1

Distribucin Asinttica de Procesos con Races Unitarias

El objetivo de este tema es entender cmo se distribuyen los estimadores de
procesos autoregresivos con races complejas. Es un tema muy terico
fundamental para conocer la naturaleza de los contrastes de races unitarias y
para tener un buen conocimiento posterior de los contrastes de cointegracin.
La exposicin se divide en partes. En la primera se deriva la distribucin
asinttica de los estimadores autoregresivos con races unitarias. En la
segunda parte se explica cmo realizar contrastes con races estacionarias.
Finalmente, en la tercera parte se discuten problemas asociados a este tipo de
tests.
1) Distribucin asinttica de procesos con races unitarias.
A) Distribucin de un paseo aleatorio.
Considrese un proceso AR(1) dado por:
t t t
u y y + =
1

donde ) , 0 ( . . .
2
N d i i u
t
y 0
0
= y . El estimador OLS de viene dador por:

=

=

=
T
t
t
T
t
t t
T
y
y y
1
2
1
1
1

=
T

=

=

T
t
t
T
t
t t
y
u y
1
2
1
1
1
( )

=

=

=
T
t
t
T
t
t t
T
y
T
u y
T
T
1
2
1
1
1
1
1

)
) 1 (
, 0 ( )) ( , 0 (
1
2
2
2 2
1
2
1
1

=

=

N y E N u y
T
t
T
t
t t
)
) 1 (
, 0 ( ) ) ( ) ( ) ( ( , 0 (
1
1
2
2
2 1 2
1
2
1
2 1 2
1
1
2
1
1
1

=

=

N y E y E y E N
y
T
u y
T
t t t
T
t
t
T
t
t t
2
Y esto es una distribucin degenerada cuando el proceso tiene una raz unitaria.
Qu es lo que ocurre? Para obtener una distribucin no degenerada hay que multiplicar
por I en vez de por T . Esto es porque el estimador converge a una tasa ms rpida
cuando es no estacionaria.
Primero vamos a escalar correctamente el estadstico cuando su verdadero valor es la
unidad. Notar que
=
T

=

=

T
t
t
T
t
t t
y
u y
1
2
1
1
1
Luego, si multiplicamos por I obtenemos
= ) (
T
T

=

=

T
t
t
T
t
t t
y
T
u y
T
1
2
1
2
1
1
1
1
Ahora, consideramos primero el numerador de la expresin. Si el proceso es no
estacionario
y
t
= u
t
+ u
t-1
+ + u
1

Ya que y
0
= u. Se sigue que
y
t
~N(u, o
2
t)
Ntese adems que para un paseo aleatorio
y
t
2
= (y
t-1
+ u
t
)
2
= y
t-1
2
+2y
t-1
u
t
+ u
t
2

Lo que implica que
y
t-1
u
t
= (
1
2
, ){y
t
2
- y
t-1
2
+ u
t
2
].
Si sumamos sobre t = 1, , I, el resultado es
y
t-1
u
t
=
1
2
, {y
1
2
- y
0
2
]
1
t=1
-
1
2
, u
t
2
1
t=1
Dado que y
0
= u, se sigue que
(
1
I
, ) y
t-1
u
t
=
1
2
,
1
t=1
1
I
, y
1
2
-
1
2
,
1
I
, u
t
2
1
t=1

3

Si dividimos por o
2
, el resultado es
(
1
o
2
I
, ) y
t-1
u
t
=
1
2
,
1
t=1
_

1
oI
]
2
- [
1
2o
2
,
1
I
, u
t
2
1
t=1

Sabemos que
_

1
oI
]
2
~_
2
(1)
Adems
1
I
, u
t
2
1
t=1
p
-o
2

Por lo que
(
1
o
2
I
, ) y
t-1
u
t
L
-_
1
2
] (X -1)
1
t=1

Donde X~_
2
(1).

Volvemos ahora al denominador y consideramos

=

T
t
t
y
1
2
1

Ya que
y
t
~N(u, o
2
t) , entonces E(y
t-1
2
) = o
2
(t - 1). Volviendo al denominador de la
expresin, tenemos
2 / ) 1 ( ) 1 (
2
1
2
1
2
1
T T t y E
T
t
T
t
t
= =

= =


Luego para que la distribucin converga debe dividirse por I
2
.
Para resumir, si el proceso es un paseo aleatorio,
1) para que la desviacin del estimador de su verdadero valor converja debe
multiplicarse por T en vez de I.
2) La uistiibucion asintotica no es gaussiana sino un iatio que tiene una _
2
(1)
en el numeiauoi y una uistiibucion no estnuai en el uenominauoi.
B. Nocion Biauniana.

