Econometría

Damodar N. Gujarati

CATEDRÁTICO: VILLAVERDE MONTOYA, OSCAR

FRANCISCO
INTEGRANTES:
• AROTOMA HUAMAN, NELIDA
• CHAVEZ CANCHARI, GABRIELA
• ESTRELLA AROYO, JAIR
• GABRIEL HUAROC, ANGELA
• QUINTANA MAITA, IGNACIO
21.1. REPASO RÁPIDO A UNA SELECCIÓN DE SERIES DE TIEMPO ECONÓMICAS DE
ESTADOS UNIDOS

• Series De Tiempo Económicas De Estados

Unidos:

• IPD = Ingreso Personal Disponible Real (Miles

De Millones De Dólares)

• PIB = Producto Interno Bruto (Miles De

Millones De Dólares)

• GCP = Gasto De Consumo Personal Real (Miles

De Millones De Dólares)

• UE = Utilidades Empresariales (Miles De

Millones De Dólares)

• DIVIDENDO = Dividendos (Miles De Millones

De Dólares
21.2 CONCEPTOS FUNDAMENTALES

Procesos estacionarios

Procesos estocásticos

Procesos no estacionarios
Conceptos
Básicos
Procesos puramente aleatorios

Cointegración

Variables integradas

Modelos de caminata aleatoria

 21.3 PROCESOS ESTOCÁSTICOS Procesos estocásticos no estacionarios:
Los precios de valores, como las acciones o las tasas de cambio, siguen una
caminata aleatoria; es decir, son no estacionarios.
1) Caminata aleatoria sin deriva o sin desvío

Procesos estocásticos estacionarios Suponiendo que es un termino de error de ruido blanco, con media 0 y
varianza . En este caso la serie será una caminata aleatoria si:
Un proceso estocástico es estacionario si su media y
su varianza son constantes en el tiempo y si el valor
de la covarianza entre dos periodos depende sólo de
la distancia o rezago entre estos dos periodos, y no
del tiempo en el cual se calculó la covarianza.
 
Propiedades de la estacionariedad débil:
2) Caminata aleatoria con deriva o con desvío

representa el parámetro de deriva

cómo podemos ver que según sea positiva o negativa, se desvía.

Teniendo:

La media y la varianza se incrementan con el tiempo, irrumpiendo las

condiciones de estacionariedad.
 21. 4 PROCESO ESTOCÁSTICO DE UNA RAÍZ
UNITARIA

• ESCRIBIMOS EL MCA (21.3.4) COMO:

• ESTE MODELO SE PARECE AL MODELO AUTORREGRESIVO DE PRIMER ORDEN DE MARKOV QUE ANALIZAMOS EN
EL CAPÍTULO DE AUTOCORRELACIÓN. SI SE CONVIERTE EN UN MCA (SIN DERIVA).
• SI ES EN EFECTO , TENEMOS LO QUE SE CONOCE COMO PROBLEMA DE RAÍZ UNITARIA; ES DECIR,
ENFRENTAMOS UNA SITUACIÓN DE NO ESTACIONARIEDAD. YA SABEMOS QUE EN ESTE CASO LA VARIANZA DE
ES NO ESTACIONARIA. EL NOMBRE DE RAÍZ UNITARIA SE DEBE A QUE . POR TANTO, LOS TÉRMINOS NO
ESTACIONARIEDAD, CAMINATA ALEATORIA, RAÍZ UNITARIA Y TENDENCIA ESTOCÁSTICA SE CONSIDERAN
SINÓNIMOS.
• SIN EMBARGO, SI , ES DECIR, SI EL VALOR ABSOLUTO DE ES MENOR QUE 1, PODEMOS DEMOSTRAR QUE LA
SERIE DE TIEMPO ES ESTACIONARIA DE ACUERDO CON LA DEFINICIÓN DADA.
21. 5 PROCESOS ESTOCÁSTICOS ESTACIONARIOS EN
TENDENCIA (ET) Y ESTACIONARIOS EN
DIFERENCIAS (ED)

• LA DISTINCIÓN ENTRE PROCESOS ESTOCÁSTICOS (O SERIES DE TIEMPO)

ESTACIONARIOS Y NO ESTACIONARIOS TIENE UNA IMPORTANCIA FUNDAMENTAL
PARA SABER SI LA TENDENCIA ES DETERMINISTA O ESTOCÁSTICA.
• PARA FORMALIZAR LA DEFINICIÓN, CONSIDERE EL SIGUIENTE MODELO DE LA
SERIE DE TIEMPO :

