Banco Central de Costa Rica

Departamento de Investigación Económica

DIE-NT-01-2008

SEMINARIO-TALLER
TÓPICOS DE ECONOMETRIA APLICADA
PARTE I

Introducción al tema de raíces unitarias en

la modelación econométrica

Basado en Mahadeva y Robinson (2004)

y Galindo (2005)

Preparado por: Carlos Torres Gutiérrez

Equipo de Modelación/BCCR
 Contenido
• Series de tiempo no estacionarias y “regresión
espuria”.
• Definiciones de estacionariedad y variables
cercanas a raíz unitaria.
• Excepciones a la “regresión espuria”.
• Incorrecta identificación de la no
estacionariedad.
• Pruebas Dickey-Fuller y Dickey-Fuller
Aumentada y sus limitaciones.
• Conjunto de pruebas de raíz unitaria.
• Mensaje final de la presentación.
• Comandos para efectuar pruebas de raíz unitaria

Equipo de Modelación/BCCR
 Series de tiempo no estacionarias
• Los economistas tienen que modelar y
pronosticar series de tiempo económicas.
Pero un problema que encaran es que
éstas a menudo son no estacionarias:

– Tienen tendencia
– Sufren innovaciones persistentes (los efectos
de los shocks no desaparecen en el tiempo).

Equipo de Modelación/BCCR
 Algunas series no estacionarias
LITCERIPC LTCN
4.80 6.0

4.76 5.8

4.72 5.6

4.68 5.4

4.64 5.2

4.60 5.0

4.56 4.8

4.52 4.6
91 92 93 94 95 96 97 98 99 00 01 91 92 93 94 95 96 97 98 99 00 01

LPT LPNT
4.2 4.4

4.0
4.0
3.8

3.6 3.6
3.4

3.2 3.2

3.0
2.8
2.8

2.6 2.4
91 92 93 94 95 96 97 98 99 00 01 91 92 93 94 95 96 97 98 99 00 01

Equipo de Modelación/BCCR
 “Regresión espuria”
• Regresiones con MCO y variables no estacionarias
pueden generar:

– ee’s sesgados (no es confiable el criterio convencional

para juzgar si hay una relación causal entre las variables).
– Altos t-estadísticos (la regresión recoge las tendencias de
las X’s y la atribuye a la tendencia de Y).
– Alto R2, lo que sugiere una relación estadísticamente
significativa, aunque no exista ninguna realmente.

• A este problema se le llama “regresión espuria”.

Equipo de Modelación/BCCR
 Ejemplo: regresión espuria
Dependent Variable: LITCERIPC
Method: Least Squares
Sample: 1991Q1 2001Q4
Included observations: 44

Variable Coefficient Std. Error t-Statistic Prob.

LTCN 1.641046 0.049551 33.11800 0.0000

LPT 0.815314 0.207568 3.927930 0.0003
LPNT -2.045753 0.143389 -14.26719 0.0000

R-squared 0.733146 Mean dependent var 4.629747

Adjusted R-squared 0.720129 S.D. dependent var 0.063102
S.E. of regression 0.033383 Akaike info criterion -3.895823
Sum squared resid 0.045690 Schwarz criterion -3.774174
Log likelihood 88.70810 Durbin-Watson stat 0.606790

Equipo de Modelación/BCCR
 Null Hypothesis: ERRORES_ESPURIOS has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.062107 0.1282

Null Hypothesis: ERRORES_ESPURIOS has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.189830 0.0275

Null Hypothesis: ERRORES_ESPURIOS has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.222366 0.0019

Los errores de la regresión anterior no son

estacionarios, según valores críticos al 1% (4.84), 5%
(4.11) y 10% (3.73), para una muestra de 50 datos y 3
variables explicativas (Engle y Yoo, 1987)
Equipo de Modelación/BCCR
• Para minimizar el problema de “regresión
espuria”, normalmente se prueba si las
series son estacionarias.

• Existen diferentes definiciones de

estacionariedad.

Equipo de Modelación/BCCR
 Definiciones de estacionariedad
• Estacionariedad fuerte:

– Una serie de tiempo es fuertemente

estacionaria, si su distribución conjunta es
invariante en el tiempo (todos los momentos
de la distribución no dependen del tiempo).

– En la práctica, es imposible probar la

estacionariedad fuerte, especialmente en “n”
pequeñas.

Equipo de Modelación/BCCR
• Estacionariedad débil:

– Una serie de tiempo es débilmente

estacionaria si la media, la varianza y la
covarianza son independientes del tiempo.

– Una definición más débil aún es que la media

sea invariante en el tiempo.

– En la práctica, la definición de estacionariedad

débil es más útil.

Equipo de Modelación/BCCR
• Estacionariedad en tendencia:

– El nivel de una variable (por ejemplo los

precios pt) puede ser no estacionario, pero
puede obtenerse una serie estacionaria
extrayendo su tendencia (aunque a veces sea
difícil identificarla):

pt = p0 + τt + ηt

– Tal serie se llama estacionaria en tendencia

Equipo de Modelación/BCCR
 IPC06 IPC06_SIN_TEND
70 8.5

60 8.0

7.5
50

7.0
40
6.5

30
6.0

20 5.5
94 95 96 97 98 99 00 01 02 94 95 96 97 98 99 00 01 02

Equipo de Modelación/BCCR
• Estacionariedad en diferencia:

– Si tomamos la 1º diferencia de una serie no

estacionaria sujeta de shocks persistentes (por
ejemplo el producto yt), podemos obtener una
serie estacionaria:

yt=yt-1+εt → yt=εt

Equipo de Modelación/BCCR
 Y DY
3000000 250000

200000
2500000
150000
2000000
100000
1500000
50000
1000000
0

500000 -50000

0 -100000
1992 1994 1996 1998 2000 2002 2004 2006 1992 1994 1996 1998 2000 2002 2004 2006

– En general, series que necesitan ser

diferenciadas n veces para alcanzar la
estacionariedad las llamamos integradas de
orden n: I(n)
Equipo de Modelación/BCCR
 Variables cercanas a raíz unitaria

• Pero el problema de “regresión espuria”

puede aparecer aún si las variables son
estacionarias pero altamente
autorregresivas.

