Documente Academic
Documente Profesional
Documente Cultură
D. Ventosa-Santaularia »
El fenómeno de regresión espuria en mínimos cuadrados ocurre para una amplia gama de
procesos de generación de datos, como raíces unitarias sin deriva, raíces unitarias con
deriva, memoria larga, tendencia y estacionariedad de tendencia rompedora. De hecho, las
regresiones espurias han jugado un papel fundamental en la construcción de la
econometría de series de tiempo modernas y han revolucionado muchos de los
procedimientos utilizados en la macroeconomía aplicada. Las escisiones de esta
investigación abarcan desde pruebas de raíz unitaria hasta modelos de cointegración y
corrección de errores. Este documento proporciona una visión general de los resultados
sobre la regresión espuria, extraída de fuentes dispersas, y explica sus implicaciones.
Esta perspectiva tiene la virtud de permitir que las variables con diferentes mecanismos de
tendencia deterministas o estocásticas se relacionen sin limitarse al caso un tanto
restrictivo de cointegración. Phillips presenta esto como un enfoque apropiado para
estudiar relaciones estocásticamente desequilibradas, como las que pueden surgir entre
variables como las tasas de interés, la inflación, el stock de dinero y el PIB para más detalles,
ver Phillips 20. Hasta donde sabemos, se ha hecho poco para reunir los trabajos más
importantes en este campo, tratarlos de cualquier manera estandarizada, hacer conexiones
entre ellos y de cualquier estudio real de las profundas implicaciones para la economía.
podrían indicar. Este artículo tiene como objetivo rectificar esta situación.
yt α βxt ut,
Hay una serie de ejemplos empíricos en series de tiempo en los cuales la dependencia cae
lentamente a través del tiempo. Este fenómeno, conocido como memoria larga o
dependencia de largo alcance, se observó en los datos geofísicos, como los datos del flujo
de los ríos 32 y en las series climatológicas 33, así como en las series temporales económicas
34. En tres documentos importantes 35-37, los autores extendió estos procesos para
proporcionar un comportamiento más flexible de baja frecuencia o memoria larga al
considerar los procesos Id con valores no enteros de d. Como señalaron Granger y Joyeux
36, "Era un procedimiento estándar considerar diferenciar series de tiempo para lograr
estacionariedad", obteniendo así una forma de la serie que puede identificarse como un
modelo ARMA, sin embargo, "Algunos economometristas se mostraron reacios a esta
técnica , creyendo que pueden estar perdiendo información al eliminar los componentes
de baja frecuencia ". Pero el uso de series de varianza infinita sin diferenciarlas también fue
una fuente de dificultades en ese momento. La integración fraccional abarca los modelos
ARMA para d 0 y los modelos ARIMA para d 1. El proceso es estacionario y ergódico cuando
d; no estacionaria pero con reversión a la media, es decir, vuelve a su equilibrio o
comportamiento a largo plazo después de cualquier choque aleatorio. cuando 1/2 <d <1, y
no estacionario y evitando la media cuando d ≥ 1.
# Name Model
5 TSbr w iwDUiwt
7 I1 w
8 d uwt
r I1 NiiwDUiwt
d w
r br uwt
9 Ik Δkwt uwt for k
11
estacionarios medios DGP 2 y 3 se han utilizado para modelar el comportamiento de los
tipos de cambio reales, las tasas de desempleo, la cuenta corriente y varias relaciones
excelentes, como la relación producto-capital y la relación consumo-ingreso. El desempleo
también se ha concebido como un proceso fraccionado integrado no estacionario 38.
Algunos ejemplos se pueden encontrar en Perron y Vogelsang 39, Wu 40, Wu et al. 41, y
D’Adda y Scorcu 42. Trend Stationarity y I2 procesan DGPs 4 y 9, resp. se han utilizado para
modelar variables de crecimiento, reales y nominales, como la producción, el consumo y los
precios; Se han concebido varias variables macro como DGP 5, 6 y 7 9, 43–45. Las variables
identificadas como procesos I2 también se pueden encontrar en Juselius 46, 47, Haldrup 48,
Muscatelli y Spinelli 49, Coenen y Vega 50 y Nielsen 51. En la Tabla 11 del Apéndice B, se
proporcionan algunos ejemplos más, en los que el enlace entre la econometría de series
temporales y los problemas económicos importantes se reconoce.
