Академический Документы
Профессиональный Документы
Культура Документы
HL Mata
Profesor Titular de la Facultad de Ciencias Econmicas y Sociales (FACES) de la Universidad de los Andes (ULA). No hay ninguna pretensin de originalidad en estas notas. Las mismas existen por todas partes. Mi mayor contribucin, si acaso alguna, consisti en ubicarlas, sistematizarlas, adaptarlas y publicarlas para beneficio de Estudiantes de la Facultad de Ciencias Econmicas y Sociales de la Universidad de los Andes.
HL Mata
Conceptos de Cointegracin
Desde el punto de vista de la Economa Se dice que dos o mas series estn cointegradas si las mismas se mueven conjuntamente a lo largo del tiempo y las diferencias entre ellas son estables (es decir estacionarias), an cuando cada serie en particular contenga una tendencia estocstica y sea por lo tanto no estacionaria. De aqu que la cointegracin refleja la presencia de un equilibrio a largo plazo hacia el cual converge el sistema econmico a lo largo del tiempo. Las diferencias (o trmino error) en la ecuacin de cointegracin se interpretan como el error de desequilibrio para cada punto particular de tiempo. Desde el punto de vista de la Econometra Dos o ms series de tiempo que son no estacionarias de orden I(1) estn cointegradas si existe una combinacin lineal de esas series que sea estacionaria o de orden I(0). El vector de coeficientes que crean esta serie estacionaria es el vector cointegrante.
HL Mata
Segn S. Johansen la mayor parte de las series temporales son no estacionarias y las tcnicas convencionales de regresin basadas en datos no estacionarios tienden a producir resultados espurios Sin embargo, las series no estacionarias pueden estar cointegradas si alguna combinacin lineal de las series llega a ser estacionaria. Es decir, la serie puede deambular, pero en el largo plazo hay fuerzas econmicas que tienden a empujarlas a un equilibrio. Por lo tanto, las series cointegradas no se separarn muy lejos unas de otras debido a que ellas estn enlazadas en el largo plazo
HL Mata
La mayora de las Series tienen una tendencia. Su valor medio cambia con el tiempo. Son las llamadas Series no estacionarias. Algunas Series describen meandros, es decir, suben y bajan sin ninguna tendencia obvia o tendencia a revertir hacia algn punto Algunas series presentan Shocks persistentes. Los cambios repentinos en estas series tardan mucho tiempo en desaparecer Algunas series se mueven conjuntamente, es decir tienen co movimientos positivos, ejemplo: diferentes tasa de inters La Volatilidad de algunas Series vara en el tiempo. Muchas series pueden ser ms variables en una ao que en otro
1.6E+07 1.4E+07 1.2E+07
140000 160000 150000
1.0E+07
600 400 200
0 93 94 95 96 97 98 IPC 99 00 01 02 03
0.0E+00 93 94 95 96 97 98 M1 99 00 01 02 03
90000 93 94 95 96 97 98 PIBR 99 00 01 02 03
HL Mata
Enfoques de Cointegracin
Engel-Granger (1987)
Aplicable a modelos uniecuacionales (con dos o ms variables ?) Mtodo en dos etapas basado en los residuos estimados Asume a priori que existe un solo vector de cointegracin en el modelo El resultado de este mtodo de cointegracin puede cambiar dependiendo de cual variable se seleccione como dependiente
Johansen, S. (1988,1991)
Aplicable a sistemas de ecuaciones Este mtodo est basado en modelos VAR (Vectores autorregresivos). Es un test de mxima verosimilitud que requiere grandes volmenes de datos (100 ms) Prueba la existencia de mltiples vectores de cointegracin entre las variables, mediante la prueba de la Traza y del Eigenvalue mximo Descansa fuertemente en la relacin entre el rango de la matriz y sus races caractersticas
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
HL Mata
Durante las pasadas dos dcadas los Economistas han desarrollado ciertas herramientas para examinar si las variables econmicas tienen tendencias comunes, tal como lo predice la Teora econmica. Una de esas herramientas son las llamadas pruebas de cointegracin. El procedimiento multivariado de S. Johansen (1988 y 1991), profesor de estadstica matemtica de la Universidad de Copenhagen, se ha convertido en un mtodo muy popular para probar la existencia de cointegracin en la variables I(1) y I(0), en donde I(1) y I(0) indican integracin de primer y cero orden, respectivamente. En la tecnologa de S. Johansen, es necesario analizar las series previamente con el fin de conocer si presentan o no races unitarias. Las series que presenten races unitarias se colocan en un vector autorregresivo a partir del cual se puede probar la existencia de una o mas combinaciones lineales J(U) o vectores de cointegracin, como tambin se les denomina. .
