En el ao 2003 el Premio Nobel de Economa 1 fue otorgado conjuntamente a dos distinguidos especialistas en econometra: Profesor Robert F.

Engle'' para los mtodos de anlisis de series temporales econmicas con volatilidad variable en el tiempo (ARCH)'' y profesor Clive WJ Granger'' para los mtodos de anlisis de series temporales con tendencias comunes (cointegracin).'' El objetivo de este y los siguientes dos captulos es discutir el fondo que impuls estas contribuciones, y para mostrar cmo los mtodos propuestos han revolucionado la forma en que llevamos a cabo con la econometra de series de tiempo datos. El anlisis de los datos de series de tiempo es de vital inters para muchos grupos, como los macroeconomistas estudian el comportamiento de las economas nacionales e internacionales, economistas financieros que analizan el mercado de valores, y los economistas agrcolas predicen oferta y la demanda de los productos agrcolas. Por ejemplo, si estamos interesados en la previsin de crecimiento del producto interno bruto o la inflacin, nos fijamos en los distintos indicadores de desempeo econmico y consideramos que su comportamiento en los ltimos aos. Alternativamente, si estamos interesados en un negocio particular, se analiza la historia de la industria en un intento de predecir el potencial de ventas. En cada uno de estos casos, estamos analizando los datos de series de tiempo. Ya hemos trabajado con datos de series temporales en el captulo 9 y hemos descubierto cmo los modelos de regresin de estos datos a menudo tienen caractersticas especiales diseadas para captar su naturaleza dinmica. Vimos cmo incluidos los valores rezagados de la variable dependiente o variables explicativas como regresores, o teniendo en cuenta los rezagos en los errores, se pueden utilizar para modelar relaciones dinmicas. Tambin puso de manifiesto cmo los modelos autorregresivos se pueden utilizar en la prediccin. Sin embargo, un supuesto importante mantener todo el captulo 9 es que las variables tienen una propiedad llamada estacionalidad. Ahora es el momento de aprender la diferencia entre fijo y las variables no estacionarias. Muchas variables econmicas son no estacionarias y, como usted aprender, las consecuencias de las variables no estacionarias para el modelado de regresin son profundas. El objetivo de este captulo es describir cmo estimar modelos de regresin que implican las variables no estacionarias. El primer paso en esta direccin es el de examinar los conceptos de series de tiempo de la estacionalidad (y no estacionariedad) y cmo podemos distinguir entre ellos. Cointegracin es otro concepto relacionado importante que influye en nuestra eleccin de un modelo de regresin. Las contribuciones seminales de los Premios Nobel muestran que las consecuencias de no estacionariedad economtricos pueden ser muy graves, y ofrecen mtodos para superarlos. 12.1 Variables estacionarias y no estacionarias Los grficos de la serie temporal de algunas variables econmicas importantes para la economa de EE.UU. se muestran en la Figura 12.1. Los datos para estas cifras se pueden encontrar en el archivo usa.dat. Las figuras de la izquierda son el producto interno bruto real (una medida de la

produccin econmica global), la tasa de inflacin anual (una medida de los cambios en el nivel general de precios), la tasa de los fondos federales (la tasa de inters en prstamos a un da entre los bancos), y la tasa de bonos a tres aos (tasa de inters de un activo financiero que se celebrar durante tres aos). Observe cmo la variable PIB muestra un comportamiento de tendencia ascendente, mientras que la tasa de inflacin parece'' pasear arriba y abajo'' sin un patrn discernible o tendencia. Del mismo modo, tanto la tasa de fondos federales y la tasa de los bonos del espectculo'' paseando por'' conducta. Las cifras sobre el lado derecho de la figura 12.1 son los cambios de las variables correspondientes en el lado izquierdo.

El cambio en una variable es un concepto importante que se utiliza en varias ocasiones en este captulo, vale la pena detenerse en su definicin. El cambio en una variable de yt, tambin conocido como su primera diferencia, se da por Dyt = yt- yt- 1. Por lo tanto Dyt es el cambio en el valor de la variable de perodo t- 1 para el perodo t.

Las series de tiempo de los cambios en la parte derecha de la figura comportamiento de la pantalla 12.1 que se puede describir como subidas y bajadas irregulares, o fluctuaciones. Tenga en cuenta que si bien los cambios en la tasa de inflacin y los dos tipos de inters parecen fluctuar en torno a un valor constante, los cambios en la variable PIB parecen fluctuar en torno a una tendencia al alza, hasta la crisis financiera. La primera cuestin que abordamos en este captulo es: Qu serie de datos representan variables estacionarias y cules son las observaciones de las variables no estacionarias?

Formalmente, una serie yt el tiempo es estacionaria si su media y la varianza son constantes en el tiempo, y si la covarianza entre dos valores de la serie slo depende de la longitud de tiempo que separa los dos valores, y no en los tiempos reales en los que las variables se observan. Es decir, la serie de tiempo yt es estacionaria si para todos los valores, y cada perodo de tiempo, es cierto que

La primera condicin, la de una media constante, es la caracterstica que ha recibido la mayor atencin. Para apreciar esta condicin de estacionariedad, mira las parcelas que se muestran en la figura 12.1 y su muestra de medios se muestra en la Tabla 12.1. La muestra significa que los cambios en los dos tipos de inters son similares en los distintos perodos de la muestra, mientras que los medios de la muestra para las variables en los niveles originales, as como los cambios en el PIB y la inflacin, difiere entre periodos de muestreo. As, mientras que la tasa de los fondos federales, y las caractersticas de visualizacin de tipos de bonos de no estacionariedad, sus cambios se muestran las caractersticas de estacionalidad. Para la inflacin y el PIB, tanto en sus niveles y sus cambios presentan caractersticas de no estacionariedad. Series no estacionarias con medios no constantes se describe a menudo como no tiene la propiedad de reversin a la media. Eso es, serie estacionaria tiene la propiedad de reversin a la media.

