Documente Academic
Documente Profesional
Documente Cultură
com
1. Abstract
2. Metodologa para el uso del Test de Zivot & Andrews Secuencial
3. Bibliografa
4. Anexos
Abstract
This paper is based in recent methods of econometrics in economics . The aim of this paper
is to encourage an appreciation of the problems of empirical measurement relationships, and
assessment of the techniques by which those problems may be solved.
The problem under analysis is the efficient estimations parameters from econometric models
where these time series of type unit root with break point.
This working paper developed the techniques econometrics and test of stationary time
series analysis: Zivot & Andrews Test applied to economic time series. Unfortunately,
economic theory is often not rich enough to provide a tight specification of the dynamic
relationship among variables. Furthermore, estimation and inference are complicated by the
fact that endogenous variables may appear on both the left and right sides of the equations.
The Zivot & Andrews Test applied to economic time series is a powerful tool design to
analyze the statistics properties from econometric models.
Perron (1989) sostuvo que los tradicionales test de raz unitaria (Dickey-Fuller, Dickey-Fuller
Aumentado y Phillips-Perron) tenan poco poder para diferenciar una trayectoria de raz
unitaria de una estacionaria cuando haba cambio estructural. En consecuencia, como estos
test estaban sesgados hacia el no rechazo de la hiptesis nula de raz unitaria, a menudo se
rechazaba incorrectamente la hiptesis alternativa de estacionariedad. Perron encontr, por
ejemplo, que las series de agregados macroeconmicos y financieros utilizados por Nelson y
Plosser (1982) eran en su mayora estacionarias con cambio estructural, en oposicin a lo
que los citados autores sealaban. Siguiendo esta lnea, Zivot y Andrews (1992) 1 elaboraron
un test en la que la fecha del punto de quiebre era determinada endgenamente. Con esta
finalidad se desarroll un programa preparado para E-Views2, correspondiente al test de
Z&A, realizado de manera secuencial, esto ltimo se refiere a que el programa evala la
posible presencia de quiebre estructural en cada observacin de la serie analizada (genera
variables Dummy a partir de la 75ava observacin y termina en la observacin N-75).
1
Zivot, Eric y Andrews, Donald W.K., 1992, Further Evidence on the Great Crash, the Oil-Price Shock and the Unit-Root
Hypothesis, Journal of Business and Economic Statistics vol.10, nr.3, pp. 251-270.
2
Software utilizado para realizar Anlisis Economtrico. El programa se adjunta en el anexo del documento.
80
60
40
20
-20
50 100 150 200 250 300 350 400 450 500
SERIE3
A simple vista uno podra decir que la serie presenta 3 quiebres en su tendencia, alrededor
de la observacin 160, 230 y 320 respectivamente. Con esta apreciacin, utilizamos nuestro
programa.
Paso previo: Dado que el programa genera dummies continuamente, tanto para quiebres en
media como para quiebres en tendencia, es imprescindible que la serie se encuentre en
formato UNDATED. Colocamos el nombre de la serie en el regln que indica:
Cualquier serie que coloquemos all, el programa cambiar su nombre a lserie, y a partir de
ello realiza sus clculos.
Dado que nuestra serie tiene 500 observaciones, el programa ha generado 350 variables
dummy para quiebre en media (desde DUM75 hasta DUM425) y otras 350 para quiebre en
tendencia (desde DUT75 hasta DUT425)
800
600
400
200
0
50 100 150 200 250 300 350 400 450 500
F FT FM
La lnea roja (FT) muestra el resultado del test F aplicado secuencialmente, para posibles
quiebres en tendencia, la lnea verde (FM), muestra el mismo test, pero para posibles
quiebres en media, la lnea azul (F) es el test F, para ambos casos.
Como se puede aprecia, es la lnea roja la que alcanza valores ms altos, por lo que
podemos concluir que existe evidencia de un POSIBLE quiebre en tendencia, o dicho de
otra forma, si existe quiebre en la serie (y no raz unitaria), este sera quiebre en Tendencia,
y estara alrededor de la observacin 125.
-1
-2
-3
-4
-5
100 150 200 250 300 350 400
ZIVOTM VCRITM
Vemos en este grfico del Test Z&A para quiebre en media, que la lnea asociada al
resultado del test aplicado secuencialmente, no cruza el valor crtico. Como concluimos
inicialmente, si es que haba quiebre, este sera en Tendencia. Lo mismo ocurre para el caso
del Test Z&A aplicado para ambos casos, como se muestra en el siguiente grfico:
-1
-2
-3
-4
-5
-6
100 150 200 250 300 350 400
ZIVOT VCRIT
Veamos el grfico del test Z&A para el caso que nos interesa: la posible existencia de
quiebre en tendencia:
-1.5
-2.0
-2.5
-3.0
-3.5
-4.0
-4.5
100 150 200 250 300 350 400
ZIVOTT VCRITT
Vemos aqu que la lnea azul no cruza el valor crtico, por lo que no existe quiebre en
tendencia. Por lo tanto el comportamiento errtico de la serie, se debera a la presencia de
Raz Unitaria.