Phillips 6 propuso el marco teórico necesario para permitir una comprensión de los
resultados anteriores de Granger y Newbold y proporcionó una primera visión del
fenómeno de la regresión espuria. Su desarrollo sentó las bases para la literatura de
regresión espuria en econometría. Mientras Granger y Newbold usaban un i.i.d. ruido en
sus simulaciones, Phillips permitió una estructura de autocorrelación flexible, así como
cierto grado de heterogeneidad. Luego demostró que, cuando se estima la especificación 1,
lo siguiente
DW → 0
Table 3: Orders in probability: variables yt and xt both independently generated by DGP 9. Both
variables are integrated of the same order.
β O p1 α OpT1/2−d R2 Op1
tβ OpT1/2 tα OpT1/2 DW OpT−2
Una limitación de los 56 resultados de Marmol es que tanto las variables dependientes
como las independientes comparten el mismo orden de integración. Banerjee y col. 57,
proporcionó evidencia de Monte Carlo de regresión espuria cuando el orden de integración
de cada variable es diferente. Marmol 58, luego permitió que los DGP relevantes para y y x
se integraran de diferentes órdenes; yt y xt donde d1 y d2 ∈ N {1, 2, ...}. Los 58 resultados
de Marmol son dobles; d1> d2 o viceversa:
ln yt α β ln xt ut 4.1
Entorf 60 realizó una modificación leve y, sin embargo, fundamental, a los DGP de Phillips
al agregar un DGP de deriva 7 Los resultados de Entorf se aplican a los modelos de efectos
fijos donde N la dimensión de la sección transversal se trata como fija. El fenómeno de la
regresión espuria en los datos del panel en condiciones más generales se ha desarrollado
aún más; Phillips y Moon 61 siempre
Table 5: Orders in probability: variables yt and xt both independently generated by DGP 9. Variables
are integrated of different orders. d1 > d2.
tβ OpT tα OpT1/2
1 R2 OpT−1 OpT−1
− DW
Una teoría del límite de regresión para datos de panel no estacionarios con un gran número
de secciones transversales y series de tiempo. Kao 62 estudió el estimador de variables
ficticias de mínimos cuadrados LSDV donde el fenómeno de regresión espuria todavía está
presente para las variables no estacionarias independientes generadas por los DGP 6 y 7.
Entre las consecuencias más relevantes de tal deriva está el hecho de que no solo hay una
tendencia estocástica sino También uno determinista. A la larga, la tendencia determinista
domina el estocástico, ver Apéndice C. Los resultados asintóticos de estimar 1 usando
variables independientes generadas por DGP 7 se dan en la Tabla 6: Tenga en cuenta que
tβ crece a una tasa T en lugar de T1 / 2, al contrario de resultados presentados hasta ahora,
debido a la presencia de una tendencia determinista.
Tenga en cuenta que, como la mayoría de los casos anteriores, el estadístico t de β diverge
a una tasa T1 / 2. La principal diferencia radica en el DW, cuya tasa de divergencia varía
según el grado de memoria larga, medida por d. Estos resultados pueden entenderse como
un argumento en contra de la utilidad de la "regla de oro"; una regresión generalmente se
considera espuria cuando R2> DW. Sin embargo, cuando hay una memoria larga en las
variables, la regresión puede ser espuria incluso si R2 <DW. Vale la pena mencionar que el
parámetro de integración fraccional, d, es el mismo en ambas variables. Tsay y Chung 65,
quienes utilizaron un enfoque múltiple, corrigieron esta "deficiencia". Utilizaron dos DGP
no 10 y 11 y luego combinaron estos
Table 7: Orders in Probability: variables yt and xt both independently generated by DGP 11. The
variables are integrated of the same order.
β Op1 tβ OpT1/2
DW R2 Op1 OpT−1 2d
En una simple regresión. Por lo tanto, hay cuatro procesos integrados fraccionalmente, dos
estacionarios,
FId1 y FId2 con di, y dos no estacionarios, FIdi 1 para di. Luego, los autores estudiaron varias
especificaciones utilizando seis DGP. Los primeros cuatro se utilizan en la estimación de la
especificación 1, mientras que los dos restantes estiman yt α δt
Podemos resumir los resultados afirmando que tβ OpTr donde 0 <r <1, lo que significa que
la relación t siempre diverge; la tasa de divergencia, r, es, T1 / 2, Td1 d2−1 / 2, Td2, Td1, T1
/ 2 y Td1 para los casos 1–6.