Consiuiese el paseo aleatoiio
y
t
= y
t-1
+ e
t
(2.1)

e
t
~i. i. J N(u,1)

Si el proceso empieza con y
0
= u. Esto significa que

4
y
t
= e
1
+ e
2
+ + e
t

y
t
~N(u, t)
Es ms, el cambio en el valor de y entre las fechas t y s es:
y
s
- y
t
= e
t+1
+ e
t+2
+ + e
s

sigue una distribucin N(u, (s - t)) y es independiente de los cambios entre las fechas
r y q de forma que t < s < r < q. La innovacin e
t
~N(u,1). Supngase ahora que
vemos e
t
como la suma de dos variables gaussianas independientes:
e
t
= c
1t
+c
2t

donde c
t
~iiJN(u,
1
2
, )
Podemos asociar c
1t
como el cambio de y entre t-1 y un punto intermedio
c
1t
= y
t-(
1
2
, )
- y
t-1
Por lo tanto podemos imaginar la particin del cambio de y entre t y t-1 en N periodos
diferentes, de forma que
y
t
- y
t-1
= c
1t
+ c
2t
+ + c
Nt

con c
t
~iiJN(u,
1
N
, ). El lmite cuando N - es lo que se conoce como una mocin
brauniana estndar. El valor de dicho proceso en tiempo t se denota por w(t). Ojo!!, se
trata de un proceso continuo.
Definicin: Una mocin Brauniana standarizada w(. ) es un proceso estocstico
continuo que asocia a cada periodo t un escalar w(t) de forma que:
(a) w(u) = u;
(b) |w(s) - w(t)]~N(u, s - t) y es independiente del proceso entre otros dos
periodos de tiempo.
(c) w(t) es un proceso continuo en t con probabilidad 1.
Otro proceso continuo que puede ser construido a partir de una mocin brauniana es
Z(t) = ow(t)
Cuyos incrementos se distribuyen como N(u, o
2
t) entre realizaciones. Tal proceso se
describe como una mocin Brauniana con varianza o
2
.
Otro ejemplo es
Z(t) = |w(t)]
2

5


que se distribuira como t una _
2
(1) entre realizaciones.
Aunque w(t) es continua en t, no puede ser diferenciada usando clculos estndar. La
direccin de cambio en t puede ser completamente diferente de un periodo con respecto
al periodo anterior.

C. El teorema central del lmite funcional

El teorema central del lmite clsico. u
t
es iid con media cero y varianza o
2
, entonces la
media muestral satisface u
1
u
t
1
t=1
satisface que
Iu
1
L
-N(u, o
2
)
Si calculramos la media muestral para la mitad de la muestra tambin cumplira el
teorema central del lmite. De forma ms general, podemos construir una variable X
1
(r)
para la primera r fraccin de observaciones definida por
X
1
(r) (
1
I
, ) u
t
|1]
-
t=1

donde |Ir]
-
denota el mayor entero que es menor o igual que Ir
X
1
(r) es una funcin escaln tal que

X
1
(r) =
`
1
1
1
1
1
1
u or u r < 1I
u
1
I or
1
I
r < 2I
(u
1
+ u
2
)I
.
.
.
(u
1
+ u
2
+ + u
1
)I
or
2
I
r < SI
.
.
.
or r = 1
(1)

Luego
IX
1
(r) = _
1
I
,
] u
t
=
|1]
-
t=1
_
|Ir]
-
I
_
__
1
|Ir]
-
_
_ u
t
|1]
-
t=1

