ESTADSTICA ESPAOLA

Vol. 38, Nm. 141, 1996, pgs. 139 a 159

Contraste de races unitarias en datos

semanales
por
JOS JUAN CCERES HERNNDEZ(1)
Departamento de Economa Aplicada
Universidad de La Laguna

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.

EI autor de este trabajo desea agradecer sinceramente ias sugerencias recibidas de

^1)
los profesores V.J. Cano y F.J. Martn, as como los cornentarios realizados por dos evaluadores annimos.

I^i I^f >Iti f t( 1 f ti^' ^*yl )I ^

INTRC^DUCCION

La mayor parte de las series temporales econmicas presentan fluctuaciones

estacionales en torno a la tendencia a largo plazo que explican una parte muy
impartante del comportamiento de dichas series. Si bien, normaimente esta estacianaiidad o, mejor dicho, ia extensin del periodo asociado a los ciclos estacionales que puedan existir, suele estar ahog^ada por el grado de agregacin en los datos
disponibles. Evidentemente, si tenemos series anuales, es imposible detectar, si
existe, estacionalidad trimestral o mensual. Ms an, en cualquier ^mbito econmico en el que las variaciones estacionales contengan informacin relevante, la
consideracin de series observadas con periodicdad mensual proporcionar un
retrato ms fiei de la estacianaiidad que el que puede alcanzarse con series trimestrales. Las series semanales presentan esta misma ventaja con respecto a las
mensuales o trimestrales. Ahora bien, con frecuencia no se dispone de series
mensuales de rnuchas de las variables importantes para diagnost^car lo que ocurre
en la Economa. No es necesario, por tanto, sealar que obtener series semanales
es una tarea que entraa complicaciones an mayores.
Sin embargo, es m^s difici! todavia negar que exista estacianalidad semanal si
estamos estudiando, por ejemplo, las exportaciones de productos agrarias, o los
precios que estas exportaciones alcanzan en los distintos mercados. En estos
casos, la periodicidad en la observacin de los datos es una necesidad impuesta
por el funcionamiento de mercados caracterizados por el movimiento dinmico
hacia el equilibrio. Asi, si los precios reaccionan ante los excesos de oferta o
dernanda de las ltimas dos semanas, es imposible detectar ese fenmeno con
datos mensuaies; otros procesos dinmicos de perodo ms largo se observarn
can mayar detalle si se emplean datos semanales{2).

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.

t l)`^ I Et 1ti I k E>k kd 11( F ti t ^.I I tltl ^^ I^ I) 1 I t ^ ^ til ^1 t^. ^i I^

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)

As ocurre, por ejemplo, con los exportadores de frutas y hortalizas.

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)^

ciclos por unidad de tiempo: f^

2n

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).

F tiI ^^[)I^l IC ^ F^tiF'^ti()1 ^

1^?

les(^). En otras palabras, se dice que un proceso es estacional si las fluctuaciones

asociadas a las frecuencias estacionales explican una parte importante de la
variabilidad del proceso.
Siguiendo a Hylleberg (1994), las variaciones estacionales son movimientos
sistemticos, aunque no necesariamente regulares, que se producen en un intervalo de tiempo inferior a un ao. Estas variaciones pueden ser constantes o variables en el tiempo, de manera que puede considerarse que existen dos tipos bsicos
de estacionalidad: determinstica y estocstica.
Una serie econmica observada en el tiempo puede presentar fluctuaciones
estacionales, en torno a una tendencia a largo plazo, ms o menos estables. Por
ejemplo, si estamos estudiando las exportaciones semanales de tomate de canarias a la Unin Europea, sabemos que en las semanas del verano no existe casi
exportacin, que el grueso de las exportaciones se concentra en las semanas entre
noviembre y marzo y que el mximo se alcanza en torno a la semana 5(enerofebrero), y se trata de fenmenos que se repiten campaa tras campaa. Este tipo
de variaciones estacionales son fluctuaciones peridicas perfectamente regulares,
es decir, estables a na cambiantes en el tiempo, que pueden ser bien recogidas
mediante dummies semanales. De este modo, el componente estacional, {S^}, del
proceso estocstico {Xt}={S^}+{Et}, siendo {Et} una perturbacin aleatoria, puede
representarse corno una funcin determinstica del tipo:

St = ^ a ^p^

^^ l

siendo
1, t= i, i+ s, i+ 2s, ...
0 , resto

donde s es el nmero de observaciones por ao(s}.