Se debe prestar especial atención a la estadística de Durbin-Watson, que colapsa a cero
como de costumbre, excepto en el segundo caso, donde DW Op1 y, por lo tanto, no
converge a cero como lo hace en otros lugares. Esto también podría interpretarse como una
indicación importante de la necesidad de precaución cuando se usa la regla general, que
establece que cuando R2> DW puede haber una regresión espuria. Al igual que en
Cappuccio y Lubian 63, hay evidencia de que la regla del impulso puede ser una herramienta
peligrosa. Otro resultado importante aparece cuando comparamos el modelo 1 y el modelo
2. El lector puede notar que las variables utilizadas en el segundo modelo son simplemente
las primeras diferencias de las utilizadas en el primero. Lo sorprendente es que la regresión
espuria persiste después de que las variables han sido diferenciadas. El mismo argumento
fue desarrollado por Marmol 64. Cabe mencionar que la estrategia alternativa,
"detrending" eliminando el componente de tendencia en los datos ejecutando una
regresión en el tiempo fue también se sabe que proporciona resultados espurios 10, 66.
Esto va en contra de cincuenta años de diferenciación tradicional que se utiliza para tratar
la regresión espuria, ver Dickey y Pantula 67, por ejemplo, Tsay y Chung 65 realmente van
más allá al sugerir que el fenómeno espurio se debe a las propiedades de memoria
prolongada de la serie y no la presencia de raíces unitarias, véase también Cappuccio y
Lubian 63. Sun 68 muestra que puede producirse una regresión espuria entre dos procesos
fraccionados generalizados estacionarios, siempre que sus parámetros de diferenciación
fraccional generalizados sumen un valor mayor de 1/2 y sus densidades espectrales tienen
polos en el mismo lugar.
resultando en una tasa de rechazo del estadístico t mayor que el 5% esperado. Granger y
col. 12 proporcionan una prueba teórica de por qué sucede esto, aunque la varianza de las
estimaciones no difiere, puede que no sea la unidad, dependiendo de los valores de los
parámetros de DGP Las innovaciones de DGP pueden extraerse de distribuciones distintas
de Cauchy, Exponencial, Laplace, etc. encendido, aunque estos permanecen e
independientes el uno del otro.
Granger y col. 12 resultados difieren de todos los demás, el efecto que se discute no es un
fenómeno asintótico sino una distorsión de tamaño. Las distorsiones de tamaño surgen
porque la estandarización de una estadística de prueba es difícil a menos que se conozca la
forma exacta de la densidad espectral de los residuos. La intuición detrás del fenómeno de
regresión espuria es, por lo tanto, diferente de la que subyace a todos los demás resultados.
“Los estimadores de los coeficientes en las ecuaciones de tipo de regresión que involucran
datos financieros a menudo varían considerablemente entre diferentes muestras. Esta
observación se refiere a modelos financieros como la regresión beta CAPM, la prima directa
y la regresión de la curva de rendimiento. En economía, los modelos macro como el modelo
monetario del tipo de cambio a menudo producen coeficientes de regresión que se desvían
significativamente del coeficiente unitario sobre el dinero que se basa en la suposición
teórica de que el dinero es neutral ".
resultando en una tasa de rechazo del estadístico t mayor que el 5% esperado. Granger y
col. 12 proporcionan una prueba teórica de por qué sucede esto, aunque la varianza de las
estimaciones no difiere, puede que no sea la unidad, dependiendo de los valores de los
parámetros de DGP Las innovaciones de DGP pueden extraerse de distribuciones distintas
de Cauchy, Exponencial, Laplace, etc. encendido, aunque estos permanecen e
independientes el uno del otro.
“Los estimadores de los coeficientes en las ecuaciones de tipo de regresión que involucran
datos financieros a menudo varían considerablemente entre diferentes muestras. Esta
observación se refiere a modelos financieros como la regresión beta CAPM, la prima directa
y la regresión de la curva de rendimiento. En economía, los modelos macro como el modelo
monetario del tipo de cambio a menudo producen coeficientes de regresión que se desvían
significativamente del coeficiente unitario sobre el dinero que se basa en la suposición
teórica de que el dinero es neutral "Mikosch y de Vries 70 prueban que, cuando la
distribución de las innovaciones es de cola larga, es decir, cuando hay una desviación de la
suposición de normalidad que se suele hacer, utilizando herramientas estadísticas estándar
como LS, p. puede ser engañoso el comportamiento no normal de los datos financieros ha
sido ampliamente documentado, ver Fama 72.