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
Metodologa de S. Johansen
Determinar el orden de integracin a cada una de las series includas en el modelo. Especificar un Vector AutoRegresivo (VAR) con las series que resulten integradas de orden I(1). Seleccionar las Variables del Modelo Seleccionar las transformaciones de las variables, si las hubieren Determinar el retardo ptimo del VAR para asegurar que los residuos sean ruido blanco (white noise) Especificar las variables determinsticas (variables dummy, tendencias,
etc)
Diagnstico del VAR estimado Aplicar el procedimiento de Mxima Verosimilitud al vector autorregresivo con el fin de determinar el rango (r) de cointegracin del sistema: Prueba de la Traza Prueba del Eigenvalue Mximo (valor propio) Estimar el modelo Vector de Correccin de Errores Determinar la relacin causal entre las variables del modelo
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
Datos: Descripcin
Los series utilizadas en este trabajo se obtuvieron de la Tabla 21-1 Informacin Macroeconmica, Estados Unidos, 1970.1 a 1991.4 Damodar N. Gujarati (2003) Basic Econometrics, McGraw Hill, 5ta edicin. Sigan el procedimiento de la diapositiva 11 para bajar los datos y transcriban las series con el software EViews 4.1. Guarden los datos en un disco flexible con el nombre USA
Series Trimestrales:
Tamao de la muestra: 1970.1 - 1991.4
10
11
HL Mata
12
Orden de Integracin
El orden de integracin se refiere al nmero de veces que se debe diferenciar una serie de tiempo (calcular su primera diferencia) para convertirla en una serie estacionaria Se dice que una serie de tiempo est integrada de orden d, escrita I(d), si despus de diferenciarla d veces se convierte en estacionaria. Las series que son estacionarias sin diferenciar se denominan I(0), ruido blanco Si se calcula la primera diferencia de una serie y sta se vuelve estacionaria, se dice entonces que la misma est integrada de orden I(1), random walk. Si la integracin se alcanza despus de calcular la segunda diferencia, se dir que la serie esta integrada de orden 2, es decir I(2) Si una combinacin lineal de 2 variables I(1) genera errores I(0), se dice que las 2 variables estn cointegradas Si dos variables estn integradas de diferentes rdenes, digamos que una es I(1) y la otra de orden I(2), no habr cointegracin En economa slo tienen importancia las series integradas de orden I(1). Cul es el orden de integracin de nuestras variables GCP e IPD ?
HL Mata
13
Significativo
14
Pruebas Formales:
Estadstico de Dickey-Fuller (DF) Estadstico Aumentado de Dickey-Fuller (ADF) Estadstico de Phillips-Perron (PP
HL Mata
15
16
2800
2400
2000
1600 70 72 74 76 78 80 82 84 IPD
17
86
88
90
GCP
HL Mata
DGCP=GCP-GCP(-1) DIPD=IPD-IPD(-1)
Clic OK Clic OK
Representar las Series en Primeras Diferencias Seleccionen las variables Transformadas DGCP y DIPD, respectivamente Doble clic sobre la serie DGCP y seleccionen Open Group
.
- Line
La inspeccin grfica de las series sugiere que las mismas pueden ser estacionarias
HL Mata
18
Las Series parecen moverse no alrededor del tiempo sino alrededor de sus Medias, Varianzas y Covarianzas, caracterstica de las series estacionarias
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
19
HL Mata
20
Funcin de Autocorrelacin
La funcin de autocorrelacin de una serie GCP da la correlacin terica entre los valores de la serie en el perodo t y sus valores en el tiempo t+k, para todo valor de k desde 1 hasta n, cuya frmula es la siguiente:
k =
Regla de decisin: Los coeficientes de autocorrelacin de los procesos estacionarios tienden a cero (0) rpidamente a medida que aumenta el nmero de retardos K Los coeficientes de autocorrelacin de los procesos no estacionarios decaen muy lentamente, a cero (0), a medida que aumenta K El grfico de k es el correlograma el cual provee una informacin importante para el anlisis de las series temporales. Noten que k (rho) es igual a 1
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
21
Crear un Correlograma
Clic en el botn de Cerrar ( botn rojo inferior) para cerrar la Ventana del Grupo Clic en el botn de comando YES para confirmar el cierre Doble clic sobre la serie GCP Clic en View - Correlograma (En Correlogram of, seleccionen Level. En lags to
22
Si el correlograma empieza en un valor muy alto y decae muy lentamente hacia cero: Serie No Estacionaria. Si el correlograma decae muy rpidamente despus del primer retardo: Serie Estacionaria.
