Raices Unitarias-Cointegracion y ECM
Raices Unitarias-Cointegracion y ECM
Raices Unitarias-Cointegracion y ECM
1. Introducción
El modelo de regresión clásico fue pensado para relaciones entre variables estacionarias
y cuando se usa con variables no estacionarias surgen problemas importantes. Así,
cuando empleamos este tipo de variables no pueden mantenerse los supuestos de que las
varianzas de los regresores tienden a una constante a medida que crece el tamaño de la
muestra (o si los regresores son estocásticos, que su límite probabilístico tiende a
constantes finitas). La teoría de grandes muestras, en la que se basa toda la inferencia
del modelo de regresión, deja de ser válida si se incumplen los supuestos anteriores. En
concreto no es válida la demostración habitual de la consistencia de los estimadores
MCO. Tampoco se verifica que el estadístico (b-β)/e.s.(b) siga una distribución t de
Student estándar.
La cuestión de las regresiones espurias tiene una fuerte base empírica, ya que,
aunque existía el precedente de Yule (1926), se puso de manifiesto como consecuencia
de diversos trabajos de simulación y experimentos de Montecarlo, realizados por
autores como Granger y Newbold (1974), Davies y otros. En estos trabajos se
generaban series artificiales no relacionadas por construcción y después se efectuaba la
regresión entre ambas, encontrándose en numerosos casos que la mayor parte de los
estadísticos (excepto el DW) eran bastante buenos, es decir un resultado típico de
regresión espuria. Posteriormente se desarrolló la teoría que justificaba esta situación
(Phillips, 1986).
Interesa pues disponer de algún procedimiento que nos diga si las series objeto de
análisis son o no estacionarias (es decir si las series presentan algún tipo de tendencia?).
Dentro de la metodología econométrica se distingue entre no estacionaridad en
tendencia o determinística, que se daría en aquellas series con tendencias del tipo yt = a
+ bt + vt, y no estacionaridad en diferencias o estocástica, de las que el caso
paradigmático es el de camino aleatorio, xt =a+xt-1+ vt. Comenzaremos analizando el
segundo caso, que suele designarse con el nombre de tendencia estocástica.
1
Ya vimos en el tema correspondiente que éste era un proceso no estacionario. De
la expresión de camino aleatorio (con deriva) se deduce que xt presentará una tendencia
creciente o decreciente a largo plazo en función del signo de a. Esta tendencia es
conocida como tendencia estocástica dado que la serie varía en tendencia de una forma
no previsible o estocástica. Además este tipo de tendencia puede eliminarse por medio
del operador diferencia, dado que Δxt = a + vt es un proceso estacionario por definición.
Es por ello que a veces nos referimos al proceso xt como proceso estacionario en
diferencias (difference stationary process o, abreviadamente, DS ).
xt = ρ xt-1 + vt (1)
o lo que es lo mismo,
Δxt = δxt-1 + εt (2)
1
También se puede hacer el contraste a partir de ρ̂ en yt = ρ yt −1 + ut , utilizando el estadístico
T ( ρˆ − 1) (Ver Hamilton, p. 487 y ss).
2
el valor obtenido con los tabulados por McKinnon que son sustancialmente más
elevados (en valor absoluto) que los de la t normal. El contraste es de una sola cola: solo
se mira en la parte negativa de la distribución pues lo que nos interesa es solo si ρ < 1
(en otro caso x será no estacionaria). Pero esto implica (ρ −1) < 0.
k
Δxt = δ xt −1 + ∑ δ i Δxt −i + ε t (3)
i =1
La hipótesis nula sigue siendo la misma (H0: ρ = 1), así como el procedimiento
de contraste. El contraste con esta modificación recibe el nombre de contraste de Dickey
y Fuller aumentado (ADF).
Δxt = μ +λ1Δxt-1+ εt
3
calculando en cada caso la correspondiente suma cuadrática de los residuos. Se
demuestra que,
(n − k )( DR − DU )
qDU
Ejemplos
25
X
20
15
10
-5
-10
1550 1600 1650 1700 1750 1800 1850 1900 1950 2000
4
Log likelihood -690.9155 F-statistic 1.752175
Durbin-Watson stat 2.009594 Prob(F-statistic) 0.174468
Tabla 1
El ratio t (en negrilla) vale –1,7, que indicaría la no significatividad estadística incluso
con los valores de la distribución t de Student. Menos aún con los tabulados por
McKinnon, que son más elevados. En este caso concreto el valor crítico para el 95% es
- 2,87, aproximadamente.
