Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Raíces+Un
Raíces+Un
a
M
i
l
l
o
n
e
s
d
e
d
l
a
r
e
s
a
p
r
e
c
i
o
s
d
e
2
0
0
0
Entonces, Y
t
puede dividirse en un componente tendencial que incluye los
movimientos regulares de largo plazo y un componente cclico representado por las
desviaciones temporales de las tendencias de largo:
(1) o Y
t
= T
t
+ C
t
Donde Y
t
es una serie observable, Y
P
t
es una tendencia o seal y Y
C
t
es el ruido que
se asocia al comportamiento cclico.
Los movimientos de largo plazo incluyen una tendencia que indican la presencia de un
comportamiento no estacionario:
- Determinstica (TD
t
- trend series process TSP-): es completamente
predecible, pero sobredimensionan la magnitud del ciclo y reducen la
importancia de la tendencia.
- Estocstica (TS
t
- differenciate series process DSP-):Dificil de predecir pero no
sobredimensionan la magnitud del ciclo y no reducen la importancia de la
tendencia.
(2)
Formas funcionales:
Los parmetros que determinan la tendencia no cambian en el tiempo.
Tendencia estocstica
(difcil de predecir)
Tendencia determinstica
(completamente predecible ya
que los valores fluctan
alrededor de la tendencia)
EJEMPLO DE TENDENCIA ESTACIONARIA
(TS) Y DIFERENCIA ESTACIONARIA (DS)
Modelo de Tendencia Lineal
Este modelo se puede especificar como:
t 1 0 t
u t
y + + =
En donde:
- Existe tendencia lineal cuando
<
>
=
e decrecient lineal tendencia 0
1
1
1
- No existe tendencia lineal cuando 0
1
=
FORMAS FUNCIONALES.
Los parmetros que determinan la tendencia no cambian en el tiempo.
Modelos:
Tendencia lineal
Tendencia cuadrtica
Tendencia exponencial
Modelo de Tendencia Cuadrtica
En el caso de este tipo de modelo se puede especificar como:
t
2
2 1 0 t
u t
y + + + =
En donde:
- Existe tendencia cuadrtica cuando
=
=
0
1
2
- No existe tendencia cuadrtica cuando 0
2
=
- No existe tendencia cuando 0
2 1
= =
- La definicin de la tendencia cuadrtica depende de
2
- La definicin de la tendencia depende de
1
y
2
Modelo de Tendencia Exponencial
Para esta clase de tendencia el modelo es:
t 1
u t
0 t
e
y
+
+ =
Aplicando logaritmos naturales la ecuacin cambia a la siguiente forma:
t 1 0 t
u t
ln( ) ln(y + + =
En donde:
- Existe tendencia exponencial cuando
=
=
0
1
0
No existe tendencia exponencial si 0
1
=
Los componentes tendencia y ciclo estn relacionados.
Ciclo (econmico):
Fluctuaciones recurrentes que se presentan en la actividad real respecto a una
tendencia, es decir estas fluctuaciones se definen como las desviaciones con respecto
la trayectoria suavizada (tendencia) de la serie. El ciclo se determina de la siguiente
manera:
(3) o C
t
= Y
t
- T
t
Filtro Hodrick Prescott
Entonces el filtro Hodrick-Prescott se representa como estimacin lineal donde la
tendencia es la que minimiza la siguiente ecuacin:
(4)
Donde:
(a) = medida de grado de ajuste
(b) = medida de grado de suavidad
= es un nmero positivo que penaliza la variabilidad en el componente de
crecimiento de las series, es decir, controla la aceleracin en el componente de
tendencia
Si (a) y (b) iid ~ N(0, o)
Entonces:
- Entre mas pequeo es mas suave es la tendencia
- Si = 0 entonces T = Y
t
lo cual equivale a que C
t
= 0
- Si entonces representa la mxima ciclicidad posible debido a que T
t
es
lineal y o
2
= 0
El grado de suavidad depende del nivel de variabilidad de la serie original.
El filtro HPpara datos anuales utiliza, normalmente el parmetro entre 5 y 10 (Mills,
2003).
