5. Races unitarias.

5.1. Caractersticas.

Los procesos con races unitarias son aquellos en que una o varias de las races
caractersticas del modelo valen uno. El caso tpico es el camino aleatorio yt = yt-1 + t en el
que a1 vale 1.El camino aleatorio puede escribirse ( 1 L ) y t = t donde la raz del
polinomio caracterstico 1 L = 0, es L = 1.

Si se pasa yt-1 al primer miembro resulta: yt - yt-1 = t y como t es un proceso estacionario

el primer miembro tambin lo ser; de esta manera la primera diferencia del proceso: y t =
yt - yt-1 convierte al random walk en un proceso estacionario. Cuando las primeras
diferencias de un proceso convierten a este en estacionario, se dice entonces que es
integrado de orden uno y se denota mediante I (1).

Para transformar un proceso que tuviera dos races unitarias en un proceso estacionario ser
necesario diferenciarlo dos veces, si tuviera tres races unitarias se requerirn diferencias de
orden 3 y as siguiendo. En la mayora de las series econmicas y financieras las diferencias
de orden 2 por lo general son suficientes.

Un proceso con dos races unitarias es (1 L ) 2 yt = t . O sea: ( 1 2 L + L2 ) yt = t .

Desarrollando, se puede escribir: yt - yt-1 = yt-1 - yt-2 + t . Es decir: yt = yt-1 + t .

Por ltimo: yt - yt-1 = t y como yt - yt-1 = 2 yt queda 2 yt = t .

Como t , el proceso de ruido blanco, es un proceso estacionario el primer miembro

tambin lo ser y por lo tanto una diferencia de segundo orden convertir a un proceso con
dos races unitarias en un proceso estacionario. Se dir entonces que es integrado de orden
dos y se escribir I ( 2) .

Para tener una apreciacin ms concreta de este ltimo resultado se generarn mediante el
Eviews 100 observaciones del proceso yt = 2 yt-1 - yt-2 + t . El trmino de perturbacin
ser ruido blanco normal de varianza unitaria.

Se puede observar que yt = 2 yt-1 - yt-2 + t es idntico a ( 1 2 L + L2 ) yt = t o bien

(1 L ) 2 yt =
igual a 1.

y que la raz de la ecuacin caracterstica (1 L ) 2 = 0 es doble y es

Las instrucciones son:

1) Genr alea=nrnd

2) Genr y=0

3) Genr y=2*y(-1)-y(-2)+alea

Sample 3 100

El grfico se presenta a continuacin. Se puede apreciar que se trata de una serie no

estacionaria lo que es corroborado por el respectivo correlograma que declina muy
lentamente. Inclusive la autocorrelacin de orden 10 es superior a 0,50.
Y
0

-50

-100

-150

-200

-250
10

20

30

40

50

60

70

80

90

100

Autocorrelation

Partial Correlation

AC

PAC Q-Stat Prob

.|*******

.|*******

1 0.948 0.948 92.596 0.000

.|******|

.|.

2 0.896 -0.024 176.21 0.000

.|******|

.|.

3 0.845 -0.019 251.36 0.000

.|******|

.|.

4 0.795 -0.024 318.50 0.000

.|***** |

.|.

5 0.744 -0.027 378.00 0.000

.|***** |

.|.

6 0.695 -0.021 430.37 0.000

.|***** |

.|.

7 0.646 -0.017 476.19 0.000

.|**** |

.|.

8 0.600 -0.010 516.08 0.000

.|**** |

.|.

9 0.556 -0.004 550.72 0.000

.|**** |

.|.

10 0.514 -0.007 580.67 0.000

Se presentarn ahora el grfico de la segunda diferencia de la serie y el correspondiente

correlograma. La segunda diferencia se obtuvo mediante: Genr y2=d(y,2) sample 3 100.

Y2
3
2
1
0
-1
-2
-3
10

20

30

40

50

60

70

80

90

100

El grfico de la segunda diferencia muestra que se trata de una serie estacionaria y esto
puede ser comprobado por el correlograma que se presenta a continuacin. Estos resultados
tratan de mostrar cmo la diferenciacin puede convertir en estacionarias a las series que
poseen races unitarias. En este caso la serie original tena dos races unitarias.

Sin embargo, uno debe precaverse cuando se trata de quitar la tendencia a una serie, debe
tratar de determinar si se trata de una tendencia determinstica o de una estocstica: en el
primer caso, como se ha indicado se debe deducir una tendencia lineal o polinmica, en el
segundo se debe diferenciar. Si no se sabe qu tipo de tendencia es entraa menos
problemas diferenciar, pero si se sobrediferencia se pueden introducir problemas
adicionales como por ejemplo mayor variabilidad y prdida de parsimonia.

Autocorrelation

Partial Correlation

AC

PAC Q-Stat Prob

*|.

*|.

1 -0.105 -0.105 1.1166 0.291

*|.

*|.

2 -0.176 -0.189 4.2719 0.118

.|*

.|*

3 0.161 0.125 6.9340 0.074

.|*

.|*

4 0.135 0.143 8.8476 0.065

*|.

.|.

5 -0.119 -0.042 10.329 0.066

.|.

.|.

6 0.008 0.014 10.336 0.111

.|.

.|.

7 0.065 0.003 10.786 0.148

.|.

.|.

8 0.004 0.020 10.788 0.214

*|.

*|.

.|*

.|.

|
|

9 -0.154 -0.134 13.388 0.146

10 0.094 0.055 14.375 0.157

Los procesos con races unitarias poseen tendencias estocsticas, esto significa que, de una
manera aleatoria, las series se apartan de sus valores medios debido a que sus momentos de
orden dos, varianzas y covarianzas, dependen del tiempo y, en particular, la varianza crece a
medida que la serie se extiende. Las autocorrelaciones declinan poco, lo hacen muy
lentamente y poseen valores relativamente grandes aun cuando se trate de rezagos bastante
alejados entre s.
En el random walk si y0 = 0, resulta: yt = 1 + 2 +.+ t de modo que las
perturbaciones pasadas del modelo tienen efecto permanente sobre el valor actual de la
serie. En definitiva, yt es la suma de las innovaciones pasadas.

