Artículo de revisión Regresión espuria

D. Ventosa-Santaularia »

Departamento de Economía y Finanzas, Universidad de Guanajuato, DCEA-Campus Marfil

Fracc. I, 36250 El Establo, Guanajuato, Gto, México

La correspondencia debe dirigirse a D. Ventosa-Santaularia, `daniel@ventosa-

santaularia.com

Recibido el 23 de enero de 2009; Revisado el 6 de abril de 2009; Aceptado el 15 de mayo de

2009

Recomendado por Ricardas Zitikisˇ

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.

Copyright q 2009 D. Ventosa-Santaularia. Este es un artículo de acceso abierto distribuido

bajo la `Creative Commons Attribution License, que permite el uso, la distribución y la
reproducción sin restricciones en cualquier medio, siempre que el trabajo original se cite
correctamente.

1. Introducción Durante los últimos 30 años, la teoría econométrica ha experimentado una

revolución. A fines de los años setenta, los economistas y econométricos reconocieron que
se estaba prestando insuficiente atención a los mecanismos de tendencias y que, de hecho,
la mayoría de las variables macroeconómicas probablemente no eran estacionarias. Dicha
evaluación dio lugar a un desarrollo extraordinario que modificó sustancialmente la forma
en que se realizan los estudios empíricos en la econometría de series temporales. La
investigación en no estacionariedad ha avanzado significativamente desde los primeros
documentos importantes, como Granger y Newbold 1, Davidson et al. 2, Hendry y Mizon 3,
Plosser y Schwert 4, Bhattacharya et al. 5 y Phillips 6. Nelson y Plosser 7 afirmaron que
muchas series cronológicas macroeconómicas relevantes de los EE. UU. Se regían por una
raíz unitaria, un mecanismo de tendencia aleatoria, basado en la prueba de raíz unitaria de
Dickey y Fuller. Varios años después, Perron 9 argumentó que el mecanismo de tendencia
en las variables macro era de naturaleza determinista con algunas rupturas estructurales
trascendentes. El debate continúa entre los "buscadores de unidades" y las "tendencias
deterministas", aunque existe un consenso muy general sobre la presencia de un
mecanismo de tendencia en los niveles de la mayoría de las series macroeconómicas. En
palabras de Durlauf y Phillips 10: “Los análisis tradicionales de series de tiempo económicas
con frecuencia se basan en el supuesto de que las series de tiempo en cuestión son procesos
estacionarios y ergódicos ... Sin embargo, los supuestos de la teoría tradicional no
proporcionan mucho consuelo para El trabajador empírico. Incluso un examen casual de
series temporales como el PNB revela que las series no poseen medios constantes ". La
econometría debería trabajar de la mano con la teoría económica al proporcionarle las
herramientas que necesita para comprender la actividad económica. El modelado de tales
mecanismos es, por lo tanto, un objetivo principal de la econometría de series de tiempo
que, dicho esto, debe reconocerse que ni las raíces unitarias ni las tendencias deterministas
pueden modelar satisfactoriamente la mayoría de las series; son lo que Phillips 11 calificó
de "heroicamente ingenuo"

Phillips 19 presentó un contraargumento sobre la utilidad de la regresión espuria: las

especificaciones de tendencia son solo sistemas de coordenadas para representar el
comportamiento a lo largo del tiempo. Phillips argumenta que incluso si las series son
estadísticamente independientes, cuando incluyen un mecanismo de tendencia en su DGP,
admiten una representación de regresión incluso en ausencia de cointegración. Esto está
en marcado contraste con el concepto habitual de regresión espuria. Generalmente
concebimos este fenómeno como la identificación estadística de una comunidad de
mecanismos de tendencia. Phillips se aventura a que tales resultados, los "espurios",
constituyen una representación adecuada de los datos. Su resultado principal se aplica a
regresiones entre series con tendencia estocástica en polinomios de tiempo, así como
regresiones entre caminatas aleatorias independientes. Phillips 19 demuestra que los
movimientos brownianos pueden representarse mediante funciones deterministas del
tiempo con coeficientes aleatorios. Dado que las series temporales discretas estandarizadas
con una raíz unitaria en adelante UR convergen débilmente a los procesos de movimiento
browniano, se argumenta que se pueden usar funciones temporales deterministas para
modelarlas. Dichas representaciones incluyen tendencias polinómicas, rupturas de
tendencias, así como tendencias sinusoidales; también se demuestra que un proceso
estocástico puede representar una función determinista arbitraria en un intervalo
particular, por lo que una regresión de un proceso UR en un proceso UR independiente es,
por lo tanto, también una representación válida de los datos. En ambos casos, las
estadísticas t divergen a una tasa T1 / 2, lo cual es consistente ya que dicha parametrización
refleja una especificación parcial, aunque correcta, del DGP. Una de las conclusiones más
significativas de Phillips se refiere al debate de larga data de UR versus tendencia
estacionalidad. Para citar a Phillips: “... Nuestros resultados muestran que tales
especificaciones Los procesos estacionarios de tendencia no son, de hecho, realmente
alternativas a un modelo UR en absoluto. Dado que los procesos UR tienen
representaciones limitantes enteramente en términos de estas funciones deterministas, es
evidente que podemos "rechazar" erróneamente un modelo UR a favor de una tendencia
"alternativa" cuando en realidad ese modelo alternativo no es otra cosa que una
representación alternativa de el proceso UR en sí mismo ".

