I. Introduccin.

Es muy conocido que una gran parte de los procedimientos normalmente utilizados en Econometra estn basados en regresiones lineales con muy diversas modificaciones; estos procedimientos tienen propiedades adecuadas si se cumplen ciertas suposiciones; la suposicin que ser modificada en este artculo es la de la estacionariedad de las series que entran en la relacin que se desea estimar.

Una serie de tiempo es estacionaria si su distribucin es constante a lo largo del tiempo; para muchas aplicaciones prcticas es suficiente considerar la llamada estacionariedad dbil, esto es, cuando la media y la varianza de la serie son constantes a lo largo del tiempo. Muchas de las series de tiempo que se analizan en Econometra no cumplen con esta condicin, cuando tienen una tendencia.

Desde hace mucho tiempo[1] se conoce que cuando no se cumple esta suposicin se pueden presentar problemas serios, consistentes en que dos variables completamente independientes pueden aparecer como significativamente asociadas entre s en una regresin, nicamente por tener ambas una tendencia y crecer a lo largo del tiempo; estos casos han sido popularizados por Granger Y Newbold (1974) con el nombre de regresiones espurias[2].

Para ilustrar este problema se pueden considerar dos variables X y Y, construidas construidas en cada perodo sumando el valor de la variable en el perodo anterior una variable aleatoria con distribucin normal, con media cero y una cierta varianza:

Xt = Xt-1 + et et ~ N ( 0 , se2 ).

Yt = Yt-1 + ht ht ~ N ( 0 , sh2 ).

y generando en forma independiente los trminos aleatorios de las dos variables. Variables construidas de este modo reciben en la literatura economtrica de series de tiempo el nombre paseo aleatorio y son variables no estacionarias, cuya media y cuya varianza son proporcionales al perodo de observacin.

Generando las variables de acuerdo con este modelo para 240 observaciones con

varianza 2 y 3 para et y ht y con valores iniciales de 1000 para X y de 12500 para Y se obtienen dos series independientes por construccin pero con una tendencia creciente en el tiempo; haciendo una regresin lineal entre las dos se encuentra:

Xt = -20560 + 1.7270 Yt R2 = 0.4903 D-W = 0.07695 (-14.28) (15.01)

Una interpretacin muy comn de este resultado sera que las variables estn significativamente asociadas pero que el bajo valor del R2 sugiere que a la ecuacin le faltan variables adicionales, la ausencia de las cuales a su vez explica el bajo valor del coeficiente de Durbin - Watson; otra explicacin podra ser la de que la estructura dinmica de la ecuacin no es la correcta y podra tratar de corregirse utilizando rezagos de las variables, introduciendo otras variables con rezagos o utilizando tcnicas de estimacin de mnimos cuadrados generalizados para tener en cuenta la autocorrelacin de los residuos de la ecuacin. Se recuerda que las variables son independientes pero crecientes en el tiempo.

Este es un resultado muy frecuente, el ejemplo anterior es una ilustracin de la tcnica del anlisis de simulacin llamada de Montecarlo. Esta tcnica fue utilizada por Granger y Newbold[3] para estudiar las propiedades de regresiones entre variables no estacionarias. Recientemente[4] se ha realizado un anlisis terico del problema, en el cual se muestra que, bajo ciertas condiciones muy generales, las principales propiedades de las regresiones

Xt = a + bYt

entre variables no estacionarias son las siguientes:

Las distribuciones de los estadsticos t de los coeficientes divergen, de modo que no existen valores crticos asintticamente correctos para las pruebas de significancia. Los valores mencionados crecen con el tamao de la muestra. Para recordar, en el caso de regresiones entre variables estacionarias, las distribuciones de los estadsticos t convergen a una distribucin normal y, por lo tanto, no hay una tendencia a que crezcan con el tamao de la muestra.

 Los coeficientes no son consistentes; a*, el estimador MCO de a diverge y b*, el de b, converge a una distribucin no concentrada en un punto. Para comparar, en el caso de regresiones entre variables estacionarias, las distribuciones de los coeficientes a* y b* convergen a una distribucin que concentra toda la probabilidad en el verdadero valor de los parmetros.

El estadstico de Durbin-Watson tiende a cero, an cuando el trmino aleatorio de la regresin no presente autocorrelacin y la distribucin de R2 converge a una distribucin no concentrada. Todo esto en contraste con los resultados usuales para variables estacionarias [5].

Resultados similares se obtienen en el caso de regresiones mltiples[6].

