Documente Academic
Documente Profesional
Documente Cultură
Versin Preliminar
Agradecemos de Antemano Comentarios
{y1 , y 2 ,....., yT }
1. Ruido blanco: el proceso y t se define como ruido blanco si cumple con las
siguientes condiciones:
Ly t = y t 1
L2 y t = LLy t = Ly t 1 = y t 2
y t = y t yt 1 = (1 L ) y t
y t 1 = y t 1 y t 2 = L(1 L ) y t .
Y as sucesivamente.
Haremos referencia a estos conceptos ampliamente a travs del texto como piezas
fundamentales en la construccin de modelos de series de tiempo.
La teora economtrica establece que a partir de una muestra se puede encontrar el proceso
estocstico generador (PEG) de la misma, lo cual implica que se debe seleccionar una serie
y subsecuentemente modelarla. Existen varios modelos que pudieran representar el PEG de
una serie de tiempo; aqu nos concentraremos en tres que son fundamentales en la prctica:
un proceso autorregresivo (AR), de media mvil (MA), y autorregresivo de media mvil
(ARMA).
1. Proceso Autorregresivo
yt = + y t 1 + t
(1.1)
generalizar como:
y t = + 1 y t 1 + 2 y t 2 + ...... + p y t p + t
(1.2)
E ( y t | y t 1 , y t 2 ,....., yt p ) = + 1 y t 1 + 2 y t 2 + ..... + p y t p
Var ( y t | y t 1 , y t 2 ,....., y t p ) = 2 .
Ahora bien, haciendo uso del operador de rezago, la ecuacin (1.1) puede expresarse como
yt y t 1 = + t = y t Ly t que a su vez es igual a:
(1 L ) yt
= + t
(1.3)
De tal forma que el modelo AR(p) definido en (1.2), se puede replantear como
yt 1 y t 1 2 y t 2 ..... p y t p = + t que se simplifica como:
(1 L L
1
..... p L p y t = + t
Donde 1 1 L 2 L2 ..... p L p
(1.4)
2. Media Mvil
(1.5)
y t = + t 1 t 1 2 t 2 ..... q t q
(1.6)
E ( y t ) = E ( + t t 1 ) =
Var ( y t ) = 2 1 + 2
y t = (1 L ) t
(1.7)
yt = 1 1 L 2 L2 ..... q Lq t = ( L) t
(1.8)
yt = + 1 y t 1 + 2 y t 2 + ..... + p y t p + t 1 t 1 2 t 2 ..... q t q
(1.9)
En esta ecuacin, como se puede ver, aparecen p trminos autorregresivos que representan
rezagos distribuidos de la variable dependiente y q rezagos de la variable de
perturbacin, t , que corresponden a los promedios mviles y que se denominan
innovaciones. Se le conoce as a t por que recoge nueva informacin que se va
conociendo cada periodo. En particular, ntese que el trmino de error que se define exhibe
la siguiente forma: t 1 t 1 ..... q t q .
10
1. AR como MA
+
que a su vez es equivalente a la
1 L 1 L
yt =
+ (1 + L + 2 L2 + .....) t
i =0
i t i ,
yt =
i =0
i t i
(1.13)
Esta definicin sugiere que un proceso AR(1) puede ser expresado como un proceso
MA( ) , lo que significa que y t es una agregacin de la historia de todas las innovaciones.
11
2. MA como AR
Se considera que un modelo MA(1) puede representarse como un modelo AR( ) debido al
siguiente desarrollo:
Sea y t = + t 1 t 1 ,
yt = + t L t lo que es igual a
yt
1 L
=
+
t =
+ t .
1 L 1 1 L
1
(1.14)
1
= (1 + L + 2 L2 + ......) , lo cual representa la
1 L
1
= (1 + L + 2 L2 + ......) =
, y a partir de ello, se puede plantear la siguiente
1 L
1
expresin:
yt
= (1 + L + 2 L2 + ....) y t = y t +
1 L
De
expresin
acuerdo
1 L
con
Greene
i =1
i y t i
(1998),
(1.15)
al
= = ( + 2 + ......... ) es igual a
12
ser
una
constante,
la
La cual se puede definir de forma alternativa para afirmar que un modelo MA(1) puede
representarse como un modelo AR( ) . La nueva especificacin sera igual a:
yt +
i =1
i y t i =
+ t .
1
(1.16)
donde
yt =
i =1
i y t i + t
A este punto el lector se preguntar cul es la utilidad de saber estas relaciones? Las mismas
son fundamentales cuando se realizan derivaciones formales de modelos complejos, por
ejemplo la caracterizacin de un sistema multivariado, ya que se puede simplificar la
notacin refirindose a ellas.2
Cada uno de los procesos que definimos anteriormente presenta relaciones de correlacin y
covarianza, las cuales en la prctica nos pueden ser tiles para identificar el proceso que una
variable pudiera seguir. A continuacin las presentamos.
El lector que haya revisado algn articulo economtrico tcnico, reconocer que frecuentemente se enuncian
en el texto supuestos sobre la caracterizacin de procesos, por ejemplo cuando se refieren a la posibiidad de
invertir un proceso estocstico. Es en esas instancias cuando es til conocer estas realciones.
13
j = cov( y t , y t j ) = E ( y t y t j )
(1.17)
Para los modelos que hemos considerado en el texto podemos definir las funciones de
autocovarianza de la siguiente forma:
a) Ruido blanco
0 = Var ( y t )
b) AR(1)
0 = E ( y t y t ) = E ((y t + t )( y t )) = 2
1 = E ( y t y t 1 ) = E ((y t 1 + t )( y t 1 )) = 2
2 = E ( yt y t 2 ) = E ((2 y t 2 + t 1 + t )( y t 2 )) = 2 2
.
.
k = E ( y t y t k ) = E ((k y t k + .... + t )( y t k )) = k 2
14
c) MA(1)
0 = Var ( y t ) = Var ( t + t 1 ) = 2 + 2 2 = (1 + 2 ) 2
1 = E ( y t y t 1 ) = E (( t + t 1 )( t 1 + t 2 )) = 2
2 =0
.
.
k = 0
j =
E (yt yt j )
Var ( yt )
Var ( y t )
j
0
(1.18)
a) Ruido blanco
0 = 1 , debido a que
0
=1
0
15
b) AR(1)
0 = 1
1 =
2
=
2
2 =
2 2
= 2
2
.
.
k k
k = k = k
c) MA(1)
0 = 1
1 =
=
2
2
(1 + ) (1 + 2 )
2 = 0
.
.
k = 0
16
Como veremos en los ejercicios prcticos que se presentan ms adelante, las funciones de
autocovarianza y autocorrelacin resultan fundamentales en la identificacin del PEG que
pudiera representar a una serie de tiempo.
Una vez especificados los modelos tericos AR, MA y ARMA, presentamos ahora una
descripcin de los pasos que generalmente se siguen en la aplicacin de los mismos, de
acuerdo a lo sugerido por Box-Jenkins (1970). En captulos posteriores ejemplificaremos la
misma con ejercicios prcticos. Resumiendo tenemos las siguientes generalizaciones:
AR(p): y t = + 1 y t 1 + 2 y t 2 + ..... + p y t p + t
MA(q): y t = + t 1 t 1 2 t 2 ..... q t q
ARMA(p,q): yt = + 1 y t 1 + 2 y t 2 + ..... + p y t p + t 1 t 1 ..... q t q
17
en que se toman como referentes los patrones tericos sealados en el Cuadro 1.1, y que se
derivan directamente de los modelos tericos descritos en la seccin anterior.
si
no
18
AR(p)
MA(q)
Funcin de autocorrelacin
Parcial
kk
Disminucin exponencial
combinando coeficientes positivos
y negativos en forma regular o sinusoidal
Coeficientes significativos a
lo largo de p retardos
Coeficientes significativos a lo
largo de q retardos
Decrecimiento exponencial
Decrecimiento exponencial
Se plantea que la eleccin de un modelo AR(p) se efecta cuando se observa que los
coeficientes de autocorrelacin simple decrecen exponencialmente y adems las
correlaciones parciales reflejan picos grandes a lo largo de p rezagos. Por su parte, se elige un
modelo MA(q) cuando la funcin de autocorrelacin parcial decrece exponencialmente o de
forma sinusoidal o combinando valores positivos y negativos, conjugado con una funcin de
autocorrelacin simple que muestra coeficientes significativos en ciertos p retardos. Si ambas
funciones decrecen exponencialmente, entonces se estima un modelo ARMA(p,q).
19
(b)
20
(d)
(e )
21
(g)
(h)
22
(j)
(k)
23
(m)
(n)
(o)
24
Por ejemplo, los diagramas (a) y (b) proyectan el caso de un modelo AR(1). En los dos
diagramas la funcin de autocorrelacin parcial manifiesta un pico en uno de los coeficientes
tericos, significando que es distinto de cero; lo que en trminos muestrales significa que se
ubica fuera del intervalo de confianza.
Un modelo AR(2) se caracteriza por presentar correlogramas tericos como los ilustrados en
el diagrama (c), (d) y (e). En el primer caso, la funcin de autocorrelacin decrece en forma
regular hacia cero, en el segundo tambin se observa un decrecimiento combinando valores
positivos y negativos en los coeficientes, y en el tercero, resalta una disminucin sinusoidal.
En los tres diagramas el correlograma de la funcin de autocorrelacin parcial se distingue
por manifestar picos significativos en dos de sus coeficientes convirtindolos en valores
distintos de cero.
Por su parte, un proceso MA(1), de acuerdo con los diagramas (f), (g) y (h), es aquel en
donde se tiene que la funcin de autocorrelacin parcial disminuye regularmente hasta llegar
a cero, o bien alternando valores de sus coeficientes positivos y negativos o en forma
sinusoidal, combinado esto con una funcin de autocorrelacin cuyos coeficientes resaltan a
lo largo de los q rezagos. Lo mismo se esperara para un modelo MA(2), slo que en este
caso, tal y como se muestra en los diagramas, (i), (j) y (k), se tendran 2 picos o coeficientes
distintos de cero en el correlograma de la funcin de autocorrelacin. En el caso del modelo
ARMA, la regla de identificacin consiste en ver si ambas funciones decrecen bajo distintas
posibilidades. En los diagramas (l), (m), (n) y (o) se expones algunos patrones consistentes
con este tipo de modelo.
25
estimacin de los parmetros del modelo identificado. El objetivo fundamental es hacer una
evaluacin de la confiabilidad de los resultados de regresin a partir del anlisis de diversos
estadsticos de prueba. En principio, se tiene que contrastar la significancia estadstica de los
coeficientes estimados haciendo uso de la distribucin normal. Tambin se tienen que
analizar las varianzas y compararlas en caso de que se tengan dos o ms modelos alternativos
con especificaciones distintas. De igual manera se tiene que valorar la relacin de la bondad
de ajuste medida a travs del coeficiente de determinacin mltiple normal o ajustado.
26
ajustado. En caso de que se hayan estimado dos o ms modelos que resulten ser aceptables,
se deber elegir uno de ellos en funcin de los estadsticos ya sealados y de otros criterios
que miden el margen de error de las estimaciones como el error cuadrtico medio o el error
absoluto medio.
27
Captulo 2: Estacionariedad
En este captulo introducimos el concepto de estacionariedad, que fundamentalmente se
refiere a condiciones sobre la distribucin de una variable a travs del tiempo. Asimismo,
presentamos una primera aproximacin a tcnicas tiles para identificar estacionariedad en
series de tiempo, stas se refieren al anlisis grfico y de las funciones de correlacin de las
variables, que de hecho ejemplifican la instrumentacin prctica de la metodologa BoxJenkins. En el captulo 3 consideramos herramientas ms formales que identifican
puntualmente la naturaleza estocstica de una serie de tiempo.
2.1. Concepto
El concepto de estacionariedad puede ser entendido en sentido estricto y amplio. El primer
caso se presenta cuando la funcin de distribucin de probabilidad de una variable no vara
con respecto a un desplazamiento en el tiempo. Esto significa que la distribucin conjunta
de m observaciones y t1 , yt2 ,...., y tm es similar a la de yt1 + k , yt2 + k ,...., y tm + k para todo m y k
retardos. Como esta definicin implica una restriccin fuerte de los procesos en el sentido
de que cada distribucin de y (t ) es independiente del tiempo, es que se define la
estacionariedad dbil, en sentido amplio o de segundo orden. Por tanto, una serie es
dbilmente estacionaria si su media es constante e independiente del tiempo, su varianza es
finita y constante, y el valor de su covarianza entre dos periodos no depende del tiempo,
sino de las distancia entre ellos. En consecuencia, una serie presenta estacionariedad dbil
si rene las siguientes condiciones:
28
Media :
E ( y t ) = , constante t
Varianza :
Var ( y t ) = E ( yt ) = 2 = 0 , constate t
Co var ianza :
Cov( y t , y t + k ) = E ( y t ) ( y t + k ) = k siendo t t + k
En la Figura 2.1, se ilustran distintos tipo de patrones que permiten apreciar el tipo de serie
de tiempo que se tiene como realizacin de un proceso estocstico. Por ejemplo, la figura
del panel (a) refleja el comportamiento tpico de una serie estacionaria en un sentido
amplio, en el panel (b) se ilustra el caso de una serie que no es estacionaria debido a la
evolucin de la media alrededor de la tendencia. En el panel (c), se constata la no
estacionariedad producto de cambios en la varianza en el transcurso del tiempo y
finalmente en el panel (d), no se percibe una serie con media y varianza constantes.
29
Yt
t
Proceso estocstico estacionario (a)
t
Proceso estocstico evolutivo (b)
Yt
Yt
t
Proceso estocstico evolutivo (c)
t
Proceso estocstico evolutivo (d)
Otro caso que ha recibido particular atencin en los desarrollos de la teora economtrica es
el proceso estocstico ergodico, el cual se presenta cuado los valores de la serie alejados en
el tiempo estn poco correlacionados, es decir, cuando los coeficientes de autocorrelacin
decrecen al aumentar el retardo k lo que significa que lim = 0 . Si dicho proceso sigue
=
una distribucin normal, se puede decir que las observaciones de la serie son cada vez ms
independientes de las anteriores, lo que permite construir estimadores consistentes de los
30
yt = y t 1 + t
(2.1)
Donde t rene las caractersticas de ser ruido blanco y la variable y t es una serie cuyo
valor es igual al inmediatamente anterior ms un choque aleatorio.
En esta lgica,
yt 1 = y t 2 + t 1 y
y t 2 = y t 3 + t 2
yt = y t 1 + t = t + t 1 + y t 2 = t + t 1 + t 2 + y t 3 = ...... =
Por tanto, si el proceso no tiene pasado infinito e inici con el valor y 0 como condicin
inicial, entonces yt = t + t 1 + t 2 + y 0 teniendo yt =
31
j + y 0 para j = 1,2,.......t.
= E ( yt ) = (
j + y0 ) = y0
E ( j ) = y 0
y la varianza como
var( y t ) = E ( y t y 0 ) = E (
2
j) =
2
E ( j ) = t 2 .
2
Esto significa que la media de y t es igual al valor inicial que es constante pero la varianza
no lo es, ya que crece de manera indefinida en la medida que t aumenta, lo cual viola una
condicin de estacionariedad.