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.

2. Valoración del fenómeno espurio Se ha avanzado mucho con la inferencia estadística de

mínimos cuadrados desde que se propuso por primera vez hace más de dos siglos como un
medio para estimar el curso de los cometas 21. Los desarrollos teóricos en econometría
abordan la naturaleza no experimental de los conjuntos de datos económicos. Least
Squares LS ofrece una compensación entre simplicidad e inferencia poderosa. Sin embargo,
el LS tiene ciertas limitaciones, como la posible confusión entre la correlación y la
causalidad, y el uso imprudente puede producir evidencia engañosa. Los estadísticos y
econométricos conocían el "fenómeno espurio" desde Yule 22 y Pearson 23, para obtener
excelentes revisiones de estos trabajos, ver Hendry y Morgan 24 y Aldrich 25. Estos
resultados condujeron a la experiencia común en el campo de las series temporales. eso
indicaba la necesidad de diferenciar series potencialmente no estacionarias cuando se usan
para ejecutar regresiones o reducirlas ajustando líneas de tendencia estimadas con LS. Ver
Morgan 26.
Hay muchos ejemplos de regresión espuria. Algunos de estos se comentan en Phillips 19,
donde descubrimos la relación inverosímil entre "el número de ministros ordenados y la
tasa de alcoholismo en Gran Bretaña en el siglo XIX"; la igualmente "notable relación"
presentada en Yule 27 con respecto a la "proporción de matrimonios de la Iglesia de
Inglaterra con todos los matrimonios y la tasa de mortalidad durante el período 1866-1911";
la "extraña relación" entre el nivel de precios y la lluvia acumulada en el Reino Unido, que
Hendry 28 presentó como una curiosa versión alternativa de la teoría cuantitativa. Plosser
y Schwert 4 presentaron otro ejemplo de correlación sin sentido cuando propusieron su
teoría cuantitativa de las manchas solares. El argumento principal es que el registro del
ingreso nominal puede explicarse mediante el registro de las manchas solares acumulativas.
No solo encontraron estimaciones estadísticamente significativas, sino que la bondad del
ajuste, medida con el R2, es bastante alta: 0,82 una variante de este ejemplo, utilizada por
los autores para demostrar el peligro de la correlación sin sentido fue tomada en serio hace
100 años, por Jevons 29. Granger y Newbold 1 calcularon un experimento de Monte Carlo
en el que se ejecutaron varias regresiones, especificadas como 1, utilizando variables
simuladas, cada una perfectamente independiente de las demás:

yt α βxt ut,

donde t 1, ..., T, siendo T el tamaño de la muestra. Las variables xt e yt son independientes.

