Beruflich Dokumente
Kultur Dokumente
=
+ =
t
i
i t
y y
1
0
c
Expresin que permite comprobar que aunque el paseo aleatorio simple es un
proceso estacionario en media por definicin:
| | | |
0 0
1
0
y y E y E y E
t
i
i t
= =
(
+ =
=
c
Presenta una varianza no constante, que se ampla con el paso del tiempo
tendiendo a infinito a medida que t tambin lo hace.
| | | | | |
| | | |
2 2 2
2
2
1 3 1 2 1
2
2
2
1
2
1
2
1
0 0
2
.... ..... .....
c
o c c c c c c c c c
c c
t E E
E y y E y E y E y V
t
t
i
i
t
i
i t t t
= + + = + + + + =
=
(
=
(
+ = =
= =
Lo ms interesante del paseo aleatorio, si se observa la ecuacin de su solucin
recursiva, es que se observa claramente como cada uno de los shocks c
t
pasados
que la serie recibi (c
0
, c
1
, ... c
t-1
, c
t
) tiene sobre el valor actual y futuro de la serie
un efecto permanente, que no se diluye, y, por tanto, tendencial,
pero al tiempo, de
naturaleza aleatoria.
El paseo aleatorio con deriva incorpora una constante a
0
a la expresin del
paseo simple:
t t t t
a y a y c c + = A + + =
0 t 1 0
y
La expresin deriva se aplica con mucho criterio ya que el proceso as definido
experimentar una variacin constante definida por el trmino a
0
dado que la
solucin genrica a la anterior ecuacin responde a la expresin:
Despus de t perodos, el valor de y
t
se ve influido por todos los shocks pasados y
presentes a travs del trmino de tendencia estocstica
=
t
i
t
1
c
y , al mismo tiempo,
de forma invariable, tambin permanente, pero adems perfectamente conocida,
por el trmino determinista a
0
t .
A diferencia del proceso aleatorio simple, la deriva incluida en este otro modelo
supone que el proceso no slo no ser estacionario en varianza sino tampoco en
media.
=
+ + =
t
i
i t
t a y y
1
0 0
c
| | | | t a y t a y E t a y E y E
t
i
i t 0 0 0 0
1
0 0
+ = + =
(
+ + =
=
c
| | | | | |
| | | |
2 2 2
2
2
1 3 1 2 1
2
2
2
1
2
1
2
0
1
0 0 0
2
.... .... .....
c
o c c c c c c c c c
c c
t E E
E t a y t a y E y E y E y V
t
t
i
i
t
i
i t t t
= + + = + + + + =
=
(
=
(
+ + = =
= =
Como ya se vio en el tema relativo a la autocorrelacin, la utilizacin de series no
estacionarias incrementa el riesgo de regresiones espurias.
Este fenmeno puede entenderse directamente, sin conocimientos adicionales, si
nos referimos a series con tendencia determinista; tras la explicacin previa,
puede entenderse tambin porqu el problema persiste cuando utilizamos series
con tendencia aleatoria, independientemente de si presentan tendencia
determinista (cambio en la media) o no.
Cmo se comprueba si una serie es estacionaria en varianza? Orden
de integracin
El anlisis grfico no es un instrumento vlido para la deteccin de tendencias
estocsticas.
Este tipo de series no estacionarias en varianza, que pueden considerarse por
tanto series con tendencia, no tienen necesariamente una representacin grfica
con cambios evidentes en la media, ya que hablamos de no estacionariedad en
varianza, no en media:
Ejemplo de representacin de un paseo aleatorio sin deriva
(serie con tendencia aleatoria)
Puede decirse que, en lo que se refiere al anlisis de la estacionariedad en
varianza, el anlisis grfico slo nos servir para identificar series sin
componentes autorregresivos claros, es decir, para identificar series de progresin
aleatoria.
Este tipo de series no autocorrelacionadas cruzan constantemente la media sin
dibujar ningn tipo de oscilacin que ocupe varios perodos.
Ejemplo de serie sin componentes de autocorrelacin
-8,0000
-6,0000
-4,0000
-2,0000
0,0000
2,0000
4,0000
6,0000
e
n
e
-
9
6
e
n
e
-
9
7
e
n
e
-
9
8
e
n
e
-
9
9
e
n
e
-
0
0
e
n
e
-
0
1
e
n
e
-
0
2
e
n
e
-
0
3
e
n
e
-
0
4
e
n
e
-
0
5
Sin duda alguna, el test ms sencillo y habitualmente utilizado a la hora de
determinar la estacionariedad de una serie temporal es el test de DickeyFuller
(Test DF) o su versin ampliada Dickey-Fuller Ampliado (Test ADF). Se trata de
un contraste de No estacionariedad, es decir, en el que la hiptesis nula es
precisamente la presencia de una raz unitaria
3
en el proceso generador de datos
de la serie analizada.