Una extensin del modelo anterior, es el proceso de caminata aleatoria con rumbo o
constante que se define:
y t = + y t 1 + t
(2.2)
Y que al igual que el caso anterior, es un proceso AR(1), con la diferencia que incluye un
parmetro de variacin . Si (2.2) se reescribe como yt y t 1 = y t = + t , entonces se
deduce que la tendencia de y t se incrementa si > 0 y disminuye en caso de que < 0 .
32
Una primer prueba que se utiliza para diagnosticar si una serie es estacionaria, es la funcin
de autocorrelacin simple de la serie de tiempo y t . Este instrumento permite determinar el
grado de autocorrelacin entre las observaciones individuales que conforman la muestra
total de la serie y1 , y 2 ,........., yT , considerando un desfase temporal igual a k. Su
representacin grfica se ilustra a travs de un correlograma que est conformado por todos
33
k =
E[( y t )( y y + k )]
E ( yt ) 2 E ( yt + k ) 2
Cov( y t , yt + k )
(2.3)
yt y + k
Se deduce que para una serie estacionaria son iguales las varianzas yt y y + k ; por lo que
la expresin (2.3), se redefinira como:
k =
E[( y t y )( y t + k y )]
2
y
Cov( y t , y t + k )
2
y
k
0
(2.4)
0 =
E ( yt y )
y2
=1
34
Hay que considerar que para inferir sobre los coeficientes poblacionales, es necesario
estimar los coeficientes muestrales, los cuales oscilan entre 1 y +1. En este caso, la
funcin de autocorrelacin se expresa para el conjunto de la muestra como k =
k
, donde:
0
( y t y )( y t + k y )
k =
( yt y) 2
0 =
T K
k =
t =1
( y t y )( y t + k y )
T
t =1
.
( yt y )
(2.5)
35
36
Esta prueba de significancia individual est basada en un intervalo del 95% de confianza
que sigue las propiedades de la distribucin normal estndar y que se especifica como
K
k =1
del rezago. ste es un estadstico que est distribuido como una 2 con k grados de
libertad, por lo que Q(k ) ~ (k ) . Si la Q calculada excede el valor terico al nivel de
significancia seleccionado, se puede rechazar la hiptesis de que todos los k son iguales a
cero, por lo que al menos algunos de ellos deben ser diferentes de cero.
expresin: LB = T (T + 2) =
k2
K
k =1
nk
37
En este apartado se presenta un ejercicio prctico para ilustrar los conceptos tericos que
hasta este punto se han discutido. Se utiliza como serie objeto de anlisis el Producto
Interno Bruto de Mxico (PIB). Los datos fueron obtenidos del Banco de Mxico. De
acuerdo a la Grfica 2.1, una primera inspeccin de la serie indica que a lo largo del
periodo 1980:01 2006:01 sigue una tendencia creciente con sus respectivas oscilaciones.
Especficamente, llama la atencin la cada registrada en el primer trimestre de 1995, la
cual se explica por los efectos de la crisis econmica que experiment la economa
nacional a fines de 1994. Para propsitos del desarrollo del ejercicio, se trabaja con la serie
en logaritmos (LPIB), la cual se presenta en la Grfica 2.2 mostrando fundamentalmente
una dinmica similar a la serie en valores originales.3
A partir de este ejercicio y a travs del resto del documento, las estimaciones se realizan utilizando el
programa economtrico EViews, excepto para los ejercicios de ciclo comn que se llevan a cabo en el
Captulo 9, para las cuales se emple GAUSS.
38
Grfica 2.1. Producto Interno Bruto de Mxico (1980:01 -2006:01), miles de pesos
(1993=100)
2.0E+09
1.8E+09
1.6E+09
1.4E+09
1.2E+09
1.0E+09
8.0E+08
1980
1985
1990
1995
2000
2005
Grfica 2.2. Logaritmo del Producto Interno Bruto de Mxico (1980:01 -2006:01),
miles de pesos (1993=100)
21.4
21.3
21.2
21.1
21.0
20.9
20.8
20.7
20.6
1980
1985
1990
1995
39
2000
2005
40
Al observar las barras de la primera columna, se puede constatar que con excepcin del
rezago nmero 25, todos los coeficientes k son positivos y se encuentran fuera del intervalo
de confianza del 95%, determinado por las lneas punteadas ubicadas en los extremos de la
lnea continua. Aunque el ancho de las barras tiende a disminuir desde el primer rezago
hasta el ltimo, est claro que no hay evidencia suficiente para aceptar la hiptesis individual
de que cada k = 0 , ya que los intervalos no contienen el valor de cero, lo que a su vez
sugiere, que la serie LPIB es, efectivamente, no-estacionaria.
41
Para evaluar la hiptesis conjunta de que todos los coeficientes de autocorrelacin simple
(AC) son simultneamente iguales a cero, nos referimos a la prueba de Box Pierce y Ljung
Box. En este caso la hiptesis a probar es que H 0 : 1 , 2 , 3 ... k = 0 . Si el valor del
estadstico de Ljung y Box, que es el que se muestra en el correlograma para k = 25, excede
al valor de la 2 terico a un nivel de significancia del 95% y con k grados de libertad, se
rechaza la hiptesis de que todos los coeficientes son iguales a cero, lo que se corrobora con
la probabilidad reportada en el correlograma de 0.000 asociada al retardo k = 25. En este
sentido, se puede concluir que el PIB se comporta como una serie no-estacionaria en niveles.
Retomando el correlograma de la Figura 2.2, se agrega que cada valor del estadstico Q se va
obteniendo slo cambiando el valor correspondiente a la suma de los coeficientes de
autocorrelacin en el estadstico de Ljung y Box y de la diferencia n k . Por ejemplo, para
obtener la Q correspondiente al primer coeficiente de autocorrelacin muestral,
42
1 = 0.917
2 = 0.869
3 = 0.800
4 = 0.770
5 = 0.707
..........
..........
..........
23 = 0.196
24 = 0.193
25 = 0.165
k + 0.191276407) = 0.95
(0.725723593, 1.108276407)
(0.677723593, 1.060276414 )
(0.608723586, 0.991276413 )
(0.578723586, 0.961276413)
(0.515723586, 0.898276413)
..........
..........
..........
(0.004723586, 0.387276413)
(0.0017235862, 0.38427641)
(-0.026276413, 0.356276413)
As pues, la evidencia que se presenta hasta este punto seala que la serie del PIB es noestacionaria. Sin embargo, a pesar de que parece contundente este resultado, es necesario
realizar un anlisis ms formal para determinar puntualmente la naturaleza estocstica de la
serie; dicho anlisis se lleva a cabo en las secciones posteriores.
43
3.1. Concepto
yt = y t 1 + t
(3.1)
(1 L )yt
= t
(3.2)
44
yt = (1 L ) t
1
(3.3)
yt = 1 + L + L + ... t =
2
j =0
j t j
(3.4)
(L ) y t = t
(3.5)
Donde (L ) = (1 L )
Considerando la condicin de convergencia anterior < 1 , tenemos que esto implica que
L >1.
45
Esto es, decimos coloquialmente que una serie presenta raz unitaria si existen races del
polinomio representativo dentro del crculo unitario, en tal caso, = 1 , L = 1 , y el sistema
sera inestable, ya que la condicin de convergencia no se cumplira.
Recordar el lector que dentro de los pasos que se siguen para instrumentar la metodologa
Box-Jenkins, y que fueron indicados en el Captulo 1, se plantea que previo a la
identificacin del modelo de prediccin ms apropiado se debe determinar si la serie en
cuestin es estacionaria, en otras palabras, si no presenta raz unitaria. Al respecto, la teora
economtrica seala que si bien el anlisis del correlograma es un instrumento emprico de
gran utilidad, es necesario que se apliquen otras pruebas ms potentes, las cuales
identifican formalmente la magnitud del parmetro .
yt = y t 1 + t
(3.6)
yt = yt 1 + ut
(3.7)
46
En este contexto, una serie que se diferencia en una observacin y resulta ser estacionaria,
se dice que es integrada de orden 1, o bien I(1). A su vez, si un proceso de caminata
aleatoria se diferencia dos veces para ser estacionaria, se dice que es I(2), y si se tiene que
diferenciar d veces ser de orden I(d). En resumen, si una serie se caracteriza por ser
I(1),........,I(d), se determina que no es estacionaria en niveles y toma (d) diferencias para
que sea estacionaria.
Dentro de las pruebas formales que existen para determinar la presencia de raz unitaria en
un proceso estocstico, mencionamos las sugeridas por Dickey y Fuller (1979), la DickeyFuller Aumentada que se prob en Said y Dickey (1984), la prueba Phillips-Perron (1988),
y la desarrollada por Kwiatkowski, Denis, Peter C. B. Phillips, Peter Schmidt & Yongcheol
Shin (1992). A continuacin presentamos cada una de stas.
4
>1
47
yt = yt 1 + ut
(3.8)
yt = 1 + yt 1 + ut
(3.9)
yt = 1 + 2t + yt 1 + ut
(3.10)
Donde la primer ecuacin representa una caminata aleatoria simple, la segunda una
caminata aleatoria con variacin, 1 , y la tercera aade un componente de tendencia, t. En
cualquiera de las tres especificaciones si la hiptesis nula H 0 : = 0 no se rechaza, se
concluye que las serie objeto de estudio presenta una raz unitaria.
Cabe destacar que uno de los supuestos fundamentales de la prueba DF es que el trmino
de error es un proceso de ruido blanco. En este sentido es que se recomienda analizar el
estadstico Durban- Watson para verificar si se cumple con el supuesto de no correlacin
serial. En caso de que las observaciones ut estn autocorrelacionadas, se recomienda
desarrollar la prueba Dickey-Fuller-Aumentada (DFA), que corrige por esta deficiencia.
48
y t = 1 + 2 t + y t 1 +
p
i =1
i t i + i
(3.11)
Una de las inquietudes que surgen al momento de estimar cualquiera de las tres regresiones
relacionadas con la prueba de races unitarias, es si se debe o no incluir una constante o si
adems de la constante hay que aadir una variable de tendencia, o ninguna de las dos
posibilidades. Es importante llevar a cabo una seleccin adecuada, pues de ello depende la
49
50
Prueba KPSS
A diferencia de las pruebas DF, DFA, y PP que toman como hiptesis nula la noestacionariedad de las series, esto es H 0 : = 0 , la prueba KPSS considera como hiptesis
nula la estacionariedad de la serie, as que la hiptesis nula se refiere a H 0 = < 1 .
Algunos autores argumentan que esta prueba pudiera ser ms exigente, y por ende ms
potente, que las pruebas que plantean la no-estacionariedad como hiptesis nula. Sin
embargo, no existe un consenso en cuanto a la potencia relativa de las diferentes pruebas
que se encuentran disponibles.5
Le teora puntual sobre sta y otras pruebas estructurales de raz unitaria escapan el alcance del texto. Para
una discusin detallada sobre las mismas se recomienda Patterson (2000).
51
Comenzamos por ilustrar un ejemplo de serie de tiempo que presenta corte estructural.
Refirindonos a la Grfica 2.1, que ilustra el PIB de Mxico, se puede aprecia un cambio
en la tendencia de la serie en 1982 y otro en 1994, lo cual no debe ser sorprendente ya que
corresponden a los aos de crisis econmicas ms acentuadas en el pas. En este caso se
recomendara instrumentar una prueba que incluye el corte. Una posibilidad, que sigue de
cerca las propuestas en Perron (1989), es estimar una ecuacin como sta:
p
j =1
j yt j + t
(3.12)
Cuadro 3.1. Yt = Yt 1 + u t
Null Hypothesis: LPIB has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=0)
t-Statistic
Augmented Dickey-Fuller test statistic
1.441681
Test critical values:
1% level
-2.587387
5% level
-1.943943
10% level
-1.614694
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LPIB)
Method: Least Squares
Date: 05/29/06 Time: 12:09
simple (adjusted): 1980:2 2006:1
Included observations: 104 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
LPIB(-1)
0.000296
0.000205
1.441681
R-squared
-0.000233 Mean dependent var
Adjusted R-squared
-0.000233 S.D. dependent var
S.E. of regresin
0.043830 Akaike info criterion
Sum squared resid
0.197871 Schwarz criterion
Log likelihood
178.1860 Durbin-Watson stat
53
Prob.*
0.9623
Prob.
0.1524
0.006232
0.043825
-3.407423
-3.381996
3.332869
Los resultados del Cuadro 3.2, corresponden a una regresin en donde slo se introduce el
intercepto, e igualmente se obtiene un estadstico de prueba menor que los valores crticos.
Cuadro 3.2. Yt = 1 + Yt 1 + u t
Null Hypothesis: LPIB has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=0)
t-Statistic
Augmented Dickey-Fuller test statistic
-0.882478
Test critical values:
1% level
-3.494378
5% level
-2.889474
10% level
-2.581741
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LPIB)
Method: Least Squares
Date: 05/29/06 Time: 12:14
simple (adjusted): 1980:2 2006:1
Included observations: 104 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
LPIB(-1)
-0.019443
0.022033
-0.882478
C
0.413502
0.461528
0.895942
R-squared
0.007577 Mean dependent var
Adjusted R-squared
-0.002153 S.D. dependent var
S.E. of regresin
0.043872 Akaike info criterion
Sum squared resid
0.196326 Schwarz criterion
Log likelihood
178.5936 F-statistic
Durbin-Watson stat
3.293234 Prob(F-statistic)
Prob.*
0.7903
Prob.
0.3796
0.3724
0.006232
0.043825
-3.396031
-3.345177
0.778768
0.379593
Los resultados del Cuadro 3.3, incorporan una variable de tendencia y se aprecia que tanto
sta como el intercepto son estadsticamente significativos, e interesantemente el
estadstico de prueba es mayor en trminos absolutos a cualquiera de los valores crticos.
As, encontramos que de acuerdo a los resultados de las dos primeras especificaciones se
concluye que existe una raz unitaria en el PEG de la serie del PIB, sin embargo, los
resultados de la tercera especificacin apuntan hacia la no existencia de una raz unitaria,
cmo resolvemos esta contradiccin? Notamos que en las tres especificaciones se aprecia
un problema de correlacin en los residuales, el estadstico Durbin-Watson es muy elevado,
54
por lo cual no podramos formular ninguna conclusin razonable en base a estos resultados,
de tal suerte que para atender este problema procedemos a estimar la prueba DFA.
Cuadro 3.3. Yt = 1 + 2 t + Yt 1 + u t
Null Hypothesis: LPIB has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=0)
t-Statistic
Augmented Dickey-Fuller test statistic
-5.038217
Test critical values:
1% level
-4.048682
5% level
-3.453601
10% level
-3.152400
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LPIB)
Method: Least Squares
Date: 05/29/06 Time: 12:18
simple (adjusted): 1980:2 2006:1
Included observations: 104 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
LPIB(-1)
-0.400492
0.079491
-5.038217
C
8.260828
1.638804
5.040766
@TREND(1980:1)
0.002560
0.000517
4.950655
R-squared
0.201374 Mean dependent var
Adjusted R-squared
0.185560 S.D. dependent var
S.E. of regresin
0.039550 Akaike info criterion
Sum squared resid
0.157988 Schwarz criterion
Log likelihood
189.8910 F-statistic
Durbin-Watson stat
2.703309 Prob(F-statistic)
Prob.*
0.0004
Prob.