Estos resultados hacen que sean sospechosas las estimaciones de ecuaciones de regresin entre series no estacionarias. Las primeras recomendaciones de Granger y Newbold[7], seguidas posteriormente por muchos analistas, fueron las de usar valores de significancia ms restrictivos para los estadsticos t, lo cual como se vio no tiene justificacin terica ya que los t crecen con el tamao de la muestra; o la de convertir las series en estacionarias, ya sea por medio de diferenciaciones, por extraccin de una tendencia lineal, exponencial o polinmica o usando como variables en las regresiones los residuos de una estimacin de un modelo ARIMA para las series originales, esto hace que se pierda informacin sobre las relaciones de largo plazo de las variables, relaciones que son, en muchos casos, el objeto primordial del anlisis. Por lo tanto las primeras recomendaciones de Granger y Newbold no son adecuadas para tratar el problema; `mucho mejor es el programa de encontrar procedimientos que muestran cundo la relacin encontrada entre las variables es espuria o no, y en el caso de que no lo sea, cules son las propiedades estadsticas de los parmetros estimados. Recientemente se ha dedicado mucho esfuerzo al anlisis de las propiedades de ecuaciones de regresin con variables ms generales que las estacionarias, pero con algn tipo de restriccin a su distribucin. Un caso particular de las variables no estacionarias es el de las llamadas variables integradas.

Se dice que una serie de tiempo Xt es integrada de orden d ( Xt ~I(d) ) si puede

expresarse como:

( 1 - L )d A( L )Xt = B ( L ) et

donde L es el operador de rezago: LXt = Xt-1 , A(L) es un polinomio de orden p en L que expresa el grado de autorregresin de la serie:

A(L)Xt = Xt - a1Xt-1 - a2Xt-2 - ... - apXt-p

B(L) es un polinomio de orden q en L que expresa la dependencia de las series en un promedio mvil de una serie de trminos aleatorios independientes:

B(L)et = et - b1et-1 - b2et-2 - ... - bqet-q

y tanto A(L) como B(L) tienen todas sus races fuera del crculo unitario (son en valor absoluto mayores que la unidad). Otro modo de decir esto es decir que Xt es ARIMA(p,d,q) con un proceso estacionario e invertible. En estas condiciones la menor raz en valor absoluto de la parte autorregresiva es la unidad y se dice que la serie tiene d races unitarias o que es I(d); una serie estacionaria es I(0) y el paseo aleatorio utilizado anteriormente es I(1).

Combinaciones lineales de series I(0) son I(0), combinaciones lineales de series I(1) son en general I(1), con una excepcin muy importante, la de las series cointegradas que son I(0) y que veremos en detalle ms adelante. Esto tambin muestra que una serie integrada no puede ser representada adecuadamente por series estacionarias, por ejemplo una serie de niveles de empleo no puede representarse adecuadamente como una combinacin de precios relativos solamente; del mismo modo una serie estacionaria no puede, en general, representarse como funcin de series integradas.

Estudios hechos recientemente[8] muestran que una gran proporcin de las series econmicas no estacionarias son I(d), y muchas de ellas I(1). esto ha inducido una gran cantidad de investigaciones sobre las propiedades estadsticas de regresiones con series I(d)[9] y sobre pruebas de que una serie de tiempo tiene races unitarias, usando como hiptesis nula la de que la serie es estacionaria o la de que la serie tiene races menores que la unidad, y por lo tanto diverge an ms que las series con races

unitarias. De particular importancia es la bsqueda de combinaciones lineales estacionarias de series integradas, lo que se llama el caso de la Cointegracin en series[10].

La conexin de la metodologa de la Cointegracin con los mecanismos de correccin de errores reconcilia dos puntos de vista divergentes en investigacin econmica: por una parte, el de los tericos de la economa, quienes concentrndose en las relaciones de largo plazo enfatizan la prdida de la informacin sobre estas relaciones implicado en el anlisis en diferencias; del otro lado, los practicantes de las series de tiempo quienes despreciando aquellas relaciones tericas debido a su falta de informacin acerca de la dinmica de corto plazo de los procesos, se limitan a la representacin de esta dinmica. En este sentido, en lo que se conoce como el procedimiento en dos etapas, la metodologa de Cointegracin preserva tanto la posibilidad de retener la informacin en niveles como la de permitir a los datos parametrizar su representacin, podemos superar los problemas de especificacin dinmica y de regresin espuria[11]. En esta forma, la posibilidad de complementar las relaciones de equilibrio de largo plazo de la ecuacin de Cointegracin con la dinmica que incorpora el mecanismo de correccin de errores enfatiza la significancia de la metodologa de Cointegracin como una respuesta de la Econometra, como corroboracin de relaciones tericas al enfoque de las representaciones de series de tiempo.

II. Races Unitarias

Como se comento en la seccin anterior, las series de tiempo no estacionarias que presentan races unitarias son un caso muy especial muy importantes de las series no estacionarias, tanto por su frecuencia en economa como por lo que se conoce de sus propiedades estadsticas; en los ;ltimos aos se ha realizado una gran cantidad en trabajo para el diseo de pruebas de hiptesis de que una serie tiene races unitarias. En esta seccin se har una presentacin de algunas de estas pruebas. Es necesario anotar que no se trata de realizar una presentacin exhaustiva de las pruebas ideadas hasta ahora sino solamente mostrar cules son las utilizadas ms frecuentemente. Asimismo, como ene l resto de este artculo, al tratarse de un artculo de divulgacin, se omiten completamente las pruebas, remitiendo al lector interesado a la literatura pertinente.