• DONDE ES UN TÉRMINO DE ERROR DE RUIDO BLANCO Y DONDE ES EL TIEMPO

MEDIDO CRONOLÓGICAMENTE. AHORA TENEMOS LAS SIGUIENTES
PROBABILIDADES:
21. 5 PROCESOS ESTOCÁSTICOS ESTACIONARIOS EN
TENDENCIA (ET) Y ESTACIONARIOS EN
DIFERENCIAS (ED)
• CAMINATA ALEATORIA PURA: SI EN (21.5.1) , , , OBTENEMOS

• QUE NO ES OTRA COSA SINO EL MCA SIN DERIVA Y POR TANTO ES NO ESTACIONARIO.

• SE CONVIERTE EN ESTACIONARIA, COMO YA MENCIONAMOS. POR TANTO, UN MCA SIN DERIVA ES UN PROCESO ESTACIONARIO EN
DIFERENCIAS (PED).
• CAMINATA ALEATORIA CON DERIVA: SI EN (21.5.1) , , , OBTENEMOS

• QUE ES UNA CAMINATA ALEATORIA CON DERIVA Y EN CONSECUENCIA ES NO ESTACIONARIA. SI LA EXPRESAMOS COMO

• ESTO SIGNIFICA QUE MOSTRARÁ UNA TENDENCIA POSITIVA O NEGATIVA (FIGURA 21.4). TAL TENDENCIA SE LLAMA TENDENCIA
ESTOCÁSTICA.
21. 5 PROCESOS ESTOCÁSTICOS ESTACIONARIOS EN
TENDENCIA (ET) Y ESTACIONARIOS EN
DIFERENCIAS (ED)

• TENDENCIA DETERMINISTA: SI EN (21.5.1), , , , OBTENEMOS

• LO CUAL SE LLAMA PROCESO ESTACIONARIO EN TENDENCIA (PET). AUNQUE LA

MEDIA DE ES - NO CONSTANTE -, SU VARIANZA SÍ LO ES. UNA VEZ QUE
CONOCEMOS LOS VALORES DE Y , PODEMOS PRONOSTICAR LA MEDIA SIN
NINGÚN PROBLEMA.
• CAMINATA ALEATORIA CON DERIVA Y TENDENCIA DETERMINISTA: SI EN
(21.5.1), , , OBTENEMOS
21. 5 PROCESOS ESTOCÁSTICOS ESTACIONARIOS EN
TENDENCIA (ET) Y ESTACIONARIOS EN
DIFERENCIAS (ED)
FIGURA 21.5 Tendencia determinística
• EN CUYO CASO TENEMOS UNA CAMINATA ALEATORIA frente a tendencia estocástica.
CON DERIVA Y TENDENCIA DETERMINISTA, LO CUAL
SE APRECIA SI EXPRESAMOS ESTA ECUACIÓN COMO

• QUE SIGNIFICA QUE ES NO ESTACIONARIA.

• TENDENCIA DETERMINISTA CON COMPONENTE
ESTACIONARIO : SI EN (21.5.1) , , , TENEMOS

• QUE ES ESTACIONARIA ALREDEDOR DE LA

TENDENCIA DETERMINISTA.
 21. 6 PROCESOS ESTOCÁSTICOS INTEGRADOS

• PROPIEDADES DE LAS SERIES INTEGRADAS

• PODEMOS OBSERVAR LAS SIGUIENTES PROPIEDADES DE LAS SERIES DE TIEMPO INTEGRADAS: SEA ,
Y TRES SERIES DE TIEMPO.
• 1. SI Y , ; ES DECIR, UNA COMBINACIÓN LINEAL O SUMA DE SERIES DE TIEMPO ESTACIONARIA Y NO
ESTACIONARIA ES NO ESTACIONARIA.
• 2. SI , , DONDE Y SON CONSTANTES. ES DECIR, UNA COMBINACIÓN LINEAL DE UNA SERIE ES
TAMBIÉN . POR TANTO, SI , .
• 3. SI Y , , DONDE .
• 4. SI Y , ; ES POR LO GENERAL IGUAL A , PERO EN ALGUNOS CASOS (VÉASE EL TEMA DE
COINTEGRACIÓN EN LA SECCIÓN 21.11).
• PARA VER LA IMPORTANCIA DE ESTO, CONSIDERE EL MODELO DE REGRESIÓN DE DOS VARIABLES
ANALIZADO EN EL CAPÍTULO 3, A SABER, . SEGÚN LOS SUPUESTOS CLÁSICOS DE MCO, SABEMOS QUE
21. 7 EL FENÓMENO DE REGRESIÓN ESPURIA

