ECONOMETRIA PRACTICA Fundamentos de Seri PDF

ECONOMETRA PRCTICA: Fundamentos de Series de Tiempo
Versin Preliminar
Agradecemos de Antemano Comentarios
Ramn A. Castillo Ponce
Rogelio Varela Llamas
1
ECONOMETRA PRCTICA: Fundamentos de Series de Tiempo
INDICE
Introduccin ...7
Parte I: Modelos Univariados ...10
Captulo 1: Modelos ARMA 10
1.1 . Preliminares .....10

1.2 . Modelos Bsicos 12
1.3 . Relacin entre los Modelos AR y MA .............17
1.4 . Funciones de Autocovarianza y Autocorrelacin ....19
1.5 . Sugerencia de Procedimiento Prctico .....23
Captilo 2: Estacionariedad ......34
2.1. Concepto ...34

2.2 . Identificacin de Estacionariedad: Primera Aproximacin .....39
2.3 . Ejemplo Numrico: el Producto Interno Bruto de Mxico ..44
Captulo 3: Races Unitarias ....50
3.1 . Concepto ..50

3.2 . Pruebas Bsicas de Raz Unitaria ....54
3.3 . Pruebas de Raz Unitaria sobre Series que Presentan Corte Estructural .........57
3.4. Ejercicio prctico de Races Unitarias ..........59
Captulo 4: Series Integradas y los Modelos ARMA ...66
4.1 . Definicin ............66

4.2 . Tratamiento de la Estacionalidad en los Modelos ARIMA .........67
4.3 . Ejemplo para Modelos ARIMA: Indice e Volumen Fsico de la Produccin
Manufacturera ...70
Captulo 5: Temas Selectos de Modelos Univariados .91
5.1 . Criterios para Evaluar la Capacidad Predictiva ...91

5.2 . Promedio Simple y Promedio Mvil ...93
5.3 . Suavizamiento Exponencial Simple y Doble ..97
5.4 . Suavizamiento Exponencial Lineal Ajustado a la Tendencia ....103
5.5 . Suavizamiento Exponencial para Tendencia y Estacionalidad Multiplicativa ..106
5.6. Filtro Hodrick-Prescott ......109
5.7. La Tendencia y Estacionalidad en los Modelos Clsicos de Regresin .........112
2
Parte II: Modelos Multivariados 117
Captulo 6: Introduccin a los Sistemas Multivariados .117
6.1. Fundamentos .......117
Captulo 7: Cointegracin ......126
7.1. Concepto .....126

7.2 . Metodologas de Cointegracin .........128
Captulo 8: Introduccin al Anlisis VARs y la Metodologa de Cointegracin de

Johansen ..159
8.1. Fundamentos ...........159

8.2 . Metodologa de Johansen ...164
8.3. Ejercicio Prctico: Funcin de Consumo ....168
Captulo 9: Temas Selectos en el Anlisis de VARs 179
9.1. Causalidad Segn Granger ......179

9.2. Funcin Impulso-Respuesta ...186
9.3. Descomposicin de la varianza ..190
9.4. Descomposicin tendencia ciclo .....193
Bibliografa 204
3
Parte I: Modelos Univariados
Captulo 1: Modelos ARMA
En esta primera parte del libro el anlisis se centra en los modelos univariados de series de
tiempo, que de acuerdo con Box y Jenkins (1970), son representaciones muestrales de un
proceso estocstico. Estos modelos presentan la caracterstica de que la variable objeto de
estudio depende de su propia evolucin histrica. En el presente captulo se puntualizarn
conceptos bsicos en la construccin de modelos se series de tiempo y se introducirn las
especificaciones univaridas ms comnmente estudiadas.
1.1. Preliminares
Definimos una serie de tiempo como un conjunto de observaciones repetidas de la misma
variable tal como:
{y1 , y 2 ,....., yT }
Donde los sufijos representan el periodo en el tiempo en el que se observa la variable y t .
A partir de esta caracterizacin se desprenden dos conceptos fundamentales en el anlisis
de series de tiempo. Los mismos se definen mediante la imposicin de algunos supuestos
sobre el comportamiento de y t .
1. Ruido blanco: el proceso y t se define como ruido blanco si cumple con las
siguientes condiciones:
4
a) La esperanza de y t es igual a 0 para todos los periodos t. Esto es E ( yt ) = 0
para toda t.
b) La varianza de y t es constante y por consiguiente independiente del tiempo.
Esto es Var ( y t ) = 2 .
c) Las autocorrelaciones son iguales a 0.
2. Independiente e idnticamente distribuido (iid): el proceso y t se dice ser iid si
cumple con las siguientes condiciones:
a) La esperanza de y t es constante pero no necesariamente igual a 0 para todos
los periodos t. Esto es E ( y t ) = .
b) La varianza de y t es constante y por consiguiente independiente del tiempo.
Esto es Var ( y t ) = 2 .
c) y t es independiente de y k para todas las ts y ks con t k .
Otro concepto til en el entendimiento del comportamiento de series de tiempo se refiere al
operador de rezagos. El mismo es bsicamente una representacin abreviada de la dinmica
de una serie. Denotemos la observacin de y t en el periodo anterior como y t 1 , de tal
forma que tenemos las siguientes relaciones:
Ly t = y t 1
5
L2 y t = LLy t = Ly t 1 = y t 2
Y as sucesivamente, de tal forma que L j y t = y t j .
Finalmente, definimos el operador de diferencia .
y t = y t yt 1 = (1 L ) y t
y t 1 = y t 1 y t 2 = L(1 L ) y t .
Y as sucesivamente.
Haremos referencia a estos conceptos ampliamente a travs del texto como piezas
fundamentales en la construccin de modelos de series de tiempo.
1.2. Modelos Bsicos
La teora economtrica establece que a partir de una muestra se puede encontrar el proceso
estocstico generador (PEG) de la misma, lo cual implica que se debe seleccionar una serie
y subsecuentemente modelarla. Existen varios modelos que pudieran representar el PEG de
una serie de tiempo; aqu nos concentraremos en tres que son fundamentales en la prctica:
un proceso autorregresivo (AR), de media mvil (MA), y autorregresivo de media mvil
(ARMA).
6
1. Proceso Autorregresivo
Un proceso autorregresivo de primer orden AR(1), se define como:
yt = + y t 1 + t (1.1)
Donde es una constante, t es ruido blanco, e y t sigue un proceso autorregresivo el cual
supone que su esperanza condicional depende de su valor en el perodo pasado, es decir,
E ( y t | y t 1 ) = + y t 1 . As, un modelo autorregresivo de orden p, AR(p), se puede
generalizar como:
y t = + 1 y t 1 + 2 y t 2 + ...... + p y t p + t (1.2)
Donde su esperanza condicional y varianza estn dadas por las expresiones
E ( y t | y t 1 , y t 2 ,....., yt p ) = + 1 y t 1 + 2 y t 2 + ..... + p y t p
Var ( y t | y t 1 , y t 2 ,....., y t p ) = 2 .
Ahora bien, haciendo uso del operador de rezago, la ecuacin (1.1) puede expresarse como
yt y t 1 = + t = y t Ly t que a su vez es igual a:
(1 L ) yt = + t (1.3)
7
De tal forma que el modelo AR(p) definido en (1.2), se puede replantear como
yt 1 y t 1 2 y t 2 ..... p y t p = + t que se simplifica como:
(1 L L
1 2
2
)
..... p L p y t = + t (1.4)
(
Donde 1 1 L 2 L2 ..... p L p ) es un polinomio en el operador de rezago que permite
plantear el modelo AR (p) como ( L) = + t . Aqu suponemos entonces que la variable
de inters depende de la dinmica de sus observaciones pasadas. Como lo abordaremos
adelante, identificar la magnitud de ser fundamental para modelar apropiadamente el
comportamiento de la serie. En particular, ntese que si = 1 entonces el comportamiento
contemporneo de y t est determinado por lo que se observ en el periodo t 1 . En tal
caso, la serie no converge y se desplaza en el tiempo sin acotamiento.
2. Media Mvil
En este modelo y t se expresa en trminos de una constante y un proceso de media mvil.
Se dice que es de orden uno, MA(1), cuando se tiene una especificacin como la siguiente:
yt = + t t 1 (1.5)
Donde es la constante y t t 1 el proceso de media mvil. Consecuentemente se
tiene un proceso MA(q) cuando y t se plantea de la siguiente forma general:
8
y t = + t 1 t 1 2 t 2 ..... q t q (1.6)
Si se toma la esperanza matemtica en ambos miembros de la expresin (1.5) se tiene que
E ( y t ) = E ( + t t 1 ) =
y la varianza est dada por
(
Var ( y t ) = 2 1 + 2 )
Haciendo uso del operador de diferencia, el MA(1) y MA(q) se pueden representar
respectivamente como:
y t = (1 L ) t (1.7)
( )
yt = 1 1 L 2 L2 ..... q Lq t = ( L) t (1.8)
Donde ( L) = (1 1 L 2 L2 ..... q L p ) .Como se mostrar adelante, los modelos MA son
comnmente empleados para realizar pronsticos o eliminar el patrn estacional de una
serie.
9
3. Proceso Autorregresivo con Media Mvil
A partir de las consideraciones anteriores, un modelo mixto, autorregresivo de promedio
(media) mvil, ARMA (p,q), se representa como:
yt = + 1 y t 1 + 2 y t 2 + ..... + p y t p + t 1 t 1 2 t 2 ..... q t q (1.9)
En esta ecuacin, como se puede ver, aparecen p trminos autorregresivos que representan
rezagos distribuidos de la variable dependiente y q rezagos de la variable de
perturbacin, t , que corresponden a los promedios mviles y que se denominan
innovaciones. Se le conoce as a t por que recoge nueva informacin que se va
conociendo cada periodo. En particular, ntese que el trmino de error que se define exhibe
la siguiente forma: t 1 t 1 ..... q t q .
Podemos especificar una representacin formal de los 3 modelos mediante el operador de
rezagos de la siguiente forma. En definitiva, ntese que los modelos ARMA(p,q)
involucran a los modelos AR(p) y MA(q) a travs de una sola especificacin. El modelo
AR(p) se corresponde con un modelo ARMA (p,0) y un modelo MA(q) es idnticamente
igual a un ARMA (0,q).
10
1.3. Relacin entre los Modelos AR y MA
Es posible mostrar que los modelos anteriormente introducidos presentan relaciones
analticas entre ellos.
1. AR como MA
Tomando (1.1) y utilizando el operador de rezagos, se tiene (1 L) y t = + t .
t
Suponiendo que < 1 se deriva que yt = + que a su vez es equivalente a la
1 L 1 L
siguiente expresin redefinida,

yt = + (1 + L + 2 L2 + .....) t
1

El trmino en parntesis es una secuencia que se puede re-escribir de esta forma i t i ,
i =0
la cual representa un proceso de media mvil. As la expresin anterior se escribe

yt = + i t i (1.13)
1 i =0
Esta definicin sugiere que un proceso AR(1) puede ser expresado como un proceso
MA( ) , lo que significa que y t es una agregacin de la historia de todas las innovaciones.
11
2. MA como AR
Se considera que un modelo MA(1) puede representarse como un modelo AR( ) debido al
siguiente desarrollo:
Sea y t = + t 1 t 1 , y haciendo uso del operador de rezago, se tiene que
yt = + t L t lo que es igual a y t = + (1 L ) t . Ahora bien, si cada trmino es
dividido por (1 L ) , se obtiene lo siguiente:
yt 1 L
= + t = + t . (1.14)
1 L 1 1 L 1
1
Considerando < 1 , se establece que = (1 + L + 2 L2 + ......) , lo cual representa la
1 L
suma de una progresin geomtrica decreciente de razn L . En consecuencia,
1
= (1 + L + 2 L2 + ......) = , y a partir de ello, se puede plantear la siguiente
1 L 1
expresin:

yt
= (1 + L + 2 L2 + ....) y t = y t + i y t i (1.15)
1 L i =1
1
. De acuerdo con Greene (1998), al ser una constante, la

expresin = = ( + 2 + ......... ) es igual a . Esto significa que el operador de
1 L 1
retardos puede fijarse igual a 1 cuando opera con una constante.
12
La cual se puede definir de forma alternativa para afirmar que un modelo MA(1) puede
representarse como un modelo AR( ) . La nueva especificacin sera igual a:

yt + i y t i = + t . (1.16)
i =1 1
donde

yt = i y t i + t
1 i =1
A este punto el lector se preguntar cul es la utilidad de saber estas relaciones? Las mismas
son fundamentales cuando se realizan derivaciones formales de modelos complejos, por
ejemplo la caracterizacin de un sistema multivariado, ya que se puede simplificar la
notacin refirindose a ellas.2
1.4. Funciones de Autocovarianza y Autocorrelacin
Cada uno de los procesos que definimos anteriormente presenta relaciones de correlacin y
covarianza, las cuales en la prctica nos pueden ser tiles para identificar el proceso que una
variable pudiera seguir. A continuacin las presentamos.
2
El lector que haya revisado algn articulo economtrico tcnico, reconocer que frecuentemente se enuncian
en el texto supuestos sobre la caracterizacin de procesos, por ejemplo cuando se refieren a la posibiidad de
invertir un proceso estocstico. Es en esas instancias cuando es til conocer estas realciones.
13
Definimos la autocovarianza de una serie y t como
j = cov( y t , y t j ) = E ( y t y t j ) (1.17)
Ntese que con j = 0 tenemos 0 = E ( y t y t ) = E ( y t ) = Var ( y t )

2
Para los modelos que hemos considerado en el texto podemos definir las funciones de
autocovarianza de la siguiente forma:
a) Ruido blanco
0 = Var ( y t )
b) AR(1)
0 = E ( y t y t ) = E ((y t + t )( y t )) = 2
1 = E ( y t y t 1 ) = E ((y t 1 + t )( y t 1 )) = 2
2 = E ( yt y t 2 ) = E ((2 y t 2 + t 1 + t )( y t 2 )) = 2 2
k = E ( y t y t k ) = E ((k y t k + .... + t )( y t k )) = k 2
14
c) MA(1)
0 = Var ( y t ) = Var ( t + t 1 ) = 2 + 2 2 = (1 + 2 ) 2
1 = E ( y t y t 1 ) = E (( t + t 1 )( t 1 + t 2 )) = 2
2 =0
k = 0
Similarmente, la correlacin entre y t e yt j se define como la funcin de autocorrelacin
E (yt yt j ) j j
j = = = (1.18)
Var ( yt ) Var ( y t ) 0
Para los modelos que hemos considerado tenemos
a) Ruido blanco
0
0 = 1 , debido a que =1
0
15
b) AR(1)
0 = 1
2
1 = =
2
2 2
2 = = 2
2
k k
k = k = k

c) MA(1)
Considerando el modelo y t = t + t 1 se tiene que
0 = 1
2
1 = =
(1 + ) (1 + 2 )
2 2
2 = 0
k = 0
16
Como veremos en los ejercicios prcticos que se presentan ms adelante, las funciones de
autocovarianza y autocorrelacin resultan fundamentales en la identificacin del PEG que
pudiera representar a una serie de tiempo.
1.5. Sugerencia de Procedimiento Prctico
Una vez especificados los modelos tericos AR, MA y ARMA, presentamos ahora una
descripcin de los pasos que generalmente se siguen en la aplicacin de los mismos, de
acuerdo a lo sugerido por Box-Jenkins (1970). En captulos posteriores ejemplificaremos la
misma con ejercicios prcticos. Resumiendo tenemos las siguientes generalizaciones:
AR(p): y t = + 1 y t 1 + 2 y t 2 + ..... + p y t p + t
MA(q): y t = + t 1 t 1 2 t 2 ..... q t q
ARMA(p,q): yt = + 1 y t 1 + 2 y t 2 + ..... + p y t p + t 1 t 1 ..... q t q
En el desarrollo de la metodologa Box-Jenkins se plantean cuatro fases que son:
identificacin del modelo, estimacin de parmetros, diagnstico, y prediccin. Cada una de
stas requiere de un trabajo cuidadoso, pues de ello depende que el modelo seleccionado
cumpla satisfactoriamente con su objetivo y utilidad. En la Figura 1.1 se ilustran los pasos.
Como se puede observar, la primera fase consiste en identificar los componentes p y q del
modelo, lo cual puede lograrse apoyndose en el correlograma de las funciones de
autocorrelacin simple, k , y parcial, kk , de las series. Esta tarea se facilita en la medida
17
en que se toman como referentes los patrones tericos sealados en el Cuadro 1.1, y que se
derivan directamente de los modelos tericos descritos en la seccin anterior.
Figura 1.1 Metodologa Box Jenkins
Fase 1: identificacin del modelo

Fase 1: identificacin
AR(p), del modelo
MA(q) y ARMA(p,q)
AR(p), MA (q) o ARIMA (d)
Fase 2: estimacin de los

parmetros del modelo
seleccionado
Redefinicin del
Modelo a estimar
Fase 3: diagnstico de los

resultados de estimacin es
adecuado el modelo?
si no
Fase 4: uso del modelo para

fines de pronstico
18
Cuadro 1.1. Patrones Tericos
Modelo Funcin de autocorrelacin Funcin de autocorrelacin
Parcial
k kk
Disminucin exponencial Coeficientes significativos a
AR(p) combinando coeficientes positivos lo largo de p retardos
y negativos en forma regular o sinusoidal
MA(q) Coeficientes significativos a lo Decrecimiento exponencial

largo de q retardos
ARMA(p,q) Decrecimiento exponencial Decrecimiento exponencial
Se plantea que la eleccin de un modelo AR(p) se efecta cuando se observa que los
coeficientes de autocorrelacin simple decrecen exponencialmente y adems las
correlaciones parciales reflejan picos grandes a lo largo de p rezagos. Por su parte, se elige un
modelo MA(q) cuando la funcin de autocorrelacin parcial decrece exponencialmente o de
forma sinusoidal o combinando valores positivos y negativos, conjugado con una funcin de
autocorrelacin simple que muestra coeficientes significativos en ciertos p retardos. Si ambas
funciones decrecen exponencialmente, entonces se estima un modelo ARMA(p,q).
Como se indic en la Seccin 1.2, el modelo AR(p) es consistente con un ARMA(p,0), y se
caracteriza por mostrar una funcin de autocorrelacin muestral que disminuye
aceleradamente hacia cero, o bien, de forma regular, sinusoidal o alternando valores positivos
y negativos y que se conjuga con una funcin de autocorrelacin parcial con valores distintos
de ceros. Asimismo, el modelo MA(q) es congruente con un ARMA(0,q) que se distingue
por manifestar una funcin de autocorrelacin parcial que decrece rpidamente hacia cero,
bien en forma regular, inusoidal o alternando los valores positivos y negativos, junto con una
funcin de autocorrelacin con tantos valores distintos de cero como el orden de la media
19
mvil. En la Figura 1.2 se ilustran algunos coeficientes de autocorrelacin tericos. Cada
lnea sobre el eje X est asociada a un coeficiente de autocorrelacin simple y parcial y a un
rezago temporal k. En realidad son representaciones tericas que reflejan distintos patrones
de comportamiento en dichas funciones, y cuyos valores se infiere que estn representados
sobre el eje Y.
Figura 1.2. Correlogramas de Coeficientes de Autocorrelacin Tericos

Proceso AR(1)=ARMA(1,0): yt = 0 + 1yt-1 + t
Funcin de autocorrelacin AC Funcin de autocorrelacin parcial PAC
con k rezados con k rezagos
(a)
(b)
20
Proceso AR(2) = ARMA(2,0): yt = 0 + 1yt-1 + 2yt-2 + t
(c )
(d)
(e )
21
Proceso: MA(1) = ARMA(0,1): yt = + t - 1 t-1
(f)
(g)
(h)
22
Proceso MA(2)=ARMA(0,2): yt = + t - 1 t-1 - 2 t-2
(i)
(j)
(k)
23
Proceso ARMA(1,1): yt = 0 + 1yt-1 + t - 1 t-1
(l)
(m)
(n)
(o)
24
Por ejemplo, los diagramas (a) y (b) proyectan el caso de un modelo AR(1). En los dos
diagramas la funcin de autocorrelacin parcial manifiesta un pico en uno de los coeficientes
tericos, significando que es distinto de cero; lo que en trminos muestrales significa que se
ubica fuera del intervalo de confianza.
Un modelo AR(2) se caracteriza por presentar correlogramas tericos como los ilustrados en
el diagrama (c), (d) y (e). En el primer caso, la funcin de autocorrelacin decrece en forma
regular hacia cero, en el segundo tambin se observa un decrecimiento combinando valores
positivos y negativos en los coeficientes, y en el tercero, resalta una disminucin sinusoidal.
En los tres diagramas el correlograma de la funcin de autocorrelacin parcial se distingue
por manifestar picos significativos en dos de sus coeficientes convirtindolos en valores
distintos de cero.
Por su parte, un proceso MA(1), de acuerdo con los diagramas (f), (g) y (h), es aquel en
donde se tiene que la funcin de autocorrelacin parcial disminuye regularmente hasta llegar
a cero, o bien alternando valores de sus coeficientes positivos y negativos o en forma
sinusoidal, combinado esto con una funcin de autocorrelacin cuyos coeficientes resaltan a
lo largo de los q rezagos. Lo mismo se esperara para un modelo MA(2), slo que en este
caso, tal y como se muestra en los diagramas, (i), (j) y (k), se tendran 2 picos o coeficientes
distintos de cero en el correlograma de la funcin de autocorrelacin. En el caso del modelo
ARMA, la regla de identificacin consiste en ver si ambas funciones decrecen bajo distintas
posibilidades. En los diagramas (l), (m), (n) y (o) se expones algunos patrones consistentes
con este tipo de modelo.
25
La segunda fase de la metodologa Box Jenkins, tiene que ver directamente con la
estimacin de los parmetros del modelo identificado. El objetivo fundamental es hacer una
evaluacin de la confiabilidad de los resultados de regresin a partir del anlisis de diversos
estadsticos de prueba. En principio, se tiene que contrastar la significancia estadstica de los
coeficientes estimados haciendo uso de la distribucin normal. Tambin se tienen que
analizar las varianzas y compararlas en caso de que se tengan dos o ms modelos alternativos
con especificaciones distintas. De igual manera se tiene que valorar la relacin de la bondad
de ajuste medida a travs del coeficiente de determinacin mltiple normal o ajustado.
En la tercera fase, se realiza un diagnstico para valorar la confiabilidad de los resultados de
regresin. Esta tarea se desarrolla analizando el correlograma de los coeficientes de
autocorrelacin simple y parcial de los residuales del modelo identificado y estimado. El
diagnstico debe arrojar resultados que indique que los coeficientes de autocorrelacin son
iguales a cero, lo que significa que cada residuo debe ubicarse dentro del intervalo de
confianza del correlograma. Esto se corrobora con las pruebas de Box-Pierce y Ljung-Box
que, en general, permitirn concluir si los residuales del modelo estimado son ruido blanco.
Bajo la hiptesis nula de que los residuos son ruido blanco, si cualquiera de ambos
estadsticos es mayor al valor crtico correspondiente a una 2 , se rechaza dicha hiptesis y
se determina que el modelo debe ser corregido o bien, que se debe retornar a la fase nmero
uno, relacionada con la identificacin del modelo.
Una vez concluida satisfactoriamente la tercera fase de la metodologa descrita, se procede a
desarrollar la cuarta y ltima etapa que consiste en utilizar el modelo para fines de
26
pronstico. De no ser favorable la validacin del modelo, entonces el econometrista est
obligado a retornar a la primera fase con el inters de identificar otro tipo de modelo que
arroje buenos estadstico t, F, Durbin-Watson y coeficiente de determinacin mltiple
ajustado. En caso de que se hayan estimado dos o ms modelos que resulten ser aceptables,
se deber elegir uno de ellos en funcin de los estadsticos ya sealados y de otros criterios
que miden el margen de error de las estimaciones como el error cuadrtico medio o el error
absoluto medio.
Antes de mostrar un ejemplo concreto de la instrumentacin de esta metodologa, abordamos
dos temas que son de particular importancia en el anlisis de modelos univariados, el de la
estacionariedad, y el de races unitarias.
27
Captulo 2: Estacionariedad
En este captulo introducimos el concepto de estacionariedad, que fundamentalmente se
refiere a condiciones sobre la distribucin de una variable a travs del tiempo. Asimismo,
presentamos una primera aproximacin a tcnicas tiles para identificar estacionariedad en
series de tiempo, stas se refieren al anlisis grfico y de las funciones de correlacin de las
variables, que de hecho ejemplifican la instrumentacin prctica de la metodologa Box-
Jenkins. En el captulo 3 consideramos herramientas ms formales que identifican
puntualmente la naturaleza estocstica de una serie de tiempo.
2.1. Concepto
El concepto de estacionariedad puede ser entendido en sentido estricto y amplio. El primer
caso se presenta cuando la funcin de distribucin de probabilidad de una variable no vara
con respecto a un desplazamiento en el tiempo. Esto significa que la distribucin conjunta
de m observaciones y t1 , yt2 ,...., y tm es similar a la de yt1 + k , yt2 + k ,...., y tm + k para todo m y k
retardos. Como esta definicin implica una restriccin fuerte de los procesos en el sentido
de que cada distribucin de y (t ) es independiente del tiempo, es que se define la
estacionariedad dbil, en sentido amplio o de segundo orden. Por tanto, una serie es
dbilmente estacionaria si su media es constante e independiente del tiempo, su varianza es
finita y constante, y el valor de su covarianza entre dos periodos no depende del tiempo,
sino de las distancia entre ellos. En consecuencia, una serie presenta estacionariedad dbil
si rene las siguientes condiciones:
28
Media : E ( y t ) = , constante t
Var ( y t ) = E ( yt ) = 2 = 0 , constate t
2
Varianza :
Co var ianza : [ ]
Cov( y t , y t + k ) = E ( y t ) ( y t + k ) = k siendo t t + k
En la Figura 2.1, se ilustran distintos tipo de patrones que permiten apreciar el tipo de serie
de tiempo que se tiene como realizacin de un proceso estocstico. Por ejemplo, la figura
del panel (a) refleja el comportamiento tpico de una serie estacionaria en un sentido
amplio, en el panel (b) se ilustra el caso de una serie que no es estacionaria debido a la
evolucin de la media alrededor de la tendencia. En el panel (c), se constata la no
estacionariedad producto de cambios en la varianza en el transcurso del tiempo y
finalmente en el panel (d), no se percibe una serie con media y varianza constantes.
Un tipo de proceso que ha recibido marcada atencin en el anlisis economtrico es el
llamado ruido blanco, cuya caracterstica es que est formado por una sucesin de variables
aleatorias con distribucin normal, esperanza cero y varianza constante. Un ejemplo de esto
sera la serie hipottica del panel (a), cuyos residuos rene las caractersticas de ser ruido
( )
blanco, es decir, t ~ N 0, t2 para todo t, tal que cov( t t +1 ) = 0, t t + 1 .
29
Figura 2.1. Tipos de Procesos Estocsticos
Yt Yt
t t
Proceso estocstico estacionario (a) Proceso estocstico evolutivo (b)
Yt Yt
t t
Proceso estocstico evolutivo (c) Proceso estocstico evolutivo (d)
Otro caso que ha recibido particular atencin en los desarrollos de la teora economtrica es
el proceso estocstico ergodico, el cual se presenta cuado los valores de la serie alejados en
el tiempo estn poco correlacionados, es decir, cuando los coeficientes de autocorrelacin
decrecen al aumentar el retardo k lo que significa que lim = 0 . Si dicho proceso sigue
=
una distribucin normal, se puede decir que las observaciones de la serie son cada vez ms
independientes de las anteriores, lo que permite construir estimadores consistentes de los
30
parmetros. Al respecto, un estimador es consistente si se acerca al verdadero valor de
a medida que el tamao de la muestra se incrementa, situacin que puede ser representada
como p lim = , donde plim significa probabilidad en el lmite.

