Академический Документы
Профессиональный Документы
Культура Документы
RESUMEN
En este trabajo se propone un procedimiento de contraste de integracin en las frecuencias estacionales correspondientes a datos observados con periodicidad semanal. EI contraste obtenido est^ basado en el procedimiento desarrollado por Hylleberg, Engle, Granger y
Yoo (1990) para datos trimestrales. Finalmente, se obtienen las distribuciones empricas de las tests de raz unitaria en las distintas frecuencias estacionales semanales.
Palabras clave: estacionalidad, races unitarias, datos semanales.
Clasificacic5n AMS: 6^P20.
INTRC^DUCCION
Por supuesto, si se dispone de datos diarios se consigue una precisin an mayor, pero tambin se presentan algunos inconvenientes. Por un lado, si consideramos los 365 das del ao como estadios estacionales diferenciados, ei aniisis de
ia estacionaiidad puede ser un problema de tratamiento extraordinariamente complejo. Por otro, y siguiendo con el ejemplo anterior, la periodicidad semanal puede
ser m^s operativa para registrar la evolucin de las exportaciones(3). Buena prueba
En este misrno sentido, Noguera 11996} advierte que la agregacin temporal puede
(2}
distorsionar la dinmica de !as relaciones de causalidad entre precios a la produccin y
precios al consumo en determinados productos agrarios, provocando una aparente causalidad instantnea.
Tnganse en cuenta cuestianes tales como el tiempo de transporte maritimo -habi(3)
tualmente empleado en la exportacin agraria a grandes distancias o bien en la efectuada
desde territorios insulares-, que sgnifca varios das desde que el praducto sale del puerto
de origen hasta que Ilega al puerto de destino.
de ello es que es sta la periodicidad con que muchas asociaciones de exportadores suelen registrar sus envos al exterior(4). Esta ltima circunstancia indica que la
semana es un perodo de tiempo que los agentes econmicos consideran adecuado para percibir las reacciones del mercado y poder actuar en consecuencia.
As pues, especialmente en el mbito agrario, las series semanales son imprescindibies para poder conocer con cierta precisin las leyes que rigen el funcionamiento de los mercados. Pero tambin en contex#os no agrarias los datos semanales pueden ser necesarios para alcanzar un conocimiento ms exacto de ciertos
procesos dinmicos, que quedaran ocultas con un nivel de agregacin temporal
superior.
De ah que, a pesar de ias dificultades, pueda ser conveniente utilizar este tipo
de datos en determinados trabajos aplicados. Pues bien, supongamos que hemos
superado el obstculo de las disponibilidades estadsticas y tenernos series semanales. ^cmo abordar ahora el estudio de la estacionalidad presente en esas
series?
Una definicin formal, desde el punto de vista estadstico, de estacionalidad,
puede abtenerse utilizando algunos conceptos del anlisis espectral, que permite
descomponer la variabilidad en el tiernpo de una serie en una suma de movimientos
cclicos de diferente perodo y frecuencia. Las frecuencias estacionales son las
correspondientes a todos los ciclos de perodo inferior al ao que pueden observarse con un nmero dado de observaciones por ao(5).
Se dice que el proceso {X^} es un proceso con componente estacional, si la funcin de densidad espectral(6) tiene picos alrededor de las frecuencias estaciona-
(4)
Sea {X,} un proceso estocstico con funcin de densidad espectral f(c^^). Si se divide
(5)
el ao en s unidades de tiempo -en general, s es el nmero de unidades de tiempo en el que
se considera que se completa la fluctuacin estacional-, en cada una de las cuales se tiene
una observacin del proceso, se definen las frecuencias estacionales como: a) en radianes
por unidad de tiempo: ()^
2n
s
1. ^
E)^
1,2,
, siendo
^
s'^ - 1,2,... ^
S la parte entera de S; b) en
2
2
s
2
Ntese que el ciclo ms pequeo observable es de dos unidades de tiempo, que corresponden a un ciclo de frecuencia Oy = n, o bien, f^ = 1/2. As, si la unidad de tiempo considerada
es la semana ser posible detectar ciclos de dos semanas, mientras que estos ciclos no
sern observables con datos mensuales.