El test DF trata de verificar si una determinada serie y
t
sigue un paseo aleatorio no
estacionario o alternativamente un proceso autorregresivo estacionario de orden
uno:
H
0
: a
1
=1
1 0 t t t
y a y c + + =
(y
t
No estacionaria en varianza)
H
1
: a
1
<1
1 1 0 t t t
y a a y c + + =
(y
t
Estacionaria en varianza)
Se trata, por tanto, de contrastar si el coeficiente a
1
es igual a la unidad o menor
que uno. Debe observarse que las series no estacionarias conforme a un paseo
aleatorio, presentan una raz (solucin) unitaria en su polinomio de retardos.
Efectivamente, en la expresin anterior, correspondiente a la hiptesis nula, el
polinomio de retardos resulta ser:
-3.0000
-2.0000
-1.0000
0.0000
1.0000
2.0000
3.0000
e
n
e
-
9
6
e
n
e
-
9
7
e
n
e
-
9
8
e
n
e
-
9
9
e
n
e
-
0
0
e
n
e
-
0
1
e
n
e
-
0
2
e
n
e
-
0
3
e
n
e
-
0
4
e
n
e
-
0
5
( )
( ) L L
L y y y y y
t t t t t t t t
= u
= = + =
1
1
1 1
c c c
Cuya nica raz es, precisamente la unidad:
( ) 1 0 1 0 = = = u L L L
Esta es la razn por la que habitualmente decimos que las series no estacionarias
en varianza son series con races unitarias.
Debe advertirse que, en el caso de procesos autorregresivos de mayor orden, las
series pueden presentar ms de una raz unitaria, lo que se corresponde con la
idea de que sus polinomios de retados (de orden superior a 1) tengan ms de una
nica raz igual a la unidad. Por ejemplo, en el caso de un AR(2), el polinomio de
retardos es:
( )
( )
2
2 1
2
2 1 2 2 1 1 2 2 1 1
1
1
L L L
L L y y y y y y y
t t t t t t t t t t
| |
c | | c | | c | |
= u
= = + + =
De modo que recordando la expresin genrica de las soluciones de un polinomio
de grado 2 tenemos un polinomio de retardos:
( )
2
2 1
1 L L L | | = u
Cuyas races son:
2
2
2
1 1
1
2
2
2
1 1
1
2
4
y
2
4
|
| | |
|
| | |
+
=
+ +
= r r
De donde puede deducirse que si los valores de |1 y |2 suman la unidad, ambas
races del polinomio de retardos seran iguales a la unidad:
( )
1 0 ) 1 (
0 ) 1 ( 4 0 4 4 4 4 4 4
2 4 2 4 1
2
4
1 2 1 2
1 2 2 2 1
2
2 2 2 1
2
1
2
2 2
2
1
2
1 2 2
2
1 1 2 2
2
1
2
2
2
1 1
1
= + = +
= + = + + = +
= + = + =
+ +
=
| | | |
| | | | | | | | | | | | |
| | | | | | | |
|
| | |
r
Para contrastar la nulidad del coeficiente a
1
en el test ADF se realiza primero una
sencilla transformacin del modelo autorregresivo tratando de transformar la
hiptesis nula a
1
=1 en una hiptesis clsica t de nulidad del coeficiente.
As, del modelo:
1 0 t t t
y a y c + + =
Pasamos al transformado:
t t
t t
t t t t t
y a
y a a
y y a a y y
c
c
c
+ + = A
+ + = A
+ + =
1 0 t
1 1 0 t
1 1 1 0 1
y
) 1 ( y
Donde, por tanto, la hiptesis nula inicial H
0
:a
1
=1 se transforma ahora en H
0
: =0
frente a H
1
: <0.
Decir que es nulo es lo mismo que decir que a
1
=1, o sea, que existe una raz
unitaria, decir que es menor que cero equivale a decir que a
1
es menor que la
unidad (proceso autorregresivo estacionario)
4
.
Una vez estimado el modelo previo, podramos suponer que el p-value
correspondiente al contraste t de Student sobre el parmetro servira para
aceptar o rechazar la hiptesis de nulidad; sin embargo, Dickey y Fuller
demostraron que no podemos utilizar el contraste t habitual sobre la ratio
del parmetro MCO entre su desviacin estndar.
