Anlisis de Estacionariedad segn el algoritmo de Enders

La base de datos que se usar para analizar la estacionaredad es la de Nelson_Ploster (venta de

automviles por trimestre en millones de dlares), desde el primer trimestre de 1970 hasta el
segundo trimestre de 1986.

Primero aplicaremos el filtro de Hodrick Prescott, para ver si grficamente existe una lnea de
tendencia.

Hodrick-Prescott Filter (lambda=1600)

2,000

1,600

1,200
800
600 800
400
200 400

0
-200
-400
-600
70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86

ventas de autos Trend Cycle

Lo que logramos observar es que la lnea no es recta sino curveada por lo que nos da una ligera
sospecha de que la serie podra ser no estacionaria.

Luego pasamos aplicar el correlograma

Ahora logramos observar que la serie es no estacionaria pues las barras sombreadas se salen de
los intervalos de confianza.

Entonces procederemos a aplicar el algoritmo de Enders

En niveles

1 Modelo: Con tendencia y con intercepto.

= 0 + 1 + 2 + +

Null Hypothesis: VENTAS has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=10)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.145640 0.1048

Test criticalvalues: 1% level -4.105534
5% level -3.480463
10% level -3.168039

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(VENTAS)
Method: LeastSquares
Date: 06/30/17 Time: 13:17
Sample (adjusted): 1970Q2 1986Q2
Includedobservations: 65 afteradjustments

Variable Coefficient Std. Error t-Statistic Prob.

VENTAS(-1) -0.261774 0.083218 -3.145640 0.0025

C 374.2462 121.2222 3.087274 0.0030
@TREND(1970Q1) -2.939318 1.502127 -1.956770 0.0549

R-squared 0.144523 Mean dependentvar -4.400000

Adjusted R-squared 0.116927 S.D. dependentvar 221.5642
S.E. of regression 208.2082 Akaikeinfocriterion 13.56001
Sum squaredresid 2687741. Schwarzcriterion 13.66037
Log likelihood -437.7003 Hannan-Quinncriter. 13.59961
F-statistic 5.237089 Durbin-Watson stat 2.010847
Prob(F-statistic) 0.007915

Prueba individual:

0 : = 0 Existe raz unitaria.

1 : 0 No existe raz unitaria.

| | | |

Al 90% de confianza: 3.168039>3.145640. Conclusin no se puede rechazar H0 al 90%.

Al 95% de confianza: 3.480463>3.145640. Conclusin no se puede rechazar H0 al 95%.

Al 99% de confianza: 4.105534>3.145640. Conclusin no se puede rechazar H0 al 99%.

Prueba conjunta:

0 : = 0 2 =
| | | |

| | = 3.716664697 < | | = 5.237089

No se puede rechazar la H0

Luego, segn el algoritmo de Enders, pasamos al proceso 1:

2 Modelo: Solo se considera el intercepto

= 0 + 1 + +
 Prueba individual:

0 : = 0 Existe raz unitaria.

1 : 0 No existe raz unitaria.

| | | |

Conclusin no se puede rechazar la H0, al 90%, 95% y 99%.

Prueba conjunta:

0 : = 0 2 =
| | |

| | = 33.5 > | | = 6.359656

Conclusin se rechaza la hiptesis nula

3 Modelo: sin tendencia y sin intercepto

= 1 + +
Prueba individual:

0 : = 0 Existe raz unitaria.

1 : 0 No existe raz unitaria.

| | | |

Conclusin no se puede rechazar la H0, al 90%, 95% y 99%.

Luego pasmos a analizar en diferncias

En diferencia

1 Modelo: Con tendencia y con intercepto.

2 Modelo: Solo se considera el intercepto
3 Modelo: sin tendencia y sin intercepto

Concluimos que la serie es estacionaria en primera difererencia.