES TEMPORALES

𝑌1,1 0.7 0.2 𝑌1,0 0.7 0.2 0 0.2
= ∗ = ∗ =
𝑌2,1 0.1 0.8 𝑌2,0 0.1 0.8 1 0.8
𝑌1,2 0.7 0.2 𝑌1,1 0.7 0.2 0.2 0.30
= ∗ = ∗ =
𝑌2,2 0.1 0.8 𝑌2,1 0.1 0.8 0.8 0.66
𝑌1,3 0.7 0.2 𝑌1,2 0.7 0.2 0.30 0.34
= ∗ = ∗ =
𝑌2,3 0.1 0.8 𝑌2,2 0.1 0.8 0.66 0.56
𝑌1,4 0.7 0.2 𝑌1,3 0.7 0.2 0.34 0.35
= ∗ = ∗ =
𝑌2,4 0.1 0.8 𝑌2,3 0.1 0.8 0.56 0.48
𝑌1,5 0.7 0.2 𝑌1,3 0.7 0.2 0.35 0.34
= ∗ = ∗ =
𝑌2,5 0.1 0.8 𝑌2,3 0.1 0.8 0.48 0.42

SERIES TEMPORALES

Ahora volvamos al ejemplo de GCP e IPD. Lo primero que tenemos que
hacer es correr el modelo VAR(p) con el número de rezagos óptimo. En la
ventana de resultados seleccionar «impulse». Al hacer esto, aparecerá una
ventana tal como aparece a continuación:
IMPULSE

SERIES TEMPORALES

Los gráficos de la diagonal
Response to Cholesky One S.D. Innovations ± 2 S.E.
representan respuestas a
Response of GCP to GCP Response of GCP to IPD
25 25 shock en las mismas
20
15
20
15
variables.
10
5
10
5
Por ejemplo, el gráfico de
0 0 la esquina superior
-5
-10
-5
-10
izquierda representa la
1 2 3 4 5 6 7 8 9 10 1 2
respuesta de GCP causado
3 4 5 6 7 8 9 10
28
Response of IPD to GCP
28
por un shock unitario a la
Response of IPD to IPD
24
20
24
20
misma variable GCP.
16
12
16
12
El gráfico superior de la
8
4
8
4
esquina derecha representa
0
-4
0
-4
la respuesta de GCP a
-8
1 2 3 4 5 6 7 8 9 10
-8
1 2 shocks en IPD.
3 4 5 6 7 8 9 10

SERIES TEMPORALES

5. Interpretación de los resultados del VAR Como se puede observar,
5.1 La función impulso respuesta un shock unitario de GCP
Response of GCP to GCP

en la GCP tiene un impacto
Response of GCP to IPD
25 25
significativo que
20 20
15 15 permanece casi constate en

10
5
10
5
el tiempo (10 trimestres).
0 0
Un shock aleatorio en el
-5 -5
-10 -10 GCP tiene un impacto

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
positivo sobre el IPD

28
28
durante los tres primeros
24
20
24
20
trimestres para después
16
12
16
12
amortiguarse (hasta el
8
4
8
4
periodo 8) y luego
0
-4
0
-4
mantenerse constante a
-8
1 2 3 4 5 6 7 8 9 10
-8
1 2 partir del periodo 10.
3 4 5 6 7 8 9 10

SERIES TEMPORALES

Response of GCP to GCP Response of GCP to IPD

La respuesta del IPD ante
25
20
25
20
el shock unitario del IPD
15 15 también es significativo,
10 10
5 5
hace que éste disminuya
0 0
hasta el periodo 7 para
-5 -5
-10 -10
luego tener un efecto
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
amortiguado para luego ir

28
28
acentuándose en su senda
24
20
24
20
convergente.
16 16
12 12
8 8
4 4
0 0
-4 -4
-8 -8
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

SERIES TEMPORALES

Así, a partir del examen visual de la gráfica, nos podemos formar una
idea de la respuesta de las variables en el sistema a choques o
innovaciones en las mismas, así como se pueden sentar las bases para un
estudio más detallado sobre la relación estocástica que guardan estas
variables, sobre todo si se reconoce que ambas son no-estacionarias en
niveles; por lo cual una vez determinada la relación que existe en sus
primeras diferencias, se podría continuar con un análisis de cointegración
(que se verá más adelante).

SERIES TEMPORALES

5.2 Descomposición de la varianza
Es otro método para interpretar los resultados del VAR. La idea en este
caso es observar el porcentaje de la variación de una variable determinada
causada por un shock en la misma variable y por el movimiento, los
shock, en las otras variables que conforman el sistema. Por lo general, el
mayor impacto en la variación viene dado por los shock en la misma
variable.
Es decir, el propósito de este método es es identificar la porción de la
varianza de cada serie que se puede atribuir a innovaciones dentro del
sistema.

SERIES TEMPORALES

Mientras que la función de respuesta de impulsos muestra el efecto de un
cambio (shock) en una de las variables endógenas sobre las demás
variables del modelo VAR, la descomposición de la varianza proporciona
información acerca de la importancia relativa de cada innovación
aleatoria de las variables en el modelo VAR.
Además, si una proporción importante de la varianza de una variable
viene explicada por las aportaciones de sus propias perturbaciones, dicha
variable será relativamente más exógena que otras, de forma que este
análisis de la varianza puede ayudarnos a confirmar que el orden de
“exogeneidad” que hemos introducido para la ortogonalización de las
perturbaciones aleatorias es correcto.