Si el proceso no es estacionario, puede considerarse la estimacin del pseudoespec(fi)
tro como sustituto de la funcin de densidad espectral. Vase Priestley (1981, 1991).
1^?
St = ^ a ^p^
^^ l
siendo
1, t= i, i+ s, i+ 2s, ...
0 , resto
(71
(81
St - ^A; cs
^^
2nit
+E); , t = 1,...,T ,
es decir, como suma de mavimientas cclicos asociadas a cada una de las frecuencias
estacinales.
143
Pero en diversos trabajos se ha incidido en el hecho de que las variaciones estacionales no son tan reguiares como habitualmente se supone(g). Tambin existen
fluctuaciones estacionales aleatorias a estocsticas, sin una aparente interpretacin tan clara, pero tan importantes como las anteriores y difcilmente separables
de stas(10). Estas fluctuaciones no son exgenas al comportamiento de la serie
estudiada, sino que la magnitud de la variacin estacional se determina endgenamente como funcin del valor de dicha serie, y es, por lo tanto, variable. Pueden
modelizarse mediante los tradicionales modelos ARIMA estacionales de Box y
Jenkins (1976):
^(B>Xt = E t
[3]
aplcacin de este filtro significa una especificac^n errnea, como destacan Beaulieu y Miron (1993)(14}.
Los problemas aparejados a la aplicacin de las diferencias regular y/o estaciana! cuando no son necesarias(^ 5), justifican la aparicin de contrastes que permiten
detectar si se est incurriendo o no en sobrediferenciacin. En esta lnea, algunos
autores, sin Ilegar at autamatisma de la metadologa Box-Jenkins, tratan este tipo
de estacionalidad siguiendo un esquema bastante rgido, en la medida en que no
consideran que dentro de un perodo estacional - mecnicamente determinado por
el tipo de datos, es decir, 4 si los datos son trimestrales, 12 si son mensuaies, 52 si
son semanales(^ 6), ...- pueden superponerse varios ciclos estacionales de perodo
inferior al ao. ste es el caso del contraste de sobrediferenciacin de Dickey,
Hasza y Fuller {1984}, asi como el de Franses {1991 a), que proponen procedimientos para decidir entre la aplicacin o no de la diferencia estacional en datos
trimestrales y mensuales, respectivamente.
Sin embargo, la modelizacin de la estacionalidad estocstica no estacionaria
debe ser ms flexible y no estar limitada a elegir entre dos opciones: aplicacin o
no del filtro diferencia estacional. La pasibilidad de que la estacionalidad estocstca no estacionaria sea modelizada correctamente con un subconjunto de !as raices
unitarias posibles, es recogida en el procedimiento desarrollado por Hylleberg,
Engle, Granger y Yoo ( 1990} para datos trimestrales, y extendida por Franses
(1990, 1991 a) y Beaulieu y Miron (1993} al caso mensual. Sin embargo, i as series
semanales no han recibido el mismo trato, a pesar de que, en nuestra opinin,
estas series resu'ltan de indudable inters en algunos casos.
(14) La evidencia emprica encontrada por Beaulieu y Miron (1993) para series macroeconmicas apunta que las races unitarias estn a menudo ausentes en algunas o todas las
frecuencias estacionales.
(15) Bodo y Signorini (1987), Engle y otros (1989}, Hylleberg y otros (1994), Franses
{1991a, 1991b, 1991c), Abeysinghe (1991), Sans (1996).
(16) A lo largo de un ao no existen exactamente 52 semanas, por la que una semana de
un ao y la misma semana del ao siguiente no recogen exactamente el mismo perodo del
ao. Este hecho motiva que en determinados aos puedan incluirse observaciones correspondientes a 53 semanas. EI estudio de los ciclos estacionales se ve afectado por este
problema de heterogeneidad, que puede atenuarse de formas dstintas segn el caso. Por
ejemplo, en series agrarias puede ser posible eliminar una de las semanas correspondientes
al perodo sin cosecha en aquellos aos en los que aparezcan 53 semanas. Es cierto que esto
no resuelve del todo el prob(ema de heterogeneidad; pero, de todas formas, para el agente
econmico que realiza la comparacin entre una semana de un ao y la misma semana o la
anterior o posterior de otro ao, sta puede ser una comparacin ms vlida que si se
compara todo un mes de dos aos diferentes, ya que, quizs, dentro de esos dos meses
haya ms perodos heterogneos que en las dos semanas comparadas.