El problema estadstico terico que se presenta es el de la existencia de una discontinuidad en las distribuciones, como funciones de a cuando esta toma el valor de 1, para otros valores puede utilizarse en muestras grandes las distribuciones t y F usuales, pero para este valor especial es necesario encontrar nuevas distribuciones. Las pruebas de raz unitaria que se han desarrollado dependen del modelo bsico que genera la serie. El ms sencillo de la forma:

xt = axt-1 + et

donde la hiptesis nula es de la forma Ho: a = 1.

Esta hiptesis ha sido analizada en varias ocasiones con enfoques ligeramente diferentes y da origen a pruebas distintas, muchas veces segn que la prueba obtenida sea del tipo de relacin de verosimilitud (estimacin del modelo bajo la hiptesis nula y bajo la hiptesis alternativa y prueba basada en la diferencia de los valores de los logaritmos de la funcin de verosimilitud en las dos situaciones), de multiplicadores de Lagrange (estimacin bajo la hiptesis nula y prueba basada en cambios a partir de esta hiptesis) o de Wald (estimacin bajo la hiptesis alternativa y prueba basada en movimientos hacia la hiptesis nula)[12].

Evans y Savin (1981,1984) desarrollan una prueba de multiplicadores de Lagrange consistente en encontrar la distribucin de a*, el estimador de mxima verosimilitud de a, bajo la hiptesis de que a=1. Ellos calculan los valores de la distribucin normalizada ((T/2)( a* -1)) por mtodos numricos y presentan grficos y tablas de dicha distribucin. El mtodo de ellos es entonces estimar xt = axt-1 + et por mxima verosimilitud (mnimos cuadrados ordinarios si se puede mantener que et es normal), calcular ((T/2)( a* -1)) y consultar las tablas que ellos presentan.

Phillips (1987) muestra que este procedimiento, con una pequea modificacin consistente en corregir la expresin de Evans y Savin por un factor que tiene en cuenta la posible autocorrelacin de et, se aplica a los modelos ms generales, de la forma ARIMA(p,1,q), y, an, a modelos en los cuales aparecen variables exgenas, siempre y cuando que estas variables puedan expresarse de forma similar y no tengan a su vez races unitarias. Las pruebas pueden aplicarse sin necesidad de estimar el modelo

ARIMA o su anlogo con variables exgenas, y sin siquiera conocer las rdenes de los polinomios autorregresivo y de promedio mvil.

Dickey y Fuller (1979,1981) presentan pruebas de relacin de verosimilitud para un modelo un poco ms general que el de Evans y Savin:

xt = m + bt + axt-1 + et

donde m es el llamado coeficiente de deriva (drift) y b es la tendencia de la serie. En este caso e es ruido blanco (un proceso independiente a lo largo del tiempo, con medio cero y varianza constante). Ellos presentan varias pruebas de hiptesis: m = b = 0, es el mismo caso tratado por Evans y Savin. Ellos lo tratan de dos modos diferentes: en primer lugar[13] transforman la ecuacin restando xt-1 de los dos lados de la ecuacin con lo cual obtienen:

Dxt = -(1- a)xt-1 + et

bajo la hiptesis nula de existencia de raz unitaria, el coeficiente de xt-1 debe ser cero. Fuller (1976) trae una tabla con la distribucin de ese coeficiente bajo la hiptesis nula. por otro lado[14] Dickey y Fuller presentan pruebas de hiptesis de las hiptesis nulas m = 0 y b = 0 por separado y conjuntamente con la a =1 para ellos estiman el modelo bajo la hiptesis alternativa:

xt = m + bt + axt-1 + et

y obtienen la distribucin de los coeficientes t de m y de b y de la relacin de verosimilitud de la hiptesis completa.

m b = 0 le dan los mismos tratamientos del caso anterior, por medio de una transformacin se obtiene que el hecho de cumplirse la hiptesis nula equivale a que el coeficiente de xt-1 en Dxt = -(1- a)xt-1 + et es igual a cero , pruebas de esta hiptesis pueden realizarse usando las tablas de Fuller (1976). Por otro lado pruebas de toda la hiptesis y de los coeficientes particulares de las variables pueden hacerse estimando la regresin bajo la hiptesis alternativa y usando las tablas de Dickey y Fuller (1981).

Lo mismo sucede con el tercer caso: m 0, b 0 ahora la ecuacin auxiliar es:

Dxt = am + b(1- a) + bat - (1- a)xt-1 + et

Dickey y Fuller hacen una ampliacin de sus pruebas al caso en el cual e sigue un proceso autorregresivo de orden p, la prueba llamada de Dickey y Fuller Aumentada que consiste en estimar las ecuaciones auxiliares mencionadas, aadindose rezagos de los valores de Dx. Phillips (1987) tambin ampla al caso de modelos estacionarios ms generales los resultados de Dickey y Fuller.