SERIES TEMPORALES

Ahora volvamos al ejemplo de GCP e IPD. Lo primero que tenemos que
hacer es correr el modelo VAR(p) con el número de rezagos óptimo. Y en
esa ventana realizar lo siguiente: View/Variance Descomposition

SERIES TEMPORALES

La columna S.E, puede interpretarse como el
error de la predicción de la variable GCP en
diferentes periodos en el futuro. Vemos que
indica un error de predicción de 18.5 en un
primer periodo adelante; de 26.12 en un
segundo periodo adelante, y así se va
incrementando hasta llegar a un error de
predicción de 57.99 al cabo de 10 periodos. La
fuente de este error de predicción es es la
variación de los errores corrientes y futuros de
las innovaciones.

SERIES TEMPORALES

Las siguientes columnas muestran el
porcentaje de innovación debido a cada
innovación específica, donde cada fila suma la
unidad. En el primer periodo se observa que
toda la innovación en GCP es debido a
cambios en GCP (100%); dos periodos
adelante el 99.998% de la variación de GCP es
debido a innovaciones en GCP y 0.001% es
debido a innovaciones en el IPD; es decir, a
partir del segundo periodolas innovaciones en
GCP también dependen de las demás
variables.

SERIES TEMPORALES
Variance Decomposition
Percent GCP variance due to GCP Percent GCP variance due to IPD

100 100
80 80

60 60
40 40

20 20
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Percent IPD variance due to GCP Percent IPD variance due to IPD
90 90
80 80
70 70
60 60
50 50
40 40
30 30
20 20
10 10
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
La forma de entender estos gráficos es

bastante similar al caso de las funciones
impulso respuesta. Los gráficos de la
diagonal representan la proporción de la
varianza que es explicada por un shock en la
misma variable.
SERIES TEMPORALES

5.2 Descomposición de la varianza Por ejemplo, el gráfico de la
esquina superior izquierda
100
representa la variabilidad de GCP
100
80
60
que es causada por un shock
80
60
40
unitario en la misma GCP. Se
40
20
puede apreciar que el 100% de
20
0
1 2 3 4 5 6 7 esta variabilidad es causada por
8 9 10
0
1 2 3 4 5 6 7 8 9 10
90
shock en la misma variable. Si se
Percent IPD variance due to GCP
90
Percent IPD variance due to IPD
80
70
observa en el gráfico inferior
80
70
60
50
derecho, el caso de IPD, se
60
50
40
30
advierte que su variabilidad es
40
30
20
10
explicada por más o menos a
20
10
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
partir de 80% disminuyendo a

35% en el periodo 10.
SERIES TEMPORALES

5.2 Descomposición de la varianza Por último, observando el gráfico
inferior izquierdo, se puede ver
100
que aproximadamente, desde 15%
100
80
60
hasta 70% de la variación de IPD
80
60
40
puede ser explicada por shock en
40
20
GCP. 20
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Percent IPD variance due to GCP Percent IPD variance due to IPD
90 90
80 80
70 70
60 60
50 50
40 40
30 30
20 20
10 10
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

SERIES TEMPORALES

Es importante notar que el orden en que las variables se presentan en el
sistema es relevante. Esto se debe a que los errores de cada ecuación
presentan cierto nivel de correlación no asociados a una variable en
particular y ,o que hace que no sea posible obtener impulso respuesta
que sean realmente ortogonales.
La forma en que uno ataca este problema en la práctica es considerando
el orden en que las variables son presentadas en el sistema y analizando
si existen diferencias notorias en las funciones de impulso respuesta y
en las descomposición de la varianza. Cuanto mayor sea el grado de
dependencia de los errores más diferente serán los resultados obtenidos
de invertir el orden en el sistema.

SERIES TEMPORALES

6. Cointegración
Hasta este momento un requerimiento obligatorio para trabajar con los
modelos ha sido que las series a analizar sean estacionarias y se ha
analizado las posibles consecuencias de ignorar la estacionariedad de
las series al momento de realizar inferencias estadísticas..
Es necesario recalcar que si se está trabajando con series en diferencias,
implícitamente se está reconociendo que las relaciones son de corto
plazo, y que no existe relación de largo plazo alguna.
Volvamos a la ecuación:

SERIES TEMPORALES

6. Cointegración
De manera compacta, se puede escribir de la siguiente manera:
𝑌𝑡 = 𝛼 + 𝛽1 𝑌𝑡−1 + 𝛽2 𝑌𝑡−2 + ⋯ + 𝛽𝑘 𝑌𝑡−𝑘 + 𝑢𝑡
Donde 𝑌𝑡 y todos sus rezagos son vectores (r x 1); 𝛼 y 𝑢𝑡 son (r x 1); 𝛽𝑖
es (r x r) para i=1,2,3,…,k. En donde r representa el número de variables
endógenas del sistema y k el número de rezagos utilizados en el mismo.
Si cada 𝑌 del modelo ha sido diferenciada, la ecuación se puede reescribir
de la siguiente manera:
∆𝑌𝑡 = 𝛼 + 𝛽1 ∆𝑌𝑡−1 + 𝛽2 ∆𝑌𝑡−2 + ⋯ + 𝛽𝑘 ∆𝑌𝑡−𝑘 + 𝑢𝑡
Si existe una relación de largo plazo, también conocida como equilibrio o
situación estacionaria, todas las variables no variarán con el tiempo; es
decir que:
𝑌 = 𝑌𝑡 = 𝑌𝑡−1