n
Un proceso elemental que tambin es materia de anlisis en la literatura especializada de
series de tiempo, es el denominado caminata aleatoria (random walk), que se manifiesta de
dos formas, una que contempla rumbo y otro que no. Este ltimo caso se puede expresar en
trminos de la siguiente especificacin:
yt = y t 1 + t (2.1)
Donde t rene las caractersticas de ser ruido blanco y la variable y t es una serie cuyo
valor es igual al inmediatamente anterior ms un choque aleatorio.
En esta lgica, yt 1 = y t 2 + t 1 y y t 2 = y t 3 + t 2 , por lo que sustituyendo
progresivamente se tiene que
yt = y t 1 + t = t + t 1 + y t 2 = t + t 1 + t 2 + y t 3 = ...... =
Por tanto, si el proceso no tiene pasado infinito e inici con el valor y 0 como condicin
inicial, entonces yt = t + t 1 + t 2 + y 0 teniendo yt = j + y 0 para j = 1,2,.......t.
31
En consecuencia, la media se expresa como
= E ( yt ) = ( j + y0 ) = y0 E ( j ) = y 0
y la varianza como
var( y t ) = E ( y t y 0 ) = E ( j) = E ( j ) = t 2 .
2 2 2
Esto significa que la media de y t es igual al valor inicial que es constante pero la varianza
no lo es, ya que crece de manera indefinida en la medida que t aumenta, lo cual viola una
condicin de estacionariedad.
Una extensin del modelo anterior, es el proceso de caminata aleatoria con rumbo o
constante que se define:
y t = + y t 1 + t (2.2)
Y que al igual que el caso anterior, es un proceso AR(1), con la diferencia que incluye un
parmetro de variacin . Si (2.2) se reescribe como yt y t 1 = y t = + t , entonces se
deduce que la tendencia de y t se incrementa si > 0 y disminuye en caso de que < 0 .
32
Por qu es importante conocer la estacionariedad de una serie de tiempo? Recurdese que
los supuestos de la regresin clsica suponen que los dos primeros momentos de un
proceso estocstico son constantes, esto es, media constante (no necesariamente igual a 0) y
varianza constante. Bajo esos supuestos los estimadores que se obtienen por medio de
Mnimos Cuadrados Ordinarios (MCOs) son insesgados y eficientes. De tal forma que
resulta fundamental determinar si los supuestos de media y varianza constantes se cumplen
para proceder con una estimacin; ya que si no lo fueran entonces los resultados de una
regresin no seran confiables.
2.2 . Identificacin de Estacionariedad: Primera Aproximacin
Aqu se describen distintas herramientas que ayudan a evaluar las condiciones de
estacionariedad de una serie. Primero se explican las funciones de autocorrelacin simple y
autocorrelacin parcial y subsecuentemente, se analizan los estadsticos de prueba
propuestos por Box y Pierce (1970), y Ljung y Box (1978).
a) Funciones de autocorrelacin simple y autocorrelacin parcial
Una primer prueba que se utiliza para diagnosticar si una serie es estacionaria, es la funcin
de autocorrelacin simple de la serie de tiempo y t . Este instrumento permite determinar el
grado de autocorrelacin entre las observaciones individuales que conforman la muestra
total de la serie y1 , y 2 ,........., yT , considerando un desfase temporal igual a k. Su
representacin grfica se ilustra a travs de un correlograma que est conformado por todos
33
los coeficientes muestrales. En el Captulo 1 se presentaron varias caracterizaciones para
las funciones de correlacin y covarianza de los modelos ARMA, aqu empleamos un
lenguaje ms general para ilustrar el ejercicio prctico. En particular, para un desfase de k
periodos la autocorrelacin se define a travs de la siguiente expresin:
E[( y t )( y y + k )] Cov( y t , yt + k )
k = = (2.3)
E ( yt ) 2 E ( yt + k ) 2 yt y + k
donde k es el coeficiente de autocorrelacin, la media de la serie analizada y el
subndice k representa el orden del rezago.
Se deduce que para una serie estacionaria son iguales las varianzas yt y y + k ; por lo que
la expresin (2.3), se redefinira como:
E[( y t y )( y t + k y )] Cov( y t , y t + k ) k
k = = = (2.4)
2
y 2
y 0
Siendo k la covarianza al rezago k y 0 la varianza de y t . En el caso particular de que la
longitud del rezago fuera k = 1, se tendra:
E ( yt y )
0 = =1
y2
34
Hay que considerar que para inferir sobre los coeficientes poblacionales, es necesario
estimar los coeficientes muestrales, los cuales oscilan entre 1 y +1. En este caso, la
k
funcin de autocorrelacin se expresa para el conjunto de la muestra como k = , donde:
0
( y t y )( y t + k y )
k =
T
( yt y) 2
0 =
T
De tal forma que la funcin muestral estar dada por:
T K
( y t y )( y t + k y )
k = t =1
T
. (2.5)
( yt y ) 2
t =1
Donde y es la media de la poblacin
Para obtener el correlograma de la funcin de autocorrelacin simple, es recomendable que
se cuente con un tamao de muestra lo suficientemente grande como para evaluar la
autocorrelacin de orden superior. Es importante destacar que no se podran efectuar las
estimaciones si k > T 1 . En la prctica es comn que se estimen los coeficientes
considerando k = n 4 . Por ejemplo, si se dispone de una serie de 100 observaciones, puede
calcularse k para los 25 primeros coeficientes de la funcin de autocorrelacin simple
35
(FAC). As pues, la funcin de autocorrelacin es un instrumento que ayuda a especificar el
proceso estocstico. En particular la funcin de autocorrelacin parcial de un proceso
estocstico {y1, y2,..,yT}, es similar al de FAC, con la diferencia que est corregido por
los rezagos intermedios, ya que denota el efecto marginal que cada t-k tiene sobre t. Para
encontrar la FAP de primer orden que es exactamente a la FAC del mismo orden, debido
que no hay rezagos intermedios, se estima la regresin ~y = 1 ~y t 1 + 1t donde ~y es la
desviacin de yt respecto a su media. Para estimar la FAP de segundo orden, se requiere
correr la regresin ~y = ~y t 1 + 2 ~
y t 2 + 2t donde 2 es justamente la FAP de orden(2),
pero no representa la FAP de orden(1) ya as sucesivamente..
b) Estadsticos de Box Pierce y Ljung - Box
Una vez que se ha calculado la funcin de autocorrelacin muestral, la siguiente fase de
anlisis para evaluar si una serie temporal es estacionaria, consiste en verificar si un valor
particular de k es estadsticamente significativo. En este caso la hiptesis a contrastar es
si k = 0 para una k particular o bien si k = 0 para k > 0, en cuyo caso, se utilizan otros
estadsticos de prueba. Bartlett (1946) plantea que si una serie de tiempo se caracteriza por
ser ruido blanco (serie puramente aleatoria), entonces los coeficientes de autocorrelacin
muestral para k>0 estn distribuidos aproximadamente de acuerdo con una distribucin
normal con media 0 y desviacin estndar igual a 1 / T , donde T es el nmero de
observaciones y k N(0,1/T).
36
Esta prueba de significancia individual est basada en un intervalo del 95% de confianza
que sigue las propiedades de la distribucin normal estndar y que se especifica como
( k 1.96 1 / T ) La regla de decisin es que si este intervalo incluye el valor de cero,
entonces no se rechaza la hiptesis de que k = 0 y por tanto, se concluye que no hay
autocorrelacin de orden k. Alternativamente, se puede utilizar el estadstico de Box y
Pierce para evaluar la hiptesis de que todos los coeficientes de autocorrelacin son
iguales a cero, H 0 : 1 = 2 =,....., k = 0 o bien de que k = 0 para k > 0. El estadstico de
K
prueba est definido por Q = T k2 , donde T es el tamao de la muestra y k la longitud
k =1
del rezago. ste es un estadstico que est distribuido como una 2 con k grados de
libertad, por lo que Q(k ) ~ (k ) . Si la Q calculada excede el valor terico al nivel de
significancia seleccionado, se puede rechazar la hiptesis de que todos los k son iguales a
cero, por lo que al menos algunos de ellos deben ser diferentes de cero.
En el anlisis de la estacionariedad tambin es frecuente utilizar el estadstico sugerido por
Ljung y Box y que en realidad es una variante de la prueba anterior. La hiptesis que se
contrasta es H 0 : 1 = 2 =,....., k = 0 y el estadstico est definido por la siguiente
K
k2
expresin: LB = T (T + 2) = ~ 2 (k ) , que al igual que el estadstico Q, sigue una
k =1 nk
distribucin 2 con k grados de libertad. De acuerdo con Johnston y DiNardo (1997), un
aspecto singular de este estadstico es que se ha demostrado que para muestras pequeas es
ms potente que el estadstico Q.
37
2.3. Ejemplo Numrico: el Producto Interno Bruto de Mxico
En este apartado se presenta un ejercicio prctico para ilustrar los conceptos tericos que
hasta este punto se han discutido. Se utiliza como serie objeto de anlisis el Producto
Interno Bruto de Mxico (PIB). Los datos fueron obtenidos del Banco de Mxico. De
acuerdo a la Grfica 2.1, una primera inspeccin de la serie indica que a lo largo del
periodo 1980:01 2006:01 sigue una tendencia creciente con sus respectivas oscilaciones.
Especficamente, llama la atencin la cada registrada en el primer trimestre de 1995, la
cual se explica por los efectos de la crisis econmica que experiment la economa
nacional a fines de 1994. Para propsitos del desarrollo del ejercicio, se trabaja con la serie
en logaritmos (LPIB), la cual se presenta en la Grfica 2.2 mostrando fundamentalmente
una dinmica similar a la serie en valores originales.3
3
A partir de este ejercicio y a travs del resto del documento, las estimaciones se realizan utilizando el
programa economtrico EViews, excepto para los ejercicios de ciclo comn que se llevan a cabo en el
Captulo 9, para las cuales se emple GAUSS.
38
Grfica 2.1. Producto Interno Bruto de Mxico (1980:01 -2006:01), miles de pesos
(1993=100)
2.0E+09
1.8E+09
1.6E+09
1.4E+09
1.2E+09
1.0E+09
8.0E+08
1980 1985 1990 1995 2000 2005
Grfica 2.2. Logaritmo del Producto Interno Bruto de Mxico (1980:01 -2006:01),
miles de pesos (1993=100)
21.4
21.3
21.2
21.1
21.0
20.9
20.8
20.7
20.6
1980 1985 1990 1995 2000 2005
39
A partir de la inspeccin visual de la serie, notamos que la misma no parece evolucionar
alrededor de una media, lo cual puede sugerir que la serie es no-estacionaria. Para
continuar con el anlisis, se estiman los coeficientes de autocorrelacin simple y parcial
representados en el correlograma de la Figura 2.2 Las barras que aparecen en las dos
primeras columnas, corresponden a la grfica de los coeficientes de autocorrelacin simple
y autocorrelacin parcial respectivamente, que se refieren a los valores de la tercera y
cuarta columna que tienen como encabezado AC (autocorrelaciones simples) y PAC
(autocorrelaciones parciales). La quinta columna reporta los valores del estadstico Q de
Ljung Box y en la sexta y ltima columna, se reportan las probabilidades asociadas a
dicho estadstico.
40
Figura 2.2. Correlograma de LPIB(1993=100)
T = 105 y k =25
Al observar las barras de la primera columna, se puede constatar que con excepcin del
rezago nmero 25, todos los coeficientes k son positivos y se encuentran fuera del intervalo
de confianza del 95%, determinado por las lneas punteadas ubicadas en los extremos de la
lnea continua. Aunque el ancho de las barras tiende a disminuir desde el primer rezago
hasta el ltimo, est claro que no hay evidencia suficiente para aceptar la hiptesis individual
de que cada k = 0 , ya que los intervalos no contienen el valor de cero, lo que a su vez
sugiere, que la serie LPIB es, efectivamente, no-estacionaria.
41
Para evaluar la hiptesis conjunta de que todos los coeficientes de autocorrelacin simple
(AC) son simultneamente iguales a cero, nos referimos a la prueba de Box Pierce y Ljung
Box. En este caso la hiptesis a probar es que H 0 : 1 , 2 , 3 ... k = 0 . Si el valor del
estadstico de Ljung y Box, que es el que se muestra en el correlograma para k = 25, excede
al valor de la 2 terico a un nivel de significancia del 95% y con k grados de libertad, se
rechaza la hiptesis de que todos los coeficientes son iguales a cero, lo que se corrobora con
la probabilidad reportada en el correlograma de 0.000 asociada al retardo k = 25. En este
sentido, se puede concluir que el PIB se comporta como una serie no-estacionaria en niveles.
Retomando el correlograma de la Figura 2.2, se agrega que cada valor del estadstico Q se va
obteniendo slo cambiando el valor correspondiente a la suma de los coeficientes de
autocorrelacin en el estadstico de Ljung y Box y de la diferencia n k . Por ejemplo, para
obtener la Q correspondiente al primer coeficiente de autocorrelacin muestral,
12 = 0.840889 y n k = 104 . As pues, la evolucin de la serie presentada tanto en la
Grfica 2.1 como en la 2.2, arroja una clara tendencia que hace suponer que la serie no es
estacionaria. El lento decrecimiento de la FAC correspondiente a la columna AC del
correlograma corrobora esta inferencia. En el Cuadro 2.1 se reportan los intervalos de
confianza.
42
Cuadro 2.1. Rangos del Intervalo de Confianza
Prob ( k - 0.191276407 k k + 0.191276407) = 0.95

1 = 0.917 (0.725723593, 1.108276407)
2 = 0.869 (0.677723593, 1.060276414 )
3 = 0.800 (0.608723586, 0.991276413 )
4 = 0.770 (0.578723586, 0.961276413)
5 = 0.707 (0.515723586, 0.898276413)
.......... ..........
.......... ..........
.......... ..........
23 = 0.196 (0.004723586, 0.387276413)
24 = 0.193 (0.0017235862, 0.38427641)
25 = 0.165 (-0.026276413, 0.356276413)
As pues, la evidencia que se presenta hasta este punto seala que la serie del PIB es no-
estacionaria. Sin embargo, a pesar de que parece contundente este resultado, es necesario
realizar un anlisis ms formal para determinar puntualmente la naturaleza estocstica de la
serie; dicho anlisis se lleva a cabo en las secciones posteriores.
43
Captulo 3: Races Unitarias
En este captulo profundizamos nuestro anlisis sobre la propiedad de estacionariedad de
una serie de tiempo. En particular, determinamos las condiciones que debe exhibir un
proceso estocstico para identificar puntualmente la existencia de estacionariedad. Las
mismas se evidencian por medio de la estimacin de pruebas de hiptesis sobre los
coeficientes de un PEG. Dichas pruebas se conocen comnmente como pruebas de races
unitarias. Aqu abordamos el sustento terico de las mismas y presentamos una descripcin
de las ms ampliamente utilizadas; complementando la discusin terica con diversas
estimaciones prcticas
3.1. Concepto
Para introducir el concepto de raz unitaria presentamos un desarrollo formal. Considera la
representacin de un modelo AR(1)
yt = y t 1 + t (3.1)
Usando el operador de diferencia se re-escribe como
(1 L )yt = t (3.2)
Invirtiendo la expresin se obtiene
44
yt = (1 L ) t
1
(3.3)
Representado como una expansin de Taylor se escribe
( )

yt = 1 + L + L + ... t =
2 2
j t j (3.4)
j =0
Lo cual muestra, como ya se mostr anteriormente, que el proceso AR(1) se pude
representar como un proceso MA( ) . El mismo converge si < 1 . Ntese entonces que
sta es una condicin de convergencia. Si = 1 la serie no converge y si > 1 el proceso
es explosivo.
Alternativamente, podemos re-escribir (3.3) como
(L ) y t = t (3.5)
Donde (L ) = (1 L )
1
Resolviendo por las races del polinomio, esto es (L ) = 0 , se obtiene L = .

