REGRESION CON SERIES TEMPORALES

(Carlos Carcach)
Cuando estudiamos el problema de autocorrelación y sus consecuencias dimos por sentado
que las series de tiempo involucradas eran estacionarias. En el contexto del modelo de
e =ρ e +v
t −1
ρ <1
autocorrelación AR(1), t t , supusimos que , lo que aseguraba que la serie
temporal bajo estudio era estacionaria. Sin embargo, muchas de las series usadas en
macroeconomía, economía monetaria o finanzas son no estacionarias. Las consecuencias
econométricas de no estacionaridad pueden ser severas, llevando a estimadores de mínimos
cuadrados, estadísticos de prueba y predicciones que no son confiables.

Series de tiempo estacionarias

y
Considere una variable económica, t , que se observa en el tiempo, tal como tasas de
interés, las tasa de inflación, el PIB, ingreso disponible, etc. La variable es aleatoria,
yt
ya que no la podemos predecir de manera perfecta. El modelo económico que da lugar a
esta serie es llamado un proceso estocástico o proceso aleatorio. Lo que nosotros
observamos es una muestra de valores
y
t , a la cual nos referimos como una

realizaciónparticular del proceso estocástico. Este es solo uno de los muchos patrones
posibles que pueden ser tomados por el proceso estocástico.

Las propiedades del estimador de mínimos cuadrados en una regresión con datos de series
temporales dependen del supuesto que las series envueltas son generadas por procesos
estocásticos estacionarios. Un proceso estocástico estacionario posee las 3 propiedades
siguientes:

(Media constante)
E ( yt ) = µ
(Varianza constante)
Var ( y t ) = σ 2

Cov( y t , y t + s ) = Cov( y t , y t − s ) = γ s (Covarianza depende de s y no de t)

Detectar si una serie posee estas propiedades puede ser una tarea difícil, pero ver algunos
gráficos puede ayudar. La serie generada artificialmente que es mostrada en la Figura 1
corresponde a una serie estacionaria. Note que la serie varía en forma aleatoria alrededor de
un nivel constante (media) y con dispersión constante (varianza).
 2

Figura 1: Proceso Estacionario

y ( t ) = 0.5 + 0.5 y ( t − 1) + N ( 0,1)

S1
5
4
3
2
1
0
-1
-2
-3
-4 0 100 200 300 400 500 600 700 800 900 1000 1100

Ahora observe la serie mostrada en la Figura 2. Vea como esta serie se mueve despacio
hacia arriba y hacia abajo pero sin un patrón definido. La serie no muestra tendencia clara
alguna y representa lo que se conoce con el nombre de una caminata aleatoria sin
desplazamiento.

Figura 2: Proceso No Estacionario

CAMINATA ALEATORIA SIN DESPLAZAMIENTO
y ( t ) = y ( t − 1) + 0.5 N ( 0,1)

Finalmente observe la serie de la Figura 3, la cual muestra una bien definida tendencia
hacia incrementar valores de en el tiempo.
yt
 3

Figura 3: Proceso No Estacionario

CAMINATA ALEATORIA CON DESPLAZAMIENTO
y ( t ) = 0.1 + y ( t − 1) + 0.5 N ( 0,1)
S3
100

80

60

40

20

-20
0 100 200 300 400 500 600 700 800 900 1000 1100

Las series en estas figuras fueron generadas a partir de un proceso AR(1) muy similar al
que consideramos cuando discutíamos el problema de autocorrelación. El proceso AR(1)
que hemos usado tiene la forma general siguiente:

Proceso AR(1)
y ( t ) = α + ρ y ( t − 1) + vt

ρ <1
Este proceso es estacionario si , que es el caso de la serie mostrada en la Figura 1.
Si y entonces el proceso AR(1) se traduce en una serie generada por una
α =0 ρ =1
caminata aleatoria no estacionaria (Figura 2), en la cual, el valor de durante un
yt
período es igual al valor en el período previo más un término de error, .
y t −1 vt

Caminata Aleatoria
y ( t ) = y( t − 1) + vt .

Si y la serie producida también es no estacionaria y es llamada una

α ≠0 ρ =1
caminata aleatoria con desplazamiento (Figura 3).