0.0000
0.0000
0.0000
0.006232
0.043825
-3.594057
-3.517776
12.73362
0.000012
Los resultados de la prueba DFA que incluye una constante y una tendencia en su
especificacin se presentan en el Cuadro 3.4. En este caso se determin que el nmero de
rezagos ptimos en yt i , es igual a 1. Se nota que el estadstico de prueba (-2.244557) es
inferior a los valores crticos en trminos absolutos; por lo que se puede concluir que la
serie del PIB no es estacionaria. Asimismo ya no se aprecia un problema importante de
autocorrelacin.
55
Cuadro 3.4. Yt = 1 + 2 t + Yt 1 +
P
i =1
i Yt i + u t
0.476732
0.460875
0.032329
0.103472
209.3634
1.776941
-2.244557
-4.049586
-3.454032
-3.152652
t-Statistic
-2.244557
-7.218117
2.249208
2.331219
0.4599
Prob.
0.0270
0.0000
0.0267
0.0218
0.006320
0.044030
-3.987638
-3.885318
30.06521
0.000000
56
Adj. t-Stat
Prob.*
-5.708493
-4.049586
-3.454032
-3.152652
0.0000
0.198339
0.216000
0.146000
0.119000
realiz, encontrndose que el PIB de Mxico es en efecto una serie no-estacionaria. Castillo
y Daz-Bautista (2002) estiman especificaciones en las que se determina el corte estructural
tanto exgenamente como endgenamente. Los autores muestran que al considerar los
cortes estructurales que son evidentes en la serie del PIB, pruebas de raz unitaria indican
que la serie es de hecho no-estacionaria.
Citamos un caso real, la serie del ndice nacional de precios al consumidor de Mxico resulta
consistentemente no estacionaria, no slo en niveles, pero tambin en primeras diferencias, por lo cual la serie
de inflacin sera una serie no-estacionaria. Esto, por supuesto, no se apega a la teora econmica estndar.
As, existe un consenso implcito que considera a la serie de inflacin como estacionaria.
58
-1.671855
0.007033
6.86E-05
0.835067
0.831768
0.032975
0.108737
206.8071
1.824011
0.074303
0.006647
0.000109
t-Statistic
-22.50054
-4.049586
-3.454032
-3.152652
t-Statistic
Prob.
-22.50054
1.058138
0.627242
0.0000
0.2925
0.5319
59
Prob.*
0.0000
-0.000152
0.080396
-3.957419
-3.880679
253.1527
0.000000
En este captulo extendemos nuestra discusin de los modelos ARMA tomando la idea de
estacionariedad e integracin que recin discutimos en el Captulo 3. Haremos referencia a
un modelo que es particularmente interesante como tcnica de prediccin en el anlisis
econmico y financiero; y que nos ayuda a vislumbrar escenarios prospectivos en el
mediano y largo plazo. Nos referimos a los modelos autorregresivos integrados con media
mvil o ARIMA. Cabe mencionar que aqu continuamos considerando un anlisis para
modelos univariados, las aplicaciones de los conceptos de estacionariedad e integracin
para modelos multivariados se abordan a partir del Captulo 6.
4. 1. Definicin
En este mismo sentido, se puede decir que un ARMA (1,1) se corresponde con un ARIMA
(1,0,1). Un ARIMA (p,d,q), cuando involucra a una serie integrada de orden d, se puede
especificar tambin como:
60
d y t = 1 d y t 1 + .... + p d y t p + t + 1 t 1 + .... + p t q
(4.1)
2 y t = (y t 1 ) = ( y t y t 1 ) ( y t 1 y t 2 ) .
Una serie de tiempo que incluye datos estacionales debe recibir un tratamiento adecuado en
el proceso de modelacin. Aqu hacemos referencia a un modelo ARIMA, que capta el
comportamiento estacional en una forma muy parecida a como se realiza para el
componente regular de la serie. Un proceso ARIMA estacional, como su nombre lo indica,
es un proceso que muestra variaciones estacionales, de tal forma que el valor de y t est
vinculado con el valor de yt s Por ejemplo, si los datos de la serie son trimestrales y la
periodicidad de la variaciones es anual, se tendr que s = 4, mientras que si los datos son
mensuales y la periodicidad es anual, entonces, s = 12.
61
(4.2)
p ( L) d Y y = q ( L) t
(4.3)
Donde
= (1 L)
Algunos modelos sencillos que son frecuentemente empleados para caracterizar datos
estacionales son:
AR(1): yt = + 1 y t 1 + t
(4.4)
MA(1): yt = + t + 1 t 1
(4.5)
62
SAR(1): yt = + 1 y t s + t
s = 4 datos trimestrales
(4.6)
(4.7)
Por tanto, cuando una serie presenta un componente estacional, significa que se debe llevar
a cabo una o varias diferencias de orden estacional. En el caso particular de que se tuviera
una serie con datos mensuales, se requerira efectuar el siguiente clculo:
12 y t = (1 L12 ) y t = y t y t 12
(4.8)
2
12
y t = (1 L12 ) 2 y t = ( yt y t 12 ) ( y t 12 y t 24 )
(4.9)
12
12
1 ( L ) y t = 1 ( L ) t
(4.10)
(1 12 L12 ) yt = (1 + 12 L12 ) t
(4.11)
yt = 12 y t 12 + t + 12 t 12
(4.12)
63
64
1990:01 2005:12. Los datos fueron obtenidos del Banco de Informacin Econmica del
Instituto Nacional de Estadstica, Geografa e Informtica (INEGI). Aqu incluimos una
descripcin detallada de los pasos a seguir en EViews.
65
significativo. En este sentido, parece haber elementos que permiten anticipar que la serie
LIVFPM en niveles no es estacionaria.
90
92
94
96
98
66
00
02
04
67
Regresin
Estadsticos
DF* y DFA**
LIVFPM(C)
-2.292351
LIVFPM (C,T )
-5.499604
LIVFPM(C,T,R=1)
-3.319301
Valores crticos de
MacKinnon (1%, 5% y 10%)
respectivamente
-3.464643
-2.876515
-2.574831
-4.006824
-3.433525
-3.140623
-4.007084
-3.433651
-3.140697
LIVFPM(C,T,R=2)
se acepta
DW =2.0
Criterio de Akaike =
-3.504695
Se acepta
DW = 1.95
Criterio de Akaike =
-3.545186
-4.007347
-3.433778
-2.578015
-3.140772
5
se rechaza
-4.007084
D(LIVFPM), (C,T)
DW = 2.16
-23.22104
-3.433651
-3.140697
6
se rechaza
-4.007347
D(LIVFPM)(C,T,R=1) -14.80325
DW = 1.97
-3.433778
-3.140772
C= constante, T= tendencia, R = retardo (1,2,,k), T = tendencia, 1 = primera diferencia
68
69
Aunque los coeficientes de autocorrelacin simple y parcial indican que se pueden estimar
distintos modelos ARIMA(p,d,q); se procede a estimar una ecuacin autoregresiva bajo la
siguiente instruccin en EViews, LS DLIVFPM AR(1) AR(12). Si se observa, la funcin de
autocorrelacin refleja un decrecimiento que combina coeficientes positivos y negativos en
forma sinusoidal, acompaada de una funcin de autocorrelacin parcial con picos en los
rezagos k = 1 y k = 12. Los resultados obtenidos de dicha estimacin son los siguientes:
Sin embargo, para verificar que dicho modelo es idneo para realizar
70
En razn de que las probabilidades asociadas al estadstico Q son mayores que 0.05, salvo
en los primeros rezagos del correlograma, se concluye que los coeficientes de
autocorrelacin no son significativos, lo cual se puede corroborar con las barras ilustradas
en el propio correlograma. Este procedimiento de diagnstico constituye un mtodo
sencillo para evaluar si los residuales son o no puramente aleatorios. Despus de observar
los resultados presentados en la Figura 4.3, se determina que el modelo con dos
autorregresivos [AR(1) y AR(12)], es una opcin apropiada para efectuar pronsticos.
71
Aunado a esto, se evala la capacidad predictiva del modelo bajo otros criterios estadsticos
utilizando en EViews el comando Forecast ubicado en el men de la ventana de la
ecuacin de regresin. Los estadsticos se reportan en la Grfica 4.2.
Forecast: DLIVFPMF
Actual: DLIVFPM
Forecast sample: 1990:01 2005:12
Adjusted sample: 1991:01 2005:12
Included observations: 180
.12
.08
.04
.00
-.04
-.08
-.12
-.16
0.035499
0.025283
205.7056
0.466400
0.004359
0.215451
0.780189
Cabe sealar que estos resultados son producto de estimar el modelo a travs de un mtodo
de pronstico esttico que se eligi en el cuadro de dilogo que produce la activacin del
comando Forecast. Es importante destacar que la prediccin esttica es una prediccin
paso a paso y la dinmica es en cadena. En el
verdaderos de las variables rezagadas para efectuar el pronstico mientras que la segunda
opcin, se basa en los valores estimados. La caracterstica es que las predicciones
coincidirn en el primer periodo, pero a partir del segundo los valores sern diferentes.
Conviene puntualizar que si DLIVFPM es la variable analizada, entonces al utilizar el
comando Forecast, se genera la variable pronosticada denotada como DLIVFPMF, donde la
ltima letra F, hace referencia justamente al pronstico. En la medida que los estadsticos
de la Grfica 4.2 se aproximen a cero, significa que la capacidad predictiva del modelo es
72
satisfactoria. Los resultados sugieren que no hay sesgo, y la raz de error cuadrtico medio
y el error absoluto medio son realmente bajos. Adems el coeficiente de desigualdad de
Theil que oscila entre cero y uno, no reporta un valor muy cercano a cero pero tampoco a
uno. En este sentido, todo indica que el modelo estimado previamente es una opcin
aceptable para efectuar pronsticos fuera de la muestra.
Como se puede constatar, los resultados presentados en la Figura 4.3 y la Grfica 4.2 son
complementarios y ayudan a fortalecer la interpretacin del modelo en trminos de su
capacidad de prediccin fuera de la muestra. Tambin es importante sealar, que los
estadsticos resumidos al lado derecho de la Grfica 4.2, ayudan a elegir entre dos modelos
o ms segn el valor numrico que arrojen. En este caso, se ha optado por describir los
mejores resultados de estimacin con respecto a otros modelos alternativos que tambin se
estimaron y cuyos resultados fueron menos alentadores. En cualquier caso, el objetivo de
este apartado, ha sido en todo momento ilustrar la teora con un ejercicio prctico.
Finalmente en el Cuadro 4.3 se resumen los pronsticos para la variable LIVFPM e IVFPM
correspondientes al periodo 2006:01 2006:03 considerando tambin los ltimos valores
de la serie original para efecto de comparacin. Para obtener directamente los valores
pronosticados de LIVFPM, se estimo el mismo modelo pero especificando en EViews la
instruccin LS D(LIVFPM) AR(1) AR(12).
73
LIVFPM
4.999237
4.982236
4.960044
4.951891
4.957523
4.972224
IVFPM
148.3000
145.8000
142.6000
141.4421
142.2410
144.3475
Ejemplo de modelo ARIMA para serie con patrn estacional: Ventas de la ANTAD
74
1994
1996
1998
2000
2002
2004
1994
1996
1998
2000
2002
2004
75
Grfica 4.5 muestra como la tendencia ha sido totalmente eliminada y los valores varan
alrededor de cero.
1994
1996
1998
2000
2002
2004
Hasta aqu se puede plantear que la primera diferencia del logaritmo de las ventas de la
ANTAD
es una serie estacionaria, razn por la cual se elige para estudiarse en el marco de
significancia estadstica.
76
-1.323735
0.004562
3.28E-05
0.662153
0.657850
0.190549
5.700481
39.73969
2.231600
t-Statistic
Prob.*
-17.54148
-4.016433
-3.438154
-3.143345
0.0000
t-Statistic
0.075463
-17.54148
0.030554
0.149324
0.000326
0.100437
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0000
0.8815
0.9201
0.000504
0.325760
-0.459246
-0.401587
153.8540
0.000000
77
Al
observar
la
funcin
de
autocorelacin
se
pueden
identificar
coeficientes
sistemticamente significativos asociados a los retardos (1, 12, 24 y 36), que sugieren que
existe una tendencia en la parte estacional que es imprescindible corregir para luego
especificar el modelo ARIMA(p,d,p) ms apropiado. El tratamiento de la estacionalidad
requiere calcular la serie con una primera diferencia en la parte estacional que como bien se
aprecia en el correlograma anterior, y en la Grfica de DLVENTAS, se manifiesta en
diciembre de cada ao. Para llevar a cabo esta transformacin, se recurre de nuevo al
78
est expresada en primera diferencia, y (-12) denota el orden del rezago que captura la
estacionalidad de la serie. Otra forma alternativa de obtener lo anterior, es especificando en
el propio cuadro de dilogo la instruccin DDLVENTAS = DLOG(VENTAS,1,12). Concluida
esta secuencia de pasos, se estima de nuevo la funcin de autocorrelacin simple y parcial
pero para DDLVENTAS, cuyo correlograma se ilustra en la Figura 4.5.
79
Con base en este instrumento, se determina que un modelo idneo a estimar es el siguiente:
DDLVENTAS AR(1) AR(3) SAR(12) MA(1),
80
81
Inverted MA Roots
-0.236968
0.395972
-0.289666
-0.472638
0.455364
0.442796
0.031258
0.127021
276.2654
.87-.23i
.64+.64i
-.23-.87i
-.64-.64i
.47
t-Statistic
0.106068
-2.234115
0.074182
5.337821
0.071703
-4.039793
0.109207
-4.327924
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat
.87+.23i
.23-.87i
-.45-.63i
-.87-.23i
.66
.23+.87i
-.45+.63i
-.87+.23i
Prob.
0.0272
0.0000
0.0001
0.0000
0.001799
0.041875
-4.063662
-3.977160
1.913478
.64-.64i
-.23+.87i
-.64-.64i
Los estadsticos t indican que los cuatro regresores son significativos a un nivel de
confianza del 95%. Aunado a esto, el estadstico de Durbin-Watson y el coeficiente de
determinacin mltiple son aceptables, por lo que se puede considerar como una
especificacin adecuada. Para juzgar la valides del modelo, tambin se puede utilizar la
matriz de varianzas y covarianzas que se resume en el Cuadro 4.6. Este instrumento nos
ayuda a tener un punto de referencia sobre el vnculo entre los parmetros del modelo. Por
ejemplo, una covarianza elevada indica que los parmetros involucrados son redundantes y
que por lo tanto habra que eliminar alguno sin afectar necesariamente la capacidad
explicativa del modelo. Si por el contrario se tiene covarianzas pequeas, significa que los
parmetros se pueden mantener dentro de la especificacin del modelo. En este sentido, los
resultados derivados de la matriz de varianzas y covarianzas indican que no hay problemas
con respecto a la redundancia de parmetros en el modelo.
82
AR(1)
AR(3)
SAR(12)
MA(1)
0.011250
0.000287
-0.000287
-0.008106
0.000287
0.005503
-0.000633
-0.001443
-0.000287
-0.000633
0.005141
0.000796
-0.008106
-0.001443
0.000796
0.011926
83
ddlantad
0.003600
-0.016765
-0.004734
0.017951
-0.058581
0.000179
0.019691
84
ddlantad
0.003600
-0.016765
-0.004734
0.017951
-0.058581
0.000179
0.019691
-0.012355
0.003592
En este captulo presentamos una serie de mtodos que son ampliamente utilizados en el
anlisis de series de tiempo, como los promedios mviles y de suavizamiento exponencial.
