9. Es este el fin de la historia?

La respuesta es obviamente no. En los captulos precedentes hemos intentado presentar los principales elementos necesarios para la realizacin de un anlisis economtrico bsico. Por lo mismo, el lector debe tomar en cuenta que existen an un buen nmero de tcnicas que no han sido exploradas en este texto; tcnicas que usualmente son tema de un curso de econometra avanzada y que son la excusa perfecta para una segunda edicin. Cul es entonces el propsito de este captulo? Lejos de intentar compendiar en un solo acpite tcnicas que usualmente ocupan todo un libro, nuestra preocupacin es netamente emprica. En la mayora de casos, existen elementos asociados a nuestros objetivos o las caractersticas de los datos que permiten distinguir claramente cul es la tcnica a aplicar y, por lo mismo, identificar qu texto es el ms apropiado para guiarnos en nuestro trabajo. Por ejemplo, supongamos que el objetivo del trabajo economtrico consiste en determinar cules son las caractersticas que convierten a un prestatario en un buen o mal pagador. El lector puede intuir que la base de datos necesaria para este trabajo sera de corte transversal; no obstante, cmo se construira la variable dependiente? En este caso, lo usual es trabajar con una variable dependiente dicotmica, asignando, por ejemplo, el valor de uno si el prestatario cumpli con sus pagos y el valor de cero si los incumpli. De esta forma, podemos imaginar una base de datos de corte transversal con una variable a explicar que contiene slo unos y ceros, y un conjunto de explicativas que representan las caractersticas del prestatario (las que pueden tambin incluir variables dicotmicas). Con esto en mente, queda claro que las tcnicas asociadas al anlisis de regresin clsico no son las apropiadas para esta estimacin 1 . De esta forma, vemos cmo los objetivos y caractersticas de la informacin son suficientes para que el investigador elija apropiadamente la tcnica a utilizar.
En este caso, lo usual es construir un modelo de credit scoring usando el estimador de mxima verosimilitud (modelos logit o probit). Dadas las caractersticas de la variable dependiente, el tipo de respuestas que arrojaran estos modelos estaran asociadas a preguntas como cul es la probabilidad de que un prestamista con estas caractersticas incumpla sus pagos?
1

Econometra aplicada

En este sentido, no haber incluido un captulo asociado a estos temas no es algo que nos preocupe mucho: preferimos, por lo pronto, guiar al lector a travs de los conceptos y tcnicas bsicas y reservar estos temas ms avanzados para posteriores ediciones. Lo que s nos preocupa es q ue el lector, de manera involuntaria, aplique inadecuadamente las tcnicas aqu descritas; es decir, el objetivo de este captulo es evitar que el investigador llegue a conclusiones errneas al momento de utilizar las herramientas del anlisis economtrico clsico, tomando en cuenta que, en algunos casos, una exploracin elemental de los datos no es suficiente para distinguir la tcnica ms apropiada. En las siguientes pginas veremos que la preocupacin emprica a la que nos referimos lneas arriba puede resumirse en nuestra intencin por evitar que un investigador trabajando con series de tiempo termine, sin saberlo, con una regresin esprea.

9.1. Listos para la primera regresin?

En el Captulo 2 presentamos algunos de los estadsticos que permiten caracterizar las variables con las que disponemos. Asimismo, el Captulo 4 se discutieron algunas tcnicas asociadas al manejo de series de tiempo que dependen de ciertas caractersticas claramente identificables (presencia de un componente tendencial y/o estacional, por ejemplo). No obstante, y tal como el trmino anlisis univariado elemental debe haber evidenciado, existen otros elementos ms avanzados. Es este el momento de desarrollar algunos de estos elementos ya que es importante que el investigador los tenga presente antes de iniciar el anlisis de regresin. Empecemos suponiendo que se dispone de informacin de series de tiempo para un conjunto de tres variables econmicas (Y, X1 y X2) y que nuestro objetivo es determinar la importancia que tienen X1 y X2 para explicar a Y. Una exploracin preliminar de los objetivos y naturaleza de los datos parece indicar el estimador MICO y todas las tcnicas asociadas al anlisis clsico son los ms apropiados; es decir, tomando en cuenta los elementos hasta ahora desarrollados, nada parece indicar por qu el investigador no debera empezar por estimar su primera regresin. En realidad, existen algunos elementos que el investigador debe tomar en cuenta antes de pretender iniciar la bsqueda de una relacin entre las tres variables consideradas. Ahora bien, si esto es cierto, porqu reservarlo para el final. Tal como se ver ms adelante, hemos decidido incluir estos temas hacia el final del libro ya que muchos de los elementos ya desarrollados son necesarios para lograr una mejor compresin de los conceptos que aqu se consideran. As, lo ideal es que con todas las nociones bsicas en mente, retornemos por un momento a la etapa asociada a la consideracin de la naturaleza de las series disponibles.

9.2. Series estacionarias, races unitarias y paseos aleatorios

Tal como se indic lneas arriba, los conceptos que aqu desarrollaremos estn asociados al anlisis de datos de series de tiempo. Ahora bien, el desarrollo terico de este tema es demasiado extenso como para ser cubierto en slo un acpite y, adems, consideremos que un tratamiento detallado del mismo est fuera de los alcances de este libro. No obstante, y refirindonos a la preocupacin emprica que nos motiva, presentaremos algunos de los principales conceptos y su aplicacin prctica.

9.2.1. La FAS y la FAP una vez ms

Desde un punto de vista terico, cada una de las observaciones de una serie de tiempo corresponde a la realizacin de un proceso estocstico subyacente. La representacin ms general de dicho proceso se logra expresando el valor actual de la serie en funcin de sus

Econometra aplicada valores pasados (componente autorregresivo AR-) y de trminos estocsticos presentes y pasados (componente de medias mviles MA-). As, una representacin univariada ARMA(p,q) vendra dada por:

Yt = 0 + i Yt i + i t i
i=1 i =0

(9.1)

El primer paso del anlisis univariado de series de tiempo consiste en encontrar la mejor representacin ARMA de una serie; esto es, la eleccin del nmero de rezagos relevante de cada uno de los componentes. Si nimo de ahondar demasiado en este tema, vale la pena mencionar que el correlograma de la serie (una herramienta ya considerada en el Captulo 6) juega un rol fundamental en este proceso. Al respecto, el lector r ecordar que el en apndice 6.1 se hizo referencia a la construccin de las funciones de autocorrelacin simple y parcial (FAS y FAP). Entre otras cosas, se mostr cmo para el j-simo rezago, la FAS hace referencia al coeficiente de regresin de Yt sobre Yt-j, y la FAP al j-simo coeficiente de una regresin de Yt sobre todos los rezagos hasta j. Con esto mente, consideremos brevemente el rol de la funciones de autocorrelacin simple y parcial al momento de identificar el orden ARMA de una serie. Si partimos de una proceso AR(1) de la forma Y t = Y t 1 + t , el lector recordar que el
j

coeficiente de correlacin simple de j-simo orden es igual a , mientras que slo el primer coeficiente de correlacin parcial es distinto de cero e igual a . Ahora bien, y si consideramos un proceso MA(1): Y t = t + t 1 , las covarianzas vendran dadas por2 :

0 = Cov (Yt , Yt ) = Var( t + t 1 ) = (1 + 2 ) 2

2 1 = Cov (Yt , Yt 1 ) = E[( t + t 1 )( t 1 + t 2 )] = j = 0 j >1

(9.2)

Si recordamos la expresin para el coeficiente de correlacin (covarianza entre el producto de las desviaciones) notaremos que el coeficientes de correlacin simple de orden s vendra dado

por: s = s . Por lo mismo: 0

0 =1 0 1 = 1 = 0 1 + 2 j j = = 0 j>1 0 0 =
Es decir, slo el primer coeficiente de correlacin simple es distinto de cero.

(9.3)

Para derivar el comportamiento de la funcin de autocorrelacin parcial, es necesario considerar que el proceso MA puede expresarse de la siguiente forma:

Y t = t + t 1 = t (1 + L )

(9.4)

El lector notar que estamos suponiendo que los trminos MA son independientes y homocedsticos.

Econometra aplicada

donde L es un operador de rezago de manera que L i Y t = Yt i . Por lo mismo, es posible representar el proceso MA(1) como un proceso AR convergente de la forma:

Y t Yt 1 2 Yt 2 3 Yt 3 ... = t

(9.5)

Ahora bien, y si nos remitimos a nuestra definicin para el j-simo coeficiente de autocorrelacin parcial (el j -simo coeficiente de una regresin de Yt sobre todos los rezagos hasta j), notaremos que dicho coeficiente vendra dado por j . De qu caractersticas disponemos hasta ahora? Si generalizamos los resultados obtenidos para un proceso AR(1) y MA(1)3 , notaremos que en el caso de un proceso AR puro, es el nmero de coeficientes de correlacin parcial distintos de cero lo que determina su orden 4 . En el caso de un proceso MA puro, por su parte, es el nmero de coeficientes de autocorrelacin simple distintos de cero lo que determina su orden. Por lo mismo, el lector no debe extraarse si la regla prctica para determinar el orden AR y MA es fijarse en las columnas significativas (aquellas que superan las bandas de confianza en el reporte grfico del correlograma) teniendo presente que la FAS determina el orden MA y la FAP el orden AR. Qu pasa entonces con la FAS y FAP en el caso de un proceso AR y MA, respectivamente? El lector notar que para procesos de primer orden, estas funciones vienen dadas por las potencias sucesivas de los coeficientes que gobiernan el proceso (FASj = para un proceso AR y FAPj =
j

j para un proceso MA). Por lo mismo, el comportamiento de dichas funciones depende

directamente de los valores que tengan dichos coeficientes. Dentro de poco veremos cmo la posibilidad de identificar dichos valores resulta crucial al momento de caracterizar una serie como estacionaria o no.

9.2.2. Un nuevo concepto: estacionariedad

Empecemos por la conclusin sobre la que est basada la intencin de este captulo: muchos de los resultados asociados al anlisis de regresin clsico que involucra datos de series de tiempo suponen que dichas series son estacionarias. Ahora bien, una serie se define como estacionaria si todos los momentos de primer y segundo orden de dicho proceso estocstico son invariantes en el tiempo5 . Estos momentos incluyen la esperanza (media) y varianza de la serie, pero tambin las covarianzas y correlaciones entre los valores rezagados de la misma. La mayora de series de tiempo econmicas se caracterizan por estar compuestas por una tendencia, un comportamiento estacional, uno cclico y un componente irregular. En el anlisis estadstico de la serie, la presencia de los tres primeros componentes no debera representar mayor problema debido a que su carcter estable facilita su estimacin y, de ser el caso, su remocin (tal como se discuti en el Captulo 4).