Caminata Aleatoria con desplazamiento

y ( t ) = α + y ( t − 1) + vt .
 4

Muchas series macroeconómicas y financieras son no estacionarias. Los gráficos

mostrados en la Figura 4 corresponden a algunas de estas series. Cuáles de ellas parecen
estacionarias? Es importante poder distinguir si una serie es o no es estacionaria ya que
esto puede llevar a obtener estimadores e inferencias incorrectas.
 5

Figura 4: Algunas Series de Tiempo Económicas

2. 0 110 6000

1. 5 105
5000
1. 0 100

0. 5 95 4000

0. 0 90
3000
- 0. 5 85

- 1. 0 80 2000
70 72 74 76 78 80 82 84 86 88 90 92 94 96 98 70 72 74 76 78 80 82 84 86 88 90 92 94 96 98 70 72 74 76 78 80 82 84 86 88 90 92 94 96 98

Inflación Indice Indicadores de P unta Consumo

6000 25

20
5000

15
4000
10

3000
5

2000 0
70 72 74 76 78 80 82 84 86 88 90 92 94 96 98 70 72 74 76 78 80 82 84 86 88 90 92 94 96 98

Ingreso Disponible Tasa de Interés (mensual)

Regresiones Espurias

Cuando se usan series no estacionarias se corre el riesgo de obtener regresiones que son
significantes en apariencia. Se dice que tales regresiones son espurias. Como un ejemplo,
considere el modelo de regresión de la serie no estacionaria mostrada en la Figura 2 sobre
la serie generada por el proceso no estacionario (caminata
y ( t ) = y ( t − 1) + N ( 0,1)
aleatoria) (Figura 5).

Figura 5: Proceso No Estacionario, CAMINATA ALEATORIA

y ( t ) = y ( t − 1) + N ( 0,1)
 6

S4
20
15
10
5
0
-5
-10
-15
-20
-25
-30
0 100 200 300 400 500 600 700 800 900 1000 1100

Estas series fueron generadas independientemente y no hay ninguna relación entre ellas.
Sin embargo, nosotros las podemos graficar como se muestra en Figura 6 y vemos que
parece existir una relación inversa.

Figura 6: Diagrama de Dispersión para los Datos Usados en la Regresión Espuria

70

60
y(t) = y(t-1) + 0.5 N(0,1)

50

40

30

20
-100 -80 -60 -40 -20

y(t) = y(t-1) + N(0,1)

 7

Si estimamos la regresión obtenemos los resultados mostrados en la Tabla 1. Estos

resultados indican que el modelo se ajusta a los datos bastante bien ( R = 0.75 ) y que el
2

estimador de la pendiente es estadísticamente distinto de 0 ( ). Pero estos

t = − 54.67
resultados carecen de sentido y son espurios. La significancia aparente de la relación es
falsa y simplemente resulta del hecho que hemos relacionado unas serie que se mueve hacia
abajo (Figura 2) con otra serie que aparentemente se mueve hacia arriba (Figura 5).
Resultados de naturaleza más dramática aparecen cuando se usan modelos con variables no
estacionarias con desplazamiento. Note que el valor del estadístico de Durban-Watson es
pequeño. Granger y Newbold (C.W.J. Granger y P. Niewbold, “Spurious Regressions in
Econometrics”, Journal of Econometrics, 2, 1974, p. 111 – 120) sugieren que cuando se
modelan regresiones con series de tiempo, si el valor de es mayor que el del
R2
estadístico Durbin-Watson, entonces uno debe sospechar la existencia de una relación
espuria.

Tabla 1: Resultados de Una Regresión Espuria

Dependent Variable: RW1 (Figura 2)
Method: Least Squares
Sample: 1 1001
Included observations: 1001
Variable Coefficient Std. Error t-Statistic Prob.
C 14.20404 0.542931 26.16175 0.0000
RW2 -0.526263 0.009627 -54.66698 0.0000
R-squared 0.749466 Mean dependent var 42.99526
Adjusted R-squared 0.749215 S.D. dependent var 8.333262
S.E. of regression 4.173168 Akaike info criterion 5.697224
Sum squared resid 17397.91 Schwarz criterion 5.707031
Log likelihood -2849.460 F-statistic 2988.479
Durbin-Watson stat 0.030498 Prob(F-statistic) 0.000000

Para resumir, cuando un modelo de regresión es basado en series de tiempo no estacionarias

los resultados pueden indicar la existencia de una relación significante cuando en realidad
no existe ninguna. En este caso, tanto el estimador MCO como el predictor de mínimos
cuadrados no poseen sus propiedades usuales, y los estadísticos t no son confiables.