Además, Kim et al. 52 demostró que cuando se elimina uno de los componentes de la
tendencia determinista, es decir, βy 0 y βx / 0 o viceversa, las relaciones t convergen a la
distribución normal centrada, aunque su varianza no es la unidad, lo que puede provocar
un rechazo espurio de la hipótesis nula de que el parámetro es cero. Eso significa que correr
una tendencia.
Table 8: Orders in Probability: variables yt and xt both independently generated by DGP 4.
tβ OpT3/2 β Op1T21 − R2
→p 0
Table 9: Orders in Probability: variables yt and xt both independently generated by DGP 4. The
estimated specification is 2.
α Op1 tα OpT1/2
β OpT−1/2 tβ Op1
δ Op1 tδ OpT1/2
la variable estacionaria DGP 4 en una variable estacionaria media DGP 2 o viceversa
disminuye la "espuriosidad" en la regresión. Los autores también generaron series
independientes con el DGP 4, al igual que Entorf 60, aunque ejecutaron una especificación
diferente: yt α βxt δtut. 4.2
Las asintóticas proporcionadas en Kim et al. 74 solo se refieren a β y tβ. Calculamos las órdenes en
probabilidad de los otros dos parámetros, dada su relevancia. Incluimos en el Apéndice D una guía
sobre cómo obtener estos asintóticos. Tabla 9: Cabe señalar que la relación t converge a una
distribución normal. Sin embargo, dado que la varianza no es la unidad, la regresión espuria puede
estar presente.
Una extensión relevante de Hasseler 73 y Kim et al. 52 fue proporcionado por Noriega y Ventosa-
Santaularia 75 donde posiblemente se agregan múltiples rupturas estructurales a la Tendencia
Estacionaria DGP, es decir, DGP 5. Agregar rupturas a la especificación de las DGPs hace que la tasa
de divergencia del estadístico t asociado con β volver a la habitual "norma" T1 / 2. También
demostraron que agregar una tendencia determinista a la especificación de regresión, ver 4.2, no
previene el fenómeno de regresión espuria; tδ permanece OpT1 / 2. En un esfuerzo por unificar la
literatura relacionada, Noriega y Ventosa-Santaularia '76 llenaron una serie de vacíos hasta entonces
sin abordar. Estudiaron varias combinaciones de DGP previamente ignoradas y resumieron la mayoría
de los resultados de los demás. Los DGP 2-9 pueden generar indistintamente x y / o obviamente, no
todas las combinaciones fueron realizadas por Noriega y Ventosa-Santaularia '76; además de las
presentadas anteriormente, las siguientes combinaciones fueron hechas por Hasseler 77, 78: DGP 6-
DGP 2, DGP 2-DGP 3, DGP 3-DGP 2 y, DGP 3-DGP 3. De hecho, entre las nuevas combinaciones
posibles , la tasa de divergencia de tβ generalmente sigue siendo T1 / 2. La combinación de una
tendencia estacionaria y una deriva I1 plus se destaca ya que la tasa de divergencia de la relación t es
T en lugar de T1 / 2 como en Kim et al. 52, aunque este resultado debería haberse anticipado dado el
dominio asintótico de la tendencia determinista sobre el estocástico. Esta combinación está
claramente vinculada a los 60 resultados de Entorf.
Tabla 10: tasas de rechazo de la relación t usando un valor crítico de 1,96 nivel de 5% para una
distribución normal estándar: regresión espuria usando errores estándar LS y HAC.
ver ver Tabla 10. Las variables x e y son generadas independientemente por DGP 4, 5 o 6. La selección
de retraso se realizó como en Granger et al. 12, es decir, usando la fórmula: l integer4T / 1001/4. Los
resultados de la simulación muestran que las distorsiones de tamaño son menos graves cuando se usa
HAC, pero siguen siendo extremadamente altas, tal vez los resultados mejorarían aún más si los datos
pudieran seguir un procedimiento de blanqueamiento previo.
No todo el trabajo sobre el fenómeno espurio ha sido monopolizado por el estimador simple LS. Se
han utilizado mecanismos de tendencia estocástica en la mayoría de los estudios, aunque se presentan
algunas excepciones al final de esta sección. Igualmente relevantes son las estimaciones de las
Variables Instrumentales IV, que también han sido analizadas 80.