Es necesario anotar, sin embargo, que procesos con coeficientes muy altos en los procesos de promedio mvil presentan problemas especiales en lo que respecta al poder de estas pruebas[15].

La otra prueba comnmente usada es la de Sargan y Bhargava[16], esta prueba se basa en los valores de la prueba de Durbin-Watson de las regresiones de la variable sobre su valor rezagado, la distribucin no es la encontrada por Durbin y Watson sino la que encuentran y calculan Sargan y Bhargava.

III. Pruebas de Races Unitarias para Series de Tiempo.

A) Prueba de Dickey - Fuller (DF).- Dickey y Fuller encontraron que el problema podra ser simplificado sacando a mt de ambos lados de , mt =rmt-1 + nt para obtener: Dmt = (r-1)mt-1 + nt Dmt = lmt-1 +nt

cuando la hiptesis nula es ahora H0: l=0 y la hiptesis alternativa es H1: l<0. Mientras esta transformacin ayudo con los problemas de la distribucin, la prueba estadstica no sigue con la distribucin tradicional y los valores crticos para la evaluacin de la prueba estadstica han tenido que ser determinados a travs de los extensos experimentos de Monte Carlo[17].

B) Prueba ampliada de Dickey-Fuller (ADF).- El proceso autorregresivo de Dmt = lmt-1 +nt es muy simple y para tener en cuenta dinmicas ms complejas, Dickey y Fuller

propusieron pruebas para la estacionariedad basadas en la ecuacin ampliada:

Dmt = a0 + a1t + lmt-1 + SbjDmt-j + nt

donde j=1,...m, a0 toma en cuenta la direccin y t es la tendencia lineal en el tiempo.

La mayora de la literatura terica y estudios empricos han estado interesados en el caso en el cual las variables a investigarse son I(1) y slo dos variables son consideradas en un perodo, pero han habido algunos interesantes desarrollos recientes en la Cointegracin Multivariable y en las pruebas desarrolladas para las Races Unitarias y para la Cointegracin (ver Engle y Granger 1991)[18].

C) Prueba de Raz Unitaria de Phillips-Perron (PP).- Una prueba alternativa de raz unitaria fue desarrollada por Phillips y Perron . Al igual que la prueba ADF, la prueba PP es una prueba de hiptesis sobre p=1 en la ecuacin: Yt = b + pYt-1 + t ; pero a diferencia de la prueba ADF, no existen trminos de diferencias retardados. Ms bien, la ecuacin es estimada por MCO y luego el estadstico "t" del coeficiente p es corregido. La hiptesis nula H0 del test de Phillips-Perron es la trayectoria de raz unitaria con tendencia y la alternativa la estacionariedad con tendencia, si el valor tStudent asociado al coeficiente de Yt-1 es mayor en valor absoluto al valor crtico de MacKinnon, se rechaza la hiptesis de existencia de raz unitaria.

D) Test de Zivot y Andrews.- Zivot y Andrews (1992) .- Zivot & Andrews elaboraron un test en el que se diferencia una trayectoria de raz unitaria de una estacionaria cuando haba cambio estructural, debido a que los tradicionales test ADF y PP estaban sesgados hacia el no rechazo de la hiptesis nula de raz unitaria, puesto que a menudo se rechazaba incorrectamente la hiptesis alternativa de estacionariedad. La hiptesis nula es la presencia de raz unitaria con tendencia y la alternativa, la de estacionariedad con tendencia y cambio estructural (en el nivel y/o pendiente). Zivot y Andrews presentan unos grficos en la que se plotean por un lado, la trayecoria de la distribucin t o ts de Zivot, y por el otro los valores de la distribucin t crtico. Si el valor t-Zivot es menor que los valores crticos (VCRIT), existe suficiente evidencia estadstica para rechazar la hiptesis nula de raz unitaria, por lo que la(s) serie(s) evaluadas muestra una trayectoria de raz unitaria. Contrariamente, si la distribucin de valores t Zivot son mayores que el t crtico, no existe evidencia para rechazar la

hiptesis nula de raz unitaria (no estacionariedad).

Perron (1989) sostuvo que los tradicionales test de raz unitaria (Dickey-Fuller, DickeyFuller Aumentado y Phillips-Perron) tenan poco poder para diferenciar una trayectoria de raz unitaria de una estacionaria cuando haba cambio estructural. En consecuencia, como estos test estaban sesgados hacia el no rechazo de la hiptesis nula de raz unitaria, a menudo se rechazaba incorrectamente la hiptesis alternativa de estacionariedad. Perron encontr, por ejemplo, que las series de agregados macroeconmicos y financieros utilizados por Nelson y Plosser (1982) eran en su mayora estacionarias con cambio estructural, en oposicin a lo que los citados autores sealaban. Siguiendo esta lnea, Zivot y Andrews (1992)[19] elaborarn un test en la que la fecha del punto de quiebre era determinada endgenamente.