Los primeros permiten la realizacin de pronsticos a partir del promedio de observaciones
pasadas, mientras que los segundos ayudan a generar pronsticos utilizando promedios
ponderados.
especificacin u otra, se facilita cuando se dispone de herramientas muy claras como las
que se describen en el Cuadro 5.1. Los estadsticos descritos sirven para comparar
resultados obtenidos a partir de diferentes modelos, es decir, ayudan a determinar cul
modelo o tcnica de pronsticos es ms efectiva.
85
EM =
2
Raz
del
error
EAMPE=
Coeficiente de desigualdad de
Theil
n
i =1
CDT=
n
i =1
Proporcin de sesgo
i =1
Proporcin de varianza
1
n
n
1=1
ei
yi
( y i yi )2 / n
y i2 / n +
n
i =1
( y i y i ) 2 / n
( S Y S Y ) 2
n
i =1
i =1
ei2
( y y ) 2
n
RECM=
ei
i =1
porcentaje de error
5
cuadrtico
medio
4
i =1
EAM=
3
e2i
( y i y i ) 2 / n
2(1 r ) S Y S Y
Proporcin de covarianza
n
i =1
86
( y i y i ) 2 / n
y i2 / n
87
y t +1
1
=
n
n
i =1
(5.1)
yi
y t +1 =
y t + yt 1 + y t k +1
k
(5.2)
A continuacin se presenta un ejercicio de promedio mvil para tres y cinco meses de las
ventas de la ANTAD y se calcula el error absoluto medio y el error cuadrtico medio para
elegir entre uno y otro promedio o serie suavizada. En la Grfica 5.1 se describe la
evolucin de las ventas en valores originales, los cuales proyectan un componente de
tendencia y estacionalidad al cierre de cada ao. Con el propsito de disponer de una serie
suavizada, se calculan promedios mviles trimestrales y semestrales. La Grfica 5.2 ilustra
el primer caso y la Grfica 5.3 el segundo. Al observar las Grficas, se puede notar que la
serie que considera un promedio mvil de 6 meses es mucho ms suavizada que la de tres
meses. Al calcular el error absoluto medio (EAM) y el error cuadrtico medio (ECM), se
determina que el promedio mvil ms apropiado para suavizar la serie analizada es el que
contempla seis meses. Para este caso el EAM fue de 14.6 y el ECM de 612.3, mientras que
para la serie suavizada con un promedio de tres meses el EAM fue de 18.6 y el ECM de
787.2. En este sentido, resulta obvio que la serie producto de aplicar un promedio mvil de
6 meses es la ms apropiada para fines de pronstico.
89
1994
1996
1998
2000
2002
2004
1994
1996
1998
90
2000
2002
2004
1994
1996
1998
2000
2002
2004
Alternativamente a los mtodos previamente sealados, se encuentran los que llevan a cabo
un suavizamiento exponencial correspondiente a cada observacin de la serie original. El
esquema de suavizamiento se inicia aplicando la siguiente ecuacin bsica:
y t +1 = y t + (1 ) y t
(5.3)
Donde y t +1 es el nuevo valor suavizado o valor pronosticado para el periodo t+1, es una
constante de suavizamiento que puede asumir valores sujetos a la restriccin (0 < < 0) ,
91
y t +1 = y t + (1 ) y t = y t + y t y t = y t + ( y t y t )
(5.4)
y t +1 = yt + (1 )[y t 1 + (1 ) y t 1 ]
(5.5)
y t +1 = y t + (1 ) y t 1 + (1 ) y t 1
2
(5.6)
Donde y t +1 sigue siendo un valor suavizado y la velocidad a la que pierden su impacto las
observaciones pasadas depende de . El suavizamiento producido puede considerarse que
es obtenido por una media mvil acompaada de ponderaciones decrecientes en forma de
progresin geomtrica. Si bien el suavizamiento exponencial est basado en promedios
mviles como el mtodo anterior, se diferencia por el hecho de que son valores
ponderados. La ponderacin exponencial es porque le concede mayor peso a las
observaciones inmediatamente anteriores y menos a las de periodos ms atrasados.
92
s =1
(1 ) 2 =
1 (1 )
=1
(5.7)
El valor asignado a esta constante es fundamental, si se desea que las predicciones sean
estables y que se suavicen las variaciones aleatorias, se sugiere utilizar una constante de
valor pequeo. Por otra parte, si interesa una respuesta rpida a un cambio real en el patrn
de las observaciones, es conveniente elegir un valor mayor para la constante de
suavizamiento. Este mtodo est considerado en el cuadro de dilogo del EViews
denominado Exponential Smoothing identificado como mtodo de suavizamiento
exponencial simple con un parmetro (Smoothing Method: Single). Para ilustrar su
aplicacin tomamos la serie de ventas del ANTAD y le aplicamos el suavizamiento simple.
La Grfica 5.4 presenta el resultado y en el Cuadro 5.2 se muestran los estadsticos de
evaluacin. Notamos en la Grfica que la serie suavizada LANTADSM ya no presenta un
patrn estacional tan pronunciado como la serie original.
93
1994
1996
1998
LANTAD
2000
2002
2004
LANTADSM
0.1520
4.123723
0.159546
5.239528
Una tcnica de suavizamiento que se recomienda aplicar cuando la serie analizada ilustra
una clara tendencia, es el suavizamiento doble con un parmetro, que tambin se conoce en
la literatura como suavizamiento exponencial de segundo orden. ste consiste en aplicar la
tcnica de suavizamiento simple dos veces usando el mismo parmetro. De acuerdo con
Mendenhall y Reinmuth (1981), el pronstico suavizado est determinado por la ecuacin:
94
y t +T = [2 + T / (1 )S t (1 + T / (1 ))]S t (2 )
(5.8)
Donde S t (2 ) = S t + (1 )S t 1 (2 )
1994
1996
1998
LANTAD
2000
2002
LANTADSM
95
2004
0.0500
3.983832
0.156817
5.262345
0.006260
Al comparar los estadsticos de los Cuadros 5.2 y 5.3, se constata que el mtodo de
suavizamiento doble arroja una suma de residuos al cuadrado y una raz del error
cuadrtico medio ms pequeo, lo que sugiere que el suavizamiento doble es ms eficiente
que el generado por el mtodo de suavizamiento simple. Aunado a esto, hay que considerar
que la constante de suavizamiento doble es menor que la del suavizamiento simple. A este
respecto, conviene recordar que una constante ms pequea permite un mejor
suavizamiento de las variaciones aleatorias. Por ello, no es fortuito que los estadsticos de
prueba avalen como mejor mtodo a este ltimo. El lector podr observar que las
trayectorias de las series suavizadas con el mtodo simple y doble ilustradas en la Grfica
5.6, son diferentes, pues se aprecia con toda claridad como el mtodo de suavizamiento
doble produce una serie ms estable, lo que lo convierte en ms eficaz. Ahora bien, al
observar la raz del error cuadrtico medio que arroja el suavizamiento simple y doble, se
aprecia que ste ltimo arroja un estadstico ligeramente menor, convirtindolo en un
mtodo ms efectivo, pues es justamente el que ms suaviza la serie analizada.
96
1994
1996
1998
2000
2002
2004
2002
2004
SIMPLE
200
180
160
140
120
100
80
1994
1996
1998
2000
DOBLE
otros autores desarroll las bases tericas de su construccin. Tambin es usual que a este
mtodo se le llame tcnica de suavizamiento exponencial doble con dos parmetros y
, cuya estructura matemtica est definida por tres ecuaciones. De acuerdo con
Makridakis et al. (1998) la primera ecuacin que produce la serie suavizada se expresa
como:
Lt = y t + (1 )(Lt 1 + Tt 1 )
(5.9)
Tt = (Lt Tt 1 ) + (1 )Tt 1
(5.10)
y t + p = Lt + pTt
(5.11)
98
90
92
94
96
98
00
02
04
00
02
04
LIVFPM
5.1
5.0
4.9
4.8
4.7
4.6
4.5
4.4
90
92
94
96
98
LIVFPMSM
99
0.3700
0.0000
0.317972
0.040695
4.978432
0.003279
Este es un mtodo asociado a los trabajos de Winters (1960) que considera tres parmetros
de suavizamiento exponencial. Su rasgo distintivo con respecto a la metodologa anterior,
es que incorpora una ecuacin adicional para estimar la estacionalidad, pues su estructura
es la apropiada para pronosticar series con tendencia y variacin estacional multiplicativa.
Las ecuaciones involucradas son:
Lt = y t / S t s + (1 )(Lt 1 + Tt 1 )
(5.12)
100
Tt = (Lt + Lt 1 ) + (1 )Tt 1
(5.13)
S t = y t / Lt + (1 )S t s
(5.14)
y t + p = (Lt + pTt )S t s + p
(5.15)
101
la serie estimada no presenta la estabilidad que s arrojan las estimaciones previas en donde
claramente se ver que LANTADSM no presenta las oscilaciones tan marcadas que reporta
ste mtodo de estimacin. Los estadsticos presentados en el Cuadro 5.5, al igual que en
los casos anteriores, sirven para evaluar la capacidad predictiva del mtodo.
Particularmente, el valor de la suma de residuales al cuadrado, y de la raz del error
cuadrtico medio, permiten concluir que el mtodo de suavizamiento utilizado es bueno.
1994
1996
1998
LANTAD
102
2000
2002
LANTADSM
2004
0.5800
0.0000
0.0000
0.190116
0.034257
5.327269
0.004115
1.015066
0.995283
0.987145
0.988266
0.996422
1.090962
0.993184
0.967823
0.983970
0.985455
1.001043
0.995383
103
T
t =1
( yt t ) +
2
T =1
t =2
[( t +1 t )( t t 1 )]2
(5.16)
C t2 +
T
t =3
(2 t ) 2
(5.17)
= 14400 .
104
Con estos valores se infiere que se aproxima a un filtro ideal, el cual se opera en EViews a
travs del cuadro de dilogo Hodrick Prescott Filter, en el cual se debe especificar la
serie objeto de anlisis y el valor del parmetro en las opciones de Smoothed Series y
Smoothing Parameter respectivamente. La Grfica 5.9, reporta la descomposicin de la
serie LANTAD presentando por un lado su tendencia estimada y por el otro, el componente
cclico.
4.8
.6
4.4
.4
4.0
.2
.0
-.2
-.4
93 94 95 96 97 98 99 00 01 02 03 04 05 06
LANTAD
Trend
Cycle
Si bien existen modelos de pronstico sencillos como los ya enunciados, tambin hay otros
de gran utilidad que ayudan a modelar una serie cuando tiene tendencia o estacionalidad.
Cuando una serie reporta una tendencia clara, se estima introduciendo en la ecuacin de
regresin simple la variable tiempo, asignando
y t +1 = 0 + 1 * tiempo + ei
(5.18)
Conviene advertir que en ciertas ocasiones la tendencia puede ser cuadrtica, cbica o
exponencial, en cuyo caso cambiar la especificacin de la ecuacin (5.18). La seleccin de
106
informacin de Akaike o
R 2 = 1
SRC (n k )
n 1
= 1 (1 R 2 )
STC ( N 1)
nk
(5.19)
Donde SRC y STC son las sumas de residuos al cuadrado y la suma total de cuadrados
respectivamente. Un aspecto importante de este estadstico es que es menor que el
R 2 normal, y adems, penaliza cuando se agregan nuevas variables que no resultan ser
estadsticamente significativas. Al contrario del R 2 que es una funcin no decreciente del
nmero de variables explicativas, el R 2 s disminuye cuando se incorpora una variable
irrelevante. Adems,
(5.20)
Las propiedas son: ln (uv) = lnu + lnv, ln(u /v) = lnu lnv, ln(1/v) = -lnv, lnun = nlnu, lne = 1 y ln1 = 0
107
ui 2 / n = e k / n SRC / n , y
ln CIA = k / n ln(SRC / n )
(5.21)
yt =
s
i =1
Dit +
(5.22)
108
fuese estadsticamente
yt = t +
s
i =1
Dit +
(5.23)
ms que
109
(5.24)
yt = 1 + 3 D3t + xt +
(5.25)
110
En la Parte I del texto abordamos varios modelos que aproximan el PEG de una serie de
tiempo. En adelante nos enfocaremos a caracterizar la interaccin entre dos o ms series.
En este captulo iniciamos definiendo lo que se entiende por un sistema multivariado, y
presentamos los argumentos que dictan la necesidad de analizar series de tiempo por
medio
de
la
instrumentacin
de
metodologas
particulares;
que
constituyen
6.1. Fundamentos
xt
yt
zt
Indicamos que un anlisis terico profundo de los temas que aqu trataremos se encuentra en Hamilton
(1994).
111
La relacin estocstica que existe entre estas variables puede ser estudiada de diversas
formas, comnmente se supone que existe una variable dependiente, o endgena, y una
serie de variables explicativas o exgenas. 9 De tal forma que podramos postular la
siguiente relacin:
yt = 0 + 1 xt + 2 z t + t
Esta ecuacin puede ser estimada por medio de Mnimos Cuadrados Ordinarios (MCOs)
obteniendo los estimadores que corresponden a las 's . Sin embargo, es importante
identificar la naturaleza estocstica de las series para determinar la eficiencia de dichos
estimadores. En particular, si las series son estacionarias, los estimadores cuentan con las
propiedades de eficiencia y no-sesgo propias de la estimacin por MCOs.
Alternativamente, si las series del sistema son no-estacionarias entonces puede, o no puede,
ser que los resultados de la estimacin sean vlidos. Veamos por qu:
Consideremos la ecuacin
y t = xt + t
(6.1)
Si suponemos que tanto y t como xt son iid, esto es, su media es constante y su varianza
independiente del tiempo, entonces los estimadores seran insesgados y presentaran
Existen pruebas economtricas formales para determinar la exogeneidad de variables en un sistema; las
cuales no abordamos en el presente texto. El lector interesado puede consultar por ejemplo Johnston y
DiNardo (1997).
112
mnima varianza dentro del conjunto de estimadores lineales. Sin embargo, es poco
probable que series de tiempo sean iid. Tomemos una de las series de la ecuacin (6.1) y
modelemos su PEG como un proceso autorregresivo:
yt = 0 + 1 y t 1 + t
(6.2)
yt = 0 + y t 1 + t
(6.3)
y t = t 0 + y 0 +
t
j =1
(6.4)
113
Qu hacer entonces cuando las series de inters son no-estacionarias? Una alternativa
consistira en estimar la ecuacin utilizando las primeras diferencias de las series.
Retomemos el PEG indicado en (6.3):
yt = 0 + y t 1 + t
yt y t 1 = 0 + t
(6.5)
y t = 0 + t
(6.6)
Por qu entonces no se estima la relacin entre cualquier conjunto de series de tiempo noestacionarias utilizando sus primeras diferencias? Simplemente por que al transformar las
114
Tomemos un ejemplo:
yt = 0 + 1 xt + t
(6.7)
115
Para ilustrar la idea estimamos una ecuacin como (6.7) considerando el consumo privado
y el PIB de Mxico. La serie del PIB corresponde a la empleada en los ejemplos que se
presentaron en la Parte I del texto. El consumo se refiere al consumo privado medido en
idnticas unidades al PIB y su fuente es la base de datos de indicadores econmicos y
financieros de Banco de Mxico. El periodo de estimacin va del primer trimestre de 1993
al cuarto trimestre de 2005.