Pruebas de Estacionaridad Basadas en Raíces Unitarias

La prueba de las raíces unitariasse usa para verificar si una serie es estacionaria. El
modelo AR(1) para la serie de tiempo es
yt

yt = ρ y t −1 + vt (1)
 8

Suponga que es una variable aleatoria con media 0 y varianza, , constante. Si

vt σ v2

ρ = 1 entonces y t es la caminata aleatoria no estacionaria y se dice que

y t = y t −1 + vt
contiene una raíz unitaria. Podemos demostrar que . Esta es una serie no
Var( y t ) = tσ 2
v

estacionaria ya que su varianza cambia con el tiempo. Recordemos que el proceso AR(1)
ρ <1
es estacionario si . De modo que podemos contrastar la hipótesis de no
estacionaridad probando la hipótesis nula contra la alternativa o
ρ =1 ρ <1
simplemente .
ρ <1
 9

Esta prueba es puesta de una forma más conveniente sustrayendo

y t −1 de ambos lados de la
ecuación (1).

y t − y t −1 = ( ρ − 1) y t −1 + vt

∆ y t = γ y t −1 + vt .

Entonces
H 0 : ρ = 1 ↔ H 0 :γ = 0
.
H 1 : ρ < 1 ↔ H 1 :γ < 0

La variable
∆y t es llamada la primera diferencia de la serie y t . Si y t sigue una

caminata aleatoria entonces γ = 0 y

∆ yt = yt − y t −1 = vt .

La serie es estacionaria si el error es puramente aleatorio. Series como

y t las
∆y t vt
cuales se convierten en estacionarias después de tomar primeras diferencias se dicen ser
integradas de orden 1 y se designa como I(1). Series estacionarias son series integradas
de orden 0 (I(0)). En general, si una serie debe ser diferenciada d veces para alcanzar
estacionaridad se dice que es integrada de orden d o I(d).

La Prueba de Dickey-Fuller
Cuando las series en una regresión no son estacionarias, uso del estadístico t para contrastar
hipótesis γ = 0 es inadecuado pues este no sigue la distribución t-Student. Si la hipótesis
nula es cierta entonces . En estos casos, el estadístico t es conocido como el
yt

estadístico τ (tau), el cual debe ser comparado con los valores de una distribución especial
originalmente tabulada por Dickey y Fuller (D.A. Dickey y W.A. Fuller, “Distributions of
the Estimators for Autorregressive Time Series with a Unit Root”, Journal of the American
Statistical Association, 74, 1979, p. 427-431).

Además de probar si una serie es una caminata aleatoria, Dickey y Fuller desarrollaron
también valores críticos para la presencia de una caminata aleatoria con desplazamiento.

∆ y t = α 0 + γ y t −1 + vt (2)

Esta serie exhibe una tendencia definida. Este es un caso extremadamente importante pues
como podemos apreciar de la Figura 4, series macroeconómicas tienen una tendencia
fuerte.
 10

También es posible considerar una tendencia no estocástica. Para alcanzar esto, el modelo
es modificado para incluir una tendencia temporal, o tiempo, t.

∆ y t = α 0 + α 1t + γ y t −1 + vt (3)

La Tabla 2 contiene valores críticos para el estadístico , los cuales son válidos para una
τ
prueba de una cola en muestras grandes. Estos valores son mucho mayores que los valores
críticos de la distribución t-Student (última fila en Tabla 2).

Tabla 2: Valores Críticos para la Prueba Dickey-Fuller

Modelo 1% 5% 10%

∆y t = γ y t −1 + vt
-2.56 -1.94 -1.62
∆y t = α 0 + γ y t −1 + vt
-3.43 -2.86 -2.57
∆y t = α 0 + α 1t + γ y t −1 + vt
-3.96 -3.41 -3.13
Valores críticos estándar -2.33 -1.65 -1.28
Fuente: R. Davidson y J.G. MacKinnon (1993), Estimation and Inference in Econometrics, New
York, Oxford University Press, p. 708.

Para controlar la posibilidad que el término de error en una de las ecuaciones anteriores
posea autocorrelación, se incluyen términos adicionales.

m
∆y t = α 0 + γ y t −1 + ∑ ai ∆y t −i + vt
i =1 (4)

Probando la hipótesis nula que γ = 0 dentro del contexto de este modelo es llamada la
Prueba Dickey-Fuller Aumentada la cual usa los mismos valores críticos mostrados en la
Tabla 2.

Considere la serie sobre gasto real de consumo personal mostrada en la Figura 4. Esta
variable tiene una tendencia muy fuerte y es razonable sospechar que ella no sea
estacionaria. Estimando los modelos (2) y (3) con y sin términos adicionales para controlar
por la posible autocorrelación da los resultados reportados en ecuaciones (5a) a (5c).