Giles 81 estudió dos pruebas residuales importantes: la prueba de Jarque-Bera en adelante JB; véanse
Jarque y Bera 82 y la prueba Breusch-Pagan-Godfrey 83, 84, utilizada para evaluar la evidencia de
normalidad y autocorrelación / heterocedasticidad en los residuos de una regresión LS,
respectivamente; utilizó caminatas aleatorias independientes sin deriva DGP 6 y demostró que ambas
estadísticas divergen a la velocidad T, es decir:
Kim y col. 87 estudian varias pruebas importantes de no linealidad: la prueba RESET 88, la
Las pruebas McLeod y Li 89, la prueba Keenan 90, la prueba Neural Network 91, la prueba White's
Information 92 y la prueba Hamilton 93. Todas estas pruebas se estudiaron mediante experimentos
con muestras finitas utilizando caminatas aleatorias independientes sin deriva ver DGP 6. Ellos
también presentó las asintóticas de las pruebas RESET y Keenan; ambas estadísticas de prueba son
OpT, por lo que el nulo de linealidad finalmente se rechaza a medida que crece el tamaño de la
muestra. En la misma línea, Noriega y Ventosa-Santaularia '94 demostraron que, cuando las variables
se generan independientemente por cualquier combinación de DGPs 3, 5, 7 y 8, la prueba de
cointegración de Engle y Granger rechaza espuriosamente el nulo de no cointegración de Por
supuesto, hay una excepción importante: si ambas variables son procesos I1 independientes, la prueba
de Engle y Granger tiende a aceptar el nulo de no cointegración. en un número indeterminado de
casos, dado que el estadístico t relevante es OpT1 / 2, el estadístico t puede divergir hacia ∞ o −∞; el
signo depende de los valores desconocidos de los DGP; La evidencia de Monte Carlo se presenta para
afirmar que en muchos casos, tal signo es negativo.
La regresión espuria también se ha identificado en el contexto de las regresiones de LH de horizonte
largo a partir de ahora, que se utilizan en situaciones en las que el "corto plazo" anterior es, usando
las variables en niveles, sin hacer ningún tipo de agregación temporal. Los estudios han fallado. De
hecho, la idea de Valkanov 95 es que las sumas sucesivas de las variables I0, es decir, las variables
LH, se comportan de manera asintótica como la serie I1. Por lo tanto, la teoría de la regresión espuria
entre variables I1 independientes, discutida anteriormente, debería dar a los lectores la intuición. Los
estudios de finales de los ochenta proporcionaron resultados interesantes en economía y finanzas.
Como afirma Valkanov 95:
“Los resultados ... se basan en variables de horizonte largo, donde se obtiene una variable de horizonte
largo como una suma continua de la serie original. Se argumenta heurísticamente que las regresiones
a largo plazo producen resultados más precisos al fortalecer la señal proveniente de los datos y al
mismo tiempo eliminar el ruido ”.
“Los resultados ... se basan en variables de horizonte largo, donde se obtiene una variable de horizonte
largo como una suma continua de la serie original. Se argumenta heurísticamente las regresiones a
largo plazo produciendo resultados más precisos al fortalecer la señal proveniente de los datos y al
mismo tiempo eliminar el ruido ”.
donde 1 - LφLxt uxt. La variable xt sigue un proceso autorregresivo cuya raíz más alta es la unidad,
mientras que el resto, representado en el polinomio φL, es invertible. Deje ω 2 σu12yt; σ, u21xtσ 22
se define como una secuencia de diferencia martingala con Eωtωt | ωt − 1 ···
σ11 2 y cuarto momento finito. Podríamos argumentar que, cuando β 0, la relación t asociada con su
estimación debería ser lo suficientemente pequeña como para aceptar la hipótesis nula.
Como en resultados anteriores, eso no sucede; tβ OpT1 / 2. Valkanov 95 y Moon et al.
Ventosa-Santaularia´ 80 estudia las asintóticas de las variables instrumentales IV utilizando los DGP
5 y 7, no solo para x e y, sino también para un instrumento espurio e independiente. Se muestra que
la relación t aún diverge a una tasa T1 / 2 que confirma las simulaciones de Monte Carlo realizadas
por Leybourne y Newbold 97. Este resultado también puede verse como un complemento a los
presentados por Phillips y Hansen 98, y Hansen y Phillips 99, en el que se propone el uso de
instrumentos espurios para mejorar las estimaciones siempre que exista una fuerte endogeneidad entre
xy el término residual en las relaciones cointegradas.