E) Metodologia del Filtro de Hodrick Prescott .- De acuerdo con este metodo es preciso encontrar la serie Y*t

(tendencia) que minimice : ( Yt - Yt* )2 + l ( DYt - DYt* )2 la serie Yt* equivale a la variable potencial y l es el parmetro de suavizacin, en una serie estacionaria, la tendencia es casi paralela al eje X. El filtro de Hodrick Prescott es quiz el mtodo mas frecuentemente utilizado para determinar la tendencia de una serie estacionaria, sin embargo ha sido sujeto a criticas diversas. Entre ellas destaca el hecho de que la determinacin ex ante del parmetro de suavizacin esta sujeta a la discrecionalidad del investigador, que los extremos de la serie de tendencias estn deficientemente definidos y que induce un comportamiento cclico espurio en los datos. Sin embargo el mtodo representa un patrn contra el cual pueden compararse otros mtodos de estimacin para series estacionarias.

Aqu la serie de dinero real, registra un comportamiento errtico debido a la presencia de un posible quiebre estructural. En la seccin V de este artculo aparecern ejemplos del uso de estas pruebas. IV. Ecuacin de Cointegracin y Mecanismos de Correccin de Errores.

Se dice que un vector de series de tiempo xt es cointegrado de orden d,b ( xt ~ CI(d,b)) si siendo todas las series del vector ~ I(d), existe un vector de coeficientes a tal que z = ax ~ I(d -b), b >0. En particular, si N=2 y d=b=1 se tiene para las series xt y yt, las cuales son I(1), que si bien en general cualquier combinacin lineal de ellas es I(1), si existe un a tal que zt= xt - ayt es I(0), ellas son cointegrados de orden 1 y el parmetro de Cointegracin a es nico.

Ahora bien, el hecho de que esta combinacin lineal es I(0) a pesar de que las series individualmente sean I(1), en otras palabras, de que zt, por oposicin a xt y a yt individualmente no tienen componentes dominantes de onda larga significa que a es tal que el grueso de los componentes de largo plazo de yt y axt se cancelan

mutuamente. Por otra parte, cuando se deriva de la teora econmica la operacin de fuerzas que tienden a mantener xt y yt juntas y se postula la existencia de una relacin de equilibrio de largo plazo entre ellas, se esta implicando que xt y yt no pueden alejarse mucho lo cual expresado en trminos las caractersticas del error de equilibrio zt, significa que e debe ser estacionario. Por consiguiente, esta reduccin del orden de integracin de manera que zt es I(0) aparece como la condicin de posibilidad estadstica de la postulacin de una relacin de equilibrio entre xt y yt. O para ponerlo en trminos de las pruebas de hiptesis de la representacin de paseo aleatorio para zt, el equilibrio estimado sera desalentador e irrelevante.

Resulta entonces, claro , que hacer pruebas de Cointegracin entre xt y yt no es diferente de hacer pruebas de estacionariedad de zt; ms precisamente, con el fin de comprobar la hiptesis nula de no Cointegracin para esas series lo nico que se necesita hacer es comprobar la hiptesis nula de una representacin de paseo aleatorio para zt. Y por consiguiente, el procedimiento metodolgico obvio con el fin de hacerlo es correr la regresin de Cointegracin xt= C + ayt + et, por mnimos cuadrados ordinarios y aplicar alguna de las pruebas de raz unitaria. Es de anotarse que un sntoma de Cointegracin entre variables es un valor alto del R2 acompaado de valores no muy bajos (de acuerdo con la prueba de Sargan y Bhargava) de estadstico de Durbin y Watson.

Granjer y Engle (1987) muestran que, en el caso de Cointegracin, el procedimiento de mnimos cuadrados ordinarios produce resultados consistentes para los parmetros de la ecuacin (mejor an, superconsistentes, en el sentido de que los parmetros tienden a su verdadero valor en forma inversamente proporcional al nmero de observaciones y no a la raz cuadrada de ese nmero como es el caso usual con series estacionarias), muestran tambin que las pruebas de hiptesis usuales no son vlidas. Ellos muestran tambin que, en el caso de dos variables, la ecuacin de Cointegracin esta identificada (en el sentido economtrico no en el sentido de series de tiempo) por la condicin de que es la nica combinacin lineal de las variables con varianza finita; en el caso de varias variables puede haber diversas relaciones de Cointegracin y es necesario introducir criterios adicionales de identificacin, normalmente por exclusin de variables como en la situacin clsica.