La estimacin de a
1
en
t t t
y a y c + =
1 1
ser siempre consistente pero, sin embargo,
su distribucin variar segn los valores que tome la estimacin. Utilizando las
palabras de Novales (1993), la distribucin de probabilidad asinttica del
estimador de MCO del modelo AR(1) presenta una discontinuidad cuando a
1
=1
y, como sustituto, debern utilizarse las distribuciones derivadas de forma
emprica mediante un procedimiento de Montecarlo realizado por Dickey (1976).
Ms recientemente, MacKinnon (1991) realiz un nmero mayor de simulaciones
que las tabuladas por Dickey y Fuller.
Adems, MacKinnon estim la superficie de respuesta usando los resultados de la
simulacin, lo que permite calcular los valores crticos del test DF para cualquier
tamao muestral y cualquier nmero de variables en el lado derecho de la
ecuacin.
En todo caso, el procedimiento de contraste sigue siendo aparentemente sencillo:
1.- Se estima el modelo
t t
y a c + + = A
1 0 t
y
2.- Se calcula la ratio habitual
( )
DT
3.- Se compara el valor calculado con las distribuciones de DF o MacKinnon
para un determinado nivel de confianza.
4.- Si la ratio calculada supera el valor crtico de tablas, se rechaza la
hiptesis de nulidad de , es decir, se rechaza la hiptesis de presencia de
races unitarias (hiptesis de no estacionariedad)
Sin embargo, este procedimiento estndar presenta en este caso algunas
peculiaridades. Quiz la ms importante es que los valores crticos de las
tablas DF o MacKinnon dependen de la presencia en el modelo de trminos
deterministas (trmino constante o tendencia determinista). De ese modo,
antes de proceder a contrastar el valor de debe optarse por una de las
tres especificaciones siguientes (a).- Con tendencia y trmino
independiente.
t t
y t a a c + + + = A
1 1 0 t
y
(b).- Con trmino independiente.
t t
y a c + + = A
1 0 t
y
(c).- Sin trminos deterministas.
t t
y c + = A
1 t
y
Dolado et al. (1990) y Perron (1990) propusieron, entre otros autores, seguir
un proceso en etapas a fin de garantizar el xito en la eleccin del modelo de
referencia en el mayor nmero de ocasiones:
- En primer lugar se estimara el modelo menos restringido (con trmino
constante y tendencia determinista).
- Dado que el principal error de esta tctica inicial consistira en la escasa
potencia del contraste para el rechazo de la hiptesis nula por inclusin
de variables irrelevantes, si los valores crticos indican rechazo
(ausencia de raz unitaria), terminaramos el procedimiento.
- En el caso de no rechazarse la hiptesis nula de presencia de una raz
unitaria, es decir, en el caso en que admitamos la presencia de una raz
unitaria (H
0
: =0) pasaramos ahora a examinar la significatividad del
parmetro tendencial determinista a
1
. Dado que, en este punto,
estaramos bajo la hiptesis ya admitida de que =0, utilizaramos el
valor de referencia de las tablas DF para el trmino tendencial
(denominado generalmente t
|t
)
5
e incluso, para mayor seguridad,
tambin el contraste conjunto denominado |
3
(a
1
==0).
- Si el trmino tendencial resulta significativo (a
1
=0) contrastaremos de
nuevo la presencia de una raz unitaria (H
0
: =0) pero utilizando
entonces las tablas de una normal estandarizada. Sea cual sea el
resultado del test con las nuevas tablas finalizaramos aqu el contraste
admitiendo o rechazando la presencia de una raz unitaria.
- Si el trmino tendencial es no significativo, deber replantearse el
modelo inicialmente estimado pasndose a examinar otro con trmino
constante pero sin esta tendencia determinista. Con este modelo se
vuelve a analizar la presencia de una raz unitaria (=0).
En el caso en que, nuevamente, se sostenga la presencia de una raz unitaria, se
contrastar entonces la adecuacin del trmino independiente a
0
bien con el
contraste t
o
, bien con el contraste conjunto denominado |
1
(a
0
==0)
6
. Si el
trmino independiente resulta significativo usamos de nuevo las tablas de una
normal para contrastar la presencia de la raz unitaria, concluyendo de nuevo aqu
el contraste.
- Slo si entonces la constante a
0
es no significativa se utiliza el modelo ms
simple como modelo de referencia contrastndose, de nuevo, la presencia de
raz unitaria. En este caso, no tiene cabida el uso de la distribucin normal
estandarizada.