pero

6
_
1
|Ir]
-
_
_ u
t
|1]
-
t=1
L
-N(u, o
2
)
y
_
|Ir]
-
I
_
_
p
-r
Entonces, la distribucin asinttica de IX
1
(r) es r veces una N(u, o
2
)
IX
1
(r)
L
-N(u, ro
2
)
I _
X
1
(r)
o
_
L
-N(u, r)
Para un r
2
> r
1
se concluye que
I|X
1
(r
2
) - X
1
(r
1
)]
L
-N(u, r
2
- r
1
)
Por lo que no es extrao que
I _
X
1
(. )
o
_
L
-w(. ) Rexu|tadu 1
Este resultado se conoce como el teorema central del lmite funcional.
Para casa: demostrar que cuando r=1 coincide con el teorema central del lmite
standard.
Ahora extendemos la definicin de convergencia en ley para variables aleatorias a
funciones aleatorias. Sea S(. ) un proceso estocstico en tiempo continuo siendo S(r) su
valor en alguna fecha r e |u,1]. Supngase que S(r) es una funcin continua en r con
probabilidad 1. Sea {S
1
(. )]
1=1

una secuencia de tales funciones continuas, decimos que

S
1
(. )
L
-S(. ) si las siguientes condiciones se cumplen:
a) Por una coleccin de k fechas
u r
1
< r
2
< < r
k
1
la secuencia de vectores aleatorios {y
1
]
1=1

converge en distribucin al vector y,

donde
y
1

l
l
l
l
l
S
1
(r
1
)
S
1
(r
2
)
.
.
.
S
1
(r
k
)1
1
1
1
1
y
l
l
l
l
l
S(r
1
)
S(r
2
)
.
.
.
S(r
k
)1
1
1
1
1
b) Para cada e > u, la probabilidad de que S
1
(r
1
) difiera o de S
1
(r
2
) para dos
fechas r
1
y r
2
tiende uniformente a cero en I conforme o -u.
c) P{|S
1
(u)| > z] -u converge uniformemente en I conforme z -.
7

Esta definicin se aplica a funciones continuas aunque la funcin (1) es una funcin por
escalones. Afortunadamente, las discontinuidades ocurren en puntos contables.
Formalmente, S
1
(. ) puede ser reemplazado por una funcin continua similar
interpolando en los saltos. La definicin de convergencia anterior puede generalizarse
para permitir discontinuidades de este tipo.

Es tambin til la definicin de convergencia en probabilidad . Sean {S
1
(. )]
1=1

y
{I
1
(. )]
1=1

dos secuencias aleatorias de funciones continuas que toman valores en

r e |u,1]. Sea y
1
el escalar que representa la mayor diferencia entre estas dos funciones
para cualquier I
y
1

sup
r e |u,1]
|S
1
(. ) - I
1
(. )|

Decimos que las dos secuencias convergen en probabilidad si
sup
r e |u,1]
|S
1
(. ) - I
1
(. )| -u
Si Sean {S
1
(. )]
1=1

y {I
1
(. )]
1=1

convergen asintticamente a S (. ) y I (. ) entonces

{I
1
(. )]
1=1

L
-S (. ) y viceversa.

Teorema de la funcin continua

Si S
1
(. )
L
-S(. ) y g(. ) es una funcin continua, entonces g(S
1
(. ))
L
-g(S(. )). Este
teorema tambin se aplica para funciones acotadas.
Por ejemplo
IX
1
(r)
L
-ow(. )
ya que w(. )~N(u, r).
Otro ejemplo, considerar
S
1
(r) = |IX
1
(r)]
2

Aplicando el teorema de la funcin continua
S
1
(r)
L
-o
2
|w(. )]
2
.

Aplicacin a procesos con races unitarias

Utilizamos los trabajos pioneros de Phillips (1986, 1987). La ilustracin ms simple de
este proceso parte de un paseo aleatorio

y
t
= y
t-1
+ u
t

Si y
0
= u, esto implica que
y
t
= u
1
+ u
2
++u
t


Ntese que esta funcin puede usarse para expresar la funcin estocstica

8
X
1
(r) =
`
1
1
1
1
1
1
u or u r < 1I
y
1
I or
1
I
r < 2I
y
2
I
.
.
.
y
1
I
or
2
I
r < SI
.
.
.
or r = 1
Ntese que el rea de esta funcin es la suma de T rectngulos. El rectngulo i tiene de
tamao 1 I y de altura y
-1
I. Luego, el integral de X
1
(r) es equivalente a
_X
1
(r)Jr =
1
0
y
1
I
2
+y
2
I
2
++y
t-1
I
2

Si multiplicamos a ambos lados por I se establece que
_IX
1
(r)Jr =
1
0
I
-32
y
t-1
1
t=1