La metodologa que se propone en este artculo circunscribe su mbito de apiicacin a
aquellos casos en os que sea factible obtener 52 observaciones por ao. De hecho, muchos
organismos estadsticos internacionales registran 52 observaciones semanales cada ao.
ste es el caso de los institutos de precios agrarios europeos -por ejemplo, Zentrale Markt
und Preisberichtsteiie en A,lemania-.
(()!^' I^K:^SI f^ 1)f^. K-11(^f^^5 l"til 1^-^Kt-^ti E^^ l?^^^^[t)S ti^ ^1^^ti^^t t^
Tngase en cuenta que la periodicidad de las observaciones disponibles determina la variacin estacional obsenrable de frecuencia mxima(17). Por otro lado, la
agregacin temporal puede conducir a interpretaciones errneas de los componentes y relaciones a largo plazo entre series(^ 8). Dicha agregacin puede ser la
causa de la aparicin de races unitarias en la frecuencia cero para series que en
realidad presentan integracin en aiguna de las frecuencias estacionales. Del
mismo mado, pueden aparecer relaciones de cointegracin en la frecuencia cero
entre una serie con raz unitaria en !a frecuencia cero y otra con raz untaria en
alguna frecuencia estacional. Por estas razones, en el anlisis de la estacionalidad
puede ser adecuado considerar las variaciones semanales.
Contrastes como el de Ahtola y Tiao (1987a, 1987b) pueden emplearse para
estudiar el orden de ntegracin en determinadas frecuencias estacionales. Las
superficies de respuesta ajustadas por Sans (1996) permiten efectuar este contraste para cualquier frecuencia estacional y cualquier tamao muestral. Los resultados de estos contrastes deben ser similares a los obtenidos por aquellos otros
que contrastan simultneamente la integracin en cada una de las frecuencias
estacionales posibles para un proceso con una periodicidad dada, al menos para
muestras grandes, si tenemos en cuenta que en estos ltimos contrastes las variables auxiliares son asintticamente incorreladas. Ahora bien, en muestras finitas no
siempre es equivalente contrastar por separado la presencia de integracin en cada
una de las frecuencias estacionales de inters o hacerlo de forma conjunta.
EI objetivo de este trabajo es desarrollar un procedimiento que permite contrastar
la existencia de integracin en las frecuencias estacionales correspondientes a datos
observados con periodicidad semanal a partir de las estimaciones obtenidas para
determinados coeficientes de una regresin lineal. Las distribuciones empricas de los
estadsticos de contraste se han obtenido mediante ejercicios de simulacin.
2.
2.1.
Supngase un proceso {Xt}, para el que se dispone de observaciones semanales y que puede presentar un comportamiento estacional estocstico no estacionario, y deseamos contrastar qu races unitarias estacionales deben emplearse para
modelizar correctamente dicho comportamiento; es decir, pretendemos conocer si
el proceso est integrado estacionalmente y en qu frecuencias. De este modo,
ser posible decidir si la aplicacin de un filtro distinto de la diferencia anuai es
suficiente para conseguir la estacionariedad.
Supngase que se dispone de 52 observaciones por ao del proceso {Xt}, que
sigue un esquema AR del tipo:
(17) Vase efecto aliasing^ en Priestley (1981, 1991). Vase tambin nota 5.
(18) Granger y Siklos (1995>.
^(BjXx = ^t , ^^ ^t ^^ -^ i. i. d.^^` ^^ ^^
[^1
Si resulta que
B52
[5]
entonces, cU(B) posee 52 races de mdulo unitario definidas como las 52 races
reales y complejas de ^(vase cuadro 1). Estas races son: r^=1, r2=-1, y 25 pares
de races complejas conjugadas (rk ,, rk,2), k=3, ...,27, definidas como:
rk ^= cos(8k )+ i sen(8k ^
rk,2 = cos(8k } - i sen{8k ^
siendo 8k =
2^ k - 2} ^r
52
[6]
, k= 3,4, .. .,27 .