En cuanto a la muestra significa de variables de series de tiempo es un indicador conveniente en cuanto a si una serie es estacionaria o no estacionaria, pero esto no constituye una prueba de hiptesis. Una prueba formal se describe en la Seccin 12.3. Sin embargo, antes de introducir la prueba, es til revisar el modelo autorregresivo de primer orden que se introdujo en el captulo 9. 12.1.1 EL modelo autorregresivo de PRIMER ORDEN Deje yt ser una variable econmica que se observa con el tiempo. De acuerdo con la mayora de las variables econmicas, suponemos que yt es aleatoria, ya que no podemos predecir perfectamente .nunca sabemos los valores de las variables aleatorias hasta que se observen. El modelo economtrico la generacin de una variable de tiempo-serie yt se llama un proceso estocstico o al azar. Una muestra de los valores observados yt se llama una realizacin particular del proceso estocstico. Es uno de los muchos caminos posibles que el proceso estocstico podra haber tomado. Modelos de series de tiempo univariadas son ejemplos de procesos estocsticos que una sola variable y se relaciona con los valores pasados de s mismo y de los trminos de error presentes y pasadas. A diferencia de los modelos de regresin, modelos de series de tiempo univariadas no contienen variables explicativas (no de x). El modelo autorregresivo de orden uno, AR (1) el modelo, es un modelo de series de tiempo univariadas til para explicar la diferencia entre las series no estacionarias estacionario y. Lo administra yt = pyt -1 + vt; IpI <1 (12.2a) donde los errores vt son independientes, con media cero y varianza constante s2v, y pueden estar bajo una distribucin normal. En el contexto de los modelos de series de tiempo, los errores son a veces conocidas como'' golpes'' o'' innovacin''. Como veremos, el supuesto IpI <1 implica que yt es estacionaria. El (1) proceso de AR muestra que cada realizacin de la variable aleatoria yt contiene una proporcin r de valor del ltimo perodo yt- 1 ms un vt de error extrada de una distribucin con media cero y varianza s2v. Desde que nos ocupa slo un retraso, el modelo se describe como un modelo autorregresivo de orden uno. En general un modelo AR (p) incluye rezagos de la variable yt hasta yt- p. Un ejemplo de un (1) la serie AR tiempo con r = 0:7, e independiente N (0,1) errores aleatorios se muestra en la figura 12.2a. Tenga en cuenta que los datos han sido generados artificialmente. Observe cmo la serie temporal flucta alrededor de cero y no tiene tendencia a comportamiento similar, una caracterstica de la serie estacionaria. El valor cero'''' es la media constante de la serie, y se puede determinar haciendo algo de lgebra conocido como sustitucin recursiva .2 Considere el valor de y en el momento t = 1, entonces su valor en el instante t = 2 y as sucesivamente. Estos valores son

La media de yt es

ya que la vt error tiene media cero y el valor de pty0 es insignificante para un gran t. La varianza puede ser demostrado ser una constante s2v / (1- p2) mientras que la covarianza entre dos perodos de errores s adems de gs puede demostrarse que es s2v ps (1- p2). Por lo tanto, el AR(1) en el modelo (12.2a) es un ejemplo clsico de un proceso estacionario con media cero. Los datos del mundo real rara vez tienen una media igual a cero. Podemos introducir una media no cero niu reemplazando yt en (12.2a) con yt-niu de la siguiente manera:

que luego pueden ser reorganizados como

donde alpha= niu- (1-p). Es decir, que tienen capacidad para una media distinta de cero en yt, ya sea trabajando con el'' de-una media variable yt- niu o introducir el trmino de interseccin en un proceso autorregresivo de yt como en (12.2b). En correspondencia con estas dos formas, se describe el'' DYT de-mediada'' variable- (yt- niu) de ser estacionaria en torno a cero, o al yt variable como fija alrededor de su valor medio niu = alpha/(1- p). Un ejemplo de una serie de tiempo que sigue a este modelo, con un alpha = 1, p = 0:7 se muestra en la Figura 12.2 (b). Hemos utilizado los mismos valores del error vt como en la figura 12.2 (a), por lo que el figura muestra la influencia adicional de la constante. Tenga en cuenta que la serie ahora flucta alrededor de un valor distinto de cero. Este valor distinto de cero es la media constante de la serie

Otra de las posibilidades de (12.2a) es considerar una (1) modelo AR fluctuando alrededor de una tendencia lineal (niu + dt). Como hemos visto en la figura 12.1, algunos datos del mundo real parecen mostrar una tendencia. En este caso, dejamos que la'' serie'' de-tendenciado (yt- niu- dt) comportarse como un modelo autorregresivo

que puede ser reorganizado como

(12.2C)

donde Un ejemplo de una serie de tiempo que puede ser descrito por este modelo con p = 0:7, alpha = 1, y d = de 0:01 se muestra en la figura 12.2 (c). La serie de-mostrado una tendencia (yt- niu- dt) tambin tiene una varianza constante y covarianzas que depende slo del tiempo que separa las observaciones, no es el momento en el que se observan. En otras palabras, la serie'''' de-mostrado una tendencia es estacionaria. Un lector astuto puede haber notado que la media de yt, E(yt)= niu + dt depende de t, lo que implica que yt es no estacionario. Aunque esta observacin es correcta, cuando p <1, yt es ms usualmente descrito como estacionaria alrededor de la lnea de tendencia determinista niu + dt. Esto se discute en la Seccin 12.5.2. 12.1.2 MODELOS paseo aleatorio Consideremos el caso especial de r = 1 en (12.2a): yt =yt - 1 + vt (12.3a) Este modelo es conocido como el modelo de paseo aleatorio. La ecuacin (12.3a) muestra que cada realizacin del yt variable aleatoria contiene del ltimo perodo el valor yt- 1 ms un error vt. Un ejemplo de una serie de tiempo que puede ser descrito por este modelo se muestra en la Figura 12.2 (d). Estas series de tiempo se llama randomwalks(caminata aleatoria) porque aparecen a vagar lentamente hacia arriba o hacia abajo sin ningn patrn real, los valores de la muestra de medios calculados a partir de submuestras de observaciones ser dependiente del perodo de la muestra. Esta es una caracterstica de las series no estacionarias. Podemos entender el comportamiento errante'''' de los modelos de caminata aleatoria haciendo algunas sustitucin recursiva.