116
0.566589
0.739000
0.463000
0.347000
0.290040
0.739000
0.463000
0.347000
117
Coefficient
Std. Error
t-Statistic
Prob.
C
LOG(PIB)
-2.252331
1.089860
0.862475
0.040848
-2.611472
26.68078
0.0119
0.0000
R-squared
Adjusted R-squared
S.E. of regresin
Sum squared resid
Log likelihood
Durbin-Watson stat
0.934371
0.933059
0.035579
0.063295
100.7063
0.862964
20.75881
0.137516
-3.796396
-3.721348
711.8638
0.000000
118
Coefficient
Std. Error
t-Statistic
Prob.
C
DLOG(PIB)
0.001761
0.862270
0.004513
0.100839
0.390298
8.550954
0.6980
0.0000
R-squared
Adjusted R-squared
S.E. of regresin
Sum squared resid
Log likelihood
Durbin-Watson stat
0.598751
0.590563
0.031776
0.049477
104.5548
2.212700
0.008197
0.049661
-4.021756
-3.945998
73.11881
0.000000
119
Captulo 7: Cointegracin
7.1. Concepto
yt ~ I (1)
xt ~ I (1)
yt 1 xt = t ~ I (1)
(7.1)
Sin embargo, en algunas instancias las series y t y xt pueden compartir una tendencia
estocstica comn; de tal forma que la combinacin lineal de las series podra estar
integrada de orden 0, o ser estacionaria, formalmente tendramos:
yt 1 xt = t ~ I (0 )
(7.2)
120
10
incremento en el nivel del tipo de cambio real (depreciacin del peso) se asocia con una
cada en el consumo; as que precisamos que el concepto de cointegracin se refiere ms
puntualmente a la propiedad que exhiben series de tiempo de compartir tendencia comn.
121
xt presenta una asociacin positiva con y t . As, el vector de cointegracin en este caso es
(1, 1 ) .
122
tendenciales comunes (r) y componentes cclicos comunes (s), debe cumplir con la
condicin r + s n .11
A partir de esta caracterizacin podemos mencionar otra instancia en la que puede ser
interesante conocer el nmero de vectores de cointegracin, y ste es el caso en el que el
sistema consiste de ms de dos series. Supn que se considera un sistema de tres variables,
entonces es posible que existan hasta 2 vectores de cointegracin, cada uno de los cuales
sera nico. En tal caso, podra ser interesante conocer los dos vectores y comparar la
magnitud de los coeficientes de cointegracin para poder determinar aquellos que pudieran
tener ms sentido de acuerdo a la teora que se est evaluando. sta, por supuesto, es slo
una de un sin nmero de instancias en las cuales sera deseable determinar el nmero de
vectores de cointegracin.
Granger (1987), y b)
Modelos de
11
El estudio de tendencias/ciclos comunes es muy amplio y escapa el alcance del presente texto, en el
Captulo 9 presentamos una breve descripcin del mismo pero referimos al lector interesado a revisar
artculos como Vahid y Engle (1991), y para el caso de Mxico, Castillo y Herrera (2005), Herrera (2004), o
Herrera y Castillo (2003).
123
Engle- Granger
Esta metodologa consiste en instrumentar una estimacin bietpica que prueba la idea
fundamental de cointegracin; que una combinacin lineal de series no-estacionarias es en
s misma estacionaria. Para introducir la metodologa a continuacin se ilustra un caso
bivariado.
Considera dos series integradas de orden 1, yt ~ I (1) y xt ~ I (1) . Podemos representar una
ecuacin de regresin entre las mismas como sigue:12
y t = x t + t
(7.3)
En este ejemplo no incluimos constante para facilitar la exposicin. Sin embargo notamos que los
resultados que se obtiene aqu se aplican estrictamente al caso en el que la ecuacin incluye una constante.
124
Ntese que la ecuacin (7.3) se puede re-escribir como y t xt = t de tal forma que
Coefficient
Std. Error
t-Statistic
Prob.
C
LOG(PIB)
-2.252331
1.089860
0.862475
0.040848
-2.611472
26.68078
0.0119
0.0000
R-squared
Adjusted R-squared
S.E. of regresin
Sum squared resid
Log likelihood
Durbin-Watson stat
0.934371
0.933059
0.035579
0.063295
100.7063
0.862964
125
20.75881
0.137516
-3.796396
-3.721348
711.8638
0.000000
.05
.00
-.05
-.10
93 94 95 96 97 98 99 00 01 02 03 04 05
Residual
Para verificar nuestra sospecha, llevamos a cabo la prueba DFA obteniendo el estadstico
de prueba, t , y comparndolo con valores crticos de Phillips y Ouliaris (1990). Tomando
un ejemplo, para 50 observaciones los valores crticos proporcionados por los autores son 4.085 al 1%, -3.438 al 5%, y -3.094 al 10%. Al realizar la prueba DFA sobre los residuales
se obtiene un estadstico de prueba de -5.91, el cual es mayor a cualquiera de los valores
crticos listados. Como se recordar, la hiptesis nula en la prueba DFA es la existencia de
raz unitaria, la cual se rechaza de acuerdo a los resultados obtenidos. As, se puede
126
concluir que t es una serie estacionaria y por tanto las series de consumo e ingreso se
encuentran cointegradas con coeficientes de cointegracin (1, -1). En otras palabras, la
elasticidad de largo plazo del consumo con respecto al ingreso es de 1.
(7.4)
Ilustramos la estimacin continuando con nuestro ejemplo del consumo, pero ahora
incluimos adicionalmente al PIB el agregado monetario M1 en trminos reales, esto es, M1
nominal ajustado por el ndice Nacional de Precios al Consumidor. 13 Ambas series
provienen de la base de datos de indicadores econmicos y financieros de Banco de
Mxico. Primero verificamos la naturaleza estocstica de M1 real, previa transformacin
logartmica, presentando los resultados de la prueba KPSS en el Cuadro 7.2. La hiptesis
nula de estacionariedad se rechaza para la serie en niveles al 5%, para la serie en primeras
13
M1 real puede considerarse como una medida de riqueza o profundidad del mercado de capitales. Ver
Castillo (2003) para una discusin detallada sobre los argumentos que podran incluirse en una funcin de
consumo.
127
diferencias la misma no se rechaza a ningn nivel de confianza, por lo cual concluimos que
la serie de M1 real es I(1).
0.472917
0.739000
0.463000
0.347000
0.287373
0.739000
0.463000
0.347000
Enseguida estimamos una ecuacin como (7.4) considerando al consumo como variable
dependiente y al PIB y M1 real como explicativas. Los resultados se presentan en el
Cuadro 7.3. El PIB contina presentando una relacin positiva con el consumo pero el
coeficiente es ahora .75, que es menor al coeficiente de 1 que se obtiene al estimar la
ecuacin sin el agregado monetario. Con respecto a M1, se encuentra una relacin positiva
y significativa con una elasticidad de .19.
128
Coefficient
Std. Error
t-Statistic
Prob.
1.498250
0.752463
0.192878
0.603214
0.055668
0.027174
2.483779
13.51688
7.097978
0.0165
0.0000
0.0000
0.967642
0.966321
0.025237
0.031208
119.0920
1.631473
13.85105
0.137516
-4.465078
-4.352506
732.6504
0.000000
129
t-Statistic
Prob.*
-3.556704
-2.616203
-1.948140
-1.612320
0.0007
130
Coefficient
Std. Error
t-Statistic
Prob.
3.316666
0.857332
0.667056
0.032133
4.972096
26.68078
0.0000
0.0000
0.934371
0.933059
0.031556
0.049790
106.9457
0.866188
21.11385
0.121967
-4.036375
-3.961327
711.8638
0.000000
Ahora los coeficientes de cointegracin son (1,-.86), lo cual no es congruente con lo que se
obtuvo anteriormente. Si entendemos a los coeficientes como ponderadores que permiten
que una combinacin de las variables sea estacionaria, entonces deberamos esperar que al
invertir el orden de las variables de consumo e ingreso, los coeficientes fueran una vez ms
1 y -1.
La segunda razn se refiere al hecho de que por medio de esta estimacin no es posible
determinar la relacin de corto plazo entre las variables, esto es, la ecuacin que se estima
est diseada para determinar relaciones de largo plazo, pero no incluye trminos que
pudieran indicar la dinmica de corto plazo existente en el sistema.14
14
Otro problema potencial con la estimacin simple del procedimiento de dos etapas, es que la distribucin
de los parmetros del vector de cointegracin pudieran no distribuirse normalmente, por lo cual sera
necesario ajustar por esta variacin. Engle y Yoo (1991) proveen una sugerencia para subsanar este posible
131
yt y t 1 = 1 xt + 2 ( y t 1 y *t 1 ) + t
(7.5)
Supongamos que existe un nivel deseado de y t que denotamos y * . En tal caso podemos
interpretar el trmino yt 1 y *t 1 como un desequilibrio rezagado, de tal forma que el
parmetro 2 sera un coeficiente de ajuste, o de correccin de error, de ah el trmino del
modelo. Para que el sistema converja, el coeficiente del trmino de correccin de error
problema, el cual bsicamente consiste en incluir un tercer paso que aproxima la distribucin de los
parmetros a una normal.
132
tendra que exhibir ciertas caractersticas. En particular, 2 deber ser menor a uno en
trminos absolutos (que es en realidad una condicin de estacionariedad, como se discuti
en el anlisis de modelos univariados), negativo (de tal forma que si el sistema se encuentra
por arriba (debajo) de su tendencia de largo plazo, el mismo regrese a su trayectoria de
equilibrio disminuyendo (aumentando) su nivel), y estadsticamente significativo.
Existen varios modelos que hacen referencia a este concepto y que se estiman de diversas
formas. A continuacin se describen dos de los ms frecuentemente utilizados.
Este modelo es similar al propuesto por Engle y Granger en el sentido que requiere de la
implementacin de dos etapas para probar la existencia de cointegracin. Partimos de un
modelo bivariado como sigue:
y t = 0 + 1 xt + t
(7.6)
Ntese que podemos seguir pensando en t como una caracterizacin de la relacin lineal
entre y t y xt , esto es
t = y t 0 1 xt
y t = 1xt + 2 ( yt 1 0 1 xt 1 ) + t
(7.7)
y t = 0 + 1xt + 2 t 1 + t
(7.8)
134
incluir rezagos de las variables endgenas y exgenas, de tal forma que una especificacin
elaborada sera como la que sigue15:
y t = 0 + 1xt + 2 y t 1 + 3 xt 1 + t 1 + t
(7.9)
15
Formalmente el nmero de rezagos a incluir en primeras diferencias sera igual al nmero de rezagos
ptimos que se identificaran en el Vector Autorregresivo en Niveles, p, menos 1.
16
Un modelo similar se presenta en Conesa (1998) donde se analiza el nivel de traspaso del tipo de cambio y
los salarios al nivel de inflacin.
135
Coefficient
Std. Error
t-Statistic
Prob.
C
DLOG(PIB)
DLOG(PIB(-1))
DLOG(CONSUMO(-1))
RESIDEG(-1)
0.006365
0.554145
-0.700525
0.198157
-0.528011
0.003481
0.100475
0.151805
0.117716
0.110710
1.828230
5.515242
-4.614627
1.683343
-4.769306
0.0741
0.0000
0.0000
0.0992
0.0000
R-squared
Adjusted R-squared
S.E. of regresin
Sum squared resid
Log likelihood
Durbin-Watson stat
0.810055
0.793171
0.022813
0.023420
120.7078
1.556520
0.008135
0.050163
-4.628310
-4.437108
47.97763
0.000000
Ntese que el coeficiente del trmino de error es igual a -0.53, y cumple con las
condiciones necesarias para identificar cointegracin; menor a uno en trminos absolutos,
negativo, y estadsticamente significativo. As, se prueba que el consumo y el ingreso se
encuentran cointegrados con coeficientes (1,1) .
La velocidad de ajuste en este caso es aceptable, de tal forma que un 53% de la desviacin
de equilibrio se recupera en el primer periodo y as sucesivamente. Se dice que es aceptable
por que si hiciramos el clculo del nmero de periodos que tomara al sistema regresar a
su estado de equilibrio, despus de un choque que lo desviara, sera menor al nmero de
136
Cabe mencionar que tanto para el modelo de Engle y Granger como para el MCE es
recomendable realizar las pruebas pertinentes para los residuales; as como las pruebas de
estabilidad de coeficientes. Esta ltima es de particular inters pues despus de todo
estamos estimando relaciones de largo plazo, cmo podemos argumentar que los
coeficientes de cointegracin son de hecho constantes a travs del tiempo? Alguien
familiarizado con la dinmica del consumo y del ingreso en Mxico, por ejemplo, podra
sealar que es poco probable que el vector de cointegracin sea estable debido al cambio
estructural que presentan las series en el periodo 1994-1995, y tendra razn. As que para
verificar la estabilidad de la funcin estimada realizamos las pruebas de estabilidad
recursiva CUSUM y CUSUM cuadrado. Las Grficas 7.2 y 7.3 muestran los resultados.
17
Pregunta para el lector vido de aprender Cuntos periodos se demorara el sistema en regresar a su estado
estacionario siendo que la velocidad de ajuste es .53?
137
5% Significance
Como se puede observar, la lnea de prueba se mantiene dentro de las bandas de tolerancia
al 5% de significancia, de tal forma que podemos indicar que la funcin es estable. Claro
138
Este modelo es una extensin del concepto de correccin de error. Aqu se parte de una
representacin del sistema como un proceso autorregresivo de rezagos distribuidos (ARD)
y se realizan estimaciones recursivas yendo de lo general a lo particular hasta encontrar una
especificacin aceptable. Formalmente, suponemos que el ARD se representa de la
siguiente forma:
yt = 0 + 1 y t 1 + 0 xt + 1 xt 1 + t
(7.10)
yt 1 + y t = 0 + 1 y t 1 + 0 ( xt 1 + xt ) + 1 xt 1 + t
y t = 0 + y t 1 ( 1 1) + 0 xt 1 + 0 xt + 1 xt 1 + t
18
Existen varias pruebas formales y sofisticadas diseadas para determinar la estabilidad de un vector de
cointegracin, referirse por ejemplo a Hansen y Johansen (1992, 1999).
139
y t = 0 + 0 xt (1 1 ) y t 1 + ( 0 + 1 )xt 1 + t
(7.11)
y t = 0 xt (1 1 ) y t 1
0
+ 1
0
xt 1 + t
1 1
1 1
(7.12)
0
+ 1
0
xt 1
1 1
1 1
como el trmino de correccin de error. El modelo en (7.12) se puede estimar por medio de
MCOs, especificando la ecuacin tal y como aparece. Alternativamente, se puede estimar
(7.10) y obtener directamente los estimadores. Pero cmo se calculan las elasticidades de
largo plazo a partir de las estimaciones? Para simplificar el proceso, podemos
reparametrizar las expresiones anteriores y escribirlas en una forma a estimar generalizada
que es aparentemente ms elaborada, pero que en efecto es ms amigable. En niveles sera
una expresin como
y t = 0 + 1* y t 1 + 1 xt 1 + 1 y t 1 + ... + n y t n + 0 xt + 1 x t 1 + ...