Considerando la condicin de convergencia anterior < 1 , tenemos que esto implica que
L >1.
45
Esto es, decimos coloquialmente que una serie presenta raz unitaria si existen races del
polinomio representativo dentro del crculo unitario, en tal caso, = 1 , L = 1 , y el sistema
sera inestable, ya que la condicin de convergencia no se cumplira.
Recordar el lector que dentro de los pasos que se siguen para instrumentar la metodologa
Box-Jenkins, y que fueron indicados en el Captulo 1, se plantea que previo a la
identificacin del modelo de prediccin ms apropiado se debe determinar si la serie en
cuestin es estacionaria, en otras palabras, si no presenta raz unitaria. Al respecto, la teora
economtrica seala que si bien el anlisis del correlograma es un instrumento emprico de
gran utilidad, es necesario que se apliquen otras pruebas ms potentes, las cuales
identifican formalmente la magnitud del parmetro .
Retomemos la expresin (3.1)
yt = y t 1 + t (3.6)
Sustrayendo en ambos lados la variable yt 1 se obtiene
yt y t 1 = y t 1 y t 1 + u t , expresin que se puede re-escribir de la siguiente forma
yt = yt 1 + ut (3.7)
46
Donde es el operador de la primera diferencia y = ( 1) . Al realizar una prueba de
hiptesis sobre el valor de se valorara en (3.6) si = 1 y en (3.7) si = 0 . Estas
pruebas de hiptesis constituyen de hecho el fundamento de las diversas pruebas de raz
unitaria que se encuentran en la literatura Si se comprueba estadsticamente que = 1 ,
entonces se determina que la serie es no-estacionaria, de lo contrario se concluye que la
serie no contiene raz unitaria o es estacionaria.4 Ahora bien, si se acepta la hiptesis nula
de que el parmetro = 0 , entonces la expresin (3.7) se reduce a yt = ( yt yt 1 ) = ut , lo
que significa que la primera diferencia de la variable yt es igual al error aleatorio ut , y ste
al ser ruido blanco implica que la serie en primera diferencia es estacionaria.
En este contexto, una serie que se diferencia en una observacin y resulta ser estacionaria,
se dice que es integrada de orden 1, o bien I(1). A su vez, si un proceso de caminata
aleatoria se diferencia dos veces para ser estacionaria, se dice que es I(2), y si se tiene que
diferenciar d veces ser de orden I(d). En resumen, si una serie se caracteriza por ser
I(1),........,I(d), se determina que no es estacionaria en niveles y toma (d) diferencias para
que sea estacionaria.
Dentro de las pruebas formales que existen para determinar la presencia de raz unitaria en
un proceso estocstico, mencionamos las sugeridas por Dickey y Fuller (1979), la Dickey-
Fuller Aumentada que se prob en Said y Dickey (1984), la prueba Phillips-Perron (1988),
y la desarrollada por Kwiatkowski, Denis, Peter C. B. Phillips, Peter Schmidt & Yongcheol
Shin (1992). A continuacin presentamos cada una de stas.
4
Es posible, por supuesto, encontrar que >1 lo cual indicara que la serie es explosiva.
47
3.2. Pruebas Bsicas de Raz Unitaria
Prueba Dickey-Fuller (DF)
La prueba bsica DF se aplica generalmente a las siguientes regresiones:
yt = yt 1 + ut (3.8)
yt = 1 + yt 1 + ut (3.9)
yt = 1 + 2t + yt 1 + ut (3.10)
Donde la primer ecuacin representa una caminata aleatoria simple, la segunda una
caminata aleatoria con variacin, 1 , y la tercera aade un componente de tendencia, t. En
cualquiera de las tres especificaciones si la hiptesis nula H 0 : = 0 no se rechaza, se
concluye que las serie objeto de estudio presenta una raz unitaria.
Cabe destacar que uno de los supuestos fundamentales de la prueba DF es que el trmino
de error es un proceso de ruido blanco. En este sentido es que se recomienda analizar el
estadstico Durban- Watson para verificar si se cumple con el supuesto de no correlacin
serial. En caso de que las observaciones ut estn autocorrelacionadas, se recomienda
desarrollar la prueba Dickey-Fuller-Aumentada (DFA), que corrige por esta deficiencia.
48
Prueba Dickey-Fuller Aumentada (DFA)
Esta prueba consiste en estimar la siguiente regresin:
p
y t = 1 + 2 t + y t 1 + i t i + i (3.11)
i =1
La caracterstica de esta tcnica es que incorpora como regresores adicionales las
diferencias rezagadas de la variable dependiente y se puede aplicar a cualquiera de los tres
modelos anteriormente mencionados (ecuaciones 3.8, 3.9 y 3.10). El propsito de incluir
los rezagos de las diferencias es precisamente controlar por el problema de autocorrelacin
en el trmino de error, del cual se alert en la especificacin DF. En este caso, se evala la
hiptesis H 0 : = 0 contra H1 : < 1 . Es importante sealar que se debe especificar el
nmero de rezagos del trmino yt i , por lo que se sugiere que estos lags, se determinen
empricamente hasta que el trmino de error sea ruido blanco. En la prctica es comn que
se utilice criterios de informacin como el de Akaike o el de Schwarz para determinar el
nmero optimo de rezagos, lo cual implica elegir la estimacin que arroje los valores de los
criterios ms bajos.
Una de las inquietudes que surgen al momento de estimar cualquiera de las tres regresiones
relacionadas con la prueba de races unitarias, es si se debe o no incluir una constante o si
adems de la constante hay que aadir una variable de tendencia, o ninguna de las dos
posibilidades. Es importante llevar a cabo una seleccin adecuada, pues de ello depende la
49
distribucin asinttica del estadstico de prueba de la hiptesis nula. Se sugiere que si la
serie original presenta tendencia, es recomendable incluir en la regresin el trmino
independiente y de tendencia lineal, si la serie no la refleja y tiene un valor medio distinto
de cero, es conveniente incluir el trmino constante. Si por el contrario la serie flucta en
torno al valor medio cero, no es imprescindible que se incorpore ningn regresor adicional
en la ecuacin.
Prueba Phillips-Perron (PP)
La prueba PP se basa en un mtodo no-paramtrico para controlar por el problema de
correlacin serial de orden elevado en una serie, esto es, de un proceso AR ( p ) para p > 1 .
En particular, a diferencia de la prueba DFA que resuelve el problema por medio de incluir
trminos de rezago de la primera diferencia de la variable dependiente, la PP incluye un
factor de correccin estimando un estadstico de prueba diferente al utilizado en la prueba
DFA. Consideremos el proceso autorregresivo yt = + yt 1 + ut . Supongamos que ut
presenta autocorrelacin serial. Una prueba en el espritu de la DFA utiliza un estadstico
de prueba como T ( 1) , mientras que la prueba PP emplea el estadstico
Z = T ( 1) CF , donde CF es un factor de correccin. De tal forma que el estadstico
modificado incorpora el posible problema de autocorrelacin. Al igual que en las dos
pruebas anteriores, aqu se debe determinar la prudencia de incluir una constante, o
tendencia determinstica.
50
Prueba KPSS
A diferencia de las pruebas DF, DFA, y PP que toman como hiptesis nula la no-
estacionariedad de las series, esto es H 0 : = 0 , la prueba KPSS considera como hiptesis
nula la estacionariedad de la serie, as que la hiptesis nula se refiere a H 0 = < 1 .
Algunos autores argumentan que esta prueba pudiera ser ms exigente, y por ende ms
potente, que las pruebas que plantean la no-estacionariedad como hiptesis nula. Sin
embargo, no existe un consenso en cuanto a la potencia relativa de las diferentes pruebas
que se encuentran disponibles.5
3. 3. Pruebas de Raz Unitaria sobre Series que Presentan Corte Estructural
En 1989 Perron reconoci que algunas series de tiempo presentan un comportamiento
estocstico que se caracteriza por la presencia de cortes estructurales. En tal caso, Perron
argumenta que las pruebas convencionales de raz unitaria no reportan un poder de prueba
satisfactorio, por lo cual es necesario instrumentar alguna prueba que tome en cuenta la
existencia de cortes estructurales. Al respecto se encuentra en la literatura una amplia gama
de pruebas, dentro de las que podemos mencionar aquellas que identifican el corte o los
cortes estructurales exgenamente, y otros que lo, o los, determinan endgenamente.
Perron (1989) presenta un modelo que se refiere al primer tipo, Zivot y Andrews (1992) al
segundo. Aqu presentamos un modelo en el espritu de Perron (1989).
5
Le teora puntual sobre sta y otras pruebas estructurales de raz unitaria escapan el alcance del texto. Para
una discusin detallada sobre las mismas se recomienda Patterson (2000).
51
Comenzamos por ilustrar un ejemplo de serie de tiempo que presenta corte estructural.
Refirindonos a la Grfica 2.1, que ilustra el PIB de Mxico, se puede aprecia un cambio
en la tendencia de la serie en 1982 y otro en 1994, lo cual no debe ser sorprendente ya que
corresponden a los aos de crisis econmicas ms acentuadas en el pas. En este caso se
recomendara instrumentar una prueba que incluye el corte. Una posibilidad, que sigue de
cerca las propuestas en Perron (1989), es estimar una ecuacin como sta:
p
yt = + yt 1 + t + 1 DVTBt + 2 DVU t + 3 DVTt + j yt j + t (3.12)
j =1
Donde DVTBt = 1 si t = Tb + 1 e igual a 0 si t Tb + 1 , DVU t = 1 si t > Tb e igual a 0 si
t Tb , DVTt = t si t > Tb e igual a 0 si t Tb ; siendo Tb la fecha del corte estructural. El
trmino DVTBt controla por un cambio en el nivel de la serie en el periodo Tb + 1 , DVU t
por un cambio en la pendiente de la serie en Tb + 1 , y DVTt un cambio en la tasa de
crecimiento de la pendiente. La prueba de raz unitaria en este caso se llevara a cabo
considerando la hiptesis nula H 0 : = 0 . Ntese que en esta prueba el corte estructural se
determina exgenamente, esto es, se presume que se conoce Tb , lo cual puede presentar
algunos problemas de inferencia, de acuerdo a lo sealado por Zivot y Andrews (1992),
quienes argumentan que la eleccin de la fecha del corte se encuentra correlacionada
necesariamente con los datos. Sin embargo, se debe mencionar que en el ejercicio prctico
de identificacin de raz unitaria, pruebas que consideran corte estructural se emplean
fundamentalmente para corroborar los resultados que se encuentran mediante la aplicacin
de pruebas convencionales.
52
3. 4. Ejercicio Prctico de Races Unitarias
En este apartado presentamos un ejercicio prctico para determinar la existencia de raz
unitaria, aplicando las pruebas anteriormente mencionadas. En particular, se utiliza como
variable de anlisis el PIB de Mxico. Para propsitos del desarrollo del ejercicio se
trabaja con la serie en logaritmos (LPIB). El anlisis se inicia aplicando la prueba de DF sin
considerar intercepto o tendencia. Los resultados se reportan en el Cuadro 3.1. Se observa
que, en trminos absolutos, el estadstico de prueba (1.441681) es menor que los valores
crticos de MacKinnon al 1%, 5% y 10%, por lo que no se rechaza la hiptesis nula, esto
es, la variable presenta raz unitaria.
Cuadro 3.1. Yt = Yt 1 + u t
Null Hypothesis: LPIB has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=0)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 1.441681 0.9623
Test critical values: 1% level -2.587387
5% level -1.943943
10% level -1.614694
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LPIB)
Method: Least Squares
Date: 05/29/06 Time: 12:09
simple (adjusted): 1980:2 2006:1
Included observations: 104 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
LPIB(-1) 0.000296 0.000205 1.441681 0.1524
R-squared -0.000233 Mean dependent var 0.006232
Adjusted R-squared -0.000233 S.D. dependent var 0.043825
S.E. of regresin 0.043830 Akaike info criterion -3.407423
Sum squared resid 0.197871 Schwarz criterion -3.381996
Log likelihood 178.1860 Durbin-Watson stat 3.332869
53
Los resultados del Cuadro 3.2, corresponden a una regresin en donde slo se introduce el
intercepto, e igualmente se obtiene un estadstico de prueba menor que los valores crticos.
Cuadro 3.2. Yt = 1 + Yt 1 + u t
Exogenous: Constant
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -0.882478 0.7903
5% level -2.889474
10% level -2.581741
Date: 05/29/06 Time: 12:14
LPIB(-1) -0.019443 0.022033 -0.882478 0.3796
C 0.413502 0.461528 0.895942 0.3724
R-squared 0.007577 Mean dependent var 0.006232
Adjusted R-squared -0.002153 S.D. dependent var 0.043825
Log likelihood 178.5936 F-statistic 0.778768
Durbin-Watson stat 3.293234 Prob(F-statistic) 0.379593
Los resultados del Cuadro 3.3, incorporan una variable de tendencia y se aprecia que tanto
sta como el intercepto son estadsticamente significativos, e interesantemente el
estadstico de prueba es mayor en trminos absolutos a cualquiera de los valores crticos.
As, encontramos que de acuerdo a los resultados de las dos primeras especificaciones se
concluye que existe una raz unitaria en el PEG de la serie del PIB, sin embargo, los
resultados de la tercera especificacin apuntan hacia la no existencia de una raz unitaria,
cmo resolvemos esta contradiccin? Notamos que en las tres especificaciones se aprecia
un problema de correlacin en los residuales, el estadstico Durbin-Watson es muy elevado,
54
por lo cual no podramos formular ninguna conclusin razonable en base a estos resultados,
de tal suerte que para atender este problema procedemos a estimar la prueba DFA.
Cuadro 3.3. Yt = 1 + 2 t + Yt 1 + u t
Exogenous: Constant, Linear Trend
t-Statistic Prob.*
5% level -3.453601
10% level -3.152400
Date: 05/29/06 Time: 12:18
LPIB(-1) -0.400492 0.079491 -5.038217 0.0000
C 8.260828 1.638804 5.040766 0.0000
@TREND(1980:1) 0.002560 0.000517 4.950655 0.0000
Adjusted R-squared 0.185560 S.D. dependent var 0.043825
Los resultados de la prueba DFA que incluye una constante y una tendencia en su
especificacin se presentan en el Cuadro 3.4. En este caso se determin que el nmero de
rezagos ptimos en yt i , es igual a 1. Se nota que el estadstico de prueba (-2.244557) es
inferior a los valores crticos en trminos absolutos; por lo que se puede concluir que la
serie del PIB no es estacionaria. Asimismo ya no se aprecia un problema importante de
autocorrelacin.
55
P
Cuadro 3.4. Yt = 1 + 2 t + Yt 1 + i Yt i + u t
i =1
5% level -3.454032
10% level -3.152652
Date: 05/29/06 Time: 12:23
Simple (adjusted): 1980:3 2006:1
LPIB(-1) -0.163896 0.073019 -2.244557 0.0270
D(LPIB(-1)) -0.589192 0.081627 -7.218117 0.0000
C 3.385374 1.505140 2.249208 0.0267
@TREND(1980:1) 0.001100 0.000472 2.331219 0.0218

Seguimos con las pruebas PP y KPSS considerando nicamente la especificacin que
incluye constante y tendencia (aqu slo reportamos los estadsticos). En el Cuadro 3.5
presentamos el resumen de los resultados.
56
Cuadro 3.5. Prueba PP y Prueba KPSS
Null Hypothesis: LOG(PIB) has a unit root
Bandwidth: 9 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.*
Phillips-Perron test statistic -5.708493 0.0000

5% level -3.454032
10% level -3.152652
Null Hypothesis: LOG(PIB) is stationary

Bandwidth: 8 (Newey-West using Bartlett kernel)
LM-Stat.
Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.198339

Asymptotic critical values*: 1% level 0.216000
5% level 0.146000
10% level 0.119000
*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)
De acuerdo a la prueba PP la serie es estacionaria, pero de acuerdo a la prueba KPSS la
serie es no-estacionaria al 5% (que es el nivel de significancia estndar). Este ejercicio
ilustra puntualmente los dilemas a los que se enfrenta quien practica el anlisis
economtrico de series de tiempo. En este caso tenemos que de 3 pruebas robustas (las tres
especificaciones DF presentan problemas de correlacin residual), dos indican que la serie
es no-estacionaria y una que es estacionaria. En principio podramos decidir en base al
resultado que presenta la mayora de las pruebas, pero eso sera poco formal.
Alternativamente, notando que la serie presenta un corte estructural, podramos estimar una
prueba similar a la sugerida en (3.12). Afortunadamente para nosotros, dicha prueba ya se
57
realiz, encontrndose que el PIB de Mxico es en efecto una serie no-estacionaria. Castillo
y Daz-Bautista (2002) estiman especificaciones en las que se determina el corte estructural
tanto exgenamente como endgenamente. Los autores muestran que al considerar los
cortes estructurales que son evidentes en la serie del PIB, pruebas de raz unitaria indican
que la serie es de hecho no-estacionaria.
A qu se debe que se obtengan resultados contradictorios bajo diferentes especificaciones?
Fundamentalmente al bajo poder de prueba que en general presentan las pruebas de raz
unitaria. sta ha sido una preocupacin de los estudiosos del tema por aos, de tal suerte
que en la actualidad se encuentran varias pruebas que de alguna u otra manera tratan de
mejorar su poder predictivo. En el programa economtrico EViews, por ejemplo, se ofrecen
6 pruebas. Por esto, corresponde al econometrista que realiza el anlisis prctico determinar
el resultado que sea ms acorde con la teora, ya que es poco til identificar resultados que
no sean intuitivamente vlidos.6
Tomando el resultado de no-estacionariedad del PIB en niveles como vlido, procedemos a
ilustrar el concepto de integracin que se discuti en la Seccin 3.1. As, aplicamos las
pruebas de raz unitaria a la primera diferencia del logaritmo del PIB, que denotamos como
D(LPIB). Los resultados de la estimacin de la prueba DFA se muestran en el Cuadro 3.6.
Notamos que en trminos absolutos, el estadstico de prueba es superior a los valores
crticos, observando tambin que el estadstico de Durbin Watson es igual a 1.82. En
6
Citamos un caso real, la serie del ndice nacional de precios al consumidor de Mxico resulta
consistentemente no estacionaria, no slo en niveles, pero tambin en primeras diferencias, por lo cual la serie
de inflacin sera una serie no-estacionaria. Esto, por supuesto, no se apega a la teora econmica estndar.
As, existe un consenso implcito que considera a la serie de inflacin como estacionaria.
58
consecuencia, se concluye que la serie en primera diferencia es estacionaria; lo que permite
considerar a la serie del PIB en niveles como integrada de orden 1, I(1), ya que se tom una
diferencia para que resultara estacionaria.
Cuadro 3.6. Resultados en Primera Diferencia de la Prueba DFA

Null Hypothesis: D(LPIB) has a unit root
t-Statistic Prob.*
5% level -3.454032
10% level -3.152652
Dependent Variable: D(LPIB,2)
Date: 05/29/06 Time: 13:02
Sample (adjusted): 1980:3 2006:1
D(LPIB(-1)) -1.671855 0.074303 -22.50054 0.0000

C 0.007033 0.006647 1.058138 0.2925
@TREND(1980:1) 6.86E-05 0.000109 0.627242 0.5319
R-squared 0.835067 Mean dependent var -0.000152

59
Captulo 4: Series Integradas y los Modelos ARMA
En este captulo extendemos nuestra discusin de los modelos ARMA tomando la idea de
estacionariedad e integracin que recin discutimos en el Captulo 3. Haremos referencia a
un modelo que es particularmente interesante como tcnica de prediccin en el anlisis
econmico y financiero; y que nos ayuda a vislumbrar escenarios prospectivos en el
mediano y largo plazo. Nos referimos a los modelos autorregresivos integrados con media
mvil o ARIMA. Cabe mencionar que aqu continuamos considerando un anlisis para
modelos univariados, las aplicaciones de los conceptos de estacionariedad e integracin
para modelos multivariados se abordan a partir del Captulo 6.
4. 1. Definicin
Como lo indicamos anteriormente, si una serie en niveles es no-estacionaria es recomendable
diferenciarla para trabajar con la serie estacionaria y evitar posibles resultados espurios. En
caso de que la variable y t tenga que diferenciarse, entonces se deber estimar un modelo
ARIMA (p,d,q), donde p denota el orden del rezago en y t , q el orden del rezago del
promedio mvil asociado a t , y d el orden de diferenciacin de la serie.
En este mismo sentido, se puede decir que un ARMA (1,1) se corresponde con un ARIMA
(1,0,1). Un ARIMA (p,d,q), cuando involucra a una serie integrada de orden d, se puede
especificar tambin como:
60
d y t = 1 d y t 1 + .... + p d y t p + t + 1 t 1 + .... + p t q (4.1)
Donde d y t indica que la serie original o en niveles, y t , ha sido diferenciada d veces; en
este mismo sentido, una serie integrada de orden dos, se expresara como
2 y t = (y t 1 ) = ( y t y t 1 ) ( y t 1 y t 2 ) .
4.2. Tratamiento de la Estacionalidad en los Modelos ARIMA
Una serie de tiempo que incluye datos estacionales debe recibir un tratamiento adecuado en
el proceso de modelacin. Aqu hacemos referencia a un modelo ARIMA, que capta el
comportamiento estacional en una forma muy parecida a como se realiza para el
componente regular de la serie. Un proceso ARIMA estacional, como su nombre lo indica,
es un proceso que muestra variaciones estacionales, de tal forma que el valor de y t est
vinculado con el valor de yt s Por ejemplo, si los datos de la serie son trimestrales y la
periodicidad de la variaciones es anual, se tendr que s = 4, mientras que si los datos son
mensuales y la periodicidad es anual, entonces, s = 12.
Como el tratamiento de la estacionalidad implica trabajar con variables retardadas, es que
se retoma el trmino de operador de rezago, que como ya se mencion en la teora previa,
se expresa como Ly t = y t 1 y al ser aplicado en forma sucesiva para s periodos se tiene
que Ls y t = y t s . A partir de esto, un modelo ARMA (p,d, q) puede expresarse como:
61
(1 1 L .......... p L p )(1 L) d t = (1 + 1 L + ....... + q Lq ) t (4.2)
Que resumidamente se expresa de la siguiente forma:
p ( L) d Y y = q ( L) t (4.3)
Donde
= (1 L)
p (L) = polinomio de orden p en L con parmetro i
q (L) = polinomio de orden q en L con parmetro i
Algunos modelos sencillos que son frecuentemente empleados para caracterizar datos
estacionales son:
AR(1): yt = + 1 y t 1 + t (4.4)
MA(1): yt = + t + 1 t 1 (4.5)
Los cuales, deben incorporar un regresor adicional segn la frecuencia de la estacionalidad.
Para el caso de datos trimestrales los autorregresivos y media mvil con componente
estacional se expresan como:
62
SAR(1): yt = + 1 y t s + t s = 4 datos trimestrales (4.6)
SMA(1): yt = + t + 1 t s s = 4 datos trimestrales (4.7)
Por tanto, cuando una serie presenta un componente estacional, significa que se debe llevar
a cabo una o varias diferencias de orden estacional. En el caso particular de que se tuviera
una serie con datos mensuales, se requerira efectuar el siguiente clculo:
12 y t = (1 L12 ) y t = y t y t 12 (4.8)
12
2
y t = (1 L12 ) 2 y t = ( yt y t 12 ) ( y t 12 y t 24 ) (4.9)
En este sentido, un modelo SARMA (1,1), donde S hace referencia al componente
estacional, se expresa como:
12
1 ( L ) y t = 1 ( L ) t
12
(4.10)
Que a su vez, se puede plantear como
(1 12 L12 ) yt = (1 + 12 L12 ) t (4.11)
De modo que despejando y t se tiene:
yt = 12 y t 12 + t + 12 t 12 (4.12)
63
Con base en estas consideraciones, si se tiene una serie y t que no es estacionaria en
niveles, entonces se debe trabajar con una serie transformada en diferencias de logaritmos,
dly t , para asegurar que no tenga tendencia en media y varianza. Subsecuentemente se debe
correr el correlograma de la serie con una cierta longitud de retardos y analizar los
coeficientes de autocorrelacin simple y parcial. Si por ejemplo, se tiene una serie mensual
y se aprecian en la funcin de autocorrelacin coeficientes significativos que se reproducen
en ciertos retardos con frecuencia estacional, (12, 24, 36), es un indicio de que existe
tendencia en la parte estacional que habr que corregir adecuadamente. Lo anterior requiere
que se genere la serie con una primera diferencia en la parte estacional a travs de la
operacin ddly t = dly t dly t (12 ) . Una vez que se tiene esta serie, se vuelve a obtener el
correlograma para identificar el modelo ms apropiado. Si por ejemplo, el modelo
identificado fuese un ARMA (1,1)* AR12(1), es decir, un modelo autorregresivo de orden 1
y una medida mvil de orden 1 en la parte regular y una autorregresivo de orden 1 en la
parte estacional, se determina que el modelo a estimar es ddly t AR(1) MA(1) SAR(12). A
continuacin presentamos un ejemplo para aclarar ideas. Primero presentamos un modelo
ARIMA que no considera patrn estacional, en seguida se incluye un ejercicio para un
ARIMA estacional.
4.3. Ejemplo para Modelo ARIMA: ndice de Volumen Fsico de la Produccin

Manufacturera
En esta seccin se desarrolla un ejercicio prctico para ilustrar la metodologa de los
modelos univariados ARIMA. La variable elegida es el ndice del Volumen Fsico de la
Produccin Manufacturera (IVFPM) con base 1993=100 correspondiente al periodo
64
1990:01 2005:12. Los datos fueron obtenidos del Banco de Informacin Econmica del
Instituto Nacional de Estadstica, Geografa e Informtica (INEGI). Aqu incluimos una
descripcin detallada de los pasos a seguir en EViews.
Previo a la estimacin y validacin del modelo ARIMA(p,d,q), primeramente
transformamos la serie a logaritmos. Para realizar esta tarea, se utiliza el comando Genr, el
cual conduce a un cuadro de dilogo en el que se debe especificar la instruccin
LIVFPM=LOG(IVFPM). Una vez realizado dicho procedimiento, se procede a graficar la serie
para efectuar una primera exploracin de su comportamiento y determinar su
estacionariedad. En la Grfica 4.1 se puede observar que la serie manifiesta un
comportamiento diferenciado pero ascendente a lo largo del periodo de estudio. Si bien se
nota un movimiento creciente, que desciende en 1995, tambin se aprecia que despus del
ao 2000 se comporta relativamente estable hasta el ao 2005. Por tanto, se puede decir
que el comportamiento de LIVFPM se caracteriza por presentar tres tramos perfectamente
diferenciados, pero que no obstante a ello, se identifica una clara tendencia positiva.
Despus de realizar esta primera aproximacin, analizamos su correlograma. En este
ejercicio tenemos que el nmero de observaciones es 192, y se opta por especificar 48
rezagos. Al observar el correlograma de LIVFPM ilustrado en la Figura 4.1, distinguimos
que la funcin de autocorrelacin decrece exponencialmente y de forma lenta; mientras que
la funcin de autocorrelacin arroja un valor estadsticamente significativo en el rezago
nmero uno, pues se aprecia claramente como la primer barra de la columna PAC supera
los limites de confianza que permite interpretar al coeficiente de autocorrelacin como no
65
significativo. En este sentido, parece haber elementos que permiten anticipar que la serie
LIVFPM en niveles no es estacionaria.
Grfica 4.1. Logaritmo del ndice de Volumen Fsico de la Produccin

Manufacturera, (1993=100)
5.1
5.0
4.9
4.8
4.7
4.6
4.5
4.4
90 92 94 96 98 00 02 04
66
Figura 4.1. Correlograma de LIVFPM
67
Para determinar categricamente la naturaleza estocstica de la serie, se realizan algunas de
las pruebas de raz unitaria que se discutieron en el Captulo 3. En el Cuadro 4.1, se
reportan lo resultados de las pruebas de Dickey - Fuller y Dickey Fuller Aumentada.
Los resultados indican que la serie en niveles es no-estacionaria an cuando la regresin 2
arroja un estadstico de prueba, , superior a los valores crticos, pues el valor de Durban-
Watson indica la posible existencia de autocorrelacin. A partir de esto, se realiza la prueba
de Dickey Fuller Aumentada con uno y dos rezagos, y en ambos casos se concluye que la
serie no es estacionaria. Al realizar la prueba para la primera diferencia de la serie
(D(LIVFPM)), considerando constante, tendencia y un rezago, se concluye que la serie s
es estacionaria. De tal forma que concluimos que la serie es integrada de orden 1.
Cuadro 4.1. Resultados de las Pruebas de Estacionariedad

Regresin Regresin Estadsticos Valores crticos de Ho: raz unitaria
DF* y DFA** MacKinnon (1%, 5% y 10%)
respectivamente
1 -3.464643 se acepta
LIVFPM(C) -2.292351 -2.876515 DW = 2.87
-2.574831
2 -4.006824 se rechaza
LIVFPM (C,T ) -5.499604 -3.433525 DW =2.56
-3.140623
3
se acepta
LIVFPM(C,T,R=1) -3.319301 DW =2.0
-4.007084 Criterio de Akaike =
-3.433651 -3.504695
-3.140697
4 Se acepta
LIVFPM(C,T,R=2) DW = 1.95
Criterio de Akaike =
-4.007347 -3.545186
-3.433778
-2.578015 -3.140772
D(LIVFPM), (C,T) -23.22104 -3.433651 DW = 2.16
-3.140697
D(LIVFPM)(C,T,R=1) -14.80325 -3.433778 DW = 1.97
-3.140772
C= constante, T= tendencia, R = retardo (1,2,,k), T = tendencia, 1 = primera diferencia
68
Una vez que se ha determinado que la serie DLIVFPM es estacionaria, se genera su
correlograma para identificar el tipo de modelo que se tiene que estimar. Primero se estima
el correlograma que se presenta en la Figura 4.2.
Figura 4.2. Correlograma de DLIVFPM
69
Aunque los coeficientes de autocorrelacin simple y parcial indican que se pueden estimar
distintos modelos ARIMA(p,d,q); se procede a estimar una ecuacin autoregresiva bajo la
siguiente instruccin en EViews, LS DLIVFPM AR(1) AR(12). Si se observa, la funcin de
autocorrelacin refleja un decrecimiento que combina coeficientes positivos y negativos en
forma sinusoidal, acompaada de una funcin de autocorrelacin parcial con picos en los
rezagos k = 1 y k = 12. Los resultados obtenidos de dicha estimacin son los siguientes:
Cuadro 4.2. Resultados de Regresin
Los coeficientes de ambos autorregresivos son estadsticamente significativos y reportan
valores inferiores a la unidad que reflejan cambios en trminos de elasticidades. Por su
parte, el estadstico Durban-Watson igual a 2.3, es ligeramente superior al valor de
referencia que es 2, lo que sugiere que no existe un problema de autocorrelacin
importante. Sin embargo, para verificar que dicho modelo es idneo para realizar
70
predicciones a futuro, se tiene que hacer un diagnstico del mismo analizando el
correlograma de los coeficientes de los residuales del modelo. Este correlograma se
presenta en la Figura 4.3.
Figura 4.3. Correlograma de los Residuales del Modelo Estimado
En razn de que las probabilidades asociadas al estadstico Q son mayores que 0.05, salvo
en los primeros rezagos del correlograma, se concluye que los coeficientes de
autocorrelacin no son significativos, lo cual se puede corroborar con las barras ilustradas
en el propio correlograma. Este procedimiento de diagnstico constituye un mtodo
sencillo para evaluar si los residuales son o no puramente aleatorios. Despus de observar
los resultados presentados en la Figura 4.3, se determina que el modelo con dos
autorregresivos [AR(1) y AR(12)], es una opcin apropiada para efectuar pronsticos.
71
Aunado a esto, se evala la capacidad predictiva del modelo bajo otros criterios estadsticos
utilizando en EViews el comando Forecast ubicado en el men de la ventana de la
ecuacin de regresin. Los estadsticos se reportan en la Grfica 4.2.
Grfica 4.2. Evaluacin de la Capacidad Predictiva a travs de un Mtodo Esttico