El modelo de paseo aleatorio contiene un valor inicial y0 (a menudo a cero, ya que est tan lejos en el pasado que su contribucin a yt es insignificante), adems de un componente que es la suma de los trminos estocsticos pasadas . Este ltimo componente se llama a menudo la

tendencia estocstica. Este trmino surge debido a un vt componente estocstico se aade para cada tiempo t, y porque hace que la serie de tiempo a la tendencia en direcciones impredecibles. Si la variable de yt se somete a una secuencia de shocks positivos, vt> 0, seguido por una secuencia de choques negativos, vt <0, tendr la apariencia de vagar hacia arriba, luego hacia abajo. Hemos utilizado el hecho de que yt es una suma de errores para explicar grficamente la naturaleza no estacionaria del paseo aleatorio. Tambin podemos utilizarlo para demostrar algebraicamente que las condiciones de estacionariedad no tienen. Reconociendo que las vt son independientes, teniendo la expectativa y la varianza de los rendimientos yt, para un valor inicial fijo y0,

El random walk tiene una media igual a su valor inicial y una variacin que aumenta con el tiempo, llegando a ser infinita. Aunque la media es constante, el aumento de la varianza implica que la serie no puede regresar a su media, y por lo tanto los medios que se muestra para diferentes perodos que no son el mismo. Otro modelo no estacionario se obtiene mediante la adicin de un trmino constante (12.3a): yt = a+ yt- 1 + vt (12.3b) Este modelo es conocido como el paseo aleatorio con deriva. La ecuacin (12.3b) muestra que cada realizacin de variable aleatoria yt contiene una intercepcin (el componente deriva alpha) ms del ltimo perodo el valor yt- 1 ms el vt error. Un ejemplo de una serie de tiempo que puede ser descrito por este modelo (con a = 0:1) se muestra en la Figura 12.2 (e). Observe cmo los datos de series de tiempo parecen ser errante'''' como tambien de'''' tendencia al alza. En general, los modelos de paseo aleatorio con deriva muestran tendencias definidas, ya sea hacia arriba (cuando la deriva a es positivo) o hacia abajo (cuando la deriva a es negativo). Una vez ms, podemos tener una mejor comprensin de este comportamiento mediante la aplicacin recursiva:

El valor de y en el tiempo t se compone de un valor inicial y0, el componente de tendencia estocstica , y ahora un componente determinista de tendencia ta. Se llama una tendencia

determinista porque es un valor fijo a es aadido un para cada tiempo t. La variable y se pasea arriba y abajo, as como se incrementa en una cantidad fija en cada tiempo t. La media y la varianza de yt son

En este caso se violan tanto las constantes condiciones medias y varianza constante de estacionariedad. Podemos extender el modelo de paseo aleatorio an ms mediante la adicin de una tendencia en el tiempo: yt = a + dt+ yt- 1 + vt (12.3c) Un ejemplo de una serie de tiempo que puede ser descrito por este modelo (con un = de 0:1; d = 0:01) se muestra en la Figura 12.2 (f). Observe que la adicin de una variable de tendencia temporal t fortalece el comportamiento tendencia. Podemos ver la amplificacin usando la misma manipulacin algebraica que antes:

donde hemos utilizado la frmula de la suma de una progresin aritmtica, 1 +2+ 3+ ...+T = + T(T+ 1)/ 2 El trmino adicional tiene el efecto de reforzar el comportamiento de tendencia. En resumen, hemos tenido en cuenta la clase de los modelos autorregresivos y hemos demostrado que presentan propiedades de estacionariedad cuando IpI<1. tambin hemos hablado de la clase de paseo aleatorio de los modelos cuando p= 1. Hemos demostrado que los modelos de caminata aleatoria muestran propiedades de no estacionariedad. Ahora, volver atrs y comparar los datos del mundo real en la figura 12.1 con los de la Figura 12.2. Pregntate a ti mismo lo que los modelos podran haber generado la serie de datos diferente en la figura 12.1. En los prximos secciones consideraremos la prueba de como la serie en la figura 12.1 muestran propiedades asociadas a la estacionalidad, as como que presentan propiedades serie asociados con no estacionariedad. 12.2 Las regresiones espurias

La razn principal por la que es importante saber si una serie de tiempo es estacionario o no estacionario antes de que uno se embarca en un anlisis de regresin es que existe el peligro de obtener resultados de la regresin aparentemente significativas de datos no relacionados series no estacionarias cuando se utilizan en el anlisis de regresin. Estas regresiones se dice que son espurias. Para ilustrar el problema, tomemos dos caminatas aleatorias independientes:

donde v1t y v2t son N (0,1) errores aleatorios independientes. Dos de estas series se muestran en la figura 12.3 (a), los datos estn en el archivo espuria.dat. Estas series han sido generados de manera independiente y, en verdad, no tienen relacin entre s, sin embargo, cuando trazamos ellos, como lo hemos hecho en la figura 12.3 (b), se observa una relacin positiva entre ellos. Si estimamos una regresin simple de una serie rw1+ en serie de dos rw2+, se obtienen los siguientes resultados:

Este resultado sugiere que el modelo de regresin simple ajusta a los datos as DR2 = 0:70 +, y que la pendiente estimada es significativamente diferente de cero. De hecho, la estadstica t es enorme! Estos resultados son, sin embargo, completamente sin sentido, o espuria. La aparente importancia de la relacin es falsa. Es el resultado del hecho de que hemos relacionado una serie con una tendencia estocstica a otra serie con otra tendencia estocstica. De hecho, estas series no tienen nada en comn, ni estn causalmente relacionados de alguna manera. Resultados similares y ms dramticas se obtienen cuando paseo aleatorio con deriva serie se utilizan en las regresiones. Normalmente los residuos de tales regresiones sern altamente correlacionados. Por ejemplo, el valor de la prueba LM para probar la autocorrelacin de primer orden (p-valor parntesis) es de 682.958 (0.000), un signo seguro de que hay un problema con la regresin. En otras palabras, cuando series de tiempo no estacionarias se utilizan en un modelo de regresin, los resultados pueden indicar falsamente una relacin significativa cuando no hay ninguno. En estos casos el estimador de mnimos cuadrados y el predictor de mnimos cuadrados no tienen sus propiedades habituales y t-estadsticas no son fiables. Dado que muchas series temporales macroeconmicas son no estacionarias, es especialmente importante que se cuide al estimar regresiones con variables macroeconmicas. Cmo podemos comprobar si una serie es estacionaria o no estacionaria, y cmo podemos llevar a cabo un anlisis de regresin con datos no estacionarios- El primero se discute en la Seccin 12.3, mientras que el segundo se considera en la Seccin 12.4.