(71

Nerlove (1964) y G ranger (1978).

(81

Este modelo tambin puede escribirse como:

Si^

St - ^A; cs
^^

2nit

+E); , t = 1,...,T ,

es decir, como suma de mavimientas cclicos asociadas a cada una de las frecuencias
estacinales.

('O!^^1^FL^1S"I^E^_ [)f- Fi^^^l('E-:^ L^^+'II^,AFtt:^ti F:ti l)^1^[OS `^Fti1,^,ti-^^ l E^^

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

^( B> = 1 _ ^ ^BS - ^ ^B2s . . .

[3]

En funcin de las races del polinomio ^(B), la estacionalidad estocstica puede

ser: 1) estacionaria: si esas races reales o complejas tienen mdulo mayor que 1;
2} no estacionaria: si a! menos una de dichas races tiene un mdulo menor o igual
que 1. Si el polinomio autarregresivo ^(B) posee al menos una raz de mdulo
unitario -distin#a de la raz B=1- asociada a un ciclo estacional, se dice que el
proceso {Xt} est integrado estacionalmente en la frecuencia correspondiente a
dicho ciclo(^ ^ ).
La existencia o no de raz unitaria supone una respuesta diferente a los shocks
aleatorios y un comportamiento diferente del proceso. Para evitar los problemas
derivados de ese distinto comportamiento y convertir el proceso en estacionario, la
metodologa tradicional de Box y Jenkins(^2) sugiere que las series con estacionalidad estocstica de este tipo sean modelizadas autom^ticarnente mediante la
aplicacin del filtro diferencia estacionai(^ 3), (1-B^). Sin embargo, si el proceso no
est integrado en alguna de las frecuencias estacionales o en la frecuencia cero, la
Por este motivo, recientemente ha surgido un buen nrnero de trabajos en los que
(9)
se discuten las diferentes alternativas de modelizacin de la estacionalidad. Vase, entre
otros, Abeysinghe (1994), Canova y Hansen (1995), Franses (1994), Ghyseis (1994>, Ghysels,
Lee y Noh (1994), Hylleberg (1992, 1994, 1995), Miron (1994), Sans (1996).
(10) Es complicado establecer un lmite claro que determine qu parte de la estacionalidad es estable y qu parte es cambiante; y tambin sera errneo suponer que la estacionalidad determinstica y la estocstica son componentes independientes de una serie temporal.
De manera que si en un modelo economtrico se especifica y se estima incorrectamente una
de estas dos vertientes de la estacionalidad, posiblemente este error se transmitir a la
estimacin de la otra parte. De ah la importancia de la modelizacin.
(11) Las races unitarias presentes en el polinomio ^IB) pueden ser races reales o pares
de races complejas conjugadas.
(12) Box y Jenkins (197fi).
(13 Quizs, la explicacin a esta prctica pueda ser que, cor^o afirma Dickey (1993}, no
estamos instruidos sobre cmo interpretar el hattazgo de que el modelo slo requiera un
subconjunto de los componentes estacionales.

I `^i tl ^ ltitf ^ I ^.E'>`^{ ^ E ^

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.

CONTRASTE DE INTE^RACIN ESTACIONAL EN SERIES SEMANALES

2.
2.1.

Races unitarias en datos serrianales

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>.

^ ^`^f ^tt^)^`^I^It^ ^ t ^f'^^^t^ ^ t ->

^(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 .

Ignorando el trmino de perturbacin, este proceso sera peridico de perodo

52 y, por tanto, puede considerarse que la variabilidad de la serie es el resultado de
la suma de 26 comportamientos cclicos asociados a cada una de las frecuencias
estacionales. La raiz - 1 y cada uno de los pares de races complejas conjugadas
del palinamio c^(B) est asociada a una de estas fluctuaciones ciclicas.
Si resulta que ^{B} = 1+ B, es decir, c^(B) posee solamente la raz B=-1, esta
raz est asociada con un cmportamiento cclico con un periodo de dos unidades
de tiempo. En efecta, si no se tiene en cuenta el trmino de perturbacin, puede
considerarse que (1 +B)Xt =0, es decir: Xt + Xt_, = 0; por lo que
^Ct = Xo ^cos{ nt} + isen{ rct}} ^ X1 = -Xo , X2 = Xo

[7]

