METODOLOGA DE ENGEL Y GRANGER

1)

Debo ver si las tres series son raz unitaria (deben comprobar que las series sean
razi unitaria haciendo uso de la metodologa de anlisis de ADF secuencial o
alguna otra prueba de raz unitaria que hemos visto en el curso).

2)

Una vez que se comprueba que cada una de las variables que vamos a usar es
RU, procedemos a construir la relacin de largo plazo (recuerden que lo que
queremos estimar es una modelo para la demanda de dinero):
Equation largo_plazo.ls lcirsa_r c lpbir tipmn_n

Dependent Variable: LCIRSA_R

Method: Least Squares
Date: 06/05/13 Time: 14:28
Sample: 1995M01 2001M12
Included observations: 84
Variable

Coefficient

Std. Error

t-Statistic

Prob.

LPBIR
TIPMN_N
C

1.182263
-0.608048
-7.135693

0.077130
0.241489
0.712965

15.32812
-2.517909
-10.00848

0.0000
0.0138
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.768035
0.762308
0.032427
0.085174
170.3521
134.0954
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

3.649788
0.066512
-3.984573
-3.897758
-3.949674
1.063814

3)

Recordemos que podemos estimar la ecuacin de largo plazo con MCO, a pesar
de tener variables I(1) porque di dichas variables cointegan los estimadores MCO
son superconsistentes.

4)

Dado que MCO es vlido en la ecuacin de largo plazo, se puede ver el p-value
que arroja el Eviews sin ningn problema. Las variables parecen significativas
pero, para saber si no nos encontramos ante una relacin esprea y que
efectivamente ES una relacin de cointegracion, analizamos el comportamiento
del error de la ecuacin de largo plazo.
a.

b.

Durbin Watson= 1.063814, indicio de que los errores no presentan un

coeficiente de correlacin cercano a uno. Recuerden que un buen R2 y un
DW por encima de 0.5 indican la presencia de cointegracin entre las
variables.
Para estar ms seguros que el error de cointegracin sea efectivamente
estacionario debemos aplicar un test de RU (test ADF) al residuo de la
ecuacin de largo plazo. Para ello, creamos la serie del residuo de la
ecuacin de cointegracin (relacin de largo plazo) y la llamaremos e_coint.

5)

Primero analizamos el grfico de la serie e_coint para tener una primera

aproximacin al anlisis de estacionariedad

E_COINT
.08

.04

.00

-.04

-.08

-.12
1995

1996

1997

1998

1999

2000

2001

6)

Analizamos el correlograma de e_coint

7)

Sin embargo, la prueba formal para probar que el residuo de la relacin de largo
plazo es estacionario es por medio de la prueba ADF a dicha serie.

Null Hypothesis: E_COINT has a unit root

Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=11)

Augmented Dickey-Fuller test statistic

Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-5.959290
-2.593121
-1.944762
-1.614204

0.0000

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

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(E_COINT)
Method: Least Squares
Date: 06/05/13 Time: 14:52
Sample (adjusted): 1995M02 2001M12
Included observations: 83 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

E_COINT(-1)

-0.567162

0.095173

-5.959290

0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.301544
0.301544
0.027768
0.063226
180.1928
2.020679

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

0.001017
0.033226
-4.317900
-4.288757
-4.306192

8)

Recuerden que en este caso NO se puede utilizar el p-value que te arroja la

prueba ADF del Eviews porque los crticos sobre los cuales se construyen no son
vlidos en un contexto de cointegracin. Para poder hacer el anlisis correcto, se
debe trabajar con los valores crticos propuestos por Phillips y Oularis (PO) (ver
documento Word colgado en el BB que contiene dichos valores crticos).

9)

Haciendo la comparacin con los valores crticos propuestos por PO podemos

concluir que se rechaza la hiptesis nula del test ADF, es decir, no existe
evidencia estadstica para afirmar que e_coint es RU y, por lo tanto,
concluiremos que es estacionaria.