La derivacin formal de los coeficientes de correlacin parcial para procesos de rdenes superiores pasa por la utilizacin de las ecuaciones de Yule-Walker. Si bien hemos aplicado esta tcnica para derivar los coeficientes de correlacin simple del proceso MA(1) considerado, dichas ecuaciones se complican al considerar procesos mixtos y/o de rdenes mayores a uno. El lector interesado en profundizar en este tema puede consultar el texto Applied Econometric Time Series de Walter Enders. 4 El lector recordar que al momento de evaluar la presencia y orden de la autocorrelacin se verificaba el nmero de coeficientes de autocorrelacin parcial distintos de cero (analizando el reporte grfico del FAP y complementando esta informacin con el estadstico de Ljung-Box). 5 Esta es la definicin de estacionariedad en el sentido dbil, que es a la que se alude usualmente en el trabajo emprico.
3

Econometra aplicada Sin embargo, cuando estos tres componentes son sustrados de la serie, es comn observar que el componente irregular deambula alrededor de su valor medio. En otras palabras, hay un nmero grande e indeterminado de perodos en los que la serie permanece por encima y por debajo de su media. Este comportamiento se debe a la presencia de una raz unitaria en la estructura estocstica de la variable. El lector debe tener la sensacin de que hemos introducido demasiado rpido dos nuevos conceptos: estacionariedad y raz unitaria. Desarrollemos con mayor detalle estas ideas partiendo de un proceso AR(1) y veamos cmo estas definiciones estn estrechamente vinculados (en particular, una serie cuyo componente irregular presenta una raz unitaria no es estacionaria y, por lo mismo, no es conveniente utilizarla en el anlisis de regresin sin antes someterla a algunas transformaciones). Supongamos un proceso AR(1) de la forma:

Y t = 0 + 1 Y t 1 + t

(9.6)

Al trabajar con series de tiempo necesitamos encontrar una expresin para Y t que no incluya sus rezagos. Cul es la solucin para la ecuacin anterior? Para hallarla es necesario rezagarla varias veces:

Yt 1 = 0 + 1 Yt 2 + t 1 Yt 2 = 0 + 1 Yt 3 + t 2 M
Si reemplazamos Y t-1 en Y t y luego Y t-2 en Y t-1 y as sucesivamente, entonces obtendremos 6 :
2 m Yt = 0 1 + 1 + 1 + ... + 1 +

(9.7)

i =0

i m +1 t i + 1 Yt m 1 1

(9.8)

Podemos seguir incrementando el valor de m y notaremos que contina la presencia de Yt en el lado derecho. Frente a esto, asumiremos algunas condiciones. La primera de estas es que el valor absoluto del 1 es menor a 1 ( 1 < 1 ). Con esto, estamos garantizando que cada vez que incluyamos un rezago adicional, el efecto marginal de los nuevos errores ser cada vez menor. La segunda condicin para alcanzar una solucin es suponer que se rezaga infinitas veces. Con esto, es factible alcanzar un proceso convergente:

Yt =

0 i + 1 ti 1 1 i = 0

(9.9)

De esta forma, la media es igual a un valor constante y la varianza no es explosiva.

E (Y t ) = 0 1 1 2 Var(Yt ) = 2 1 1

(9.10)

Ntese, por lo pronto, la relacin entre la sumatoria de potencias sucesivas de y la forma de la FAS.

Econometra aplicada Ntese que de no cumplirse que 1 < 1 , la media del proceso Yt no sera independiente del
t tiempo ya que el trmino 1 no convergira a cero cuando t tienda a infinito. La varianza, por su parte, aumentara conforme transcurra el tiempo y no ser finita. En este sentido, una de las condiciones fundamentales para determinar que el proceso Yt antes descrito sea estacionario

(media y varianza constantes), es que 1 < 1 . De no ser as, se dice que el proceso contiene una raz unitaria, lo cual ocurre, especficamente, cuando 1 = 1 . Debido a la presencia de una raz unitaria, los shocks que puedan afectar a la serie en determinado momento la desviarn por un lapso indeterminado de tiempo de su valor medio, hasta que un shock contrario la haga regresar a este valor. Por ello, se dice que estos procesos tienen memoria larga y la serie deambula alrededor de su media. Resulta evidente que si 1 = 1 , los shocks afectarn a la serie de manera permanente, dado que las potencias sucesivas de 1 no se diluirn a travs del tiempo. Estos procesos tambin se conocen como paseos aleatorios o random walks, debido precisamente a la persistencia de estos shocks. Con esto en mente, cabe preguntarse qu forma tendra la FAS y la FAP de un proceso AR(1) que presenta una raz unitaria. No es difcil darse cuenta que slo el primer coeficiente de la FAP sera significativo (indicando el orden del proceso) y que los coeficientes de la FAS ( 1 ) no se diluiran al considerar sucesivos rezagos, cosa que s ocurrira si consideramos un proceso
j

estacionario ( 1 < 1 ).

G RFICO 9.1 UN PROCESO ESTACIONARIO: Y 0 t = 0. 5 * Y 0 t 1 + t

6

-2

-4 50 100 150 200 250 300 350 400 450 500 Y0

G RFICO 9.2 UN CLSICO RANDOM WALK : Y1 t = Y1t 1 + t

Econometra aplicada

30

20

10

-10

-20 50 100 150 200 250 300 350 400 450 500 Y1

G RFICO 9.3 UN RANDOM WALK CON DRIFT : Y 2 t = 0 .25 + Y 2 t 1 + t

100 80 60 40 20 0 -20 50 100 150 200 250 300 350 400 450 500 Y2

Los tres grficos anteriores resumen gran parte de lo dicho hasta ahora. El primero muestra las caractersticas de un proceso estacionario. La presencia de un coeficiente menor a uno (0.5) garantiza que cualquier shock que afecte a la serie en determinado momento se diluya rpidamente. Por lo mismo, la serie presenta una alta fluctuacin alrededor de su valor medio (regresa a su media rpidamente) y la FAS deja de ser significativa a partir de un nmero reducido de rezagos. El segundo grfico muestra un random walk puro. La presencia de una raz unitaria garantiza la persistencia de los shocks y, por lo mismo, la serie se mantiene por encima o por debajo de su valor m edio por un lapso de tiempo indeterminado (deambula alrededor de su media). La FAS, por su parte, indica que el proceso tiene memoria larga dado que los coeficientes de correlacin simple no se diluyen al incrementar el nmero de rezagos. Finalmente, el tercer grfico muestra el comportamiento de un random walk con drift; esto es, un proceso AR(1) con raz unitaria que incluye un intercepto. Ntese que la tendencia surge a partir de la interaccin entre el trmino constante y 1 = 1 :

Econometra aplicada

Y 2 t = 0 .25 + Y2 t 1 + t Y 2 t +1 = 0.25 + 0.25 + Y2 t 1 + t + t +1 Y 2 t + 2 = 0 .25 + 0.25 + 0.25 + Y2 t 1 + t + t +1 + t + 2 M Y 2 t + n = (n + 1)0 .25 + Y2 t 1 +

i =0

t +i

Queda claro a partir de la expresin anterior que la media del proceso depende del tiempo. Qu hubiera pasado si 1 = 0. 5 ? Sabemos ya que esta serie sera estacionaria y que su media vendra dada por E (Yt ) =

0 0.25 = 0.5 . = 1 1 0.5

En conclusin, las series Y1 y Y2 presentan una raz unitaria (la primera es un random walk puro y la segunda un ramdon walk con drift) y, por lo mismo, no sera apropiado incluirlas en el anlisis de regresin. Antes de analizar a qu se debe esto ltimo, conviene cerrar la seccin con algunas definiciones adicionales. En primer lugar, cabe preguntarse de dnde proviene el trmino raz unitaria. Para entender estos, generalicemos nuestros resultados para un proceso ARMA de la forma:

Yt = 0 + i Yt i + i t i
i=1 i =0

(9.11)

Utilizando operadores de rezago, es posible expresar este proceso de la siguiente manera:

Yt =

0 + i t i 1 i L
i=1 i =0 p

(9.12)
i

Ahora bien, para que este proceso ARMA(p,q) sea estacionario, debe cumplirse que las races caractersticas del polinomio contenido en el denominador estn fuera del crculo unitario. Es de esta condicin general de donde proviene el trmino raz unitaria. De esta manera, si alguna de las races del polinomio 1 i L cae dentro del crculo unitario, se dice que la serie
i

presenta una raz unitaria. Si nos remitimos al proceso AR(1) utilizado como ejemplo, notaremos que la condicin 1 < 1 implica que la raz del polinomio 1 1 L ( L = 1 / 1 ) es mayor a uno en valor absoluto; es decir, se cumple la condicin anterior y la serie en cuestin es estacionaria. Finalmente, cabe mencionar que si una serie presenta una raz unitaria, dicho proceso se define como integrado de orden uno I(1). En general, una variable es integrada de orden (d) si su diferencia de orden (d) admite una representacin estacionaria. As, un proceso de la forma Y t = 0 + Yt 1 + t se define una serie I(1) debido a que su primera diferencia ( D ( Yt ) = t ) es un proceso estacionario.