Por otra parte el modelo es impredecible. Como E (y t / yt-1 ) = E (yt-1 + t / yt-1) = yt-1 esto
implica que toda la informacin del proceso est concentrada en yt-1 el modelo no agrega
ninguna informacin adicional.

5.2. Regresiones espreas.

La presencia de caminos aleatorios en los modelos de regresin conduce a lo que se

denomina regresiones o correlaciones espreas. Una regresin esprea se presenta cuando
las variables tienen poca o ninguna relacin entre s y sin embargo los estadsticos de la
regresin son adecuados: altos R2, valores t y F significativamente distintos de cero,
pero la regresin no tiene ningn significado econmico, simplemente refleja la correlacin
entre las tendencias de las series.

C. Granger y P. Newbold en Spurious Regressions in Econometrics, Journal of

Econometrics, 2, 1974, acuaron este trmino y mediante simulaciones comprobaron que
aproximadamente el 75% de las regresiones que ellos construyeron sin significado
economtrico, con sucesiones independientes unas de otras, condujeron a valores t
significativamente distintos de cero.

A modo de ejemplo se construirn 200 observaciones de los caminos aleatorios yt y z

se los relacionar mediante un modelo de regresin.

Los modelos respectivos son: yt = yt-1 + t1 y z t = z t-1 + t2 y las instrucciones fueron

las siguientes: 1) Genr alea1=nrnd 2) Genr alea2=nrnd 3) y=0
4) y=y(-1)+alea1
sample 2 200 5) Genr z=0 6) Genr z= z(-1)+alea2 sample 2 200.

Puede apreciarse en el grfico la correlacin negativa entre ambas series a partir de la

octogsima observacin aproximadamente, la serie z toma un camino ascendente mientras
que la serie y declina. Si bien ambas series fueron generadas a partir de procesos de ruido
blanco independientes parecen estar relacionadas entre s.

20
10
0
-10
-20
-30
-40
25

50

75

100

125

150

175

200

Los resultados de la regresin muestran que los coeficientes son negativos producto de la
correlacin negativa, los valores t son significativamente distintos de cero y el poder
explicativo de la regresin, medido mediante el R2 es bastante alto, cercano al 60%.

Coefficie
nt

Std. Error

t-Statistic

Prob.

4.854534

0.564825

-8.594756

0.0000

1.318803

0.081341

-16.21325

0.0000

R-squared

0.571618

Mean dependent var

8.568848

Adjusted R-squared

0.569443

S.D. dependent var

11.09931

S.E. of regression

7.283019

Akaike info criterion

6.818967

Sum squared resid

10449.35

Schwarz criterion

6.852066

Log likelihood

676.4873

Hannan-Quinn criter.

6.832363

F-statistic

262.8695

Durbin-Watson stat

0.048262

Prob(F-statistic)

0.000000

La presencia del camino aleatorio en el cual la varianza de los errores se hace infinita para
un nmero de observaciones suficientemente grande, viola los supuestos del modelo de
regresin que requieren que aquella sea constante y por este motivo no se cumplen los
supuestos que requieren los tests t, F y el R2 ; los valores de estos estadsticos no son
verosmiles y estas pruebas no son vlidas.

El correlograma de los residuos de la regresin refleja la correlacin esprea entre las

series, ya que aquellos distan bastante de ser ruido blanco.

Autocorrelation

Partial Correlation

.|*******

.|*******

1 0.957 0.957 185.02 0.000

.|*******

.|.

2 0.915 -0.008 355.09 0.000

.|******|

.|*

3 0.882 0.082 513.90 0.000

.|******|

*|.

4 0.840 -0.122 658.69 0.000

.|******|

.|.

5 0.796 -0.043 789.26 0.000

.|***** |

.|.

6 0.756 0.007 907.65 0.000

.|***** |

.|.

7 0.722 0.062 1016.3 0.000

.|***** |

.|.

8 0.690 0.003 1115.9 0.000

AC

PAC Q-Stat Prob

.|***** |

.|.

9 0.657 -0.007 1206.8 0.000

.|***** |

.|.

10 0.633 0.068 1291.7 0.000

.|**** |

.|.

11 0.610 -0.007 1370.9 0.000

.|**** |

.|.

12 0.584 -0.033 1443.8 0.000

Si se diferencian una vez ambas series, y y z, se convierten en estacionarias, la regresin

entre las series diferenciadas carece de sentido y el correlograma de los residuos de esta
regresin muestra que son ruido blanco. A continuacin se incluye el grfico de las
primeras diferencias de las series y y z y la regresin de la primera diferencia de y (difey)
con respecto a la primera diferencia de z (difez). Los estadsticos de esta regresin no son
significativos.

3
2
1
0
-1
-2
-3
-4
25

50

75

100

DIFE1

125
DIFE2

150

175

200

Coefficie
nt

Std. Error

t-Statistic

Prob.

0.163498

0.066457

-2.460220

0.0147

DIFE2

0.020175

0.066895

-0.301589

0.7633

R-squared

0.000461

Mean dependent var

0.164191

Adjusted R-squared

0.004612

S.D. dependent var

0.934773

S.E. of regression

0.936926

Akaike info criterion

2.717575

Sum squared resid

172.9327

Schwarz criterion

2.750674

Log likelihood

268.3987

Hannan-Quinn criter.