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
23
H 0 : 1 = 2 = ... = k = 0 Serie es White noise = Estacionaria H1 : 1 = 2 ... k 0 Serie Random walk = No estacionaria
Nmero de retardos recomendados: una cuarta parte del total de las observaciones
2.
2.
Recla de decisin:
Rechacen a Ho si el valor de probalidad o p-value] es que el nivel alfa 0.05 No rechace a Ho si el valor de la probabilidad o p-value es > que el nivel alfa 0.05
4.
Conclusin:
Dado que todas la probabilidades o p-values son menores de 0.05 se concluye que las series son no estacionarias
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
24
*****************************************************************
Estadsticos calculados con MicroFit. Los valores entre corchetes son valores de Probabilidad o p-values. Rechace a Ho si el valor del p-value [valores entre corchetes] es menor que el nivel de significacin 0.05 Presten atencin a los estadsticos Q y LB y a sus correspondientes valores de Probabilidad. Todos son significativos y menores que el nivel alfa 0.05. Esto obliga a rechazar la hiptesis nula Ho: de que la Serie GCP es estacionaria. Por lo tanto, la serie GCP es una serie no estacionaria por presentar una raz unitaria
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
25
*****************************************************************
Estadsticos calculados con MicroFit. Los valores entre corchetes son valores de Probabilidad o p-values. Rechace a Ho si el valor del p-value [valores entre corchetes] es menor que el nivel de significacin 0.05 Presten atencin a los estadsticos Q y LB y a sus correspondientes valores de Probabilidad. Todos son significativos y menores que el nivel alfa 0.05. Esto obliga a rechazar la hiptesis nula Ho: de que la Serie IPD es estacionaria. Por lo tanto, la serie IPD es una serie no estacionaria por presentar una raz unitaria
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
26
Pruebas Formales
HL Mata
27
Yt = + T + Yt 1 + ut
La diferencia entre estas tres regresiones envuelve la presencia de componentes deterministicos: Intercepto (drift) y tendencia (T). La primera es un modelo puramente aleatorio. La segunda aade un intercepto o trmino a la deriva drift y la tercera incluye intercepto y un trmino de tendencia
Yt = Yt 1 + ut Yt = + Yt 1 + ut
.
28
Yt = + T + Yt 1 + Yt i + et
i =1
Use este estadstico cuando la prueba de DF no pueda corregir la correlacin serial en los residuos. El propsito de los retardos Yt i es asegurar que los residuos sean ruido blanco. Cuantos retardos usar ?. Empiece con 6 retardos y vaya disminuyndolos hasta que el estadstico indique que se ha corregido la autocorrelacin en los residuos.
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
29
2.
t = tau = ADF
3.
4.
Regla de decisin: Comparen el valor de tau con los valores crticos de MacKinnon Si | t | | valor crtico DF | Re chace a H . Serie estacionaria 0 Si | t | > | valor crtico DF | Acepte a H . Serie No Estacionaria 0 Conclusin:
GCP ... Como | t | > | valor crtico DF | Serie no estacionaria IPD | t | > | valor crtico DF | Serie no estacionaria Como
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
30
Prob.* 0.4749
Acepte la hiptesis nula, por cuanto el valor del ADF es mayor (menos negativo) que el valor crtico de McKinnon al 5%. (Transforme sus datos en logaritmos, primeras diferencias, tasas de cambios, etc.)