SERIES TEMPORALES

6. Cointegración
Por lo tanto, si se aplica esta condición de equilibrio en la ecuación:
∆𝑌𝑡 = 𝛼 + 𝛽1 ∆𝑌𝑡−1 + 𝛽2 ∆𝑌𝑡−2 + ⋯ + 𝛽𝑘 ∆𝑌𝑡−𝑘 + 𝑢𝑡
Se verá que todas la variables en diferencias desaparecerán ya que estas
variables se han calculado como 𝑌𝑡 − 𝑌𝑡−1 y son igual a cero.
Cuando las variables incluidas en el sistema están en diferencias sólo se
están modelando las relaciones a corto plazo entre las variables. Esto
último sirve como base para el análisis de la cointegración.
1. En primer lugar es necesario entender que para que se pueda utilizar
series no estacionarias existe una condición crucial conocida como
cointegración.
2. La idea fundamental de la cointegración es que existe, a largo plazo,
alguna fuerza que hace que las variables tiendan a un equilibrio o
estado estacionario.
SERIES TEMPORALES

6. Cointegración
3. Se recuerda que si se tiene una serie no estacionaria estocástica, la
manera de convertirla en una serie estacionaria es diferenciándola. Si
se quiere recuperar la serie original no estacionaria a través de la serie
convertida en estacionaria (la serie estacionaria), se tendría que
«integrar» la serie diferenciada. Por lo tanto, a la serie original (no
estacionaria) se le conoce con el nombre de serie integrada de grado
«d». El grado se refiere al número de veces que hay que integrar la
serie diferenciada hasta obtener la serie original. Esto se uede
expresar como:
𝑌𝑡 ~𝐼(𝑑)
Es decir, que la variable 𝑌𝑡 es una serie no estacionaria estocástica
integrada de orden d (se necesitará diferenciarla d veces para obtener
una serie estacionaria).
SERIES TEMPORALES

6. Cointegración
4. Como la mayoría de las series económicas son integradas de grado 1,
es decir, que sólo es necesario diferenciarlas una vez para obtener su
estacionariedad, se define a una serie integrada de grado uno como:
𝑌𝑡 ~𝐼(1)
5. Asumiendo que todas nuestras series 𝐼(1), se afirmará que existe una
relación de largo plazo o una relación de cointegración, si existe una
combinación lineal que hace que éstas sean integradas de orden cero
𝐼(0); es decir, que existe un vector de cointegración de tal manera que
la serie resultante sea estacionaria o 𝐼(0).
Matemáticamente:
𝑘
෍ 𝛿𝑖 𝑌𝑖 ~𝐼(0)
𝑖
SERIES TEMPORALES

6. Cointegración
Ejemplo:
Si se tiene tres series (𝑌𝑡 , 𝑋1 𝑦 𝑋2 ) cada una de las cuales es integrada de
orden 1, 𝐼(1), se asume que se tiene la siguiente relación:
𝑌𝑡 = 𝛼 + 𝛽1 𝑋1,𝑡 + 𝛽2 𝑋2,𝑡 + 𝑢𝑡
Si se deja en la parte derecha de la ecuación solamente a los errores:
𝑌𝑡 − 𝛼 − 𝛽1 𝑋1,𝑡 − 𝛽2 𝑋2,𝑡 = 𝑢𝑡
Por lo tanto, si se puede encontrar una combinación lineal tal que los
errores sean 𝐼(0), se podrá afirmar que las series son cointegradas y que
presentan una relación de largo plazo. Para este ejemplo, el vector de
cointegración o combinación lineal que hace que estas series sean
cointegradas será (1, −𝛼, −𝛽1 , −𝛽2 ).

SERIES TEMPORALES

6. Cointegración
En caso que se pueda encontrar este vector de cointegración, implicará
que se podrá utilizar el modelo conocido como «corrección de errores».
En el caso que no exista un vector de cointegración, lo requerido será
trabajar con las series diferenciadas (estacionarias). Esto último tendrá
sentido ya que la no existencia de un vector de cointegración implica, a su
vez, que no existe una relación de largo plazo y que, por lo tanto, sólo se
pueden analizar relaciones de corto plazo que pudieran existir entre las
variables.
Desde el punto de vista de la economía, entonces, se dice que dos o mas
series están cointegradas si las mismas se mueven conjuntamente a lo
largo del tiempo y las diferencias entre ellas son estables (es decir
estacionarias), aún cuando cada serie en particular contenga una tendencia
estocástica y sea por lo tanto no estacionaria.
SERIES TEMPORALES

6. Cointegración
De aquí que la cointegración refleja la presencia de un equilibrio a largo
plazo hacia el cual converge el sistema económico a lo largo del tiempo.
Las diferencias (o término error) en la ecuación de cointegración se
interpretan como el error de desequilibrio para cada punto particular de
tiempo.
Desde el punto de vista de la econometría, Dos o más series de tiempo
que son no estacionarias de orden I(1) están cointegradas si existe una
combinación lineal de esas series que sea estacionaria o de orden I(0). El
vector de coeficientes que crean esta serie estacionaria es el vector
cointegrante.

SERIES TEMPORALES

6. Cointegración
6.1 Determinación de la existencia de vectores de cointegración:
Se debe advertir que el número máximo número de vectores de
cointegración que se pueden hallar en un sistema de r variables es igual a
r-1. Es decir que, si se tienen dos variables (r=2) como máximo se puede
encontrar un vector de cointegración. Pero si se tiene cinco variables, el
máximo número de vectores de cointegración, será 4.
A. El método de Engle-Granger.
Este método se basa en la idea presentada en la ecuación:
𝑌𝑡 − 𝛼 − 𝛽1 𝑋1,𝑡 − 𝛽2 𝑋2,𝑡 = 𝑢𝑡
Es decir, si se tienen series 𝐼(1), simplemente hay que correr la regresión
y analizar si los residuos estimados son 𝐼(0), o estacionarios. Para la
prueba de estacionariedad se puede utilizar el test DFA.