[7]
B2^Xt
I^7
= Et
E^,/2 n
2 n/E^;
0
1l2
1 /52
1126
3/52
2/26
5/52
2 (26)
52 (1)
26 (2)
52/3 (3)
13 (4)
rg,2=cos(3n/13)-isen(3n/13}
r9,2=cos(7^/26)-isen(7n/26}
r1d,2=cos(4n/13}-isen(4n/13)
r^ ^,2=cos(9n/26)-isen(9n/26)
r12,2=cos(5n/13)-isen(5n/13)
r^ 3,2=cos(11 n/26)-isen(11 n/26)
r14,2=cos(6n/13}-isen(6n/13)
r15,2=-i
3I26
7/52
4/26
9/52
5/26
11 /52
6/26
26/3 (6)
52/7 (7)
26/4 (8)
52/9 (9)
26/5 (10)
52/ 11 (11)
26/6 (12)
1/4
4 (13)
r^^,2=cos(7n/13}-isen(7n/13)
r^ 7,2=cos(15n/26}-isen(15n/26)
r^$,2=cos(8n/13}-isen(8n/13)
r^^,2=cos(17n/26}-isen(17^/26}
r2^,2=cos(9n/13)-isen(9n/13)
r21,2=cos(19n/26}-isen(19n/26)
7I26
15/52
8/26
17/52
9/26
19/52
26/7 (14)
52/15 (15)
26/8 (16)
52/ 17 (17)
26/9 (18)
52/ 19 (19)
10/26
26/10 (20)
21 /52
11 /26
23/52
12/26
25/52
52/21
26/ 11
52/23
26/ 12
52/25
r^=1
r2=-1
r3, ^=cos(n/26)+isen(n/26);
ra, ^=cos(n/13)+isen(n/13);
r5, ^ =cos(3n/26)+isen (3n/26);
rs, ^=cos(2n/13)+isen(2n/13);
r^,,=cos(5n/26)+isen(5n/26);
r8,, =cos(3n/13)+isen(3n/13);
r^, ^ =cos(7n/26)+isen (7^/26);
r^o,^=cos(4n/13)+isen(4^/13);
r^^,^=cos(9n/26)+isen(9n/26);
r12, ^=cos(5n/13)+isen(5^/13);
r13,,=cos(11 ^/26)+isen(11 ^/26);
r,4,, =cos(6n/13)+isen(6^/13);
r^5,^=i ;
r16,,=cos(7n/13)+isen(7n113);
r17,,=cos(15^/26)+isen(15n126);
r^$,,=cos(8n/13)+isen(8n/13);
r19, ^ =cos(17n/26)+isen(17^/26);
r^^,^=cos(9n/13)+isen(9n/13);
r21,^=cos(19n/26)+isen(19n/26);
r3,2=cos(n/26)-isen(n/26)
r4,2=cos(n/13)-isen(n/13)
r5,2=cos(3n/26)-isen (3n/26)
rs,2=cos(2^c/13)-isen(2n/13)
r^,2=cos(5n/26)-isen(5^/26}
52/5 (5)
(21)
(22)
(23)
(24)
(25)
(21) La frecuencia, definida como el nmero de veces que se repite un ciclo por semana,
se representa por E^,/2n. EI perodo, definido como el nmero de semanas necesarias para
completar un ciclo viene dado por 2n/{)^. Tambin se indica, entre parntesis, los ciclos que
se completan cada ao.
E^^^^t>^ti i ic +^ f-tiw^^,r^^, a
I-iK
Airededor de estos comportamientos ciclicos, el procesa presenta el comportamiento propio de la presencia de races unitarias, caracterizado por varianzas cuya
evolucin describe tendencias lineales. En este sentido, contrastar qu races
unitarias est^n presentes permite detectar qu cicios dominan el comportamiento
estacional estocstico no estacionario del proceso.