EJEMPLO MODELOS DE TENDENCIAS APLICADOS SOBRE SERIE DE TEMPERATURA
PROMEDIO PARA ARGENTINA
EJEMPLO: Filtro HP y ciclo del PIB real de Mxico (miles de millones de pesos a
precios de 2003)
-400
-200
0
200
400
0
2,000
4,000
6,000
8,000
10,000
1950 1960 1970 1980 1990 2000 2010
Observado Filtro HP Ciclo
Ejemplos de otros Filtros
Pruebas de Races Unitarias
Proceso estocstico
Sucesin de variables aleatorias (variables que toman cualquier valor) con una
funcin de probabilidad asignada que es identificada por los parmetros de la
funcin a travs de la media y ala varianza del proceso estocstico.
Si un proceso estocstico tiene un elemento en cada periodo de tiempo
entonces la realizacin de este proceso genera una serie de tiempo (secuencia
de elementos)
Comportamiento de las series de tiempo
(1) Camino aleatorio (random walk): Proceso autorregresivo donde el valor
actual depende de su valor anterior (rezago) ms un termino de error
(disturbio). La media regularmente es cero y varianza cambiante.
(2) Estacionario (white noise - ruido blanco): Proceso con media igual a cero y
varianza constante (no cambian en el tiempo).
Entonces un proceso autorregresivo se representa de la siguiente manera:
x
t
= |x
t-1
+ c
t
Por lo tanto, el parmetro | puede tener los
siguientes valores:
Si ||| < 1, la media E(x
t
) = 0 y la varianza (x
t
) =
o
2
es constante, la serie se comporta como un
proceso estacionario y est representado de la
siguiente forma: x
t
= |x
t-1
+ c
t
Si ||| = 1, la media E(x
t
) = 0 pero la varianza
(x
t
) = o
2
T cambia en el tiempo, la serie se
denomina como proceso no estacionario o
camino aleatorio y esta representado como: x
t
=
x
t-1
+ c
t
800
1,000
1,200
1,400
1,600
1,800
2,000
1980 1985 1990 1995 2000 2005
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
1980 1985 1990 1995 2000
Cmo se puede comprobar si las series son caminos aleatorios o
estacionarias?
(1) Anlisis grfico
(2) Pruebas de races unitarias
Las races unitarias pertenecen al conjunto de las races caractersticas (diferentes,
idnticas, complejas) de las ecuaciones diferenciales lineales que solucionan dichas
ecuaciones hacia la convergencia a un punto de equilibrio o que sean explosivas
en el tiempo.
Entonces:
Si r < 0 Lim te
rt
0 El equilibrio va a ser estable o converge
t
Si r > 0 Lim te
rt
t
El equilibrio no es estable, es explosivo o no
converge al equilibrio
Si r = 1 Lim te
rt
t
Entonces para comprobar si existen races unitarias que puedan generar el caso donde la
serie es camino aleatorio se aplica la siguiente solucin que busca probar que ||| < 1
para que sea la serie estacionaria:
(1) y
t
= |
0
+ |
1
t + u
t
(2) y
t-1
= |
0
+ |
1
(t-1) + u
t-1
(3) y
t
- y
t-1
= |
0
+ |
1
t + u
t
- |
0
- |
1
t +|
1
- u
t-1
(4) Ay
t
= |
1
+ (u
t
- u
t-1
)
(5) y
t
- y
t-1
= |
1
+ c
t
(6) y
t
= |
1
+ y
t-1
+ c
t
donde: |
1
es el parmetro de la variable tiempo entonces:
(7) y
t
= |
1
+ |y
t-1
+ c
t
Por lo tanto:
Si | < 1 existe un proceso convergente el lmite tiende a cero
Si | > 1 existe un proceso divergente el lmite tiende al infinito
Si | = 1 existe un proceso no convergente el lmite tiende al infinito (lmite no