SERIES TEMPORALES

6. Cointegración
El procedimiento es el siguiente:
1. Determinar el Orden de Integración de cada una de las Variables a ser
incluídas en el Modelo:
• Si las series son estacionarias de orden I(0) apliquen el procedimiento
estandard de MCO. Resultado: parámetros exactos y superconsistentes.
• Si las series resultan integradas de diferente orden, tales como: I(0),
I(1), I(2) es posible concluir que las mismas no estén cointegradas. La
aplicación de MCO producirá resultados espurios: R2, Fc y tt altos y
DWc bajo.

SERIES TEMPORALES

6. Cointegración
• Finalmente, puede ocurrir que las series tengan el mismo orden de
integración, digamos I(1). En general: cualquier combinación lineal de
variables I(1) será también I(1). Pero puede haber alguna combinación
lineal particular entre las variables I(1) que sea estacionaria, es decir:
I(0). Para determinarlo, ejecuten el paso 2.
2. Especificar y Estimar la Relación Funcional a Largo Plazo y contrastar
si los residuos tienen una raíz unitaria o no.
3. Guardar los Residuos Estimados.
3. Prueba de Cointegración en los Residuos Estimados.
4. Estimar el Modelo de Corrección de Errores si las variables están
cointegradas.
SERIES TEMPORALES

6. Cointegración
Volvamos al ejemplo de GCP e IPD.
3600 8.2
8.1
3200
8.0
7.9
2800
7.8
2400 7.7
7.6
2000
7.5
1600 7.4
70 72 74 76 78 80 82 84 86 88 90 70 72 74 76 78 80 82 84 86 88 90
GCP IPD LOG(GCP) LOG(IPD)

SERIES TEMPORALES

6. Cointegración
A. 6.1 Determinación de la existencia de vectores de cointegración:
B. El método de Engle-Granger.
Ahora realizamos la prueba de la raíz unitaria para la serie GCP:
Acepte Ho: −2.425572 < 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑐𝑟í𝑡𝑖𝑐𝑜𝑠. Acepte Ho por que el DFA
es menor en valor absoluto que el valor crítico McKinon al 5%.
SERIES TEMPORALES

6. Cointegración
A. 6.1 Determinación de la existencia de vectores de cointegración:
B. El método de Engle-Granger.
Ahora realizamos la prueba de la raíz unitaria para la serie IPD:
Acepte Ho: −2.588254 < 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑐𝑟í𝑡𝑖𝑐𝑜𝑠. Acepte Ho por que el DFA
es menor en valor absoluto que el valor crítico McKinon al 5%.
SERIES TEMPORALES

Ahora realizamos la prueba de la raíz unitaria para la serie GCP:
El estadístico DFA, -7.615082 es un número suficientemente negativo;

por lo tanto, rechace la Ho a favor de la estacionalidad; además, la
probabilidad asociada al estadístico t es menor que el nivel 5%, lo cual
ratifica el rechazo de Ho de no estacionariedad.
SERIES TEMPORALES

Ahora realizamos la prueba de la raíz unitaria para la serie IPD:
El estadístico DFA, -9.636167 es un número suficientemente negativo.

Por lo tanto, rechace la Ho a favor de la estacionalidad; además, la
probabilidad asociada al estadístico t es menor que el nivel 0.05, lo cual
ratifica el rechazo de Ho de no estacionariedad.
SERIES TEMPORALES

Ahora realizamos la prueba de la raíz unitaria para el logaritmo de las
series por cuanto la primera diferencia de los logaritmos es equivalente a
la tasa de crecimiento de las series. Es importante ya que inducen a
estacionariedad además de facilitar la interpretación de los resultados:
Como en el análisis anterior, en el nivel, la serie GCP, tiene raíz unitaria

(no estacionaria) pero su primera diferencia es estacionaria
SERIES TEMPORALES

La prueba de la raíz unitaria para la serie Log(IPD)
Esta serie, en el nivel, tiene raíz unitaria (no estacionaria) y en la primera

diferencia es estacionaria.

SERIES TEMPORALES

A continuación se procede a determinar si existe alguna combinación
lineal que haga que ambas variables estén cointegradas, de acuerdo al
método de Engle-Granger:
1. En el cuadro de comandos digitar: Ls gcp c ipd
Alternativa 1: resaltar los objetos
gcp y ipd y con click derecho:
Open/As Equation/Aceptar
Alternativa 2: Quick/Estimate
Equation (gcp c ipd)/Aceptar
La regresión se muestra en al figura
adjunta.
Relación estimada a largo plazo: 𝐺 ෣𝐶𝑃 = −171.4412 + 0.96725𝑃𝐷𝐼

SERIES TEMPORALES

El término de error estimado por MCO a largo plazo, 𝑢ො 𝑡 , es una medida
del desequilibrio en GCP con respecto a su trayectoria de largo Plazo. Se
utilizará éste más adelante para construir el Modelo de Corrección de
Errores.
Análisis de los resultados:
1. La regresión estimada es espuria. Las regresiones espurias son aquellas
que exhiben las siguientes características:
– No mantienen entre sí una relación causal.
– La estimación de un modelo econométrico temporal proporciona
elevada bondad del ajuste. En nuestro caso, R2 =0.99405.
– Un valor del estadístico DW relativamente bajo, indicativo de
autocorrelación positiva. En nuestro caso el DW=0.5316
– Se sospeche regresión espuria cuando se cumple que R2 > DW
SERIES TEMPORALES