2.2.
Procedimiento de contraste
t + ^.t
[9l
donde c^(B) es un polinomio con sus races fuera o sobre el crculo unidad, t
representa los companentes determinsticos y{^t} es un proceso ruido blanco. EI
proceso de contrastacin parte de la expresin del polinomio autorregresivo cp(B}
como funcin de las races de ( 1-B^2) ms otro polinomio adecuada. Sean r^ ,
j=1,2,k1,k2, k=3,4,...,27, las 52 raices de ( 1-B52), y definamos:
1B
^^ (B}
r^
cptr; }
^t^m^rm)
[10]
m^^
1152(B) _ ^t^^(B) _
1_g52
^ ^
r,^,^]
^-cB)
.^
donde c^ (B) es un polinamio adecuado(22)
t221 Este polinornio es el resto necesario para que se verifique la igualdad. Vase Hylle^erg y otros (1990i.
1^9
Por tanto:
052 cB)
`^cBy = ^ ^^ ^ cB^ c1- ^; cB>} + ^:. ^;^52 cB> -^- ^152 cB^^** cg> ^
^
+ ^**cg^
^52 (B)
;cB>
052 cB ^
_ ^1, ^
1-B
t1 - ^ - (B^^ + ^52 {B
'
Li52 (B)
27
052 ^B}
+^ ^k,^
k=3
C12^
27
^52^B^
c1
+ ^ %l.k 2
'
1^..^
k_3
fik^2^B^k,^^g%
k 2{g}^^k 1^^^ ^-
-+-L^52 cB>
1^ ^^ + ^**^B'
1
Adem^s
^k 1 ^1 - ^k 1 ^B^ ^Sk 2 ^B^ -i- %1,k,2 ^1 - C^k,21g^ ^C^k,1 \B^
_ ^.k 1(^k,2(B) - ^k,,cB)^k,2cB)) +
-^-%1,k,2^sk,1^^^ - ^k 2^B^^k,1^B^^
%
- ^1.k1 1-
1 1
B
rk,2
1
k,2
rk 1
1
k,1
i 1
^.. rk ,1
^l
B11 1-
rk,7
% ^
^32
^\
rk.2
[^3]
1 B 1_ 1 B
r^ 2
rk 1
g2
+ ^.k,2
1 B ^ 1 g2 rk 2
rk,1rk,2
B^
-^- ^1. k, 2
k,2
rk 1 rk 2
^k,1
+ ^k.2
rkrl
[14]
rk^2
Si Ilamamos
^1 ^ -^1
h2 ^ -^2
[15]
se tiene que
^^B, ^_^1 L^52(B B+ 7t2 Q52^B, B+
1+B
1-B
z^
+`'
05z^B^
+ z^
B?t k,1
k-3 ^k1^B^^k-2CBl
[16]
t^52^B^
^/ ^
k-3 ^k^1^B)^k^2tB>
B2^ k,2 + ^
52B*
^}^ B
^^
n1 =a^a., =o
^2-0^^,2=0
[17]
(k > 2)
t'( )!ti I R-^ti !'E^; [)E^. R^^It'E^:^, 1! ti^ T-^RI.a^ F ti T) ^ Ti )^ tiE- ti1 ^^ ^\1 F^ ti
+^ nk^i
BXt + n^.2
k=3
`^52^g^
B2 Xt +
[18^
Reordenando trminos
^*{8^^52^B^Xt = t + TL^ ^52C6> BXt - 7^2 ^52^B^ BXt -
1-B
1+B
27
^, 7tk ^
k=3
2
`^52 ^B}
BXt + TCk 2^
B Xt
^ k 1^8^^ k, 2^B^
d k 2^g^b k,1 ^B^
052 ^B^
+ Et
[19]
1-B t
Y2,t
^52 {B)
1+B Xt
052 ^B>
Yk.t
[20]
Xt ; k = 3,4, . . . ,2 7
Y28 t =
se obtiene
^*^B)(1 - B52^Xt = ^*^B^Y28 t ` t
n^Y^,t-^ + n2Y2,t-i +
27
+^^ [^k,1Yk,t-1 + ^k,2Yk,t-2, + Et
k=3
[2 ^ ]
I^?