Bajo condiciones de regularidad estándar, LS no ofrece evidencia de una relación lineal
entre y y X. En particular, β debería ser estadísticamente igual a cero. Sin embargo, Granger
y Newbold's 1, se generaron como procesos I1, la notación Id, para d un número entero, se
refiere al número de diferencias que se realizarán para que la variable se vuelva
estacionaria. generalmente se conoce como caminatas aleatorias, es decir, procesos UR,
pero encontró parámetros estimados estadísticamente diferentes de cero, con su relación
t asociada tβ β / σβ, inusualmente alta, técnicamente podríamos referirnos a esto como
regresión espuria tipo II. Esta distinción fue propuesta por primera vez por Chiarella y Gao
2002 como una analogía de los errores clásicos de tipo I y tipo II en estadística: 1 regresión
espuria tipo I: rechazo de una relación verdadera, y 2 regresión espuria tipo II: aceptación
de una relación falsa . La mayor parte de la literatura se refiere exclusivamente a la
regresión espuria tipo II, a la que simplemente nos referiremos como regresión espuria.
Phillips 6 proporcionó un marco teórico que explicaba las causas del fenómeno de la
regresión espuria. En resumen, es justo decir que la inferencia estándar de LS solo se puede
dibujar cuando las variables son estacionarias. Incluso con variables estacionarias pero
altamente persistentes, puede ocurrir una regresión espuria cuando los errores estándar
utilizados en la relación t son inconsistentes. Ferson y col. 30 proporcionan ejemplos en
economía financiera. Una excepción extremadamente importante a esto es el caso de la
cointegración. Incluso si las series tienen tendencia estocástica, cuando la tendencia es
común a ambas series, la regresión LS funciona particularmente bien en el sentido de que
las estimaciones convergen en probabilidad a su valor verdadero a una tasa más rápida que
T, pero tienen una distribución no estándar

3. Procesos de generación de datos

La investigación sobre regresión espuria ha estado utilizando los DGP de Procesos de

Generación de Datos cada vez más complejos. La Tabla 1 proporciona un resumen de los
que aparecen en esta encuesta: donde uwt son innovaciones independientes que obedecen
en Phillips 6, Supuesto 1, wt es un ruido blanco iid con media cero y varianza σ2, y DUiwt,
DTiwt son variables ficticias que permiten cambios en las tendencias. nivel y pendiente
respectivamente, es decir, DUiwt 1t> Tbiw y DTiwt t - Tbiw 1t> Tbiw, donde 1 · es la función
del indicador, y Tbiw es la fecha desconocida de la i-ésima ruptura en w. Denotamos la
fracción de ruptura como λiw Tbiw / T, donde T es el tamaño de la muestra; d. Solo los DGP
1, 2 y 10 para d <0.5 satisfacen la definición de estacionariedad débil. Los DGP restantes
generan notificaciones de series no estacionarias de que DGP 6 es un caso especial de DGP
10; sin embargo, ambos serán tratados como si fueran diferentes, dado que cada uno ha
sido considerado independientemente en la literatura. Los procesos de FI merecen más
discusión; Contrariamente a los procesos regulares de ARMAp, q, popularizados por Box y
Jenkins en la década de 1970, como DGP 1, cuya función de autocorrelación decae a una
memoria corta de tasa exponencial, los procesos FId tienen una función de autocorrelación
que decae a una memoria larga de tasa hiperbólica.

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

1 MAqw or wt qiw1 Θiwwt−i or

ARpw wt piw1 φwiwt−i wt

2 stationary wt μw uwt
I0
3 w t μw Ni iwDUiwt uwt
I0 br
4 TS wt wtuwt

5 TSbr w iwDUiwt

w Ni βwtMi1w γiwDTiwt uwt

6 I1 Δ uwt

7 I1 w
8 d uwt
r I1 NiiwDUiwt
d w

r br uwt
9 Ik Δkwt uwt for k

10 FId 1 − Ldwt uwt for d

- Los FI1 d
procesos Δwt uwt with 1 Lduwt wt for d

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.

4. Regresión espuria desde los locos años veinte

Ahora comenzamos nuestra encuesta sobre el desarrollo de la teoría de la regresión

espuria. La literatura relacionada es amplia, por lo que nos centramos principalmente en
una selección limitada de artículos que, en nuestra opinión, son particularmente
representativos como se señaló anteriormente, Pearson 23 y Yule 22 se dieron cuenta de
varios problemas relacionados con la interpretación del coeficiente de correlación en A
finales del siglo XIX, forjando por cierto el concepto de correlación espuria. El debate, en
ese momento, estaba muy relacionado con la interpretación de la correlación como
causalidad, aunque también están presentes las semillas de la interpretación moderna que
prevalece en la econometría; Se pueden obtener más detalles de la revisión histórica de
Aldrich 25. A menos que se especifique lo contrario, la especificación de regresión para la
cual se presentan todos los asintóticos es en adelante la expresión 1. Nos centramos
principalmente en la tasa de divergencia de los patrones relevantes y dejamos de lado en
la mayoría de los casos las distribuciones asintóticas que se obtendrían si las estadísticas se
normalizaran correctamente . Esto es así porque tales distribuciones tienen parámetros
molestos que evitan que uno haga uso de estos para hacer una inferencia correcta; Además,
los profesionales no pueden ser conscientes a priori de la normalización adecuada. Sin
embargo, en algunos casos 52–54 las distribuciones asintóticas son importantes debido a la
relevancia para los profesionales de Valkanov sugiere una normalización T1 / 2 de la relación
t y la simulación de la distribución en el contexto de regresiones de horizonte largo; Sun
propone una estadística t consistente con una distribución asintótica libre de molestias, y;
Kim, Lee y Newbold enfatizan con precisión el hecho de que, incluso si las relaciones t de su
regresión no divergen, la inferencia no se puede hacer debido a los parámetros molestos.