12.3 pruebas de raz unitaria para Estacionariedad Hay muchas pruebas para determinar si una serie es estacionaria o no estacionaria. El ms popular, y el que se discute, es la prueba de Dickey-Fuller. Como se seal en la discusin de los modelos de modelos autorregresivos y caminatas aleatorios,los procesos estocsticos pueden incluir o excluir un trmino constante y pueden incluir o excluir una tendencia temporal. Hay tres variantes de la prueba Dickey-Fuller diseado para tener en cuenta el papel de la constante y la tendencia. Comenzaremos describiendo las ecuaciones de prueba e hiptesis para estos tres casos y luego establecer el procedimiento de prueba. 12.3.1 de Dickey-Fuller TEST 1 (NO CONSTANTE Y NO TENDENCIA) Esta prueba se basa en el anlisis de la seccin 12.1, donde observamos que el proceso AR (1) yt = pyt- 1 + vt es estacionario cuando IpI <1, pero, cuando p = 1, se convierte en el proceso de caminata aleatoria no estacionario yt= yt- 1 + vt. Por lo tanto, una manera de probar la estacionalidad es examinar el valor de p. En otras palabras, se prueba si p es igual a uno o significativamente menor que uno. Las pruebas de ello son conocidas como pruebas de raz unitaria para estacionariedad. Para formalizar este procedimiento un poco ms, consideremos de nuevo el (1) modelo AR: yt = pyt- 1 + vt (12,4) donde la VT son errores aleatorios independientes con media cero y varianza constante s2v. Podemos probar la no estacionariedad de probar la hiptesis nula de que r = 1 frente a la alternativa de que lpI <1, o simplemente r <1. Este test de una cola (cola izquierda) se pone en una forma ms conveniente mediante la sustraccin yt- 1 desde ambos lados de (12.4) para obtener

donde g = p- 1 y Dyt = yt- yt- 1. Entonces, las hiptesis se pueden escribir en trminos de cualquiera p o g: H0: p = 1, H0: g = 0 H1: p <1, H1: g <0 Tenga en cuenta que la hiptesis nula es que la serie es no estacionaria. En otras palabras, si no lo hacemos rechazar la hiptesis nula, se concluye que se trata de un proceso no estacionario, si se rechaza la hiptesis nula que g = 0, entonces se concluye que la serie es estacionaria. 12.3.2 PRUEBA 2 (CON CONSTANTE PERO NO TENDENCIA)

La segunda prueba de Dickey-Fuller incluye un trmino constante en la ecuacin de la prueba: Dyt = a+ g yt- 1 + vt (12.5B) Las hiptesis nula y alternativa son los mismos que antes. En este caso, si no se rechaza la hiptesis nula de que g = 0 (o p = 1), se concluye que la serie es no estacionaria. Si se rechaza la hiptesis nula de que g = 0, concluimos que la serie es estacionaria. 12.3.3 de Dickey-Fuller PRUEBA 3 (CON CONSTANTE Y CON TENDENCIA) La tercera prueba de Dickey-Fuller incluye una constante y una tendencia en la ecuacin de ensayo: Dyt = a+ g yt- 1 + lt + vt (12.5c) Como antes, las hiptesis nula y alternativa son H0: g = 0 y H1: g <0. Si no lo hacemos rechazar la hiptesis nula de que g = = 0 (p= 1), concluimos que la serie es no estacionaria. Si se rechaza la hiptesis nula de que g = 0, concluimos que la serie es estacionaria. 12.3.4 LOS valores crticos de dickey fuller Para probar la hiptesis, en los tres casos, simplemente calculamos la ecuacin de prueba por mnimos cuadrados y examinamos el estadstico t para la hiptesis de que g = 0. Por desgracia, este estadstico t ya no tiene la distribucin t que hemos utilizado anteriormente para poner a prueba hiptesis nula de cero para los coeficientes de regresin. Un problema surge porque cuando la hiptesis nula es verdadera, yt es no estacionario y tiene una varianza que aumenta a medida que aumenta el tamao de la muestra. Esta variacin creciente altera la distribucin de la t-estadstica habitual cuando H0 es cierta. Para reconocer este hecho, la estadstica es a menudo llamada a la estadistica (tau), y su valor debe ser comparado con los valores crticos especialmente generados. Tenga en cuenta que los valores crticos se generan para las tres pruebas diferentes, ya que, como hemos visto en el artculo 12.1, la adicin del trmino constante y el plazo de tiempo los cambios de tendencia en el comportamiento de la serie temporal. Originalmente estos valores crticos fueron tabulados por los estadsticos Profesor David Dickey y Profesor Wayne Fuller. Los valores ya se han refinado, pero por respeto al trabajo seminal, pruebas de raz unitaria utilizando estos valores crticos han dado a conocer como pruebas DickeyFuller. Tabla 12.2 contiene los valores crticos para la Estadstica de tau en los tres casos, son vlidos en grandes muestras para una prueba de una cola.