Sabemos por el teorema de la funcin continua que
_IX
1
(r)Jr
L
-o _ w(r)Jr
1
0
1
0

Lo que significa que
I
-32
y
t-1
1
t=1
L
-o _ w(r)Jr
1
0
Rexu|tadu 2
Si derivamos la distribucin de primeros principios se obtiene que
I
-
3
2
y
t-1
1
t=1
= I
-
3
2|u
1
+ (u
1
+ u
2
) +(u
1
+ u
2
+ u
3
) +
+ (u
1
+ u
2
+u
3
+ + u
1-1
)]
= I
-
3
2|(I - 1)u
1
+ (I -2)u
2
+ (I - S)u
3
+ + |I - (I - 1)]u
1-1
]
= I
-32
(I - t)u
t
1
t=1

= I
-12
u
t
- I
-32
1
t=1
tu
t
1
t=1
(2)
Ahora vamos por partes. Sabemos por el teorema central del lmite que
I
-
1
2
u
t
1
t=1
L
-N(u, o
2
)
9
Para el segundo elemento sabemos que
o
t
2
= E|(tI)u
t
]
2
= o
2
(t
2
I
2
)
y
(
1
I
) o
t
2
= o
2
(
1
I
3
)
1
t=1
t
2
1
t=1
p
-
o
2
S
Hay que notar que
[
1
I
+1
, t

1
t=1
-
1
(: + 1)
,
Para verificarlo, notar que
[
1
I
+1
, t

1
t=1
= _
1
I
] _
t
I
]

1
t=1
El trmino de la derecha de esta expresin puede verse como una aproximacin al rea
de la curva
(r) = r

con r =
t
1
Esta suma converge al rea bajo la curva (r).
_
1
I
] _
t
I
]

1
t=1
-_ r

1
0
Jr =
r
+1
: + 1
, _
=0
1
=
1
(: + 1)
,
La expresin (2) tambin nos dice que
I
-
3
2
tu
t
1
t=1
L
-ow(1) - o _ w(r)Jr
1
0
Rexu|tadu 3
Un argumento similar puede ser usado para describir la distribucin asinttica de la
suma de cuadrados de un paseo aleatorio. Sabemos, por el teorema de la funcin
continua que
IX
1
(. )
L
-ow(. )
Luego,
I
-2
y
t-1
2
1
t=1
L
-o _ |w(r)]
2
Jr
1
0
Rexu|tadu 4
Otros dos resultados tiles son
I
-52
ty
t-1
1
t=1
= I
-32
(tI)y
t-1
1
t=1
L
-o _ rw(r) Rexu|tadu 5
1
0

y
10

I
-3
t
1
t=1
y
t-1
2
= I
-2
[
t
1

1
t=1
y
t-1
2
L
- ] r|w(r)]
2
1
0
Jr Rexu|tadu

Otra aplicacin til es considerar el estadstico

(
1
I
, ) y
t-1
u
t
=
1
2
,
1
t=1
1
I
, y
1
2
-
1
2
,
1
I
, u
t
2
1
t=1


Que puede ser escrito como

(
1
I
, ) y
t-1
u
t
=
1
2
,
1
t=1
S
1
(1) -
1
2
,
1
I
, u
t
2
1
t=1


Sabemos que por la ley de los grandes nmeros

1
I
, u
t
2
1
t=1
p
-o
2

y
S
1
(1)
p
-o
2
|w(1)]
2


Entonces

(
1
I
, ) y
t-1
u
t
1
t=1
L
- _
1
2
] o
2
|w(1)]
2
- _
1
2
] o
2
Rexu|tadu 7

D. Propiedades asintticas de procesos autoregresivos de primer orden

Aplicando los resultados obtenidos en secciones anteriores es muy fcil derivar las
propiedades asintticas de los procesos con races unitarias.