.16
Forecast: DLIVFPMF
.12 Actual: DLIVFPM
Forecast sample: 1990:01 2005:12
.08 Adjusted sample: 1991:01 2005:12
Included observations: 180
.04
.00 Root Mean Squared Error 0.035499

Mean Absolute Error 0.025283
-.04 Mean Abs. Percent Error 205.7056
Theil Inequality Coefficient 0.466400
-.08 Bias Proportion 0.004359
Variance Proportion 0.215451
-.12 Covariance Proportion 0.780189
-.16
1992 1994 1996 1998 2000 2002 2004
Cabe sealar que estos resultados son producto de estimar el modelo a travs de un mtodo
de pronstico esttico que se eligi en el cuadro de dilogo que produce la activacin del
comando Forecast. Es importante destacar que la prediccin esttica es una prediccin
paso a paso y la dinmica es en cadena. En el primer caso, se utilizan los valores
verdaderos de las variables rezagadas para efectuar el pronstico mientras que la segunda
opcin, se basa en los valores estimados. La caracterstica es que las predicciones
coincidirn en el primer periodo, pero a partir del segundo los valores sern diferentes.
Conviene puntualizar que si DLIVFPM es la variable analizada, entonces al utilizar el
comando Forecast, se genera la variable pronosticada denotada como DLIVFPMF, donde la
ltima letra F, hace referencia justamente al pronstico. En la medida que los estadsticos
de la Grfica 4.2 se aproximen a cero, significa que la capacidad predictiva del modelo es
72
satisfactoria. Los resultados sugieren que no hay sesgo, y la raz de error cuadrtico medio
y el error absoluto medio son realmente bajos. Adems el coeficiente de desigualdad de
Theil que oscila entre cero y uno, no reporta un valor muy cercano a cero pero tampoco a
uno. En este sentido, todo indica que el modelo estimado previamente es una opcin
aceptable para efectuar pronsticos fuera de la muestra.
Como se puede constatar, los resultados presentados en la Figura 4.3 y la Grfica 4.2 son
complementarios y ayudan a fortalecer la interpretacin del modelo en trminos de su
capacidad de prediccin fuera de la muestra. Tambin es importante sealar, que los
estadsticos resumidos al lado derecho de la Grfica 4.2, ayudan a elegir entre dos modelos
o ms segn el valor numrico que arrojen. En este caso, se ha optado por describir los
mejores resultados de estimacin con respecto a otros modelos alternativos que tambin se
estimaron y cuyos resultados fueron menos alentadores. En cualquier caso, el objetivo de
este apartado, ha sido en todo momento ilustrar la teora con un ejercicio prctico.
Finalmente en el Cuadro 4.3 se resumen los pronsticos para la variable LIVFPM e IVFPM
correspondientes al periodo 2006:01 2006:03 considerando tambin los ltimos valores
de la serie original para efecto de comparacin. Para obtener directamente los valores
pronosticados de LIVFPM, se estimo el mismo modelo pero especificando en EViews la
instruccin LS D(LIVFPM) AR(1) AR(12).
73
Cuadro 4.3. Pronsticos
Periodo LIVFPM IVFPM
2005:10 148.3000
4.999237
2005:11 145.8000
4.982236
2005:12 142.6000
4.960044
2006:01 141.4421
4.951891
2006:02 142.2410
4.957523
2006:03 144.3475
4.972224
Ejemplo de modelo ARIMA para serie con patrn estacional: Ventas de la ANTAD
En este apartado se especifica y estima un modelo univariado para las ventas de la
Asociacin Nacional de Tiendas de Autoservicio y Departamentales, A.C (ANTAD) para
el periodo 1993:01 2006:06. Los datos se obtuvieron del Sistema de Informacin
Econmica de Banco de Mxico. La particularidad de esta serie de tiempo es que presenta
un patrn estacional que requiere un tratamiento especfico en el contexto de la
metodologa ARIMA. En la Grfica 4.3 se describe la trayectoria de la serie y se puede ver
cmo refleja una mayor dispersin en los ltimos aos as como un marcado patrn
estacional y de tendencia. En la Grfica 4.4, se describe la trayectoria de la serie
transformada en logaritmos, la cual muestra una menor dispersin en el ltimo tramo del
periodo. Conviene advertir que aun as, la serie en logaritmos (LANTAD) no elimina la
tendencia por lo que se procede a diferenciarla para efecto de que sea estacionaria y
subsecuentemente se pueda modelar.
74
Grfica 4.3. Ventas de la ANTAD
320
280
240
200
160
120
80
40
1994 1996 1998 2000 2002 2004
Grfica 4.4. Logaritmo de las ventas de la ANTAD
5.8
5.6
5.4
5.2
5.0
4.8
4.6
4.4
4.2
1994 1996 1998 2000 2002 2004
Para obtener la primera diferencia de la serie en logaritmos, tambin se utiliza el cuadro de
dilogo del comando Genr, en el cual se especifica DLVENTAS=LVENTAS-LVENTAS(-1),
donde D hace referencia a la primera diferencia y (-1) a un rezago de primer orden. La
75
Grfica 4.5 muestra como la tendencia ha sido totalmente eliminada y los valores varan
alrededor de cero.
Grfica 4.5. Primera diferencia del logaritmo de las ventas de la ANTAD
.6
.4
.2
.0
-.2
-.4
-.6
1994 1996 1998 2000 2002 2004
Hasta aqu se puede plantear que la primera diferencia del logaritmo de las ventas de la
ANTAD es una serie estacionaria, razn por la cual se elige para estudiarse en el marco de
un modelo ARIMA (p,d,q) que considera un componente estacional. Al aplicar la prueba
de estacionariedad DFA sobre la serie en diferencias, y cuyos resultados se reporta en el
Cuadro 4.4, se determina que es estacionaria, pues en trminos absolutos el estadstico de
prueba excede a los tres valores crticos correspondientes al 1%, 5% y 10% de
significancia estadstica.
76
Cuadro 4.4. Prueba de Estacionariedad
Null Hypothesis: D(LANTAD) has a unit root
t-Statistic Prob.*

5% level -3.438154
10% level -3.143345
Dependent Variable: D(LANTAD,2)
Date: 08/09/06 Time: 11:56
D(LANTAD(-1)) -1.323735 0.075463 -17.54148 0.0000

C 0.004562 0.030554 0.149324 0.8815
@TREND(1993:01) 3.28E-05 0.000326 0.100437 0.9201
A partir de las consideraciones anteriores, a continuacin se obtiene el correlograma de la

serie DLVENTAS con k = 40 tomando en cuenta que T = 161. Los resultados se ilustran en la
Figura 4.4.
77
Figura 4.4. Correlograma de DLVENTAS
Al observar la funcin de autocorelacin se pueden identificar coeficientes
sistemticamente significativos asociados a los retardos (1, 12, 24 y 36), que sugieren que
existe una tendencia en la parte estacional que es imprescindible corregir para luego
especificar el modelo ARIMA(p,d,p) ms apropiado. El tratamiento de la estacionalidad
requiere calcular la serie con una primera diferencia en la parte estacional que como bien se
aprecia en el correlograma anterior, y en la Grfica de DLVENTAS, se manifiesta en
diciembre de cada ao. Para llevar a cabo esta transformacin, se recurre de nuevo al
78
comando Genr y en el cuadro de dilogo se especifica la instruccin DDLVENTAS=
DLVENTAS DLVENTAS(-12), donde DD hace referencia a la diferencia de una serie que ya
est expresada en primera diferencia, y (-12) denota el orden del rezago que captura la
estacionalidad de la serie. Otra forma alternativa de obtener lo anterior, es especificando en
el propio cuadro de dilogo la instruccin DDLVENTAS = DLOG(VENTAS,1,12). Concluida
esta secuencia de pasos, se estima de nuevo la funcin de autocorrelacin simple y parcial
pero para DDLVENTAS, cuyo correlograma se ilustra en la Figura 4.5.
79
Figura 4.5. Correlograma de DDLVENTAS
Con base en este instrumento, se determina que un modelo idneo a estimar es el siguiente:
DDLVENTAS AR(1) AR(3) SAR(12) MA(1), que contempla un autorregresivo de orden 1 y 3 y
una media mvil de orden 1 en la parte regular, y un autorregresivo en la parte estacional
SAR(12), donde S hace referencia al componente estacional. En otros trminos, SAR(12), es
la forma de sealar un proceso autorregresivo de orden 1 en la parte estacional
considerando que la serie estudiada se trabaja con una frecuencia mensual.
80
Lo anterior se concluye a partir de observar las graficas de los coeficientes de
autocorrelacin simple y parcial, donde se puede apreciar que ambas funciones
experimentan un decrecimiento conforme va aumentado el orden del rezago, lo que sugiere
que se debe estimar un modelo tanto con un componente autorregresivo como de media
mvil. Se eligi un autorregresivo de orden 1 en razn de que los coeficientes de ambas
funciones de autocorrelacin son significativos de acuerdo a su representacin grfica, las
cuales exceden las lneas punteadas que se ubican en los extremos de la lnea continua y
que establecen los limites de confianza.
En este mismo sentido, se ha introducido el autorregresivo de orden 3, debido a que
tambin es estadsticamente significativo. La idea de incorporar a la ecuacin una media
mvil de orden 1, responde al hecho de que la funcin de autocorrelacin parcial decrece
en forma regular con un coeficiente en el rezago 1 significativo, y adems se conjuga con
coeficiente significativo en el primer rezago de la funcin de autocorrelacin simple. Hay
que tomar en cuenta que este proceso de identificacin se realiza tomando en cuenta los
patrones tericos de la funcin de autocorrelacin simple y parcial explicados en el
Captulo 1. Esta especificacin que consideramos apropiada se estima y se reportan los
resultados en el Cuadro 4.5.
81
Cuadro 4.5. Resultados de Estimacin
Dependent Variable: DDLANTAD
Convergence achieved after 10 iterations
Backcast: 1995:04
AR(1) -0.236968 0.106068 -2.234115 0.0272

AR(3) 0.395972 0.074182 5.337821 0.0000
SAR(12) -0.289666 0.071703 -4.039793 0.0001
MA(1) -0.472638 0.109207 -4.327924 0.0000
S.E. of regression 0.031258 Akaike info criterion -4.063662
Log likelihood 276.2654 Durbin-Watson stat 1.913478
Inverted AR Roots .87-.23i .87+.23i .66 .64-.64i

.64+.64i .23-.87i .23+.87i -.23+.87i
-.23-.87i -.45-.63i -.45+.63i -.64-.64i
-.64-.64i -.87-.23i -.87+.23i
Inverted MA Roots .47
Los estadsticos t indican que los cuatro regresores son significativos a un nivel de
confianza del 95%. Aunado a esto, el estadstico de Durbin-Watson y el coeficiente de
determinacin mltiple son aceptables, por lo que se puede considerar como una
especificacin adecuada. Para juzgar la valides del modelo, tambin se puede utilizar la
matriz de varianzas y covarianzas que se resume en el Cuadro 4.6. Este instrumento nos
ayuda a tener un punto de referencia sobre el vnculo entre los parmetros del modelo. Por
ejemplo, una covarianza elevada indica que los parmetros involucrados son redundantes y
que por lo tanto habra que eliminar alguno sin afectar necesariamente la capacidad
explicativa del modelo. Si por el contrario se tiene covarianzas pequeas, significa que los
parmetros se pueden mantener dentro de la especificacin del modelo. En este sentido, los
resultados derivados de la matriz de varianzas y covarianzas indican que no hay problemas
con respecto a la redundancia de parmetros en el modelo.
82
Cuadro 4.6. Matriz de Varianzas y Covarianzas
AR(1) AR(3) SAR(12) MA(1)
AR(1) 0.011250 0.000287 -0.000287 -0.008106

AR(3) 0.000287 0.005503 -0.000633 -0.001443
SAR(12) -0.000287 -0.000633 0.005141 0.000796
MA(1) -0.008106 -0.001443 0.000796 0.011926
Finalmente, para determinar si el modelo permite un ajuste razonable de los datos
utilizados, se obtiene el correlograma de la funcin de autocorrelacin simple y parcial de
los residuales del modelo estimado previamente, y se analizan para ver si son puramente
aleatorios (estacionarios). El mismo se presenta en la Figura 4.6. Las probabilidades de los
estadsticos Q son superiores a 0.05, por lo que se pueden considerar como ruido blanco.
Esta prueba convencional sugiere que no hay necesidad de buscar otro modelo alternativo.
Al evaluar su capacidad de pronstico, Cuadro 4.7, se obtiene una raz del error cuadrtico
medio de 0.0410 y un error absoluto medio de 0.0329, corroborando su idoneidad para
proyectar fuera de la muestra. Ambos criterios de capacidad de pronstico se detallan en el
siguiente captulo.
83
Figura 4.6. Correlograma de los Residuales del Modelo Estimado
Cuadro 4.7. Pronsticos

Datos reales Periodo ddlantad ddlantad
2006:01 0.003600 0.003600
2006:02 -0.016765 -0.016765
2006:03 -0.004734 -0.004734
2006:04 0.017951 0.017951
2006:05 -0.058581 -0.058581
2006:06 0.000179 0.000179
pronstico 2006:07 0.019691 0.019691
2006:08 -0.012355
2006:09 0.003592
84
Captulo 5: Temas Selectos de Modelos Univariados.
En este captulo presentamos una serie de mtodos que son ampliamente utilizados en el
anlisis de series de tiempo, como los promedios mviles y de suavizamiento exponencial.
Los primeros permiten la realizacin de pronsticos a partir del promedio de observaciones
pasadas, mientras que los segundos ayudan a generar pronsticos utilizando promedios
ponderados.
5. 1. Criterios para Evaluar la Capacidad Predictiva
El anlisis de series de tiempo se convierte en un tema fundamental cuando se procura
llevar a cabo predicciones de una variable con el inters de tomar decisiones futuras. En la
literatura existen diversos modelos que facilitan la realizacin de pronsticos, con distinta
estructura matemtica y capacidad predictiva. En trminos generales se puede hablar de
modelos MA, de suavizamiento exponencial, y ARMA. Aqu se efecta una descripcin
general de cada uno de estos tipos de modelo, con el propsito de que el lector tenga una
visin integral de las diferentes metodologas propuestas. Para tal efecto, primeramente se
describen una serie de estadsticos que regularmente se utilizan para evaluar la capacidad
predictiva de una modelo. Hay que considerar que la tarea de elegir entre una
especificacin u otra, se facilita cuando se dispone de herramientas muy claras como las
que se describen en el Cuadro 5.1. Los estadsticos descritos sirven para comparar
resultados obtenidos a partir de diferentes modelos, es decir, ayudan a determinar cul
modelo o tcnica de pronsticos es ms efectiva.
85
Cuadro 5.1. Estadsticos para Evaluara la Capacidad Predictiva
INDICADOR NOTACIN
1 Error cuadrtico medio n

e2i
EM = i =1
2 Error absoluto medio n

ei
i =1
EAM=
n
3 Raz del error cuadrtico n

ei2
i =1
medio RECM=
n
4 Error absoluto medio del 1 n

ei
EAMPE=
n 1=1 yi
porcentaje de error
5 Coeficiente de desigualdad de n
( y i yi )2 / n
i =1
Theil CDT=
n n
y i2 / n + y i2 / n
i =1 i =1
6 Proporcin de sesgo ( y y ) 2
n
( y i y i ) 2 / n
i =1
7 Proporcin de varianza ( S Y S Y ) 2
n
( y i y i ) 2 / n
i =1
8 Proporcin de covarianza 2(1 r ) S Y S Y

n
( y i y i ) 2 / n
i =1
86
Para cualquiera de los casos, n es el nmero de observaciones, ei el error de prediccin que
registra la diferencia entre cada valor observado de la serie y i y su valor estimado.
Especficamente, el error absoluto medio no toma en cuenta en su clculo los signos de los
valores que asumen los errores. La raz del error cuadrtico es un estadstico
complementario al anterior. Por su parte, el error absoluto medio del porcentaje de error es
una medida adicional que involucra en el clculo los valores absolutos de la variable
dependiente. El coeficiente de Theil es un estadstico ms complejo y sus valores oscilan
entre cero y uno. La principal caracterstica de estos primeros cuatro estadsticos, es que en
la medida en que su valor se aproxima a cero, indica que el modelo analizado tiene una
adecuada capacidad predictiva; lo que significa que tiende a minimizar los errores de
prediccin. La descomposicin del error cuadrtico medio permite obtener varios
componentes que igualmente se utilizan como criterios de evaluacin de la capacidad
predictiva, estos son: la proporcin del sesgo, proporcin de varianza y proporcin de
covarianza.
5. 2. Promedio Simple y Promedio Mvil
Considerando que un nmero importante de series econmicas presenta algn componente
irregular que en la prctica dificulta la realizacin de un buen pronstico, es que se
recomienda suavizarlas mediante algn mtodo estadstico. En este subapartado, se
describe lo que es un promedio simple y mvil. El primero consiste simplemente en
promediar todas las observaciones disponibles a travs de la siguiente expresin:
87
n
1
y t +1 = yi (5.1)
n i =1
Donde y i es una observacin real o el nivel, n el nmero de observaciones, e y t +1 el
pronstico generado para el periodo t+1. Una vez calculado el primer pronstico, el
siguiente se estima mediante la misma formula pero aadiendo la nueva observacin y t +1 .
Conviene destacar que esta tcnica es recomendable aplicarla cuando se tiene cierta certeza
de que los datos que integran la serie no han estado influidos por un entorno cambiante.
Adicionalmente, existen los promedios mviles que a diferencia de los simples, incluyen
las ltimas observaciones de la serie histrica mensual o trimestral.
Un promedio mvil de orden k, se obtiene a travs de:
y t + yt 1 + y t k +1
y t +1 = (5.2)
k
Donde y t +1 es el valor pronosticado, y t , el valor real en el periodo t y k es el nmero
trminos que integran el promedio mvil. Es importante anotar que ste mtodo se
caracteriza por darle un peso igual a cada observacin independientemente de la magnitud
de la cifra. Un promedio como este, se puede definir como la media aritmtica de las
observaciones ms recientes k. La idea de aplicar un procedimiento de esta naturaleza es
siempre con el propsito de transformar la serie original y obtener una nueva que se
distinga por un comportamiento ms suave a lo largo de un intervalo de tiempo. En
realidad es un mtodo que consiste en ir recalculando el promedio incorporando la nueva
88
observacin y eliminando aquella que ocurri k periodos en el pasado. Para determinar si es
mejor un promedio mvil trimestral o mensual, se deben calcular para ambos ejercicios el
error medio, error absoluto medio o la raz cuadrada del error cuadrtico medio y con base
en ello, se elige el modelo que reporta los valores ms pequeos de los estadsticos.
A continuacin se presenta un ejercicio de promedio mvil para tres y cinco meses de las
ventas de la ANTAD y se calcula el error absoluto medio y el error cuadrtico medio para
elegir entre uno y otro promedio o serie suavizada. En la Grfica 5.1 se describe la
evolucin de las ventas en valores originales, los cuales proyectan un componente de
tendencia y estacionalidad al cierre de cada ao. Con el propsito de disponer de una serie
suavizada, se calculan promedios mviles trimestrales y semestrales. La Grfica 5.2 ilustra
el primer caso y la Grfica 5.3 el segundo. Al observar las Grficas, se puede notar que la
serie que considera un promedio mvil de 6 meses es mucho ms suavizada que la de tres
meses. Al calcular el error absoluto medio (EAM) y el error cuadrtico medio (ECM), se
determina que el promedio mvil ms apropiado para suavizar la serie analizada es el que
contempla seis meses. Para este caso el EAM fue de 14.6 y el ECM de 612.3, mientras que
para la serie suavizada con un promedio de tres meses el EAM fue de 18.6 y el ECM de
787.2. En este sentido, resulta obvio que la serie producto de aplicar un promedio mvil de
6 meses es la ms apropiada para fines de pronstico.
89
Grafica 5.1. Comportamiento de las Ventas de la ANTAD
320
280
240
200
160
120
80
40
1994 1996 1998 2000 2002 2004
Grfica 5.2. Promedio Mvil de Tres Meses de las Ventas de la ANTAD

220
200
180
160
140
120
100
80
1994 1996 1998 2000 2002 2004
90
Grfico 5.3. Promedio Mvil de Seis Meses de las Ventas de la ANTAD
220
200
180
160
140
120
100
80
1994 1996 1998 2000 2002 2004
5.3. Suavizamiento Exponencial Simple y Doble
Alternativamente a los mtodos previamente sealados, se encuentran los que llevan a cabo
un suavizamiento exponencial correspondiente a cada observacin de la serie original. El
esquema de suavizamiento se inicia aplicando la siguiente ecuacin bsica:
y t +1 = y t + (1 ) y t (5.3)
Donde y t +1 es el nuevo valor suavizado o valor pronosticado para el periodo t+1, es una
constante de suavizamiento que puede asumir valores sujetos a la restriccin (0 < < 0) ,
91
y t es la observacin real correspondiente al periodo t e y t es el antiguo valor suavizado o
pronstico del periodo t. La ecuacin (5.3) puede ser reformulada como:
y t +1 = y t + (1 ) y t = y t + y t y t = y t + ( y t y t ) (5.4)
El nuevo pronstico es igual al anterior ajustado en veces el error del pronstico
antiguo. Ahora bien, replanteando la ecuacin (5.4) para t, se tiene y t = y t 1 + (1 ) y t 1
por tanto, al sustituir esta ltima expresin en (5.3) se obtiene
y t +1 = yt + (1 )[y t 1 + (1 ) y t 1 ] (5.5)
Que a su vez es igual a:
y t +1 = y t + (1 ) y t 1 + (1 ) y t 1
2
(5.6)
Donde y t +1 sigue siendo un valor suavizado y la velocidad a la que pierden su impacto las
observaciones pasadas depende de . El suavizamiento producido puede considerarse que
es obtenido por una media mvil acompaada de ponderaciones decrecientes en forma de
progresin geomtrica. Si bien el suavizamiento exponencial est basado en promedios
mviles como el mtodo anterior, se diferencia por el hecho de que son valores
ponderados. La ponderacin exponencial es porque le concede mayor peso a las
observaciones inmediatamente anteriores y menos a las de periodos ms atrasados.
92
A partir de (5.6), se determina que:

(1 ) 2 = =1 (5.7)
s =1 1 (1 )
El valor asignado a esta constante es fundamental, si se desea que las predicciones sean
estables y que se suavicen las variaciones aleatorias, se sugiere utilizar una constante de
valor pequeo. Por otra parte, si interesa una respuesta rpida a un cambio real en el patrn
de las observaciones, es conveniente elegir un valor mayor para la constante de
suavizamiento. Este mtodo est considerado en el cuadro de dilogo del EViews
denominado Exponential Smoothing identificado como mtodo de suavizamiento
exponencial simple con un parmetro (Smoothing Method: Single). Para ilustrar su
aplicacin tomamos la serie de ventas del ANTAD y le aplicamos el suavizamiento simple.
La Grfica 5.4 presenta el resultado y en el Cuadro 5.2 se muestran los estadsticos de
evaluacin. Notamos en la Grfica que la serie suavizada LANTADSM ya no presenta un
patrn estacional tan pronunciado como la serie original.
93
Grfica 5.4. Suavizamiento Simple de LANTAD
5.8
5.6
5.4
5.2
5.0
4.8
4.6
4.4
4.2
1994 1996 1998 2000 2002 2004
LANTAD LANTADSM
Cuadro 5.2. Estadsticos de Evaluacin