+ k x t k + Dt + T + t
140
(7.13)
y t = 0 + 1 y t 1 + 1 x t 1 + 1 y t 1 + ... + n y t n + 0 x t + 1 x t 1 + ...
+ k x t k + Dt + T + t
(7.14)
141
Al igual que en el caso del coeficiente de ajuste en el MCE de dos etapas, la existencia de
cointegracin se determina examinando 1 , que sea menor a 1 en valor absoluto, negativo,
y estadsticamente significativo.19 Para el caso de la ecuacin (7.13) la significancia de 1
se infiere a partir de la significancia de 1* . Aqu hay que puntualizar que Bewley (1979)
mostr que la distribucin de los parmetros en estas estimaciones no es normal, por lo que
se debe realizar una transformacin para determinar la significancia de los estimados.
Aunque no presentamos el detalle de la misma, indicamos que para fines prcticos valores
mayores a 3 en trminos absolutos pueden considerarse aceptables.20 El lector cauteloso
debe preguntarse a este punto por qu es posible calcular 1 a partir de 1* ? simplemente
por que, como se indic en la presentacin formal del modelo, estas expresiones son
simplemente una reparametrizacin la una de la otra, de tal forma que los coeficientes y
elasticidades pueden calcularse en base a operaciones aritmticas simples.
19
Ntese que a travs de los diferentes modelos que hemos tratado en el texto, incluyendo los modelos
univariados, esta condicin de estabilidad es la misma, lo cual no es una coincidencia, parte del hecho que es
una condicin de convergencia, sin la cual los modelos considerados no tendran sentido.
20
Referimos al lector al artculo original.
21
Seguimos suponiendo que las estimaciones se realizan empleando las transformaciones logartmicas de las
variables.
142
y t = 0 + 1 y t 1 + 1 x t 1 + 1 y t 1 + 2 y t 2 + 3 y t 3 + 4 y t 4 + 0 x t + 1 x t 1 + 2 x t 2 +
3 x t 3 + 4 x t 4 + t
143
Coefficient
Std. Error
t-Statistic
Prob.
C
LOG(CONSUMO(-1))
LOG(PIB(-1))
DLOG(CONSUMO(-1))
DLOG(CONSUMO(-2))
DLOG(CONSUMO(-3))
DLOG(CONSUMO(-4))
DLOG(PIB)
DLOG(PIB(-1))
DLOG(PIB(-2))
DLOG(PIB(-3))
DLOG(PIB(-4))
-1.965261
-0.147276
0.237851
-0.387529
-0.600943
-0.448619
0.272184
1.041414
0.308814
0.635366
0.499436
-0.283572
0.552230
0.086108
0.099033
0.166869
0.165819
0.157886
0.154411
0.097241
0.203805
0.183469
0.181252
0.183309
-3.558772
-1.710375
2.401723
-2.322355
-3.624087
-2.841409
1.762730
10.70959
1.515243
3.463061
2.755469
-1.546962
0.0011
0.0960
0.0218
0.0262
0.0009
0.0074
0.0867
0.0000
0.1387
0.0014
0.0092
0.1309
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.955882
0.942016
0.012351
0.005339
146.7581
2.188701
0.008453
0.051290
-5.734385
-5.262007
68.93892
0.000000
y t 1 = 0 + 1 y t 1 + 1 xt 1 + 2 y t 2 + 0 xt + 1 xt 1 + t
144
(7.15)
Coefficient
Std. Error
t-Statistic
Prob.
C
LOG(CONSUMO(-1))
LOG(PIB(-1))
DLOG(CONSUMO(-2))
DLOG(PIB)
DLOG(PIB(-1))
-2.395092
-0.478852
0.584506
-0.289049
0.852203
-0.516007
0.631166
0.091156
0.105545
0.084529
0.117004
0.094571
-3.794710
-5.253125
5.537966
-3.419541
7.283538
-5.456307
0.0005
0.0000
0.0000
0.0014
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regresin
Sum squared resid
Log likelihood
Durbin-Watson stat
0.842549
0.824241
0.021229
0.019379
122.4386
1.651245
0.008433
0.050638
-4.752594
-4.520943
46.02021
0.000000
efecto del PIB sobre el consumo sea negativo (este mismo efecto se observa para el
coeficiente del logaritmo del consumo rezagado dos periodos), sin embargo es importante
destacar que la interpretacin de los trminos de corto plazo no es convencional, ya que
representan cambios transitorios. De tal forma que puede ser el caso que un choque
transitorio al PIB con un rezago de dos periodos pudiera tener un efecto negativo en el
consumo contemporneo. El resto de los estadsticos de importancia como lo son la r 2 ,
DW, y estadstica F parecen aceptables.
2.705514
10.64349
Prob. F(4,39)
Prob. Chi-Square(4)
0.044158
0.030877
2.188866
8.081061
Prob. F(4,40)
Prob. Chi-Square(4)
0.087639
0.088654
ARCH Test:
F-statistic
Obs*R-squared
1.764903
14.18119
146
Prob. F(9,39)
Prob. Chi-Square(9)
0.106851
0.116024
10
-10
-20
95
96
97
98
99
00
CUSUM
01
02
03
04
05
5% Significance
96
97
98
99
00
01
02
03
04
05
CUSUM of Squares
5% Significance
aceptable que produzca una elasticidad del consumo con respecto al PIB acorde con lo
esperado, o alternativamente podramos complementar la funcin de consumo con
variables adicionales que pudieran ser parte de la misma. En el Cuadro 7.10 presentamos
una estimacin que incluye adicionalmente al PIB, el tipo de cambio real (tcr) y dos series
binarias que controlan por estacionalidad en el primer y cuarto trimestre del ao, @seas(1)
y @seas(4) respectivamente.22 Asimismo, ampliamos el periodo de estimacin a 1986. En
el Cuadro 7.11 se muestran las pruebas de residuales y en las Grficas 7.6 y 7.7 las pruebas
de estabilidad CUSUM y CUSUM cuadrado respectivamente.
22
Cabe sealar que en este ejercicio las variables que controlan por estacionalidad no son centradas, esto es,
la suma de sus valores para cada ao no es 0. En este caso simplemente tomamos las variables que asignan el
valor de 1 para el trimestre de inters y 0 para cualquier otro trimestre. En la prctica, se recomienda emplear
variables centradas. Para nuestro ejemplo, la variable que corresponde al primer trimestre del ao tendra que
tomar el valor de .75 en ese trimestre y de -.25 en cada uno de los tres trimestres restantes; de tal forma que la
suma de esos valores para el ao sera 0.
148
Coefficient
Std. Error
t-Statistic
Prob.
C
LOG(CONSUMO(-1))
LOG(PIB(-1))
LOG(TCR(-1))
DLOG(PIB)
DLOG(CONSUMO(-3))
@SEAS(1)
@SEAS(4)
0.366203
-0.304615
0.285756
-0.057758
0.620099
-0.238446
-0.064216
-0.046154
0.279919
0.066418
0.063182
0.018883
0.077767
0.071154
0.005687
0.008815
1.308246
-4.586349
4.522784
-3.058790
7.973854
-3.351131
-11.29238
-5.236016
0.1950
0.0000
0.0000
0.0031
0.0000
0.0013
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.904384
0.895088
0.016150
0.018780
220.7653
1.924951
0.007841
0.049862
-5.319131
-5.080929
97.28786
0.000000
0.047632
0.108725
Prob. F(2,70)
Prob. Chi-Square(2)
0.953515
0.947089
0.882597
1.793588
Prob. F(2,75)
Prob. Chi-Square(2)
0.417959
0.407875
ARCH Test:
F-statistic
Obs*R-squared
2.599270
25.41265
149
Prob. F(12,67)
Prob. Chi-Square(12)
0.006701
0.012984
90
92
94
96
CUSUM
98
00
02
04
5% Significance
90
92
94
96
98
00
02
04
CUSUM of Squares
5% Significance
150
yt 1 = 0 + 1 y t 1 + 1 xt 1 + 2 y t 2 + 0 xt + 1 xt 1 + t
(7.16)
Coefficient
Std. Error
t-Statistic
Prob.
C
LOG(CONSUMO(-1))
LOG(PIB(-1))
DLOG(CONSUMO(-2))
DLOG(PIB)
DLOG(PIB(-1))
-2.395092
0.521148
0.584506
-0.289049
0.852203
-0.516007
0.631166
0.091156
0.105545
0.084529
0.117004
0.094571
-3.794710
5.717123
5.537966
-3.419541
7.283538
-5.456307
0.0005
0.0000
0.0000
0.0014
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regresin
Sum squared resid
Log likelihood
Durbin-Watson stat
0.978351
0.975834
0.021229
0.019379
122.4386
1.651245
20.76783
0.136563
-4.752594
-4.520943
388.6552
0.000000
151
de 1 , y se obtiene 1.2. Las pruebas sobre los residuales y de estabilidad para esta
estimacin producen resultados idnticos a los que se presentaron anteriormente.
Asimismo, al igual que las metodologas anteriores, el MCE derivado del proceso
autorregresivo no permite identificar el nmero de vectores de cointegracin, esto es,
sabemos que las series comparten tendencia comn, pero no sabemos cuntas. Aunque en
este caso, dado que el sistema consiste de dos variables, slo puede haber un vector,23 en un
sistema de tres o ms variables resulta indispensable identificar el nmero de vectores de
cointegracin. En el capitulo siguiente se presenta la metodologa de Johansen, que
contempla la posibilidad de determinar el nmero de relaciones estables de largo plazo
presentes en un sistema; y la libertad de normalizar la matriz de coeficientes de
cointegracin con respecto a cualquier variable.
23
Como se mostrar en el sigueinte captulo, el nmero mximo de vectores de cointegracin que se pueden
identificar en un sistema de n variables es n-1.
152
8. 1. Fundamentos
y1t
y 2t
y 3t
1
11.1 12.1 13.1
= 2 + 21.1 22.1 23.1
3
31.1 32.1 33.1
y1t 1
y 2t 1
y 3t 1
1t
+ 2t
3t
153
(8.1)
yt = + 1 y t 1 + 2 y t 2 + ... + p y t p + t
(8.2)
Donde
' = (1 , 2 ,... k )
yt' = ( y1t , y 2t ,... y kt )
t' = ( it , 2t ,... kt )
11. p
.
p =
.
k 1. p
.
.
.
.
.
.
1k . p
.
.
kk . p
y t = 1 y t 1 + t
(8.3)
154
O ms explcitamente
y1t
11.1
=
y 2t
21.1
12.1
22.1
y1t 1
+ 1t
y 2t 1
2t
(8.4)
La condicin necesaria y suficiente para la estabilidad del VAR es que todos los valores
caractersticos (eigenvalues) de 1 tengan mdulos menores a 1; los cuales de hecho son
las races de la matriz 1 en (8.3). Notamos que stas se pueden obtener resolviendo la
ecuacin del polinomio caracterstico
1 vI = 0
(8.5)
o bien I 1 = 0
Que es el inverso del polinomio. Aqu hay que precisar que la condicin de estabilidad que
se refiere al valor de los eigenvalues considera la ecuacin 1 vI = 0 , en el caso de la
expresin I 1 = 0 la condicin se traduce a que ninguno de los eigenvalues tenga
mdulo menor a 1. Presentemos un ejemplo con nmeros para aclarar la idea.
1 =
.313 .250
.125 .313
155
1 vI =
.313 .250
.125 .313
v 0
0 v
.313v
.250
.125
.313v
= v 2 .626v + .067
(8.6)
Resolviendo por las races del polinomio se obtiene v1 = .488 y v 2 = .137 las cuales son
ambas menores a 1, lo cual indica que el VAR es estable, en otras palabras, todos sus
eigenvalues son menores a 1. Podemos traducir este resultado de acuerdo al anlisis que se
realiz en el captulo referente a races unitarias, en este caso, dado que ningn eigenvalue
es igual a 1, entonces el VAR no presenta raz unitaria y es estacionario (cuando los
eigenvalues son mayores a 1 entonces el proceso es explosivo). Un VAR que presenta esta
caracterstica de estabilidad podra ser estimado en niveles, y
confiables. Sin embargo, si se encontrara que no todos los eigenvalues son menores a 1 y
en particular que fuera alguno igual a 1, entonces se deducira que el VAR presenta raz
unitaria y por lo tanto es inestable o no-estacionario.
156
y t = z t 1 + 1 y t 1 + ... + p 1 y t ( p 1) + (L ) t
(8.7)
157
y t = y t 1 + t
(8.8)
Donde = 1 I
Destacamos que en la discusin de la seccin anterior, el anlisis se realiz sobre la matriz
24
158
yt = 1 yt 1 + t
Donde 1 =
.250 .031
.250 .469
Calculando las races de 1 vI = 0 se obtiene que una de ellas es igual a 1, de tal forma
que existe una raz unitaria.25 Escribamos ahora el sistema en forma de correccin de error:
y t = y t 1 + t
Donde =
.750
.031
.250
.531
ya que = 1 I .
Calculando los eigenvalues de se obtiene que uno de ellos es igual a 0. De tal forma que
el rango de es reducido y por lo tanto existe al menos una relacin de cointegracin, que
de hecho en este caso debe ser slo 1 vector de cointegracin, ya que el sistema consiste de
2 variables.
25
159
Rango de cointegracin
r=n
Interpretacin
1 r n 1
r=0
Supongamos ahora que la matriz tiene rango reducido, la pregunta ahora es cuntos
vectores de cointegracin existen? La respuesta a esta interrogante es clara, el nmero de
vectores de cointegracin est dado por el nmero de eigenvalues de la matriz diferentes
a cero. De tal forma que si consideramos un sistema de n variables, el nmero mximo de
vectores de cointegracin puede ser n-1 (ya que implcitamente el rango de es
reducido). As, si por ejemplo el sistema cuenta con dos variables, r el nmero de
vectores de cointegracin puede ser a lo ms 1.
a) Estadstico de traza
Traza (r0 | k ) = T
ln (1 i )
i = r0 +1
160
Donde
son
los
eigenvalues
estimados,
los
cuales
se
ordenan
max (n 1) = T ln (1 n )
Una vez que se determina que existe cointegracin en las variables, entonces se procede a
identificar los coeficientes de cointegracin. Regresemos a la representacin VEC de
nuestro sistema:
y t = y t 1 + t
y t = 'y t 1 + t
(8.8)
161
El lector atento habr notado que en este ltimo prrafo se menciona una de las ventajas de
la metodologa de Johansen sobre las metodologas estudiadas en el captulo anterior, y se
refiere a tener la libertad de normalizar el vector de cointegracin con respecto a la variable
que sea de inters, sin tener que preocuparse por la posibilidad de que los coeficientes
cambien al modificar el ordenamiento de las variables. As, concluimos la descripcin de
esta metodologa sealando que queda a la discrecin del lector emplear aquella que
satisfaga ms puntualmente sus requerimientos de investigacin.
26
Destacamos que en algunos paquetes economtricos, como en EViews, la hoja de resultados reporta
por lo cual las filas, y no las columnas, se refieren a los vectores de cointegracin.