Tenga en cuenta que los valores crticos de Dickey-Fuller son ms negativos que los valores crticos estndar (se muestra en la ltima fila). Esto implica que la t-estadstica debe tener valores mayores (negativo) que de costumbre para la hiptesis nula de no estacionariedad g = 0 a ser rechazada en favor de la alternativa de estacionariedad g <0. En concreto, para llevar a cabo esta prueba de una cola de importancia, si tc es el valor crtico obtenido de la tabla 12.2, se rechaza la hiptesis nula de no estacionariedad si t- tc. Si t> tc entonces no rechazar la hiptesis nula de que la serie yt es no estacionario. Expresado de una manera casual, pero que evita la proliferacin de'' doble negativos'', t- tc sugiere que la serie es estacionaria mientras t> tc sugiere no estacionariedad. Una extensin importante de la prueba Dickey-Fuller permite la posibilidad de que el trmino de error sea autocorrelacionado. Tal autocorrelacin es probable que ocurra si nuestros modelos anteriores no tenan suficientes trminos de retardo para capturar el carcter dinmico del proceso. Usando el modelo con un intercepto como un ejemplo, la ecuacin de pruebas extendido es

donde Dyt- 1 = (YT- 1- yt -2) = DYT- 2= (yt-2- yt-3)-;. . . . Aadimos hasta los primeros trminos de rezagos de diferencia ya que tenemos que garantizar que los residuos no se autocorrelacionados. Como hemos descubierto en la Seccin 9.6, la inclusin de retardos de la variable dependiente se puede utilizar para eliminar la autocorrelacin en los errores. El nmero de trminos retardados se puede determinar mediante el examen de la funcin de autocorrelacin (ACF) de los residuos vt, o la significacin de los coeficientes estimados como lag. Las pruebas de raz unitaria sobre la base de (12.6) y sus variantes (intercepto excluida o tendencia incluido) se denominan aumentada pruebas Dickey-Fuller. Las hiptesis de estacionariedad y no estacionariedad se expresan en trminos de g de la misma manera y los valores crticos de prueba son los mismos que los de la prueba de Dickey-Fuller se muestra en la Tabla 12.2. Cuando G = 0, adems de decir que la serie es no estacionaria, tambin dicen que la serie tiene una raz unitaria. En la prctica, siempre utilizamos la prueba de Dickey-Fuller aumentada (en lugar de la versin no aumentada) para asegurar que los errores no estn correlacionados. 12.3.5 LOS PROCEDIMIENTOS DE PRUEBA DICKEY FULLER Hasta ahora, hemos hablado de una serie de procesos estacionarios y no estacionarios, as como tres pruebas de Dickey-Fuller. Cmo se hacemos para decidir cul es la prueba de usar? Para entender la razn de lo que se sugiere, es til echar primero un vistazo al diseo de las pruebas de raz unitaria. Los valores crticos para las tres pruebas se muestran en la Tabla 12.2 se derivaron de las siguientes simulaciones:

Ahora echa un vistazo a la tabla 12.3. La primera columna muestra los modelos autorregresivos estacionarios cubiertos en la Seccin 12.1.1, y dos columnas muestra los procesos no estacionarios correspondientes cuando r = 1. Como se puede ver los procesos en dos columnas corresponden a los verdaderos procesos que subyacen a las pruebas de Dickey-Fuller descritas en la columna tres, mientras que los procesos en la columna uno son las ecuaciones de la prueba.

Esto sugiere entonces el siguiente procedimiento de prueba Dickey-Fuller. En primer lugar la trama de la serie temporal de la variable y seleccione una prueba Dickey-Fuller adecuada en base a una inspeccin visual de la parcela. - Si la serie parece estar vagando o fluctuando alrededor de una muestra promedio de cero (Ver por ejemplo la figura 12.2 (a) o la Figura 12.2 (d) con una media de alrededor de cero), use la ecuacin de prueba (12.5). - Si la serie parece estar vagando o fluctuando en torno a un promedio de la muestra que es distinto de cero (vase por ejemplo la Figura 12.2 (b) o la Figura 12.2 (d) con una media distinta de cero), utilizar la ecuacin de prueba (12.5B). - Si la serie parece estar errante o fluctuando alrededor de una tendencia lineal (vase, por ejemplo, la figura 12.5 (c) o en la figura 12.2 (e)), utilizar la ecuacin de prueba (12.5c). En segundo lugar, continuar con una de las pruebas de raz unitaria se describe en las Secciones 12.3.1 a 12.3.3, teniendo en cuenta que es importante elegir los valores crticos correctas, ya que dependen de la ecuacin de prueba estimado, el cual, a su vez, depende de la ausencia o presencia del trminos constantes y tendencia. 12.3.6 LAS PRUEBAS de Dickey-Fuller: un ejemplo Como ejemplo, considere las dos series de tipo de inters: la tasa de fondos federales Ft+ y la tasa de bonos a tres aos Bt -representan en la figura 12.1 (e) y 12.1 (g), respectivamente. Ambos presentan series vagando comportamiento, as que sospecho que pueden ser variables no

estacionarias. Al realizar las pruebas de Dickey-Fuller, tenemos que decidir si va a utilizar (12.5) sin constante, o (12.5B) que incluye un trmino constante, o (12.5c) que incluye una constante y una tendencia determinista tiempo t. Como se sugiri anteriormente, (12.5B) es la ecuacin de ensayo apropiado porque la serie flucta alrededor de una media distinta de cero. Tambin tenemos que decidir sobre el nmero de trminos de diferencia rezagados para incluir en la parte derecha de la ecuacin. Siguiendo los procedimientos descritos en las Secciones 9.3 y 9.4, nos encontramos con que la inclusin de un trmino quedado diferencia es suficiente para eliminar la autocorrelacin en los residuos en ambos casos. Los resultados de la estimacin de las ecuaciones resultantes son bDFt. = 0:173- 0:045 f- 1 + 0:561 DFt- 1 tau - 2:505 + bDBt = 0:237- 0:056 Bt- 1 + 0:237 DBT- 1 tau+ - 2:703 + El valor de tau t+ para la tasa de fondos federales es- 2.505, y el valor crtico del 5% para tau tc+ es- 2.86. Una vez ms, hay que recordar que para llevar a cabo esta prueba de una cola de significacin, se rechaza la hiptesis nula de no estacionariedad si t- tc. Si t> tc entonces no rechazar la hiptesis nula que la serie es no estacionaria. En este caso, ya que- 2:505>- 2:86, no se rechaza la hiptesis nula de que la serie es no estacionaria. Del mismo modo, el valor de tau para la tasa del bono es mayor que el valor crtico 5% de- 2,86 y otra vez que no se rechaza la hiptesis nula de que la serie es no estacionaria. Expresado de otra manera, no hay pruebas suficientes para sugerir Ft y Bt son estacionarias. 12.3.7 ORDEN DE INTEGRACIN Hasta este momento, hemos discutido slo si una serie es estacionaria o no estacionaria. Podemos llevar el anlisis un paso ms y considerar un concepto llamado el orden de integracin''.'' Recordemos que si yt sigue un paseo aleatorio, entonces g = 0 y la primera diferencia de yt se Dyt = yt- yt- 1 = vt Una caracterstica interesante de la serie Dyt = yt- yt- 1 es que es estacionaria desde vt, siendo independiente variable aleatoria(0,s2v), es estacionario. Serie como YT, que puede ser hecha fija al tomar la primera diferencia, se dice que estn integradas de orden uno, y se denota como I (1). Una Serie que es estacionaria se dice que estn integradas de orden cero, I (0). En general, el orden de la integracin de una serie es el nmero mnimo de veces que debe ser diferenciada para que sea estacionaria. Por ejemplo, para determinar el orden de integracin de F y B, entonces nos preguntamos la siguiente pregunta: es la primera diferencia de la tasa de fondos federales TFDP = Ft- Ft- 1+ estacionarias? Es la primera diferencia de la tasa de los bonos DBt = Bt- Bt- 1+ estacionaria? Sus salidas, en Figura 12.1 (f) y 12.1 (h), parecen sugerir que son estacionarios.