Date: 08/18/06 Time: 14:39
Sample: 1993:01 2006:06
Method: Single Exponential
Original Series: LANTAD
Forecast Series: LANTADSM
Parameters: Alpha 0.1520
Sum of Squared Residuals 4.123723
Root Mean Squared Error 0.159546
End of Period Levels: Mean 5.239528
Una tcnica de suavizamiento que se recomienda aplicar cuando la serie analizada ilustra
una clara tendencia, es el suavizamiento doble con un parmetro, que tambin se conoce en
la literatura como suavizamiento exponencial de segundo orden. ste consiste en aplicar la
tcnica de suavizamiento simple dos veces usando el mismo parmetro. De acuerdo con
Mendenhall y Reinmuth (1981), el pronstico suavizado est determinado por la ecuacin:
94
y t +T = [2 + T / (1 )S t (1 + T / (1 ))]S t (2 ) (5.8)
Donde S t (2 ) = S t + (1 )S t 1 (2 )
Siendo S t (2 ) una estadstica doblemente suavizada, es decir, un suavizamiento de los
valores suavizados (S t ) . Se considera al igual que los dems mtodos que la constante de
suavizamiento se encuentra dentro del intervalo (0 < < 1) . Al igual que el mtodo
anterior, ste tambin est incorporado en la opcin de Exponential Smoothing de EViews
como (Smoothing Method: Double). Continuando con el ejemplo de la serie de ventas de
ANTAD, presentamos los resultados de instrumentar esta tcnica en la Grfica 5.5 y en el
Cuadro 5.3.
Grfica 5.5. Suavizamiento Doble de LANTAD
5.8
5.6
5.4
5.2
5.0
4.8
4.6
4.4
4.2
1994 1996 1998 2000 2002 2004
LANTAD LANTADSM
95
Date: 08/18/06 Time: 14:45
Simple: 1993:01 2006:06
Method: Double Exponential
Trend 0.006260
Al comparar los estadsticos de los Cuadros 5.2 y 5.3, se constata que el mtodo de
suavizamiento doble arroja una suma de residuos al cuadrado y una raz del error
cuadrtico medio ms pequeo, lo que sugiere que el suavizamiento doble es ms eficiente
que el generado por el mtodo de suavizamiento simple. Aunado a esto, hay que considerar
que la constante de suavizamiento doble es menor que la del suavizamiento simple. A este
respecto, conviene recordar que una constante ms pequea permite un mejor
suavizamiento de las variaciones aleatorias. Por ello, no es fortuito que los estadsticos de
prueba avalen como mejor mtodo a este ltimo. El lector podr observar que las
trayectorias de las series suavizadas con el mtodo simple y doble ilustradas en la Grfica
5.6, son diferentes, pues se aprecia con toda claridad como el mtodo de suavizamiento
doble produce una serie ms estable, lo que lo convierte en ms eficaz. Ahora bien, al
observar la raz del error cuadrtico medio que arroja el suavizamiento simple y doble, se
aprecia que ste ltimo arroja un estadstico ligeramente menor, convirtindolo en un
mtodo ms efectivo, pues es justamente el que ms suaviza la serie analizada.
96
Grfica 5.6. Ventas de la ANTAD con Suavizamiento Simple y Doble
200
180
160
140
120
100
80
1994 1996 1998 2000 2002 2004
SIMPLE
200
180
160
140
120
100
80
1994 1996 1998 2000 2002 2004
DOBLE
5.4. Suavizamiento Exponencial Lineal Ajustado a la Tendencia
Mientras que el suavizamiento exponencial simple se aplica normalmente a series que no
experimentan importantes cambios aleatorios, ste mtodo se aplica cuando los datos de
una serie muestran tendencia ascendente o descendente. Es importante mencionar que esta
tcnica est estrechamente relacionada con las aportaciones de Holt (1957) quien entre
97
otros autores desarroll las bases tericas de su construccin. Tambin es usual que a este
mtodo se le llame tcnica de suavizamiento exponencial doble con dos parmetros y
, cuya estructura matemtica est definida por tres ecuaciones. De acuerdo con
Makridakis et al. (1998) la primera ecuacin que produce la serie suavizada se expresa
como:
Lt = y t + (1 )(Lt 1 + Tt 1 ) (5.9)
Donde la tendencia se estima a travs de:
Tt = (Lt Tt 1 ) + (1 )Tt 1 (5.10)
Y el pronstico con base a:
y t + p = Lt + pTt (5.11)
El trmino Lt define el nuevo valor suavizado, es una constante de suavizamiento, y t
es el valor real de la serie en el periodo t, es una constante de suavizamiento para el
estimado de tendencia, Tt es el estimado de la tendencia, p es periodo a pronosticar en el
futuro y finalmente y t + p es el pronstico para el periodo t+p. Este mtodo se utiliza
cuando se desea suavizar una serie que manifiesta tendencia pero no estacionalidad y es
justamente el mtodo propuesto por Holt y ampliado por Winters (1960), que se identifica
98
en el paquete mencionado como Smoothing Method: Holt Winter No Seasonal (two
parameters). Aplicamos esta tcnica a la serie logaritmo del ndice de Volumen Fsico de
la Produccin Manufacturera (LIVFPM), y obtenemos la ilustracin de la Grfica 5.7 y el
Cuadro 5.4. Se ha optado por utilizar esta serie en virtud de que no refleja como en el caso
de las ventas de la ANTAD, una estacionalidad muy marcada.
Grfica 5.7. Suavizamiento Holt-Winters de LIVFPM

5.1
5.0
4.9
4.8
4.7
4.6
4.5
4.4
90 92 94 96 98 00 02 04
LIVFPM
5.1
5.0
4.9
4.8
4.7
4.6
4.5
4.4
90 92 94 96 98 00 02 04
LIVFPMSM
La primera grfica corresponde a los valores originales de la serie LIVFPM y la segunda es
la serie suavizada con el mtodo previamente descrito. Como se puede ver, sta ltima
tiene un comportamiento ms estable a lo largo de todo el periodo analizado. Por su parte,
los resultados del Cuadro 5.4 arrojan una serie de estadsticos que ayudan a evaluar la
99
capacidad de prediccin del mtodo de suavizamiento. Como se puede observar, tanto la
suma de residuales al cuadrado como la raz del error cuadrtico medio son realmente
bajas, lo que sugiere que es un mtodo de suavizamiento indicado para pronosticar la serie
considerada.

Date: 08/28/06 Time: 02:43
Sample: 1990:01 2005:12
Method: Holt-Winters No Seasonal
Original Series: LIVFPM
Forecast Series: LIVFPMSM
Beta 0.0000
Trend 0.003279
5.5. Suavizamiento Exponencial para Tendencia y Estacionalidad Multiplicativa
Este es un mtodo asociado a los trabajos de Winters (1960) que considera tres parmetros
de suavizamiento exponencial. Su rasgo distintivo con respecto a la metodologa anterior,
es que incorpora una ecuacin adicional para estimar la estacionalidad, pues su estructura
es la apropiada para pronosticar series con tendencia y variacin estacional multiplicativa.
Las ecuaciones involucradas son:
Lt = y t / S t s + (1 )(Lt 1 + Tt 1 ) (5.12)
100
Que estima la serie Lt a travs de un suavizamiento exponencial. En tanto que la tendencia
se estima con base a:
Tt = (Lt + Lt 1 ) + (1 )Tt 1 (5.13)
Y la estacionalidad a travs de la siguiente ecuacin:
S t = y t / Lt + (1 )S t s (5.14)
Y el pronstico para el periodo t+p se determina mediante:
y t + p = (Lt + pTt )S t s + p (5.15)
El trmino Lt es el valor suavizado o nivel actual estimado, es una constante de
suavizamiento para el nivel, y t es la nueva observacin o valor real en el periodo t, es
una constante de suavizamiento para el estimado de la tendencia, Tt es el estimador de la
tendencia, es una constante de suavizamiento para el estimado de la estacionalidad, S t es
el estimado de la estacionalidad, p el nmero de periodos futuros a pronosticar, s es la
longitud de la estacionalidad, y finalmente y t + p es el pronstico para el periodo p en el
futuro. Este mtodo es consistente con el registrado tambin en EViews como Smoothing
Method: Holt Winter Multiplicative (three parameters). En la Grfica 5.8, se puede ver
como las series LANTAD y LANTADSM tienden a ajustarse, con la caracterstica de que
101
la serie estimada no presenta la estabilidad que s arrojan las estimaciones previas en donde
claramente se ver que LANTADSM no presenta las oscilaciones tan marcadas que reporta
ste mtodo de estimacin. Los estadsticos presentados en el Cuadro 5.5, al igual que en
los casos anteriores, sirven para evaluar la capacidad predictiva del mtodo.
Particularmente, el valor de la suma de residuales al cuadrado, y de la raz del error
cuadrtico medio, permiten concluir que el mtodo de suavizamiento utilizado es bueno.
Grfica 5.8. Suavizamiento con Tres Parmetros de LANTAD
5.8
5.6
5.4
5.2
5.0
4.8
4.6
4.4
4.2
1994 1996 1998 2000 2002 2004
LANTAD LANTADSM
102
Cuadro 5.5. Estadstico de Evaluacin
Date: 08/18/06 Time: 14:53
Simple: 1993:01 2006:06
Method: Holt-Winters Multiplicative Seasonal
Beta 0.0000
Gamma 0.0000
Trend 0.004115
Seasonals: 2005:07 1.015066
2005:08 0.995283
2005:09 0.987145
2005:10 0.988266
2005:11 0.996422
2005:12 1.090962
2006:01 0.993184
2006:02 0.967823
2006:03 0.983970
2006:04 0.985455
2006:05 1.001043
2006:06 0.995383
5.6. Filtro Hodrick Prescott
Aqu consideramos un mtodo de suavizamiento que comnmente se emplea en la

descomposicin de una serie de tiempo en su componente de tendencia y su componente
cclico. Al respecto, Hodrick y Prescott (1997) sugieren un filtro para estimar la tendencia
estocstica de una serie. Si y t es una serie tiempo t = 1, 2, 3, ..........T y t su tendencia,
entonces a partir de ello se tiene que C t = y t t que representa una medida de las
fluctuaciones cclicas. Lo que subyace detrs de este planteamiento, es el inters por
obtener una tendencia suavizada. Los autores plantean que el componente de tendencia de
y t es aquel que minimiza la ecuacin:
103
T T =1
( yt t ) +
2
[( t +1 t )( t t 1 )]2 (5.16)
t =1 t =2
Que tambin se puede expresar como:
T T
C t2 + (2 t ) 2 (5.17)
t =1 t =3
Donde 2 = (1 L ) con L que denota el operador de rezago.

2
Al trabajar con yt = ln y t y t = ln t se pretende que C t quede expresado directamente en
trminos de variaciones porcentuales de la serie respecto a la tendencia. El primer trmino
de las ecuaciones (5.16) y (5.17), mide el grado de ajuste entre la tendencia y la serie
original, el segundo trmino de ambas ecuaciones registra la sumatoria de cuadrados de la
segunda diferencia del componente estacional y se interpreta como una medida del grado
de suavidad. El parmetro penaliza la variabilidad de la tendencia medida como la
segunda diferencia al cuadrado. En la medida en que este parmetro sea ms pequeo, se
considera que ms suave es la tendencia. Si por ejemplo = 0 , t es igual a la serie de
tiempo original en cuyo caso C t = 0 . Por el contrario, si = los valores de la tendencia
son expresados por la lnea de mnimos cuadrados ordinarios y se les asigna la mxima
ciclicidad posible. Se sugiere que cuando se dispone de informacin anual, se utiliza un
parmetro = 100 , para datos trimestrales = 1600 y para informacin mensual
= 14400 .
104
Con estos valores se infiere que se aproxima a un filtro ideal, el cual se opera en EViews a
travs del cuadro de dilogo Hodrick Prescott Filter, en el cual se debe especificar la
serie objeto de anlisis y el valor del parmetro en las opciones de Smoothed Series y
Smoothing Parameter respectivamente. La Grfica 5.9, reporta la descomposicin de la
serie LANTAD presentando por un lado su tendencia estimada y por el otro, el componente
cclico.
Grfica 5.9. Aplicacin del Filtro Hodrick - Prescott

Hodrick-Prescott Filter (lambda=14400)
6.0
5.6
5.2
.8 4.8
.6
4.4
.4
4.0
.2
.0
-.2
-.4
93 94 95 96 97 98 99 00 01 02 03 04 05 06
LANTAD Trend Cycle
El Filtro HP es ampliamente utilizado para establecer la existencia de caractersticas
comunes entre tendencias y ciclos en un grupo de variables. Por ejemplo, es comn estimar
el producto interno bruto (PIB) potencial simplemente considerando la tendencia que se
obtiene del Filtro como la series de tendencia de largo plazo. Una vez realizado este
ejercicio para el PIB de diferentes pases, se procede a estimar la correlacin que existe
entre las series; si se encuentra una correlacin significativa, se concluye que las series
105
estn sincronizadas. Dicho anlisis presenta problemas serios, que se comentarn
ampliamente en el Captulo 9. Por ahora notamos que uno de ellos se refiere al hecho que
la serie de tendencia que se obtiene estimando el Filtro cambia cada vez que se le agrega
una observacin. As, si por ejemplo se estima el Filtro para t, y en t+1 se desea estimar de
nuevo, el ejercicio no podra slo incluir la nueva observacin y agregarla a la serie ya
estimada, se tendra que instrumentar una vez ms el Filtro obtenindose una serie para t+1
completamente diferente a la que se obtuvo para t; por lo cual no es razonable argumentar
en nuestro ejemplo que la serie de tendencia que se deriva del Filtro representa el PIB
potencial puntualmente. Cabe sin embargo destacar que para ejercicio menos formales,
como el suavizar una serie, el Filtro representa una herramienta importante.
5.7. La Tendencia y Estacionalidad en los Modelos Clsicos de Regresin
Si bien existen modelos de pronstico sencillos como los ya enunciados, tambin hay otros
de gran utilidad que ayudan a modelar una serie cuando tiene tendencia o estacionalidad.
Cuando una serie reporta una tendencia clara, se estima introduciendo en la ecuacin de
regresin simple la variable tiempo, asignando valores en orden cronolgico a cada
observacin 1, 2, ........n. En este caso, se estima la siguiente ecuacin:
y t +1 = 0 + 1 * tiempo + ei (5.18)
Conviene advertir que en ciertas ocasiones la tendencia puede ser cuadrtica, cbica o
exponencial, en cuyo caso cambiar la especificacin de la ecuacin (5.18). La seleccin de
106
un modelo u otro se realizar en funcin del R 2 , criterio de informacin de Akaike o
criterio de informacin de Schwarz. El coeficiente de determinacin ajustado por grados de
libertad se define como:
SRC (n k ) n 1
R 2 = 1 = 1 (1 R 2 ) (5.19)
STC ( N 1) nk
Donde SRC y STC son las sumas de residuos al cuadrado y la suma total de cuadrados
respectivamente. Un aspecto importante de este estadstico es que es menor que el
R 2 normal, y adems, penaliza cuando se agregan nuevas variables que no resultan ser
estadsticamente significativas. Al contrario del R 2 que es una funcin no decreciente del
nmero de variables explicativas, el R 2 s disminuye cuando se incorpora una variable
irrelevante. Adems, puede reportar un signo negativo aun cuando el coeficiente de
determinacin mltiple no ajustado no lo sea. En definitiva, R 2 se incrementar slo en la
medida en que el valor absoluto de t de la variable adicional sea mayor que 1.
Otro estadstico que ayuda a elegir el modelo ms idneo es el criterio de informacin de
Akaike que se define como CIA = e 2 k / n ui 2 / n = e 2 k / n SRC / n , donde k es el nmero de
regresores (incluyendo el intercepto) y n el nmero de observaciones. Al utilizar las
propiedades de los logaritmos7, se linealiza la expresin anterior y se obtiene la siguiente:
ln CIA = (2k / n ) + ln(SRC / n ) (5.20)
7
Las propiedas son: ln (uv) = lnu + lnv, ln(u /v) = lnu lnv, ln(1/v) = -lnv, lnun = nlnu, lne = 1 y ln1 = 0
107
Donde ln CIA es el logaritmo natural de CIA, (2k / n ) es el factor de penalizacin y SRC es
la suma de los residuales al cuadrado. La regla de decisin establece que si se comparan
dos modelos con base al CIA, se elegir aquel que tenga el menor valor de CIA, y lo mismo
aplica para el criterio de Schwarz que se define como CIS = n k / n ui 2 / n = e k / n SRC / n , y
que al llevar a cabo la transformacin logartmica respectiva se obtiene la ecuacin final:
ln CIA = k / n ln(SRC / n ) (5.21)
Donde ln CIA es el logaritmo natural del criterio, k / n es el factor de penalizacin y SRC
es al igual que en el caso anterior la suma de residuos al cuadrado. Si por otra parte, se
dispone de una serie con una frecuencia temporal trimestral, y se quiere modelar y
pronosticar con base a la estacionalidad, se tiene que estimar una ecuacin de la forma:
s
yt = Dit + t (5.22)
i =1
Donde se tendrn tantos parmetros como variables dictomas que son parte de la
ordenada al origen y que se identifican tambin como factores estacionales. Si como se
seal, la frecuencia temporal es trimestral, entonces se tendr que s = 4. En consecuencia,
la primera variable dictoma Dit , registrar valores de (1) para el segundo trimestre y (0)
para el resto, la segunda valores de (1) para el tercer trimestre y ceros para el resto, y as
sucesivamente. Lo que s es importante cuidar en este proceso de especificacin, es no
aadir la ordenada al origen y adems s variables Dit ; en razn de que se genera un
108
problema de colinealidad perfecta o bien, se cae en lo que se llama la trampa de la variable
dictoma. Por tanto, la regla que debe prevalecer es que si una variable tiene s categoras,
se deben introducir s-1 variables dictomas. Ahora bien, si de acuerdo a los resultados de
regresin se determinara que ninguno de los parmetros fuese estadsticamente
significativo, entonces slo deber quedar en la ecuacin la ordenada al origen comn o en
su defecto la ordenada al origen y la variable indicadora que slo sea significativa a un
determinada nivel de confianza estadstica.
Otra forma de llevar a cabo el pronstico de la variable y t , en caso de que se tuviera
indicio en base a un anlisis grfico de que presenta tendencia y estacionalidad, es integrar
a la ecuacin (5.18) y (5.19) en una sola que se resumira de la siguiente forma:
s
yt = t + Dit + t (5.23)
i =1
En este caso, se tendran s regresores asociados con su respectivo parmetro ms que
medira el comportamiento de y t en el transcurso del tiempo, que bien puede estar
capturando una relacin lineal positiva o negativa. Un versin ampliada de la ecuacin
(5.22), es cuando la ecuacin adems de incluir las s-1 variables dictomas, tambin
incluye un variable explicativa xt . Hay que tomar en cuenta que en el mbito de la
economa un nmero significativo de series basadas en informacin trimestral o mensual,
regularmente presentan tendencia y estacionalidad pero adems mantienes una relacin de
causalidad con otras variables explicativas. En este contexto, a veces resulta interesante
109
eliminar el componente estacional (desestacionalizacin de la serie) para concentrarse por
ejemplo en la tendencia. Cuando este es el propsito y por ejemplo s = 4, se tiene que
especificar una ecuacin como la siguiente:
yt = 1 + 2 D2t + 3 D3t + 4 D4t + xt + (5.24)
Donde los interceptos diferenciales 2 , 3 , 4 estn asociados a,
D2 = 1 para segundo trimestre y 0 para el resto
D3 = 1 para el tercer trimestre y 0 para el resto
D4 = 1 para el cuatro trimestre y 0 para el resto
En caso de que slo el coeficiente 3 y resultaran ser estadsticamente significativos,
entonces la ecuacin (5.24) se tendra que replantear como una versin restringida como la
siguiente:
yt = 1 + 3 D3t + xt + (5.25)
En definitiva, para determinar qu tipo de modelo de regresin es el ms apropiado para
pronosticar, se sugiere que primero se grafique la serie en cuestin y se lleve a cabo una
exploracin de su comportamiento para posteriormente pensar en el tipo de especificacin
ms adecuada y a partir de distintas versiones, elegir el modelo ms apropiado en funcin
de los criterios previamente explicados.
110
Parte II: Modelos Multivariados
Captulo 6. Introduccin a los Sistemas Multivariados
En la Parte I del texto abordamos varios modelos que aproximan el PEG de una serie de
tiempo. En adelante nos enfocaremos a caracterizar la interaccin entre dos o ms series.
En este captulo iniciamos definiendo lo que se entiende por un sistema multivariado, y
presentamos los argumentos que dictan la necesidad de analizar series de tiempo por
medio de la instrumentacin de metodologas particulares; que constituyen
fundamentalmente tcnicas de cointegracin.
6.1. Fundamentos
Comenzamos por indicar que un sistema multivariado de series de tiempo consiste
simplemente en un conjunto de series.8 As, podramos ilustrar un conjunto de tres series de
tiempo como sigue:
xt
yt
zt
8
Indicamos que un anlisis terico profundo de los temas que aqu trataremos se encuentra en Hamilton
(1994).
111
La relacin estocstica que existe entre estas variables puede ser estudiada de diversas
formas, comnmente se supone que existe una variable dependiente, o endgena, y una
serie de variables explicativas o exgenas. 9 De tal forma que podramos postular la
siguiente relacin:
yt = 0 + 1 xt + 2 z t + t
Esta ecuacin puede ser estimada por medio de Mnimos Cuadrados Ordinarios (MCOs)
obteniendo los estimadores que corresponden a las 's . Sin embargo, es importante
identificar la naturaleza estocstica de las series para determinar la eficiencia de dichos
estimadores. En particular, si las series son estacionarias, los estimadores cuentan con las
propiedades de eficiencia y no-sesgo propias de la estimacin por MCOs.
Alternativamente, si las series del sistema son no-estacionarias entonces puede, o no puede,
ser que los resultados de la estimacin sean vlidos. Veamos por qu:
Consideremos la ecuacin
y t = xt + t (6.1)
Si suponemos que tanto y t como xt son iid, esto es, su media es constante y su varianza
independiente del tiempo, entonces los estimadores seran insesgados y presentaran
9
Existen pruebas economtricas formales para determinar la exogeneidad de variables en un sistema; las
cuales no abordamos en el presente texto. El lector interesado puede consultar por ejemplo Johnston y
DiNardo (1997).
112
mnima varianza dentro del conjunto de estimadores lineales. Sin embargo, es poco
probable que series de tiempo sean iid. Tomemos una de las series de la ecuacin (6.1) y
modelemos su PEG como un proceso autorregresivo:
yt = 0 + 1 y t 1 + t (6.2)
Si 1 < 1 entonces y t es estacionaria, pero si 1 = 1 entonces y t es no-estacionaria y
tendramos lo siguiente:
yt = 0 + y t 1 + t (6.3)
Si modelamos la secuencia en el tiempo de y t tendramos
t
y t = t 0 + y 0 + j (6.4)
j =1
Donde y 0 se asume sea un valor inicial de la secuencia de y t . Suponiendo que j es iid, la
media y varianza de y t , de acuerdo a (6.4), son t 0 + y 0 y t 2 respectivamente. Ntese
que ambos momentos se encuentran expresados como funcin del tiempo, esto es, ambos
ya no son constantes, luego entonces, al estimar una ecuacin como (6.1), donde tanto y t
como xt sean no estacionarias, los estimadores por medio de MCOs no seran confiables
y/o los estadsticos vlidos.
113
Qu hacer entonces cuando las series de inters son no-estacionarias? Una alternativa
consistira en estimar la ecuacin utilizando las primeras diferencias de las series.
Retomemos el PEG indicado en (6.3):
yt = 0 + y t 1 + t
Si substraemos y t 1 de ambos lados de la ecuacin tenemos
yt y t 1 = 0 + t (6.5)
Que puede re-escribirse como
y t = 0 + t (6.6)
Calculando la media y varianza de (6.6) se obtiene 0 y 2 respectivamente, esto es, los
dos primeros momentos son independientes del tiempo. En tal caso, si tanto y t como xt
son no-estacionarias en niveles, pero estacionarias en primeras diferencias, entonces
estimando la ecuacin y t = xt + t por medio de MCOs se obtendran estimadores
para las 's eficientes e insesgados, y los estadsticos de la estimacin seran confiables.
Por qu entonces no se estima la relacin entre cualquier conjunto de series de tiempo no-
estacionarias utilizando sus primeras diferencias? Simplemente por que al transformar las
114
series en su primera diferencia, ya no se est estimando la relacin entre las variables
originales, sino entre una transformacin lineal de las mismas; as, la interpretacin de los
coeficientes ya no es equivalente a la que se deriva cuando se estiman las relaciones en
niveles.
Tomemos un ejemplo:
Supongamos que nos interesa estimar la relacin entre el consumo ( y t ) y el ingreso ( xt ).
Previa transformacin logartmica de las variables, postulamos la siguiente ecuacin:
yt = 0 + 1 xt + t (6.7)
El coeficiente estimado, 1 , se interpretara como la elasticidad del consumo con respecto
al ingreso en el largo plazo. Sin embargo, como lo indicamos anteriormente, siendo que
muy probablemente tanto el consumo como el ingreso son series no-estacionarias, 1 no
tendra las propiedades de eficiencia que se desean. De tal suerte que lo apropiado sera
estimar la relacin considerando las primeras diferencias de las dos variables; as, el
estimador sera confiable. Desafortunadamente, la interpretacin del mismo no sera clara,
esto es, ya no se podra interpretar como la elasticidad de largo plazo, ya que la variable
dependiente sera la diferencia logartmica del consumo (tasa trimestral de crecimiento del
consumo) y la explicativa la diferencia logartmica del ingreso (tasa trimestral de
crecimiento del ingreso). Podramos, en todo caso, interpretarlo como una elasticidad de
corto plazo o la respuesta instantnea del consumo con respecto al ingreso.
115
Para ilustrar la idea estimamos una ecuacin como (6.7) considerando el consumo privado
y el PIB de Mxico. La serie del PIB corresponde a la empleada en los ejemplos que se
presentaron en la Parte I del texto. El consumo se refiere al consumo privado medido en
idnticas unidades al PIB y su fuente es la base de datos de indicadores econmicos y
financieros de Banco de Mxico. El periodo de estimacin va del primer trimestre de 1993
al cuarto trimestre de 2005.
Antes de realizar la estimacin, verificamos la estacionariedad de las series. Para el PIB se
mostr en la Parte I que es de hecho una serie no-estacionaria, as que aqu slo
presentamos los resultados de la prueba KPSS para el consumo. Notamos en el Cuadro 6.1
que la hiptesis nula de estacionariedad para la serie en niveles se rechaza al 10% y al 5%,
pero la misma no se rechaza para la serie en primeras diferencias a niveles convencionales.
De tal forma que podemos concluir razonablemente que la serie de consumo privado est
integrada de orden 1.
116
Cuadro 6.1. Prueba de Raz Unitaria KPSS
Null Hypothesis: LOG(CONSUMO) is stationary
Exogenous: Constant
Bandwidth: 91.5 (Andrews using Parzen kernel)
LM-Stat.