4.1. Experimento de Yule La correlación espuria fue evidenciada por Yule 27 en un

experimento de Monte Carlo sin computadora. Barajando barajas de naipes, Yule obtuvo
series independientes de números aleatorios. De hecho, Yule generó series independientes
I0, I1 e I2 y calculó coeficientes de correlación entre ellas. Dichos coeficientes de correlación
proporcionaron una inferencia correcta cuando se usaban las series I0, pero no tenían
sentido cuando el orden de integración de las variables era mayor. Con variables
independientes I0, el coeficiente de correlación se mantuvo cerca de cero. La misma
estimación lograda usando I1 variables independientes ya no funcionó; muchas veces
estuvo cerca de la unidad, lo que resultó en lo que ahora llamamos una correlación espuria.
Si las variables fueron I2, el resultado más probable fue en realidad un coeficiente de
correlación cercano a 1: el fenómeno espurio fue aún más fuerte. 4.2. Reevaluación en los
años setenta: mínimos cuadrados espurios Durante la mayor parte del siglo pasado, se
recomendaba comúnmente diferenciar primero la serie si parecían tener un mecanismo de
tendencia. Sin embargo, no todos los econométricos estaban de acuerdo con tal método
porque, se argumentó, la diferenciación causa pérdidas en la información contenida en la
serie original. Una profunda reevaluación de este problema comenzó con el artículo 1 de
Granger y Newbold, que permitió identificar la regresión espuria en estimadores de
mínimos cuadrados. El experimento de Monte Carlo descrito anteriormente reveló, entre
otras cosas, que las estadísticas altas de R2 y bajas de Durbin-Watson en adelante DW
deberían considerarse como un signo de especificación errónea. También señalaron,
comparando el resultado de la simulación con muchos resultados en la econometría
aplicada, que los problemas de especificación errónea parecían estar muy extendidos. Se
propuso el uso de series diferenciadas por primera vez, aunque los autores advirtieron
sobre los riesgos de las soluciones generales; sus resultados pueden considerarse como la
semilla de muchas extensiones fructíferas en la econometría de series de tiempo.

4.3. Teoría al fin: asíntóticos en regresiones sin sentido

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

Se obtienen asintóticos p en la Tabla 2: donde Opm denota el orden de magnitud y2 no

colapsa, → - significa convergencia en la probabilidad. Los resultados más relevantes son
que la R

y, el estadístico t asociado a β diverge a una tasa T1 / 2. Esto significa que el estadístico t

excederá los valores críticos clásicos de nivel de 5% −1.96 y 1.96 a medida que crece el
tamaño de la muestra y, con un muestra grande, la hipótesis nula del estadístico t H0: β 0
será rechazada con certeza.

Table 2: Orders in probability: variables yt and xt both independently generated by DGP 6.

β O p1 α OpT1/2 R2 Op1
tβ OpT1/2 tα OpT1/2 p

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

Park y Phillips 55 demostraron la presencia de regresión espuria cuando las variables

independientes son I2. Marmol 56 demostró que el fenómeno de la regresión espuria
ocurre en un marco no estacionario más general; demostró que la regresión espuria ocurre
cuando las series independientes xt, yt se integran en el orden d para d ∈ N {1, 2, ...} ver
DGP 9. DGPs empíricamente relevantes, como el proceso I2 identificado, como se mencionó
anteriormente, con La inflación incontrolada puede producir una regresión espuria. Los
resultados asintóticos son algo similares a los de Phillips. Consulte la Tabla 3: aunque la
estimación del parámetro del término constante, α, diverge a una tasa diferente, el
estadístico t asociado con β diverge a la misma tasa que en el trabajo seminal phillips, que
es, OpT1 / 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:

i cuando d1> d2 Tabla 4: ii cuando d1 <d2 Tabla 5:

iii en ambos casos R2 Op1.