Caso 1. No hay trmino constante o tendencia determinista. El proceso es un paseo
aleatorio.

t t t
u y y + =
1

donde ) , 0 ( . . .
2
N d i i u
t
y 0
0
= y . El estimador OLS de viene dador por:

=

=

=
T
t
t
T
t
t t
T
y
y y
1
2
1
1
1

Y la desviacin del valor del estimador de su verdadero valor viene dada por

11

= ) (
T
T ) 3 (
1
1
1
2
1
2
1
1

=

=

T
t
t
T
t
t t
y
T
u y
T

Pero sabemos que
(
1
I
, ) y
t-1
u
t
1
t=1
L
- _
1
2
] o
2
|w(1)]
2
- _
1
2
] o
2
(De Rexu|tadu 7)
y


I
-2
y
t-1
2
1
t=1
L
-o _ |w(r)]
2
Jr (De Rexu|tadu 4)
1
0

Luego

I(p - 1)
L
-
[
1
2
o
2
|w(1)]
2
-[
1
2
o
2
o ]
|w(r)]
2
Jr
1
0


Recordar que w(1) es una chi cuadrado(1). La probabilidad de que una chicuadrado(1)
sea menor que 1 es 0.68. Dado que el denominador debe ser positivo, la probabilidad de
que p -1 sea negativo es 0.68. En otras palabras, en dos tercios de la generacin de un
paseo aleatorio, el valor del estimador va a ser ms pequeo que la unidad. La
conclusin es que la distribucin de I(p - 1) est sesgada a la izquierda.

En el caso estacionarario, el estimador est sesgado hacia abajo en muestras pequeas.
Sin embargo, la distribucin de este estimador est centrada.

Los valores crticos tienen que ser calculados mediante mtodo de Monte Carlo.

Otro resultado importante es que bajo la condicin de no estacionariedad, el estimador
es superconsistente. Esto se ve fcilmente dividiendo por I
I(p - 1)
p
-u

Otro estadstico popular es el t-estadstico para contrastar la hiptesis de races unitarias,
p = 1

t
1
=
(p - 1)
o
p
T
=
(p - 1)
_
S
1
2
y
t-1
2 1
t=1
_ _
12

Que puede expresarse como


t
1
=
I(p - 1){I
-2
y
t-1
2 1
t=1
]
12
(S
1
2
)
12

12
Que si sustituimos de la expresin (3) resulta
t
1
=
I
-1
y
t-1
u
t
1
t=1
{I
-2
y
t-1
2 1
t=1
]
12
(S
1
2
)
12

Sabemos que S
1
2
p
-o
2
Lo que significa que
t
1
L
-
(12){|w(1)]
2
- 1]
]o
2
]
|w(r)]
2
1
0

12
(o
2
)
12
=
(12){|w(1)]
2
- 1] De Rexu|tadu 7
]]
|w(r)]
2
1
0

12
De Rexu|tadu 4
Caso 2. Hay trmino constante pero no tendencia determinista. El proceso es un
paseo aleatorio.
Estimamos el modelo
y
t
= o + py
t-1
+ u
t

La diferencia entre la estimacin OLS y el verdadero valor del estimador bajo la
hiptesis nula o = u y p = 1 viene dada por
_
o
1
p
1
- 1
_ = _
I y
t-1
y
t-1
y
t-1
2
_ _
u
t
y
t-1
u
t
_
Sabemos que
y
t-1
= 0
p
(I
3
2
)
y
t-1
u
t
= 0
p
(I)
u
t
= 0
p
(I
1
2
)
Luego
_
o
1
p
1
- 1
_ = _
0
p
(I) 0
p
(I
3
2
)
0
p
(I
3
2
) 0
p
(I
2
)
_ _
0
p
(I
1
2
)
0
p
(I)
_
Por lo que parece claro que los estimadores de la constante y del componente
autoregresivo convergen a diferentes tasas. Luego parece lgico rescalar las variables
para que convergan. Rescalamos por

1
= _
I
12
u
u I
_

1
(b
1
-B) =
1
jx
1
x
1
'[
-1

1
-1
jx
1
u
1
[
Haciendo esta multiplicacin, lo que se tiene es
13


_
I
12
o
1
I(p
1
- 1)
_ = _
1 I
-32
y
t-1
I
-32
y
t-1
I
-2
y
t-1
2
_
-1
_
I
-12
u
t
I
-1
y
t-1
u
t
_

Sabemos que

_
1 I
-32
y
t-1
I
-32
y
t-1
I
-2
y
t-1
2
_
L
- _
1 o _w(r)Jr
o _w(r)Jr o
2
_|w(r)]
2
Jr
_

Y

_
I
-12
u
t
I
-1
y
t-1
u
t
_
L
- _
ow(1)
_
1
2
] o
2
|w(1)]
2
- _
1
2
] o
2
_

Utilizando resultados 1, 2, 4 y 7.