En cuanta a las pruebas de Dickey y Fuller y de Dickey y Fuller Ampliada, de nuevo se

utilizan las tablas no estndar del t con el objeto de rechazar una hiptesis de races unitarias en favor de la estacionariedad; sin embargo, debe enfatizarse que en el caso de haber ms de dos variables en el vector de Cointegracin, caso en el cual a no es necesariamente nico de manera que pueden existir varias relaciones de equilibrio, los valores crticos del estadstico t son ahora correspondientemente altos[20]. Por otra parte, en cuanto a la prueba de Sargan y Bhargava, en la misma forma que cuando se comprobaba la presencia de races unitarias, un DW de la regresin xt = c + ut significativamente mayor que cero permita rechazar la hiptesis de que xt era paseo aleatorio, cuando se comprueba Cointegracin un DW de la regresin de Cointegracin (notado como CRDW) significativamente mayor que cero permite rechazar la hiptesis de no Cointegracin. Finalmente, se va a considerar el vnculo entre Cointegracin y mecanismo de correccin de errores tanto desde un punto de vista estadstico como desde un punto de vista metodolgico, el primero con respecto a lo que es conocido como Teorema de Representacin de Granger, y el segundo al as llamado Procedimiento en Dos Etapas de Engle y Granger (2EEG)[21]. Ahora bien, antes de introducir esto se debe recordar que un mecanismo de correccin de errores postula[22] que una proporcin del desequilibrio de un perodo es corregido es corregido en el siguiente perodo, y que un modelo de este tipo relacionara el cambio de una variable con los errores de equilibrios pasados y los cambios pasados en ambas variables. Entonces, la implicacin de este teorema es que series cointegradas tienen una representacin de mecanismo de correccin de errores e, inversamente, un mecanismo de correccin de errores genera series cointegradas; en otras palabras: si xt , yt son I(1), sin tendencias en medias, y son cointegradas, siempre existe un mecanismo de correccin de errores de la forma:

xt = -g1 zt-1 + A1 (L) xt + B1 (L) yt + D1 (L)h1t

yt = -g2 zt-1 + A2 (L) xt + B2 (L) yt + D2 (L)h2t

donde zt-1 es el residuo de la ecuacin de Cointegracin rezagado un perodo y todos los polinomios en trminos rezagados tienen sus races fuera del crculo unitario. Adems datos generados por un mecanismo de correccin de error debe ser cointegrado (Granger, 1986).

Ahora bien, la existencia, dada la Cointegracin, de una representacin MCE que no esta sujeta a los problemas de regresin espuria, ya que todas las variables que entran en la ecuacin son estacionarias, da lugar al mtodo de dos etapas de Engle y Granger. Este procedimiento es muy sencillo, simplemente consiste en la ejecucin de la regresin en niveles por mnimos cuadrados ordinarios, la realizacin de la prueba de Cointegracin, seguida de la estimacin de un mecanismo de correccin de error, estimado otra vez por MCO, este mecanismo incluye los residuos de la ecuacin de Cointegracin en lugar de trminos en niveles de las variables que entran en ella, tal como se muestra. En esta forma, la imposicin de restriccin dada por la ecuacin de Cointegracin sobre el MCE expresa la introduccin del impacto de la relacin terica de equilibrio de largo plazo sobre el modelo dinmico de corto plazo. En trminos prcticos, entonces, se puede (y se debe) usar Cointegracin en primer lugar como una pre - prueba a fin de evitar situaciones de regresin espuria, y nicamente despus de rechazar no Cointegracin pasar a la especificacin en cambios rezagados, con el fin de modelar z mediante el mecanismo de correccin de errores. De manera que, el procedimiento de Engle y Granger permite producir proyecciones de corto plazo que, al ser consistentes con las de largo plazo derivadas de la teora econmica, proveen una alternativa poderosa a aquellas derivadas del anlisis simple de series de tiempo y, adems permite la incorporacin clara de la estructura dinmica en las ecuaciones derivadas de la teora econmica, al permitir estimar conjuntamente tanto la relacin de equilibrio como el comportamiento del sistema fuera del equilibrio.

V. ANLISIS DE ESTABILIDAD DE PARMETROS [23]

la utilidad de los estimadores MCO en la explicacin y en la proyeccin de variables economicas depende fundamentalmente del cumplimiento de los supuestos del MLG. Por ello, un anlisis econometrico completo debe verificar que no existan indicadores que hagan dudar el cumplimiento de alguno de los supuestos. Existen dos formulaciones para indagar sobre la presencia de inestabilidad, la tcnica tradicional y la estimacin recursiva.

La tcnica tradicional se basa en el supuesto de que se conoce la fecha del punto de quiebre[24] y en virtud de tal supuesto se realiza la conocida prueba del cambio

estructural propuesta por Gregory Chow[25]. Esta prueba esta basada en el contraste F de Fisher que se distribuye con k y (n-2k) grados de libertad, si el valor F-Chow es menor que el valor tabular F con los grados de libertad apropiados y al nivel de confianza escogido, se podria aceptar la hiptesis de estabilidad de parmetros, pero si el valor calculado F-Chow resultara mayor que el valor tabular F Fisher, no podria aceptarse la hiptesis que los parmetros poblacionales son significativamente iguales, por lo tanto se puede asumir parmetros inestables.