162
'
LogL
LR
FPE
AIC
SC
HQ
0
1
2
3
4
5
6
7
8
124.2860
172.9184
201.3092
231.9574
258.5401
259.9251
268.3018
271.9435
284.6019
NA
90.63315
50.32918
51.54459
42.29067
2.077578
11.80352
4.800429
15.53529*
1.32e-05
1.74e-06
5.75e-07
1.72e-07
6.19e-08
7.04e-08
5.86e-08
6.08e-08
4.21e-08*
-5.558454
-7.587201
-8.695874
-9.907153
-10.93364
-10.81478
-11.01372
-10.99743
-11.39100*
-5.477355
-7.343902
-8.290377
-9.339456
-10.20374*
-9.922684
-9.959425
-9.780940
-10.01230
-5.528379
-7.496974
-8.545496
-9.696624
-10.66296
-10.48395
-10.62274
-10.54630
-10.87971*
163
De acuerdo a estos, el nmero de rezagos ptimos en niveles puede ser 4 u 8, de tal forma
que para estimar el VEC, los nmeros a considerar, p-1, seran 3 o 7, para nuestros
propsitos escogemos 3 rezagos.27
27
En la prctica seleccionar el nmero de rezagos con los que se inicia la prueba (en nuestro ejemplo 8), se
realiza en base a la intuicin del investigador. Es estndar, por ejemplo, comenzar con 12 rezagos cuando se
trata de datos con frecuencia mensual, y con 4 rezagos cuando se trata de observaciones trimestrales.
28
Recomendamos referirse a la explicacin tcnica en EViews para identificar claramente las diferencias que
existen entre las opciones que se ofrecen para realizar la prueba de cointegracin. En el fondo, cabe recordar
que el ejercicio de cointegracin, as como cualquier ejercicio que modele series de tiempo, tiene como fin
ltimo identificar la dinmica que gener la o las series con las que se trabaja, por lo cual la especificacin
que se escoja debe ser una aproximacin razonable al comportamiento que exhiben las variables.
29
Aqu la probabilidad se refiere al comnmente conocido p-value que es estndar en pruebas de hiptesis.
164
Eigenvalue
Trace
Statistic
0.05
Critical Value
Prob.**
None *
At most 1
0.586137
0.165428
51.02668
8.680120
25.87211
12.51798
0.0000
0.2010
Eigenvalue
Max-Eigen
Statistic
0.05
Critical Value
Prob.**
0.586137
0.165428
42.34656
8.680120
19.38704
12.51798
0.0000
0.2010
LOG(PIB)
@TREND(80Q2)
1.702062
36.28156
-31.98589
-25.80340
0.174833
-0.136977
165
LOG(PIB)
-31.98589
-25.80340
Ya que la normalizacin se puede realizar con respecto a cualquier coeficiente para cada
fila en la matriz, aqu escogemos los valores 36.28156 y -25.80340. Normalizando con
respecto al consumo, esto es, dividiendo los coeficientes por 36.28156, obtenemos el vector
de cointegracin (1, -.71), que indica una relacin positiva entre el consumo y el ingreso y
con una elasticidad de largo plazo de .71 (como se indic en el Captulo 8, la relacin
cualitativa que existe entre las variables es la opuesta al signo del coeficiente normalizado).
Podramos haber construido el vector considerando la primera fila, sin embargo la
elasticidad de largo plazo no sera congruente con la teora. A continuacin estimamos un
sistema de tres variables, con el propsito de ilustrar un caso en el que puede encontrarse
ms de un vector de cointegracin.
Nuestro sistema ahora incluye al agregado monetario M1 real como variable adicional en la
funcin de consumo. Comenzamos por determinar el nmero de rezagos ptimos a partir
del VAR en niveles. Los resultados del ejercicio de exclusin de rezagos se presentan en el
Cuadro 8.4
166
LogL
LR
FPE
AIC
SC
HQ
0
1
2
3
4
5
6
7
8
179.3545
254.5789
301.9868
325.3834
356.8365
363.0471
380.7924
384.9762
414.6663
NA
136.7717
79.73149
36.15838
44.32024
7.904389
20.16508
4.183801
25.64148*
6.63e-08
3.27e-09
5.74e-10
3.03e-10
1.13e-10
1.35e-10
9.77e-11
1.36e-10
6.27e-11*
-8.016112
-11.02631
-12.77213
-13.42652
-14.44711
-14.32032
-14.71783
-14.49892
-15.43938*
-7.894462
-10.53972
-11.92058
-12.21003
-12.86567*
-12.37393
-12.40650
-11.82263
-12.39814
-7.970998
-10.84586
-12.45633
-12.97538
-13.86064
-13.59851
-13.86068
-13.50642
-14.31154*
167
Eigenvalue
Trace
Statistic
0.05
Critical Value
Prob.**
None *
At most 1 *
At most 2
0.505035
0.336301
0.214954
65.05000
31.29310
11.61665
42.91525
25.87211
12.51798
0.0001
0.0096
0.0704
Eigenvalue
Max-Eigen
Statistic
0.05
Critical Value
Prob.**
None *
At most 1 *
At most 2
0.505035
0.336301
0.214954
33.75690
19.67645
11.61665
25.82321
19.38704
12.51798
0.0037
0.0454
0.0704
LOG(PIB)
LOG(M1REAL)
@TREND(80Q2)
-1.173952
100.1587
59.33312
38.60550
-79.59472
-41.59916
-0.291573
-22.14119
-5.025612
-0.221358
0.081246
-0.146434
168
LOG(PIB)
38.60550
-79.59472
-41.59916
LOG(M1REAL)
-0.291573
-22.14119
-5.025612
30
Aquellos lectores que hayan realizado este anlisis en EViews, reconocern que en algunas ocasiones la
prueba seala que el nmero de vectores de cointegracin es igual al nmero de variables en el sistema, esto
es r=n, lo cual no tienen sentido pues la existencia de cointegracin se acota a que la matriz exhiba rango
reducido. Una posible causa de este resultado contradictorio se debe a que se incluyen variables exgenas en
el sistema, por lo cual los estadsticos de prueba pueden ser no confiables. En todo caso, cuando la prueba
indica que r=n se debe re-especificar el sistema pues el resultado carece de sentido.
169
inclinaramos por el primero, ya que una elasticidad del consumo con respecto al PIB de
.79 es ms cercana a lo que se encuentra en la literatura que la elasticidad de .70.31
Notamos finalmente que en el cuadro de salida de EViews se reporta en este caso, primero
un vector de cointegracin normalizado que generalmente se calcula en base a la primera
fila, y enseguida un segundo vector de cointegracin normalizado, que de hecho asigna el
valor de 0 a alguno de los coeficientes. La asignacin de 0 es necesaria para identificar los
posibles vectores en el sistema, pero de hecho podra no hacerse esta simplificacin y
obtener directamente el vector deseado de la matriz , como lo hicimos en nuestros
ejercicios.32
170
diferentes. En este caso la ecuacin incluye una tendencia y el periodo de estimacin est
ajustado para incluir slo 48 observaciones. Podramos, sin embargo, tratar de aproximar
los resultados estimando una ecuacin en la primera etapa de los modelos de Engle y
Granger, y correccin de error, similar a la que estimamos aqu. Con tal fin, consideramos
ahora una ecuacin que incluye una tendencia para periodos muestrales iguales. Los
resultados de su estimacin presentan en el Cuadro 8.7. El vector normalizado sera (1, .89), que se asemeja un poco ms a lo que se obtuvo con la metodologa de Johansen pero
no es idntico.
Coefficient
Std. Error
t-Statistic
Prob.
1.592634
0.899846
0.002091
2.538987
0.123831
0.001033
0.627272
7.266720
2.024051
0.5337
0.0000
0.0489
0.943923
0.941431
0.033138
0.049417
96.97891
0.972309
20.77027
0.136929
-3.915788
-3.798838
378.7338
0.000000
autocorrelacin, de tal forma que pudiera ser ms eficiente estimar una especificacin que
atiende este problema. En el Cuadro 8.8 se presentan los resultados para una ecuacin que
incluye al consumo rezagado dos periodos y una variable estacional para el primer
trimestre; pero que ya no considera la tendencia. Ahora la elasticidad de largo plazo del
consumo con respecto al PIB es similar a la que se obtuvieron con la metodologa de
Johansen. Asimismo, ya no existe un problema tan grave de autocorrelacin. Dados estos
resultados, subrayamos que el ejercicio de cointegracin requiere no slo de conocer la
mecnica para estimar modelos, sino que es fundamental que se encuentren resultados
consistentes con la teora que sustenta el ejercicio economtrico.
Coefficient
Std. Error
t-Statistic
Prob.
C
LOG(PIB)
LOG(CONSUMO(-2))
@SEAS(1)
-1.829693
0.771578
0.341666
-0.040609
0.458249
0.085732
0.077082
0.008507
-3.992789
8.999912
4.432508
-4.773425
0.0002
0.0000
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.967810
0.965615
0.025391
0.028367
110.3003
1.684704
13.86251
0.136929
-4.429180
-4.273247
440.9560
0.000000
Con este ejemplo concluimos nuestra presentacin del anlisis de cointegracin, sugerimos
al lector interesado revisar las referencias citadas a travs de la discusin para profundizar
en el aspecto terico.
172
173
y1t
y2t
12.1
1
+ 11.1
2
21.1 22.1
y1t 1
y2t 1
1t
2t
(9.1)
En este caso, notamos que el valor rezagado de y2t afecta el comportamiento de y1t ;
similarmente, el valor rezagado de y1t influye sobre y2t . De tal forma que si se estimaran
los parmetros de la matriz 1 , 12.1 y 21.1 , y ambos resultaran estadsticamente
significativos, se dira que y2t Granger causa y1t y y1t Granger causa y2t . Pero si por
ejemplo 12.1 fuera estadsticamente igual a 0, entonces tendramos
y1t
y2t
0
1
+ 11.1
2
21.1 22.1
y1t 1
y2t 1
1t
2t
(9.2)
De tal forma que el valor rezagado de y2t no influira sobre y1t y as se dira que y2t no
Granger causa y1t .
1. Especificar el VAR
2. Determinar el nmero de rezagos de acuerdo a algn criterio de informacin.
3. Estimar el VAR considerando el nmero de rezagos ptimos e identificar si valores
rezagados de una variable influyen significativamente sobre otra u otras.
33
Ntese que a travs del anlisis de VARs no se ha hecho hincapi en cuanto al ordenamiento de las
variables en el sistema, esto es, acerca de cul variable se incluye primero y cul, o cules, enseguida.
Generalmente se incluye primero la variable que se considera dependiente y enseguida las independientes.
Aunque reconocemos que es posible por medio de pruebas de exogeneidad determinar qu variables deben
considerarse endgenas y cules exgenas. Para propsitos prcticos suponemos que las variables incluidas
en el VAR son endgenas, de tal forma que cada una requiere de una ecuacin al modelar el VAR. Si hubiera
alguna variable exgena, sta no requerira de una ecuacin propia. El lector interesado puede referirse a la
discusin metodolgica en Juselius y Hansen (1995).
175
LogL
LR
FPE
AIC
SC
HQ
0
1
2
3
4
5
6
7
8
9
10
11
12
360.4309
914.3297
923.2178
934.5615
941.9779
942.6845
946.8001
951.2517
952.9598
953.6305
954.7573
967.5196
970.9636
NA
1089.334
17.28226
21.80516
14.09127
1.326833
7.636604
8.161267
3.093684
1.199755
1.990711
22.26300*
5.931361
6.39e-05
1.42e-07
1.34e-07
1.24e-07
1.19e-07*
1.24e-07
1.24e-07
1.23e-07
1.26e-07
1.31e-07
1.35e-07
1.23e-07
1.24e-07
-3.982566
-10.09255
-10.14686
-10.22846
-10.26642*
-10.22983
-10.23111
-10.23613
-10.21066
-10.17367
-10.14175
-10.23911
-10.23293
-3.947089
-9.986121*
-9.969478
-9.980120
-9.947126
-9.839578
-9.769907
-9.703970
-9.607551
-9.499604
-9.396725
-9.423128
-9.345996
-3.968181
-10.04940
-10.07494
-10.12777
-10.13696*
-10.07160
-10.04411
-10.02036
-9.966128
-9.900367
-9.839673
-9.908262
-9.873316
Como se indic en su oportunidad, cuando se trata con datos mensuales, es comn que se
incluyan 12 rezagos para iniciar el anlisis; as lo hacemos aqu. A partir de los resultados
del Cuadro, notamos que el nmero ptimo de rezagos puede ser 1, 4 u 11. Para nuestros
propsitos seleccionamos 4.34 Enseguida aplicamos la prueba de causalidad de Granger y
obtenemos los resultados que se presentan en el Cuadro 9.2.
34
A diferencia del ejercicio de cointegracin donde el nmero de rezagos ptimo es p-1, aqu el nmero es p,
y que se trabaja con series estacionarias.
176
Obs
F-Statistic
Probability
188
2.07525
1.10981
0.08591
0.35342
En a prctica es comn encontrarse con series que no son estacionarias, sobre todo en el
mbito financiero. A continuacin se consideran dos series frecuentemente analizadas en
este sector: el ndice de Precios y Cotizaciones de la Bolsa Mexicana de Valores, (IPC) y el
ndice Industrial Dow Jones (Dow). Debido a que ambas se encuentran integradas de orden
1, como se puede verificar en los Cuadros 9.3 y 9.4, se estima el VAR en primeras
diferencias, ordenando al IPC en la primera posicin y al Dow como segundo. Como
primer paso, se determina el nmero de rezagos ptimos en el sistema; que de acuerdo a los
resultados del Cuadro 9.5 sera igual a 0, 2, o 12; para nuestro ejercicio seleccionamos 2.
177
4.315592
0.216000
0.146000
0.052280
0.216000
0.146000
40.85470
0.216000
0.146000
178
0.089046
0.216000
0.146000
LogL
LR
FPE
AIC
SC
HQ
0
1
2
3
4
5
6
7
8
9
10
11
12
368.2235
369.2823
385.9072
388.6754
389.1998
390.9601
394.1698
395.1523
397.5340
400.0414
402.1377
403.9237
412.3536
NA
2.069378
31.99041
5.242846
0.977211
3.227166
5.787341
1.741614
4.149982
4.292993
3.525597
2.949469
13.66672*
1.33e-05
1.40e-05
1.15e-05*
1.17e-05
1.24e-05
1.28e-05
1.30e-05
1.36e-05
1.39e-05
1.43e-05
1.47e-05
1.52e-05
1.43e-05
-5.548841
-5.504277
-5.695564*
-5.676900
-5.624239
-5.590304
-5.578331
-5.532611
-5.508091
-5.485476
-5.456632
-5.423086
-5.490206
-5.505162*
-5.373240
-5.477170
-5.371149
-5.231130
-5.109837
-5.010506
-4.877428
-4.765551
-4.655579
-4.539377
-4.418473
-4.398235
-5.531092
-5.451030
-5.606818*
-5.552657
-5.464498
-5.395064
-5.347593
-5.266375
-5.206357
-5.148244
-5.083902
-5.014857
-5.046479
179
Obs
F-Statistic
Probability
17.8178
0.90959
1.5E-07
0.40530
9. 2. Funcin Impulso-Respuesta
Una vez estimado el VAR, se puede continuar con la estimacin de la funcin impulsorespuesta. La misma nos permite evaluar la respuesta de las variables a un choque o
perturbacin sobre un trmino de error. Consideremos el siguiente VAR:
y1t
y2t
12.1
1
+ 11.1
2
21.1 22.1
y1t 1
y2t 1
1t
2t
(9.3)
Supongamos que se desea conocer el efecto que tendra un cambio en 1t sobre las
variables en el sistema. Evidentemente, un choque en 1t afectara a y1t , pero no a y2t . Sin
180
.20
.20
.16
.16
.12
.12
.08
.08
.04
.04
.00
.00
-.04
-.04
1
10
10
10
.005
.005
.004
.004
.003
.003
.002
.002
.001
.001
.000
.000
-.001
-.001
-.002
-.002
1
10
el primero se nota que el desempleo muestra una respuesta a la inflacin rezagada, para los
primeros 4 periodos la respuesta es esencialmente 0. A partir del periodo 5 aparece cierta
respuesta pero no es muy importante. En la grfica inferior izquierda se aprecia una
pequea respuesta de la inflacin con respecto al desempleo en el periodo 1, que se torna
negativa a partir del periodo 5. As, a partir del examen visual de la grfica, nos podemos
formar una idea de la respuesta de las variables en el sistema a choques o innovaciones en
las mismas. En este caso, se aprecia una respuesta vis-a-vis poco importante.