p52
Y^t = ,[ ^ 8 X t = (1 + B + B2 + B^ + . . . +B^^ )X t
1
_ g52
1+B
i^ t = -(1 - B + B2 - B3+...-B5'^Xt
1 - B52
`(
[221
^1- 2 cos^ 8k ^B + B^ ^ `
Los procesos {Y },
t25) EI nivel de confianza del test es ( 1-cx), mientras que T^x, T^x,2, T,^12 y F,,x son los percentiles 100a%, 100( ^x/2)%, 100(1-cx/2)% y 100(1-a)%, respectivamente, de las distribuciones de
los estadsticos t y F correspondientes.
153
('t)NT^Ft:1S E E^: UE^: RAE('E;S ( tiE i^^RI.A^ E-:ti i).^^ Et)^ SFti1_1ti ^^E.E.ti
{1-B)
a
HA:^, < o
[23l
C: { t, < Tu ^
2. ^2 = 0 --^ (1 + B j
Ho: ^r2 = o
HA: n2 < 0
[2^]
C: { t 2 < T ^^
3. nk.,
2(k - 2)n
B+ B2
52
3,4, . . . ,27
A)
H^: ?Ck , _ ^k,2 = o
^ C. { Fk 2^ Fl cx (^
H,,:Ho falsa
g)
HQ: ^k , - 0
[25]
^ C.
HA: ?Ek , ^ o
HO' 7L'k,2 - o
^C:^tk2
HA: TLk 2 < o
^ ^ B 52
4. 7L3^, _ ?L3 2 =. .. = TC27,1 ^ ^27 2 = v ---^
H^: 7L3 1 = ^3 2
HA: Ho falsa
(1- B)(1 + B)
. _ ?L 27,1 -
^C:{F26>F,
cx
t ^t ^t^^^,tic 1 t ^t^^^tic^t ^
[27l
3,
CONCLUSIONES
En este trabajo, se ha presentado el procedirniento para la contrastacibn de races unitarias en datos semanales, obtenindose las distribuciones empricas de fos
estadsticas de contraste en presencia o no de componentes determinsticos.
Los resultados obtenidos indican que la introduccin de constante y tendencia
desplaza la distribucin del estadstico t^ hacia la izquierda, mientras que la distribucin de t2 no se ve afectada de manera importante; y tampoco produce alteraciones significativas en los valores de fos estadsticos F. Este resultado es coherente
con el hecho de que la constante y la tendencia son componentes que captan parte
de la densidad espectral del proceso en la frecuencia cero, por lo que se hace ms
fci! rechazar la hiptesis de raz unitaria en dicha frecuencia, pero no afectan a las
frecuencias estacianales. Sin embargo, la incorporacin de dummies estacionales
s que desplaza ciaramente hacia la izquierda los percentiles de las distribuciones
empricas de los estadsticos t e incrementa los estadsticos F.
Aunque los resultados no se muestren aqu, es irnpartante sealar que cuando
se introduce constante y tendencia, el estadstico t, nunca toma valores positivos,
como debe ocurrir para evitar el caso de no estacionariedad debida a races de
rndulo menor que 1; por otro lado, la incorporacin de dummies estacionales hace
que los estadsticos tk ^ tornen valores positivos en un porcentaje muy reducido de
casos(27).
(26) Vase Hylleberg y otros f1990), Franses (1991a) y Beauiieu y Miron (1993), entre
otros.
{27} Vase el planteamiento de las hiptess de los contrastes.