Análisis de los resultados:
2. El bajo valor de DW indica auto correlación positiva en los errores.
3. El bajo valor de DW también puede ser indicativo de no Cointegración
4. GCP y PDI son series no estacionarias de orden I(1).
5. El signo estimado del coeficiente de la variable PDI resultó positivo tal
como lo postula la Teoría Económica.
Análisis de los residuos:
1. Crear el objeto res1 de la siguiente manera:
Digitando en el cuadro de comandos: Genr res1=Resid
2. Doble click en el objeto res1 en la ventana del archivo de trabajo.
3. Click en: View/Graph/Line

SERIES TEMPORALES

El gráfico res1 que se muestra pareciera indicar que los mismos varían en
torno a la media, varianza y covarianza; lo que es indicativo de
estacionariedad. 120
Ahora aplicaremos la prueba de la 80

raíz unitaria a los errores para
determinar ciertamente si son 40
estacionarios.
0
Lo realizamos haciendo doble click
en el objeto res1 y calculando la -40
prueba de DFA para el nivel.

-80
70 72 74 76 78 80 82 84 86 88 90
RES1

SERIES TEMPORALES

Recuerden que la ecuación no tiene Intercepto o tendencia, debido a que

el error debe tener media igual a cero ya que no se espera que el mismo
tenga una tendencia determinística.

SERIES TEMPORALES

Dado que el valor del estadístico ADF,
-3.7790, es mayor en valor absoluto
que cualesquiera de los valores críticos
de McKinnon, al 1%, 5% y 10%,
respectivamente se rechaza la Ho de
no cointegración y se concluye que los
residuos son integrados de orden I(0).
Podemos afirmar, entonces, que existe una relación estable a largo
plazo, por lo que se dice que las variables PCE y DPI están
cointegradas.

SERIES TEMPORALES

A manera de ejercicio, procedemos ahora a realizar la prueba de Engle
Granger con las series LnGCP y LnIPD.
1. Prueba de la raíz unitaria de la serie LnGDP
8.2
8.1
8.0
7.9
7.8
7.7
7.6
7.5
7.4
70 72 74 76 78 80 82 84 86 88 90
En el nivel, la serie LnGCP tiene
LOG(GCP)
raíz unitaria; i.e, es no estacionaria.
SERIES TEMPORALES

2. Prueba de la raíz unitaria a la primera diferencia de LnGCP:
La hoja de respuestas de Eviews, muestra que la primera diferencia de
la serie LnGCP es estacionaria. .03
.02
.01
.00
-.01
-.02
-.03
70 72 74 76 78 80 82 84 86 88 90
D(LOG(GCP))

SERIES TEMPORALES

3. Prueba de la raíz unitaria de la serie LnIPD
8.2
8.1
8.0
7.9
7.8
7.7
7.6
7.5
70 72 74 76 78 80 82 84 86 88 90
LOG(IPD)
En el nivel, la serie LnIPD tiene raíz unitaria; i.e, es no estacionaria.

SERIES TEMPORALES

4. Prueba de la raíz unitaria a la primera diferencia de LnIPD:
La hoja de respuestas de Eviews, muestra que la primera diferencia de
la serie LnIPD es estacionaria.
.05
.04
.03
.02
.01
.00
-.01
-.02
-.03
70 72 74 76 78 80 82 84 86 88 90
D(LOG(IPD))

SERIES TEMPORALES

5. Lo anterior demuestra que las series LnGCP y LnIPD son I(1), por lo
que procedemos a calcular la regresión: LnGCP=b0+b1LnIPD+m
Esta regresión presenta los siguientes resultados:

SERIES TEMPORALES

6. Análisis de los residuos generados de la regresión anterior:
.03
.02
.01
.00
-.01
-.02
-.03
-.04
70 72 74 76 78 80 82 84 86 88 90
RESLN
Por lo tanto, existe una relación estable a largo plazo, por lo que se dice
que las variables LnGCP y LnIPD están cointegradas.
SERIES TEMPORALES

A. El método de Engle-Granger: Mecanismo de corrección de errores
Este Mecanismo, propuesto originalmente por Engle y Granger en el año
1987, tiene por finalidad ligar el comportamiento a Corto Plazo (CP) de
las variables PCE y PDI con el comportamiento a Largo Plazo (LP) de las
mismas:
Comportamiento de Corto Plazo:
𝑢ො 𝑡 = 𝐺𝐶𝑃𝑡 − 𝛼0 − 𝛼1 𝐼𝑃𝐷𝑡
Comportamiento de Largo Plazo:
𝐺𝐶𝑃𝑡 = 𝛼0 + 𝛼1 𝐼𝑃𝐷𝑡 + 𝑒𝑡
El mecanismo más simple de Corrección de Errores es:
∆𝐺𝐶𝑃𝑡 = 𝛼0 + 𝛼1 ∆𝐼𝑃𝐷𝑡 + 𝛼2 𝑢ො 𝑡−1 + 𝑒𝑡
Dado que las series GCP e IPD están cointegradas, implica que hay una
relación estable de equilibrio a largo plazo entre ellas; no obstante, en el
corto plazo puede haber desequilibrio.
SERIES TEMPORALES

El término error 𝑢ො 𝑡 en la regresión de cointegración se interpreta como el
error de equilibrio y es éste, precisamente, el que sirve para atar la
conducta a corto plazo de la variable GCP con su valor a largo plazo.
∆𝐺𝐶𝑃𝑡 = 𝛼0 + 𝛼1 ∆𝐼𝑃𝐷𝑡 + 𝛼2 𝑢ො 𝑡−1 + 𝑒𝑡
∆ Denota la primera diferencia de las variables GCP e IPD,
respectivamente.
𝑢ො 𝑡−1 Es el mecanismo de corrección del error. Se usa para corregir el
desequilibrio a corto plazo
𝛼2 Es el parámetro de ajuste a corto plazo. La significación estadística de
𝛼2 indica la proporción del desequilibrio en GCP, que es corregido en el
siguiente período. Mientras más cerca esté 𝛼2 de 1, más rápido será el
ajuste hacia el equilibrio.