Los resultados de la prueba de Dickey-Fuller para un paseo aleatorio aplicado a las primeras diferencias se dan a continuacin:

2+ donde DDFt= DFt- DFt- 1 y DDBt= DBT- DBT- 1. Tenga en cuenta que la hiptesis nula es que las variables DF y DB no son estacionarias. Adems, debido a la serie de DF y el DB parecen fluctuar en torno a cero, se utiliza la ecuacin de prueba sin el trmino de interseccin. Basado en el valor negativo grande del estadstico tau - 5:487 <- 1:94 , se rechaza la hiptesis nula de que la DFT es no estacionario y aceptamos la alternativa de que es estacionaria. Del mismo modo, concluimos que DBT es estacionario - 7:662 <- 1:94 +. Este resultado implica que, si bien el nivel de la tasa de fondos federales Ft+ es no estacionario, su primera diferencia DFt es estacionario.. Decimos que la serie Ft es I (1), ya que tuvo que ser diferenciadas una vez para que sea estacionaria [ DFT es I0]. Del mismo modo, tambin hemos demostrado que la tasa de los bonos Bt es integrada de orden uno. En la siguiente seccin se investigan las implicaciones de estos resultados para los modelos de regresin. 12.4 Cointegracin Como regla general, las variables de series de tiempo no estacionarias no deben ser utilizados en los modelos de regresin, para evitar el problema de regresin espuria. Sin embargo, hay una excepcin a esta regla. Si yt y xt son no estacionarias) las variables I (1), entonces esperamos que su diferencia, o cualquier combinacin lineal de ellos, como et = yt- b1- b2xt, para ser I (1), as. Sin embargo, hay un caso importante cuando et = yt- b1- b2xt es un proceso que estacionaria I0. En este caso yt xt y se dice que estn cointegrados. La Cointegracin implica que yt y xt compartan tendencias estocsticas similares , y, ya que la diferencia et es estacionaria, que nunca divergen demasiado lejos el uno del otro. Una forma natural para comprobar si yt y xt estn cointegradas es para probar si los errores e =ytb1- b2xt son estacionarias. Ya que no podemos observar y, probamos la estacionalidad de los mnimos cuadrados residuales, et = yt- b1- b2xt mediante una prueba de Dickey-Fuller. La prueba para la cointegracin es efectivamente una prueba de la estacionariedad de los residuos. Si los residuos son estacionarios, a continuacin, yt y xt se dice que son cointegrados; si los residuos son no estacionarias, a continuacin, yt y xt no estn cointegradas, y cualquier relacin de regresin aparente entre ellos se dice que es espurio. La prueba para la estacionariedad de los residuos se basa en la ecuacin de ensayo

D et = g et- 1 + vt (12,7) donde D et= et - et- 1. Al igual que antes, se analiza la estadstica t (o tau) para el coeficiente de la pendiente estimada. Tenga en cuenta que la regresin no tiene trmino constante debido a que la media de los residuos de la regresin es cero. Tambin, estamos basando esta prueba los valores de los residuos sub estimados, los valores crticos ser diferente de los valores crticos apropiados 12.2.La Tabla para una prueba de cointegracin se dan en la Tabla 12.4. La ecuacin de prueba tambin puede incluir trminos adicionales como D et- 1;- D et- 2-,. . . en la parte derecha, si son necesarios para eliminar la autocorrelacin en vt.

Hay tres conjuntos de valores crticos. Qu conjunto se utiliza depende de si los residuos et se derivan de una ecuacin de regresin sin trmino constante [como (12.8A)] o una ecuacin de regresin con un trmino constante [como (12.8b)], o una ecuacin de regresin con un constante y una tendencia temporal [como (12.8c)]. Ecuacin 1: et = yt- b xt (12.8A) Ecuacin 2: et = yt- b2xt- b1 (12.8b) Ecuacin 3: ^ et = yt- b2xt- b1- dt (12.8c) 12.4.1 EJEMPLO DE PRUEBA cointegracin Como ejemplo, vamos a comprobar si yt = Bt y xt = Ft, segn trazado en la figura 12.1 (e) y 12.1 (g), estn cointegradas. Ya hemos demostrado que ambas series son no estacionarias. La estimacin de mnimos cuadrados de regresin entre estas variables es ^ Bt = 1:140 0:914 Ft; R2 = 0:881 t+ 6: 548 29: 421 (12,9) y la prueba de raz unitaria para la estacionalidad en los residuos estimados (et = Bt- 1:1400:914Ft es D et =- 0:225 et- 1 + 0:254 D et- 1 tau+ - 4:196 +