De hecho, la regresión espuria persiste en presencia de las llamadas regresiones

desequilibradas. La tasa de divergencia de tβ sigue siendo T1 / 2. De Jong 59 amplió el
estudio de la regresión espuria utilizando procesos de raíz unitaria sin deriva
independientes; utilizó DGP 6 para generar la serie y ejecutó la siguiente especificación, que
opera con la transformación logarítmica de ambas variables, una dirección que ha
demostrado ser extremadamente relevante para fines empíricos: la aplicación de la
transformación logarítmica en la econometría es típica cuando el profesional desea
homogeneizar varianza o para obtener directamente estimaciones de elasticidad promedio
entre variables:

ln yt α β ln xt ut 4.1

de Jong descubrió resultados similares a trabajos anteriores, es decir, β Op1 y tβ OpT1 / 2.

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

Tabla 4: Órdenes en probabilidad: variables yt y xt, ambas generadas independientemente

por DGP 9. Las variables están integradas de
 different orders d1 > d2.

β OpTd1−d 2 α OpTd 1−1/2

tβ OpT1/2 tα OpT1/2
OpT−1 if d2 1 OpT−2 if d2 2, 3,...
DW DW

Table 5: Orders in probability: variables yt and xt both independently generated by DGP 9. Variables
are integrated of different orders. d1 > d2.

β OpTd1−d 2 α OpTd 1−1/2

tβ OpT1/2 tα OpT1/2
OpT−1 if d1 1 OpT−2 if d1 2, 3,...
DW DW

Table 6: Orders in probability: variables yt and xt both independently generated by DGP 7.

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.

4.4. Regresión espuria y memoria larga: una extensión inolvidable

Entre los primeros artículos en tratar la regresión espuria en econometría, Bhattacharya et

al. 5 demostraron que la prueba R / S produce una inferencia espuria con respecto a la
memoria larga cuando los datos tienen un mecanismo de tendencia determinista. Consulte
la Sección 5. El uso de procesos de memoria larga son los de Cappuccio y Lubian 63 y Marmol
64. Los autores utilizan los procesos no estacionarios integrados fraccionalmente
especificados en DGP 11. En estas condiciones, los asintóticos de una regresión LS como se
especifica en la expresión 1 son dado en la Tabla 7 aquí, la teoría subyacente es un principio
de invariancia; véase Davydov, 1970, Teorema 2, y Sowell, 1990, Teorema 1.

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

1 yt ∼ FI and xt ∼ FI1 d2, the variables may be integrated of order d ∈ 1/2,

3/2 which generalizes Phillips’s 6 results,
FId1 and xt ∼ FId2 where d1d2 > 1/2,

and xt ∼ FId2 where d2 > 1/2,

FId1 and xt where d1 > 1/2,
where d1 > 0,
FId1 where d1 > 0.

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.

4.5. Regresión espuria con series estacionarias: el tamaño importa

Granger y col. 12 muestran, tanto a través de experimentos de Monte Carlo como

teóricamente, que el fenómeno de regresión espuria puede ocurrir entre series
estacionarias independientes, ver también Mikosch y Staricˇ aˇ 69. Dos series
independientes AR1 ver DGP 2 con Pw 1 se ejecutaron juntas para estimar la regresión 1,

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.

Estos resultados se extienden a los procesos de MA de largo alcance, véase DGP 1.

Curiosamente, la regresión espuria no depende del tamaño de la muestra, sino más bien
del parámetro de span de MA, qw. Lo interesante de este resultado es el hecho de que
explica mejor el fenómeno de regresión espuria en muestras de pequeño tamaño. Esto
completaría el marco teórico necesario para permitir una comprensión de los resultados de
Monte Carlo de Granger y Newbold 1, Ferson et al. 30)

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.

Mikosch y de Vries 70 proporcionan una teoría alternativa para explicar el comportamiento

de tipo espurio similar a la literatura de medición de riesgo financiero Furman y Zitikis 71,
página 7 sugieren que “la validez del modelo de precio de activos de capital CAPM está
estrechamente relacionada con la linealidad de la regresión función del rendimiento del
activo, dado el rendimiento de la cartera de mercado de todos los activos ". Las no
linealidades como los cambios de media o varianza pueden inducir el fenómeno de
regresión espuria; Esto implica que las estimaciones de regresión beta CAPM deben
realizarse con cautela. En palabras de Mikosch y de Vries 70:

“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.