Des esta manera con el test de Chow es posible evaluar segn la fecha determinada, hubo o no un cambio de estructura que se manifest en la funcin analizada.

La estimacin recursiva, que consiste en aplicar sucesivamente la tcnica de MCO alterando en uno el numero de observaciones proporciona estimadores que poseen ciertas caractersticas que son verificables si los supuestos del MLG se cumplen. Esto a de permitir relacionar sus caractersticas con el cumplimiento de los supuestos.

A travs de los estimadores recursivos es posible detectar la presencia del problema econometrcio mencionado mediante la utilizacin de pruebas estadsticas, tales como el Test de Residuos Recursivos y el Test CUSUMSQ. El residuo recursivo correspondiente a la observacin t, se define como la diferencia entre el valor observado de la variable endgena y el valor predicho de la misma, observando que bajo la hiptesis nula de estabilidad y el supuesto de normalidad, los residuos recursivos Wn posee las mismas caractersticas que los residuos poblacionales Un y por ello se concluye que es un buen estimador de este. Si los valores de Wn no cambia de manera sistemtica en el horizonte temporal de su trayectoria, por lo cual se concluye que no hay evidencia de inestabilidad en el modelo estimado.

En la misma lnea, el Test CUSUMSQ (suma acumulada de residuos al cuadrado), en un intento de evitar la limitacin de aceptar la hiptesis de estabilidad por razones causales, situacin que se puede presentar en el test anterior, los autores (Brown, Durbin y Evans) proponen un contraste que consiste en dibujar la serie temporal de Wn as como las lneas que limitan la banda de confianza : E (Wn) Co donde el valor crtico de Co se obtiene de la tabla estadstica CUSUM. Nuevamente, si Wn se sale de la banda, se rechaza la hiptesis de homogeneidad del modelo. Se observara, que el algoritmo Wn es una funcin montona creciente con lmite en la unidad, el cual sigue

una distribucin beta con parmetros (s - k) / 2, y (n - s) / 2; con esperanza E (Wn) = (s - k) / (n-k).

VI. Ejemplos

En esta seccin se presenta una aplicacin de la metodologa anterior. Cabe la pena mencionar que esta ilustracin es solamente ilustrativa, y que forman parte de trabajos ms completos que esta siendo desarrollado por el autor. A. Tipos de cambio

Es de esperarse que existan una relacin de largo plazo entre el tipo de cambio oficial y el tipo de cambio paralelo, si esta no existiese se presentaran oportunidades ilimitadas de ganancia a personas que comprasen y vendiesen en los mercados. Se trabajara en este ejercicio con datos mensuales de los dos tipos de cambio desde enero de 1980 hasta diciembre de 1999.

El primer paso consiste en estudiar la presencia de races unitarias en las dos series. Para disminuir problemas adicionales de heterocedasticidad se trabajo con logaritmos de las variables.

El procedimiento general, consiste en cinco pasos:

- Prueba de raz unitaria de las series. - Estimacin de la relacin de Cointegracin.

- Prueba de Cointegracin. - Estimacin del mecanismo de correccin de errores. Y, - Pruebas estadsticas de esta ecuacin.

Aplicando la prueba de Evans y Savin se races unitarias se tiene: Variable Paralelo Oficial Coeficiente 1.003.294 1.003.388 Prueba 0.5590 0.5749 Significancia 0.85 0.87

Como puede verse no se puede, con base en esta prueba rechazar la hiptesis de existencia de una raz unitaria en las dos series.

Aplicando la prueba de Sargan y Bhargava se obtienen resultados similares: DurbinWatson 0.00177 0.00029

Variable Paralelo Oficial

Significancia > 0.10 > 0.10

Aplicando la prueba de Dickey y Fuller se tiene: Variable Paralelo Oficial Coeficiente 0.00329 0.00339 t 59.842 33.160 Significancia > 0.10 > 0.10

En esta prueba los coeficientes resultaron positivos, lo cual es indicio de que no se puede rechazar la hiptesis de raz unitaria y de que es posible que existan varias. Se aplicaron las otras pruebas de Dickey y Fuller, con el resultado, en todos los casos de que no se puede rechazar la hiptesis de una raz unitaria. En los dos casos se rechazaron las hiptesis de una tendencia no aleatoria y de una deriva (drift). La hiptesis que permaneci fue la de unos procesos con raz unitaria. Las mismas pruebas se aplicaron a las diferencias de las series para examinar la hiptesis de dos races unitarias. Para el tipo de cambio paralelo se rechaza muy claramente la hiptesis utilizando cualquier prueba. Para el tipo de cambio oficial la situacin no es tan clara, se rechaza la hiptesis pero marginalmente.