10) Finalmente, basndonos en el grfico, el correlograma y el test de ADF, podemos

concluir que la serie resultante de la combinacin lineal de las tres series
analizadas es estacionaria, es decir, e_coint es estacionaria..
11) El siguiente paso consiste en estimar el Modelo de Correccin de Errores (MCE).
Dado que tenemos tres variables, pueden existir hasta 3 ecuaciones de correccin
de errores. Cada una de ellas modelar el cambio o diferencia de la variable en
funcin del error de cointegracin rezagado un perodo y de los rezagos de las
diferencias de las tres variables analizadas en la medida que se tenga que
asegurar que los errores de estimacin estn no autocorrelacionados. De manera
particular se debe estimar las siguientes tres ecuaciones:

lcirsa _ rt c0 0 e _ co int t 1 1i lcirsa _ rt i 1i lpbirt i 1i tipmn _ nt i 1t

i 1

i 0

i 0

lpbirt c1 1e _ co int t 1 2i lcirsa _ rt i 2i lpbirt i 2i tipmn _ nt i 2t

i 1

i 0

i 0

i 1

i 0

i 0

tipmn _ nt c2 2 e _ co int t 1 3i lcirsa _ rt i 3i lpbirt i 3i tipmn _ nt i 3t

Noten que estamos poniendo los rezagos de las diferencias de las variables solo
para asegurar que los residuos de las ecuaciones no tengan autocorrelacin. Sin
embargo, esto es importante porque los coeficientes alfa, beta y theta de cada una
de las ecuaciones me va a indicar la causalidad que existen entre las variables.
Finalmente, recuerden que para que exista cointegracin y el MCE sea vlido
debe cumplirse que: 0 0 o 1 0 o 3 0 y, obviamente, deben ser
estadsticamente significativas.
12) Vamos a hacer las estimaciones tomando en cuenta que p=q=r=0 para simplificar
nuestro anlisis. Recordemos que el modelo de correccin de errores, las
variables deben encontrarse en diferencia. Adems, se incluye el error de la
ecuacin de cointegracin rezagado un periodo para estimar la ecuacin de
correccin de errores. Tomen nota que en estos modelos todas las variables son
por construccin I(0) as que no hay problema en estimarlas por medio de MCO.
13) Procedemos a estimar cada ecuacin de correccin:
Equation mce.ls dlcirsa_r c e_coit(-1)
Dependent Variable: D(LCIRSA_R)
Method: Least Squares
Date: 06/05/13 Time: 15:12
Sample (adjusted): 1995M02 2001M12
Included observations: 83 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
E_COINT(-1)

0.003337
-0.496218

0.002799
0.087410

1.192038
-5.676902

0.2367
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.284624
0.275792
0.025503
0.052682
187.7643
32.22721
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.003378
0.029968
-4.476248
-4.417963
-4.452833
2.121768

Vemos que el coeficiente de ajuste es negativo y significativo para esta ecuacin,

por lo que podemos concluir que esta ecuacin s constituye un MCE.
Equation mce.ls dlpbir_r c e_coit(-1)

Dependent Variable: D(LPBIR)

Method: Least Squares
Date: 06/05/13 Time: 15:19
Sample (adjusted): 1995M02 2001M12
Included observations: 83 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
E_COINT(-1)

0.001826
0.048538

0.001175
0.036696

1.553470
1.322725

0.1242
0.1896

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.021143
0.009059
0.010706
0.009285
259.8040
1.749601
0.189649

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.001822
0.010755
-6.212145
-6.153859
-6.188729
2.181606

Vemos que el coeficiente de ajuste es positivo pero no significativo as que esta

ecuacin NO es un MCE.
Equation mce.ls dtipmn__n c e_coit(-1)

Dependent Variable: D(TIPMN_N)

Method: Least Squares
Date: 06/05/13 Time: 15:20
Sample (adjusted): 1995M02 2001M12
Included observations: 83 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
E_COINT(-1)

-0.000344
-0.022169

0.000406
0.012680

-0.847197
-1.748394

0.3994
0.0842

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.036367
0.024470
0.003699
0.001109
348.0045
3.056881
0.084185

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

-0.000342
0.003746
-8.337459
-8.279173
-8.314043
0.881266

Vemos que el coeficiente de ajuste es negativo y significativo pero recin al 10%.