Estos resultados se extienden a los procesos de MA de largo alcance, véase DGP 1.

Curiosamente, la regresión espuria no depende del tamaño de la muestra, sino más bien
del parámetro de span de MA, qw. Lo interesante de este resultado es el hecho de que
explica mejor el fenómeno de regresión espuria en muestras de pequeño tamaño. Esto
completaría el marco teórico necesario para permitir una comprensión de los resultados de
Monte Carlo de Granger y Newbold 1, Ferson et al. 30)
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.

Mikosch y de Vries 70 proporcionan una teoría alternativa para explicar el comportamiento

de tipo espurio similar a la literatura de medición de riesgo financiero Furman y Zitikis 71,
página 7 sugieren que “la validez del modelo de precio de activos de capital CAPM está
estrechamente relacionada con la linealidad de la regresión función del rendimiento del
activo, dado el rendimiento de la cartera de mercado de todos los activos ". Las no
linealidades como los cambios de media o varianza pueden inducir el fenómeno de
regresión espuria; Esto implica que las estimaciones de regresión beta CAPM deben
realizarse con cautela. En palabras de Mikosch y de Vries 70:

“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.

4.6. El último recién llegado: estacionariedad de tendencia

Hasseler 73 estudió el fenómeno de regresión espuria desde una perspectiva diferente.

Consideró la posibilidad de una regresión espuria cuando las variables tienen un
componente de tendencia determinista que hemos definido anteriormente como
estacionariedad de tendencia DGP 4. Por lo tanto, hay dos variables independientes no
estacionarias. Los 73 resultados de Hasseler, como los de Kim et al. 52, que trabajaron con
los mismos DGP, son como en la Tabla 8.

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.

Granger y col. 12 mostraron que el uso de una matriz de covarianza de Heteroscedasticidad y

Autocovarianza disminuye las distorsiones de tamaño en algunos casos, pero su evidencia de Monte
Carlo también mostró que esto es cierto solo cuando el tamaño de la muestra es mayor de 500. El uso
de errores estándar de HAC ver Newey y West 79. cuando los DGP son estacionarios o tienen una
tendencia determinista no es tan obvio. Realizamos una simulación simple para apoyar esto

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.

DGPs LS standard errors HAC standard errors

Sample size
xi yi

5 5 0.2 0.99 1.00 1.00 0.27 0.99 1.00 1.00

0
6 4 0.4 0.80 0.90 0.95 0.46 0.71 0.79 0.86
5
6 5 0.6 0.84 0.91 0.95 0.62 0.74 0.80 0.86
5
6 6 0.6 0.76 0.83 0.90 0.57 0.61 0.67 0.77
8

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.

4.7. Next of Kin: pruebas estadísticas, horizonte largo y variables instrumentales

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:

Prueba de Jarque-Bera: JB OpT

ii Prueba de Breusch-Pagan-Godfrey: T · R2 OpT.

La hipótesis nula de normalidad o independencia serial / homoscedasticidad será eventualmente

rechazada incluso si es correcta, dada una muestra lo suficientemente grande, estos residuos no son
normales ni seriados en serie ni homoscedasticos; por lo tanto, las pruebas estadísticas proporcionan
una inferencia apropiada al rechazar el valor nulo. Además, Ventosa-Santaularia y Vera-Vald´ es´ 85
estudiaron el comportamiento de la prueba clásica de causalidad de Granger, véase Granger 86, en
adelante GC. Está comprobado que la prueba clásica de GC no acepta la hipótesis nula de no GC entre
los procesos independientes de DGP 5 de tendencia rota o DGP 3 de media rota, ya sea que las series
anteriores estén diferenciadas o no.

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 ”.

Más precisamente, si la especificación a estimar es 1, se lleva a cabo una "reinterpretación" de largo

horizonte con la construcción de variables parcialmente agregadas. Como de costumbre, sea, w x, y,
luego wtk kj − 01 wt j. La especificación de regresión de LH generalmente puede ser una de las
siguientes:

“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 ”.