(5a)
∆GCPt = − 1.5144+ 0.0030GCPt −1
( − 0.349) ( 2.557)
 11

(5b)
∆GCPt = − 2.0239+ 0.052t + 0.0013GCPt −1
( 0.1068) ( 0.1917) ( 0.1377)

(5c)
∆GCPt = − 2.1110+ 0.00397GCPt −1 + 0.0013∆GCPt −1 − 0.0412∆GCPt − 2
( − 0.4951) ( 3.3068) ( − 4.6594) ( − 0.7679)

Note que en cada caso, el estimador de es positivo lo mismo que los estadísticos .
γ τ
Esto nos lleva a NO RECHAZAR la hipótesis nula que gasto personal en consumo posee
una raíz unitaria.

La pregunta ahora se convierte en si es la primera diferencia,

∆ GPC t = GCPt − GCPt −1 ,
estacionaria?

La Figura 7 muestra las primeras diferencias del consumo y parece ser el gráfico de un
proceso estacionario.

Figura 7: Primera Diferencia del Consumo

El resultado de una prueba Dickey-Fuller para una caminata aleatoria (no hay tendencia)
aplicada a la serie
∆GPC t , designada como , es dado a continuación:
∆Dt

∆Dˆ t = − 0.9969 Dt −1
(−18.668)

El valor grande y negativo del estadístico lleva a rechazar la hipótesis nula que
τ
∆GPC t posee una raíz unitaria a favor de la alternativa de que es una serie estacionaria.
Esto sugiere que es integrada de orden 1 o I(1).
GPC t

Cointegración
La discusión anterior sugiere que debemos evitar el uso de series no estacionarias en
modelos de regresión para evitar el problema de relaciones espurias. Existe una excepción
 12

a esta regla general. Si

yt y son variables no estacionarias I(1), entonces parece
xt
razonable esperar que su diferencia o cualquier combinación lineal de ellas, tal como
, también sea I(1). Sin embargo hay casos cuando
et = y t − β 1 − β 2 x t
et = y t − β 1 − β 2 x t
es un proceso estacionario I(0). En este caso, se dice que y son cointegradas.
yt xt
Cointegración implica que y comparten tendencias estocásticas similares, y ya
yt xt

que
et = y t − β 1 − β 2 xt es estacionaria, estas series nunca divergen tanto una con respecto a

la otra. Las variables cointegradas y

xt exhiben una relación de equilibrio en el
yt
largo plazo definida por y es el error en el equilibrio, que
y t = β 1 + β 2 xt et
representa desviaciones de corto plazo con respecto a la relación de largo plazo.

Para probar la hipótesis de que y son cointegradas, nosotros probamos la

yt xt

e = y t − βˆ1 − βˆ 2 xt
estacionaridad de los residuales de mínimos cuadrados, ˆt , usando la
prueba de Dickey-Fuller. Nosotros estimamos la regresión

∆ eˆt = α 0 + γ eˆt −1 + vt , (6)

donde y estimamos el estadístico para la pendiente. Como estamos

∆eˆt = eˆt − eˆt −1 τ

basando la prueba en valores estimados, los valores críticos son diferentes a los de la Tabla
2 y son mostrados en la Tabla 3.

Tabla 3: Valores Críticos para la Prueba Cointegración

Modelo 1% 5% 10%

∆eˆt = α 0 + γ eˆt −1 + vt
-3.90 -3.34 -3.04
Fuente: R. Davidson y J.G. MacKinnon (1993), Estimation and Inference in Econometrics, New
York, Oxford University Press, p. 708.
 13

Imagine que queremos probar si y

xt = YPDRt , esto es si gasto personal en
y t = GPC t
consumo e ingreso personal disponible real son cointegradas (Figura 4). La serie
es no estacionaria. La regresión entre estas variables es:
xt = YPDRt

GPC t = − 390.785 + 1.016YPDRt

( − 24.50) ( 252.97)

Estimación de (6) da

∆eˆt = 0.1883− 0.1203eˆt −1

( 0.1107) ( − 4.5642)

El estadístico para la pendiente es menor que el valor crítico -3.90 al 1% por lo que
τ
rechazamos la hipótesis nula que los residuales son no estacionarios a favor de la
alternativa de que son estacionarios. Esto nos lleva a concluir que las variables son
cointegradas y que existe una relación de equilibrio de largo plazo entre ellas.