En la Figura 9.2 se muestra la funcin para el caso del IPC y el Dow. Una vez ms, las
grficas de inters se encuentran en la parte superior derecha y la inferior izquierda.
Notamos que la primera diferencia del IPC responde significativamente al Dow,
especialmente en el tercer periodo; esta respuesta desaparece para el cuarto periodo. En el
caso de la respuesta del Dow al IPC, se encentra que es tenue y para el tercer periodo se
aproxima a 0. De esta forma se pueden sentar las bases para un estudio ms detallado sobre
la relacin estocstica que guardan estas variables, sobre todo si se reconoce que ambas son
no-estacionarias en niveles; por lo cual una vez determinada la relacin que existe en sus
primeras diferencias, se podra continuar con un anlisis de cointegracin como se
describi en el captulo anterior. En este sentido, destacamos que si las series se encuentran
cointegradas, entonces se procedera a estimar un VEC y a partir de ello se identificara la
funcin impulso-respuesta. La interpretacin de las grficas es similar a la que se describi
anteriormente. A pesar de que esta alternativa es atractiva, en la prctica la implementacin
de la metodologa de cointegracin prevalece sobre ejercicios impulso-respuesta que
consideran un VEC.
182
.10
.10
.08
.08
.06
.06
.04
.04
.02
.02
.00
.00
-.02
-.02
1
10
10
.05
.05
.04
.04
.03
.03
.02
.02
.01
.01
.00
.00
-.01
-.01
-.02
-.02
1
10
10
35
183
9. 3. Descomposicin de la varianza
Este ejercicio se puede llevar a cabo como una aplicacin adicional de un VAR. El
propsito del mismo es identificar la porcin de la varianza de cada serie que se puede
atribuir a innovaciones dentro del sistema. Consideremos el VAR que incluye el desempleo
y la inflacin; la descomposicin de la varianza que arroja el paquete Eviews se presenta
Cuadro 9.7.
S.E.
DESEMPLEO
INFLACION
0.131754
0.172318
0.215799
0.262531
0.298930
0.333783
0.365823
0.394197
0.420559
0.444897
100.0000
99.93809
99.90358
99.92309
99.87249
99.59362
99.16950
98.56263
97.74655
96.74661
0.000000
0.061914
0.096416
0.076908
0.127515
0.406383
0.830499
1.437368
2.253445
3.253391
S.E.
DESEMPLEO
INFLACION
0.002704
0.004376
0.005152
0.005689
0.006226
0.006709
0.007105
0.007438
0.007726
0.007976
1.905510
1.040907
0.752403
0.991990
1.230189
1.390599
1.644631
1.913993
2.151937
2.368062
98.09449
98.95909
99.24760
99.00801
98.76981
98.60940
98.35537
98.08601
97.84806
97.63194
184
La primera columna se refiere a los periodos durante los cuales se supone una respuesta de
las variables a las perturbaciones. En la segunda se reporta el error estndar del pronstico
de las variables una vez que se consideran los choques. La tercera y cuarta columnas en
este caso reportan la varianza que se atribuye al choque que recibe cada una de las
variables. As, por ejemplo, en la porcin superior que considera la descomposicin de la
varianza del desempleo, notamos que la varianza en el pronstico de esta variable para el
primer periodo se atribuye en su totalidad al choque en la variable de desempleo, esto es,
un choque en la variable de inflacin no explica en lo absoluto la varianza en el desempleo.
Interesantemente, en la parte inferior del Cuadro, que reporta la descomposicin de la
varianza para la inflacin, el efecto de un choque en el empleo sobre la inflacin en el
primer periodo no es 0, aunque el mismo es pequeo.
185
S.E.
DLOG(IPC)
DLOG(DOW)
0.074528
0.074884
0.084224
0.084428
0.084446
0.084471
0.084474
0.084475
0.084475
0.084475
100.0000
99.58555
78.82479
78.60968
78.61071
78.56996
78.56464
78.56351
78.56338
78.56332
0.000000
0.414445
21.17521
21.39032
21.38929
21.43004
21.43536
21.43649
21.43662
21.43668
S.E.
DLOG(IPC)
DLOG(DOW)
0.043970
0.044193
0.044251
0.044306
0.044318
0.044319
0.044319
0.044319
0.044319
0.044319
0.392425
1.141095
1.364438
1.374087
1.377536
1.379154
1.379146
1.379210
1.379220
1.379221
99.60757
98.85891
98.63556
98.62591
98.62246
98.62085
98.62085
98.62079
98.62078
98.62078
Cholesky Ordering:
DLOG(IPC) DLOG(DOW)
186
Aqu se presenta una aplicacin del anlisis multivariado de series de tiempo que en
recientes fechas ha tomado particular importancia; y se refiere a la identificacin de ciclos
comunes en un conjunto de variables. Ntese que a travs del anlisis de cointegracin que
se llev a cabo en el Captulo 8 se entendi el concepto como la existencia de tendencia(s)
comn(es) entre series de tiempo. Esto sugiere que si los componentes tendenciales de dos
series, por ejemplo, se comportan de manera similar, entonces se podra construir una
tendencia que les sea comn a ambos. De similar manera, si dos series presentan un
comportamiento cclico similar, ser podra entonces construir un ciclo comn. En efecto,
una serie de tiempo se puede entender como la suma de dos componentes, uno de tendencia
y otro estacionario; que constituye su ciclo. El estudio sobre la descomposicin de series de
187
tiempo en sus componentes es amplio, y escapa el alcance del texto, sin embargo aqu
presentamos una discusin que puede motivar al lector a profundizar en el tema.36
Beveridge y Nelson (1981) sugieren que una serie de tiempo puede ser descompuesta en
dos partes, una que se refiere a una tendencia que sigue un proceso de caminata aleatoria y
otra que se representa como un proceso ARMA(p,q), y que se entiende como el ciclo de la
serie. Formalmente, la serie y t se descompone como:
yt = t + ct
(9.4)
36
188
1200000
50000
1000000
0
-50000
-100000
-150000
93 94 95 96 97 98 99 00 01 02 03 04 05
PIB
Trend
Cycle
1200000
50000
1000000
0
-50000
-100000
-150000
93 94 95 96 97 98 99 00 01 02 03 04 05
PIB
Trend
189
Cycle
En principio, ya que slo sumamos una observacin, podramos esperar que slo el ltimo
valor de la tendencia cambiara; con respecto a la serie que termina en 2005:3. Si
examinamos las grficas, ste es el caso. Sin embargo, como lo ilustra el Cuadro 9.9, que
muestra los valores de las series de tendencia para el ao 2005, los valores entre las dos
series para los primeros trimestres de 2005 son diferentes, esto es, la tendencia estimada al
agregar una observacin a la serie original cambia totalmente; de tal forma que no se puede
considerar la tendencia que se obtiene con el Filtro HP como confiable.
1724105.75
1733398.75
1742683.69
1734284.50
1745153.70
1756081.59
1767047.04
(9.5)
190
yt = C (1)
i =0
et i + C * (L )et
(9.6)
En este sistema multivariado la tendencia para una serie en particular se puede estimar por
medio de un VEC, por ejemplo, normalizando el vector de cointegracin con respecto a la
variable de inters. De esta forma se incluira la restriccin de cointegracin en el clculo
de la tendencia. Esta metodologa ya representa una mejora importante con respecto a la
metodologa del Filtro, que no impone ninguna restriccin sobre la dinmica de las series.
Sin embargo, como lo argumenta Vahid y Engle (1993), resulta importante considerar la
posible existencia no slo de relaciones estables de largo plazo entre las variables, sino
tambin la existencia de posibles relaciones estables de corto plazo.
Esto es, retomando la expresin (9.6), notamos que la existencia de cointegracin implica
que 'C (1) = 0 , donde incluye los r vectores de cointegracin. De igual forma, para el
componente cclico sera posible encontrar que ~ 'C * (L ) = 0 ; lo cual indicara que existen
relaciones estables de corto plazo en el sistema, tal como la condicin 'C (1) = 0 sugiere la
191
~ 'C * (L ) = 0 , se dice que existen s relaciones de ciclo comn y ~ agrupa los vectores de
comovimiento, con la restriccin r + s n . En otras palabras, el concepto de ciclo comn
es el equivalente al de cointegracin pero para el corto plazo. Por qu es importante tomar
en cuenta la posible existencia de comovimientos cclicos? Por que tal y como se muestra
en Issler y Vahid (2001) para variables de Estados Unidos, y Herrera (2004) para el caso
del PIB de Mxico, no incluir las restricciones que se refieren a los vectores de
comivimiento resulta en la subestimacin del efecto de choques transitorios, por ende, en
un clculo no eficiente de la tendencia comn. As, para un sistema en el que se identifica
cointegracin, la tcnica que produce estimaciones de tendencias y ciclos comunes ms
eficientes ser refiere a sta sugerida por Vahid y Engle.38
eigenvalues. Una vez realizado este ejercicio, se evala la posible rotacin del sistema de
tal forma que las variables que se encuentran en el lado derecho del mismo (aquellas que
constituyen la historia) no presenten correlacin entre ellas. Enseguida se procede a realizar
una prueba de hiptesis sobre el nmero de combinaciones lineales de las variables
38
En el caso en el que no exista cointegracin entre las variables, se recomienda emplear la metodologa
sugerida por Engle y Kozicki (1993) para series estacionarias (de tal forma que si el sistema lo constituyen
series I(1) se tendra que trabajar con primeras diferencias) . La misma se fundamenta en la estimacin del
sistema en dos etapas, siendo los instrumentos los rezagos de las series estacionarias.
192
diferenciadas que cumplen con las siguientes caractersticas: no pueden ser pronosticadas,
y eliminan los patrones de correlacin serial en el sistema. En notacin de Vahid y Engle, s
representa este nmero de combinaciones lineales y de hecho es igual al nmero de
correlaciones cannicas igual a cero, y constituyen vectores de comovimiento; que de
hecho es posible mostrar que s n r. La estadstica de prueba para la hiptesis nula de
, s se
C ( p , s ) = (T p 1)
s
j =1
log 1 2j
s ( np + r ) s ( n s ) .40
193
Estadstico
de Traza
0.05 Valor
Crtico
0
1
2
37.62
11.03
0.96
29.80
15.49
3.84
-0.55
-0.13
Ciclo Comn
Hiptesis
S
Probabilidad
0.05
>0
>1
>2
0.65
0.18
0.00
0
1
-0.72
-0.48
El vector de cointegracin indica una asociacin positiva entre el PIB de Estados Unidos y
los correspondientes a Canad (CAN) y Mxico (MEX). La magnitud del coeficiente de
Canad es mayor relativo al de Mxico; lo cual es congruente con la idea sobre la elevada
sincronizacin de las economas de Estados Unidos y Canad. Los resultados del anlisis
de ciclo comn muestran la existencia de dos relaciones estables de corto plazo, con un
vector de comovimiento que sugiere una relacin positiva entre los ciclos de Estados
Unidos y Canad con respecto a Mxico.
En este caso se tiene que la suma del nmero de vectores de cointegracin (r) y el nmero
de ciclos comunes (s) es igual al nmero de variables (n) por lo que se puede realizar una
descomposicin de las series en tendencia y ciclo comn de en el espritu de Beverdige y
Nelson (1981). En particular, siguiendo con la notacin anterior, el componente de
tendencia y cclico puede derivarse reconociendo que
194
1
1
yt = ~ (~~ ) ~ y t + ( ) y t
CAN
0.47
0.94
0.32
MEX
-0.83
0.1
0.44
CAN
-0.47
0.06
-0.32
MEX
0.83
-0.1
0.56
195
-1
-2
80 82 84 86 88 90 92 94 96 98 00 02 04 06
US GDP
COMMON TREND
COMMON TREND
42
Aplicaciones prcticas de esta construccin para el caso de Mxico se encuentran en Herrera y Castillo
(2003) y Castillo y Herrera (2005).
196
-1
-2
80 82 84 86 88 90 92 94 96 98 00 02 04 06
MEX GDP
COMMON TREND
197
Bibliografa
Bartlett M. S. (1946): On the Theoretical Specification of Sampling Properties of
Autocorrelated Time Series Journal of the Royal Statistical Society Series B, 27, pp. 2741.
Beveridge S. y C. R. Nelson (1981): A New Approach to Decomposition of Economic
Time Series into Permanent and Transitory Components with Particular Attention to
Measurement of Business Cycle Journal of Monetary Economics, 7, pp. 151-174.
Bewley (1979): The Direct Estimation of the Equilibrium Response in a Linear Dynamic
Model Economics Letters, 3, pp. 357-361.
Blanchard O. y D. Quah (1989): The Dynamic Effects of Aggregate Demand and Supply
Disturbances American Economic Review, 79, pp. 655-673.
Box G. y G. Jenkins (1970): Time Series Analysis-Forecasting and Control, San Francisco,
Holden Day.
Box G. y D. Pierce (1970): Distribution of Residual Autocorrelations in Autoregressive
Integrated Moving Average Time Series Model Journal of the American Statistical
Association, 65, pp. 1509-1526.
Castillo R. (2003): Restricciones de Liquidez, Canal de Crdito, y Consumo en Mxico
Economa Mexicana, Nueva poca, 12, pp. 65-101.
Castillo R. y A. Daz-Bautista (2002): Testing for Unit Roots: Mexicos GDP Momento
Econmico, 124, pp. 2-10.
Castillo R. y J. Herrera (2005): El Efecto del Gasto Pblico sobre el Gasto Privado en
Mxico: Un Ejercicio Economtrico Estudios Econmicos, 20, pp. 173-196.
Castillo R. y R. Ramrez (2006): How Integrated are the NAFTA Economies Documento
de Trabajo, Universidad Autnoma de Baja California.
Conesa A. (1998): Pass-Through del Tipo de Cambio y del Salario: Teora y Evidencia
para la Industria Manufacturera en Mxico Documento de Trabajo 1998-03, Banco de
Mxico.
Clarida R. y J. Gali (1994): Sources of Real Exchange Rate Fluctuations: How Important
are Nominal Shocks? Carnegie-Rochester Conference Series on Public Policy.
Carrascal U., Y. Gonzlez, Gonzlez R. B.(2001). Anlisis Economtrico con EViews.
Alfaomega Grupo Editor. Mxico.
198
199
200
Zivot E. and D. Andrews (1982): Further Evidence on the Great Crash, the Oil Price
Shock and the Unit Root Hypothesis Journal of Business and Economic Statistics, 10, pp.
251-270.
201