2.730971

F-statistic

0.090956

Durbin-Watson stat

1.852164

Prob(F-statistic)

0.763284

W. Enders en su libro Applied Econometric Time Series, Wiley, 1995, seala que los
econometristas deben ser muy cuidadosos cuando efectan una regresin del tipo yt = a 0 +
a 1 z t + t con variables no estacionarias y presenta cuatro casos que se deben considerar:
1) ambas series yt y z t son estacionarias. En este caso el modelo de regresin clsico es el
adecuado.
2) Las dos sucesiones yt y z t son integradas de distintos rdenes. Estas regresiones
carecen de significado porque se conserva un componente de tendencia y este debe ser
eliminado para que la regresin tenga sentido.
3) ambas series yt y z t son no estacionarias e integradas del mismo orden pero la sucesin
de residuos contiene una tendencia estocstica. Se trata de una regresin esprea. Se
recomienda diferenciar ambas series y estimar la regresin con las series diferenciadas. Si
una serie contiene una tendencia determinstica y la otra una estocstica se les debe dar

distinto tratamiento: deducir la tendencia determinstica en una serie mediante un

polinomio y diferenciar en la otra.
4) ambas series son no estacionarias pero son integradas del mismo orden y la regresin
presenta residuos estacionarios. En este caso se dice que las series son cointegradas, tema
que ser tratado ms adelante.

Ejercicios.

1. Genere una correlacin esprea y analcela mediante un modelo de regresin.

2. Genere una sucesin I (1) y otra I(2), analcelas y plantee un modelo de regresin entre
ellas.
Convirtalas en estacionarias y efecte nuevamente la regresin con estas variables sin
tendencia.

5.3. Tests de Dickey-Fuller.

D. Dickey y W. Fuller desarrollaron una serie de pruebas tendientes a determinar la

existencia de una raz unitaria, esto es si a 1 = 1, en el modelo
yt a0 a1 yt 1 a2 t xt t , donde a0 , a1 , a2 y son constantes, xt es un conjunto de
regresores y t es un proceso de ruido blanco.

Los trminos a 0 , la constante, a2 t , la tendencia determinstica y xt , las variables

exgenas son opcionales, es decir, pueden existir o no en el modelo. El test plantea pruebas
separadas para cada uno de esos casos: a) ausencia de constante y de tendencia
determinstica, b) presencia de constante pero no de tendencia determinstica y c) presencia
de constante y de tendencia determinstica.

Las variables exgenas no son relevantes en la prueba y para simplificar la notacin

prescindiremos de ellas en las regresiones que se trascriben a continuacin y que
corresponden a cada uno de los casos mencionados.

a) yt a1 yt 1 t

b) yt a0 a1 yt 1 t

c) yt a0 a1 yt 1 a2 t t

Si a 1 1, la serie no es estacionaria, la varianza de y aumenta con el trascurso del

tiempo y tiende a ser infinita, si a 1 < 1, la serie es estacionaria en el sentido que no
posee tendencia estocstica. De esta manera la hiptesis de que la serie posee tendencia
estocstica puede ser evaluada verificando si el valor absoluto de a 1 es estrictamente
menor que uno o no.

La hiptesis nula del test es: H 0: a 1 = 1 versus la alternativa unilateral H 0: a 1 < 1. Si se

cumple la hiptesis alternativa entonces la serie es estacionaria, no posee tendencia
estocstica. Como H 0 es a 1 = 1, si se cumple la hiptesis alternativa significa que cuanto
ms lejos de 1, en la recta numrica hacia la izquierda, se halle a 1, implica que es mayor la
probabilidad de que a 1 sea menor que 1, es decir, es ms probable que la serie sea
estacionaria. Cuanto menor sea el valor de a 1 y, por consiguiente ms a la izquierda se
halle, menor ser el rea que corresponde al valor de probabilidad del test. Esto significa
que cuanto menores sean los valores de probabilidad (valores p) mayor ser el
convencimiento de que la serie es estacionaria.

Si bien el valor 1 de a 1 resulta claro en trminos de las autocorrelaciones es preferible

transformarlo para considerarlo en trminos de los coeficientes de una regresin y si a cada
una de las regresiones anteriores se les sustrae y t-1 aquellas se transforman en:

a) yt yt 1 t

b) yt a0 yt 1 t

c) yt a0 yt 1 a2 t t

donde a1 1 . Por lo tanto, es indistinto chequear si a

regresiones de abajo.

= 1 o bien si 0 en las

El valor emprico del estadstico se calcula de una manera muy similar a la que se emplea
en el clculo del valor t, se divide el valor del coeficiente menos uno por el
correspondiente desvo estndar. Este estadstico puede denominarse Dickey-Fuller
emprico y denotarse como: D-Femp . En smbolos: D-Femp = ( a 1 -1) / (a1 ) donde (a1 )
denota el desvo estndar del coeficiente a 1 .

Por ejemplo, consideremos 100 observaciones del modelo yt a1 yt 1 t y supongamos

que el valor de a 1 sea 0,96 y que el correspondiente desvo estndar fuera 0,025.
Entonces: D-Femp = (0,96-1)/ 0,025= - 1,6 donde D-Femp . Esto significa que se halla a 1,6
unidades de desvo estndar de cero. La pregunta es si esta distancia est lo suficientemente
lejos de cero para sostener la idea de que el proceso es estacionario, es decir, no posee
tendencia estocstica.

Para verificar esta hiptesis se requiere contrastar el valor emprico con el valor terico de
la distribucin. Como se haba mencionado los tests t no eran vlidos por la presencia de
races unitarias que tornaban infinitas a las varianzas, entonces los valores tericos fueron
obtenidos por D. Dickey y W. Fuller mediante simulaciones, utilizando mtodos de
Montecarlo. Efectuando miles de pruebas obtuvieron los valores crticos que permiten
realizar el contraste. Estos valores que dependen del tamao de la muestra y del nivel de
significacin deseado, estn sintetizados en tablas correspondientes a los casos a), b) y c)
cuyos encabezamientos corresponden a los estadsticos , y , respectivamente.

En el caso que nos ocupa como la regresin no posee constante ni tendencia determinstica
se debe utilizar el estadstico y a continuacin se transcribe la parte de la tabla
correspondiente a nuestro ejemplo.