Sin embargo, uno puede ver que el valor del coeficiente es pequeo y podra
considerar no tomar en cuenta esta ecuacin.
14) Finalmente, podemos decir que estas series s cointegran en el largo plazo, y que
en el corto plazo hay una ecuacin que asegura la estabilidad de la relacin en el
largo plazo, esta ecuacin es la de la variacin del circulante real.
Nota: Si uno estimase los mismos MCE pero con p, q y r diferentes de cero,
los resultados no cambian. Sin embargo, dicho anlisis s me permitira poder
saber sobre la exogeneidad y causalidad de las variables. Por ejemplo, estimemos
el primer modelo de correccin con un rezago para todas las variables.

Dependent Variable: D(LCIRSA_R)

Method: Least Squares
Date: 06/05/13 Time: 15:27
Sample (adjusted): 1995M02 2001M12
Included observations: 83 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
E_COINT(-1)
D(TIPMN_N)

0.002727
-0.535518
-1.772768

0.002734
0.086586
0.744817

0.997426
-6.184845
-2.380140

0.3216
0.0000
0.0197

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.331932
0.315231
0.024799
0.049198
190.6037
19.87418
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.003378
0.029968
-4.520570
-4.433142
-4.485447
1.997961

Nota: Cuando se incluyo la diferencia del PBI real dicha variable sali no
significativa.
Viendo el cuadro podemos concluir lo siguiente: en el corto plazo lcirsa_r es
causada por tipmn_n, la cual es fuertemente exgena. Recuerden que solo
podemos hablar de exogeneidad y causalidad en el modelo de corto plazo y NO
en la relacin de largo plazo.
15) Otra manera de estimar el vector de correccin de errores es va un modelo VAR
entre las diferencias de las variables y usando como variable exgena a la
variable e_coint(-1).

Vector Autoregression Estimates

Date: 06/05/13 Time: 15:32
Sample (adjusted): 1995M02 2001M12
Included observations: 83 after adjustments
Standard errors in ( ) & t-statistics in [ ]
D(LCIRSA_R)

D(TIPMN_N)

D(LPBIR)

D(LCIRSA_R(-1))

-0.021029
(0.11142)
[-0.18873]

0.014683
(0.01304)
[ 1.12572]

-0.002807
(0.04741)
[-0.05921]

D(LCIRSA_R(-2))

-0.036703
(0.10093)
[-0.36364]

-0.005376
(0.01181)
[-0.45503]

-0.006510
(0.04294)
[-0.15160]

D(TIPMN_N(-1))

1.188581
(1.02651)
[ 1.15789]

0.685720
(0.12016)
[ 5.70675]

-0.076763
(0.43674)
[-0.17576]

D(TIPMN_N(-2))

-2.136386
(1.00520)
[-2.12534]

-0.100056
(0.11767)
[-0.85034]

-0.347398
(0.42767)
[-0.81230]

D(LPBIR(-1))

-0.198553
(0.29840)
[-0.66538]

0.093926
(0.03493)
[ 2.68897]

-0.124559
(0.12696)
[-0.98109]

D(LPBIR(-2))

-0.235093
(0.30213)
[-0.77812]

0.000250
(0.03537)
[ 0.00706]

0.079607
(0.12854)
[ 0.61930]

0.004350
(0.00298)
[ 1.45940]

-0.000450
(0.00035)
[-1.28964]

0.001874
(0.00127)
[ 1.47757]

E_COINT(-1)

-0.500936
(0.11173)
[-4.48356]

-0.000373
(0.01308)
[-0.02849]

0.037994
(0.04754)
[ 0.79927]

0.332825
0.270555
0.049133
0.025595
5.344890
190.6591
-4.401425
-4.168284
0.003378
0.029968

0.414789
0.360169
0.000673
0.002996
7.594121
368.7022
-8.691618
-8.458477
-0.000342
0.003746

0.062368
-0.025145
0.008894
0.010890
0.712671
261.5896
-6.110593
-5.877452
0.001822
0.010755

R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent

Determinant resid covariance (dof adj.)