La hiptesis nula seria que la serie no presenta quiebre (no cruza la lnea roja),
entonces acepta Ho.
120
100
80
60
40
20
-20
50 100 150 200 250 300 350 400 450 500
SERIE5
El grfico del test F es el siguiente:
1200
1000
800
600
400
200
50 100 150 200 250 300 350 400 450 500
F FT FM
Concluimos que podra existir un quiebre en media, alrededor de la observacin 350, y ello
lo contrastaremos con el grfico del Test Z&A para quiebre en media.
-2
-3
-4
-5
-6
100 150 200 250 300 350 400
ZIVOTM VCRITM
Rechaza Ho de no quiebre.
-2.5
-3
-3.0
-4
-3.5
-5
-4.0
-4.5 -6
100 150 200 250 300 350 400 100 150 200 250 300 350 400
Inicialmente, la SERIE5,
ZIVOTT
haba presentado el siguiente resultado enZIVOT
VCRITT
la aplicacin
VCRIT del test de
Raz unitaria (Dickey-Fuller Aumentado):
Inicialmente habramos dicho que la serie tiene raz unitaria, sin embargo. Ahora podemos
concluir, que eso no necesariamente es as, pues esa conclusin est alterada por la
presencia de un quiebre en la observacin 353. Por lo tanto pasaremos a corregir la serie y
luego de eso aplicar el test DFA, para ver si realmente existe raz unitaria
Correccin.-
Ls serie5 c dum353
Si queremos que desaparezca dum353, lo que tenemos que hacer es generar una nueva
serie denominada Nuevaserie5, que ser:
Era obvio que Dum353 iba a resultar significativa. De esto, nos interesa el coeficiente
asociado a la dummy, y es: 47.94697. Entonces generamos la siguiente serie:
60
40
20
-20
50 100 150 200 250 300 350 400 450 500
NUEVASERIE5
Sin embargo, es conveniente juntar ambos grficos para ver el efecto de la correccin
realizada:
120
100
80
60
40
20
-20
50 100 150 200 250 300 350 400 450 500
NUEVASERIE5 SERIE5
-4.5
-5.0
-5.5
-6.0
-6.5
-7.0
100 150 200 250 300 350 400
ZIVOTM VCRITM
ANEXOS
Help en STATA
Prueba de raz unitaria de Zivot-Andrews que permite una interrupcin nica en la
interseccin y / o tendencia
zandrews es para usar con datos de series de tiempo. Debe modificar sus datos antes de
usar estas rutinas. Varname puede contener operadores de series temporales. zandrews se
puede aplicar a una sola serie de tiempo dentro de un panel.
trim(#) especifica la fraccin de rango de datos para omitir en cualquier extremo al examinar
posibles puntos de ruptura. Tiene un valor predeterminado de quince por ciento (0.15). TRIM
debe ser un nmero real positivo mayor que 0 y menor que 0.25.
break() selecciona qu elementos del proceso pueden tener un descanso. BREAK puede ser
INTERCEPT, TREND o BOTH. La seleccin predeterminada es intercepto.
graph, solicita un grfico de las estadsticas de la prueba de raz unitaria para los diferentes
puntos de ruptura. El valor predeterminado es NOGRAPH.
http://betaeconomia.blogspot.pe/2014/08/como-hacer-pruebas-de-hipotesis-en-
stata.html
**Ejemplo 4.1
------------------------------------------------------------------------------
lwage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educ | .092029 .0073299 12.56 0.000 .0776292 .1064288
exper | .0041211 .0017233 2.39 0.017 .0007357 .0075065
tenure | .0220672 .0030936 7.13 0.000 .0159897 .0281448
_cons | .2843595 .1041904 2.73 0.007 .0796755 .4890435
------------------------------------------------------------------------------
. display _b[exper]*3
.01236333
*t= Coef. / Std. Err., por tanto siempre tendra el signo del coef, aunque stata
siempre arroja el resultado en terminos absolutos.
**Ejemplo 4.2
*ALTERNATIVA DE UNA COLA
------------------------------------------------------------------------------
math10 | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
totcomp | .0004586 .0001004 4.57 0.000 .0002613 .0006559
staff | .0479199 .039814 1.20 0.229 -.0303487 .1261884
enroll | -.0001976 .0002152 -0.92 0.359 -.0006207 .0002255
_cons | 2.274021 6.113794 0.37 0.710 -9.744801 14.29284
------------------------------------------------------------------------------
*En este caso existen 404 gl, se puede usar la c normal. Al 5% es -1.645, como el t es
-.92 no se puede rechazar h0.
. display _b[lenrol]/100
-.01268042
**Ejemplo 4.3
*ALTERNATIVA DE DOS COLA
------------------------------------------------------------------------------
colgpa | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
hsgpa | .4118162 .0936742 4.40 0.000 .2265819 .5970505
act | .0147202 .0105649 1.39 0.166 -.0061711 .0356115
skipped | -.0831131 .0259985 -3.20 0.002 -.1345234 -.0317028
_cons | 1.389554 .3315535 4.19 0.000 .7339295 2.045178
------------------------------------------------------------------------------
*el t de 4.40 de hsgpa muestra que la variables es significativa aun para valores de
significancia muy pequeos. Sin embargo ACT no es significativa.