Probabilidad
Tamao de muestra

100

0,01

0,025

0,05

0,10

0,90

0,95

0,975

0,99

-2,60

-2,24

-1,95

-1,61

0,90

1,29

1,64

2,03

Por ejemplo, si consideramos el nivel de significacin del 5% el valor terico es -1,95 en

tanto que el valor emprico es -1,60. Esto significa que no est lo suficientemente lejos
de cero o lo que es idntico a 1 no est lo suficientemente lejos de uno, de manera que no se
puede concluir, al nivel de 5% , que la serie sea estacionaria.

Como segundo ejemplo se construy mediante el Eviews una serie de 100 observaciones
elaboradas mediante el modelo yt 0,96 yt 1 t donde t es ruido blanco normal.
A continuacin se muestran los resultados al estimar el modelo mediante un AR(1) y el test
de races unitarias de Dickey-Fuller. Este se obtiene directamente en el Eviews a partir de
los datos haciendo click con el mouse en View y luego en Unit Root Test. El Eviews
permite seleccionar manualmente o automticamente el nmero de rezagos, en este caso se
utiliz la seleccin automtica y en el tipo de test se seleccion Dickey Fuller GLS.

Los resultados de la regresin son los siguientes:

Coefficie
nt

Std. Error

t-Statistic

Prob.

0.948909

0.031942

29.70713

0.0000

R-squared

0.873593

Mean dependent var

1.296316

Adjusted R-squared

0.873593

S.D. dependent var

2.532277

S.E. of regression

0.900320

Akaike info criterion

2.637917

Sum squared resid

79.43649

Schwarz criterion

2.664130

Hannan-Quinn criter.

2.648523

Y(-1)

Log likelihood

129.5769
Durbin-Watson stat

2.153526

Null Hypothesis: Y has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
t-Statistic
Elliott-Rothenberg-Stock DF-GLS test statistic

-1.687780

Test critical values:

1% level

-2.588530

5% level

-1.944105

10% level

-1.614596

El valor del estadstico D-Femp es (0,948909-1) / 0,031942 = -1,5995. Se comprueba que la

serie no es estacionaria al nivel de 5%. En el Eviews el valor D-F emp es -1,687780 porque
utiliza un procedimiento de clculo ms adecuado.

Como tercer ejemplo se analizarn 100 observaciones construidas mediante el Eviews del
modelo yt 1 0, 75 yt 1 0, 20 t t donde el trmino de perturbacin es ruido blanco
normal de varianza unitaria. La construccin es similar al caso anterior con la salvedad de
que se agrega la constante y la tendencia, esta ltima se puede generar mediante la
instruccin @trend.

El grfico presenta una clara tendencia determinstica y por este motivo se incluir en la
regresin un trmino de tendencia que est representado por z.

El valor de D-Femp es (0,708744 1) / 0,071516 = - 4,0725 . Si se lo compara con los

valores crticos de la prueba se aprecia que ese valor es significativamente distinto de cero

al nivel de 1%, de modo que puede concluirse que la prueba no presenta evidencias de raz
unitaria al nivel de 1%.

Y
90
80
70
60
50
40
30
20
10
0
10

20

30

40

50

60

70

80

90

100

La estimacin de los coeficientes se presenta seguidamente. Como no hay evidencia de

races unitarias, los tests t y F son vlidos.

Coefficie
nt

Std. Error

t-Statistic

Prob.

1.138486

0.221116

5.148826

0.0000

Y(-1)

0.708744

0.071516

9.910251

0.0000

0.230995

0.056845

4.063580

0.0001

R-squared

0.998038

Mean dependent var

41.94147

Adjusted R-squared

0.997997

S.D. dependent var

23.05832

S.E. of regression

1.031945

Akaike info criterion

2.930309

Sum squared resid

103.2964

Schwarz criterion

3.008464

Log likelihood

143.5155

Hannan-Quinn criter.

2.961940

F-statistic

24665.75

Durbin-Watson stat

2.280210

Prob(F-statistic)

0.000000

Null Hypothesis: Y has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
t-Statistic
Elliott-Rothenberg-Stock DF-GLS test statistic

-3.664931

Test critical values:

1% level

-3.580000

5% level

-3.030000

10% level

-2.740000

*Elliott-Rothenberg-Stock (1996, Table 1)

5.4. Extensiones del test de Dickey-Fuller .

El test de Dickey-Fuller analizado en el punto anterior considera que los errores son
independientes y que su varianza es constante. Se aplica a los modelos autorregresivos de
orden uno con una raz unitaria.
Pero la prueba debe ser modificada cuando haya que considerar procesos autoregresivos de
orden p, o bien cuando se incorporan trminos de medias mviles, o cuando las series

poseen ms de una raz unitaria o cuando se relajan los supuestos acerca de la

independencia de los errores y se permite que su varianza sea heterocedstica.

Estas modificaciones, excepto la que se refiere a la independencia de los errores y su

varianza heterocedstica encuadran dentro de lo que se suele denominar Test de Dickey
Fuller aumentado en tanto que dicha excepcin fue analizada por dos estadsticos P.
Phillips y P. Perron mediante los tests que llevan su nombre.

5.4.1. El modelo AR(p).

En primer trmino ser considerado el caso de un modelo AR (p) en el que:

yt = a0 + a1 yt -1+ a2 yt -2 ++ ap-2 yt p+2 + ap-1 yt p+1 + ap yt -p + t

Para aplicar el test de D-F se debe transformar esta ecuacin en una ecuacin con
diferencias. Esto se logra sumando y restando trminos. Por ejemplo si se suma y se resta
ap yt p-1 la ecuacin anterior resulta:

yt = a0 + a1 yt -1+ a2 yt -2 ++ ap-2 yt p+2 + ( ap-1 + ap ) yt p+1 - ap yt p+1 + t

Si ahora se suma y se resta ( ap-1 + ap ) yt p+2 la ecuacin queda:

yt = a0 + a1 yt -1+ a2 yt -2 +- (ap-1 + ap ) yt p+2 - ap yt p+1 + t

En el prximo paso habr que sumar y restar ( ap-2 + ap-1 + ap ) yt p+3 y la ecuacin resulta:

yt = a0 + a1 yt -1+ -( ap-2 + ap-1 + ap ) yt p+3 - (ap-1 + ap ) yt p+2 - ap yt p+1 + t

p

Si se contina el procedimiento se obtiene: yt a0 yt 1 i yt i 1

i2

i 1

j i

donde: ai ; j a j .