SERIES TEMPORALES

Para realizar la estimación, realice los siguientes pasos:
1. Calcule la primera diferencia de las variables GCP e IPD, de la
siguiente manera:
Quick/Generate Series DGCP=GCP-GCP(-1) Ok
Quick/Generate Series DIPD=IPD-IPD(-1) Ok
2. Calcule el primer retardo de los residuos estimados:
Quick/Generate Series rRes=Res(-1)
3. Ahora estime el modelo con las siguientes órdenes:
Quick/Estimate Ecuation DGCP c DIPD rRes
Los resultados se muestran en la siguiente diapositiva.

SERIES TEMPORALES

Función estimada escrita en primeras diferencias:
෣ = 11.69183 + 0.290602𝑃𝐷𝐼 − 0.086706𝑢ො 𝑡−1
𝐷𝐺𝐶𝑃
El término −0.086706𝑢ො 𝑡−1 es el Mecanismo de Corrección de Errores.
Note que el coeficiente presenta signo negativo correcto pero la magnitud
es pequeño e insignificante, ni siquiera
al nivel 0.10 (00.1133). El signo
negativo actúa para reducir el
desequilibrio en el próximo período. En
efecto, si las variables están en
desequilibrio en el período t-1,entonces
el MCE actúa para restaurar las
variables gradualmente hacia el
equilibrio en el período t, o en el futuro.

SERIES TEMPORALES

En el presente ejercicio se observa que la desviación del GCP respecto a
su nivel de equilibrio de largo plazo se corrige trimestralmente en un 9
por ciento, aproximadamente.
Según Jeremy Wakeford el coeficiente -0.086706 representa la propensión
marginal a consumir a largo plazo. Se le denomina parámetro de
cointegración.

SERIES TEMPORALES

6. Cointegración
B. El método de Johansen.
El método de Engle-Granger presenta numerosos problemas, entre los
cuales el más importante está dado por la capacidad de encontrar un
vector de cointegración sin importar el número de variables que se están
estudiando.
En el ejemplo anterior esto no fue problema debido a que se analizaron
sólo dos variables (por lo tanto, el máximo número de vectores de
cointegración es 1). Sin embargo, si se tiene un número mayor de
variables el número máximo de vectores de cointegración a encontrar con
este método será siempre 1. Peor aún, muchas veces, al usar este método,
el investigador puede no encontrar un vector de cointegración cuando, en
realidad, si existe uno o más (dependiendo del número de variables).
SERIES TEMPORALES

6. Cointegración
6.1 Determinación
Engle-Granger
de la existencia de vectores de Johansen
cointegración:
•B. Aplicable
El método de Johansen.
a modelos • Aplicable a sistemas de ecuaciones
uniecuacionales. • Este método está basado en
• Método en dos etapas basado en modelos VAR.
los residuos estimados • Es un test de máxima verosimilitud
• Asume a priori que existe un solo que requiere grandes volúmenes de
vector de cointegración en el datos (100 ó más).
modelo • Prueba la existencia de múltiples
• El resultado de este método de vectores de cointegración entre las
cointegración puede cambiar variables, mediante la prueba de la
Traza y del Eigenvalue máximo.
dependiendo de cual variable se
• Descansa fuertemente en la
seleccione como dependiente
relación entre el rango de la matriz
y sus raíces características.
SERIES TEMPORALES

6. Cointegración
B. El método de Johansen.
El procedimiento multivariado de S. Johansen (1988 y 1991), profesor de
estadística matemática de la Universidad de Copenhagen, se ha
convertido en un método muy popular para probar la existencia de
cointegración en la variables I(1) y I(0), en donde I(1) y I(0) indican
integración de primer y cero orden, respectivamente.
En la tecnología de S. Johansen, es necesario analizar las series
previamente con el fin de conocer si presentan o no raíces unitarias. Las
series que presenten raíces unitarias se colocan en un vector
autorregresivo a partir del cual se puede probar la existencia de una o
mas combinaciones lineales J(U) o vectores de cointegración, como
también se les denomina.
SERIES TEMPORALES

6. Cointegración
B. El método de Johansen: Metodología
a. Determinar el orden de integración a cada una de las series incluidas
en el modelo.
b. Especificar un Vector AutoRegresivo (VAR) con las series que
resulten integradas de orden I(1).
• Seleccionar las Variables del Modelo
• Seleccionar las transformaciones de las variables, si las hubieren.
• Determinar el retardo óptimo del VAR para asegurar que los
residuos sean ruido blanco (white noise)
• Especificar las variables determinísticas (dummy, tendencias, etc).
• Diagnóstico del VAR estimado
SERIES TEMPORALES