La distribucin se puede obtener poniendo sustituyendo las dos ltimas expresiones.
Dos cosas importantes a notar es que ni la distribucin del trmino constante ni la del
polinomio autoregresivo es gausiana. Tambin, la distribucin del trmino
autoregresivo cambia con respecto al caso sin constante.

Para casa. Hacer los casos
Constante pero tendencia incluida en la regresin. El verdadero proceso es un
paseo aleatorio con deriva.
Constante y tendencia. El verdadero proceso es un paseo aleatorio con o sin
deriva.

2. Contrastes de races unitarias estacionales:
t t t
y y + =
4

La solucin de este proceso es:
...
8 4
+ + + =
t t t t
y
As, si tomamos diferencias resulta en:

=

=

+ =
4 /
0
1 4
4 /
0
4 1
t
i
i
t
i
i t t
y y
Es decir, la serie en diferencias tambin tiene persistencia. Por esta razn, el
test de races unitarias debe ser modificado para contrastar races estacionales.
Una adaptacin muy simple del test D-F para races estacionales consiste en
proponer la siguiente regresin auxiliar.

14

,
1 t s t t
a y a y + =


se contrasta si
1
a es cero.
Ntese que ), 1 )( 1 )( 1 )( 1 ( ) 1 (
4 / 1 4 / 1 4 / 1 4 / 1 4
L L i L L L + =
Cada una de estas races est relacionada con una frecuencia diferente del
ciclo estacional.

Hyllerberg et al (1990) (HEGY) propone el siguiente procedimiento:
t t
t t
y iL a iL a L a L a
y L A

= + +
=
) 1 )( 1 )( 1 )( 1 (
) (
4 3 2 1

4 casos posibles:
1) Si 1
4 3 2 1
= = = = a a a a , hay una raz unitaria estacional.
2) Si 1
1
= a , una solucin del sistema es .
1
=
t t
y y Entonces hay que
diferenciar.
3) Si 1
2
= a , una solucin del sistema es .
1
=
t t
y y Esto tiende a replicarse
cada 6 meses.
3) Si 1
3
= a 1
4
= a , la secuencia tiene un ciclo anual.
Ejemplo: 1
3
= a . Entonces una solucin homognea es
1
=
t t
iy y . As si 1 =
t
y
, i y
t
=
+1
, 1
2
2
= =
+
i y
t
, i y
t
=
+3
e 1
2
4
= =
+
i y
t
.

As, la secuencia se replica cada ao.
Para desarrollar la serie, tomamos la aproximacin de Taylor alrededor del
punto 1
4 3 2 1
= = = = a a a a .
Detalles:
L iL a iL a L a
a
L A
) 1 )( 1 )( 1 (
) (
4 3 2
1
+ + =

evalundola en 1
4 3 2 1
= = = = a a a a , resulta en ) 1 (
3 2
L L L L + + + .
Haciendo lo mismo para
1
a ,
2
a ,
3
a tenemos:

iL iL L
iL iL L
L L L
) 1 )( 1 (
) 1 )( 1 (
) 1 (
2
2
3 2

+
+

Ya que ) (L A evaluado en 1
4 3 2 1
= = = = a a a a es ) 1 (
4
L , es posible
aproximar:
15


t t
y
a iL iL L
a iL iL L a L L L L a L L L L L
=

+
+ + + + + +
) 1 (( ) 1 )( 1 (
) 1 ( ) 1 )( 1 ( ) 1 ( ) 1 ( ) 1 )( 1 ( ) 1 (
4
2
3
2
2
3 2
1
3 2 4

Si definimos ) 1 ( =
i i
a y notamos que L i i iL = + ) 1 ( y L i i iL + = ) 1 ( ,
podemos escribir la anterior expresin como:

t t t t t
y L L y L L L y L L L y L + + + + + + =
1 6 5
2
1
3 2
2 1
3 2
1
4
) )( 1 ( ) 1 ( ) 1 ( ) 1 (

Afortunadamente, existen muchos softwares economtricos que realizan estos
tests en series cuatrimestrales y mensuales. Sin embargo, se puede resumir el
procedimiento de contraste en los siguientes pasos:
1) Defino las siguientes variables:
3 1 1
2
1 3
1
3 2
1 2
1
4 2
1 1
) 1 (
) 1 (
) 1 (