Sun 53 desarrolló una estadística t convergente para corregir el fenómeno de regresión espuria. La
nueva relación t se basa en una estimación de la varianza del parámetro realizada de la misma manera
que los errores estándar de HAC. Esta estadística t converge a una distribución limitante no
degenerada para muchos casos de regresión espuria. Consideró la regresión entre dos procesos de Id
no estacionarios independientes con d> 1/2, así como la regresión entre un proceso de Id no
estacionario independiente y una tendencia lineal ver 4.5:
En estudios anteriores, la presencia de raíces unitarias en la serie generalmente producía una relación
t divergente T1 / 2. Para evitar tal divergencia, Sun propone reescalar la estimación del parámetro
utilizando un nuevo error estándar. El nuevo error estándar se calcula de la misma manera que HAC.
La principal diferencia es que las estimaciones de HAC generalmente requieren un ancho de banda o
un retraso de truncamiento. Sun sugiere usar toda la longitud de la muestra:
donde κ es una función del núcleo que pertenece a una clase que garantiza la definición positiva. Ya
sea xt ∼ Id o xt t, se proporcionan distribuciones asintóticas bien definidas para la relación t.
3 Bai y Persson 120 propusieron una prueba para distinguir entre las DGP 2 y 4 y las DGP 3 y 5. La
prueba presupone que el mecanismo de tendencia es exclusivamente determinista.
4 Dependencia de largo alcance: muchos procedimientos de prueba también están disponibles. Las
pruebas de tipo R / S, ver Hurst 32, Mandelbrot y Taqqu 121, y Lo 122 se usan comúnmente para
identificar Long Memory LM contra la estacionariedad. Sin embargo, Bhattacharya et al. 5
demostraron que la prueba R / S clásica puede proporcionar evidencia de LM incluso si la serie es
estacionaria cuando esta última contiene un mecanismo de tendencia. Además, Mikosch y Staric˘ a˘
123, y Mikosch y Staric˘ a˘ 69 demostraron que la función de autocorrelación de muestra ACF
muestra también puede ser una herramienta estadística engañosa cuando se utiliza para identificar
LM; las series estacionarias que incluyen un componente no lineal pueden producir una muestra de
ACF generalmente atribuida a procesos LM, ver también Teverovsky y Taqqu 124. Varios procesos
de memoria corta pueden parecer comportarse como procesos LM. Este fenómeno puede etiquetarse
como memoria espuria larga 69.
5 Se han propuesto muchas otras pruebas para identificar LM mientras controlan posibles roturas
estructurales de no linealidad en la media o la varianza de la serie. Ver Liu et al. 125, Robinson 100,
Lobato y Robinson 126, Giraitis et al. 127, 128, Berkes y col. 129, Zhang y col. 130, Aue y col. 131,
y Jach y Kokoszka 132.
6. Observaciones finales
La regresión espuria puede surgir siempre que haya un mecanismo de tendencia presente en los datos.
Incluso algunos procesos estacionarios autocorrelacionados causan resultados espurios.
Los macroeconomistas aplicados y los expertos financieros han ido incorporando constantemente
avances técnicos en el análisis de la regresión espuria, un fenómeno identificado para muchos
procesos de generación de datos empíricamente relevantes. Estos incluyen procesos estacionarios con
AR o estructura MA larga y / o saltos de nivel; caminatas aleatorias con o sin deriva, estacionariedad
de tendencia con posibles niveles y saltos de tendencia, procesos de memoria larga ya sea estacionaria
o no, etc. Estos procesos se han asociado con tasas de desempleo, niveles de precios, tipos de cambio
reales, agregados monetarios, producto interno bruto y diversas variables financieras. El uso de
mínimos cuadrados con tales variables conlleva un alto riesgo de obtener una relación espuria.
Diferenciar las series no siempre puede evitar estimaciones espurias; ni la regla general de R2> DW
debe verse como una regla adecuada para identificar una regresión espuria. El análisis de
cointegración parece prevenir mejor las relaciones estadísticas no sensoriales, aunque uno debe tener
en cuenta los 20 de Phillips y estudiar más a fondo la relación estadística en cuestión. La evaluación
de pronósticos fuera de la muestra podría ser una opción. La mayoría de las variables
macroeconómicas son no estacionarias o muy persistentes. Probar previamente las variables para
identificar la naturaleza del mecanismo de tendencia surge como la regla de oro para evitar la
regresión sin sentido. Una vez que el DGP se identifica correctamente, la regresión espuria es "más
fácil" de tratar.
Lograr una comprensión clara de cualquier problema es el primer paso para encontrar su solución.