Prob.* 0.00000
El estadstico ADF, -6.630339, es un nmero suficientemente negativo Rechace la hiptesis nula a favor de estacionariedad por cuanto el valor del ADF es menor (ms negativo) que el valor crtico de MacKinnon al 1 % Note que la probabilidad asociada al estadstico tau (Prob) es menor que el nivel 0.05, lo cual ratifica el rechazo de la hiptesis nula de no estacionariedad Nociones Elementales de Cointegracin Enfoque de S. Johansen
HL Mata
32
Prob.* 0.2867
Prob.* 0.00000
33
Valores crticos de MacKinnon para rechazar la hiptesis de raz unitaria * Significante a cualquier nivel de significacin: 1% 5% 10%.. NOTAS:
El estadstico de Dickey Fuller (ADF o tau) es la prueba estandadard de estacionariedad Un valor positivo de ADF significa que la serie es definitivamente no estacionaria Para que se pueda rechazar la hiptesis nula en favor de estacionariedad el estadstico ADF debe ser un nmero suficientemente negativo. Ejemplos: -6.6303 y -9.6361 son nmeros suficientemente negativos 4. Rechace la hiptesis nula de no estacionariedad cuando se cumpla, en trminos absolutos, que el valor del estadstico ADF sea mayor que el valor crtico de MacKinnon al nivel de significacin seleccionado, normalmente el 5 %. 4. Un valor bajo del estadstico DW es indicativo de la necesidad de aumentar el nmero de retardos con el fin de remover la autocorrelacin en los valores de la serie.
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
1. 2. 3.
34
Especificar un Vector AutoRegresivo (VAR) con las series que resulten Integradas de Orden I(1).
HL Mata
35
2.
3.
36
X t = A1X t 1 + ... + A X t + BX t + t
T
X t = [GCP , IPD]
A1 ,..., A p y B
Xt
Es un vector (Nx1) de variables endgenas integradas de orden uno, las cuales se denotan I(1). N=2 Son matrices de coeficientes a ser estimados Nmero del retardo incluidos en el VAR. Dado que la frecuencia de los datos es trimestral se tomaron 6 retardos Es un vector de variables exgenas (constante, variables dummy, estacionales, etc). En este estudio todas las variables estn determinadas dentro del sistema Es un vector (Nx1) de trminos de errores normal e independientemente distribuido
Nociones Elementales de Cointegracin Enfoque de S. Johansen
HL Mata
37
4.
Clic en OK
Nociones Elementales de Cointegracin Enfoque de S. Johansen
HL Mata
38
Los coeficientes del VAR no son fciles de interpretar. En la primera fila se indican los coeficientes estimados; en la segunda, los errores estndar y en la tercera los valores estimados del estadstico t .
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
39
Determinar el Retardo Optimo del VAR para Asegurar que los Residuos sean Ruido Blanco (White Noise)
HL Mata
40
HL Mata
41
Notas:
. Todos los eigenvalues son menores que 1 . Al ser menores que 1, todos caen dentro del crculo Unitario (unit circle) . Por las razones anteriores se dice que el sistema es estable y estacionario . El sistema se denomina marginalmente estable cuando al menos un eigenvalue
No root lies outside the unit circle VAR satisfies the stability condition.
sea igual a 1 El sistema es inestable cuando al menos un eigenvalue sea mayor de uno. En nuestro caso el modelo satisface la condicin de estabilidad 42
HL Mata
La representacin grfica de los eigenvalues muestra que todos los valores se encuentran dentro del crculo unitario y que uno de ellos se encuentra cercano al borde del crculo de la unidad. Este resultado indica que hay una tendencia comn, por lo que solo hay que esperar un vector de cointegracin
NOTAS: Partiendo del supuesto de existencia de relaciones de cointegracin, los valores propios de la matriz de acompaamiento deberan estar dentro del circulo unitario de modo que aquellos valores que se encuentran muy prximos a la unidad determinan el nmero de tendencias comunes.