11
10
4
00:01 00:07 01:01 01:07 02:01 02:07 03:01 03:07 04:01
X(-1) DX(-1) DX
X(-1) 3.362449 0.076263 -0.084188
DX(-1) 0.076263 0.159624 -0.006581
DX -0.084188 -0.006581 0.159592
Tabla 4
5
Δxt =α + δ xt −1 + δ1Δxt −1 + ε t
o en desviaciones,
Δxt = δ xt −1 + δ1Δxt −1 + ε t
−1
⎛ 3.3624 0.07626 ⎞ ⎛ −0.0842 ⎞ ⎛ −0.02437 ⎞
b =⎜ ⎟ ⎜ ⎟=⎜ ⎟
⎝ 0.07626 0.15962 ⎠ ⎝ −0.00658 ⎠ ⎝ −0.02958 ⎠
⎡ ⎛ s y1 ⎞ ⎤
n ⎢ s y2 − n ( b1 b2 ) ⎜ ⎟ ⎥
⎢ ⎝ s y 2 ⎠ ⎦⎥
= ⎣
d´d Y´Y - b´X´Y
σˆ v2 = =
n−k n−k n−k
es decir,
⎡ ⎛ −.0842 ⎞ ⎤
222 ⎢0.159592 − ( −.024371 −.02958 ) ⎜ ⎟⎥
⎣ ⎝ −.00658 ⎠ ⎦ 34.9307
σˆ v =
2
= = 0.1588
222 − 2 220
y por tanto,
−1
−1 1 ⎛ 3.3624 .07626 ⎞ 1 ⎛ 0.3007 −0.14366 ⎞
D (b) = 0.1588( X´X) = 0.1588
2
⎜ ⎟ = 0.1588 ⎜ ⎟
220 ⎝ .07626 .15962 ⎠ 220 ⎝ −0.14366 6.3343 ⎠
−0.024371
= − 1.654
0.01473
Como el valor crítico para el 95% en las tablas de McKinnon es –2.87, no se puede
rechazar la hipótesis nula de que la serie en cuestión contiene una raíz unitaria y es por
tanto, no estacionaria.
6
Test critical values: 1% level -3.460035
5% level -2.874495
10% level -2.573751
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(X)
Method: Least Squares
Sample(adjusted): 12/03/1999 2/13/2004
Included observations: 220 after adjusting endpoints
Variable Coefficien Std. Error t-Statistic Prob.
t
X(-1) -0.024367 0.014765 -1.650289 0.1003
D(X(-1)) -0.029586 0.067767 -0.436583 0.6628
C 0.212109 0.134041 1.582420 0.1150
R-squared 0.014074 Mean dependent var -
0.004409
Adjusted R-squared 0.004987 S.D. dependent var 0.400401
S.E. of regression 0.399401 Akaike info criterion 1.015841
Sum squared resid 34.61609 Schwarz criterion 1.062117
Log likelihood -108.7425 F-statistic 1.548813
Durbin-Watson stat 1.995748 Prob(F-statistic) 0.214840
Tabla 5
7
Cointegración
Hemos visto que cuando las series que se manejan son no estacionarias, la regresión
entre las mismas conlleva el peligro de incurrir en lo que hemos denominado
regresiones espurias. En tales casos se recomienda diferenciar las series (si la tendencia
es estocástica) como paso previo a la regresión.
Por ello es importante analizar si existen condiciones en las que pueda llevarse a
cabo la regresión en niveles entre series no estacionarias, sin que ello implique la
pérdida de las propiedades habituales (consistencia, etc). Esas condiciones existen y se
concretan en el concepto de cointegración, presentado tiempo atrás pero cuyo desarrollo
formal no tuvo lugar hasta los trabajos de Granger (1983) y Engle y Granger (1987).
Para los fines que aquí interesan, diremos que dos series están cointegradas si
siendo originalmente integradas de orden 1 (y por tanto no estacionarias), pueden
relacionarse por medio de alguna combinación lineal para dar lugar a una serie que sí lo
es. Aunque el concepto es generalizable a más de dos variables (y a órdenes superiores
de integración), en el programa sólo se contempla el caso más sencillo.
Para el caso de más de dos variables existen contrastes más complejos como el
de Johansen, basado en la modelización VAR, pero queda fuera del alcance de este
programa.