definido)
Si | = 1 existe un punto de equilibrio
Si | = 1 No existe un punto de equilibrio
De acuerdo con lo anterior la Prueba de Dickey Fuller (DF) se
especifica de la siguiente manera:
(1) y
t
y
t-1
= |
1
+ |y
t-1
y
t-1
+ c
t
(2) Ay
t
= |
1
+ (| -1)y
t-1
+ c
t
(3) Ay
t
= |
1
+ oy
t-1
+ c
t
Donde o = (| - 1)
Por lo tanto:
Si o = 0 H
o
: o = 0 hay raz unitaria por lo que la serie es
camino aleatorio
Si o = 0 H
a
: o < 0 no hay raz unitaria entonces la serie es
estacionaria
La prueba DF se puede transformar en la Prueba Dickey Fuller Aumentada
(ADF) para poder corregir los problemas de autocorrelacin y se agrega el
componente de tendencia:
Donde:
o= (| - 1)
H
o
: | = 1 la serie es no
estacionaria (prob. > 0.05)
H
a
: | < 1 la serie es estacionaria
(prob. < 0.05)
Por lo tanto:
Si o = 0 H
o
: o = 0 hay raz
unitaria por lo que la serie es camino
aleatorio
Si o = 0 H
a
: o < 0 no hay raz
unitaria entonces la serie es
estacionaria
Tipos de modelos que se pueden estimar con ADF
(tambin con PP):
Prueba Dickey Fuller Aumentada con constante
y con tendencia (Modelo A):
Ax
t
= |
0
+ oT+ ox
t-1
+
k
i=1
|
i
Ax
t-1
+ c
t
Prueba Dickey Fuller Aumentada con constante
(Modelo B):
Ax
t
= |
0
+ ox
t-1
+
k
i=1
|
i
Ax
t-1
+ c
t
Prueba Dickey Fuller Aumentada sin constante y
sin tendencia (Modelo C):
Ax
t
= ox
t-1
+
k
i=1
|
i
Ax
t-1
+ c
t
Los modelos se pueden estimar en niveles,
primeras y segundas diferencias
=
+ + + + =
p
1 i
t i t i 1 t 0 t
e y y T y
Orden de integracin:
Es el nmero de veces que debe aplicarse la diferencia para que
la serie sea estacionaria
Si es estacionaria en niveles (x
t
) el orden de integracin es I(0)
Si es estacionaria aplicando la primera diferencia (Ax
t
) es no
estacionaria de orden de integracin I(1)
Si les estacionaria slo cuando se aplica la segunda diferencia
(AAx
t
) el orden de integracin es I(2)
Null Hypothesis: LY has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=5)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 0.291892 0.9730
Test critical values: 1% level -3.724070
5% level -2.986225
10% level -2.632604
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LY)
Method: Least Squares
Date: 03/01/12 Time: 18:49
Sample (adjusted): 1984 2008
Included observations: 25 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
LY(-1) 0.008265 0.028316 0.291892 0.7730
C -0.102301 0.442561 -0.231156 0.8192
R-squared 0.003691 Mean dependent var 0.026868
Adjusted R-squared -0.039627 S.D. dependent var 0.028596
S.E. of regression 0.029157 Akaike info criterion -4.155624
Sum squared resid 0.019553 Schwarz criterion -4.058114
Log likelihood 53.94531 Hannan-Quinn criter. -4.128579
F-statistic 0.085201 Durbin-Watson stat 2.026004
Prob(F-statistic) 0.772986
EJEMPLO DE PRUEBA ADF:
Aplicar la prueba ADF a la serie del PIB a un modelo de tipo B (con Intercepto) en
niveles.
HIPTESIS NULA (Ho) DE LA PRUEBA ADF:
EXISTE RAZ UNITARIA
Si el estadstico t del autoregresivo es ms
negativo que el valor crtico de McKinnon se
rechaza Ho (la probabilidad de estadstico t
debe ser menor a 0.05)
En el ejemplo:
t = 0.291 vs. VC 5%: -2.988 SE ACEPTA Ho.