. gen lcrime=ln(crime)
. gen lenrroll=ln(enroll)
. regress lcrime lenrroll
------------------------------------------------------------------------------
lcrime | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lenrroll | 1.26976 .109776 11.57 0.000 1.051827 1.487693
_cons | -6.63137 1.03354 -6.42 0.000 -8.683206 -4.579533
------------------------------------------------------------------------------
. test lenrroll=1
( 1) lenrroll = 1
F( 1, 95) = 6.04
Prob > F = 0.0158 //este es el valor critico
. local tvalue=(_b[lenrrol]-1)/_se[lenrrol]
. local pvalue=ttail(120, `tvalue')
. display "T-value: " `tvalue' ", P-value: " `pvalue'
T-value: 2.45737, P-value: .00771259 // T-value: es el t calculado
**Ejemplo 4.5
------------------------------------------------------------------------------
lprice | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lnox | -.95354 .1167418 -8.17 0.000 -1.182904 -.7241762
ldist | -.1343401 .0431032 -3.12 0.002 -.2190255 -.0496548
rooms | .2545271 .0185303 13.74 0.000 .2181203 .2909338
stratio | -.0524512 .0058971 -8.89 0.000 -.0640373 -.0408651
_cons | 11.08387 .3181115 34.84 0.000 10.45887 11.70886
------------------------------------------------------------------------------
. scalar tvalue=(_b[lnox]+1)/_se[lnox]
------------------------------------------------------------------------------
prate | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
mrate | 5.441433 .5244086 10.38 0.000 4.412797 6.470068
age | .2694073 .0451486 5.97 0.000 .1808477 .3579669
totemp | -.0001298 .0000367 -3.53 0.000 -.0002018 -.0000578
_cons | 80.29429 .7776952 103.25 0.000 78.76882 81.81975
------------------------------------------------------------------------------
. scalar tvalue=(_b[totemp])/_se[totemp]
. scalar pvalue=1-(ttail(1529, tvalue))
. display _b[totemp]*10000
Test de hiptesis usando intervalos de confianza en STATA
**Ejemplo 4.8
PRUEBA DE HIPOTESIS CON INTERVALOS DE CONFIANZA
insheet using "C:\Users\Nerys\Documents\Biblioteca\Econometria, libos ebooks\Solucion
a ejercicios de econometria\Base de datos wooldridge\rdchem.csv ", comma clear
. gen lrd=ln(rd)
. gen lsales=ln(sales)
. regress lrd lsales profmarg
------------------------------------------------------------------------------
lrd | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lsales | 1.084228 .0601941 18.01 0.000 .9611171 1.207339
profmarg | .0216594 .012782 1.69 0.101 -.0044827 .0478015
_cons | -4.378348 .4680132 -9.36 0.000 -5.335543 -3.421154
------------------------------------------------------------------------------
HASTA AHORA SOLO SE HAN PROBADO HIPOTESIS RESPECTO A UN SOLO PARAMETRO, NO OBSTANTE
TAMBIEN SE HACE NECESARIO PROBAR HIPOTESIS SOBRE VARIOS ELEMENTOS A LA VEZ.
El estadstico F de significancia conjunta.
*Se estima un modelo, luego se eliminan variables a ver cmo cambian la suma de resdales
al cuadrado y se crea un estadstico a partir de este cambio.
estout m21 m23, cells(b(star fmt(5)) se(par fmt(5))) legend label varlabels(_cons
constant) stats(N r2 rss)
----------------------------------------------------
Model comp~2 Model 2
b/se b/se
----------------------------------------------------
years 0.06886*** 0.07132***
(0.01211) (0.01251)
gamesyr 0.01255*** 0.02017***
(0.00265) (0.00134)
bavg 0.00098
(0.00110)
hrunsyr 0.01443
(0.01606)
rbisyr 0.01077
(0.00717)
constant 11.19242*** 11.22380***
(0.28882) (0.10831)
----------------------------------------------------
N 353.00000 353.00000
r2 0.62780 0.59707
rss 183.18632 198.31150
----------------------------------------------------
* p<0.05, ** p<0.01, *** p<0.001
scalar F=((198.31150-183.18632)/3)/(183.18632/(353-5-1))
. display F
9.5502718
*cuando se rechaza h0, se dice que las variables son significativas conjuntamente. Una
manera de llamar los valore crtico de la distribucin F es:
. display invF(3,347,.95)
2.6306415
. display invF(3,347,.99)
3.83852
*por lo que el nmero es superior a los valores crticos, por lo que se rechaza h0 que
indicaba que las variables omitidas no tienen un efecto. Segn Wooldridge esto puede pasar
aunque las variables de forma individual no sean significativas, por cuestin
de correlacin y multicolinialidad que impida ver claramente los efectos parciales.