En esta ecuacin el coeficiente de inters es . Si = 0, entonces la suma de los

coeficientes es igual a uno y es indicio de que existe una raz unitaria. El resto de los
coeficientes pertenecen a una ecuacin con primeras diferencias y por lo tanto habr una
sola raz unitaria, la que corresponde a . El test se ha transformado en uno de los ya
vistos. Si la ecuacin no posee ni constante ni pendiente determinstica se debe utlizar el
estadstico , si posee constante pero no tendencia determinstica se debe utilizar y si
posee constante y tendencia determinstica se debe utilizar .

Sin embargo, el empleo del test de Dickey-Fuller aumentado (ADF) entraa problemas
adicionales: en primer trmino se debe decidir qu variables exgenas intervienen en la
ecuacin, despus, si se incluye una constante o una constante y una tendencia
determinstica o ninguna de ellas y tambin debe determinarse el nmero de rezagos o lags
que se incorporarn en el proceso autoregresivo.

Un procedimiento para determinar el nmero de rezagos a incorporar es partir con el

modelo ms general posible e ir descartando coeficientes de acuerdo con los resultados de
las pruebas, aunque debe tenerse en cuenta que incluir variables no relevantes en el modelo
reduce la potencia de los tests. El nmero de lags debe ser suficiente para eliminar la
autocorrelacin de los residuos, es decir para que estos sean ruido blanco. Una discusin
ms detallada se puede encontrar en Time Series Analysis, J. Hamilton, Princeton 1994.

El Eviews suministra tanto un procedimiento manual como uno automtico para determinar
el nmero de rezagos.

A modo de ejemplo se analizarn 200 observaciones construidas mediante el modelo y t

=0,05 + 0,305 yt -1+ 0,703 yt -2 + t . Las perturbaciones son ruido blanco normal de
varianza unitaria.

El grfico de la serie se presenta a continuacin.

Y
20

16

12

0
25

50

75

100

125

150

175

200

Ahora bien, prescindiendo del conocimiento que nosotros tenemos del modelo por haberlo
construdo, la pregunta que debemos formularnos es si es estacionario o no. El grfico de la
serie muestra a esta como un camino aleatorio as que presumiblemente contendr una raz
unitaria. Pero esta presuncin requiere ser confirmada.
Esto puede hacerse mediante el test de Dickey- Fuller en su versin automatizada pero se
plantea el problema de si se debe incluir en el modelo una constante o una tendencia
determinstica o ambas. La tendencia determinstica no podra ser descartada a partir de la
observacin del grfico y tampoco hay alguna manera confiable de saber si se debe
incorporar la constante o no, por lo que resulta necesario estimar el modelo.

Despus de varios ensayos un modelo adecuado result:

Coefficie
nt

Std. Error

t-Statistic

Prob.

Y(-1)

0.417731

0.059681

6.999414

0.0000

Y(-2)

0.590021

0.060192

9.802348

0.0000

R-squared

0.959510

Mean dependent var

8.893956

Adjusted R-squared

0.959303

S.D. dependent var

4.794246

S.E. of regression

0.967163

Akaike info criterion

2.781150

Sum squared resid

183.3393

Schwarz criterion

2.814365

Log likelihood

273.3339

Hannan-Quinn 21rter. 2.794595

Durbin-Watson stat

2.013953

El correlograma de los residuos que se presenta seguidamente muestra que estos son ruido
blanco.

Autocorrelation

Partial Correlation

AC

PAC Q-Stat Prob

.|.

.|.

1 -0.027 -0.027 0.1461 0.702

.|.

.|.

2 0.016 0.015 0.1974 0.906

.|.

.|.

3 0.049 0.050 0.6803 0.878

*|.

*|.

4 -0.095 -0.093 2.5140 0.642

.|.

.|.

5 -0.003 -0.010 2.5161 0.774

.|.

.|.

6 0.023 0.024 2.6274 0.854

.|.

.|.

7 0.000 0.011 2.6274 0.917

.|.

.|.

8 0.018 0.009 2.6956 0.952

.|.

.|.

9 -0.051 -0.055 3.2424 0.954

.|.

.|.

10 -0.014 -0.013 3.2819 0.974

De acuerdo con estos resultados es factible efectuar el test DFA para verificar si la serie es
estacionaria o no.
Se emple el comando Unit Root Test incluido en View. Se eligi Augmented Dickey
Fuller y la seleccin fue automtica. Para determinar la mejor regresin se seleccion el
criterio de informacin de Schwarz (SIC) que compara distintos modelos con hasta 14
rezagos y no se incluyeron, debido a los resultados de la regresin, ni la tendencia
determinstica ni la constante.

A partir del test DFA se puede apreciar la presencia de una raz unitaria en los niveles de
significacin de 1%, 5% y 10%.

t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

1.122649

0.9321

Test critical values:

1% level

-2.576693

5% level

-1.942439

10% level

-1.615633

*MacKinnon (1996) one-sided p-values.

5.4.2. El modelo ARIMA (p,1,q).

El proceso contiene trminos AR y MA invertibles, es un proceso ARMA con una raz

unitaria, de all la denominacin de ARIMA (p,1,q) con la que se lo denota. Si el proceso
contiene trminos MA invertibles, estos trminos, como hemos sealado en el punto 2.4.