Determinant resid covariance
Log likelihood
Akaike information criterion
Schwarz criterion

6.14E-13
4.53E-13
826.2579
-19.33151
-18.63209

16) Se puede analizar cada ecuacin de corto plazo por separado, en esta forma
reducida del VAR podemos fijarnos en los t-estadisticos del vector de
cointegracin porque este no debera mostrar una multicolinealdiad muy fuerte
con los otros regresores.
17) Del ejemplo podemos concluir que la nica ecuacin de corto plazo que cumple
con los supuestos es la primera porque e_coit es significativa (|-4,48|>2) y
negativa.
18) Por lo que podemos concluir que el circulante es la dependiente en el corto plazo
y que las otras dos variables son dbilmente exgenas porque sus coeficientes de
ajuste no cumplen con los supuestos requeridos.
METODOLOGA DE JOHANSEN
19) La metodologa de Johansen se basa en una estimacin de MV multivariada, es
decir, estima tanto los vectores de cointegracin como los coeficientes de ajuste
de manera conjunta.
20) Primero juntamos las tres variables en un grupo y buscamos la opcin de
cointegracin de Johansen.

21) A continuacin nos saldr la siguiente pantalla en donde debemos tomar una
decisin sobre los componentes determinsticos del modelo y el nmero de
rezagos a utilizar. Para el nmero de rezagos se suele trabajar con el nmero de
rezagos ptimos que saldra de la estimacin de un VAR reducido entre las tres
variables. Por el lado de los componentes determinsticos se suele trabajar con la
opcin nmero 3 ya que es la mejor representa las series macroeconmicas; sin
embargo, uno puede hacer uso de la opcin 6 y tener un resumen de los
resultados para cada opcin que presenta el Eviews.

22) A continuacin nos sale todo el resultado del test de Johansen.

Date: 06/05/13 Time: 15:42
Sample: 1995M01 2001M12
Included observations: 84
Trend assumption: Linear deterministic trend
Series: LCIRSA_R LPBIR TIPMN_N
Lags interval (in first differences): 1 to 2
Unrestricted Cointegration Rank Test (Trace)
Hypothesized
No. of CE(s)

Eigenvalue

Trace
Statistic

0.05
Critical Value

Prob.**

None *
At most 1
At most 2

0.292693
0.086581
2.75E-05

36.69789
7.609442
0.002314

29.79707
15.49471
3.841466

0.0068
0.5081
0.9596

Trace test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized
No. of CE(s)

Eigenvalue

Max-Eigen
Statistic

0.05
Critical Value

Prob.**

None *
At most 1
At most 2

0.292693
0.086581
2.75E-05

29.08845
7.607128
0.002314

21.13162
14.26460
3.841466

0.0031
0.4201
0.9596

Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values

10

Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):

LCIRSA_R
34.17905
-14.74199
5.504604

LPBIR
-33.38908
39.21499
-4.378288

TIPMN_N
21.36092
-0.449201
-74.63730

Unrestricted Adjustment Coefficients (alpha):

D(LCIRSA_R)
D(LPBIR)
D(TIPMN_N)

-0.013037
-0.000143
-0.000382

1 Cointegrating Equation(s):

0.003041
-0.002227
-0.000495

-4.57E-05
-3.72E-05
1.17E-05

Log likelihood

836.8649

Normalized cointegrating coefficients (standard error in parentheses)

LCIRSA_R
LPBIR
TIPMN_N
1.000000
-0.976887
0.624971
(0.11954)
(0.40250)
Adjustment coefficients (standard error in parentheses)
D(LCIRSA_R)
-0.445575
(0.09549)
D(LPBIR)
-0.004874
(0.04065)
D(TIPMN_N)
-0.013045
(0.01119)

2 Cointegrating Equation(s):

Log likelihood

840.6685

Normalized cointegrating coefficients (standard error in parentheses)