9.3. Regresiones espreas vs. relaciones estables de largo plazo

Econometra aplicada Tal como se indic anteriormente, muchos de los resultados asociados al anlisis de regresin habitual suponen que las series involucradas en dicho anlisis son estacionarias. Para el tpico modelo de regresin Y = X + , si las variables involucradas no son estacionarias, los procedimientos de inferencia habituales pierden validez. En particular, y si bien las variables involucradas pueden no presentar relacin alguna, los estadsticos t tienden a estar sesgados hacia el rechazo de la hiptesis nula. Lo anterior viene usualmente acompaado por un R-cuadrado elevado y un estadstico Durbin Watson cercano a cero. Este tipo de relaciones, donde la no estacionariedad de las series involucradas sesga los resultados hacia a la aceptacin de una relacin cuando en realidad sta no existe, se conoce con el nombre de regresin esprea. Antes de explorar estas consecuencias con ms detalle, vale la pena desarrollar brevemente un concepto adicional: la cointegracin. Si la presencia de series no estacionarias impide la aplicacin de las tcnicas habituales de regresin, el lector debe estar preguntndose qu se debe hacer en estos casos. La solucin menos engorrosa (pero no por ello la ms adecuada, necesariamente) consiste en diferenciar las series el nmero de veces necesario para obtener una serie estacionaria y trabajar con estas transformaciones. Sin embargo, y tal como veremos dentro de poco, esta solucin no es la ms adecuada cuando las series no estacionarias involucradas cointegran. Existen muchos casos donde series econmicas no estacionarias presentan una relacin estable de largo plazo. Formalmente, es posible afirmar que la ecuacin Y = X + representa una relacin de equilibrio largo plazo cuando las tendencias estocsticas (o componente integrado)

se conoce de las series evolucionan conjuntamente. En este caso, el vector de estimadores como el vector de cointegracin.
Supongamos dos procesos representados de la siguiente manera:

y t = yt + yt z t = zt + zt

(9.13)

donde it representa el componente random walk de la serie i en el momento t, y it representa el componente estacionario de la serie i en el momento t. Dado lo anterior, si las series yt y zt cointegran, debe existir un vector (1 , 2 ) de modo que la combinacin lineal 1 y t + 2 z t sea estacionaria. Formalmente:

1 y t + 2 z t = 1 ( yt + yt ) + 2 ( zt + zt ) = (1 yt + 2 zt ) + (1 yt + 2 zt )

(9.14)

Ahora bien, para que esta combinacin lineal sea estacionaria, el trmino (1 yt + 2 zt ) debe desaparecer. Para que esto ocurra, los componentes random walk de ambas series deben estar relacionados a travs de este vector (1 , 2 ) , de modo que dicho vector purgue o limpie la presencia de los elementos random walk de la relacin lineal, dejando nicamente los componentes estacionarios. Por ejemplo, si el vector de cointegracin tiene la forma (1,-1), la relacin y t = z t + t representa la ecuacin de cointegracin debido a que el resultado de dicha combinacin lineal (t) es un proceso estacionario. La presencia de dicho vector de cointegracin implica que los componentes random walk de las series son idnticos, de modo que su diferencia resulta igual a cero, quedando nicamente los elementos estacionarios. Formalmente:

Econometra aplicada

y t z t = ( yt + yt ) ( zt + zt ) = ( yt zt ) + ( yt zt ) = ( yt zt ) = t
En definitiva, para que dos series cointegren, estas deben ser integradas de primer orden (I(1)) y el error de la ecuacin de cointegracin debe ser estacionario (I(0)). Esto ltimo implica, precisamente, que el vector estimado ha removido los elementos random walk de las series involucradas dejando un residuo estacionario. Por otro lado, y si al plantear un ecuacin de cointegracin potencial que involucra a un conjunto de series I(1) se verifica que el residuo de dicha ecuacin es tambin I(1), estaremos frente a una regresin esprea. Tomando en cuenta lo anterior, podemos deducir porqu frente a una regresin de este tipo el proceso de inferencia pierde validez y, en realidad, no existe ninguna relacin entre las series involucradas. En particular, sabemos que el proceso de inferencia clsico parte del supuesto de que los errores tienen media cero y varianza constate, por lo mismo, la presencia de errores no estacionarios viola claramente estos supuestos y torna invlido dicho proceso. Ms an, y si la secuencia de errores presenta una tendencia estocstica, cualquier error en el momento t resulta permanente, lo que resta validez al modelo estimado7 . Ahora bien, ya se mencion anteriormente que el indicador clsico de una regresin esprea lo constituye un R-cuadrado elevado y un estadstico Durbin Watson cercano a cero. Para comprender esto, empecemos recordando que la varianza de una serie integrada no es finita; es debido a esto que el R-cuadrado estar sesgado a arrojar valores cercanos a uno. A partir de la frmula para este estadstico: (9.15)

R 2 =1

SCE SCT

(9.16)

podemos comprobar que conforme mayor sea la varianza de la variable explicada (SCT), el cociente arrojar valores cada vez menores y el indicador se aproximar a la unidad. As, y dado que la variable dependiente sigue un proceso no estacionario, su varianza tender a infinito, por lo que el R-cuadrado de una regresin que la involucre tender a uno. Lo anterior, evidentemente, no implica que la regresin tenga un ajuste perfecto sino que se debe a las caractersticas del proceso que gobierna el comportamiento de la variable dependiente. Por otro lado, recordemos que una regresin esprea el error de la ecuacin ser tambin un proceso integrado. Por esta razn, el estadstico Durbin Watson (que evala la presencia de autocorrelacin serial en los errores) se aproximar a cero indicando la presencia de una fuerte autocorrelacin de primer orden positiva ( = 1).

9.3.1. El corto y el largo plazo

Hasta el momento hemos mencionado que un conjunto de series integradas pueden presentar una relacin estable de largo y que dicha relacin viene dada por la ecuacin de cointegracin (donde debe cumplirse que los errores son estacionarios). Al respecto, debe tenerse en cuenta que esta ecuacin (que representa la relacin de equilibrio), no puede ser interpretada de la

Cmo podemos suponer que (en promedio) estamos sobre la media condicional de Y si las desviaciones respecto a dicha media son permanentes?
7

Econometra aplicada manera habitual; es decir, no es pertinente pretender interpretar la significancia y valor de los coeficientes. Dnde puedo entonces hablar de significancia y causalidad? Un elemento importante asociado a un conjunto de series que cointegran es que su comportamiento a travs del tiempo est influenciado por las desviaciones que ocurran respecto a la relacin de equilibrio. En este sentido, la dinmica de corto plazo de las series vendr dada por la magnitud de dichas desviaciones y esta dinmica se recoge en lo que se conoce como el modelo de correccin de errores. Por qu correccin de errores? Tal como veremos dentro de poco, es esta dinmica de corto plazo la que garantiza que, en el largo plazo, las series muestren una relacin estable. Consideremos, por ejemplo, la relacin existente entre las tasas de inters de corto (r St) y largo plazo (rLt). Al respecto, la teora nos indica la presencia de una relacin estable entre estas variables en el largo plazo. As, si en determinado momento ocurre una desviacin respecto a dicha relacin, alguna de las dos (o ambas) tasas debern cambiar en el corto plazo de modo que se verifique la ecuacin de equilibrio. Si suponemos que ambas series son I(1), un modelo de correccin de errores sencillo vendra dado por la siguiente relacin:

rSt = S (rLt1 rSt 1 ) + St rLt = L (rLt1 rSt 1 ) + Lt

(9.17)

En las ecuaciones anteriores, t es ruido blanco y los parmetros L , S y son todos positivos. La e specificacin anterior indica que el cambio en las tasas de inters responde a shocks aleatorios ( ) y a la desviacin del equilibrio de largo plazo ocurrida en el perodo anterior. Esta desviacin est dada, precisamente, por el primer rezago del error de la ecuacin de cointegracin, donde representa el vector de cointegracin. Supongamos que la relacin de largo plazo est dada por la ecuacin de cointegracin:

rLt = rSt + t

(9.18)

de modo que el equilibrio se alcanza cuando rL = rSt . As, si la desviacin respecto a este equilibrio es positiva (de modo que t 1 > 0; rLt 1 rSt 1 > 0 ), el modelo de correccin de errores predice que la tasa de inters de corto plazo aumentar y la tasa de largo plazo caer, garantizando que el equilibrio se respete. As, la dinmica de corto plazo (recogida por el modelo de correccin de errores) debe ser tal que garantice la presencia de una relacin estable en el largo plazo. Es importante notar que todos los elementos del modelo de correccin de errores son estacionarios (I(0)). La diferencia de las tasas es un proceso estacionario debido a que su orden de integracin es igual a 1; por otro lado, la diferencia rLt 1 rSt 1 es tambin estacionara ya que representa el error de la ecuacin de cointegracin, el cual, como sabemos, debe ser I(0) para que las series cointegren. Por lo mismo, s es factible hablar de significancia y causalidad en este modelo. De hecho, es necesario que el coeficiente que acompaa al rezago del error de la ecuacin de cointegracin sea significativo y tenga el signo pertinente: si el modelo de correccin de errores tiene como variable dependiente a la diferencia de la variable para la cual el vector de cointegracin ha sido normalizado (la dependiente en la ecuacin de cointegracin), este coeficiente debe ser significativo y negativo ( L en nuestro ejemplo). La causalidad, por su parte, es la habitual (de los regresores a la dependiente) y, tal como se desprende del anlisis anterior, resulta necesaria para que los errores se corrijan.

Econometra aplicada

9.4. Un esquema til

Bueno, suficiente teora. Remitmonos de nuevo a la preocupacin emprica que nos motiva y, antes de poner manos a la obra con las tcnicas de deteccin, hagamos un resumen de todo lo dicho hasta ahora. El lector recordar que anteriormente mencionamos que la receta de diferenciar las series no estacionarias con el fin de poder aplicar el anlisis tradicional no es siempre la estrategia ms adecuada. Tal como se aprecia en el esquema siguiente, si partimos de esta premisa estaramos ignorando la posibilidad de que las series no estacionarias cointegren. Qu implicancias tiene esto? Supongamos que se dispone de dos series I(1) que muestran una relacin estable de largo plazo; es decir, que cointegran. Si, ignorando este hecho, procedemos a diferenciarlas y aplicamos el anlisis de regresin tradicional, estaramos construyendo un modelo de correccin de errores mal especificado. En particular, estaramos ignorando la presencia de un trmino de correccin de errores dado que en nuestra especificacin se omitira el rezago del error de la ecuacin de cointegracin. Con esto, estaramos obviando un componente fundamental de la dinmica de corto plazo de las series. Por lo mismo, hemos considerado pertinente explorar el anlisis de cointegracin con el fin de complementar adecuadamente los resultados del anlisis univariado de series de tiempo.

Econometra aplicada

G RFICO 9.4 ESQUEMA CONCEPTUAL PARA EL TRABAJO CON SERIES DE TIEMPO

Estacionarias Naturaleza de las series No estacionarias I(1) El anlisis de regresin clsico es vlido

El anlisis de regresin clsico no es vlido

Regresin

No existe una relacineconmica interpretable. R 2 1;DW 0

Errores son I(1) Regresin esprea

Errores son I(0) Ecuacin de cointegracin

Slo nos indica la presencia de una relacin de LP . No podemos hablar de inferencia ni de causalidad.

Aplicacin del anlisis de regresin clsico

Series no estacionarias son diferenciadas

Modelo de correccin de errores

DinmicadeCP. Todas las series son estacionarias; interpretacin habitual. Debemos verificar la significancia y signo del coeficiente asociado al error del modelo de LP.