En resumen las dos series son I(1) y se les puede aplicar los mtodos de la seccin III

para ver si son variables cointegradas.

La ecuacin de Cointegracin es:

Paralelo = 0.056611 + 0.990999*Oficial + e R2 = 0.99284 D-W = 0.20476

O, alternativamente:

Oficial = -0.027624 + 1.001856*Paralelo + e R2 = 0.99284 D-W = 0.20328

Las dos ecuaciones estn muy cerca de ser la una la inversa de la otra, lo cual segn Engle y Granger es un sntoma de Cointegracin, esto se muestra en el hecho de que el producto de los coeficientes de las variables explicatorias, en este caso 0.9928, sea muy cercano a la unidad.

Aplicando la prueba de Sargan y Bhargava se tiene de acuerdo a la tabla publicada por Engle y Yoo (1988) que los valores crticos de la prueba son 0.29 para 1%, 0.2 para 5% y 0.16 para 10% de modo que se puede rechazar la hiptesis nula, no Cointegracin o lo que es lo mismo presencia de una raz unitaria en los residuos de la ecuacin de Cointegracin, a un nivel por lo menos 5%, el mismo resultado es vlido usando cualquiera de las dos ecuaciones.

Otras de las pruebas es la de aplicar Dickey y Fuller a los residuos de la regresin, para el tipo de cambio paralelo, se obtiene:

Cambio Residuos = -0.103217*Residuos (-1 ) + j (-3.50105 )

Las tablas muestran como valores crticos del coeficiente t:-4(1%), -3.37(5%) y 3.02(10%), como en el caso de la prueba anterior, se puede rechazar la hiptesis de no Cointegracin a un nivel de por lo menos 5%. Algo similar ocurre si se toma como ecuacin de Cointegracin aquella en la cual aparece como variable dependiente el tipo de cambio oficial. Y lo mismo sucede con las dems pruebas de Cointegracin.

Como se vio en la seccin III, asociado a la ecuacin de Cointegracin existe un

mecanismo de correccin de errores, en el cual el cambio en las variables cointegradas esta asociado a los residuos de la ecuacin de Cointegracin y, probablemente, a valores rezagados de los cambios de las variables y a otras variables que no entraron en la ecuacin de Cointegracin. Usando hasta doce rezagos de cada uno de los cambios de las variables, por tratarse de series mensuales, se estimo la ecuacin de correccin de errores que aparece en el cuadro 1. Variable Constante Residuo Ctpar Ctpar Ctpar Ctpar Ctpar Ctpar Ctpar Ctpar Ctpar Ctpar Ctpar Ctpar Ctof Ctof Ctof Ctof Ctof Ctof Ctof Ctof Ctof Ctof Ctof Ctof R
2

Rezago 0 1 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Coeficiente -0.004531 -0.080057 -0.135146 -0.143257 -0.128595 -0.282954 -0.044578 0.000977 0.047242 -0.017708 -0.102966 -0.767432 0.542212 0.145937 1.785.215 -0.232684 -1.272.581 2.186.517 -0.895971 1.172.320 -1.866.239 0.880443 0.034644 1.096.212 -0.886466 -0.094025 0.3029

t-Statistic -0.935198 -2.280.963 -1.823.069 -1.916.368 -1.719.982 -3.788.447 -0.578704 0.012698 0.616075 -0.229811 -1.399.052 -1.049.615 0.758402 2.069.835 2.271.580 -0.202017 -1.088.481 1.852.417 -0.750444 0.983896 -1.573.436 0.740438 0.029335 0.936424 -0.769352 -0.119790

Significancia 0.3496860 0.0225506 0.0682929 0.0553183 0.0854357 0.0001516 0.5627889 0.9898690 0.5378450 0.8182390 0.1617970 0.2938950 0.4482100 0.0384670 0.0231120 0.8399030 0.2763830 0.0639660 0.4529870 0.3251660 0.1156180 0.4590340 0.9765980 0.3490540 0.4416480 0.9046500 Q = 44.82

Como puede verse, el coeficiente de los residuos de la ecuacin de Cointegracin es negativo y es significativo, lo cual constituye otra prueba de la existencia de Cointegracin entre las dos variables, el signo negativo quiere decir que cuando el tipo de cambio paralelo se aleja mucho de la ecuacin de equilibrio en un perodo, existen

fuerzas que la hacen acercarse a dicha ecuacin en el perodo siguiente. El valor del R2 es bajo, lo cual indica la necesidad, si se quiere una ecuacin que explique mejor el comportamiento de la variable, de introducir en el modelo variables diferentes de las se han incorporado; el valor del estadstico Q (Box-Ljung) muestra que no se puede rechazar la hiptesis de que los residuos son ruido blanco. Como resulta siempre en una primera etapa de estos ejercicios, hay muchas variables que son significativas, reestimando la ecuacin, eliminando esas variables se obtienen los resultados del cuadro 2.