Está en la página 1de 23

Prueba de Raíz Unitaria

Test de Dickey Fuller


• Con el fin de determinar las propiedades
de estacionariedad de las series se
pueden utilizar distintos procedimientos:
el Test de Dickey Fuller (DF), el Test de
Dickey Fuller Aumentado (ADF)
• Si partimos del modelo Xt = Xt-1 + ut
• Donde -1≤≤
• Si estamos en el caso de raíz unitaria
• El test de Dickey-Fuller (DF) se basa en la
siguiente regresión:
 Xt = Xt-1 + ut
• Donde 
• La hipótesis testeada es H0: Xt no es I(0),
contra H1: Xt es I(0).
• Ho se rechaza si el estimador de  es negativo y
significativamente diferente de cero.
• Si  0 , entonces
 Xt = ut
• Entonces las primeras diferencias son
estacionarias
• Pero la serie no es estacionaria (=1)
• Se estima la regresión y se hace un test sobre la
significación del 
• La H0 es 
• La prueba DF se estima en diferentes
formas
• Random walk
• Random walk con drift
• Random walk con drift y tendencia
Ejemplo: GDP – USA 70-91
Null Hypothesis: GDP has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=0)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 5.798077 1.0000


Test critical values: 1% level -2.591813
5% level -1.944574
10% level -1.614315

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(GDP)
Method: Least Squares
Date: 05/30/07 Time: 15:42
Sample (adjusted): 1970Q2 1991Q4
Included observations: 87 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

GDP(-1) 0.005765 0.000994 5.798077 0.0000

R-squared -0.015192 Mean dependent var 22.93333


Adjusted R-squared -0.015192 S.D. dependent var 35.93448
S.E. of regression 36.20640 Akaike info criterion 10.02778
Sum squared resid 112737.7 Schwarz criterion 10.05612
Log likelihood -435.2083 Durbin-Watson stat 1.340574
• En el modelo RW el estimador de delta es
positivo (se descarta porque la serie seria
explosiva)
• En los otros dos modelos no se rechaza la
H0
• La serie GDP es no estacionaria: tiene
raíz unitaria
Null Hypothesis: GDP has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=0)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -0.219165 0.9310


Test critical values: 1% level -3.507394
5% level -2.895109
10% level -2.584738

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(GDP)
Method: Least Squares
Date: 05/30/07 Time: 15:45
Sample (adjusted): 1970Q2 1991Q4
Included observations: 87 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

GDP(-1) -0.001368 0.006242 -0.219165 0.8270


C 28.20542 24.36532 1.157605 0.2503

R-squared 0.000565 Mean dependent var 22.93333


Adjusted R-squared -0.011193 S.D. dependent var 35.93448
S.E. of regression 36.13503 Akaike info criterion 10.03512
Sum squared resid 110987.9 Schwarz criterion 10.09181
Log likelihood -434.5278 F-statistic 0.048033
Durbin-Watson stat 1.351998 Prob(F-statistic) 0.827047
Null Hypothesis: GDP has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=0)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.625296 0.7750


Test critical values: 1% level -4.066981
5% level -3.462292
10% level -3.157475

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(GDP)
Method: Least Squares
Date: 05/30/07 Time: 15:46
Sample (adjusted): 1970Q2 1991Q4
Included observations: 87 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

GDP(-1) -0.060317 0.037111 -1.625296 0.1078


C 190.3837 103.5257 1.838999 0.0694
@TREND(1970Q1) 1.477641 0.917244 1.610958 0.1109

R-squared 0.030517 Mean dependent var 22.93333


Adjusted R-squared 0.007434 S.D. dependent var 35.93448
S.E. of regression 35.80066 Akaike info criterion 10.02768
Sum squared resid 107661.7 Schwarz criterion 10.11272
Log likelihood -433.2042 F-statistic 1.322060
Durbin-Watson stat 1.314680 Prob(F-statistic) 0.272075
• Una forma complementaria de diagnóstico es el
exámen gráfico y de los correlogramas
• El correlograma muestral ilustra la razón entre la
covarianza al rezago k y la varianza muestral
con respecto al rezago k
• Las autocorrelaciones de una serie ruido blanco
oscilan alrededor de cero
• En el caso de RW los coeficientes son altos y
descienden muy lentamente
• El estadístico Q de Ljung-Box prueba la
hipótesis conjunta de que todos los
coeficientes de autocorrelación son cero
• Se distribuye como una con m grados de
libertad (m=longitud del rezago)
5200