Por tanto, cada dos unidades de tiempo se completa un ciclo,

Si as observaciones del proceso {Xt} son valores reales, el polinomio autorregresiva no puede presentar una raz unitaria compleja si ^sta no est acompaada
de la raz compleja conjugada. Adems, debido a la existencia del conocdo efecto
aliasing(^ g), no es posibl^ distinguir los ciclos asociados a estas dos races{2o). Por
ejemplo, si ei polinomio ^{B) posee las races B=-i y B=i, entonces cU(B)=(1 +B2),
por lo que

(19) Priestley (1981).

t20) Cceres (1996).

c^c^^rk^^^;rE i}E K^uc t^^ tiir:^Ki^^tif ti u^^^^^^tit ^^^^^,i E^

B2^Xt

I^7

= Et

y la solucin de la ecuacibn (1 +B2)Xt =0 impiica que Xt=-Xt_z y que X,_4=-X^_2=X,, de

manera que la presencia de estas dos races complejas conjugadas define un ciclo
que se completa cada cuatro unidades de tiempo.
Cuadro 1
RA^CES DEL POLINOMIO {1-B^2}(21 }
r;=cos(E)^)isen(E);); j=1,2,3,...,27;
rk ,=cos(f^k)+isen(E^k); rk 2=cos(E)k)-isen(f^k); k=3,4,...,27;
E^^=Q; E^2=n; E)k=2(k-2)^r/52, k=3,4,...,27.

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)

r22,, =cos(10n/13)+isen(10n/13); r22,2=cos(10n/13}-isen(10n/13)

r23,^=cos(21 n126)+isen(21 ^/26); r23,2=cos(21 n/26}-isen(21 n/26)
r2^,,=cos(1 1 n/13)+isen(1 1 n/13); rz4,z=cos(1 1 n/13}-isen(11 n/13)
r2^, ^=cos(23n/26)+isen(23n/26); r2^,2=cos(23n/26}-isen (23n/26)
r26,^=cos(12n/13)+isen(12n/13); r2^,2=cos(12n/13}-isen(12n113)
r27, ^ =cos(25n126)+isen (25n/26); r2^,2=cos(25n/26}-isen (25n/26}

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

A continuacin se presenta el procedimiento de contraste de races unitarias

semanales, cuya desarrollo se basa en la propuesta de Hylleberg y otros (1994).
Sea un proceso {Xt}, que sigue un proceso aR de !a forma:
^^B)Xt

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

Ntese que ^, ^= 0 si y slo si cp(r^ )= 0.

Entonces, podernos expresar
c(^(B) =

^,^ ^52`B) + ^52(B)cp**(B}

^ ^

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.

c^c^tirk-^^rr uF^ K^ic^F.^ t^ir^^szf.^ti F ti I)-1ri)^ ^r `1->^.^C r ti

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)

B^- /^.2 1-^- B c B) +

27
052 ^B}

+^ ^k,^
k=3

sk,, cg^sk,2 cB^ t^ r ^k 1 {g^^^k 2 ^B +

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

r^; r^^[^t^ r tc ^^ t^N:^ti^ ^t.-^

Entonces, el polinomio ^(B} puede escribirse como:

^^B^ _ ^1 ^^^52(B^ B + %2 a52cB) ^_By ^
1+B
1-B
2^
1
1
^52^B}
+^ k=3 ^k-1^B^Sk^2^B^

^k,1

+ ^k.2
rkrl

B -- ^^1.k,1 -f- 1^.k^2)B

[14]

rk^2

+L^ 52 ( B^tp ^ ^B^

Si Ilamamos
^1 ^ -^1
h2 ^ -^2

^k'' rk,1 + ^k'2 rk , 2 ~ ^k'' k = 3,4, , . . ,2 7

[15]

-^ ^1.k^1 + ^1,k^2 j = ?Lk^2

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
^^

Ntese que [15] implica que

n1 =a^a., =o
^2-0^^,2=0
[17]

(k > 2)

Ahora, podemos desarrollar la estrategia de contraste. Como mencionamos, se

supone que el proceso {Xt} sigue un esquema AR del tipo dado en [9].
Entonces, tenemos que

t'( )!ti I R-^ti !'E^; [)E^. R^^It'E^:^, 1! ti^ T-^RI.a^ F ti T) ^ Ti )^ tiE- ti1 ^^ ^\1 F^ ti

c^(B)Xt = t + Et = -^c^ ^52^6^ BXt + ^2 ^^52t6^ BXt +

1-B
1+B
27
^52^8^

+^ nk^i

BXt + n^.2

^k^^ ^^}^ k,2 ^B^

k=3

`^52^g^

B2 Xt +

S k 2{BS k,^ ^B^

[18^

+Li52 ^8^^* {B^Xt

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]

donde c^ (B) es un polinomio tal que {Et} es ruido blanco.