POR LO TANTO, EXISTE RAZ UNITARIA, PARA
LO CUAL SE DEBE ESTIMAR NUEVAMENTE LA
PRUEBA EN PRIMERAS DIFERENCIAS
Nota: La cantidad de rezagos ptimos se calcula
mediante los criterios de informacin o la
periodicidad (esta ultima no es muy recomendable).
Null Hypothesis: D(LY) has a unit root
Exogenous: Constant
Lag Length: 4 (Automatic - based on SIC, maxlag=5)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -5.211715 0.0005
Test critical values: 1% level -3.808546
5% level -3.020686
10% level -2.650413
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LY,2)
Method: Least Squares
Date: 03/01/12 Time: 19:00
Sample (adjusted): 1989 2008
Included observations: 20 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(LY(-1)) -2.749184 0.527501 -5.211715 0.0001
D(LY(-1),2) 1.403612 0.423645 3.313181 0.0051
D(LY(-2),2) 1.116514 0.337928 3.303997 0.0052
D(LY(-3),2) 0.873113 0.273664 3.190454 0.0065
D(LY(-4),2) 0.549020 0.189794 2.892710 0.0118
C 0.078662 0.015678 5.017200 0.0002
R-squared 0.759230 Mean dependent var 3.18E-05
Adjusted R-squared 0.673241 S.D. dependent var 0.042291
S.E. of regression 0.024174 Akaike info criterion -4.363712
Sum squared resid 0.008182 Schwarz criterion -4.064992
Log likelihood 49.63712 Hannan-Quinn criter. -4.305399
F-statistic 8.829357 Durbin-Watson stat 2.361010
Prob(F-statistic) 0.000586
EJEMPLO DE PRUEBA ADF:
Serie del PIB, modelo de tipo B en primeras diferencias.
HIPTESIS NULA (Ho) DE LA PRUEBA ADF:
EXISTE RAZ UNITARIA
t = -5.211 vs. VC 5%: -3.020 SE RECHAZA
Ho.
POR LO TANTO, NO EXISTE RAZ UNITARIA, LA
SERIE SE VUELVE ESTACIONARIA APLICANDO
LA PRIMERA DIFERENCIA POR LO TANTO SU
ORDEN DE INTEGRACIN ES I(1)
PRUEBA PHILLIPS-PERRON (PP)
Se basa en la regresin utilizada por ADF pero propone un mtodo alternativo para eliminar la
autocorrelacin en una prueba de races unitarias.
Estima una ecuacin Dickey Fuller Aumentada y verifica que el t-estadstico del valor o no
presente autocorrelacin y no afecte la distribucin asinttica del t estadstico, y por lo tanto
se basa en el siguiente estadstico:
En donde o es el estimador y t
o
es el ratio de o, se(o) es el error estndar, s es el error
estndar de la estimacin,
o
es el error de la varianza del estimador consistente y f
o
es un
estimador del residual de una frecuencia espectral (informacin en las frecuencias) en cero.
PP tambin tiene como hiptesis nula la existencia de raz unitaria en la serie, y para
comprobarlo se podrn utilizar los valores crticos de McKinnon para comparar los valores del
t- estadstico.
En conseciencia la hiptesis nula es similar a la de ADF y se busca tambin rechazar la
existencia de raz unitaria en la serie
EJEMPLO DE PRUEBA PP:
Aplicar la prueba PP a la serie del PIB a un modelo de tipo B (con Intercepto) en niveles.
HIPTESIS NULA (Ho) DE LA PRUEBA PP:
EXISTE RAZ UNITARIA
Si el estadstico t del autoregresivo es ms
negativo que el valor crtico de McKinnon se
rechaza Ho (la probabilidad de estadstico t
debe ser menor a 0.05)
En el ejemplo:
t = 0.405 vs. VC 5%: -2.986 SE ACEPTA Ho.
POR LO TANTO, EXISTE RAZ UNITARIA, PARA
LO CUAL SE DEBE ESTIMAR NUEVAMENTE LA
PRUEBA EN PRIMERAS DIFERENCIAS
Nota: La cantidad de rezagos ptimos se calcula con
la raz cbica del nmero de observaciones o
mediante los criterios de informacin.
