Econometria
Econometria
Econometria
Damodar N. Gujarati
Procesos estacionarios
Procesos estocásticos
Procesos no estacionarios
Conceptos
Básicos
Procesos puramente aleatorios
Cointegración
Variables integradas
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
• 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)
• 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)
• PARA VER POR QUÉ LAS SERIES DE TIEMPO ESTACIONARIAS SON TAN IMPORTANTES,
CONSIDERE LOS DOS MODELOS DE CAMINATA ALEATORIA SIGUIENTES:
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:
(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.
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).