Equipo de Modelación/BCCR
 Excepciones a la “regresión espuria”
• Sin embargo, si las variables tienen raíz
unitaria, no significa necesariamente que la
regresión sea “espuria”.

– Las variables pueden estar relacionadas en el

largo plazo (cointegradas).

– Se pueden usar otros procedimientos o técnicas

de estimación alternativas a MCO, para modelar
series no estacionarias.

Equipo de Modelación/BCCR
Incorrecta identificación del tipo de no
estacionariedad
• Qué sucede si equivocadamente:
– Removemos la tendencia a una serie
estacionaria en diferencia o
– Tomamos la 1º diferencia de una serie
estacionaria en tendencia
• Los problemas se incrementan:
– Los efectos de los errores seguirán siendo
persistentes aún.
– Introducimos un patrón MA en los errores.
• Pero a veces es difícil diferenciarlas
Equipo de Modelación/BCCR
Prueba estándar de Dickey-Fuller (DF)

• Una variable autorregresiva sencilla con

constante y con tendencia tiene la forma:

Yt=μ+βt+φYt-1+εt εt iid(0,σ2)

• Sustrayendo Yt-1 en ambos lados de la ecuación:

Y t= μ+βt+γYt-1+εt γ=(φ-1)

• Ho: γ=0 (Yt tiene raíz unitaria).

Equipo de Modelación/BCCR
• Los valores críticos de la prueba son
sensibles a los cambios de “n”.

– En “n” pequeñas y “ruidosas”, la prueba puede

fallar en no rechazar Ho.

• La correlación serial de los residuos de la

prueba sesga sus resultados.

Equipo de Modelación/BCCR
 Prueba de Dickey-Fuller Aumentada
(ADF)
• Para enfrentar la autocorrelación, se incluyen
suficientes rezagos de la variable dependiente.

Yt = μ + βt + γ1Yt-1 + Ʃαi Y t-i + εt

• Ho: γ=0; μ≠0; β≠0; αi ≠0 (Yt tiene raíz unitaria).

• CCCT, CCST, SCST
• Para escoger los rezagos se puede:
– Utilizar un criterio de selección automático.
– Comenzar con 12 rezagos para variables mensuales o 4
para trimestrales (a menos que hayan razones para
creer que la serie sea altamente autocorrelacionada).
Equipo de Modelación/BCCR
 Limitaciones de las pruebas de raíz
unitaria.
• Un problema con las pruebas de raíz
unitaria es que sufren de bajo “poder”.

– El poder de una prueba es la probabilidad de

rechazar una Ho falsa.

– Tendemos a no rechazar Ho y a concluir

erróneamente que la variable tiene raíz
unitaria, cuando en realidad es estacionaria.

Equipo de Modelación/BCCR
 Conjunto de pruebas de raíz unitaria
• El peligro de la “regresión espuria” y la
limitada capacidad de algunas pruebas de
raíz unitaria, sugieren realizar una batería
de pruebas.

– Un estudio “serio” normalmente incluye

ADF, Phillips-Perròn y KPSS.

– Últimamente también se efectúan pruebas

Dickey-Fuller GLS (ERS) y Ng-Perròn.

Equipo de Modelación/BCCR
 Mensaje final de la presentación
• El mensaje no es que hay obligación de
realizar pruebas de raíz unitaria antes de
la modelación.

• Sino que es crucial pensar en las

propiedades dinámicas de las variables
utilizadas, antes de la modelación y el
pronóstico.
– Porque la no estacionariedad es un problema
incisivo (pervasive) en econometría.

Equipo de Modelación/BCCR
 Anexo:

• Comandos para realizar pruebas de raíz

unitaria (Eviews).
• Regla de decisión

Equipo de Modelación/BCCR
 Comandos para efectuar pruebas de
raíz unitaria en EViews
• Doble clic a variable de interés.
• Opciones de menú (View/Unit root test…)
• Seleccionar tipo de prueba (Test type):
– ADF, KPSS, PP, DF GLS (ER), etc.
• Seleccionar rezagos (Lag length):
– Automático o predeterminado.
• Seleccionar constante o tendencia (Include in test
equation):
– CCCT, CCST, SCST.
• Clic botón OK

Equipo de Modelación/BCCR
 Regla de decisión
• Ho: la variable de interés tiene raíz unitaria
• Ha: la variable es estacionaria

• Rechazamos Ho si, en módulo:

Test statistic (ADF, PP, etc.) > Test critical values (1%, 5%, 10%)

• No rechazamos Ho en otro caso

• Ejemplificar con ITCERIPC.

Equipo de Modelación/BCCR
 Seminario-Taller:
Tópicos de Econometría Aplicada. Parte I

Introducción al tema de raíces

unitarias en la modelación
econométrica.
Basado en Mahadeva y Robinson (2004)
y Galindo (2005)

Febrero, 2007

Equipo de Modelación/BCCR