= =
+ =
+ + + =
t t t t
t t
t t
y y y L y
y L L L y
y L L L y

2) Estimo la regresin:
t t t t t
y L L y L L L y L L L y L + + + + + + =
1 6 5
2
1
3 2
2 1
3 2
1
4
) )( 1 ( ) 1 ( ) 1 ( ) 1 (

3) Formo el estadstico t para contrastar la hiptesis nula 0
1
= , los valores
crticos de este test pueden mirarse en Hylleberg, et al. (1990). Si no se
rechaza la hiptesis 0
1
= , se concluye la presencia de una raz no
estacional. Si no se rechaza la hiptesis 0
2
= , se concluye que hay una
raz en la frecuencia semianual. Finalmente, se realiza un test F para la
hiptesis 0
6 5
= = . Si no se rechaza la nula se concluye que hay una
raz estacional.
El contraste de Hasza y Fuller(1982)
Se trata de un contraste para series trimestrales que fue extendido por Osborn,
Smith y Birchenhall (1988) para series mensuales. Para series mensuales, el test
OCSB se convierte en:


=

=
+ + + + =
p
j
t j t j t t
k
kt k t
y y y D y
1
12 12 2 1 12 1
12
1
12

Ntese que no se incluye un trmino de tendencia determinstica en la
regresin.
16
Se puede observar que la expresin anterior puede ser escrita como:

=

=
+ + + + =
p
j
t j t j t t
k
kt k t
z z z L S D z
1
12 12 2 1 1
12
1
12
) (
donde
t t
y z = y

=
=
11
0
) (
i
i
L L S . Luego esto se podra interpretar como un test D-F
sobre la validez de la diferencia estacional.
Del mismo modo, esto tambin se puede ver como un test D-F sobre la validez
de tomar primeras diferencias:

=

=
+ + + + =
p
j
t j t j t t
k
kt k t
w w w D w
1
12 2 1 1
12
1

donde
t t
y w
12
= .
La hiptesis nula I(1,1), 0
2 1
= = se puede contrastar con un estadstico F,
los valores crticos se muestran en los papers de Hasza y Fuller(1982) para series
trimestrales y Osborn, Smith y Birchenhall (1988) para series mensuales.
Una alternativa a esta hiptesis es que la estacionariedad se consigue tomando
primeras diferencias. Esta hiptesis alternativa I(1,0), se representa por: 0
1
= y
0
2
< . La segunda alternativa es que el proceso requiere una diferencia anual pero
no una diferencia regular. Esta alternativa se puede escribir como I(0,1), siendo la
restriccin en los parmetros 0
2
= y 0
1
< . Siguiendo la sugerencia por OCSB
podemos usar los estadsticos t para separar por estas dos posibilidades. El test
OCSB no distingue entre una alternativa I(0,0).
La siguiente tabla muestra el resultado de los tests para las 20 series
desagregadas del IPC USA. De forma adicional, en la cuarta columna de esta tabla he
incluido un test F Standard para contrastar la posibilidad de estacionalidad
determinista en la ecuacin 1.
17











Table. OCSB Seasonal unit root tests results.


1

2

2 , 1
F
s
F
(1)
lags
S
1,t
-1.35 -13.84 (**) 108.65 (**) 112.34 (**) 7
S
2,t
1.02 -12.36 (**) 93.08 (**) 108.41 (**) 8
S
3,t
1.51 -9.03 (**) 44.23 (**) 5.20 (**) 0
S
4,t
0.66 -13.26 (**) 95.92 (**) 6.76 (**) 2
S
5,t
-0.61 -10.29 (**) 57.89 (**) 7.86 (**) 2
I
1,t
1.76 -11.02 (**) 65.63 (**) 9.61 (**) 0
I
2,t
3.33 -11.51 (**) 71.61 (**) 1.63 0
I
3,t
0.81 -5.53 20.30 (*) 0.66 7
I
4,t
0.36 -8.66 (**) 43.81 (**) 3.87(**) 11
A
1,t
1.48 -10.87 (**) 68.10 (**) 6.17 (**) 9
A
2,t
0.97 -13.72 (**) 102.94(**) 3.12 (**) 2
A
3,t
0.69 -14.39 (**) 112.39 (**) 2.78 (**) 1
A
4,t
2.09 -12.72 (**) 89.10 (**) 4.91 (**) 3
A
5,t
0.19 -13.10 (**) 93.15 (**) 3.58 (**) 1
A
6,t
-1.45 -13.67 (**) 101.03 (**) 6.32 (**) 0
A
7,t
1.76 -13.42 (**) 100.60(**) 13.79 (**) 4
E
1,t
0.99 -13.45 (**) 105.16 (**) 3.84 (**) 10
E
2,t
-0.27 -14.33 (**) 111.49 (**) 3.57 (**) 1
E
3,t
0.39 -8.86(**) 44.13 (**) 7.18 (**) 5
E
4,t
0.63 -7.04(**) 29.61 (**) 2.60 (**) 12