5% level 0.463000
10% level 0.347000
Null Hypothesis: D(LOG(CONSUMO)) is stationary

Exogenous: Constant
Bandwidth: 4.31 (Andrews using Parzen kernel)
LM-Stat.

5% level 0.463000
10% level 0.347000
Enseguida estimamos la regresin entre el consumo y el ingreso y presentamos los
resultados en el Cuadro 6.2. Ntese que el coeficiente 1 es aproximadamente 1, lo cual no
es sorprendente en el caso de Mxico, ya que la dependencia del consumo en el ingreso, a
falta de acceso al mercado de crdito, es elevada. Los resultados, si embargo, pueden no ser
confiables debido a las razones anteriormente indicadas.
117
Cuadro 6.2. Resultados de yt = 0 + 1 xt + t
Dependent Variable: LOG(CONSUMO)
Date: 08/10/06 Time: 13:23
Sample (adjusted): 1993Q1 2005Q4
C -2.252331 0.862475 -2.611472 0.0119

LOG(PIB) 1.089860 0.040848 26.68078 0.0000

Estimemos ahora la ecuacin en primeras diferencias, as tendramos la certeza que los
coeficientes y estadsticos obtenidos son vlidos. La ecuacin que se estima es
y t = 0 + 1 xt + t y los resultados se presentan en el Cuadro 6.3. Evidentemente, el
coeficiente 0.86 ya no se puede interpretar como la elasticidad de largo plazo, en todo caso,
pudiera interpretarse como la respuesta instantnea del consumo al ingreso corriente, o en
otras palabras, una elasticidad de corto plazo.
118
Cuadro 6.3 Resultados de y t = 0 + 1 xt + t
Dependent Variable: DLOG(CONSUMO)
Date: 08/10/06 Time: 13:58
C 0.001761 0.004513 0.390298 0.6980

DLOG(PIB) 0.862270 0.100839 8.550954 0.0000

Cul es la alternativa entonces si se desea conocer la elasticidad de largo plazo obteniendo
resultados confiables? La respuesta es una, y se refiere a instrumentar un anlisis de
cointegracin. El concepto de cointegracin, as como diferentes tcnicas de estimacin, se
presenta detalladamente en el siguiente captulo.
119
Captulo 7: Cointegracin
7.1. Concepto
La implementacin de alguna metodologa de cointegracin es comn en la actualidad, ya
que nos permite identificar relaciones estables de largo plazo entre variables de inters.
Comencemos por definir el concepto. Considera dos procesos estocsticos integrados de
orden 1
yt ~ I (1)
xt ~ I (1)
En general, una combinacin lineal de estas variables se esperara estuviera integrada de
orden 1, esto es
yt 1 xt = t ~ I (1) (7.1)
Sin embargo, en algunas instancias las series y t y xt pueden compartir una tendencia
estocstica comn; de tal forma que la combinacin lineal de las series podra estar
integrada de orden 0, o ser estacionaria, formalmente tendramos:
yt 1 xt = t ~ I (0 ) (7.2)
120
En dado caso, se dice que y t y xt estn cointegradas. El lector familiarizado con el
concepto se habr percatado que la definicin que presentamos de cointegracin no es la
que comnmente se describe en libros de texto, que se refiere a la propiedad que exhiben
series de tiempo de moverse juntas. Esta frase, que originalmente postularan Engle y
Granger (1987), creemos ejemplifica apropiadamente el caso en el que las series se asocian
positivamente, pero podramos afirmar que dos series que exhiben una relacin negativa
se mueven juntas? Pensemos en la relacin entre el consumo y el tipo de cambio real. En la
literatura se ha mostrado que las series presentan una fuerte asociacin negativa y de hecho
10
cointegran. En este caso, es claro que las series no se mueven juntas, ya que un
incremento en el nivel del tipo de cambio real (depreciacin del peso) se asocia con una
cada en el consumo; as que precisamos que el concepto de cointegracin se refiere ms
puntualmente a la propiedad que exhiben series de tiempo de compartir tendencia comn.
A partir de esta caracterizacin, es posible determinar los coeficientes de cointegracin,
que de hecho representan los ponderadotes que hacen posible que la combinacin lineal de
y t y xt sea estacionaria. En nuestro ejemplo, y t 1 xt , ya que estamos normalizando con
respecto a y t (esto es, dividimos los ponderadores por el coeficiente de y t ), los
coeficientes seran 1 y 1 . Ntese que los mismos no son nicos, de hecho cualquier
mltiplo de ellos constituiran coeficientes de cointegracin. Asimismo, es importante
destacar que el signo negativo de los coeficientes normalizados, en efecto indica una
asociacin positiva entre las variables y t y xt , por qu?, por que al escribir la relacin
yt 1 xt = t en forma de ecuacin se tiene yt = 1 xt + t , de tal forma que la variable
10
Ver Castillo (2003) por ejemplo.
121
xt presenta una asociacin positiva con y t . As, el vector de cointegracin en este caso es
(1, 1 ) .
La instrumentacin del ejercicio de cointegracin se puede llevar a cabo bajo diferentes
metodologas. A continuacin se describen algunas de las ms comnmente utilizadas.
7.2. Metodologas de Cointegracin
En la prctica, el anlisis de cointegracin puede al menos cumplir con dos propsitos: el
primero se refiere a identificar la existencia de relaciones estables de largo plazo entre
variables. El segundo va un paso ms adelante y no slo se concreta en identificar la
existencia de una tendencia comn entre las series, sino que pretende determinar el nmero
de relaciones de cointegracin que existe en un sistema. Este ejercicio es particularmente
interesante, por ejemplo, en el anlisis de descomposicin de series de tiempo. A saber, una
serie de tiempo consiste fundamentalmente de un componente tendencial y un componente
cclico. De tal forma que al realizar un ejercicio de cointegracin, lo que se est haciendo
es, visto desde una ptica diferente a la descrita en la seccin anterior, identificar los
componentes tendenciales de las series y determinar si existe un comportamiento comn
entre ellos, pero por qu es importante conocer el nmero de relaciones de cointegracin
en dicho anlisis? Por que en un sistema de n variables, la suma de los componentes
122
tendenciales comunes (r) y componentes cclicos comunes (s), debe cumplir con la
condicin r + s n .11
A partir de esta caracterizacin podemos mencionar otra instancia en la que puede ser
interesante conocer el nmero de vectores de cointegracin, y ste es el caso en el que el
sistema consiste de ms de dos series. Supn que se considera un sistema de tres variables,
entonces es posible que existan hasta 2 vectores de cointegracin, cada uno de los cuales
sera nico. En tal caso, podra ser interesante conocer los dos vectores y comparar la
magnitud de los coeficientes de cointegracin para poder determinar aquellos que pudieran
tener ms sentido de acuerdo a la teora que se est evaluando. sta, por supuesto, es slo
una de un sin nmero de instancias en las cuales sera deseable determinar el nmero de
vectores de cointegracin.
Para cumplir con el primer propsito antes mencionado, simplemente determinar la
existencia de cointegracin, podemos referirnos fundamentalmente a dos metodologas: a)
El mtodo de dos etapas sugerido por Engle y Granger (1987), y b) Modelos de
correccin de error. Para el segundo propsito, determinar el nmero de vectores de
cointegracin, tpicamente se instrumenta la metodologa sugerida por Johansen (1991).
Como se mostrar a continuacin, existen diferencias importantes entre estas metodologas,
sin embargo, queda a la discrecin del investigador determinar aquella que satisfaga
puntualmente los requerimientos de su anlisis.
11
El estudio de tendencias/ciclos comunes es muy amplio y escapa el alcance del presente texto, en el
Captulo 9 presentamos una breve descripcin del mismo pero referimos al lector interesado a revisar
artculos como Vahid y Engle (1991), y para el caso de Mxico, Castillo y Herrera (2005), Herrera (2004), o
Herrera y Castillo (2003).
123
Engle- Granger
Esta metodologa consiste en instrumentar una estimacin bietpica que prueba la idea
fundamental de cointegracin; que una combinacin lineal de series no-estacionarias es en
s misma estacionaria. Para introducir la metodologa a continuacin se ilustra un caso
bivariado.
Considera dos series integradas de orden 1, yt ~ I (1) y xt ~ I (1) . Podemos representar una
ecuacin de regresin entre las mismas como sigue:12
y t = x t + t (7.3)
Donde t representa el trmino de error que suponemos es ruido blanco.
La primera etapa de la metodologa consiste en estimar la ecuacin (7.3) por medio de
MCOs y obtener los errores estimados, t . En la segunda etapa se realiza una prueba de
estacionariedad para t ; si el trmino de error es estacionario, entonces se concluye que y t
y xt se encuentran cointegradas, y la elasticidad de largo plazo de y t con respecto a xt es
el coeficiente . Si por el contrario t resulta no-estacionario entonces se concluye que y t
y xt no comparten una tendencia comn, y por ende los resultados de la primera etapa no
son confiables, en otras palabras, la relacin entre y t y xt es espuria.
12
En este ejemplo no incluimos constante para facilitar la exposicin. Sin embargo notamos que los
resultados que se obtiene aqu se aplican estrictamente al caso en el que la ecuacin incluye una constante.
124
Ntese que la ecuacin (7.3) se puede re-escribir como y t xt = t de tal forma que
t representa una combinacin lineal de y t y xt , as que al estimar t y realizar la prueba
de estacionariedad sobre la serie, se est verificando el concepto mismo de cointegracin,
la existencia de una combinacin lineal de y t y xt que es estacionaria. Cabe destacar que
para realizar la prueba de estacionariedad sobre t los valores crticos no son los que
reportan los programas economtricos comunes, sino los que reportan Phillips y Ouliaris
(1990).
Para ilustrar la instrumentacin de la metodologa, aqu continuamos con nuestro ejemplo
de consumo e ingreso. Siguiendo con el procedimiento anteriormente descrito, en la
primera etapa estimamos la ecuacin yt = 0 + 1 x1 + t por medio de MCOs obteniendo
los resultados que se presentaron en el Cuadro 6.2; y que a aqu se reproducen:
Cuadro 7.1 Resultados de yt = 0 + 1 xt + t

Date: 08/10/06 Time: 13:23
C -2.252331 0.862475 -2.611472 0.0119

LOG(PIB) 1.089860 0.040848 26.68078 0.0000

125
A continuacin creamos la serie de residuales estimados, t , y realizamos la prueba de
estacionariedad de acuerdo a lo sugerido en la segunda etapa. Para darnos una idea del
comportamiento de t , preliminar a llevar a cabo una prueba formal de races unitarias, en
la Grfica 7.1 se presenta una ilustracin de los mismos. Razonablemente, podramos
indicar que la serie de residuales es estacionaria, ya que flucta alrededor de una media
constante, que en este caso es 0.
Grfica 7.1. Serie de Residuales

.10
.05
.00
-.05
-.10
93 94 95 96 97 98 99 00 01 02 03 04 05
Residual
Para verificar nuestra sospecha, llevamos a cabo la prueba DFA obteniendo el estadstico
de prueba, t , y comparndolo con valores crticos de Phillips y Ouliaris (1990). Tomando
un ejemplo, para 50 observaciones los valores crticos proporcionados por los autores son -
4.085 al 1%, -3.438 al 5%, y -3.094 al 10%. Al realizar la prueba DFA sobre los residuales
se obtiene un estadstico de prueba de -5.91, el cual es mayor a cualquiera de los valores
crticos listados. Como se recordar, la hiptesis nula en la prueba DFA es la existencia de
raz unitaria, la cual se rechaza de acuerdo a los resultados obtenidos. As, se puede
126
concluir que t es una serie estacionaria y por tanto las series de consumo e ingreso se
encuentran cointegradas con coeficientes de cointegracin (1, -1). En otras palabras, la
elasticidad de largo plazo del consumo con respecto al ingreso es de 1.
Para el caso multivariado la idea es, en esencia, la anteriormente presentada. La ecuacin a
estimar en la primera etapa para un sistema de n variables sera:
yt = 0 + 1 x1t + 2 x2t + .... + n xnt + t (7.4)
Habiendo estimado la ecuacin por medio de MCOs, se realizara la prueba de
estacionariedad sobre t . Si se encontrara que la serie es estacionaria, las elasticidades de
largo plazo seran los coeficientes i para i = 1.....n (suponiendo que tanto la variable
dependiente como las independientes se expresen en logaritmos).
Ilustramos la estimacin continuando con nuestro ejemplo del consumo, pero ahora
incluimos adicionalmente al PIB el agregado monetario M1 en trminos reales, esto es, M1
nominal ajustado por el ndice Nacional de Precios al Consumidor. 13 Ambas series
provienen de la base de datos de indicadores econmicos y financieros de Banco de
Mxico. Primero verificamos la naturaleza estocstica de M1 real, previa transformacin
logartmica, presentando los resultados de la prueba KPSS en el Cuadro 7.2. La hiptesis
nula de estacionariedad se rechaza para la serie en niveles al 5%, para la serie en primeras
13
M1 real puede considerarse como una medida de riqueza o profundidad del mercado de capitales. Ver
Castillo (2003) para una discusin detallada sobre los argumentos que podran incluirse en una funcin de
consumo.
127
diferencias la misma no se rechaza a ningn nivel de confianza, por lo cual concluimos que
la serie de M1 real es I(1).
Cuadro 7.2. Prueba de Raz Unitaria KPSS

Null Hypothesis: M1/INPCPROM is stationary
Exogenous: Constant
Bandwidth: 48.2 (Andrews using Bartlett kernel)
LM-Stat.

5% level 0.463000
10% level 0.347000
Null Hypothesis: D(M1/INPCPROM) is stationary

Exogenous: Constant
Bandwidth: 4.14 (Andrews using Bartlett kernel)
LM-Stat.

5% level 0.463000
10% level 0.347000
Enseguida estimamos una ecuacin como (7.4) considerando al consumo como variable
dependiente y al PIB y M1 real como explicativas. Los resultados se presentan en el
Cuadro 7.3. El PIB contina presentando una relacin positiva con el consumo pero el
coeficiente es ahora .75, que es menor al coeficiente de 1 que se obtiene al estimar la
ecuacin sin el agregado monetario. Con respecto a M1, se encuentra una relacin positiva
y significativa con una elasticidad de .19.
128
Cuadro 7.3. Resultados de yt = 0 + 1 x1t + 2 x 2t + t
Date: 08/25/06 Time: 13:56
C 1.498250 0.603214 2.483779 0.0165

LOG(PIB) 0.752463 0.055668 13.51688 0.0000
LOG(M1REAL) 0.192878 0.027174 7.097978 0.0000

A continuacin obtenemos la serie de errores estimados y realizamos las pruebas de raz
unitaria sobre ella. Los resultados se presentan en el Cuadro 7.4. El estadstico de prueba de
-3.55 indica el rechazo de la hiptesis nula de no-estacionariedad (no de acuerdo a los
valores crticos que se presentan en el Cuadro, pero a los que corresponden a Phillips y
Ouliaris (1990)), por lo que se puede concluir razonablemente que las series en el sistema
cointegran, con un vector normalizado con respecto al consumo de (1, -.75, -.19).
129
Cuadro 7.4. Prueba de Raz Unitaria ADF para Residuales
Null Hypothesis: RESID02 has a unit root
Exogenous: None
t-Statistic Prob.*

5% level -1.948140
10% level -1.612320
A pesar de que la instrumentacin de la metodologa de Engle y Granger es tcnicamente
amigable, en la actualidad es poco utilizada, principalmente por dos razones: la primera
tiene que ver con un problema de normalizacin, esto es, ntese que las variables endgena
y exgenas se determinan a priori, y el vector de cointegracin se normaliza con respecto a
la variable endgena. El problema es que el vector generalmente cambia cuando se
modifica el orden de las variables; de tal forma que cuando se invierten las variables los
coeficientes de cointegracin no son necesariamente el recproco de los coeficientes que se
obtuvieron originalmente. Esto es, la eleccin de la variable sobre la cual se realiza la
normalizacin es determinante en el resultado de los coeficientes de cointegracin. Para
ilustrar este hecho puntualmente, re-estimemos la ecuacin que slo considera al consumo
e ingreso pero considerando al ingreso como variable endgena y al consumo como la
exgena. Los resultados de la estimacin se presentan en el Cuadro 7.5.
130
Cuadro 7.5. Resultados de xt = 0 + 1 y t + t
Dependent Variable: LOG(PIB)
Date: 08/10/06 Time: 15:17
C 3.316666 0.667056 4.972096 0.0000

LOG(CONSUMO) 0.857332 0.032133 26.68078 0.0000

Ahora los coeficientes de cointegracin son (1,-.86), lo cual no es congruente con lo que se
obtuvo anteriormente. Si entendemos a los coeficientes como ponderadores que permiten
que una combinacin de las variables sea estacionaria, entonces deberamos esperar que al
invertir el orden de las variables de consumo e ingreso, los coeficientes fueran una vez ms
1 y -1.
La segunda razn se refiere al hecho de que por medio de esta estimacin no es posible
determinar la relacin de corto plazo entre las variables, esto es, la ecuacin que se estima
est diseada para determinar relaciones de largo plazo, pero no incluye trminos que
pudieran indicar la dinmica de corto plazo existente en el sistema.14
14
Otro problema potencial con la estimacin simple del procedimiento de dos etapas, es que la distribucin
de los parmetros del vector de cointegracin pudieran no distribuirse normalmente, por lo cual sera
necesario ajustar por esta variacin. Engle y Yoo (1991) proveen una sugerencia para subsanar este posible
131
En la prctica no es trivial atender el problema de normalizacin, por lo que generalmente
lo que procede es realizar pruebas de exogeneidad sobre las variables, y as determinar con
mayor precisin el orden de las mismas en el sistema. Con respecto a la segunda
deficiencia (que de hecho slo es inconveniente cuando se contempla analizar relaciones de
corto plazo) es posible instrumentar un Modelo de Correccin de Error (MCE), que permite
modela explcitamente la dinmica de corto plazo. En seguida se presenta su desarrollo.
Modelo de Correccin de Error
El fundamento terico de un MCE se basa en el argumento que es posible modelar la
dinmica de un sistema en trmino de sus desviaciones de un estado estacionario o de
equilibrio. Esto es, nos imaginamos que en el largo plazo el sistema de variables flucta
alrededor de una tendencia comn que describe su estado de equilibrio, y que slo se
desva temporalmente debido a choques transitorios. Para formalizar la idea consideremos
el siguiente modelo:
yt y t 1 = 1 xt + 2 ( y t 1 y *t 1 ) + t (7.5)
Supongamos que existe un nivel deseado de y t que denotamos y * . En tal caso podemos
interpretar el trmino yt 1 y *t 1 como un desequilibrio rezagado, de tal forma que el
parmetro 2 sera un coeficiente de ajuste, o de correccin de error, de ah el trmino del
modelo. Para que el sistema converja, el coeficiente del trmino de correccin de error
problema, el cual bsicamente consiste en incluir un tercer paso que aproxima la distribucin de los
parmetros a una normal.
132
tendra que exhibir ciertas caractersticas. En particular, 2 deber ser menor a uno en
trminos absolutos (que es en realidad una condicin de estacionariedad, como se discuti
en el anlisis de modelos univariados), negativo (de tal forma que si el sistema se encuentra
por arriba (debajo) de su tendencia de largo plazo, el mismo regrese a su trayectoria de
equilibrio disminuyendo (aumentando) su nivel), y estadsticamente significativo.
Existen varios modelos que hacen referencia a este concepto y que se estiman de diversas
formas. A continuacin se describen dos de los ms frecuentemente utilizados.
a) MCE en dos etapas bajo el espritu de Engle y Granger
Este modelo es similar al propuesto por Engle y Granger en el sentido que requiere de la
implementacin de dos etapas para probar la existencia de cointegracin. Partimos de un
modelo bivariado como sigue:
y t = 0 + 1 xt + t (7.6)
Ntese que podemos seguir pensando en t como una caracterizacin de la relacin lineal
entre y t y xt , esto es
t = y t 0 1 xt
As, reparametrizando la ecuacin en primeras diferencias se tiene
133
y t = 1xt + 2 ( yt 1 0 1 xt 1 ) + t (7.7)
Y el trmino en parntesis representa lo que anteriormente llamamos trmino de
desequilibrio o de correccin de error, siendo en este caso 2 el coeficiente del mismo.
Esta expresin se simplifica como
y t = 0 + 1xt + 2 t 1 + t (7.8)
De tal forma que el parmetro 2 es el coeficiente de ajuste. Otra interpretacin que se le
puede dar a 2 es el de trmino de velocidad de ajuste, ya que representa la magnitud por
la que el sistema regresa a su estado estacionario en cada periodo. As, si por ejemplo 2
presenta una magnitud de .75, esto indicara que el 75% de la desviacin de equilibrio se
recupera en el primer periodo, 75% de la desviacin restante se recupera en el segundo
periodo, y as sucesivamente.
La estimacin del modelo se realiza en dos etapas. En la primera se estima la ecuacin
(7.6) y se obtienen el error estimado, t . En la segunda etapa se estima la ecuacin en
primeras diferencias y t = 0 + 1xt + 2t 1 + t y se evala la existencia de
cointegracin de acuerdo a las caractersticas estadsticas de 2 . Ntese que en la ecuacin
para la segunda etapa las variables en el sistema son estacionarias. En la prctica es comn
134
incluir rezagos de las variables endgenas y exgenas, de tal forma que una especificacin
elaborada sera como la que sigue15:
y t = 0 + 1xt + 2 y t 1 + 3 xt 1 + t 1 + t (7.9)
De tal suerte que la prueba de cointegracin se realizara sobre el coeficiente . Si el
coeficiente resulta con magnitud menor a uno, negativo, y estadsticamente significativo,
entonces se concluira que y t y xt cointegran con coeficientes de cointegracin
normalizados (1, 1 ) y velocidad de ajuste de . Para ilustrar la instrumentacin de esta
metodologa continuamos con el ejemplo de la relacin entre el consumo y el ingreso.16
En la primera etapa estimamos yt = 0 + 1 xt + t por MCOs obteniendo los resultados
que se presentaron en el Cuadro 6.2 y que se replicaron en el Cuadro 7.1. De esta
estimacin construimos la serie de errores estimados y los incluimos en una ecuacin como
(7.9). Los resultados se presentan en el Cuadro 7.6; donde RESID(-1) se refiere a et 1 .
15
Formalmente el nmero de rezagos a incluir en primeras diferencias sera igual al nmero de rezagos
ptimos que se identificaran en el Vector Autorregresivo en Niveles, p, menos 1.
16
Un modelo similar se presenta en Conesa (1998) donde se analiza el nivel de traspaso del tipo de cambio y
los salarios al nivel de inflacin.
135
Cuadro 7.6. Resultados de y t = 0 + 1xt + 2 xt 1 + 2 y t 1 + et 1 + t
Date: 08/14/06 Time: 14:53
C 0.006365 0.003481 1.828230 0.0741

DLOG(PIB) 0.554145 0.100475 5.515242 0.0000
DLOG(PIB(-1)) -0.700525 0.151805 -4.614627 0.0000
DLOG(CONSUMO(-1)) 0.198157 0.117716 1.683343 0.0992
RESIDEG(-1) -0.528011 0.110710 -4.769306 0.0000

Ntese que el coeficiente del trmino de error es igual a -0.53, y cumple con las
condiciones necesarias para identificar cointegracin; menor a uno en trminos absolutos,
negativo, y estadsticamente significativo. As, se prueba que el consumo y el ingreso se
encuentran cointegrados con coeficientes (1,1) .
La velocidad de ajuste en este caso es aceptable, de tal forma que un 53% de la desviacin
de equilibrio se recupera en el primer periodo y as sucesivamente. Se dice que es aceptable
por que si hiciramos el clculo del nmero de periodos que tomara al sistema regresar a
su estado de equilibrio, despus de un choque que lo desviara, sera menor al nmero de
136
observaciones que se incluyen en la estimacin. 17 De tal forma que es importante en la
prctica asegurarse que la velocidad de ajuste estimada es lo suficientemente rpida para
reestablecer equilibrio en el sistema dentro del periodo que se considera en el anlisis. Si
tuviramos por ejemplo una velocidad de ajuste con magnitud 0.05, entonces
necesitaramos un nmero muy amplio de observaciones para que el sistema tuviera tiempo
de regresar a su estado estacionario, ya que slo el 5 por ciento de la desviacin se
recuperara cada periodo.
Cabe mencionar que tanto para el modelo de Engle y Granger como para el MCE es
recomendable realizar las pruebas pertinentes para los residuales; as como las pruebas de
estabilidad de coeficientes. Esta ltima es de particular inters pues despus de todo
estamos estimando relaciones de largo plazo, cmo podemos argumentar que los
coeficientes de cointegracin son de hecho constantes a travs del tiempo? Alguien
familiarizado con la dinmica del consumo y del ingreso en Mxico, por ejemplo, podra
sealar que es poco probable que el vector de cointegracin sea estable debido al cambio
estructural que presentan las series en el periodo 1994-1995, y tendra razn. As que para
verificar la estabilidad de la funcin estimada realizamos las pruebas de estabilidad
recursiva CUSUM y CUSUM cuadrado. Las Grficas 7.2 y 7.3 muestran los resultados.
17
Pregunta para el lector vido de aprender Cuntos periodos se demorara el sistema en regresar a su estado
estacionario siendo que la velocidad de ajuste es .53?
137
Grfica 7.2 Prueba CUSUM
30
20
10
-10
-20
-30
94 95 96 97 98 99 00 01 02 03 04 05
CUSUM 5% Significance
Grfica 7.3 Prueba CUSUM Cuadrado