Si Ilarnamos
^52tB, X

1-B t

Y2,t

^52 {B)

1+B Xt
052 ^B>

Yk.t

[20]
Xt ; k = 3,4, . . . ,2 7

^ k,, Bbk,2 (B)

{1 - B52,Xt

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

La definicin de los Y,,t es la siguiente:

[2 ^ ]

I^?

f^, t>[^^^ i ic t t^N^atic,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^ ^ `

siendo 8 k=^^k 2^^ , k= 3,4, ...,2 7

52

Los procesos {Y },

1,2,...,27, son asintticamente incorrelados(23).

Sobre esta ecuacin, se puede efectuar el contraste de integracin en cada una

de las frecuencias estacionales semanales.
Para contrastar la hiptesis cp(r,) = 0, donde r, es cada una de 1as 52 races dei
poiinomio o5^(B}, basta con contrastar si ^,, es cero. Como ya se indic, existe una
equivalencia entre ^, y n(24} que permite contrastar !a significacin de los ^, a partir
de !a significacin de los n. La nulidad de determinados coeficientes ^ signifcar la
presencia de una raz o un par de races complejas conjugadas determinado.
Para la raz r, = 1, contrastamos si n, = 0 frente a la hiptesis alternativa n^ < 0, y
para la raz r^ ^- 1, contrastamos si n2 =0 frente a la hiptesis aiternativa n2 < 0.
Para el par de races comp[ejas (rk,,,rk,^), ^k,, y^-k,2 sern cero slo si ^rk,^ y^k,2 son
iguales a cero, lo cual sugiere un test conjunto. Tambin se pueden emplear dos
tests de signifcacn individual: en primer lugar, contrastamos la hiptesis ^k,, = 0
frente a la alternativa a^k,^ ^ o, y si la hiptesis nula no se rechaza, se contrasta ta
hiptesis n^,2 = 0 frente a la alternativa nk.^ < 0.
A continuacin, indicaremos el contraste - pianteamos la hiptesis nula y la alternativa, as corno [a regin crtica- para cada una de las frecuencias estacionales,
sealando en cada caso el filtro que debe aplicarse a la serie para eliminar la no
estacionariedad derivada de la raz unitaria en dicha frecuencia(25}.

(23) Chan y Wei ( 1988).

(24) Vase ecuaciones [ 15] y[ 17).

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

^k,2 = 0-^^ 1- 2 cos

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

k,1 ^ Ti .. ^ /2 n tk,1 ^ Tcx ^2 }

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

Estos estadsticos t; {estadstico para el contraste de significaci+n individual de

j=1,2,k1,k2, k=3,4,...,27), Fk_2 (estadstico para el contraste de significacin
conjunta de los parmetros ^k,1 y^k,2, k=3,4,...,27) y F26 no siguen las distribuciones
estndar, por lo que es necesario obtener las distribuciones empricas de dichos
estadsticos a travs de ejercicios de simulacin. Las distribuciones de estos

t ^t ^t^^^,tic 1 t ^t^^^tic^t ^

estadsticos cambian con la presencia de componentes determinsticos(2s). En este

sentido, se han considerado diferentes situaciones: ausencia de componentes
determinsticos, con constante, con constante y tendencia, can constante y
dumrnies, y con constante, tendencia y dummies. En cada una de estas situaciones, se generaron 20.000 replicaciones de 468 observaciones efectivas (9 aos)
del siguiente proceso:
(1 _ 852^^t ' Et ^t ^ ^yo^.^^

[27l

En los cuadros 2 y 3, se muestran los resultados para los distintos casos.

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

f^:ti 1.A[)i^ l t('A f-.SP.Ati()l .R

Cuadro 3
ESTADSTICOS T Y F PARA EL CCJNTRASTE DE INTEGRACIt^N ESTACIONAL
CON DATOS SEMA,NALES
Re^tesin

d} Constante y Dummies

e^_ Constante, Tendencia 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

e} Constante, Tendencia 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.