9.5. Manos a la obra: cmo detectar una raz unitaria?

Tal como se indic anteriormente, las caractersticas de la FAS y la FAP nos proporcionan una primera evidencia acerca de la posibilidad de la serie analizada presente una raz unitaria. En particular, y tal como se muestra en los grficos anteriores, una serie integrada presentar una lenta dilucin de la significancia de los coeficientes de correlacin simple (FAS) y un coeficiente de correlacin parcial (FAP) de primer orden bastante significativo. Con esto en mente, empecemos la formalizacin de estos resultados preliminares explorando una de las pruebas ms empleadas y que, por lo mismo, se encuentra disponible en el EViews: el Test Dickey-Fuller aumentado (ADF). Si partimos de un proceso autorregresivo de primer orden de la forma Y t = 1 Yt 1 + t , la prueba de Dickey-Fuller se basa en la estimacin de la siguiente ecuacin bsica:

Y t = Y t 1 + t

(9.19)

donde Y t = Y t Yt 1 . Por lo mismo, queda claro que = 1 1 , dado que Y t = 1 Yt 1 + t y la ecuacin bsica de la prueba son equivalentes (basta con restar Yt-1 a ambos lados de la ecuacin que describe el proceso). De esta forma, la verificacin de la hiptesis nula = 0 sobre

Econometra aplicada la ecuacin anterior es equivalente a verificar si = 1 y, por lo mismo, si el proceso en cuestin presenta una raz unitaria. Ahora bien, antes de explorar las opciones que ofrece el EViews en cuanto a la aplicacin de esta prueba, es necesario considerar algunos elementos adicionales. El primero est referido a la forma de la prueba utilizada en el trabajo emprico (lo que da cabida a la forma aumentada del test). As, la ecuacin genrica utilizada tiene la siguiente forma:

Yt = 0 + Yt 1 + 2 t +

i= 2

i Yt i +1 + t

(9.20)

donde Ho : = 0 implica que la serie en cuestin presenta una raz unitaria. Ntese que esta ecuacin incorpora dos componentes determinsticos (un intercepto y una tendencia) y, adems, la sumatoria de hasta p-1 rezagos de la primera diferencia de la variable. Es la presencia de esta sumatoria la que configura la forma aumentada de la prueba (ADF test) y su inclusin responde a la necesidad de corregir la presencia de correlacin serial en los residuos de la ecuacin dada la posibilidad de que la serie analizada presente un orden de autorregresin superior a uno. Un segundo elemento a tomar en cuenta (estrechamente vinculado a la eleccin de qu elementos determinsticos debemos incluir) se refiere al proceso de inferencia asociado a la prueba. En particular, la hiptesis = 0 no puede ser evaluada utilizando la tpica prueba t debido a que bajo la hiptesis nula, el estadstico / no tiene una distribucin t convencional. Por lo mismo, es necesario comparar dicho estadstico contra un set de valores crticos especfico. Al respecto, el EViews incorpora los valores crticos de MacKinnon, los que resultan ms genricos que aquellos computados por los autores de la prueba. No obstante esto existe, un elemento importante a considerar: la eleccin de los componentes determinsticos a incluir en la ecuacin del test. Esto resulta particularmente importante dado que los valores crticos son sensibles a la presencia de dichos regresores y, en general, una mala especificacin de los componentes determinsticos puede conducir a la aceptacin de la hiptesis nula cuando, en realidad, la serie analizada no presenta una raz unitaria. Diversas simulaciones han demostrado que el poder de la prueba de Dickey-Fuller es considerablemente bajo; en consecuencia esta prueba indica con mucha frecuencia la existencia de una raz unitaria8 . Por lo mismo, la sugerencia prctica es comenzar utilizando la forma ms general del test (esto es, incluyendo tanto un intercepto como una tendencia) y, si se rechaza la hiptesis nula, concluir que no existe raz unitaria. Por otro lado, de aceptarse dicha hiptesis un investigador riguroso buscara evaluar la significancia de 0 y 2 para determinar si es vlida la inclusin del trmino constante y la tendencia, respectivamente, antes de concluir que la serie presenta una raz unitaria. Antes de abordar este tema con mayor detalle no est dems mencionar que la eleccin de los componentes determinsticos pasa tambin por una exploracin grfica de la serie analizada. As, si la serie parece contener una tendencia (ya sea determinstica o estocstica), la recomendacin prctica es incluir tanto una tendencia como un intercepto en la especificacin del test. Ahora bien, si la serie no exhibe tendencia alguna pero muestra una media distinta de cero, lo lgico ser ejecutar la prueba incluyendo slo un intercepto. Por ltimo, la existencia de una serie que parece fluctuar alrededor de cero debera llevar al investigador a la eliminacin de ambos componentes determinsticos de la ecuacin del test.

El lector recordar que el poder una prueba se define como la probabilidad de rechazar una hiptesis falsa (1 la probabilidad de Error Tipo II). Por lo mismo, un bajo poder implica que la prueba en cuestin se caracteriza por una alta probabilidad de cometer Error Tipo II (aceptar una hiptesis falsa).
8

Econometra aplicada El lector notar que las recomendaciones anteriores son slo referenciales y que mayor formalidad es necesaria si se busca ser riguroso al momento de elegir los elementos determinsticos a incluir (tomando en cuenta que los resultados del test son sensibles a dicha eleccin). Para esto, Walter Enders 9 presenta un procedimiento ms formal que a continuacin esquematizamos. La notacin empleada es como sigue:

G RFICO 9.5 PROCEDIMIENTO PARA EVALUAR LA PRESENCIA DE RAZ UNITARIA

estadstico asociado a la hiptesis = 0 , en la ecuacin completa. estadtico asociado a la hiptesis 2 = 0 dado = 0, en la ecuacin completa. Crit 2.79 (valor crtco para una confianza del 95%; 100 observacio nes). estadstico asociado a la hiptesis = 0, en la ecuacin sin tendencia (slo intercepto ). estadstico asociado a la hiptesis 0 = 0 dado = 0, en la ecuacin sin tendencia (slo intercepto ). Crit 2 .54 (valor crtco para una confianza del 95%; 100 observacio nes). estadstico asociado a la hiptesis = 0, en la ecuacin sin componente s determins ticos. MacK estadstico de MacKinnon (5% significancia) reportado por el EViews en cada caso.

Enders, Walter, Applied Econometric Time Series, Wiley Series in Probability and Mathematical Statistics, 1995.
9

Econometra aplicada

Estimar

Y t = 0 + Yt 1 + 2t + iYt i + t

No: > MacK

Y t no tieneR.U.

Se verifica Ho:

=0?

S: < MacK No: > Crit

No: > 1 .96

Verificar la presencia de la tendencia Se verifica 2 = 0 dado = 0 ?

Ho:

= 0 ? Usando

S: < 1 .96

una dist. normal.

Y t tieneR.U.

S: < Crit

Estimar Yt = 0 + Yt1 + i Yt i + t Se verifica Ho: = 0 ?

No: > MacK

Y t no tiene R.U.

S: < MacK No:

No: > 1. 96

Verificar la presencia del intercepto Se verifica 0 = 0 dado = 0 ?

> Crit

Ho: = 0 ? Usando una dist. normal.

S: < 1 .96

Y t tieneR.U.

S: < Crit S: < MacK

Estimar Yt = Yt 1 + i Yt i + t Se verificaHo: Y t tiene R.U.

=0?

No: > MacK

Y t no tiene R.U.

Luego de explorar el esquema anterior, estamos seguros de que el lector debe estar pensando en cmo implementar un programa que sea capaz de ejecutar esta secuencia de `preguntas` as como las pruebas necesarias. Bueno, antes de enfocarnos en esto, empecemos por familiarizarnos con el entorno del EViews en lo que se refiere a la aplicacin de la prueba de Dickey-Fuller. Si recordamos que esta prueba se enmarca dentro del anlisis univariado de series de tiempo, no es de extraar que este test se encuentre entre las vistas disponibles para el objeto serie:

IMAGEN 9.1 TEST DE D ICKEY-FULLER

Econometra aplicada

En la ventana asociada a la prueba de raz unitaria, el usuario debe elegir el test a aplicar (nosotros slo haremos referencia al Dickey-Fuller aumentado10 ) y si la serie a considerar es en niveles (la variable misma) o su primera o segunda diferencia. Tal como veremos ms adelante, la posibilidad se aplicar la prueba a la primera o segunda diferencia de la serie permite confirmar el orden de integracin de la variable. As, por ejemplo, si la serie en niveles revela la presencia de una raz unitaria (se acepta la Ho) pero su primera diferencia es estacionaria (se rechaza la Ho), podemos concluir que se trata de un proceso I(1). Adems, el usuario debe especificar qu componentes determinsticos deben estar presentes en la ecuacin del test as como el nmero de rezagos de la primera diferencia de la variable a ser considerados. Analicemos esta aplicacin considerando hasta cuatro distintos procesos generadores de datos (como es usual, nos tomamos una vez ms la licencia de conocer el PGD con miras a explorar adecuadamente los resultados de la prueba).