6. Cointegración
B. El método de Johansen: Metodología
c. Aplicar el procedimiento de Máxima Verosimilitud al vector
autorregresivo con el fin de determinar el rango (r) de cointegración
del sistema:
• Prueba de la Traza
• Prueba del Eigenvalue Máximo (valor propio)
d. Estimar el modelo Vector de Corrección de Errores (VEC)
e. Determinar la relación causal entre las variables del modelo
A continuación aplicamos este procedimiento recordando que ya se ha
realizado (a) y (b) de esta metodología. El siguiente paso, entonces, es la
estimación del sistema mediante el método de Máxima Verosimilitud.
SERIES TEMPORALES

6. Cointegración
B. El método de Johansen: Estimación del sistema mediante Máxima
Verosimilitud
1. Hacer grupo con las variables
GCP y IPD resaltando los
objetos que contienen la serie y
con click derecho del ratón
seleccionar Open/As Group
2. En la ventana que aparece con
los datos de las series, hacer
click en View/Cointegration
Test aparecerá la ventana que
se muestra a la derecha.
SERIES TEMPORALES

6. Cointegración
B. El método de Johansen: Estimación del sistema…
3. En el cuadro de diálogo
Johansen Cointegration Test,
seleccionen la opción 6:
Summarice all 5 set of
assumptions, la cual muestra el
resumen de las 5 opciones
anteriores.
4. En el cuadro Lag intervals
incluyan la longitud óptima del
VAR encontrado (=1)

SERIES TEMPORALES

6. Cointegración
5. La nueva ventana muestra que una sola ecuación de integración tanto
en la Prueba de la Traza como en
la del Maximun Eigenvalue, razón
por lo cual se debe seleccionar la
opción 2 (Intercept-No Trend): sólo
intercepto en la ecuación de
cointegración (CE) y no
tendencia en el VAR.

SERIES TEMPORALES

6. Cointegración
5. Volvemos, entonces, a la ventana Johansen Cointegración Test
y marcamos la opción 2
(Intercept (no trend) in CE –
no intercept in VAR), con Lag
intervals 1 1 que indica la
longitud óptima del VAR
encontrado, es decir, ∆𝑌𝑡 en
𝑌𝑡−1 . Por último presione Ok.

SERIES TEMPORALES

6. Cointegración
C. El método de Johansen: Resultado de la estimación
Hipótesis para las Prueba de la Traza
y del Máximo Valor Propio:
Ho: r=0 No existen vectores de
cointegración (NONE: Ninguna)
H1: r=1 Existe un vector de
cointegración
Reglas de Decisión:
Rechace a Ho cuando el valor del
estadístico la Traza o el Máximo Valor
Propio sea mayor que el valor crítico
seleccionado, normalmente el de 5 %.
SERIES TEMPORALES

6. Cointegración
Hipótesis para las Prueba de la
Traza y del Máximo Valor Propio:
Acepte a Ho cuando el valor del
estadístico de la Traza o el Máximo
Valor Propio sea menor que el valor
crítico seleccionado.

SERIES TEMPORALES

6. Cointegración
Si hubiera un segundo vector de cointegración las hipótesis serían tal
como sigue:
Ho: r<=1 Cuando más, existe un vector de cointegracion.
H1: r=2 Existe un vector de cointegración
Analicen secuencialmente las hipótesis nulas (NONE; AT MOST 1; AT
MOST 2, etc.), hasta tanto se rechace Ho.

SERIES TEMPORALES

6. Cointegración
C. El método de Johansen: Prueba de la Traza.
El primer bloque del cuadro de los
resultados muestra el estadístico de la
TRAZA. La primera columna de dicho
bloque muestra el número de
relaciones de cointegración bajo la
hipótesis nula; la segunda columna
muestra el rango ordenado de los
eigenvalues de la matriz ∏; la tercera
muestra el estadístico de la Traza y las
dos últimas columnas muestran los
valores críticos al 5% y 1%.
SERIES TEMPORALES

6. Cointegración
C. El método de Johansen: Prueba de la Traza.
Estadístico de la TRAZA para la
hipótesis nula:
𝑘
𝑄𝑟 = −𝑇 ෍ log(1 − λ𝑖 )
𝑖=𝑟+1
CONCLUSION: 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)
SERIES TEMPORALES

6. Cointegración
C. El método de Johansen: Prueba del Máximo Eigenvalue
La prueba del Máximo Eigenvalue prueba la hipótesis nula de que el
rango de cointegración es igual a r=0 en contra de la hipótesis alternativa
de que el rango de cointegración es igual a r+1.
Los resultados de la prueba se muestran en la figura adjunta.
CONCLUSIÓN La prueba de Maximun
Eigenvalue indica la existencia de una
sola ecuación de cointegración tanto al
5% como al 1%, respectivamente
(22.96>15,67 y 20.20). De estos
resultados se concluye que existe un
solo vector o relación de cointegración.
SERIES TEMPORALES

6. Cointegración
6.2 Ecuación de integración:
Debajo de los resultados de la prueba de cointegración se muestran los
estimados de los vectores o relaciones de cointegración. El vector de
cointegración no está identificado, a menos que Ud. imponga alguna
normalización arbitraria.
Eviews adopta una normalización tal
que el primer r de la serie en el vector
sea normalizado como una matriz
identidad.
La relación de cointegración
normalizada suponiendo una relación
de cointegración r=1 ase muestra en el
gráfico adjunto:
SERIES TEMPORALES

6. Cointegración
6.2 Ecuación de integración:
Los números entre paréntesis debajo de los coeficientes estimados son los
errores estándar asintóticos. Algunos coeficientes normalizados se
muestran sin su correspondiente error estándar, tal es el caso del
coeficiente que ha sido normalizado a 1.0
La apariencia de la relación de
cointegración normalizada depende de
la forma como se hayan ordenado las
variables endógenas en el VAR. Así
por ejemplo, si se desea un coeficiente
uno en la serie IPD, deberán de
colocar dicha serie de primero en el
VAR.
SERIES TEMPORALES

6. Cointegración
6.2 Ecuación de integración: Cómo se normalizaron los coeficientes
Eviews se basó en los coeficientes de cointegración no restringidos, los
cuales se muestran inmediatamente debajo de la prueba del Máximo
EigenValue, para realizar la normalización.
Dichos coeficiente se muestran nuevamente por conveniencia:
La normalización consiste en convertir
un vector dado en otro proporcional a
él con módulo 1. Esto se obtiene
dividiendo el módulo entre él mismo.