1.6
1.2
0.8
0.4
0.0
-0.4
94 95 96 97 98 99 00 01 02 03 04 05
CUSUM of Squares
5% Significance
Como se puede observar, la lnea de prueba se mantiene dentro de las bandas de tolerancia
al 5% de significancia, de tal forma que podemos indicar que la funcin es estable. Claro
138
que en la prctica sera recomendable realizar otras pruebas de estabilidad disponibles en
paquetes economtricos. 18
b) MCE a partir de un modelo autorregresivo de rezagos distribuidos
Este modelo es una extensin del concepto de correccin de error. Aqu se parte de una
representacin del sistema como un proceso autorregresivo de rezagos distribuidos (ARD)
y se realizan estimaciones recursivas yendo de lo general a lo particular hasta encontrar una
especificacin aceptable. Formalmente, suponemos que el ARD se representa de la
siguiente forma:
yt = 0 + 1 y t 1 + 0 xt + 1 xt 1 + t (7.10)
Remplazando y t con y t 1 + y t y xt con xt 1 + xt en (7.10) obtenemos
yt 1 + y t = 0 + 1 y t 1 + 0 ( xt 1 + xt ) + 1 xt 1 + t
Resolviendo por y t se tiene
y t = 0 + y t 1 ( 1 1) + 0 xt 1 + 0 xt + 1 xt 1 + t
18
Existen varias pruebas formales y sofisticadas diseadas para determinar la estabilidad de un vector de
cointegracin, referirse por ejemplo a Hansen y Johansen (1992, 1999).
139
Que a su vez se simplifica de sta forma:
y t = 0 + 0 xt (1 1 ) y t 1 + ( 0 + 1 )xt 1 + t (7.11)
Multiplicando y dividiendo (7.11) por (1 ) la ecuacin se puede re-escribir como
0 + 1
y t = 0 xt (1 1 ) y t 1 0 xt 1 + t (7.12)
1 1 1 1
Ntese que en el trmino en corchetes las variables y t y xt se encuentran rezagadas un
0 + 1
periodo, de tal forma que podemos pensar en la expresin yt 1 0 xt 1
1 1 1 1
como el trmino de correccin de error. El modelo en (7.12) se puede estimar por medio de
MCOs, especificando la ecuacin tal y como aparece. Alternativamente, se puede estimar
(7.10) y obtener directamente los estimadores. Pero cmo se calculan las elasticidades de
largo plazo a partir de las estimaciones? Para simplificar el proceso, podemos
reparametrizar las expresiones anteriores y escribirlas en una forma a estimar generalizada
que es aparentemente ms elaborada, pero que en efecto es ms amigable. En niveles sera
una expresin como
y t = 0 + 1* y t 1 + 1 xt 1 + 1 y t 1 + ... + n y t n + 0 xt + 1 x t 1 + ...
(7.13)
+ k x t k + Dt + T + t
140
Y en primera diferencias como
y t = 0 + 1 y t 1 + 1 x t 1 + 1 y t 1 + ... + n y t n + 0 x t + 1 x t 1 + ...
(7.14)
+ k x t k + Dt + T + t
En ambas expresiones se incluyen dos trminos que enriquecen la ecuacin, Dt que es
un vector de variables determinsticas y T que es una tendencia. La estimacin de estas
ecuaciones se hace recursivamente, comenzando por incluir rezagos de las diferencias de
y t y xt , tantas como sea razonable. Comenzamos entonces con un proceso de
depuracin eliminando las variables que no sean significativas. Este proceso contina hasta
encontrar una ecuacin satisfactoria, no slo en trminos de la significancia de los
coeficientes pero en trminos de su eficiencia y estabilidad. Esto es, preferentemente debe
ser una ecuacin que apruebe las pruebas convencionales sobre los residuales, y que sea
estable.
Una vez que se ha estimado una ecuacin satisfactoria (o de hecho conjuntamente) se
determina la existencia de cointegracin, la cual se identifica al analizar el coeficiente de la
variable dependiente en niveles rezagada un periodo, y t 1 , el cual es 1 en nuestro ejemplo
para la ecuacin (7.14). Para el caso de la ecuacin (7.13) 1 se obtiene a partir de 1*
notando que es igual al negativo de 1- 1* . Por ejemplo, si 1* toma el valor de 0.52,
entonces 1 es igual a -0.42.
141
Al igual que en el caso del coeficiente de ajuste en el MCE de dos etapas, la existencia de
cointegracin se determina examinando 1 , que sea menor a 1 en valor absoluto, negativo,
y estadsticamente significativo.19 Para el caso de la ecuacin (7.13) la significancia de 1
se infiere a partir de la significancia de 1* . Aqu hay que puntualizar que Bewley (1979)
mostr que la distribucin de los parmetros en estas estimaciones no es normal, por lo que
se debe realizar una transformacin para determinar la significancia de los estimados.
Aunque no presentamos el detalle de la misma, indicamos que para fines prcticos valores
mayores a 3 en trminos absolutos pueden considerarse aceptables.20 El lector cauteloso
debe preguntarse a este punto por qu es posible calcular 1 a partir de 1* ? simplemente
por que, como se indic en la presentacin formal del modelo, estas expresiones son
simplemente una reparametrizacin la una de la otra, de tal forma que los coeficientes y
elasticidades pueden calcularse en base a operaciones aritmticas simples.
La elasticidad de largo plazo de y t con respecto a xt se obtienen dividiendo el coeficiente
de xt 1 por el valor absoluto de 1 .21 Los coeficientes s representan las elasticidades de
corto plazo de y t con respecto a su historial, y los coeficientes las correspondientes a la
historia de xt .
19
Ntese que a travs de los diferentes modelos que hemos tratado en el texto, incluyendo los modelos
univariados, esta condicin de estabilidad es la misma, lo cual no es una coincidencia, parte del hecho que es
una condicin de convergencia, sin la cual los modelos considerados no tendran sentido.
20
Referimos al lector al artculo original.
21
Seguimos suponiendo que las estimaciones se realizan empleando las transformaciones logartmicas de las
variables.
142
Para ejemplificar la estimacin y convencer al lector de que las reparametrizaciones son, de
hecho, transformacio.nes lineales la una de la otra, y por lo cual es posible calcular los
coeficientes de ajuste aritmticamente, estimamos a continuacin las ecuaciones para el
caso del consumo y el ingreso.
Iniciamos con la estimacin de la siguiente ecuacin:
y t = 0 + 1 y t 1 + 1 x t 1 + 1 y t 1 + 2 y t 2 + 3 y t 3 + 4 y t 4 + 0 x t + 1 x t 1 + 2 x t 2 +
3 x t 3 + 4 x t 4 + t
Donde la variable y t se refiere al consumo y xt al PIB. En esta primera aproximacin se

incluyen hasta 4 rezagos de ambas variables en diferencias; lo cual es estndar en la
prctica. Como se indic en su oportunidad, si la periodicidad de las series es trimestral, se
procura incluir al menos un ao de historia, se fuera mensual, entonces hasta 12 periodos
sera razonable. Los resultados de la estimacin se presentan en el Cuadro 7.7.
143
Cuadro 7.6. Resultados de Ecuacin
Date: 08/16/06 Time: 16:21
C -1.965261 0.552230 -3.558772 0.0011

LOG(CONSUMO(-1)) -0.147276 0.086108 -1.710375 0.0960
LOG(PIB(-1)) 0.237851 0.099033 2.401723 0.0218
DLOG(CONSUMO(-1)) -0.387529 0.166869 -2.322355 0.0262
DLOG(CONSUMO(-2)) -0.600943 0.165819 -3.624087 0.0009
DLOG(CONSUMO(-3)) -0.448619 0.157886 -2.841409 0.0074
DLOG(CONSUMO(-4)) 0.272184 0.154411 1.762730 0.0867
DLOG(PIB) 1.041414 0.097241 10.70959 0.0000
DLOG(PIB(-1)) 0.308814 0.203805 1.515243 0.1387
DLOG(PIB(-2)) 0.635366 0.183469 3.463061 0.0014
DLOG(PIB(-3)) 0.499436 0.181252 2.755469 0.0092
DLOG(PIB(-4)) -0.283572 0.183309 -1.546962 0.1309

Observamos que varios coeficientes resultan no significativos, aun considerando los
valores crticos estndar, tal es el caso del coeficiente de la variable de consumo en niveles
rezagada un periodo, 1 . Proseguimos entonces a eliminar variables que no resultan
significativas y a identificar una ecuacin que sea satisfactoria. Despus de un arduo
proceso de eliminacin se encontr la siguiente ecuacin:
y t 1 = 0 + 1 y t 1 + 1 xt 1 + 2 y t 2 + 0 xt + 1 xt 1 + t (7.15)
144
Los resultados de su estimacin se presentan en el Cuadro 7.8.
Cuadro 7.8. Resultados de y t 1 = 0 + 1 y t 1 + 1 xt 1 + 2 y t 2 + 0 xt + 1 xt 1 + t

Date: 08/16/06 Time: 14:41
C -2.395092 0.631166 -3.794710 0.0005

LOG(CONSUMO(-1)) -0.478852 0.091156 -5.253125 0.0000
LOG(PIB(-1)) 0.584506 0.105545 5.537966 0.0000
DLOG(CONSUMO(-2)) -0.289049 0.084529 -3.419541 0.0014
DLOG(PIB) 0.852203 0.117004 7.283538 0.0000
DLOG(PIB(-1)) -0.516007 0.094571 -5.456307 0.0000

Notamos primero que la totalidad de los coeficientes presentan estadsticos de prueba
mayores a 3 en trminos absolutos, lo cual nos da una aceptable idea de su significancia. El
coeficiente de ajuste, 1 , es significativo, negativo y con un valor menor a la unidad en
valor absoluto; lo cual confirma la existencia de cointegracin. Para calcular la elasticidad
de y t con respecto a xt procedemos como se indic anteriormente, dividimos el
coeficiente de xt 1 por el valor absoluto de 1 , esto es 0.58/0.48 teniendo como resultado
1.2. Con respecto a la dinmica de corto plazo, notamos un resultado interesante, que el
efecto de la diferencia logartmica del PIB rezagado un periodo sobre el consumo es
negativo. Esto, en principio, puede parecer sospechoso, pues es difcil argumentar que el
145
efecto del PIB sobre el consumo sea negativo (este mismo efecto se observa para el
coeficiente del logaritmo del consumo rezagado dos periodos), sin embargo es importante
destacar que la interpretacin de los trminos de corto plazo no es convencional, ya que
representan cambios transitorios. De tal forma que puede ser el caso que un choque
transitorio al PIB con un rezago de dos periodos pudiera tener un efecto negativo en el
consumo contemporneo. El resto de los estadsticos de importancia como lo son la r 2 ,
DW, y estadstica F parecen aceptables.
Con el propsito de verificar la robustez de la ecuacin a continuacin se presenta una
batera estndar de pruebas de residuales y estabilidad.
Cuadro 7.9. Pruebas sobre Residuales

Breusch-Godfrey Serial Correlation LM Test:
F-statistic 2.705514 Prob. F(4,39) 0.044158

Obs*R-squared 10.64349 Prob. Chi-Square(4) 0.030877
ARCH Test:

White Heteroskedasticity Test:

146
Grfica 7.4 Prueba CUSUM
20
10
-10
-20
95 96 97 98 99 00 01 02 03 04 05
Grfica 7.5 Prueba CUSUM Cuadrado

1.6
1.2
0.8
0.4
0.0
-0.4
95 96 97 98 99 00 01 02 03 04 05
CUSUM of Squares
5% Significance
En general se obtienen resultados aceptables, con excepcin de la presencia de cierta
evidencia de un problema de correlacin. Podemos entonces estar satisfechos con esta
ecuacin? En realidad no, pues ntese que la elasticidad del consumo con respecto al PIB
es mayor a 1, que no es acorde a lo que la teora econmica sugiere. En tal caso se podra
proseguir en dos vertientes, una consistira en continuar buscando una especificacin
147
aceptable que produzca una elasticidad del consumo con respecto al PIB acorde con lo
esperado, o alternativamente podramos complementar la funcin de consumo con
variables adicionales que pudieran ser parte de la misma. En el Cuadro 7.10 presentamos
una estimacin que incluye adicionalmente al PIB, el tipo de cambio real (tcr) y dos series
binarias que controlan por estacionalidad en el primer y cuarto trimestre del ao, @seas(1)
y @seas(4) respectivamente.22 Asimismo, ampliamos el periodo de estimacin a 1986. En
el Cuadro 7.11 se muestran las pruebas de residuales y en las Grficas 7.6 y 7.7 las pruebas
de estabilidad CUSUM y CUSUM cuadrado respectivamente.
Como puede apreciarse, no ecuacin no presenta problemas de autocorrealcin o ARCH
para 2 rezagos; la prueba de heteroscedasticidad sugiere la necesidad de estimar la ecuacin
ajustando los errores estndar; y de hecho los resultados que aparecen en el Cuadro ya
reflejas este ajuste. Las ilustraciones de estabilidad sugieren que la especificacin es
robusta, aunque para la prueba CUSUM cuadrado parece que la lnea de prueba toca la
banda de confianza alrededor del ao 2001.
22
Cabe sealar que en este ejercicio las variables que controlan por estacionalidad no son centradas, esto es,
la suma de sus valores para cada ao no es 0. En este caso simplemente tomamos las variables que asignan el
valor de 1 para el trimestre de inters y 0 para cualquier otro trimestre. En la prctica, se recomienda emplear
variables centradas. Para nuestro ejemplo, la variable que corresponde al primer trimestre del ao tendra que
tomar el valor de .75 en ese trimestre y de -.25 en cada uno de los tres trimestres restantes; de tal forma que la
suma de esos valores para el ao sera 0.
148
Cuadro 7.10. Resultados de Regresin
Date: 11/12/07 Time: 19:36
Sample: 1986Q1 2005Q4
White Heteroskedasticity-Consistent Standard Errors & Covariance
C 0.366203 0.279919 1.308246 0.1950

LOG(CONSUMO(-1)) -0.304615 0.066418 -4.586349 0.0000
LOG(PIB(-1)) 0.285756 0.063182 4.522784 0.0000
LOG(TCR(-1)) -0.057758 0.018883 -3.058790 0.0031
DLOG(PIB) 0.620099 0.077767 7.973854 0.0000
DLOG(CONSUMO(-3)) -0.238446 0.071154 -3.351131 0.0013
@SEAS(1) -0.064216 0.005687 -11.29238 0.0000
@SEAS(4) -0.046154 0.008815 -5.236016 0.0000

Cuadro 7.11. Pruebas sobre Residuales

Breusch-Godfrey Serial Correlation LM Test:

ARCH Test:

White Heteroskedasticity Test:

149
Grfica 7.6. Prueba CUSUM
30
20
10
-10
-20
-30
88 90 92 94 96 98 00 02 04
Grfica 7.7. Prueba CUSUM

1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
88 90 92 94 96 98 00 02 04
CUSUM of Squares
5% Significance
Ahora regresamos al objetivo de mostrar que las re-parametrizaciones de la ecuacin de
correccin de error son equivalentes. Con tal fin. se estima la ecuacin (7.15) pero
considerando la variable dependiente en niveles, en lugar de la variable en primera
diferencia. La forma funcional especfica es la siguiente:
150
yt 1 = 0 + 1 y t 1 + 1 xt 1 + 2 y t 2 + 0 xt + 1 xt 1 + t (7.16)
Los resultados se presentan en el Cuadro 7.12.
Cuadro 7.12. Resultados de yt 1 = 0 + 1 y t 1 + 1 xt 1 + 2 y t 2 + 0 xt + 1 xt 1 + t

Date: 08/16/06 Time: 17:49
C -2.395092 0.631166 -3.794710 0.0005

LOG(CONSUMO(-1)) 0.521148 0.091156 5.717123 0.0000
LOG(PIB(-1)) 0.584506 0.105545 5.537966 0.0000
DLOG(CONSUMO(-2)) -0.289049 0.084529 -3.419541 0.0014
DLOG(PIB) 0.852203 0.117004 7.283538 0.0000
DLOG(PIB(-1)) -0.516007 0.094571 -5.456307 0.0000

Destacamos que la nica diferencia con respecto a la estimacin de la ecuacin (7.15) es el
coeficiente de y t 1 , que en el Cuadro 7.7 es -0.48 y aqu es 0.52, que es simplemente igual
a 1 - 0.48. En otras palabras, para obtener 1 de esta estimacin slo tendramos que
calcular el negativo de 1-0.52, que es precisamente -0.48. De tal forma que para estimar la
elasticidad del consumo con respecto al ingreso en este caso, se procedera de igual forma
que se hizo en la estimacin anterior, se divide el coeficiente de xt 1 por el valor absoluto
151
de 1 , y se obtiene 1.2. Las pruebas sobre los residuales y de estabilidad para esta
estimacin producen resultados idnticos a los que se presentaron anteriormente.
Comparando esta metodologa con el modelo de correccin de error en dos etapas,
argumentamos que puede considerarse ms rico al permitir la libertad de incluir en una sola
estimacin las dinmicas de largo y de corto plazo, de tal forma que no es necesario
instrumentar dos etapas para identificar la existencia de cointegracin. sta, por supuesto,
es una ventaja aun ms clara con respecto a la metodologa de Engle y Granger, que no
contempla trminos de corto plazo. Sin embargo, el problema de la normalizacin sigue
presente, ya que al cambiar el orden de las variables el vector de cointegracin se modifica.
Asimismo, al igual que las metodologas anteriores, el MCE derivado del proceso
autorregresivo no permite identificar el nmero de vectores de cointegracin, esto es,
sabemos que las series comparten tendencia comn, pero no sabemos cuntas. Aunque en
este caso, dado que el sistema consiste de dos variables, slo puede haber un vector,23 en un
sistema de tres o ms variables resulta indispensable identificar el nmero de vectores de
cointegracin. En el capitulo siguiente se presenta la metodologa de Johansen, que
contempla la posibilidad de determinar el nmero de relaciones estables de largo plazo
presentes en un sistema; y la libertad de normalizar la matriz de coeficientes de
cointegracin con respecto a cualquier variable.
23
Como se mostrar en el sigueinte captulo, el nmero mximo de vectores de cointegracin que se pueden
identificar en un sistema de n variables es n-1.
152
Captulo 8: Introduccin al Anlisis de VARs y la Metodologa de Cointegracin de
Johansen.
En captulos anteriores modelamos la interaccin entre series de tiempo suponiendo que no
existen efectos de retroalimentacin entre las variables. En este captulo ampliamos nuestro
entendimiento de la relacin entre series de tiempo permitiendo la posibilidad que exista
retroalimentacin a partir de choques idiosincrticos. Esta dinmica se captura por medio
de un vector autorregresivo (VAR) que es fundamentalmente una generalizacin del
anlisis de procesos autorregresivos, en el cual, en lugar de considera una sola variable, se
considera un vector de variables. A partir de la especificacin VAR, podremos derivar la
metodologa planteada en Johansen (1991) para identificar la existencia de cointegracin.
En el captulo siguiente describimos algunas aplicaciones del anlisis VAR.
8. 1. Fundamentos
Un VAR es un sistema de dos o ms series de tiempo que se modela considerando rezagos
de las variables y la interaccin dinmica que pudiera existir entre ellas. Consiste
fundamentalmente de dos dimensiones, el nmero de variables (k) y el nmero de rezagos
(p). Ilustremos un VAR de 3 variables y 1 rezago:
y1t 1 11.1 12.1 13.1 y1t 1 1t

y 2t = 2 + 21.1 22.1 23.1 y 2t 1 + 2t (8.1)
y 3t 3 31.1 32.1 33.1 y 3t 1 3t
En general, un VAR de k variables y p rezagos se define de la siguiente manera:
153
yt = + 1 y t 1 + 2 y t 2 + ... + p y t p + t (8.2)
Donde
' = (1 , 2 ,... k )
yt' = ( y1t , y 2t ,... y kt )
t' = ( it , 2t ,... kt )
11. p . . 1k . p
. . .
p =
. . .
k 1. p . . kk . p
Al igual que en el anlisis de procesos autorregresivos que se llev a cabo en el Captulo 1,
aqu es importante determinar las propiedades estocsticas del sistema, esto es, identificar
la estacionariedad o estabilidad del VAR.
Para ilustrar el concepto de estacionariedad consideremos un VAR de 2 variables y 1
rezago que representamos de la siguiente forma:
y t = 1 y t 1 + t (8.3)
154
O ms explcitamente
y1t 11.1 12.1 y1t 1

= + 1t (8.4)
y 2t 21.1 22.1 y 2t 1 2t
La condicin necesaria y suficiente para la estabilidad del VAR es que todos los valores
caractersticos (eigenvalues) de 1 tengan mdulos menores a 1; los cuales de hecho son
las races de la matriz 1 en (8.3). Notamos que stas se pueden obtener resolviendo la
ecuacin del polinomio caracterstico
1 vI = 0 (8.5)
o bien I 1 = 0
Que es el inverso del polinomio. Aqu hay que precisar que la condicin de estabilidad que
se refiere al valor de los eigenvalues considera la ecuacin 1 vI = 0 , en el caso de la
expresin I 1 = 0 la condicin se traduce a que ninguno de los eigenvalues tenga
mdulo menor a 1. Presentemos un ejemplo con nmeros para aclarar la idea.
Suponemos que la matriz 1 est dada por
.313 .250
1 =
.125 .313
155
Aplicando la expresin (8.5) tenemos
.313 .250 v 0 .313v .250