La diferencia esencial entre la prueba de Dickey-Fuller y la de Phillips Perron radica en que esta ltima realiza una correccin no paramtrica por la presencia de rdenes de correlacin mayores a uno. Recordemos que el ADF controla esto ltimo a travs de la inclusin de rezagos de la primera diferencia de la variable analizada.
10

Econometra aplicada

WORKFILE Raiz_unitaria u 100 'Partimos de cuatro PGDs distintos SMPL 1 1 GENR GENR GENR GENR y1 y2 y3 y4 = = = = NRND NRND NRND NRND

SMPL 2 100 GENR GENR GENR GENR y1 y2 y3 y4 = = = = 0.99*y1(-1) + NRND*5 3.75 + 0.99*y2(-1) + NRND*4 1.5 + 0.55*@TREND + 0.75*y3(-1) + NRND*5 3.5 + 0.88*y4(-1) + NRND*5

SMPL @ALL De cada uno de los procesos generados sabemos que Y1 es un random walk puro, Y2 un random walk con drift y que Y3 y Y4 son series estacionarias (la primera estacionaria en tendencia). Por lo mismo, la correcta especificacin de la prueba de Dickey-Fuller debera llevar a la aceptacin de la hiptesis nula en los dos primeros casos y al rechazo de la misma para las dos ltimas variables. Exploremos grficamente estas cuatro series:

20

250 200

0 150 -20 100 50 -40 0 -60 20 40 Y1 60 80 100 -50 20 40 Y2 60 80 100

250 200 150 100 50 0 -50 20 40 Y3 60 80 100

60 50 40 30 20 10 0 20 40 Y4 60 80 100

Del grfico anterior se observa que tanto Y2 como Y3 presentan un comportamiento tendencial. Al respecto, vale la pena mencionar la existencia de una equivalencia observacional entre series estacionarias en tendencia y procesos integrados de primer orden que incluyen u n trmino constante (drift); en nuestro ejemplo, este es el caso de las variables Y2 y Y3. Por lo mismo, es necesario un anlisis ms formal y detallado de estas series si queremos llegar a resultados

Econometra aplicada concluyentes sobre la existencia de una raz unitaria en las variables consideradas. Empecemos con sus correlogramas:
Correlograma de Y1 Correlograma de Y2

Correlograma de Y3

Correlograma de Y4

La FAP de las cuatro variables muestra la existencia de un coeficiente de correlacin parcial de primer orden positivo y bastante significativo. En lo que respecta a la FAS notamos una lenta dilucin de los coeficientes de correlacin simple para las primeras tres variables. Esto, como vimos, es un indicador de la presencia de una raz unitaria (un proceso con memoria larga). La cuarta variable, por su parte, presenta una dilucin relativamente rpida de dichos coeficientes; por lo mismo, cabe esperar que el coeficiente de correlacin parcial de primer orden sea menor a uno en valor absoluto (evidencia de que la serie es cuestin es estacionaria). Si contrastamos esta evidencia con los PGDs de las cuatro variables, notaremos que es necesario profundizar an ms nuestro anlisis para extraer resultados concluyentes (la variable Y3 es estacionaria a pesar de la forma que adopta su correlograma). En este sentido, la informacin contenida en los correlogramas tiene slo un carcter referencial y no es definitiva. Antes de proceder con el test de Dickey-Fuller y as terminar de formalizar nuestro anlisis, vale la pena preguntarnos si existe algn otro tipo de evidencia susceptible de ser extrada de los correlogramas. El lector habr notado que al momento de especificar la forma de la prueba es necesario indicar el nmero de rezagos de la primera diferencia de la variable a ser incluidos. Para esto, es factible examinar la FAP para determinar si las series exhiben un orden de autorregresin mayor a uno y, de esta manera, proceder a incluir el nmero de rezagos pertinente. En nuestro caso, ninguna de las cuatro funciones de autocorrelacin parcial muestra

Econometra aplicada coeficientes significativos para rdenes mayores a uno; por lo mismo, al momento de ejecutar el test de Dickey-Fuller utilizaremos el nmero de rezagos que el programa sugiere por defecto (2). Si bien el anlisis grfico sugiere que la prueba para las variables Y1 y Y4 debera ejecutarse sin tendencia, empezaremos analizando los resultados del test considerando ambos componentes determinsticos; esto, con el fin de constatar cmo sus resultados son sensibles a la inclusin de estos componentes. As, para las cuatro pruebas cuyos resultados se detallan a continuacin 11 , se marc la opcin Trend and intercept en la ventana del test12 .

4 Resultados para Y1
ADF Test Statistic -2.459020 1% Critical Value* 5% Critical Value 10% Critical Value -4.0550 -3.4561 -3.1536

*MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(Y1) Method: Least Squares Sample(adjusted): 4 100 Included observations: 97 after adjusting endpoints Variable Y1(-1) D(Y1(-1)) D(Y1(-2)) C @TREND(1) Coefficient -0.118959 0.144633 0.065825 -1.871105 -0.008338 Std. Error 0.048377 0.104399 0.105885 1.370901 0.024150 t-Statistic -2.459020 1.385397 0.621663 -1.364872 -0.345246 Prob. 0.0158 0.1693 0.5357 0.1756 0.7307

4 Resultados para Y2
ADF Test Statistic -2.184139 1% Critical Value* 5% Critical Value 10% Critical Value -4.0550 -3.4561 -3.1536

*MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(Y2) Method: Least Squares Sample(adjusted): 4 100 Included observations: 97 after adjusting endpoints Variable Y2(-1) D(Y2(-1)) D(Y2(-2)) C @TREND(1) Coefficient -0.070686 0.040591 0.159413 4.112470 0.140398 Std. Error 0.032363 0.101333 0.100430 1.100497 0.073497 t-Statistic -2.184139 0.400571 1.587306 3.736920 1.910251 Prob. 0.0315 0.6897 0.1159 0.0003 0.0592

En los cuatro reportes hemos omitido los estadsticos tpicos asociados a la regresin (R-cuadrado, criterios de Akaike y Schwarz, prueba F global, etc.). 1 2 El lector notar que ambos elementos aparecen en cada una de las cuatro ecuaciones estimadas.
11

Econometra aplicada 4 Resultados para Y3

ADF Test Statistic -3.406013 1% Critical Value* 5% Critical Value 10% Critical Value -4.0550 -3.4561 -3.1536

*MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(Y3) Method: Least Squares Sample(adjusted): 4 100 Included observations: 97 after adjusting endpoints Variable Y3(-1) D(Y3(-1)) D(Y3(-2)) C @TREND(1) Coefficient -0.331951 0.019715 0.044596 -0.975557 0.756993 Std. Error 0.097460 0.113752 0.106410 1.473592 0.219216 t-Statistic -3.406013 0.173317 0.419095 -0.662026 3.453178 Prob. 0.0010 0.8628 0.6761 0.5096 0.0008

4 Resultados para Y4
ADF Test Statistic -3.372844 1% Critical Value* 5% Critical Value 10% Critical Value -4.0550 -3.4561 -3.1536

*MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(Y4) Method: Least Squares Sample(adjusted): 4 100 Included observations: 97 after adjusting endpoints Variable Y4(-1) D(Y4(-1)) D(Y4(-2)) C @TREND(1) Coefficient -0.171119 -0.027226 -0.089229 7.177980 -0.017565 Std. Error 0.050734 0.099390 0.098727 1.981376 0.017199 t-Statistic -3.372844 -0.273934 -0.903796 3.622726 -1.021245 Prob. 0.0011 0.7847 0.3685 0.0005 0.3098

En los cuatro casos analizados se acepta la hiptesis nula Ho : = 0 al 5% de significancia, lo que implicara que el test revela que las cuatro series presentan una raz unitaria. Para determinar la aceptacin o rechazo de la hiptesis nula basta con comparar el valor reportado como ADF Test Statistic (que no es otra cosa que el t -estadstico asociado al coeficiente que acompaa al rezago de la variable) contra el valor crtico de MacKinnon. En los cuatro casos se cumple que el valor absoluto del primero es menor que el del segundo para un 5% de significancia ( < MacK ), por lo que se acepta la hiptesis nula. Como sabemos, esta prueba presenta un poder reducido, por lo que la aceptacin de la hiptesis nula implica la necesidad de un mayor anlisis en lo que se refiere a la especificacin del test. Para esto, nos remitimos al esquema presentado anteriormente. En lugar de proceder a la aplicacin de dicho esquema de manera manual, diseemos, ahora s, un programa capaz de ejecutarlo.

Econometra aplicada

PROGRAMA 9.1 APLICACIN SECUENCIAL DEL TEST DE D ICKEY-FULLER AUMENTADO (ADF)

'========================================================== 'Programa para la deteccin de raz unitaria 'Trabajo secuencial con el test de Dickey-Fuller Aumentado '========================================================== 'USO: 'La variable a ser analizada debe pasarse como 'el primer argumento del programa (%0). 'Debe indicarse el nmero de rezagos a incluir 'en la prueba ADF (!Rez). '========================================================== !Rez = 2 TABLE(8,2) Resultado_%0 SETCOLWIDTH(Resultado_%0,1,25) SETCELL(Resultado_%0,1,1,"Resultado de la prueba ADF secuencial") SETLINE(Resultado_%0,2) SETCELL(Resultado_%0,3,1,"Serie analizada","r") SETCELL(Resultado_%0,3,2,%0) SETCELL(Resultado_%0,4,1,"No. de rezagos","r") SETCELL(Resultado_%0,4,2,!Rez,0) SETLINE(Resultado_%0,5) SETLINE(Resultado_%0,8) %Resp1 = "La serie no tiene raz unitaria" %Resp2 = "La serie tiene raz unitaria" %Resp3 = "La serie es explosiva" %Espec1 = "ADF con intercepto y tendencia" %Espec2 = "ADF con intercepto" %Espec3 = "ADF sin elementos determinsticos" SETCELL(Resultado_%0,6,1,%Resp1,"c") SETCELL(Resultado_%0,7,1,%Espec1,"c") GENR Variable = %0 !Check = 0 !Check2 = 0 !Check3 = 0 'Primera evaluacin (intercepto y tendencia) '========================================================== FREEZE(Captura1) Variable.UROOT(!Rez,t) !McK1 = @VAL(Captura1(2,5)) !tt = @VAL(Captura1(1,2)) !tbt = @VAL(Captura1(17+!Rez+2,4)) IF !tt > 0 THEN !Check3 = 1 ENDIF IF abs(!tt) < abs(!McK1) THEN IF abs(!tbt) > 2.79 THEN IF abs(!tt) < 1.96 THEN !Check = 1 ENDIF

Econometra aplicada

ELSE !Check2 = 1 'Segunda evaluacin (intercepto) '====================================================== FREEZE(Captura2) Variable.uroot(!Rez,c) !McK2 = @VAL(Captura2(2,5)) !tu = @VAL(Captura2(1,2)) !tau = @VAL(Captura2(17+!rez+1,4)) IF !tu > 0 THEN !Check3 =1 ENDIF IF abs(!tu) < abs(!McK2) THEN IF abs(!tau) > 2.54 THEN IF abs(!tu) < 1.96 THEN !Check = 1 ENDIF ELSE !Check2 = 2 'Tercera evaluacin (sin elementos 'determinsticos) '=============================================== FREEZE(Captura3) Variable.uroot(!Rez,n) !McK3 = @VAL(Captura3(2,5)) !t = @VAL(Captura3(1,2)) IF !t > 0 THEN !Check3 = 1 ENDIF IF abs(!t) < abs(!McK3) THEN !Check = 1 ENDIF ENDIF ENDIF ENDIF ENDIF 'Registro de resultados '========================================================== IF !Check = 1 THEN SETCELL(Resultado_%0,6,1,%Resp2,"c") ENDIF IF !Check3 = 1 THEN SETCELL(Resultado_%0,6,1,%Resp3,"c") ENDIF IF !Check2 = 1 THEN