4800

4400

4000

3600

3200

2800
70 72 74 76 78 80 82 84 86 88 90

GDP
Date: 05/30/07 Time: 15:52
Sample: 1970Q1 1991Q4
Included observations: 88

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

. |*******| . |*******| 1 0.969 0.969 85.462 0.000


. |*******| .*| . | 2 0.935 -0.058 166.02 0.000
. |*******| .|. | 3 0.901 -0.020 241.72 0.000
. |*******| .|. | 4 0.866 -0.045 312.39 0.000
. |****** | .|. | 5 0.830 -0.024 378.10 0.000
. |****** | .*| . | 6 0.791 -0.062 438.57 0.000
. |****** | .|. | 7 0.752 -0.029 493.85 0.000
. |***** | .|. | 8 0.713 -0.024 544.11 0.000
. |***** | .|. | 9 0.675 0.009 589.77 0.000
. |***** | .|. | 10 0.638 -0.010 631.12 0.000
. |***** | .|. | 11 0.601 -0.020 668.33 0.000
. |**** | .|. | 12 0.565 -0.012 701.65 0.000
. |**** | .|. | 13 0.532 0.020 731.56 0.000
. |**** | .|. | 14 0.500 -0.012 758.29 0.000
. |**** | .|. | 15 0.468 -0.021 782.02 0.000
. |*** | .|. | 16 0.437 -0.001 803.03 0.000
. |*** | .|. | 17 0.405 -0.041 821.35 0.000
. |*** | .|. | 18 0.375 -0.005 837.24 0.000
. |*** | .|. | 19 0.344 -0.038 850.79 0.000
. |** | .|. | 20 0.313 -0.017 862.17 0.000
. |** | .*| . | 21 0.279 -0.066 871.39 0.000
. |** | .|. | 22 0.246 -0.019 878.65 0.000
. |** | .|. | 23 0.214 -0.008 884.22 0.000
. |*. | .|. | 24 0.182 -0.018 888.31 0.000
. |*. | .|. | 25 0.153 0.017 891.25 0.000
. |*. | .|. | 26 0.123 -0.024 893.19 0.000
. |*. | .|. | 27 0.095 -0.007 894.38 0.000
. |*. | .|. | 28 0.068 -0.012 894.99 0.000
.|. | .|. | 29 0.043 -0.007 895.24 0.000
.|. | .|. | 30 0.019 -0.005 895.29 0.000
.|. | .|. | 31 -0.003 -0.002 895.29 0.000
.|. | .|. | 32 -0.026 -0.028 895.38 0.000
.|. | .|. | 33 -0.046 0.007 895.69 0.000
.*| . | .|. | 34 -0.061 0.047 896.24 0.000
.*| . | .|. | 35 -0.075 0.004 897.08 0.000
.*| . | .|. | 36 -0.085 0.037 898.18 0.000
El test de Dickey Fuller Aumentado
(ADF)
• En el DF se supone que el ut no está
autocorrelacionado
• El ADF contempla esta posibilidad
• Se adiciona al DF los valores rezagados
de la variable dependiente
Xt = 1 +2 t + Xt-1 + i=1i Xt-i + ut

• La Ho es idéntica al DF
Cointegración: introducción
• Regresión de una serie de tiempo con raíz
unitaria sobre otra serie de tiempo con raíz
unitaria
• Puede llevar a “regresión espuria”.
• Dos series no estacionarias no correlacionadas
pueden tener una relación que aparece
significativa en una regresión
• Esto puede persistir aun en muestras grandes
• Gran R2 y bajo DW (R2 >DW)
• Si se diferencian las series la correlación
(espuria) desaparece

• Sin embargo puede que dos series I(1) resulten
en una combinación lineal I(0)
• La combinación lineal puede cancelar las
tendencias estocásticas y resulta en una serie
estacionaria
• En estos casos las series están cointegradas
• En términos económicos dos varibables serán
cointegradas si existe una relación de largo
plazo o de equilibrio entre ambas
• Si los residuos son estacionarios la
metodología tradicional de OLS es
aplicable
• Ejemplo:
• Gasto en consumo personal contra Ingreso
disponible
• PCEt = PDIt + ut
• Se puede expresar
• ut = PCEt - PDIt
• Se somete el ut estimado a un test de raíz
unitaria
• Si es I(0) la regresión de consumo contra
ingreso sería cointegrada
• Existe una relación de equilibrio o largo
plazo

• Ver archivo COINT_EJ_1


Mecanismo de Corrección de
Errores y Cointegración
• Si hay una relación de LP puede que en el
CP haya desequilibrios
• El ut puede ser pensado como el “error de
equilibrio”
• Se puede utilizar para vincular el
comportamiento del consumo en el CP
con su valor de LP
• El MCE corrige el desequilibrio
• Consideremos el modelo
 PCEt = PDIt + 2ut-1 + t

• El cambio en consumo depende del cambio en ingreso y


tambien del termino de error de equilibrio
• Si este es distinto de cero entonces el modelo no está en
equilibrio
• Si el cambio en ingreso es cero y el ut-1 es positivo ,
entonces el consumo es demasiado alto
• Se espera que alfa 2 sea negativa, entonces el cambio en
el consumo será negativo para restaurar el equilibrio
• Si el PCE está por encima de de su valor de
equilibrio comenzará a disminuir en el siguiente
período para corregir el error de equilibrio (MCE)
• En el caso del ejemplo la estimación de la
ecuación MCE muestra que el error de equilibrio
es cero lo que sugiere que el consumo se ajusta
a los cambios en el ingreso en el mismo
período.
• Los coeficientes de la ecuación de MCE se
pueden interpretar como de corto plazo
• Ejemplo 2 (coint_ej_2.wf1)
• Cointegración de tasas de bonos del
tesoro a 3 y 6 meses
• Se puede esperar que las tasas estén
cointegradas, de otra manera , si hay
diferencias sistemáticas los operadores
aprovecharían cualquier discrepancia
entre corto y largo plazo
• 1. Analizar si las dos series son
estacionarias
• 2. Analizar el orden de integración
• 3. Regresar la relación de LP tasas a 6
meses contra 3 meses (no implica
causalidad)
• 4. Analizar si los residuales son
estacionarioas
• 5. Estimar el MCE

También podría gustarte