• PARA VER POR QUÉ LAS SERIES DE TIEMPO ESTACIONARIAS SON TAN IMPORTANTES,
CONSIDERE LOS DOS MODELOS DE CAMINATA ALEATORIA SIGUIENTES:

• DONDE HAY 500 OBSERVACIONES DE Y

• TAMBIÉN SE SUPUSO QUE Y NO ESTÁN SERIAL NI MUTUAMENTE
CORRELACIONADAS. COMO YA SABEMOS, AMBAS SERIES DE TIEMPO SON NO
ESTACIONARIAS; ES DECIR, SON O EXHIBEN TENDENCIAS ESTOCÁSTICAS.
21. 7 EL FENÓMENO DE REGRESIÓN ESPURIA

• SUPONGA QUE HACEMOS LA REGRESIÓN DE SOBRE . COMO Y SON PROCESOS

NO CORRELACIONADOS , DE LA REGRESIÓN DE SOBRE DEBE TENDER A CERO;
ES DECIR, NO DEBE HABER NINGUNA RELACIÓN ENTRE LAS DOS VARIABLES.
PERO VEA LOS RESULTADOS DE LA REGRESIÓN:
21.8 PRUEBAS
DE ESTACIONARIEDAD

•EN EL SIGUIENTE GRAFICO DENOTA UNA

TENDENCIA QUE MUESTRA EL INCREMENTO
DEL LOGPIB DE ESTADOS UNIDOS, LO CUAL
NOS PUEDE YA DAR A ENTENDER QUE NO
EXISTE UNA ESTACIONARIEDAD.
2. Función de autocorrelación (FAC) y correlograma

La función de autocorrelación (FAC) es una medida de la correlación entre los valores de una serie de tiempo
y sus valores pasados en diferentes retrasos o desfases. La FAC se utiliza para analizar la dependencia
temporal en una serie de tiempo y, en particular, para determinar si la serie es estacionaria o no.
Se denota mediante la siguiente ecuación:

^=
𝛾
∑ ( 𝑌 𝑡 −𝑌 )
2

0
𝑛
Para hallarlo se necesita la covarianza muestral en el rezago , ., y la varianza muestral, definidas como:

^=
𝛾
∑ ( 𝑌 𝑡 −𝑌 )
2

0
𝑛

Donde n es el tamaño de muestra, y es la media muestral. De igual manera la función de autocorrelación muestral, que
también se obtiene el correlograma muestral:

^𝑘
𝛾
𝜌 𝑘=
^0
𝛾

A partir del correlograma, para determinar si una serie de tiempo es estacionaria, se puede utilizar el correlograma muestral, el
cual es una gráfica que muestra la función de autocorrelación muestral para diferentes rezagos. Si la serie de tiempo es
estacionaria, las autocorrelaciones se distribuyen alrededor del cero. Por lo tanto, si el correlograma de una serie de tiempo real
se asemeja al correlograma de una serie de tiempo de ruido blanco, es posible que la serie de tiempo sea estacionaria.
Para elegir la longitud del rezago en el cálculo de la
función de autocorrelación (FAC) se pueden utilizar
diferentes métodos. Uno de los más comunes es el
criterio de Akaike (AIC), que se basa en minimizar el
error cuadrático medio (MSE) de un modelo de
series de tiempo. El correlograma de la serie de
tiempo LPIB de Estados Unidos muestra el
correlograma de hasta 36 rezagos donde el
coeficiente de autocorrelación comienza con un valor
muy alto en el rezago 1 (0.977) y disminuye muy
lentamente.
Significancia estadística de los
coeficientes de autocorrelación
La significancia estadística de cualquier se juzga mediante
su error estándar. Si una serie de tiempo es puramente
aleatoria, es decir, si es una muestra de ruido blanco, los
coeficientes de autocorrelación muestrales son
aproximadamente:

Como hay 244 observaciones en el ejemplo de PIB de

EE.UU , la varianza es y el error estándar , y con 95% de
confianza donde:
 21. 9 PRUEBA DE RAÍZ UNITARIA

LA PRUEBA DE RAÍZ UNITARIA ES OTRO MÉTODO PARA SABER SI

HAY ESTACIONARIEDAD O NO ESTACIONARIEDAD, PARA ELLO EL
PUNTO DE PARTIDA ES EL PROCESO (ESTOCÁSTICO) DE RAÍZ
UNITARIA QUE VIMOS EN LA SECCIÓN 21.4.
SE INICIA CON

DONDE ES UN TÉRMINO DE ERROR DE RUIDO BLANCO.