LCIRSA_R
LPBIR
TIPMN_N
1.000000
0.000000
0.970005
(1.29817)
0.000000
1.000000
0.353197
(1.18284)
Adjustment coefficients (standard error in parentheses)
D(LCIRSA_R)
-0.490409
0.554540
(0.10318)
(0.14276)
D(LPBIR)
0.027954
-0.082565
(0.04324)
(0.05982)
D(TIPMN_N)
-0.005742
-0.006684
(0.01200)
(0.01661)

23) Lo primero que debemos ver son los resultados de la prueba de la traza y mximo
valor propio. Fjense que el Eviews ya les da el resultado de cuntos vectores de
cointegracin ha podido identificar; sin embargo, es bueno tomar en cuenta cmo
se ha construido o concluido.
Lo primero que deben tomar en cuenta es que las pruebas son secuenciales y
notar que las hiptesis nulas corresponden a pruebas anidadas. Tomemos como
ejemplo la prueba de la traza, que es la ms usada.

11

Unrestricted Cointegration Rank Test (Trace)

Hypothesized
No. of CE(s)

Eigenvalue

Trace
Statistic

0.05
Critical Value

Prob.**

None *
At most 1
At most 2

0.292693
0.086581
2.75E-05

36.69789
7.609442
0.002314

29.79707
15.49471
3.841466

0.0068
0.5081
0.9596

Noten que la primera Ho es que existe ningn vector de cointegracin. En ese

caso, se obtiene un p-value menos a 0.05, por lo tanto, se rechaza la Ho (lo
mismo puedo conluir viendo que el valor calculado que es 36.69 es mayor a 29.79
que es el valor crtico); es decir, rechazo que no hay ningn vector de
cointegracin y, por ende, alguno habr pero an no s cuntos.
Paso a la siguiente Ho. Ahora pruebo que hay como mximo un vector de
cointegracin. Ahora mas bien veo que se acepta la Ho, es decir, hay como
mximo un vector de cointegracin.
Finalmente, cuando analizo la Ho de cmo mximo dos vectores de cointegracin,
tambin se acepta la Ho. Esto no debera sorprender ya que si he aceptado que
hay como mximo 1 tambin habr como mximo 2 ya que esa opcin incluye a la
anterior.
Por lo tanto, lo que debo fijarme es que punto paso de rechazar la prueba o
aceptarla. En este caso, cambio cuando tengo At most 1 y, por ende, esa es la
razn por la cual hay solo un vector de cointegracin.
24) Ahora vemos la parte de la estimacin propiamente del vector de cointegracin.
Vemos que el Eviews calcula los potenciales tres vectores de cointegracin.
Nuestra labor es darle significados econmicos a dichas relaciones. En este caso
como ya hemos concluido que solo hay un vector de cointegracin solo me fijo en
la parte que dice 1 Cointegrating Equation(s):

Vemos que tenemos:

1 Cointegrating Equation(s):

Log likelihood

836.8649

Normalized cointegrating coefficients (standard error in parentheses)

LCIRSA_R
LPBIR
TIPMN_N
1.000000
-0.976887
0.624971
(0.11954)
(0.40250)

A primera vista pareciera ilgico porque el signo del PBI es negativo y de la tasa
de inters es positivo. Sin embargo, lo que tenemos que tener en cuenta es que
esta relacin solo ha sido normalizada pero no despejada. Es decir, esta puesta
de la siguiente manera:
1*lcirsa_r 0.97lpbir + 0.62tipmn_n = v
Por lo tanto, lo que demos hacer es despejar lcirsa_r para tener la ecuacin de la
demanda de dinero y as obtenemos que:

12

lcirsa_r = 0.97lpbir - 0.62tipmn_n + v

As podemos ver que el pbi y la tasa de inters s tienen el signo correcto que la
teora econmica predice.
Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):
LCIRSA_R
34.17905
-14.74199
5.504604

LPBIR
-33.38908
39.21499
-4.378288

TIPMN_N
21.36092
-0.449201
-74.63730

Unrestricted Adjustment Coefficients (alpha):

D(LCIRSA_R)
D(LPBIR)
D(TIPMN_N)