Los modelos de promedios mviles, pueden ser convertidos en un proceso AR () y de esta

manera el anlisis se puede llevar a cabo aplicando algunas modificaciones a las tcnicas
desarrolladas por Dickey y Fuller.

Por ejemplo, supongamos que la sucesin {yt }es generada por el proceso mixto:

A (L) yt = B (L) t

donde: A (L) = 1 - a1 L - a2 L2 - ..- ap Lp y

B (L) = 1 - b1 L - b2 L2 - ..- bq Lq .

Si el proceso MA es invertible, es decir las races de B (L) se hallan fuera del crculo
unitario o lo que es anlogo los coeficientes b i son menores que uno en valor absoluto se
puede escribir:

A( L)
A( L )
yt t y si se hace D ( L)
resulta: D( L) yt t .
B ( L)
B( L)

Si bien D ( L ) es un polinomio de orden infinito se puede utilizar la misma tcnica

empleada en el punto anterior, sumando y restando trminos, para obtener un modelo con
diferencias autoregresivo de orden infinito:

yt yt 1 i yt i 1 t
i 2

La estimacin no puede efectuarse de esta manera puesto que se trata de un AR (). Pero
como un ARIMA (p, 1, q) puede aproximarse por un ARIMA (n, 1, 0) donde n T / 3
T /3

donde T es el nmero de observaciones, se puede escribir: yt yt 1 i yt i 1 t .

i 2

A este proceso se le puede aplicar como antes el test de Dickey Fuller para verificar si
existe una raz unitaria y la prueba se efecta empleando los estadsticos , si no posee ni
constante ni tendencia determinstica, si posee constante pero no tendencia

determinstica y se debe utilizar si posee constante y tendencia determinstica. Con el

Eviews no se necesita generar la ecuacin con diferencias ya que el programa puede
resolver directamente el caso.

Tambin, como en el caso anterior, se debe decidir qu variables exgenas intervienen en la

ecuacin, si se incluye una constante o una constante y una tendencia determinstica o
ninguna de ellas y tambin se debe determinar el nmero de rezagos o lags que se
incorporarn en el proceso autoregresivo. Probablemente la mejor solucin sea un
procedimiento sistemtico de prueba y error utilizando cuando corresponda, los estadsticos
t, F para chequear los modelos tentativos. Los criterios de informacin tales como el de
Schwarz y el de Akaike y el correlograma de los residuos permiten comparar la perfomance
de esos modelos y verificar si aquellos son ruido blanco. La idea que debe prevalecer en la
seleccin y estimacin del modelo es que subyace un proceso generador de los datos que se
debe desentraar y que la forma de hacerlo es mediante un mecanismo de feedback entre
hiptesis y conjeturas y los mismos datos para obtener una versin cada vez ms ajustada,
mejor y ms fidedigna. Es, en sntesis, un aspecto ms de la relacin que siempre existe
entre teora y prctica.

5.4.3. Races mltiples.

Los casos analizados contienen una sola raz unitaria pero puede suceder que en las series
econmico financieras haya ms de una raz unitaria. Aqu consideraremos sucintamente el
caso de dos races y no haremos referencia al caso ms general porque en las series
econmico financieras casi siempre con dos races bastan. La extensin a ms races
excede los lmites de este anlisis y remitimos al lector interesado a la consulta de la
bibliografa especfica.

D. Dickey y S. Pantula ( Determining the Order of Differencing in Autoregressive

Processes, Journal of Business and Economic Statistics, 1987) proponen un mtodo basado

en diferencias sucesivas que extiende el procedimiento bsico para tratar con una raz
unitaria.

Si uno sospecha que el mecanismo generador de los datos incluye dos o ms races
unitarias entonces Dickey y Pantula proponen estimar la ecuacin con el mayor nmero de
races sospechadas ya que resulta ineficiente comenzar la estimacin partiendo de un
nmero menor de races.

Para estimar dos races unitarias, siguiendo a Dickey y Pantula se puede desarrollar la
2
ecuacin yt 1yt 1 t . Se tiene que cotejar el valor del estadstico D-F emp (el cociente

entre 1 y su desvo estndar ) con el correspondiente valor de la tabla ( , , segn el

caso) y determinar si 1 es distinto de cero. La hiptesis nula es H 0 : 1 = 0 y la alternativa
es H 1 : 1 < 0. Si uno no puede rechazar la hiptesis nula entonces se concluye que el
proceso contiene dos races unitarias y la serie es I (2)., en caso contrario el proceso no
contiene dos races unitarias

Si se rechaza H 0 , es decir, el proceso no contiene dos races unitarias, entonces o bien

contiene una o no contiene ninguna. En el caso de rechazo de H 0, se pueden efectuar dos
2
pruebas con la ecuacin yt 1yt 1 2 yt 2 t . En la primer prueba si la hiptesis nula

es que el proceso contiene una raz unitaria debe ser 1 < 0 y 2 = 0 y en la segunda, si la
hiptesis nula es que el proceso no contiene ninguna raz unitaria, es decir es estacionario,
entonces tanto 1 como 2 deben ser distintos de cero.

Si uno considera un proceso AR (p) y utliza el test de Dickey Fuller aumentado los autores
p 1

2
2
proponen estimar yt 1yt 1 i yt i 1 t .
i2

Para los procesos con mayor nmero de races se puede consultar la publicacin de Dickey
y Pantula o bien Applied Time Series Modeling and Forecasting, R. Harris y R. Sollis,
Wiley, 2003.

Como ejemplo se analizar el proceso y t = 2 yt-1 - yt-2 + t que ya fue presentado en el

punto 3.3. Los modelos ARIMA. Se han construido 100 observaciones y la sucesin t es

ruido blanco normal con varianza unitaria. Las instrucciones son: 1) genr alea=nrnd 2) genr
y=0 3) genr y=2*y(-2)-y(-1)+alea sample 3 100.

El grfico de la serie que se presenta a continuacin muestra que existe una clara tendencia
ascendente.