Econometra aplicada

SETCELL(Resultado_%0,7,1,%Espec2,"c") ENDIF IF !Check2 = 2 THEN SETCELL(Resultado_%0,7,1,%Espec3,"c") ENDIF 'Eliminamos objetos temporales '========================================================== FOR !i = 1 to 3 IF @ISOBJECT("Captura"+@STR(!i)) = 1 THEN D Captura!i ENDIF NEXT D Variable 'Fin del programa

Tal como se desprende la estructura del programa, la informacin que este nos proporciona (en la tabla Resultado) se refiere a la presencia o no de una raz unitaria en la serie analizada as como a la especificacin de la ecuacin del test ADF en cuanto a la eleccin de los componentes determinsticos (intercepto y tendencia). Asimismo, el programa incluye un elemento de verificacin adicional que permite determinar si la serie analizada es explosiva. Ntese que este elemento (Check3), se activa cuando e l estadstico asociado al coeficiente que acompaa al primer rezago de la serie en la ecuacin del test es positivo. Como sabemos, la presencia de un estadstico positivo implica que dicho coeficiente es tambin positivo y que, por lo mismo, el parmetro que gobierna la estructura autorregresiva de la serie es mayor que 1. Formalmente: si > 0 en Y t = Y t 1 + t , entonces se verifica que 1 > 1 en Y t = 1 Yt 1 + t . Si cuando

1 = 1 los shocks tienen un impacto permanente en la evolucin de la serie (la serie no es

estacionaria) no es difcil reparar que de cumplirse que 1 > 1 entonces estos shocks no slo no se diluirn sino que su efecto crecer en el tiempo. En este caso, se dice que la serie en cuestin es explosiva. Con esto en mente, veamos ahora los resultados del programa para las cuatro series generadas: 4 Reportes del programa
Resultado de la prueba ADF secuencial Serie analizada Y1 No. de rezagos 2 La serie tiene raz unitaria ADF sin elementos determinsticos Resultado de la prueba ADF secuencial Serie analizada Y2 No. de rezagos 2 La serie tiene raz unitaria ADF con intercepto Resultado de la prueba ADF secuencial Serie analizada Y3 No. de rezagos 2 La serie no tiene raz unitaria ADF con intercepto y tendencia

Econometra aplicada

Resultado de la prueba ADF secuencial Serie analizada Y4 No. de rezagos 2 La serie no tiene raz unitaria ADF con intercepto

Como vemos, los reportes del programa son consistentes con los procesos a partir de los cuales fueron generadas cada una de las series. Al respecto, vale la pena verificar cmo la mala especificacin de la prueba inicial para la series Y3 y Y4 condujo a la aceptacin de la hiptesis nula cuando, como sabemos y verificamos con la prueba secuencial, ambos procesos son estacionarios. Ahora bien, si reparamos en el reporte asociado a la serie Y3, notaremos que este indica que la correcta especificacin de la prueba ADF implica la inclusin del intercepto y la tendencia, siendo esta la especificacin que elegimos al principio y que condujo a la aceptacin de la hiptesis nula. Cmo as entonces dicho reporte indica que la serie en cuestin no presente raz unitaria? Si revisamos el esquema para la aplicacin secuencial de la prueba notaremos que, de aceptarse que la tendencia es relevante, se procede a preguntar nuevamente si el coeficiente que acompaa al primer rezago de la serie es igual a cero pero utilizando el valor crtico asociado a una distribucin normal estndar. De hecho, la presencia de una tendencia o un drift en el proceso generador de datos de la serie implica que la hiptesis nula = 0 puede verificarse utilizando una distribucin normal estndar. As, y para el caso especfico de la serie Y3, ocurre que el valor del estadstico asociado a gamma (-3.4) es mayor, en valor absoluto a 1.96. Por lo mismo, se rechaza la hiptesis nula del test y se concluye que la serie en cuestin no presenta raz unitaria (tal como lo muestra el reporte del programa). Vale la pena notar, adems, que una mejor eleccin del nmero de rezagos a incluir en la ecuacin de la prueba hubiera tambin conducido al rechazo de la hiptesis nula para la serie Y3. Si removemos el segundo rezago (de acuerdo a lo que sugiere su estadstico t), notaremos que, si bien no se modifican sustancialmente los valores crticos, lo contrario ocurre con el estadstico asociado a gamma: ste se incrementa (en valor absoluto) y finalmente supera al valor crtico de MacKinnon (5%). 4 Resultados para Y3: prueba ADF con intercepto, tendencia y un rezago
ADF Test Statistic 1% Critical Value* 5% Critical Value 10% Critical Value *MacKinnon critical values for rejection of hypothesis of a unit root. -3.707137 -4.0540 -3.4557 -3.1534

9.6. Raz unitaria vs. quiebre estructural

Son los resultados del test de Dickey-Fuller suficientes para concluir acerca de la presencia de un proceso no estacionario? En realidad no. Existe un elemento adicional a considerar si deseamos evaluar la estacionariedad de una serie: la posibilidad de que la serie en cuestin exhiba un quiebre estructural. A diferencia del tipo de quiebre estructural que exploramos en el Captulo 5 (donde se analiz un cambio en la funcin que relaciona a la dependiente con un conjunto de regresores), en este caso nos interesa evaluar la presencia de un cambio en alguno de los elementos determinsticos que caracterizan a la serie: el intercepto y/o la tendencia. Ntese que la presencia de un cambio en alguno de estos componentes puede llevar a concluir que la serie no es estacionaria; es decir, la presencia de un quiebre llevara a que en la prueba de

Econometra aplicada Dickey-Fuller se acepte la hiptesis nula13 . Sin embargo, esto no es correcto puesto que la serie presenta (si es estacionaria) un comportamiento fluctuante alrededor de su media o tendencia antes y despus del perodo de quiebre y, por lo tanto, es predecible, pero considerando el nuevo nivel para la media o tendencia. Consideremos dos procesos estacionarios pero con quiebre estructural; el primero en intercepto y el segundo en pendiente.

WORKFILE Quiebre_estructural u 100 'Partimos de dos PGDs distintos SMPL 1 1 GENR y1 = NRND GENR y2 = NRND SMPL 2 45 GENR y1 = 2.5 + 0.55*y1(-1) + NRND*3 GENR y2 = 1.75 + 0.75*@TREND(1) - 0.25*y2(-1) + NRND*8 SMPL 46 100 GENR y1 = 5.5 + 0.55*y1(-1) + NRND*3 GENR y2 = 5.5 + 1.55*@TREND(1) - 0.25*y2(-1) + NRND*8 SMPL @ALL

G RFICO 9.6 RAZ UNITARIA O QUIEBRE ESTRUCTURAL?

25 20

160

120 15 80 10 5 0 -5 10 20 30 40 50 60 70 80 90 100 Y1 40

-40 10 20 30 40 50 60 70 80 90 100 Y2

Apliquemos ahora el Programa 9.1 a las dos series generadas:

De hecho, y tal como se muestra en el grfico siguiente, existe cierta equivalencia observacional entre una serie con quiebre y el tpico patrn que se asocia a la presencia de una raz unitaria.
13

Econometra aplicada

4 Reporte para Y1
Resultado de la prueba ADF secuencial Serie analizada Y1 No. de rezagos 2 La serie tiene raz unitaria ADF sin elementos determinsticos

4 Reporte para Y2
Resultado de la p rueba ADF secuencial Serie analizada Y2 No. de rezagos 2 La serie es explosiva ADF sin elementos determinsticos

Los reportes anteriores revelan cmo los resultados de la prueba de Dickey-Fuller se distorsionan frente a la presencia de un quiebre estructural en la serie analizada. Al respecto, y para incorporar dentro de la evaluacin de estacionariedad la posibilidad de quiebre estructural, Zivot y Andrews14 construyeron un test que contempla esta situacin. En general, esta prueba evala la presencia de raz unitaria (para lo que la intuicin detrs del test de Dickey-Fuller se mantiene) a la vez que considera la posibilidad de que la serie en cuestin presente un quiebre en intercepto (Modelo A), tendencia (Modelo B) o ambos (Modelo C). Por lo mismo, podemos especificar las ecuaciones de la prueba de la siguiente manera: Modelo A:
A A A A D( Yt ) = A 0 + 1 Yt 1 + 2 t + i D( Yt i ) + 1 DU t + t i =1 k k

Modelo B:
B B B B D( Yt ) = B 0 + 1 Yt 1 + 2 t + i D(Yt i ) + 2 DTt + t i=1 k

Modelo C:
C C C C C D( Yt ) = C 0 + 1 Yt 1 + 2 t + i D(Yt i ) + 1 DU t + 2 DTt + t i =1

donde DUt = 1 si t > t quiebre , 0 de o.m. y DTt = t t quiebre si t > t quiebre , 0 de o.m. Esta prueba evala la hiptesis nula de no estacionariedad (Ho : 1 = 0 ) versus la hiptesis alterna de que la serie analizada es estacionaria y presenta un quiebre. Tal como se desprende de las ecuaciones anteriores, la posibilidad de que la serie exhiba un quiebre es incorporada a travs de la inclusin de las variables dummy DUt (intercepto) y DTt (tendencia). Al igual que en la prueba de Dickey-Fuller, la idea es evaluar la significancia del coeficiente que acompaa al primer rezago ( 1 ) pero en el momento ms probable de un quiebre; esto es, cuando alguno de los parmetros asociados a las variables dummy es significativamente distinto de cero. Para esto, Zivot y Andrews computaron los valores crticos pertinentes para dicho contraste (Ho : 1 = 0 ) para cada uno de los tres modelos descritos.

Zivot, Eric y Donald Andrews, Further Evidence on the Great Crash, the Oil-Price Shock, and the Unit Root Hiptesis , Journal of Business & Economic Statiscs, Julio 1992, Vol. 10 No. 3.
14

Econometra aplicada El lector habr notado que es necesario determinar cul es la fecha ms probable de quiebre para proceder a construir las variables dummy del caso. Por lo mismo, resulta conveniente desarrollar un programa capaz de ejecutar la prueba considerando todas las posibles fechas de quiebre; esto es, un programa que verifique la significancia de 1 de manera recursiva introduciendo dummys que se activan en una fecha distinta para cada evaluacin.