Null Hypothesis: LY has a unit root
Exogenous: Constant
Bandwidth: 3 (Used-specified) using Bartlett kernel
Adj. t-Stat Prob.*
Phillips-Perron test statistic 0.405177 0.9791
Test critical values: 1% level -3.724070
5% level -2.986225
10% level -2.632604
*MacKinnon (1996) one-sided p-values.
Residual variance (no correction) 0.000782
HAC corrected variance (Bartlett kernel) 0.000622
Phillips-Perron Test Equation
Dependent Variable: D(LY)
Method: Least Squares
Date: 03/01/12 Time: 20:16
Sample (adjusted): 1984 2008
Included observations: 25 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
LY(-1) 0.008265 0.028316 0.291892 0.7730
C -0.102301 0.442561 -0.231156 0.8192
R-squared 0.003691 Mean dependent var 0.026868
Adjusted R-squared -0.039627 S.D. dependent var 0.028596
S.E. of regression 0.029157 Akaike info criterion -4.155624
Sum squared resid 0.019553 Schwarz criterion -4.058114
Log likelihood 53.94531 Hannan-Quinn criter. -4.128579
F-statistic 0.085201 Durbin-Watson stat 2.026004
Prob(F-statistic) 0.772986
EJEMPLO DE PRUEBA PP:
Serie del PIB, modelo de tipo B en primeras diferencias.
HIPTESIS NULA (Ho) DE LA PRUEBA PP:
EXISTE RAZ UNITARIA
t = -4.699 vs. VC 5%: -2.991 SE RECHAZA
Ho.
POR LO TANTO, NO EXISTE RAZ UNITARIA, LA
SERIE SE VUELVE ESTACIONARIA APLICANDO
LA PRIMERA DIFERENCIA POR LO TANTO SU
ORDEN DE INTEGRACIN ES I(1)
Null Hypothesis: D(LY) has a unit root
Exogenous: Constant
Bandwidth: 3 (Used-specified) using Bartlett kernel
Adj. t-Stat Prob.*
Phillips-Perron test statistic -4.699666 0.0011
Test critical values: 1% level -3.737853
5% level -2.991878
10% level -2.635542
*MacKinnon (1996) one-sided p-values.
Residual variance (no correction) 0.000816
HAC corrected variance (Bartlett kernel) 0.000709
Phillips-Perron Test Equation
Dependent Variable: D(LY,2)
Method: Least Squares
Date: 03/01/12 Time: 20:19
Sample (adjusted): 1985 2008
Included observations: 24 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(LY(-1)) -1.006362 0.213979 -4.703086 0.0001
C 0.026765 0.008458 3.164599 0.0045
R-squared 0.501349 Mean dependent var -0.000840
Adjusted R-squared 0.478683 S.D. dependent var 0.041317
S.E. of regression 0.029832 Akaike info criterion -4.106843
Sum squared resid 0.019578 Schwarz criterion -4.008672
Log likelihood 51.28212 Hannan-Quinn criter. -4.080798
F-statistic 22.11902 Durbin-Watson stat 1.987227
Prob(F-statistic) 0.000108
PRUEBA KWIATKOWSKI, PHILLIPS, SMITH Y SHIN (KPSS)
En esta prueba la serie y
t
tiene como hiptesis nula H
o
: p < 1 donde la serie es
estacionaria y como hiptesis alternativa H
o
: p = 1. Esta prueba est basada en
una regresin de MCO donde se involucra a la variable y
t
en funcin de las
variables exgenas x
t
: y
t
= x
t
o + u
t
Los residuales u
t
estimados estn definidos como: u
t
= y
t
x
t
o(0) y en
consecuencia el parmetro o es estimado mediante Mnimos Cuadrados
Generalizados (MCG).
Por lo tanto, se busca rechazar la hiptesis nula, es decir, rechazar que es
estacionaria mediante la comparacin del estadstico reportado en la prueba y
las tablas con valores crticos.
Se estiman 2 modelos:
(1) Modelo
incluye intercepto
(1) Modelo