Академический Документы
Профессиональный Документы
Культура Документы
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.
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.
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.
2) Genr y=0
3) Genr y=2*y(-1)-y(-2)+alea
Sample 3 100
-50
-100
-150
-200
-250
10
20
30
40
50
60
70
80
90
100
Autocorrelation
Partial Correlation
AC
.|*******
.|*******
.|******|
.|.
.|******|
.|.
.|******|
.|.
.|***** |
.|.
.|***** |
.|.
.|***** |
.|.
.|**** |
.|.
.|**** |
.|.
.|**** |
.|.
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
*|.
*|.
*|.
*|.
.|*
.|*
.|*
.|*
*|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
*|.
*|.
.|*
.|.
|
|
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.
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
8.568848
Adjusted R-squared
0.569443
11.09931
S.E. of regression
7.283019
6.818967
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.
Autocorrelation
Partial Correlation
.|*******
.|*******
.|*******
.|.
.|******|
.|*
.|******|
*|.
.|******|
.|.
.|***** |
.|.
.|***** |
.|.
.|***** |
.|.
AC
.|***** |
.|.
.|***** |
.|.
.|**** |
.|.
.|**** |
.|.
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
0.164191
Adjusted R-squared
0.004612
0.934773
S.E. of regression
0.936926
2.717575
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
Ejercicios.
a) yt a1 yt 1 t
b) yt a0 a1 yt 1 t
c) yt a0 a1 yt 1 a2 t t
a) yt yt 1 t
b) yt a0 yt 1 t
c) yt a0 yt 1 a2 t t
= 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 .
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
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.
Std. Error
t-Statistic
Prob.
0.948909
0.031942
29.70713
0.0000
R-squared
0.873593
1.296316
Adjusted R-squared
0.873593
2.532277
S.E. of regression
0.900320
2.637917
79.43649
Schwarz criterion
2.664130
Hannan-Quinn criter.
2.648523
Y(-1)
Log likelihood
129.5769
Durbin-Watson stat
2.153526
-1.687780
1% level
-2.588530
5% level
-1.944105
10% level
-1.614596
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.
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
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
41.94147
Adjusted R-squared
0.997997
23.05832
S.E. of regression
1.031945
2.930309
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
-3.664931
1% level
-3.580000
5% level
-3.030000
10% level
-2.740000
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
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:
En el prximo paso habr que sumar y restar ( ap-2 + ap-1 + ap ) yt p+3 y la ecuacin resulta:
i 1
j i
donde: ai ; j a j .
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.
El Eviews suministra tanto un procedimiento manual como uno automtico para determinar
el nmero de rezagos.
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.
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
8.893956
Adjusted R-squared
0.959303
4.794246
S.E. of regression
0.967163
2.781150
183.3393
Schwarz criterion
2.814365
Log likelihood
273.3339
Durbin-Watson stat
2.013953
El correlograma de los residuos que se presenta seguidamente muestra que estos son ruido
blanco.
Autocorrelation
Partial Correlation
AC
.|.
.|.
.|.
.|.
.|.
.|.
*|.
*|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
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.*
1.122649
0.9321
1% level
-2.576693
5% level
-1.942439
10% level
-1.615633
Por ejemplo, supongamos que la sucesin {yt }es generada por el proceso mixto:
A (L) yt = B (L) t
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)
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
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
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.
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
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.
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:
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
108.4729
Adjusted R-squared
0.999927
110.4235
S.E. of regression
0.944131
2.801769
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
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
107.3682
Adjusted R-squared
0.999929
110.3959
S.E. of regression
0.928908
2.730346
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
107.3682
Adjusted R-squared
0.999925
110.3959
S.E. of regression
0.957257
2.770708
87.96881
Schwarz criterion
2.823463
Log likelihood
133.7647
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
.|.
.|.
.|.
.|.
.|*
.|*
*|.
*|.
.|.
.|.
.|.
.|.
*|.
*|.
.|.
.|.
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
DIFE1
Coefficie
nt
Std. Error
t-Statistic
Prob.
0.024094
0.022304
-1.080226
0.2827
R-squared
0.011753
0.011115
Adjusted R-squared
0.011753
0.959258
S.E. of regression
0.953604
2.753016
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.
t-Statistic
Prob.*
-1.080226
0.2519
1% level
-2.588772
5% level
-1.944140
10% level
-1.614575
Std. Error
t-Statistic
Prob.
0.024094
0.022304
-1.080226
0.2827
R-squared
0.011753
0.011115
Adjusted R-squared
0.011753
0.959258
S.E. of regression
0.953604
2.753016
88.20801
Schwarz criterion
2.779393
Log likelihood
133.8978
Hannan-Quinn criter.
2.763685
Durbin-Watson stat
1.962344
D(Y(-1))
t-Statistic
Prob.*
-1.080226
0.2519
1% level
-2.588772
5% level
-1.944140
10% level
-1.614575
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.
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.
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.