Tal como se aprecia a continuacin, el Programa 9.2 incluye dos niveles de evaluacin. El primero se refiere a la verificacin de la hiptesis nula de no estacionariedad. Para esto, se registran los estadsticos-t asociados a 1 para cada uno de los tres modelos 15 y, sobre la base de los grficos generados, se comparan con los valores crticos del caso. As, el grfico ZA_Nombre de la serie indica la evolucin de dicho estadstico-t mientras se modifica la fecha de activacin de las variables dummy , de modo que sea posible compararlo con el valor crtico asociado a cada tipo de modelo. Como siempre, si el estadstico calculado resulta menor al crtico (en valor absoluto), se acepta la hiptesis nula para el nivel de significancia dado16 . El segundo nivel de anlisis es til cuando los resultados indican que se rechaza la hiptesis nula; esto es, cuando se concluye que la serie es estacionaria y presenta un quiebre. Para esto, se construye una tabla (Reporte) donde se indica la fecha ms probable de quiebre asociada a cada uno de los tres modelos. La eleccin de esta fecha se basa en identificar aquella especificacin (aquella forma para las variables dummy introducidas) que arroje el mayor estadstico F. Cada modelo tendr asociado un estadstico F mximo de modo que, luego de verificar cul de estos tres estadsticos es el mayor, en la tabla Reporte se sugerir cul de los tres modelos es el ms indicado. Con esta informacin, el usuario puede proceder a crear la variable(s) dummy del caso y a limpiar la serie del quiebre, utilizando el modelo ms apropiado. En definitiva, la tabla Reporte ayuda a identificar la fecha ms probable de quiebre y a determinar si este ocurre en intercepto, en tendencia o en ambos. Con esto en mente, pasemos ahora a explorar la estructura del programa propuesto.

PROGRAMA 9.2 APLICACIN RECURSIVA DEL TEST DE ZIVOT Y ANDREWS

'========================================================== 'Programa para la aplicacin recursiva del test de Zivot y 'Andrews '========================================================== 'USO: ' Programa para ser ejecutado en un workfile ' "undated". ' El nombre de la serie por analizar deber pasarse ' como el primer argumento del programa (%0). ' Es necesario elegir un nivel de holgura apropiado ' para la generacin de las dummys (!Hol) y el ' nmero mximo de rezagos para iniciar la ' ecuacin del test (!Rez). '==========================================================

'Inicializacin de variables y objetos '========================================================== 'Nivel de holgura !Hol = 10

Ntese que el programa busca la mejor representacin autorregresiva del test (sobre la base del estadstico t asociado a cada rezago) antes de proceder a registrar el estadstico en la serie respectiva. 1 6 Los valores crticos incluidos corresponden a un nivel de significancia del 5%.
15

Econometra aplicada

'Nmero mximo de rezagos !Rez = 6 GENR _Serie=%0 GENR _Dserie = d(%0) 'Estas series contendrn los estadsticos estimados para 'cada fecha tentativa de quiebre GENR _ZivotA = 0 GENR _ZivotB = 0 GENR _ZivotC = 0 'Estas series contienen los valores crticos de Zivot y 'Andrews para cada tipo de modelo (alpha = 5%) GENR _VcritA = -4.80 GENR _VcritB = -4.42 GENR _VcritC = -5.08 GROUP _M_A _ZivotA _VcritA GROUP _M_B _ZivotB _VcritB GROUP _M_C _ZivotC _VcritC !Obs = @OBS(_Serie) !Fin = !Obs-!Hol 'Elementos para la eleccin del tipo de modelo ptimo !FMaxA = 0 !FMaxB = 0 !FMaxC = 0 VECTOR(3) _Evaluacion = 0 EQUATION EQUATION EQUATION EQUATION _Model_A _Model_B _Model_C _Temp

TABLE(8,2) Reporte_%0 SETCOLWIDTH(Reporte_%0,1,15) SETCOLWIDTH(Reporte_%0,2,30) SETCELL(Reporte_%0,1,1,"Resultados de la prueba F") SETCELL(Reporte_%0,2,1,"Serie analizada") SETCELL(Reporte_%0,2,2,%0,"l") SETLINE(Reporte_%0,3) SETLINE(Reporte_%0,8) SETCELL(Reporte_%0,4,1,"Modelo A","c") SETCELL(Reporte_%0,5,1,"Modelo B","c") SETCELL(Reporte_%0,6,1,"Modelo C","c") SETCELL(Reporte_%0,7,1,"Mejor Modelo","c") %Resp = "El quiebre est en el perodo "

'ALGORITMO DE BSQUEDA '============================================= FOR !i = !Hol to !Fin 'Generacin de dummies GENR _Dum = 0 SMPL !i !Obs GENR _Dum = 1

Econometra aplicada

SMPL @ALL GENR _Dut = @TREND*_Dum

'Evaluacin del Modelo C '====================================================== _Temp.LS _Serie c @TREND(1) _Dum _Dut IF _Temp.@F > !FMaxC THEN !FMaxC = _Temp.@F SETCELL(Reporte_%0,6,2,%Resp + @str(!i-1),"l") ENDIF GROUP _Rezagos _Dserie(-1 to -!Rez) !ultimo_r = 5 + !Rez !r = -!Rez FOR !j = !ultimo_r to 6 step -1 _Model_C.LS _Dserie c _Serie(-1) @TREND(1) _Dum _Dut _Rezagos IF @TDIST(@TSTAT(!j),@REGOBS-@NCOEF)<= 0.05 THEN _ZivotC(!i) = @TSTAT(2) EXITLOOP ELSE _Rezagos.DROP _DSerie(!r) !r = !r+1 ENDIF NEXT IF !r = 0 THEN _Model_C.LS _Dserie c _Serie(-1) @TREND(1) _Dum _Dut _ZivotC(!i) = @TSTAT(2) ENDIF

'Evaluacin del Modelo B '================================================== _Temp.LS _Serie c @TREND(1) _Dut IF _Temp.@F > !FMaxB THEN !FMaxB = _Temp.@F SETCELL(Reporte_%0,5,2,%Resp + @str(!i-1),"l") ENDIF GROUP _Rezagos _Dserie(-1 to -!Rez) !ultimo_r = 4 + !Rez !r = -!Rez FOR !j = !ultimo_r to 5 step -1 _Model_B.LS _Dserie c _Serie(-1) @TREND(1) _Dut _Rezagos IF @TDIST(@TSTAT(!j),@REGOBS-@NCOEF)<= 0.05 THEN _ZivotB(!i) = @TSTAT(2) EXITLOOP ELSE _Rezagos.DROP _Dserie(!r) !r = !r+1 ENDIF NEXT IF !r = 0 THEN _Model_B.LS _Dserie c _Serie(-1) @TREND(1) _Dut _ZivotB(!i) = @TSTAT(2) ENDIF

Econometra aplicada

'Evaluacin del Modelo A '================================================== _Temp.LS _Serie c @TREND(1) _Dum IF _Temp.@F > !FMaxA THEN !FMaxA = _Temp.@F SETCELL(Reporte_%0,4,2,%Resp + @str(!i-1),"l") ENDIF GROUP _Rezagos _Dserie(-1 to -!Rez) !ultimo_r = 4 + !Rez !r = -!Rez FOR !j = !ultimo_r to 5 step -1 _Model_A.LS _Dserie c _Serie(-1) @TREND(1) _Dum _Rezagos IF @TDIST(@TSTAT(!j),@REGOBS-@NCOEF)<= 0.05 THEN _ZivotA(!i) = @TSTAT(2) EXITLOOP ELSE _Rezagos.DROP _DSerie(!r) !r = !r+1 ENDIF NEXT IF !r = 0 THEN _Model_A.LS _Dserie c _Serie(-1) @TREND(1) _Dum _ZivotA(!i) = @TSTAT(2) ENDIF

NEXT '========================================================== _Evaluacion(1) = !FMaxA _Evaluacion(2) = !FMaxB _Evaluacion(3) = !FMaxC !Maximo = @MAX(_Evaluacion) FOR !i = 1 to 3 IF _Evaluacion(!i) = !Maximo THEN SETCELL(Reporte_%0,7,2,!i,0,"l") ENDIF NEXT SMPL !Hol !Fin GRAPH GRAPH GRAPH GRAPH _Resultado_A.line _M_A _Resultado_B.line _M_B _Resultado_C.line _M_C ZA_%0.MERGE _Resultado_A _Resultado_B _Resultado_C

SMPL @ALL '============================================= 'Eliminamos elementos temporales D _* 'Fin del programa

Econometra aplicada

4 Resultados del Programa 9.2 para la serie Y1

-4.0

-4.0 -4.2 -4.4

-4.5

-5.0 -4.6 -5.5 -4.8 -6.0 -5.0 -5.2 10

-6.5 10

20

30

40

50

60

70

80

90

20

30

40 _ZIVOTB

50

60

70

80

90

_ZIVOTA

_VCRITA

_VCRITB

-4.0

-4.5

-5.0

-5.5

-6.0

-6.5 10

20

30

40

50

60

70

80

90

_ZIVOTC

_VCRITC

Los resultados anteriores revelan que para la serie Y1 se rechaza la hiptesis nula de no estacionariedad a favor de la hiptesis alterna de estacionariedad con quiebre. Para los tres modelos, se verifica la presencia de ms de una fecha tentativa de quiebre para la cual el estadstico calculado resulta mayor al crtico, en valor absoluto. No debe extraarnos que el perodo asociado al mayor estadstico calculado (en valor absoluto) coincida con la fecha ms probable de quiebre; verifiquemos esto ltimo a partir de la tabla Reporte generada: Resultados de la prueba F Serie analizada Y1 Modelo A El quiebre est en el perodo 46 Modelo B El quiebre est en el perodo 45 Modelo C El quiebre est en el perodo 46 Mejor Modelo 1 Entre los tres estadsticos F mximos, el mayor corresponde al del Modelo A. Por lo mismo, es de esperar que el quiebre se encuentre alrededor del perodo 46 y que este est presente slo en el intercepto de la serie (consistente con la forma que adopta el Modelo A). El investigador riguroso procedera a construir una variable dummy que adopte el valor de 1 a partir del perodo 47 y la aplicara al intercepto de una regresin de Y1 sobre una constante. Los residuos de esta regresin corresponderan a la serie Y1 limpia de quiebre estructural17 . GENR Dummy1 = 0 SMPL 47 100 GENR Dummy1 = 1 SMPL @ALL LS Y1 C Dummy1
Podemos dar un paso adicional y aplicar la prueba ADF a esta serie de residuos. Debido a que sta corresponde la serie limpia de quiebre, debemos esperar que en dicha prueba se rechace la hiptesis nula de no estacionariedad.
17