AHTOLA, J.A. Y TiAO, G.C. (1987a) Distributions of least squares estimators of

autorregressive parameters for a process with complex roots on the unit circle,
Journal of Time Series Analysis, 8, 1-14.
AHTOLA, J.A. Y TiAO, G. C.(1987b) A note on asyrnptotic inference in autorregressive
models with roots on the unit circle, Joumal of Time Series Analysis, 8, 15-19.
BEAULIEU, J.J. Y MiRON, J.A. (1993) Seasonal unit roots in aggregate U.S. da#a,
Jaurnal of Econometrics, 55, 305-328.

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.

ENGLE, R.F., GRANGER, C.W.J. Y HALLMAN, J .

(1989) Merging short and long run

forecasts. An application of seasonal cointegration to monthly electricity sales
forecasting, Journal of Econometrics, 40, 45-62.

FRANSES, P. H.(1990) Testing^ for seasona/ unit roots in monthly data. Ti nbergen
Institute Series, n 30. Erasmus University. Rotterdam.

^5K

t-.ti1^A[)I^^1)(^.A E,^^P,^^,Ot >

FRANSES, P. H. (1991 a) It^lodel selection and seasonality in time series. Tinbergen

Institute Series n 18. Erasmus University. Rotterdam.
FRANSES, P.H. (1991 b) Moving average filters and unit roats, Economics Letters,
37, 399-4C13.
FRANSES, P.H. (1991 c) Seasonality, non-stationarity and the forecasting of monthly
time series, Intematianal Joumal of Forecasting, 7, 199-208.
FRANSES, P.H. (1994) Recent advances in modelling seasona/ty. Econametric
fnstitute Report 9467, Erasmus University Rotterdam.
GHYSELS, E. (1994) tJn the economics and econometrics of seasonality, Advances in Econometrics, Sixth World Congress of the Econometric Society, C.A.
Sims {Ed. ), 257-316. Cambridge University Press.
GHYSELS, E., ^EE, H.S. Y NoH, J. (1994) Testing for unit roots in seasonal time
series. Jaurnal of Econometrcs, 62, 415-462.
GRANGER, C. W. J. (1978} Seasonality: causation, interpretation and implications,
Seasona/ Ana/ysis of Economic Time Series, A. Zellner (Ed.}. Bureau of the
Census.
GRANGER, C. W. J. Y SIKL4S, P.L. (1995) Systematic sampling, temporal aggregation, seasonal adjustment, and cointegration. Theory and evidence, Journal of
Econometrics, 6fi, 357-369.
HYLLEBERG, S. {Ed.) (1992) Modelling Seasonality. Advanced Texts in Econometrics. Oxford University Press.

HYLLEBERG, S. (1994) Modelling seasonal variation, Nonstationarity Time Seres

Analysis and Cointegration, C.P. Hargreaves (Ed.), 153-178. Oxford University
Press.
HYLLEBERG, S. (1995} Test for seasonal unit roots. General to specific or specific to
general?, Journal of Econometrics, S9, 5-25.
HYLLEBERG, S., ENGLE, R.F., GRANGER, C.W.J. Y Y00, B .S.

(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.

C^()tilR^ti"I-E:: UE:. R.^IC^E-^ti l'tiIf ^^Rl.^^ i-ti 1)^^T()^ tiF.^l.rltiAl.F_^

1 ^y

NoGUERA, P. (1996) Estacionalidad y transmisin vertical de precios en el sector

hortofrutcola espar^ol. Tesis Doctoral. Universidad de Murcia.
PRIESTLEY, M.B. (1981) The Spectral Analysis and Time Series. Academic Press.
^ondon.
PRIESTLEY, M.B. (1991) lVonlinear and Nonstationary Time Series Analysis. Academic Press. New York. 2a Edicin.

SANS, A. (1996) An^lisi de I'Estacionalitat no Estacion^ria. Tesis Doctoral . Universidad de Barcelona.

UNIT ROOTS TEST FC}R V1IEEKLY DATA

SUMMARY
In this paper a seasonal integration test procedure for weekly data
is developed. The test is based on Hylleberg, Engle, Granger y Yoo
procedure for quarterly data. Finally, empirical distributions of the seasonal unit root tests are obtained.
Key words: seasonality, unit roots, weekly data.
AMS Classification: 62 P20.