^ ^^
('t)*^ f Ft ^>^ I f 1)f- FZ -11('f:^, { '`I i^^ftl.^^^ f^ I) l t t)!; ^f ti1 ^ti -^( 1^,
Cuadra 2
ESTADSTICOS T Y F PARA EL GONTRASTE DE INTEGRACIN ESTACfONAL
CON DATOS SEMANALES
Regresin
a) Sin Componentes
Determ in sticos
b) Constante
c) Constante y Tendencia
Percentiles
1%
5%
10%
1%
5%
10%
1%
5%
10%
t1
-2,384
- 1,817
- 1,518
-3,252
-2,679
-2,400
- 3,762
-3,203
-2,943
t2
-2,398
- 1,825
- 1,513
-2,398
-1,816
- 1,510
-2,355
-1,828
-1,515
Regresin
a) Sin Componentes
Determinsticos
b) Constante
c) Constante y Tendencia
Percentiles
90%
95%
99l0
90%
95%
99%
90%
95%
99%
F1
2,165
2,807
4,302
2,202
2,835
4,298
2,217
2,891
4,480
F2
2,205
2,825
4,303
2,186
2,826
4,440
2,161
2,831
4,440
F3
2,197
2,840
4,381
2,166
2,819
4,370
2,198
2,870
4,325
F4
2,172
2,841
4,284
2,162
2,779
4,164
2,195
2,838
4,416
F5
2,176
2,838
4,350
2,196
2,876
4,330
2,185
2,840
4,399
F6
2,203
2,856
4,316
2,177
2,806
4,236
2,176
2,791
4,254
F7
2,195
2,812
4,286
2,147
2,787
4,246
2,178
2,843
4,261
F8
2,184
2,808
4,236
2,171
2,826
4,274
2,155
2,819
4,299
F9
2,211
2,839
4,254
2,181
2,791
4,250
2,133
2,789
4,285
F10
2,217
2,840
4,376
2,172
2,807
4,378
2,204
2,819
4,247
F11
2,201
2,843
4,346
2,172
2,794
4,257
2,165
2,806
4,352
F12
2,216
2,909
4,354
2,173
2,812
4,287
2,176
2,790
4,272
F13
2,186
2,853
4,411
2,199
2,826
4,364
2,174
2,823
4,331
F14
2,192
2,799
4,283
2,193
2,832
4,352
2,208
2,871
4,301
F15
2,170
2,843
4,369
2,173
2,815
4,350
2,200
2,834
4,301
F16
2,226
2,860
4,367
2,178
2,833
4,387
2,210
2,841
4,316
F17
2,184
2,847
4,279
2,161
2,814
4,333
2,153
2,792
4,321
F18
2,185
2,825
4,302
2,134
2,778
4,267
2,170
2,787
4,247
F19
2,168
2,772
4,209
2,217
2,880
4,402
2,186
2,81 1
4,360
F20
2,182
2,806
4,374
2,184
2,812
4,236
2,174
2,823
4,242
F21
2,228
2,846
4,346
2,184
2,824
4,346
2,187
2,824
4,233
F22
2,190
2,861
4,322
2,187
2,825
4,337
2,176
2,800
4,381
F23
2,199
2,831
4,368
2,181
2,814
4,324
2,174
2,827
4,256
F24
2,189
2,845
4,370
2,179
2,821
4,333
2,144
2,815
4,197
F25
2,236
2,838
4,395
2,182
2,823
4,267
2,191
2,820
4,287
F26
1, 308
1, 401
1, 582
1, 305
1, 397
1, 585
1, 301
1,401
1, 590
Cuadro 3
ESTADSTICOS T Y F PARA EL CCJNTRASTE DE INTEGRACIt^N ESTACIONAL
CON DATOS SEMA,NALES
Re^tesin
d} Constante y Dummies
Percentiles
1%
5%
10l0
1%
5%
10%
t1
-3,1384
-2,6138
-2,3346
-3,6100
-3,0869
-2,8214
t2
-3,1036
-2,5956
-2,3130
-3,1198
-2,6131
-2, 3200
Regresin
d1 Constante y Dummies
Percentiles
90%
95l
99%
90l0
95%
99%
F1
4, 5330
5,4312
7,1837
4, 6051
5,4744
7,3415
F2
4, 6271
5,4589
7,2811
4,5882
5,4416
7,2173
F3
F4
4, 5944
5, 3900
7,1275
5,4744
7,2960
4, 5683
5,4260
7,3205
4, 5690
4,6234
7,2843
F5
4, 5880
_^______
4, 6086
5,469$
7, 3062
4,6123
5,4675
5,4353
5,4635
5,4814
7, 2621
4, 5726
5,4455
7,1937
4,5523
5,4049
7,3832
4, 5875
5,4424
7,2769