Sabemos que si , es decir, en el caso de la raíz unitaria, (21.4.1) se convierte en un
modelo de caminata aleatoria sin deriva, del cual sabemos también que es un
proceso estocástico no estacionario. Por tanto, manipulamos (21.4.1) de la
siguiente forma: restamos de ambos miembros de la ecuación (21.4.1) para
obtener:
Por tanto, en la práctica, en vez de estimar (21.4.1), calculamos (21.9.2) y probamos la
hipótesis (nula) de que , y la hipótesis alternativa es que , si, entonces ; es decir,
tenemos una raíz unitaria, lo cual significa que la serie de tiempo en consideración es no
estacionaria. Antes de proceder con la estimación de (21.9.2) debemos observar que si ,
entonces (21.9.2) se convertirá en:

Como es un término de error de ruido blanco, entonces es estacionario y las primeras

diferencias de una serie de tiempo de caminata aleatoria son estacionarias.

Sin embargo, la alternativa para corregirlo es la de Dickey y Fuller y a fin de permitir

las distintas posibilidades, la prueba DF se estima en tres diferentes formas, es decir,
conforme a tres hipótesis nulas:
es una caminata aleatoria:
es una caminata aleatoria:
es una caminata aleatoria con deriva alrededor de una tendencia determinista:
Hipótesis nula: (es decir, existe una raíz unitaria, la serie de
tiempo es no estacionaria o tiene tendencia estocástica).

Hipótesis alternativa: (es decir, la serie de tiempo es

estacionaria, posiblemente alrededor de una tendencia
determinista).
Si rechazamos la hipótesis nula, esto significa que 1) es
estacionaria con media cero en el caso de la ecuación (21.9.2)
o que 2) es estacionaria con una media distinta de cero en el
caso de (21.9.4).
 LA PRUEBA DE DICKEY – FULLER
AUMENTADA (DFA)
AL LLEVAR A CABO LA PRUEBA DF EN (21.9.2), (21.9.4) O (21.9.5) SUPUSIMOS QUE EL TÉRMINO
DE ERROR NO ESTABA CORRELACIONADO. PERO DICKEY Y FULLER DESARROLLARON UNA
PRUEBA CUANDO DICHO TÉRMINO SÍ ESTÁ CORRELACIONADO, LA CUAL SE CONOCE COMO
PRUEBA DICKEY-FULLER AUMENTADA (DFA). ESTA PRUEBA IMPLICA “AUMENTAR” LAS
TRES ECUACIONES ANTERIORES MEDIANTE LA ADICIÓN DE LOS VALORES REZAGADOS DE
LA VARIABLE DEPENDIENTE . PARA UN EJEMPLO ESPECÍFICO, SUPONGA QUE UTILIZAMOS
(21.9.5). LA PRUEBA DFA CONSISTE EN ESTE CASO EN ESTIMAR LA SIGUIENTE REGRESIÓN:

(21.9.9)
DONDE ES UN TÉRMINO DE ERROR PURO DE RUIDO BLANCO Y DONDE ), ETC. EL NÚMERO
DE TÉRMINOS DE DIFERENCIA REZAGADOS QUE DEBEMOS INCLUIR CON FRECUENCIA SE
DETERMINA DE MANERA EMPÍRICA, CON LA IDEA DE INCLUIR LOS TÉRMINOS SUFICIENTES
PARA QUE EL TÉRMINO DE ERROR EN (21.9.9) NO ESTÉ RELACIONADO Y SEA POSIBLE
OBTENER UNA ESTIMACIÓN INSESGADA DE, EL COEFICIENTE DE REZAGADO.
Prueba de la significancia de más de un coeficiente:
• Prueba de cambios estructurales
Los ciclos económicos están marcados por periodos de recesiones y de expansiones. Es muy
probable que un ciclo económico sea distinto de otro, lo que puede reflejar rupturas estructurales o
cambios estructurales en la economía, por ejemplo, Perron sostiene que las pruebas estándar de la
hipótesis de raíz unitaria pueden no ser confiables en presencia de cambios estructurales.
• Crítica de las pruebas de raíz unitaria
Por tamaño de la prueba nos referimos al nivel de significancia (es decir, la probabilidad de cometer
un error tipo I), y por potencia de una prueba a la probabilidad de rechazar la hipótesis nula cuando
es falsa. Calculamos la potencia de una prueba al restar la probabilidad de un error tipo II de 1; el
error tipo II es la probabilidad de aceptar una hipótesis nula falsa. El máximo poder es 1.
 Tamaño de la prueba: DF: 1) una caminata puramente aleatoria, 2) una caminata aleatoria con
deriva y 3) una caminata aleatoria con deriva y tendencia.
 Potencia de la prueba: La mayoría de las pruebas del tipo DF tienen poco poder; es decir,
tienden a aceptar la nulidad de la raíz unitaria con más frecuencia de la garantizada. En otras
palabras, estas pruebas pueden encontrar una raíz unitaria aunque no exista.
21.10. Transformación de las series de tiempo no estacionarias
Para solucionar el problema de las series de tiempo no estacionarias, es necesario transformarlas en estacionarias para evitar
la regresión espuria. La transformación depende de si las series son procesos estacionarios en diferencias o con tendencia.
Se abordará cada caso de manera separada.

Procesos estacionarios en diferencias

En el caso de la serie LPIB de Estados Unidos, al tomar las primeras diferencias, se obtiene una nueva serie sobre la cual se
puede realizar una regresión: 
 PROCESOS ESTACIONARIOS EN TENDENCIA

En resumen, es esencial
aplicar la transformación
correcta para hacer que los
datos no estacionarios sean
estacionarios, y no es
apropiado suprimir la
tendencia de los datos
ajustando una línea de
tendencia y tomando
desviaciones. 
21.11 Cointegración: regresión de una serie de tiempo con raíz unitaria sobre otra serie de tiempo con raíz unitaria

Prueba de cointegración

donde L signifi ca logaritmo. β2 es la elasticidad del La prueba de raíz unitaria DF o DFA sobre los residuos
gasto de consumo personal real respecto del estimados y la prueba de Engle-Granger (EG) o Engle-
ingreso personal disponible real. Granger aumentada (EGA). 

Engle-Granger a 5% y 10% son de alrededor de -

3.34 y -3.04, respectivamente, y que los residuos
de la regresión son no estacionarios en el nivel
En resumen, la cointegración es una forma de de 5%
evitar regresiones espurias y puede ser útil en la
teoría económica, como en la teoría monetaria
cuantitativa de Fisher y la teoría de la paridad del
poder adquisitivo.
 Cointegración y mecanismo de corrección de
errores (MCE)

Para ver si los residuos de esta regresión son

estacionarios, obtuvimos los siguientes resultados ". El mecanismo de corrección de errores (MCE)
es utilizado para corregir el desequilibrio entre
las dos variables cointegradas. El teorema de
representación de Granger afirma que la relación
entre dos variables cointegradas se puede
expresar como MCE, como se muestra en la
ecuación (21.11.6).

La prueba DF y DFA muestran que los residuos de la

regresión son estacionarios debido a una tendencia el modelo de corrección de errores (MCE) es utilizado
lineal determinista. Se sugiere comprobar esta para corregir el desequilibrio en una relación de
posibilidad en el ejercicio 21.28. cointegración a largo plazo entre dos variables. En el
caso del ejemplo ilustrativo, el MCE muestra que solo
alrededor del 12% de la discrepancia entre el GCP de
largo y corto plazos se corrige dentro de un trimestre. 
RESUMEN Y CONCLUSIONES
El análisis de regresión de series de tiempo se basa en la suposición de que las series de
tiempo son estacionarias, pero en la práctica, la mayoría de las series de tiempo económicas
no lo son. La estacionariedad débil se verifica mediante el correlograma de la serie de
tiempo o pruebas formales como las pruebas de Dickey-Fuller. Las series de tiempo pueden
ser estacionarias en tendencia o en diferencia y la regresión espuria puede ser evitada
mediante la cointegración. Las pruebas Engle-Granger y el mecanismo de corrección de
errores se utilizan para establecer la relación de largo plazo entre dos o más series de
tiempo. Aún queda trabajo por hacer para comprender por qué algunas series de tiempo
económicas son estacionarias y otras no lo son.