Econometra aplicada 4 Serie verdadera, predicha y residuos de la regresin anterior

25 20 15 10 10 5 0 -5 -10 10 20 30 40 50 60 Actual 70 80 90 100 5 0 -5

Residual

Fitted

Tal como se aprecia en el grfico anterior, los residuos de una regresin de Y1 sobre un intercepto y una dummy que adopta el valor de uno a partir del perodo 47 constituiran la serie Y1 limpia de quiebre estructural. Antes de explorar los resultados para la serie Y2, es factible adelantar que en este caso se rechazar tambin la hiptesis nula de no estacionariedad y que el mejor modelo ser el Modelo B (quiebre en tendencia); acorde con los procesos generadores presentados al inicio de este acpite. 4 Resultados del Programa 9.2 para la serie Y2
0 -1 -2 -3 -4 -8 -5 -6 -7 10 20 30 40 50 60 70 80 90 -10 -12 -14 10 20 30 40 50 60 70 80 90 2 0 -2 -4 -6

ZIVOTA

VCRITA

ZIVOTB

VCRITB

2 0 -2 -4 -6 -8 -10 -12 -14 10 20 30 40 50 60 70 80 90

ZIVOTC

VCRITC

Econometra aplicada

Resultados de la Serie analizada Modelo A Modelo B Modelo C Mejor Modelo

prueba F Y2 El quiebre est en el perodo 45 El quiebre est en el perodo 45 El quiebre est en el perodo 45 2

En efecto, no se puede rechazar que la serie sea estacionaria con quiebre (segn los resultados grficos) y la mejor especificacin para la ecuacin del test es aquella que slo considera la presencia de un quiebre en tendencia (Modelo B) en el perodo 45. Por lo mismo, y al igual que el caso anterior, la obtencin de una serie limpia de quiebre pasa por capturar los residuos de una regresin de la variable Y2 sobre un intercepto, una tendencia y una dummy aplicada a dicha tendencia que adopta el valor de 1 a partir del perodo 46.

GENR Dummy2 = 0 SMPL 46 100 GENR Dummy2 = 1 SMPL @ALL LS Y1 C @TREND(1) @TREND(1)*Dummy2

4 Serie verdadera, predicha y residuos de la regresin anterior

150 100 50 20 10 0 -10 -20 -30 10 20 30 40 50 60 Actual 70 80 90 100 -50 0

Residual

Fitted

9.7. Qu hacer bajo la presencia de una raz unitaria?

Hasta el momento hemos considerado un conjunto de pruebas que nos permiten determinar si las series de tiempo involucradas en nuestro anlisis presentan o no un comportamiento estacionario. Tal como se indic al inicio de este captulo, de verificarse el carcter estacionario de nuestras series, es factible proceder con el anlisis economtrico clsico (aquel descrito en buena parte de este libro). Ahora bien, qu hacer si no es factible verificar esto ltimo? Es decir, qu debemos hacer si luego de explorar la evolucin de las series y sus correlogramas y de aplicar la prueba de Dickey-Fuller y de Zivot y Andrews no es posible concluir que las series en cuestin son estacionarias? Si revisamos el Grfico 9.4 notaremos que estamos frente a dos alternativas: la posibilidad de que la ecuacin de regresin que vincula nuestras series sea una regresin esprea o una

Econometra aplicada ecuacin de cointegracin. Al respecto, cabe aclarar que para que la segunda opcin sea vlida todas las series involucradas en dicha ecuacin deben ser integradas de orden uno: I(1). Exploremos cmo lidiar empricamente con estas posibilidades a partir del ejemplo del acpite 9.3.1; a saber, aquel donde se evala la posibilidad de que las tasas de inters de corto (r St) y largo plazo (rLt) presenten una relacin estable (es decir, cointegren). Para esto, supongamos que ambas series han sido sometidas a las pruebas antes vistas y es posible concluir que ambas son procesos integrados de primer orden. Como sabemos, esto implica que no es posible rechazar la hiptesis nula de existencia de raz unitaria si evaluamos la serie en niveles y que, por el contrario, no es posible aceptar dicha hiptesis al momento de evaluar la serie en diferencias (la primera diferencia de cada serie es estacionaria). Partamos de nuestra candidata para ecuacin de cointegracin: rLt = 0 + rSt 1 + t

Dependent Variable: RLP Method: Least Squares Sample: 1 500 Included observations: 500 Variable C RCP R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 4.008425 1.191578 0.964927 0.964857 1.745225 1516.813 -986.9090 0.965023 Std. Error 0.080025 0.010180 t-Statistic 50.08996 117.0511 Prob. 0.0000 0.0000 6.076969 9.309564 3.955636 3.972494 13700.96 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

De qu depende la posibilidad de que esta ecuacin sea una regresin esprea o una ecuacin de cointegracin? Tal como referimos al tratar este tema, esto depende de la naturaleza estacionaria de los residuos de esta ecuacin 18 . As, si es que es posible determinar que los errores de esta ecuacin son estacionarios, estaremos frente a un vector de cointegracin; de lo contrario, se tratar de una regresin esprea. Antes de formalizar esto ltimo, podemos revisar el R-cuadrado y el estadstico de Durbin Watson en busca de evidencia de primera mano. En nuestro caso, el R-cuadrado resulta bastante elevado pero el estadstico DW no es cercano a dos, por lo mismo, estos indicadores no nos hablan acerca de la existencia de una regresin esprea. Formalicemos ahora s nuestros resultados aplicando la prueba de Dickey-Fuller secuencial a los residuos de la ecuacin anterior (para esto, se ha creado la serie Error).

ADF Test Statistic

-9.683483

1% Critical Value* 5% Critical Value 10% Critical Value

-3.9809 -3.4208 -3.1328

*MacKinnon critical values for rejection of hypothesis of a unit root.

No hay ms que decir, los residuos son estacionarios. Por lo mismo, la ecuacin anterior es nuestra ecuacin de cointegracin; es decir, la representacin de la existencia de una relacin estable de largo plazo entre las series analizadas. Tal como se indic anteriormente, no hay ms evidencia por extraer de esta ecuacin; en particular, no es factible hablar de causalidad ni de inferencia.

18

Si el lector no recuerda bien a qu se debe esto ltimo, puede revisar el acpite 9.3.

Econometra aplicada Ahora bien, si dos o ms series cointegran stas admiten una representacin de corto plazo: el modelo de correccin de errores del que hablamos anteriormente. As, la posibilidad de encontrar dicho modelo ser la prueba final de que las series en cuestin cointegran. As, en la especificacin:

rLt = (rLt1 rSt 1 ) + rLt i + rSt j + t

i =1 j=1

(9.21)

debe verificarse la significancia y signo negativo del coeficiente que acompaa al rezago del error de la ecuacin de cointegracin ( ) . Debido a que en esta especificacin todas las variables son estacionarias, la evaluacin economtrica tradicional es aplicable. As, la significancia de dicho coeficiente podr realizarse con el estadstico-t clsico y el investigador podr aplicar las tcnicas conocidas para determinar la estructura ptima de rezagos (p y q) a incluir en esta ecuacin (significancia individual, criterios de Akaike y Schwarz, etc.).

Dependent Variable: D(RLP) Method: Least Squares Sample(adjusted): 4 500 Included observations: 497 after adjusting endpoints Variable ERROR(-1) D(RLP(-1)) D(RCP(-1)) D(RCP(-2)) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient -0.545726 0.405082 -0.210506 0.217651 0.729113 0.727465 0.667301 219.5283 -502.1610 Std. Error 0.030826 0.026495 0.048597 0.042848 t-Statistic -17.70326 15.28908 -4.331708 5.079650 Prob. 0.0000 0.0000 0.0000 0.0000 0.003772 1.278235 2.036865 2.070737 1.760898

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

Los resultados anteriores revelan que, efectivamente, las dos series analizadas cointegran: el coeficiente asociado al rezago del error es significativo y negativo. Cmo leemos esto? Por cada unidad que la tasa de largo plazo se desve de la de corto plazo, al perodo siguiente esta desviacin se corregir en poco ms de la mitad, garantizado as la presencia de una relacin estable de largo plazo entre ambas series. Por ejemplo, si la tasa de largo plazo experimenta un shock positivo en el perodo t (de modo que el error de la ecuacin de cointegracin es positivo en dicho perodo), el modelo de correccin de errores predice que poco ms de la mitad de dicho shock ser corregido en t+1. Tal como lo indica el signo y causalidad de la ecuacin anterior, la correccin implica que la tasa de largo plazo caer en t+1. Si bien el ejemplo anterior considera el caso ms sencillo (cointegracin bivariada19 ), es factible extender su intuicin para el anlisis que involucra a ms de dos variables (garantizando siempre que todas las series involucradas sean I(1)). No obstante lo anterior, vale la pena mencionar que existen pruebas ms apropiadas para lidiar con el anlisis de cointegracin multivariado; entre ellas, podemos mencionar la metodologa de Johansen 20 . Antes de concluir el captulo, vale la pena atender dos ltimas interrogantes: (i) Qu hacer si el error de la ecuacin de cointegracin no es estacionario? (ii) Qu hacer si solo algunas de las series de las que dispongo son I(1)?

Tambin conocida como la metodologa de Engle-Granger. La explicacin de esta prueba escapa a los alcances de este texto. El lector interesado en revisarla puede consultar el texto Enders, Walter, Applied Econometric Time Series, Wiley Series in Probability and Mathematical Statistics, 1995.
19 20

Econometra aplicada En el primer caso, y tal como se indic en el Grfico 9.4, ser necesario diferenciar las series de modo que sea factible utilizar el anlisis economtrico clsico; si trabajamos con las series en niveles obtendremos una regresin esprea. Para responder la segunda interrogante supongamos: a) Que se dispone de tres series y slo dos de ellas son I(1); adems, supongamos que stas cointegran. La tercera variable es I(0). En este caso, es factible reservar la serie estacionaria en niveles e incluirla en el modelo de correccin de errores. Recordemos que todas las series involucradas en este modelo son estacionarias y que los mtodos economtricos clsicos son aplicables. b) Que se dispone de tres series y slo una de ellas es I(1). Las otras dos son I(0). Queda claro que en este caso no es posible proceder con el anlisis de cointegracin (por lo menos debemos disponer de dos series I(1)). Por lo mismo la respuesta es obvia: diferenciar la serie no estacionaria y regresar al Captulo 2 de este libro.