Tenga en cuenta que esta es la versin aumentada de Dickey-Fuller de la prueba con un termnino de rezago Det - 1 para corregir la autocorrelacin. Dado que no es un trmino constante en (12.9), usamos la ecuacin (2) valores crticos en la Tabla 12.4. Las hiptesis nula y alternativa en la prueba de cointegracin son H0: la serie no estn cointegradas, los residuos son no estacionarias H1: las series estn cointegradas, los residuos son estacionarios Al igual que en las pruebas de raz unitaria de una sola cola, se rechaza la hiptesis nula de no cointegracin si t- tc, y nosotros no rechazamos la hiptesis nula de que la serie no estn cointegradas si t> tc. La estadstica de tau en este caso es- 4.196 que es menor que el valor crtico- 3,37 al nivel del 5% de significancia. Por lo tanto, se rechaza la hiptesis nula de que los mnimos cuadrados residuales son no estacionarias y llegan a la conclusin de que son estacionarias. Esto implica que la tasa de los bonos y la tasa de los fondos federales estn cointegradas. En otras palabras, existe una relacin fundamental entre estas dos variables (la relacin de regresin estimada entre ellos es vlido y no espurio) y los valores estimados de la interseccin y la pendiente son 1.140 y 0.914, respectivamente. El resultado-que los fondos federales y las tasas de los bonos estn cointegradas-tiene importantes implicaciones econmicas! Esto significa que cuando la Reserva Federal implementa la poltica monetaria modificando la tasa de fondos federales, la tasa de los bonos tambin cambiar garantizando as que los efectos de la poltica monetaria se transmiten al resto de la economa. Por el contrario, la eficacia de la poltica monetaria se vera seriamente obstaculizado si el bono y las tasas de los fondos federales fueron falsamente relacionan ya que esto implica que sus movimientos, fundamentalmente, tienen poco que ver entre s. 12.4.2 El modelo de CORRECCIN DE ERROR En la seccin anterior, discutimos el concepto de cointegracin como la relacin entre las variables I(1)de tal manera que los residuos son I (0). Una relacin entre I (1) las variables tambin se refiere a menudo como una relacin de largo plazo, mientras que una relacin entre las variables I(0) se conoce como una relacin de corto plazo a menudo. En esta seccin, se describe una relacin dinmica entre variables I0, que incrusta una relacin de cointegracin, conocido como el modelo de correccin de errores a corto plazo. Como se discuti en el captulo 9, cuando se trabaja con datos de series de tiempo, es muy comn, y de hecho, es muy importante para tener en cuenta los efectos dinmicos. Para obtener el modelo de correccin de error requiere un poco de lgebra, pero vamos a perseverar ya que este modelo ofrece una manera coherente para combinar los efectos a largo y corto plazo.

Vamos a empezar con un modelo general que contiene rezagos de y y x, es decir, el retraso distribuido autorregresivo (ARDL) modelo presentado en el captulo 9, excepto que ahora las variables son no estacionarias:

yt = d + 1yt- 1 + d0xt +d1xt- 1 + vt Para simplificar, vamos a considerar retardos hasta orden, pero el siguiente anlisis es vlido para cualquier orden de retardos. Ahora reconoce que si Y y X son cointegradas, significa que existe una relacin de largo plazo entre ellos. Para derivar la relacin exacta, fijamos yt= yt - 1 = y, xt =xt- 1 =x y vt =0 y luego, la imposicin de este concepto en el ARDL, obtenemos Y(1- 1+ = d +( d0+ d1)x Esta ecuacin se puede reescribir como y = b1 + B2X donde b1 = d = d/(1- 1) y b2 = d0 +d1/(11). Para repetir, ahora hemos obtenido la cointegracin implcita relacin entre x e y, como alternativa, se han derivado de la relacin de largo plazo que sujeta entre los dos variables I1. Vamos ahora a manipular la ARDL para vercomo lo incorpora la relacin de cointegracin. En primer lugar, aadir el trmino, yt 1, a ambos lados de la ecuacin--:

En segundo lugar, agregue el trmino-

en el lado derecho de obtener

donde Dyt = yt- yt- 1. Si luego manipular la ecuacin para parecer

donde Dxt = xt- xt- 1, y hacer un poco ms de poner en orden, con las definiciones de b1 y b2, obtenemos

donde a = (1- 1). Como puede ver, la expresin entre parntesis es la relacin de cointegracin. En otras palabras, hemos incorporado la relacin de cointegracin entre y y x en un marco ARDL general. La ecuacin (12.10) se llama una ecuacin de correccin de errores debido a que (a) la expresin

(yt- 1- b1- b1xt- 1) muestra la desviacin de yt- 1 de su valor de largo plazo, b1 + b2xt- 1 -en otras palabras, el error'''' en el anterior perodo-y (b) el trmino (u1- 1) muestra la correccin'''' de Dyt al error''.'' Ms especficamente, si el error en el perodo anterior es positiva para que yt- 1> b0 + b1xt- 1 , a continuacin, yt debe caer y Dyt podra ser negativo, por el contrario, si el error del periodo anterior es negativa por lo que yt 1 <b0 + b1xt 1 +, entonces yt debe levantarse y Dyt debe ser positivo. Esto significa que si existe una relacin de cointegracin entre y y x, por lo que los ajustes siempre trabajo por'' error-correccin,'' entonces empricamente debemos tambin encontrar que (1- 1)> 0, lo que implica que 1 <1. Si no hay evidencia de cointegracin entre las variables, a continuacin, el trmino 1 sera insignificante. El modelo de correccin de errores es un modelo muy popular debido a que permite la existencia de un vnculo subyacente o fundamental entre las variables (la relacin de largo plazo), as como los ajustes a corto plazo (es decir, cambios) entre las variables, incluyendo los ajustes para lograr la relacin de cointegracin. Tambin muestra que podemos trabajar con Variables i1 yt- 1; e I(0) de (Dyt, Dxt) en la misma ecuacin siempre que (y, x) estn cointegradas , lo que significa que el trmino yt - 1- b0- b1xt- 1+ contiene residuos estacionarios. De hecho, esta formulacin tambin se puede utilizar para la prueba de cointegracin entre y y x. Como ejemplo, consideremos el ejemplo anterior de los tipos de fondos de bonos y federales. El resultado de la estimacin de (12,10) utilizando mnimos cuadrados no lineales es