SERIES TEMPORALES

6. Cointegración
6.2 Ecuación de integración: Cómo se normalizaron los coeficientes
Siguiendo con lo que es tradicional en la Literatura de la Cointegración
multipliquen el vector normalizado por -1 y reordenen los términos de tal
manera que el vector se interprete como una función de consumo, es
decir:
𝐺𝐶𝑃 = −550.6843 + 1.01000𝐼𝑃𝐷
2226.864 (0.07903)
Observe que la pendiente de la función
de consumo es positiva y significativa,
tal y como lo postula la teoría
económica. Los errores estándar se
muestran dentro de paréntesis.

SERIES TEMPORALES

6. Cointegración
6.2 El modelo de corrección de errores
Si las series son cointegradas se puede utilizar el modelo de corrección de
errores. En el ejemplo anterior, el modelo de corrección de errores toma la
siguiente forma:
∆𝑌𝑡 = 𝛼 + 𝛽1 ∆𝑋1,𝑡 + 𝛽2 ∆𝑋2,𝑡 + 𝛽3 (𝑌𝑡−1 − 𝛾 − 𝛿1 𝑋1,𝑡−1 − 𝛿2 𝑋2,𝑡−2 )
Si existe un vector de cointegración, (1, −𝛾, −𝛿1 , −𝛿2 ), implicará que el
término entre paréntesis es estacionario y, por lo tanto, la última ecuación
puede ser adecuadamente estimada y, también, será posible realizar
inferencia sobre los coeficientes estimados. Se advierte, además, que
(𝛿1 , 𝛿2 ) representan las relaciones de largo plazo entre las variables 𝑌 y
las variables 𝑋1 𝑦 𝑋2 , respectivamente.

SERIES TEMPORALES

6. Cointegración
El coeficiente 𝛽3 es conocido como la velocidad de ajuste del modelo. El
término entre paréntesis es conocido como «corrección de errores»
porque es un ajuste al valor de equilibrio de 𝑌𝑡 dados los errores del
periodo previo (𝑌𝑡−1 − 𝛾 − 𝛿1 𝑋1,𝑡−1 − 𝛿2 𝑋2,𝑡−2 ). Se percibe que los
elementos entre paréntesis están rezagados un periodo.

CONTINUARÁ…
GRACIAS
POR SU
ATENCION

07 Series Temporales

Cargado por

Información del documento

Título original

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

07 Series Temporales

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL

“SANTIAGO ANTUNEZ DE MAYOLO”

Facultad de Economía y Contabilidad

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

En esta parte estudiamos los modelos de series de tiempo. Estos modelos

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

Pero en ciencias no experimentales como la economía, el investigador

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

Hemos mencionado que uno de los dos tipos importantes de información

Esta situación ejemplifica el problema de la regresión espuria, o

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

Es necesario advertir que el análisis de las series de tiempo es muy

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

1. Proceso estocástico o proceso aleatorio. Un proceso estocástico o

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

Considere los datos que se presentan en la siguiente diapositiva. Si Y

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

La cifra 2872.8 miles de millones de dólares es una realización

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

Eduardo Court y Erick Rengifo («Estadísticas y econometría financiera»; Edit.

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

Reforzando lo anterior, Alfonso Novales en su texto «Econometría» (Edit.

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

2. Estacionariedad: La estacionariedad, en síntesis, significa que todas

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

2.1 Estacionariedad estricta: Un proceso estocástico 𝑌𝑖 con i=1, 2,…T

2.2 Estacionariedad débil. Un proceso estocástico 𝑌𝑖 con i=1, 2,…T

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

En otras palabras, suponiendo que el origen de Y se desplaza de 𝑌𝑡 a

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

En resumen, si una serie de tiempo es estacionaria, su media, su

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

La importancia de las series de tiempo estacionarias radica en que si es

Recordará que supusimos que el término de error ut que entra en el

En general, si el proceso comenzó en el tiempo 0 con un valor de 𝑌0 ,

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

Las expresiones anteriores revelan que la media de Y es igual a su valor

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

Si expresamos 𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡 como:

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

Si el modelo incluye uno o más valores rezagados de la variable

El papel del tiempo o rezago en economía

2. Razones tecnológicas. Suponga que se reduce el precio del capital

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

2. Razones institucionales. Estas razones también contribuyen a los

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

Por estas razones, el rezago desempeña un papel central en economía.

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

Modelos de medias móviles MA(q)

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

4.2 Caminata aleatoria con deriva

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

Se puede demostrar que para para el modelo de caminata aleatoria con

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

PROCESO ESTOCASTICO DE RAIZ UNITARIA

Escribimos el MCA 𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡 como:

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

PROCESO DE ESTOCASTICO DE RAIZ UNITARIA

Una observación técnica: si ρ = 1, nuestra ecuación se expresa como

ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA

PROCESOS ESTOCASTICOS ESTACIONARIOS EN

PROCESOS ESTOCASTICOS ESTACIONARIOS EN