Y
300
250
200
150
100
50
0
-50
10

20

30

40

50

60

70

80

90

100

La tendencia puede ser determinstica o estocstica, de manera que tenemos que analizar
modelos alternativos. Se probarn modelos ARMA(p,q) incluyendo o no una tendencia
determinstica. Se comenzar con el modelo que se considera ms general ARMA (3, 3)
incluyendo una tendencia determinstica, es decir:

yt a0 c1t a1 yt 1 ... a3 yt 3 t b1 t 1 ... b3 t 3

Para estimar esta ecuacin se utilizaron sucesivamente los comandos Object New Object
Equation y se escribi: y c AR(1) AR(2) AR(3) MA(1) MA(2) MA(3) @trend
Los resultados de la regresin se muestran a continuacin.

Coefficie
nt

Std. Error

t-Statistic

Prob.

69.95888

33.69010

-2.076541

0.0407

@TREND

3.456408

0.530378

6.516877

0.0000

AR(1)

1.247696

1.122410

1.111623

0.2693

AR(2)

0.416109

2.192149

0.189818

0.8499

AR(3)

0.674489

1.077514

-0.625968

0.5329

MA(1)

0.652465

1.127764

0.578548

0.5644

MA(2)

0.157540

0.154276

-1.021157

0.3099

MA(3)

0.068652

0.194734

-0.352543

0.7253

R-squared

0.999932

Mean dependent var

108.4729

Adjusted R-squared

0.999927

S.D. dependent var

110.4235

S.E. of regression

0.944131

Akaike info criterion

2.801769

Sum squared resid

79.33304

Schwarz criterion

3.014116

Log likelihood

127.8858

Hannan-Quinn criter.

2.887632

F-statistic

187586.9

Durbin-Watson stat

1.991538

Prob(F-statistic)

0.000000

Inverted AR Roots

.98+.08i

.98-.08i

-.70

Inverted MA Roots

.35

-.26

-.74

Como algunos coeficientes presentan valores t no significativos, el modelo fue

modificado y finalmente qued:

Coefficie
nt

Std. Error

t-Statistic

Prob.

76.06255

37.07945

-2.051340

0.0430

@TREND

3.553094

0.560020

6.344587

0.0000

AR(1)

1.935898

0.032340

59.86104

0.0000

AR(2)

0.942357

0.031785

-29.64756

0.0000

R-squared

0.999931

Mean dependent var

107.3682

Adjusted R-squared

0.999929

S.D. dependent var

110.3959

S.E. of regression

0.928908

Akaike info criterion

2.730346

Sum squared resid

81.10977

Schwarz criterion

2.835855

Log likelihood

129.7869

Hannan-Quinn criter.

2.773022

F-statistic

456647.3

Durbin-Watson stat

2.050689

Prob(F-statistic)

0.000000

Se puede observar que incluye una constante y una tendencia determinstica que no fueron
incorporadas cuando se gener la serie. Sin embargo, si se suprime a ambas se obtienen
mejores valores de la razn de verosimilitud y del estadstico de Schwarz, motivo por el
cual este ltimo modelo ser el adoptado.

AR(1)

Coefficie
nt

Std. Error

t-Statistic

Prob.

1.984464

0.027962

70.96996

0.0000

0.984880

0.028457

R-squared

0.999926

Mean dependent var

107.3682

Adjusted R-squared

0.999925

S.D. dependent var

110.3959

S.E. of regression

0.957257

Akaike info criterion

2.770708

Sum squared resid

87.96881

Schwarz criterion

2.823463

Log likelihood

133.7647

Hannan-Quinn 29rter. 2.792046

Durbin-Watson stat

1.984448

Inverted AR Roots

.99-.02i

AR(2)

-34.60931

0.0000

.99+.02i

Las races de la ecuacin muestran que estn prcticamente sobre el crculo unitario, es
decir puede haber dos races unitarias.
El correlograma de los residuos muestra que estos son ruido blanco.

Autocorrelation
.|.

*|.

Partial Correlation
.|.

*|.

AC

PAC Q-Stat Prob

1 -0.011 -0.011 0.0133 0.908

|

2 -0.073 -0.073 0.5548 0.758

.|.

.|.

3 -0.003 -0.005 0.5560 0.906

.|.

.|.

4 0.046 0.041 0.7779 0.941

.|*

.|*

5 0.131 0.132 2.5833 0.764

*|.

*|.

6 -0.126 -0.119 4.2787 0.639

.|.

.|.

7 -0.029 -0.013 4.3697 0.736

.|.

.|.

8 0.029 0.011 4.4623 0.813

*|.

*|.

9 -0.095 -0.113 5.4656 0.792

.|.

.|.

10 0.028 0.025 5.5559 0.851

Con la informacin anterior se proceder a chequear la existencia de races unitarias y el

nmero de estas utilizando las pruebas de Dickey-Fuller que suministra el Eviews; primero
se efectuar en forma manual y despus se proceder automticamente. Nuestra
informacin consiste en que se trata de un proceso autoregresivo de orden dos donde
posiblemente existan dos races unitarias.

2
Se utilizar: yt 1yt 1 t con H 0: 1 = 0 (existen dos races unitarias) versus la

alternativa H 1: 1 < 0 (no existen dos races unitarias). Para efectuar esta regresin se
2
generaron las series yt mediante el comando genr dife2=d(y,2) sample 3 100 y la serie

yt 1 mediante la sucesin de instrucciones genr y1=d(y,1) sample 2 100 genr

dife1=d(y1,1) sample 3 100. Luego se efectu la regresin de dife2 sobre dife1, la que se
presenta a continuacin.

Dependent Variable: DIFE2

Method: Least Squares
Date: 11/25/09 Time: 15:54
Sample: 3 100
Included observations: 98

DIFE1

Coefficie
nt

Std. Error

t-Statistic

Prob.