-1.0
-0.5
0.0
0.5
1.0
1.5
HL Mata
43
ANALISIS: Primer bloque, no rechace a HO. Concluya que GCP no explica a IPD Segundo bloque, rechace a Ho y acepte H1. Concluya que IPD explica a GCP: (IPD GCP )
HL Mata
44
Esta prueba analiza si los retardos tienen algn efecto significativo o no (en forma individual o conjunta) sobre el sistema del VAR. Las filas de la tabla reportan la contribucin de los trminos retardados en cada ecuacin
Planteamiento de hiptesis: Ho: Los coeficientes de los retardos son conjuntamente no significativos diferentes de cero H1: Los coeficientes de los retardos son conjuntamente significativos diferentes de cero Estadstico para la prueba: W estadistico (Chi) de Wald Regla de decisin: Rechace a Ho si Prob es menor o igual a 0,05 No rechace a Ho si Prob es mayor que 0,05
ANALISIS: De acuerdo con la prueba de Wald se rechaza la hiptesis nula para la primera fila de retar dos y se acepta H1: Hay contribucin significativa individual y conjunta en el VAR Los retardos 2 al 6 (se omiten desde el 3 hasta el 6) no contribuyen significativamente en el VAR, por lo tanto se excluyen
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
45
Los asteriscos indican el orden del retardo seleccionado tanto por el estadstico como por los Criterios El estadstico LR y los criterios SC y HQ indican un retardo. Los criterios FPE y AIC sealan dos retardos. El nmero de retardos en el modelo VAR se determin unitilizando el criterio de informacin de Schwarz . AIC siempre selecciona retardos superiores a SC REGLA: El nmero de retardos P depende de la frecuencia de los datos. Seleccione 3 retardios, P=3, para datos anuales; 6 u 8 retardos para datos trimestrales, P=6 P=8 y de 12 a 18 retardos, P=12 P=18, para datos mensuales HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
46
HL Mata
47
Plantemiento de hiptesis: H 0 = Ausencia de autocorrelacin H1 = Hay autocorrelacin Estadstico para la prueba: Correlograma Estadstico Q
Cor(GCP,GCP(-i))
.3 .2 .1 .0 -.1 -.2 -.3 2 4 6 8 10 12 .3 .2 .1 .0 -.1 -.2 -.3 2
Cor(GCP,IPD(-i))
10
12
Cor(IPD,GCP(-i))
.3 .3 .2 .1 .0 -.1 -.2 -.3 2 4 6 8 10 12 2 4
Cor(IPD,IPD(-i))
Regla de decisin: Rechacen a Ho si el 5% o ms de las barras caen fuera de los intervalos de confianza No rechacen a Ho si el 95 % o mas de las barras caen dentro del intervalo de confianza
10
12
Los Plots (grficos) no exhiben autocorrelacin significativa. Alternativamente, comparen la probabilidad asociada del estadstico Q (Box Pierce) con el nivel 0,05. Si pvalue (prob) > 0,05, acepten a Ho. Concluyan que no hay autocorrelacin HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
48
Planteamiento de hiptesis: H 0 : Ausencia de autocorrelacin hasta el retardo h H a : Hay autocorrelacin hasta el retardo h Estadsticode Ljung Box para la prueba: Q LB = (n (2 + 2 )) 2 ( j) j=1 n j
h
Regla de decisin: Rechace a Ho si Prob es menor o igual a 0,05 No rechace a Ho si Prob es mayor que 0,05
La prueba es vlida solamente para retardos superiores al orden del retardo del VAR. df son los grados de libertad de la distribucin Chi cuadrado
Los valores de Prob, indican que los residuos son white noise despus del 6to retardo HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
49
Alternativamente: El estadstico calculado Obs*R-Squared se compara con el valor tabular de la tabla Ch2, segn los rezagos que se seleccionen
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
50
El test de Jarque Bera analiza la relacin entre el coeficiente de apuntamiento y la curtosis de los residuos de la ecuacin estimada y los correspondientes de una distribucin norma, de forma tal que si estas relaciones son suficientemente diferentes se se rechazar la hiptesis nula de normalidad
Regla de decisin: Rechace a Ho si Prob es menor o igual a 0,05 No rechace a Ho si Prob es mayor que 0,05
La prueba conjunta de la derecha indica que los residuos son marginalmente normales, por cuanto el p-value, 0,054, > 0,05
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
51
CONCLUSIN: los residuos son homocedsticos. La probabilidad conjunta (Joint test) 0,805 > 0,05
HL Mata
52
CONCLUSIN:
Los anlisis anteriores: Dignostico del VAR y la Prueba de los Residuos, evidencian que la longitud ptima del VAR es de un retardo y que los residuos cumplen con los supuestos de Gauss Markov, referente a ausencia de autocorrelacion, normalidad y homoscedasticidad en los errores, caractersticas stas que nos permiten seguir adelante con la prueba de Cointegracin de Johansen Pruebas de diagnstico
Pruebas Estadsticas
A. B. C. D. Correlacin serial Forma Funcional Normalidad Heteroscedasticidad
Versin LM
CHI-CUADRADO CHI-CUADRADO CHI-CUADRADO CHI-CUADRADO
Versin F
HL Mata
53
Aplicar el procedimiento de Mxima Verosimilitud al VAR estimado con el fin de determinar el rango (r) de cointegracin del sistema
HL Mata
54
X t = 1X t 1 + ... + p 1X t p + X t p + t
En donde: es el operador de primera diferencia, ejemplo: X t = X t X t 1 ;X t es el vector de variables endgenas e integradas de orden I(1): GCP e IPD; i = (I A1 ... A i ), i = 1,..., p 1 ; es una matriz (NxN) de la forma = T en donde y son matrices de Rango completo (NxN) y t es un vector (Nx1) de trminos de errores normal e independientemente distribuido Quienes son y ? la matriz recoge las r relaciones de cointegracin la matriz se interpreta como la velocidad de ajuste de cada variable para recuperar la posicin de equilibrio en el largo plazo cuando se produzcan desviaciones de dicho equilibrio En la ventana del Vector Autorregresivo (VAR): 1 Hagan clic en VIEW y seleccionen COINTEGRATION TEST
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
55
Resumen de las 5 conjuntos de supestos En el cuadro Exog Variables, no incluyan C o Tendencia En el cuadro Lag Interval escriban el retardo ptimo encontrado, en nuestro caso: 1 1 Dado que no se tiene certeza con respecto a cual opcin usar, procedan a seleccionar la opcin 6, la cual les indicar el nmero de relaciones de cointegracin en cada una de las 5 opciones de tendencia. (NOTA: En la prctica las opciones 1 y 5 raramente se utilizan)
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
56
El cuadro resumen indica un sola ecuacin de Cointegracin tanto en la prueba de la Traza como en la del Maximun Eigenvalue (vean rea sombreada), razn por lo cual se debe seleccionar la opcin 2 (Intercept-No Trend) : Slo intercepto en la ecuacin de cointegracion (CE) y no tendencia en el VAR
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
57
58
Resultado de la Estimacin
Por razones de espacio se colocan las pruebas en el lado izquierdo y el resto de la estimacin en el lado derecho del cuadro de los resultados. En la prxima seccin se analizan stos:
HL Mata
59
HL Mata
60
El mtodo de S. Johansen considera las siguientes pruebas para determinar el nmero de vectores de cointegracin, r: La Prueba de la Traza (Trace test) y la prueba del Mximo Valor Propio (Maximum Eigenvalue test), lado izquierdo del cuadro anterior. Hiptesis para las Prueba de la Traza y del Mximo Valor Propio: Eview plantea la Hiptesis nula (Ho) como NONE (Ninguna)
H0 : r = 0 H1 : r = 1
Reglas de Decisin:
Rechace a Ho cuando el valor del estadstico la Traza o el Mximo Valor Propio sea mayor que el valor crtico seleccionado, normalmente el de 5 %. Acepte a Ho cuando el valor del estadstico la Traza o el Mximo Valor Propio sea menor que el valor crtico seleccionado Si hubiera un segundo vector de cointegracin las hiptesis seran tal como sigue: Eview plantea la Hipotesis nula (Ho) como AT MOST 1 (cuando ms una)
H0 : r 1 H1 : r = 2
tanto se rechace Ho
HL Mata
Analicen secuencialmente las hiptesis nulas (NONE; AT MOST 1; AT MOST 2, etc.), hasta
61
Prueba de la Traza
.
CONCLUSION: De acuerdo con la prueba de la traza se rechaza la hiptesis nula de no cointegracin
en favor de una relacin de cointegracin al nivel del 5% y del 1 %. ( 30.95 > 19,96 y 24.60)
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
62
CONCLUSIN La prueba de Mximun EigenValue indica la existencia de una sola ecuacin de cointegracin tanto al 5% como al 1%, respectivamente ( 22.96 es mayor que 15,67 y 20.20)
De los resultados de las pruebas de la Traza y del Mximo Eigenvalues se concluye que existe un solo vector o relacin de cointegracin.