Notes: (1) is the F statistic to test for the significance of seasonal dummies. * indicates the null hypothesis of zero
coefficient(s)in Equation (1) is rejected at the 5% significance level; ** indicates the null hypothesis of zero
coefficient(s)in Equation (1) is rejected at the 5% significance level. The critical values of Rodrigues and Osborn (1997)
are used.


3. Problemas estandar de tests de races unitarias.
Cambio estructural
Un problema potencial cuando se realiza un test de races unitarias es el efecto
de un cambio estructural. Cuando hay un cambio estructural, los tests D-F estn
sesgados a no rechazar la hiptesis nula. Si para una serie con cambio estructural del
que no somos conscientes estimamos el siguiente modelo:

t t t
y a a y + + =
1 1 0


18
El trmino
1
a estara sesgado hacia la unidad.
Perron (1989) gener 1000 rplicas de un proceso estacionario con cambio
estructural y encontr evidencia de este sesgo.
Perron (1989) propone el siguiente test:
t L t
t p t t
D t a a y H
D y a y H


+ + + =
+ + + =

2 2 0 1
1 1 0 0
:
:
donde
p
D representa una variable dummy tipo impulso 1 =
p
D si 1 + = t y cero en
caso contrario, y
L
D representa una variable en niveles tal que 1 =
L
D si > t y cero
en caso contrario.
Ntese que bajo la hiptesis nula,
t
y , es un proceso con raz unitaria y con un
shock transitorio en el nivel. Bajo la hiptesis alternativa es un proceso con tendencia
estacionaria con un shock estructural en el nivel. El procedimiento de Perron para
decidir entre la hiptesis nula y la alternativa es:
1) Eliminar la tendencia de los datos bajo la hiptesis alternativa y llamar a los
residuos
t
y
t L t
y D t a a y
2 2 0
+ + + =
2) Estimar
t t t
y a y + =
1 1
.
Bajo la hiptesis nula
1
a es la unidad. La distribucin de
1
a despende de la
proporcin de observaciones ocurridas antes del break ( T = ).
3) Realizar test de diagnstico para ver si los residuos de la anterior regresin
estn serialmente correlacionados
t
k
i
i t i t t
y y a y + + =

=

1
1 1
.
4) Calcular el valor del t-estadstico para 1
1
= a y compararlo con el valor
crtico dado por Perron. Si se encuentra que el valor de este t-estadstico es
mayor que el dado por Perron, entonces se puede rechazar la hiptesis
nula de raz unitaria. Todo esto se puede hacer en un solo paso:
t i t
k
i
i L t t
y D t a y a a y + + + + + =

=

1
2 2 1 1 0

Es una metodologa muy general y se puede aplicar a cambios de media y de
pendiente.
19
Potencia del contraste y regresores determinsticos
La potencia de un test es la probabilidad de rechazar la nula cuando es falsa.
En muestras pequeas, un proceso con tendencia estacionaria puede ser
aproximado por un proceso de raz unitaria. Cuando incluimos mucho componentes
deterministas en un contraste D-F hay que tener en cuenta que muchos regresores
reducen la potencia del contraste. El estadstico depende de cuantos componentes
deterministas se han considerado.
Un consejo.
* Mirar siempre los datos y tener claro cual es la hiptesis nula y la alternativa.
El estadstico D-F estima el modelo bajo la alternativa usando la restriccin
impuesta por la nula.
Por ejemplo, en una serie que crece no tiene sentido contrastar:
0
2 0
= = = a a en:

=

+ + + + =
p
i
t i t i t t
y t a y a y
1
2 1 0