Tenga en cuenta primero que necesitamos dos rezagos (DF;- DFt-1) para garantizar que los residuos se purgan de todos los efectos de la correlacin serial. En segundo lugar, tenga en cuenta que la estimacin 1 =- 0:142 + 1 = de 0:858 es menor que uno, como se esperaba. Ahora podemos generar los residuos estimados:

El resultado de la aplicacin de la prueba ADF para estacionariedad es D et =- 0:169 et- 1 + 0:180 D et- 1 t+ - 3:929 + Como antes, la hiptesis nula es que (B, F) no estn cointegradas. Dado que la relacin de cointegracin incluye un trmino constante, el valor crtico es- 3.37. Al comparar el valor calculado (- 3,929) con el valor crtico, se rechaza la hiptesis nula y concluimos que (B, F) estn cointegradas. 12.5 Regresin Cuando no hay cointegracin

Hasta ahora, hemos demostrado que la regresin con variables I1 es aceptable siempre esas variables estn cointegradas, que nos permite evitar el problema de falsos resultados. Tambin sabemos que la regresin con variables I0 estacionarias, que estudiamos en el captulo 9, es aceptable. Qu sucede cuando no existe cointegracin entre variables I1? En este caso, lo ms sensato es convertir las series no estacionarias de serie estacionaria y utilizar las tcnicas descritas en el captulo 9 para estimar las relaciones dinmicas entre las variables estacionarias. Sin embargo, hacemos hincapi en que este paso debe tomarse slo cuando no somos capaces de encontrar cointegracin entre las variables de I1. Regresin con cointegradas I (1) las variables hace que el estimador de mnimos cuadrados'' sper coherente'' 4 y, adems, es econmicamente til para establecer relaciones entre los niveles de las variables econmicas. Cmo nos convertimos series no estacionarias de serie estacionaria, y el tipo de modelo se estima, dependen de si las variables son diferencia estacionaria o una tendencia estacionaria. En el primer caso, convertimos las series no estacionarias a su contraparte estacionaria tomando primeras diferencias. En este ltimo caso, convertimos la serie no estacionario a su contraparte estacionaria por de-tendencia. Ahora exploraremos estos temas. 12.5.1 PRIMERA DIFERENCIA ESTACIONARIO Considere un yt variable que se comporta como el modelo de paseo aleatorio: yt =yt - 1 + vt Esta es una serie no estacionaria con un estocstica''' tendencia, pero puede volverse inmvil tomando la primera diferencia: Dyt = yt- yt- 1 = vt La variable yt se dice que es una primera serie estacionaria diferencia. Recordemos que esto significa que y se dice que es integrada de orden 1. Supongamos ahora que las pruebas de DickeyFuller revelan que dos variables, Y y X, que le gustara relacionarse en una regresin, son primera diferencia estacionaria, I (1), y no cointegradas. Entonces, una regresin adecuado que incluye nicamente variables estacionarias es la que relaciona los cambios en y con los cambios en x, con rezagos relevantes incluidos, y sin intercepcin. Por ejemplo, usando un rezago de Dyt y un actual y rezagadado Dxt, tenemos

(12.11a) Consideremos ahora un yt serie que se comporta como un paseo aleatorio con deriva, yt = a+ yt- 1 + vt y tenga en cuenta que y puede volverse inmvil tomando la primera diferencia:

Dyt = a+ vt La variable yt tambin se dice que es una primera serie estacionaria diferencia, a pesar de que es estacionaria en torno a un trmino constante. Ahora supongamos una vez ms que y y x son I (1) y no cointegradas. A continuacin, un ejemplo de una ecuacin de regresin adecuado, que implica de nuevo variables estacionarias, se obtiene mediante la adicin de una constante al (12.11a). Es decir,

(12.11b) De acuerdo con la seccin 9.7, los modelos (12.11a) y (12.11b) son modelos autorregresivos de retrasos distribuidos con variables en primeras diferencias. En general, ya que a menudo hay dudas sobre el papel de la constante, la prctica habitual consiste en incluir un trmino de interseccin en la regresin. 12.5.2 TENDENCIA ESTACIONARIO Considere la posibilidad de un modelo con un trmino constante, un trmino de tendencia, y un trmino de error estacionario: yt = a+ dt+ vt La variable yt se dice que es tendencia estacionaria porque se puede hacer estacionaria mediante la eliminacin del efecto de los componentes determinsticos (constante y tendencia) yt- a- dt = vt Una serie como esta es, en sentido estricto, no una variable I 1, pero se describe como estacionario alrededor de una tendencia determinista. Por lo tanto, si x e y son dos variablesestacionarias de tendencia, un posible modelo de retardos distribuidos autorregresivo es

(12.12) en la que yt = yt- a1- d1T y xt = xt- a2- d2t son los datos de-registr una tendencia (los coeficientes a1,D1, y A2 , 2 puede estimarse por mnimos cuadrados). Como una alternativa al uso de los datos de-registr una tendencia para la estimacin, un trmino constante y un trmino de tendencia pueden ser incluidos directamente en la ecuacin. Por ejemplo, mediante la sustitucin de Yt y xt en(12.12), se puede demostrar que la estimacin de (12.12) es equivalente a la estimacin

4Consistency significa que a medida que T! 1 estimador de mnimos cuadrados converge al verdadero valor del parmetro. donde En la prctica, esto es por lo general la opcin preferida ya que es relativamente ms sencillo. 12.5.3 Resumen - Si las variables son estacionarias o I (1) y cointegradas, se puede estimar una relacin de regresin entre los niveles de las variables sin miedo a encontrarse con una regresin espuria. En este ltimo caso, se puede hacer esto mediante la estimacin de una ecuacin de mnimos cuadrados entre las variables I1 o mediante la estimacin de un modelo de correccin de errores cuadrados no lineal de mnimos que incrusta las variables I1. - Si las variables son I (1) y no cointegradas, necesitamos estimar una relacin en la primera diferencias, con o sin el trmino constante. - Si son tendencia estacionaria, podemos ya sea de la tendencia de la serie primero y luego el anlisis de regresin con las variables estacionarias (de-mostrado una tendencia) o, alternativamente, estimamos una relacin de regresin que incluye una variable de tendencia. La ltima alternativa se aplica tpicamente. Estas opciones se muestran en la figura 12.4.