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
63
Ecuacin de Cointegracin
Debajo de los resultados de la prueba de cointegracin Eviews muestra los estimados de los vectores o relaciones de cointegracin. El vector de cointegracin no est identificado, a menos que Ud. imponga alguna normalizacin arbitraria. Eviews adopta una normalizacin tal que el primer r de la serie en el vector sea normalizado como una matriz identidad Relacin de cointegracin normalizada suponiendo una relacin de cointegracin r=1 :
Los nmeros entre parntesis debajo de los coeficientes estimados son los errores estndar asintticos. Algunos coeficientes normalizados se muestran sin su correspondiente error estndar, tal es el caso del coeficiente que ha sido normalizado a 1.0 La apariencia de la relacin de cointegracin normalizada depende de la forma como se hayan ordenado las variables endgenas en el VAR. As por ejemplo, si Uds desean un coeficiente uno en la serie IPD, debern de colocar dicha serie de primero en el VAR
HL Mata
64
La normalizacin consiste en convertir un vector dado en otro proporcional a l con mdulo 1. Esto se obtiene dividiendo el mdulo entre l mismo. Siguiendo con lo que es tradicional en la Literatura de la Cointegracin multipliquen el vector normalizado por -1 y reordenen los trminos de tal manera que el vector se interprete como una funcin de consumo, es decir:
65
HL Mata
66
Bibliografa
HL Mata
67
Johansen, S., 1988. Statistical analysis of cointegration vectors. Journal of Economic Dynamics and Control 12, 231254. Engle, R. F. y Granger, C. W. J. Representation, Estimation and 251-276. Engle, R. F. y Granger, C. W. J. Representation, Estimation and 251-276. (1989): Cointegration and Error Correction: Testing, Econometrica, volumen 55, pginas (1989): Cointegration and Error Correction: Testing, Econometrica, volumen 55, pginas
Johansen, S., 1991. The role of the constant term in cointegration analysis of non stationary variables. University of Copenhagen, Institute of Mathematical Statistics. Gujarati, Damodar N. (1997).Econometra, Editorial McGraw-Hill Interamericana, SA , Santa Fe de Bogot, Colombia, Cap. 21, pp.693-715 Ballabriga, Fernando C. y Luis Julin lvarez Gonzlez y Javier Jareo Morago (1998) Un Modelo Macroeconmico BVAR para la economa espaola: metodologa y resultados http://www.bde.es/informes/be/sazul/azul64.pdf Hee Seok Park. (April 1999). Analysis of Structural Changes in the US Stock Market, Kansas State University http://www-personal.ksu.edu/ ~hsp3704/ wp199904.doc Banco de Guatemala. (2000) Vectores Auto Regresivos (VAR) http://www.banguat.gob.gt/inveco/notas/articulos/envolver.asp?karchivo=4401 &kdisc=si
HL Mata Nociones Elementales de Cointegracin Enfoque de S. Johansen
68
Bill Hung. (October, 2000). Dickey-Fuller Unit Root Test (Stationary Test). http://www.hkbu.edu.hk/~billhung/econ3600/application/app01/app01.html Wakeford, Jeremy. Honours Econometrics: Time Series Econometrics. Econometrics Stationarity, Unit Roots and Cointegration http://www.commerce.uct.ac.za/Economics/Courses/ECO416Z/2004/Time%20Se ries.doc Asteriuo, Dimitrios. (june, 2001). Notas sobre Anlisis de Series de Tiempo: Estacionariedad, Integracin y Cointegracin (H.L. Mata, Trans.). http://www.personal.rdg.ac.uk/~/less00da/lecture3.htm. Eviews 4. Users Guide. Chapter 20. Vector Autorregression and Error Correction Models. http://www.ucm.es/info/ecocuan/mjm/ecoaplimj/Vector%20Autoregressions.pdf Clive W. J. Granger. Revista Asturiana de Economa (8 de diciembre de 2003). ANLISIS DE SERIES TEMPORALES,COINTEGRACIN Y APLICACIONES http://www.revistaasturianadeeconomia.org/raepdf/30/GRANGER.pdf Mata HL. (2004). Nociones Elementales de Cointegracin. Procedimiento de Engle-Granger. Trabajo no publicado. http://webdelprofesor.ula.ve/economa
HL Mata
69