F6
F7
7,2254
5,3556
F9
4, 5292
4,5719
7, 3562
7,2252
5, 4203
7, 2091
4, 5799
5,4384
7,3394
F10
4, 5449
5, 3846
7,1545
4, 5506
5,4216
7,317$
F11
4,5751
5,4678
7,2427
4,5251
5,4035
7,2079
F12
4,5431
5, 3749
7,1387
4,5892
5,4335
7, 3061
5,4255
5,4214
7, 3119
F13
4, 5663
4, 5759
F14
4,5646
5 , 4461
7, 3551
4,5745
5,3661
7,1877
F15
4,5748
5,4254
7, 3059
4,6189
5,4756
7,2866
F16
4,5650
7, 3352
4,6191
4,5936
7,2740
4,5591
5,4659
5,4089
7,4137
F17
5,4160
5,4309
F18
4,5556
5, 4232
7, 2764
4,5316
5,4050
7,3049
F19
4,5564
5,4122
4,5317
5,4263
7,4190
F20
4,6169
5,4492
7,2402
7,2781
4,6058
5,4465
7,2497
F21
4,6015
5,4521
7,4794
4, 5724
7,2195
F22
4,5634
5,4246
7,2958
4, 5433
5,4326
5,42$9
F23
F24
4,5713
5,4741
7,2179
4,5752
5,4616
7,3035
7, 2082
4,6233
5,4662
7,3516
4, 6000
5, 4691
7,3101
F25
4,6061
5,4371
7,3171
4, 5745
5,4055
7,2375
F26
3,3645
3, 5456
3,8797
3,3758
3, 5604
3,9121
F8
4, 6111
7, 2464
7,1396
("()^;1 KAti { [: [)E [t_^I('F ti [ ti[ i .>RI ^lti E ti' U ^T( )^ tiE.tit -^ti ^^I.E ^
1 ^7
REFERENCIAS
ABEYSfNGHE, T. (1991) Inappropriate use of seasonal dummies in regression,
Economics Letters, 36, 175-179.
ABEYSINGHE, T. (1994) Deterministic seasonal models and spurious regressions,
Journa! of Econometrics, 61, 259-272.
BoDO ,
G. Y SIGN^JRINI ,
L. F. (1987) Short-term forecasting of the industrial production index, lnternational Journal of Forecasting, 3, 245-259.
Box, G.E.P. Y JENKINS, G.M. (1976) Time series analysis, forecasting and control.
Halden Day.
CCERES, J.J. (1996) Integracin en las frecuencias estacionafes con datos sernana/es, Documento de Trabajo de la Facultad de CC. EE. de la Universidad de La
Laguna, n 70.
CANOVA, F. Y HANSEN, B.E. (1995) Are seasonal patterns constant over time? A test
for seasonal stability, Joumal of Busness and Economic Statistics, 3, 237-252.
CHAN, N.H. Y WEI, C.^. (1988) Limiting distributions of least squares estimates of
unstable autoregressive processes, Annals of Statistics, 16, 1, 367-401.
DICKEY, D.A. (1993) Seasonal unit roots in aggregate us data. Discussion, Journal of Econometrics, 55, 329-33
DICKEY ,
D.A., HASZA, D.P. Y FULLER , W.A. (1984) Testing for unit roots in seasonal
time series, Journal of the American Statistical Association, 79, 355-367.
FRANSES, P. H.(1990) Testing^ for seasona/ unit roots in monthly data. Ti nbergen
Institute Series, n 30. Erasmus University. Rotterdam.
^5K
(1990} Seasonal
integration and cointegration, Journal af Econometrics, 44, 215-238.
MIRON, J.A. (1994) The economics of seasonal cycles, Advances in Econometrics, Sixth World Congress of the Econometric Society, C.A. Sims (Ed.}, 213251. Cambridge University Press.
NERLOVE, M. (1964) Spectral analysis of seasonal adjustment procedures, Econometrca, 34, 241-285.
1 ^y