Más exactamente, si la especificación a estimar es 1, se lleva a cabo una "reinterpretación" de largo

horizonte con la construcción de variables específicamente agregadas. Como de costumbre, mar, w
x, y, luego wtk kj - 01 wt j. La especificación de regresión de LH puede ser una de las siguientes:
Estas especificaciones se utilizan principalmente en la estimación de la relación capital / dividendo y
para probar tanto la neutralidad del dinero como el efecto Fisher. En base a las especificaciones
anteriores, Valkanov 95 y Moon et al. 54 demostró que esta estrategia de regresión también presenta
el fenómeno de regresión espuria. Para hacer esto, dejan que el tiempo se superponga en las sumas
como una fracción fija del tamaño de la muestra, k λ · T donde. Valkanov 95 define el siguiente DGP:

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.

54 sugieren el uso de una relación t reescalada, tβ / T1 / 2. Aunque la distribución limitante de tales

estadísticos t no es ni normal ni fundamental, puede simularse fácilmente y, por lo tanto, utilizarse.
Lee 96 amplía los resultados para procesos fraccionalmente integrados y encuentra que la relación t
asociada con β en 3 diverge: tβ OpT1 / 2.

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:

yt α δt ut. 4.5 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.

5. Qué hacer si uno teme una regresión espuria

El fenómeno de regresión espuria impregna muchos subcampos en el análisis de series de tiempo.

Podría controlarse mediante el uso de proporciones t correctamente escaladas, como se sugirió
anteriormente, pero tener una idea clara de qué DGP emula mejor las propiedades de la serie, esto
podría etiquetarse como DGPification, por lo tanto, serían ejemplos necesarios de esto: evidencia de
Se debe obtener UR antes de realizar un análisis de cointegración; ii la naturaleza del mecanismo de
tendencia debe identificarse antes de la aplicación de una transformación destinada a hacer
estacionarias las series, y; iii se podría realizar una prueba como la de Robinson 100 para identificar
el comportamiento de memoria prolongada. Esto se puede lograr mediante la aplicación de una batería
de pruebas a nuestra serie. Tal enfoque no está exento de fallas. Se sabe que muchas pruebas
estadísticas producen pruebas espurias en circunstancias específicas. Consulte la subsección anterior.
Sin embargo, la prueba previa de la serie sigue siendo una estrategia adecuada y le permite al
profesional ser consciente de las posibles dificultades que podría enfrentar. En esta sección incluimos
una lista corta e incompleta de las pruebas que se emplean en la DGPi-fication de la serie: 1 La
inferencia de dibujo sobre la no estacionariedad de la serie se puede hacer por medio de las pruebas
de tipo Dickey-Fuller DF ver Dickey y Fuller 8, 101. La prueba DF original distingue entre las
hipótesis nulas de los DGP 6 y 7 de UR y las alternativas de los DGP 1, 2 y 4. Estacionalidad Las
otras pruebas UR conocidas son: i la prueba KPSS 102; ii la prueba 103 de DF detenida con GLS; iii
la prueba de Phillips-Perron 104, y; iv la prueba de Ng y Perron 105, 106.

2 Las pruebas de UR mencionadas anteriormente proporcionan resultados severamente sesgados bajo

la hipótesis de la tendencia-estacionaria en presencia de rupturas estructurales: las pruebas de tipo DF
sobre-acepto la hipótesis nula de raíz unitaria cuando hay una tendencia / nivel de ruptura en la
tendencia —Proceso estacionario 9, 107–113, y; ii rechazar en exceso la hipótesis nula cuando hay
una ruptura de tendencia / nivel / varianza en el proceso de raíz unitaria 114-117. Hay varias
alternativas disponibles. Perron 9 sugirió el uso de una prueba de tipo DF con saltos de punto, nivel
y tendencia especificados en la regresión auxiliar, ver DGP 5; las fechas de descanso deben ser
decididas por el practicante. Zivot y Andrews 118 también propusieron modificar la prueba de DF en
la misma dirección que Perron, solo que permitieron que se especificara endógenamente la fecha de
descanso; su prueba permite un solo descanso, ver Lumsdaine y Papell 44 para una extensión que
permite dos descansos bajo la hipótesis alternativa DGP 5 y descarta la posibilidad de un descanso
bajo la hipótesis nula de UR DGP 8; Carrion-i-Silvestre y Sanso 119 propusieron una prueba donde
se toma en cuenta un quiebre bajo la hipótesis nula.

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.