-0.013037
-0.000143
-0.000382

1 Cointegrating Equation(s):

0.003041
-0.002227
-0.000495

-4.57E-05
-3.72E-05
1.17E-05

Log likelihood

836.8649

Normalized cointegrating coefficients (standard error in parentheses)

LCIRSA_R
LPBIR
TIPMN_N
1.000000
-0.976887
0.624971
(0.11954)
(0.40250)
Adjustment coefficients (standard error in parentheses)
D(LCIRSA_R)
-0.445575
(0.09549)
D(LPBIR)
-0.004874
(0.04065)
D(TIPMN_N)
-0.013045
(0.01119)

Finalmente, el siguiente cuadro nos da los coeficientes de ajuste del modelo de

correccin de corto plazo y estos deben cumplir con las mismas propiedades de
signo y significancia que discutimos dentro de la metodologa de Engel y Granger.
Adjustment coefficients (standard error in parentheses)
D(LCIRSA_R)
-0.445575
(0.09549)
D(LPBIR)
-0.004874
(0.04065)
D(TIPMN_N)
-0.013045
(0.01119)

25) Por ltimo, estimamos de manera completa el modelo reconociendo que solo
tenemos un vector de cointegracin.

13

14

26) Finalmente, el resultado final es el que se muestra abajo. En la parte superior se

presenta la estimacin del modelo de largo plazo, mientras que en la parte inferior
el MCE.
Vector Error Correction Estimates
Date: 06/05/13 Time: 16:00
Sample: 1995M01 2001M12
Included observations: 84
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq:

CointEq1

LCIRSA_R(-1)

1.000000

LPBIR(-1)

-0.976887
(0.11954)
[-8.17189]

TIPMN_N(-1)

0.624971
(0.40250)
[ 1.55271]

5.251668

Error Correction:

D(LCIRSA_R)

D(LPBIR)

D(TIPMN_N)

CointEq1

-0.445575
(0.09549)
[-4.66627]

-0.004874
(0.04065)
[-0.11990]

-0.013045
(0.01119)
[-1.16569]

D(LCIRSA_R(-1))

-0.057324

0.018360

0.021069

15

(0.10619)
[-0.53983]

(0.04520)
[ 0.40615]

(0.01245)
[ 1.69293]

D(LCIRSA_R(-2))

-0.060190
(0.09979)
[-0.60317]

0.002183
(0.04248)
[ 0.05140]

-0.003135
(0.01170)
[-0.26804]

D(LPBIR(-1))

-0.132789
(0.29363)
[-0.45223]

-0.162792
(0.12500)
[-1.30233]

0.084969
(0.03441)
[ 2.46907]

D(LPBIR(-2))

-0.194918
(0.29886)
[-0.65220]

0.064425
(0.12723)
[ 0.50638]

-0.000886
(0.03503)
[-0.02529]

D(TIPMN_N(-1))

1.033496
(1.02506)
[ 1.00823]

-0.164030
(0.43637)
[-0.37590]

0.649968
(0.12014)
[ 5.41026]

D(TIPMN_N(-2))

-2.369159
(1.00708)
[-2.35250]

-0.335825
(0.42872)
[-0.78333]

-0.099021
(0.11803)
[-0.83896]

0.004996
(0.00299)
[ 1.67295]

0.001925
(0.00127)
[ 1.51420]

-0.000414
(0.00035)
[-1.18296]

0.339995
0.279205
0.049828
0.025605
5.592950
192.8688
-4.401637
-4.170131
0.003894
0.030160

0.053775
-0.033377
0.009030
0.010900
0.617023
264.6063
-6.109673
-5.878167
0.001913
0.010723

0.424929
0.371962
0.000684
0.003001
8.022505
372.9550
-8.689404
-8.457897
-0.000267
0.003787

R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent

Determinant resid covariance (dof adj.)

Determinant resid covariance
Log likelihood
Akaike information criterion
Schwarz criterion

6.02E-13
4.46E-13
836.8649
-19.28250
-18.50116

Elaborado por: Sergio Servn L.

Sujeto a errores u omisiones

16