En el caso de encontrar una raz unitaria en la serie analizada, cabe preguntarse
qu transformacin requiere la serie para convertirse en una serie
estacionaria en varianza.
Observando el caso de un paseo aleatorio simple utilizado en la hiptesis nula,
parece sencillo intuir que, si la serie original presenta una raz unitaria, la serie en
primeras diferencias ser una transformada estacionaria en varianza:
0 1 0 t t t t t
a y y a y c c + = A + + =
Las series que requieren una transformacin en diferencias (integracin)
para convertirse en series estacionarias en varianza se denominan series
Integradas de Orden 1, y se representan como I(1).
Si de una serie se dice que es I(0) es evidente que no son necesarias diferencias
para lograr la estacionariedad, es decir, que la serie original ya es estacionaria en
varianza.
Puede una serie ser I(2) I(3)?. Es decir, puede una serie tener ms de una
raz unitaria?.
Efectivamente, ya vimos anteriormente que en procesos autorregresivos de orden
superior a uno cabe la posibilidad de que exista ms de una raz unitaria.
As pues, una vez detectada la primera raz de una serie, debe repetirse de nuevo
el test DF sobre la serie diferenciada una vez, con el fin de localizar una segunda
raz.
En el caso de que el test DF detectase esa segunda raz, la serie sera entonces
I(2), es decir, necesitara ser diferenciada 2 veces para convertirse en estacionaria
en varianza:
( ) ) 0 ( ) 1 ( ) 2 (
) 0 ( ) 1 (
2
I y y I y I y
I y I y
t t t t
t t
A = A A A
A
Efectivamente, cuando una serie que sigue un proceso AR(2), por ejemplo:
2 2 1 1 t t t t
y y y c | | + + =
Presenta dos races unitarias, su polinomio de retardos puede descomponerse
factorialmente en:
( ) ( ) ( )( ) L L L L L L = u = u 1 1 1
2
2 1
| |
De modo que la serie original Y
t:
2 2 1 1 t t t t
y y y c | | + + =
Puede representarse como una serie estacionaria mediante la expresin:
( )
t t
a L Y c + = u
0
o lo que es igual,
( ) ( )( )
t t t y t t
a y a L L y a L y c c c + = A + = + = u
0
2
0 0
1 1
La presencia de ms de una raz unitaria en una serie exige que el proceso
generador de datos sea de orden superior a uno dado que de otra forma el
polinomio de retardos slo puede tener una nica raz; sin embargo, el test DF
slo contempla la posibilidad de una modelo AR(1) frente aun paseo aleatorio (de
orden 1).
Para dar cabida a modelos de orden superior (tanto en la hiptesis nula como en
la alternativa), se propone una versin extendida del test DF que se conoce como
test ADF.
Para ilustrar el modelo de contraste del test ADF, supongamos un modelo AR(2)
como base del proceso autorregresivo del que se desea analizar la
estacionariedad:
2 2 1 1 t t t t
y a y a y c + + =
En este caso, vimos anteriormente como la presencia de races unitarias se
corresponda con la situacin en la que:
1
1 2
= + a a
De modo que lo que debemos ahora contrastar con el test DF no es ya el valor de
uno de los dos coeficientes sino el de la suma de ambos.
Es decir, en este caso, las hiptesis nula y alternativa se definen del siguiente
modo:
H
0
: a
1
+ a
2
=1
2 2 1 1 0 t t t t
y a y a a y c + + + =
(y
t
No Estacionaria en varianza)
H
0
: a
1
+ a
2
<1
2 2 1 1 0 t t t t
y a y a a y c + + + =
(y
t
Estacionaria en varianza)
Una vez ms, para adaptar el test a una hiptesis clsica de nulidad de un
coeficiente, se propone la expresin:
=
+
+ A + + = A
p
i
t i t i t t
y y a y
2
1 1 0
c |
Donde nuevamente, la hiptesis nula a contrastar es H
0
: =0 frente a H
1
: <0 dado
que no resulta complejo demostrar que el coeficiente es:
|
|
.
|
\
|
=
=
p
i
i
a
1
1
siendo:
=
=
p
j
j i
a
1
|
As pues, como puede observarse, la presencia de ms de una raz unitaria en
una serie exigir aadir a la regresin del test simple DF trminos retardados de la
endgena
1 +
A
i t
y
lo que, por otro lado, servir para corregir la regresin de
contraste de posibles problemas de autocorrelacin.
http://martinmedina-pascal.blogspot.mx/p/notacion-y-conceptos-
fundamentales.html