0.024094

0.022304

-1.080226

0.2827

R-squared

0.011753

Mean dependent var

0.011115

Adjusted R-squared

0.011753

S.D. dependent var

0.959258

S.E. of regression

0.953604

Akaike info criterion

2.753016

Sum squared resid

88.20801

Schwarz criterion

2.779393

Log likelihood

133.8978

Hannan-Quinn criter.

2.763685

Durbin-Watson stat

1.962344

El valor del estadstico t es -1,08 motivo por el cual se puede concluir que se verifica H 0:
1 = 0 (existen dos races unitarias) al nivel de 5%, ya que el valor de tabla para ese nivel de
significacin es -1,95.

La misma prueba se efectu con el Eviews utilizando el test de Dickey Fuller aumentado
escribiendo en la especificacin suministrada por el usuario 0 lags en consonancia con el
modelo autoregresivo obtenido. Por otra parte, la estimacin (por defecto) en niveles en el
Eviews, corresponde a una estimacin en primeras diferencias de las variables, as que se
utiliz la especificacin primeras diferencias para que la variable dependiente pudiera ser
considerada como una ecuacin en segundas diferencias tal como lo especificaba el modelo
terico. Los resultados se presentan a continuacin.

Se puede apreciar que prcticamente no existen diferencias con los resultados precedentes.

Null Hypothesis: D(Y) has a unit root

Exogenous: None
Lag Length: 0 (Fixed)

t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-1.080226

0.2519

Test critical values:

1% level

-2.588772

5% level

-1.944140

10% level

-1.614575

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(Y,2)
Method: Least Squares
Date: 11/25/09 Time: 18:23
Sample (adjusted): 3 100
Included observations: 98 after adjustments
Coefficie
nt

Std. Error

t-Statistic

Prob.

0.024094

0.022304

-1.080226

0.2827

R-squared

0.011753

Mean dependent var

0.011115

Adjusted R-squared

0.011753

S.D. dependent var

0.959258

S.E. of regression

0.953604

Akaike info criterion

2.753016

Sum squared resid

88.20801

Schwarz criterion

2.779393

Log likelihood

133.8978

Hannan-Quinn criter.

2.763685

Durbin-Watson stat

1.962344

D(Y(-1))

Por ltimo se emple el test de Dickey-Fuller aumentado y se efectu la prueba en primeras

diferencias para que la variable dependiente de la ecuacin sea considerada en trminos de
segundas diferencias. Los resultados son anlogos a los ya obtenidos. En todos los casos se
rechaza H 1 de modo que el modelo presenta dos races unitarias al nivel de significacin de
5%.

t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-1.080226

0.2519

Test critical values:

1% level

-2.588772

5% level

-1.944140

10% level

-1.614575

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(Y,2)
Method: Least Squares
Date: 11/25/09 Time: 18:00
Sample (adjusted): 3 100
Included observations: 98 after adjustments

5.4.4.Otros tests de races unitarias.

Estos temas exceden los lmites de estas notas motivo por el cual solo sern mencionados y
solo se consignar alguna bibliografa.

Las races unitarias pueden aparecer relacionadas con patrones estacionales, las tcnicas
estadsticas procuran eliminar la estacionalidad de la serie y someter a prueba la serie
desestacionalizada. En The Econometric Analysis of Seasonal Time Series, E. Ghysels y D.
Osborn, Cambridge, 2001 se puede hallar un desarrollo del tema.

Los tests de P. Phillips y P. Perron son ms generales que los de Dickey-Fuller porque
permiten que los errores posean cierto grado de dependencia y que su varianza sea
heterocedstica. El Eviews incluye estos tests.

Adems el Eviews incluye las pruebas de Kwiatoski-Phillips-Schmid-Shin, las de ElliotRothenberg y las de Ng-Perron. Una descripcin de las mismas se puede hallar en Unit
Roots, Cointegration and Structural Change, G. Maddala y I. Kim, Cambridge, 2000.

5.4.5. Comentarios finales.

La presencia de races unitarias conduce a series con tendencia estocstica que se alejan de
sus valores medios, las series no presentan medias constantes y la varianza se torna infinita.
En muchos casos las regresiones que incluyen series con tendencia son espreas y el grado
de concordancia entre las variables solo refleja la correlacin entre las tendencias. Como
ejemplos de tales casos hemos presentado meras asociaciones de ruido blanco cuyos
coeficientes eran estadsticamente significativos, de modo que uno puede engaarse si se
atiene solamente al cuadro bsico de la regresin y no se plantea la posibilidad de que se
presenten races unitarias en el anlisis.

Algunos procedimientos tendientes a eliminar estas correlaciones sin ningn sentido

economtrico consisten en diferenciar las series o bien transformarlas en trminos de
valores porcentuales o de diferencias de logaritmos para convertirlas en estacionarias.

Pero el problema consiste en distinguir a una serie con races unitarias de una que no las
posea y para ello hemos presentado las pruebas de Dickey-Fuller y sus extensiones.

Estos tests de races unitarias estn condicionados por la estimacin adecuada del modelo y
los errores de especificacin influyen significativamente en los resultados de las pruebas.
Esto hace que estos tests posean baja potencia, es decir una baja capacidad para rechazar
hiptesis falsas y muchas veces estas pruebas no distinguen de manera adecuada entre los
procesos con races unitarias de los procesos que son estacionarios pero cuyas races estn
cerca de uno.

Sin embargo estas son las herramientas disponibles para detectar correlaciones espreas y
en lneas generales los tests cumplen con los cometidos para los que fueron diseados si las
especificaciones son correctas, de manera que debe colocarse un gran nfasis en la
estimacin para que los resultados sean verosmiles. Una interesante discusin acerca de
estos puntos se puede hallar en W. Enders, Applied Econometric Time Series, Wiley, 1995.

Ejercicio.

Compruebe si la serie desestacionalizada del producto consignada en el punto 3.4 posee

races unitarias. Puede desestacionalizar la serie utilizando el mtodo Census X-12 Arima.