1 vI = = = v 2 .626v + .067 (8.6)
.125 .313 0 v .125 .313v
Resolviendo por las races del polinomio se obtiene v1 = .488 y v 2 = .137 las cuales son
ambas menores a 1, lo cual indica que el VAR es estable, en otras palabras, todos sus
eigenvalues son menores a 1. Podemos traducir este resultado de acuerdo al anlisis que se
realiz en el captulo referente a races unitarias, en este caso, dado que ningn eigenvalue
es igual a 1, entonces el VAR no presenta raz unitaria y es estacionario (cuando los
eigenvalues son mayores a 1 entonces el proceso es explosivo). Un VAR que presenta esta
caracterstica de estabilidad podra ser estimado en niveles, y los resultados seran
confiables. Sin embargo, si se encontrara que no todos los eigenvalues son menores a 1 y
en particular que fuera alguno igual a 1, entonces se deducira que el VAR presenta raz
unitaria y por lo tanto es inestable o no-estacionario.
En el caso en el que se encuentre que el VAR es inestable, es posible proceder en dos
sentidos; el primero consiste en estimar el VAR con series estacionarias; esto es, se tendra
que diferenciar las series que son no-estacionarias de tal forma que se obtuvieran series
estacionarias y estimar el VAR en primeras diferencias. Este escenario, como se indic en
el Captulo 6, no es muy atractivo pues se perdera informacin importante sobre la
dinmica de largo plazo.
156
La segunda posibilidad consiste en identificar la existencia de cointegracin entre las
series, tal y como se llev a cabo en los modelos multivariados anteriormente presentados.
En este caso la posibilidad de identificar relaciones de cointegracin en el VAR sigue el
argumento presentado en Engle y Granger (1987), que muestra que cuando una
combinacin lineal de variables I(1) puede representarse como una combinacin lineal que
es en s misma I(0), entonces ese conjunto de variables puede representarse por medio de
un modelo de correccin de error. Este argumento, en trminos generales, es conocido
como el teorema de representacin de Granger. Formalmente, la representacin de
correccin de error sigue la siguiente caracterizacin:
y t = z t 1 + 1 y t 1 + ... + p 1 y t ( p 1) + (L ) t (8.7)
Done z t 1 = 'y t 1 representa los r vectores de cointegracin. Ntese aqu un detalle
importante, el nmero de rezagos del VAR representado como correccin de error o VEC
por sus siglas en ingls (Vector Error Correction Model) contiene p-1 rezagos, que es un
rezago menos que el nmero de rezagos ptimos para el VAR. Esta observacin es
particularmente importante en la aplicacin prctica del VEC, ya que incluir p rezagos en
lugar de p-1 producira resultados no confiables. A partir de esta representacin VEC se
deriva la prueba de cointegracin de Johansen; que se describe a continuacin.
157
8.2. Metodologa de Johansen
La metodologa de Johansen se basa fundamentalmente en el anlisis de un VEC.
Tomemos el siguiente modelo
y t = y t 1 + t (8.8)
Donde = 1 I
Destacamos que en la discusin de la seccin anterior, el anlisis se realiz sobre la matriz
1 , que es la matriz de coeficientes del VAR; aqu la matriz relevante es . Comencemos
por suponer que encontramos una raz unitaria en el VAR de inters de tal forma que uno
de los eigenvalues de 1 es igual a 1. Esto implicara que el rango de es reducido, esto
es, en una matriz de dimensin kxk existen slo n renglones o columnas independientes,
siendo n < k. Cuando el rango de la matriz es reducido, entonces sabemos que existe
una combinacin lineal de las variables en el sistema que es estacionaria, en otras palabras,
existe al menos un vector de cointegracin. As, la identificacin de la existencia de
cointegracin se reduce a determinar el rango de la matriz , y en particular si el rango es
reducido. Dicha tarea se pude realizar empleando al menos 2 criterios: uno se refiere a
identificar los eigenvalues de , ya que el nmero de eigenvalues distintos a 0 es en s su
rango. Alternativamente, se puede determinar que el rango de es reducido si su
determinante es igual a 0. Ilustramos esta idea con un ejemplo:24
24
Aqu se presentan slo las generalidades de las propiedades de y 1 , para una discusin detallada al
respecto se puede consultar Patterson (2000) por ejemplo.
158
Supn que tenemos un VAR como sigue:
yt = 1 yt 1 + t
.250 .031
Donde 1 =
.250 .469
Calculando las races de 1 vI = 0 se obtiene que una de ellas es igual a 1, de tal forma
que existe una raz unitaria.25 Escribamos ahora el sistema en forma de correccin de error:
y t = y t 1 + t
.750 .031
Donde = ya que = 1 I .
.250 .531
Calculando los eigenvalues de se obtiene que uno de ellos es igual a 0. De tal forma que
el rango de es reducido y por lo tanto existe al menos una relacin de cointegracin, que
de hecho en este caso debe ser slo 1 vector de cointegracin, ya que el sistema consiste de
2 variables.
Las opciones entonces con respecto a identificar cointegracin en base al rango de se
pueden resumir como sigue:
25
Dejamos al lector la tarea de verificar este resultado.
159
Rango de cointegracin Interpretacin
r=n La matriz tienen rango completo, el VAR es estacionario
en niveles.
1 r n 1 La matriz tienen rango reducido, existen r relaciones de
cointegracin.
r=0 Implica que = 0 . No existen relaciones de cointegracin y el VAR
debe ser estimado en primeras diferencias.
Supongamos ahora que la matriz tiene rango reducido, la pregunta ahora es cuntos
vectores de cointegracin existen? La respuesta a esta interrogante es clara, el nmero de
vectores de cointegracin est dado por el nmero de eigenvalues de la matriz diferentes
a cero. De tal forma que si consideramos un sistema de n variables, el nmero mximo de
vectores de cointegracin puede ser n-1 (ya que implcitamente el rango de es
reducido). As, si por ejemplo el sistema cuenta con dos variables, r el nmero de
vectores de cointegracin puede ser a lo ms 1.
Johansen (1991) deriva estadsticos de prueba para determinar el nmero de vectores de
cointegracin. Los estadsticos que proporciona Johansen son los siguientes:
a) Estadstico de traza
n
Traza (r0 | k ) = T ln (1 i )
i = r0 +1
160
Donde i son los eigenvalues estimados, los cuales se ordenan
como 1 > 2 > ..... > n . r0 se encuentra en el rango [0, n 1] .
b) Estadstico del mximo eigenvalue
max (n 1) = T ln (1 n )
En la instrumentacin prctica de la prueba de Johansen, la prueba de hiptesis es
secuencial, comenzando por probar la existencia de al menos un vector de cointegracin
hasta la posible existencia de n-1 vectores.
Una vez que se determina que existe cointegracin en las variables, entonces se procede a
identificar los coeficientes de cointegracin. Regresemos a la representacin VEC de
nuestro sistema:
y t = y t 1 + t
Partiendo de la especificacin de correccin de error de la ecuacin (8.7) notamos que
= 'por lo cual el VEC se puede re-escribir como
y t = 'y t 1 + t (8.8)
161
A partir de esta expresin podemos identificar dos componentes importantes, la matriz de
coeficientes de ajuste, , y la matriz de coeficientes de equilibrio o cointegracin, .
Aqu es importante destacar que cada una de las columnas de potencialmente representa
un vector de cointegracin; por lo cual es posible determinar el vector de cointegracin
relevante tomando cualquiera de sus columnas y normalizando con respecto a cualquiera de
los coeficientes.26
El lector atento habr notado que en este ltimo prrafo se menciona una de las ventajas de
la metodologa de Johansen sobre las metodologas estudiadas en el captulo anterior, y se
refiere a tener la libertad de normalizar el vector de cointegracin con respecto a la variable
que sea de inters, sin tener que preocuparse por la posibilidad de que los coeficientes
cambien al modificar el ordenamiento de las variables. As, concluimos la descripcin de
esta metodologa sealando que queda a la discrecin del lector emplear aquella que
satisfaga ms puntualmente sus requerimientos de investigacin.
8.3. Ejercicio Prctico: Funcin de Consumo
Ahora ilustramos la estimacin de la metodologa de Johansen; seguimos con nuestras
variables de inters: el consumo y el ingreso. El primer paso consiste en determinar el
nmero de rezagos ptimos para el VAR, al que anteriormente nos referimos como p. Esto
lo hacemos estimando un VAR en niveles y refirindonos a los criterios de informacin
26
Destacamos que en algunos paquetes economtricos, como en EViews, la hoja de resultados reporta '
por lo cual las filas, y no las columnas, se refieren a los vectores de cointegracin.
162
estndar. Considerando el logaritmo del consumo y el del ingreso, en el VAR se incluyen
hasta 8 rezagos y se obtienen los resultados que se presentan en el Cuadro 8.1.
Cuadro 8.1 Prueba de Exclusin de Rezagos

VAR Lag Order Selection Criteria
Endogenous variables: LOG(CONSUMO) LOG(PIB)
Exogenous variables: C
Date: 08/15/06 Time: 18:43
Sample: 1993Q1 2005Q4
Lag LogL LR FPE AIC SC HQ
0 124.2860 NA 1.32e-05 -5.558454 -5.477355 -5.528379

1 172.9184 90.63315 1.74e-06 -7.587201 -7.343902 -7.496974
2 201.3092 50.32918 5.75e-07 -8.695874 -8.290377 -8.545496
3 231.9574 51.54459 1.72e-07 -9.907153 -9.339456 -9.696624
4 258.5401 42.29067 6.19e-08 -10.93364 -10.20374* -10.66296
5 259.9251 2.077578 7.04e-08 -10.81478 -9.922684 -10.48395
6 268.3018 11.80352 5.86e-08 -11.01372 -9.959425 -10.62274
7 271.9435 4.800429 6.08e-08 -10.99743 -9.780940 -10.54630
8 284.6019 15.53529* 4.21e-08* -11.39100* -10.01230 -10.87971*
* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
163
De acuerdo a estos, el nmero de rezagos ptimos en niveles puede ser 4 u 8, de tal forma
que para estimar el VEC, los nmeros a considerar, p-1, seran 3 o 7, para nuestros
propsitos escogemos 3 rezagos.27
Enseguida se realiza la prueba de cointegracin, para la cual en el paquete economtrico
EViews se puede escoger entre 5 opciones. Aqu instrumentamos la que se refiere a incluir
una tendencia determinstica; los resultados de la prueba se reportan en el Cuadro 8.2.28
Ntese que bajo ambos estadsticos de prueba, el de la traza y el del mximo eigenvalue, se
identifica la existencia de un vector de cointegracin. En particular, para el caso de la
prueba de la traza, la probabilidad sobre la hiptesis nula de la existencia de ninguna
relacin de cointegracin es 0, lo cual indica el rechazo de la misma, esto es, existe al
menos un vector de cointegracin.29 Enseguida se reporta para la hiptesis nula de a lo
ms un vector de cointegracin una probabilidad de .20 que sugiere el no rechazo de la
hiptesis; de tal forma que se concluye que existe un vector de cointegracin.
27
En la prctica seleccionar el nmero de rezagos con los que se inicia la prueba (en nuestro ejemplo 8), se
realiza en base a la intuicin del investigador. Es estndar, por ejemplo, comenzar con 12 rezagos cuando se
trata de datos con frecuencia mensual, y con 4 rezagos cuando se trata de observaciones trimestrales.
28
Recomendamos referirse a la explicacin tcnica en EViews para identificar claramente las diferencias que
existen entre las opciones que se ofrecen para realizar la prueba de cointegracin. En el fondo, cabe recordar
que el ejercicio de cointegracin, as como cualquier ejercicio que modele series de tiempo, tiene como fin
ltimo identificar la dinmica que gener la o las series con las que se trabaja, por lo cual la especificacin
que se escoja debe ser una aproximacin razonable al comportamiento que exhiben las variables.
29
Aqu la probabilidad se refiere al comnmente conocido p-value que es estndar en pruebas de hiptesis.
164
Cuadro 8.2. Resultados de Prueba de Johansen
Date: 08/15/06 Time: 18:47
Trend assumption: Linear deterministic trend (restricted)
Series: LOG(CONSUMO) LOG(PIB)
Lags interval (in first differences): 1 to 3
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.586137 51.02668 25.87211 0.0000

At most 1 0.165428 8.680120 12.51798 0.2010
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05

None * 0.586137 42.34656 19.38704 0.0000

At most 1 0.165428 8.680120 12.51798 0.2010
Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level

Unrestricted Cointegrating Coefficients (normalized by b'

*S11*b=I):
LOG(CONSUMO) LOG(PIB) @TREND(80Q2)

1.702062 -31.98589 0.174833
36.28156 -25.80340 -0.136977
165
Una vez identificada la existencia de cointegracin, se procede a determinar el vector de
coeficientes, lo cual se lleva a cabo a partir de la matriz '(como se indic anteriormente,
el programa reporta ' y no ). En este caso tenemos que 'es igual a
Cuadro 8.3. Matriz '

LOG(CONSUMO) LOG(PIB)
1.702062 -31.98589
36.28156 -25.80340
Ya que la normalizacin se puede realizar con respecto a cualquier coeficiente para cada
fila en la matriz, aqu escogemos los valores 36.28156 y -25.80340. Normalizando con
respecto al consumo, esto es, dividiendo los coeficientes por 36.28156, obtenemos el vector
de cointegracin (1, -.71), que indica una relacin positiva entre el consumo y el ingreso y
con una elasticidad de largo plazo de .71 (como se indic en el Captulo 8, la relacin
cualitativa que existe entre las variables es la opuesta al signo del coeficiente normalizado).
Podramos haber construido el vector considerando la primera fila, sin embargo la
elasticidad de largo plazo no sera congruente con la teora. A continuacin estimamos un
sistema de tres variables, con el propsito de ilustrar un caso en el que puede encontrarse
ms de un vector de cointegracin.
Nuestro sistema ahora incluye al agregado monetario M1 real como variable adicional en la
funcin de consumo. Comenzamos por determinar el nmero de rezagos ptimos a partir
del VAR en niveles. Los resultados del ejercicio de exclusin de rezagos se presentan en el
Cuadro 8.4
166
Cuadro 8.4. Prueba de Exclusin de Rezagos
Endogenous variables: LOG(CONSUMO) LOG(PIB) LOG(M1REAL)
Date: 08/27/06 Time: 21:33
Sample: 1993Q1 2005Q4
0 179.3545 NA 6.63e-08 -8.016112 -7.894462 -7.970998

1 254.5789 136.7717 3.27e-09 -11.02631 -10.53972 -10.84586
2 301.9868 79.73149 5.74e-10 -12.77213 -11.92058 -12.45633
3 325.3834 36.15838 3.03e-10 -13.42652 -12.21003 -12.97538
4 356.8365 44.32024 1.13e-10 -14.44711 -12.86567* -13.86064
5 363.0471 7.904389 1.35e-10 -14.32032 -12.37393 -13.59851
6 380.7924 20.16508 9.77e-11 -14.71783 -12.40650 -13.86068
7 384.9762 4.183801 1.36e-10 -14.49892 -11.82263 -13.50642
8 414.6663 25.64148* 6.27e-11* -15.43938* -12.39814 -14.31154*

De acuerdo a estos el nmero de rezagos ptimos para el VEC es de 3 o 7. Consideramos 3
para nuestro ejercicio y realizamos la prueba de cointegracin. Reportamos los resultados
en el Cuadro 8.5.
167
Cuadro 8.5. Resultados de Prueba de Johansen
Date: 08/27/06 Time: 21:37
Trend assumption: Linear deterministic trend (restricted)
Series: LOG(CONSUMO) LOG(PIB) LOG(M1REAL)
Lags interval (in first differences): 1 to 3
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05

None * 0.505035 65.05000 42.91525 0.0001

At most 1 * 0.336301 31.29310 25.87211 0.0096
At most 2 0.214954 11.61665 12.51798 0.0704
Trace test indicates 2 cointegrating eqn(s) at the 0.05 level

Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05

None * 0.505035 33.75690 25.82321 0.0037

At most 1 * 0.336301 19.67645 19.38704 0.0454
At most 2 0.214954 11.61665 12.51798 0.0704
Max-eigenvalue test indicates 2 cointegrating eqn(s) at the 0.05 level

Unrestricted Cointegrating Coefficients (normalized by b'

*S11*b=I):
LOG(CONSUMO) LOG(PIB) LOG(M1REAL) @TREND(80Q2)

-1.173952 38.60550 -0.291573 -0.221358
100.1587 -79.59472 -22.14119 0.081246
59.33312 -41.59916 -5.025612 -0.146434
168
Tanto el estadstico de traza como el estadstico de mximo eigenvalue indican la
existencia de dos vectores de cointegracin. Para el caso del estadstico de traza, notamos
que la hiptesis nula de ningn vector de cointegracin se rechaza a niveles
convencionales. Asimismo, rechazamos la hiptesis de a lo ms un vector de
cointegracin, mientras que la hiptesis de a lo ms dos vectores de conitegracin no se
rechaza a un nivel de confianza de 95%. De acuerdo a estos resultados concluimos
entonces que existen dos vectores de cointegracin; lo cual tiene sentido ya que el sistema
consiste de tres variables. 30 Los posibles vectores de cointegracin se aprecian en el
Cuadro 8.6
Cuadro 8.6. Matriz '
LOG(CONSUMO) LOG(PIB) LOG(M1REAL)

-1.173952 38.60550 -0.291573
100.1587 -79.59472 -22.14119
59.33312 -41.59916 -5.025612
Normalizando con respecto a los coeficientes de consumo, podramos tomar la segunda o la
tercera fila para determinar el vector de cointegracin, ya que stas producen resultados en
lnea con la teora. En particular, para la segunda fila obtenemos (1, -.79, -.22) y con
respecto a la tercera fila (1, -.70, -.08); que si tuviramos que escoger entre estos dos nos
30
Aquellos lectores que hayan realizado este anlisis en EViews, reconocern que en algunas ocasiones la
prueba seala que el nmero de vectores de cointegracin es igual al nmero de variables en el sistema, esto
es r=n, lo cual no tienen sentido pues la existencia de cointegracin se acota a que la matriz exhiba rango
reducido. Una posible causa de este resultado contradictorio se debe a que se incluyen variables exgenas en
el sistema, por lo cual los estadsticos de prueba pueden ser no confiables. En todo caso, cuando la prueba
indica que r=n se debe re-especificar el sistema pues el resultado carece de sentido.
169
inclinaramos por el primero, ya que una elasticidad del consumo con respecto al PIB de
.79 es ms cercana a lo que se encuentra en la literatura que la elasticidad de .70.31
Notamos finalmente que en el cuadro de salida de EViews se reporta en este caso, primero
un vector de cointegracin normalizado que generalmente se calcula en base a la primera
fila, y enseguida un segundo vector de cointegracin normalizado, que de hecho asigna el
valor de 0 a alguno de los coeficientes. La asignacin de 0 es necesaria para identificar los
posibles vectores en el sistema, pero de hecho podra no hacerse esta simplificacin y
obtener directamente el vector deseado de la matriz , como lo hicimos en nuestros
ejercicios.32
Formalmente, la identificacin del vector de cointegracin concluye el anlisis de
Johansen, notando que aqu slo incluimos la discusin de los resultados que reporta
EViews hasta la matriz '. El lector notar al realizar su prueba que tambin se reporta la
matriz que corresponde a , que contiene los coeficientes de ajuste. En general, paquetes
economtricos como GAUSS y RATS (con su complemento CATS) reportan similares
resultados, aunque estos paquetes permiten realizar ejercicios relativamente ms
sofisticados a los disponibles en EViews.
El lector interesado se preguntar por qu el vector de cointegracin que se obtuvo al
instrumentar las metodologas de Engle y Granger y de correccin de error no es similar al
que se obtuvo en este ejercicio? La respuesta es simple, por que las especificaciones son
31
Ver Castillo (2003) o Villagomez (1997), por ejemplo.
32
Para una discusin detallada sobre la restriccin de 0 en alguna de las variables del sistema en caso de que
se encuentre ms de un vector de cointegracin se puede consultar Patterson (2000).
170
diferentes. En este caso la ecuacin incluye una tendencia y el periodo de estimacin est
ajustado para incluir slo 48 observaciones. Podramos, sin embargo, tratar de aproximar
los resultados estimando una ecuacin en la primera etapa de los modelos de Engle y
Granger, y correccin de error, similar a la que estimamos aqu. Con tal fin, consideramos
ahora una ecuacin que incluye una tendencia para periodos muestrales iguales. Los
resultados de su estimacin presentan en el Cuadro 8.7. El vector normalizado sera (1, -
.89), que se asemeja un poco ms a lo que se obtuvo con la metodologa de Johansen pero
no es idntico.
Cuadro 8.7. Resultados de yt = 0 + 1 xt + 2T + t

Date: 08/15/06 Time: 19:01
Sample: 1994Q1 2005Q4
C 1.592634 2.538987 0.627272 0.5337

LOG(PIB) 0.899846 0.123831 7.266720 0.0000
@TREND 0.002091 0.001033 2.024051 0.0489

Esta diferencia en los resultados que se obtienen a partir de la estimacin de diferentes
metodologas es comn en la prctica, y es aqu cuando el investigador debe hacer uso de
su criterio para determinar los resultados que van ms de acuerdo con la teora. Por
ejemplo, en este caso es evidente que la ecuacin anterior exhibe un problema de
171
autocorrelacin, de tal forma que pudiera ser ms eficiente estimar una especificacin que
atiende este problema. En el Cuadro 8.8 se presentan los resultados para una ecuacin que
incluye al consumo rezagado dos periodos y una variable estacional para el primer
trimestre; pero que ya no considera la tendencia. Ahora la elasticidad de largo plazo del
consumo con respecto al PIB es similar a la que se obtuvieron con la metodologa de
Johansen. Asimismo, ya no existe un problema tan grave de autocorrelacin. Dados estos
resultados, subrayamos que el ejercicio de cointegracin requiere no slo de conocer la
mecnica para estimar modelos, sino que es fundamental que se encuentren resultados
consistentes con la teora que sustenta el ejercicio economtrico.
Cuadro 8.7. Resultados de yt = 0 + 1 xt + 2T + t

Date: 11/12/07 Time: 20:23
Sample: 1994Q1 2005Q4
C -1.829693 0.458249 -3.992789 0.0002

LOG(PIB) 0.771578 0.085732 8.999912 0.0000
LOG(CONSUMO(-2)) 0.341666 0.077082 4.432508 0.0001
@SEAS(1) -0.040609 0.008507 -4.773425 0.0000

Con este ejemplo concluimos nuestra presentacin del anlisis de cointegracin, sugerimos
al lector interesado revisar las referencias citadas a travs de la discusin para profundizar
en el aspecto terico.
172
Captulo 9: Temas Selectos en el Anlisis de VARs
Se confina el anlisis de un VAR a realizar pruebas de cointegracin? La respuesta por
supuesto es no. Existe una amplia gama de aplicaciones de un VAR dentro de las cuales
aqu se tratan tres ampliamente utilizadas en la prctica. Comenzamos con la identificacin
de relaciones de causalidad segn Granger, seguimos con la estimacin de la funcin
impulso-respuesta, y concluimos con la descomposicin de la varianza. Asimismo, se
incluye un anlisis multivariado de la descomposicin tendencia-ciclo de series de tiempo,
el cual se basa en la dinmica estocstica de un VAR. Debemos destacar, por supuesto, que
en la prctica los ejercicios que aqu se presentan generalmente se realizan para identificar
el comportamiento de corto plazo de las variables en el sistema, ya que el anlisis relevante
para el largo plazo se refiere al anlisis de cointegracin.
9.1. Causalidad Segn Granger
En primera instancia podra parecer que la prueba se refiere a identificar si existe
causalidad entre dos o ms series de tiempo. Sin embargo, el propsito de este ejercicio es,
en efecto, probar si valores rezagados de una variable influyen significativamente sobre el
comportamiento de otra variable; de tal forma que no se determina causalidad en el sentido
en el que comnmente se entiende la palabra. Cabe sealar que este ejercicio generalmente
se lleva a cabo cuando se conoce que no existe cointegracin entre series no-estacionarias,
y de hecho sera preferible estimar el VAR en primeras diferencias, llevando a cabo la
prueba de causalidad de Granger tambin con series estacionarias. En caso de identificar
173
cointegracin, entonces no se estimara un VAR sino un VEC, como se indic en el
captulo anterior.
Formalmente la prueba de causalidad se caracteriza como sigue:
Consideremos un VAR de dos variables y un rezago, esto es k = 2 y p = 1 .
y1t 1 12.1 y1t 1 1t

= + 11.1 + (9.1)
y2t 2 21.1 22.1 y2t 1 2t
En este caso, notamos que el valor rezagado de y2t afecta el comportamiento de y1t ;
similarmente, el valor rezagado de y1t influye sobre y2t . De tal forma que si se estimaran
los parmetros de la matriz 1 , 12.1 y 21.1 , y ambos resultaran estadsticamente
significativos, se dira que y2t Granger causa y1t y y1t Granger causa y2t . Pero si por
ejemplo 12.1 fuera estadsticamente igual a 0, entonces tendramos
y1t 1 0 y1t 1 1t
= + 11.1 + (9.2)
y2t 2 21.1 22.1 y2t 1 2t
De tal forma que el valor rezagado de y2t no influira sobre y1t y as se dira que y2t no
Granger causa y1t .
En la prctica la instrumentacin de la prueba contempla los siguientes pasos.
174
1. Especificar el VAR
2. Determinar el nmero de rezagos de acuerdo a algn criterio de informacin.
3. Estimar el VAR considerando el nmero de rezagos ptimos e identificar si valores
rezagados de una variable influyen significativamente sobre otra u otras.
Cabe mencionar que varios paquetes economtricos incluyen pruebas de causalidad de
Granger por lo cual el ejercicio se puede realizar directamente. Para ilustrar el mismo, a
continuacin presentamos un ejemplo considerando dos variables estacionarias: la tasa de
desempleo de Estados Unidos y su tasa de inflacin:33
Primero especificamos el VAR con la tasa de desempleo primero y enseguida la tasa de
inflacin. Segundo, realizamos la prueba de exclusin de rezagos para determinar el
nmero ptimo de los mismos. Los resultados se presentan en al Cuadro 9.1.
33
Ntese que a travs del anlisis de VARs no se ha hecho hincapi en cuanto al ordenamiento de las
variables en el sistema, esto es, acerca de cul variable se incluye primero y cul, o cules, enseguida.
Generalmente se incluye primero la variable que se considera dependiente y enseguida las independientes.
Aunque reconocemos que es posible por medio de pruebas de exogeneidad determinar qu variables deben
considerarse endgenas y cules exgenas. Para propsitos prcticos suponemos que las variables incluidas
en el VAR son endgenas, de tal forma que cada una requiere de una ecuacin al modelar el VAR. Si hubiera
alguna variable exgena, sta no requerira de una ecuacin propia. El lector interesado puede referirse a la
discusin metodolgica en Juselius y Hansen (1995).
175
Endogenous variables: DESEMPLEO INFLACION
Date: 08/23/06 Time: 14:46
Sample: 1990M01 2005M12
0 360.4309 NA 6.39e-05 -3.982566 -3.947089 -3.968181

1 914.3297 1089.334 1.42e-07 -10.09255 -9.986121* -10.04940
2 923.2178 17.28226 1.34e-07 -10.14686 -9.969478 -10.07494
3 934.5615 21.80516 1.24e-07 -10.22846 -9.980120 -10.12777
4 941.9779 14.09127 1.19e-07* -10.26642* -9.947126 -10.13696*
5 942.6845 1.326833 1.24e-07 -10.22983 -9.839578 -10.07160
6 946.8001 7.636604 1.24e-07 -10.23111 -9.769907 -10.04411
7 951.2517 8.161267 1.23e-07 -10.23613 -9.703970 -10.02036
8 952.9598 3.093684 1.26e-07 -10.21066 -9.607551 -9.966128
9 953.6305 1.199755 1.31e-07 -10.17367 -9.499604 -9.900367
10 954.7573 1.990711 1.35e-07 -10.14175 -9.396725 -9.839673
11 967.5196 22.26300* 1.23e-07 -10.23911 -9.423128 -9.908262
12 970.9636 5.931361 1.24e-07 -10.23293 -9.345996 -9.873316

Como se indic en su oportunidad, cuando se trata con datos mensuales, es comn que se
incluyan 12 rezagos para iniciar el anlisis; as lo hacemos aqu. A partir de los resultados
del Cuadro, notamos que el nmero ptimo de rezagos puede ser 1, 4 u 11. Para nuestros
propsitos seleccionamos 4.34 Enseguida aplicamos la prueba de causalidad de Granger y
obtenemos los resultados que se presentan en el Cuadro 9.2.
34
A diferencia del ejercicio de cointegracin donde el nmero de rezagos ptimo es p-1, aqu el nmero es p,
y que se trabaja con series estacionarias.
176
Cuadro 9.2. Prueba de Causalidad de Granger
Pairwise Granger Causality Tests
Date: 08/23/06 Time: 14:51
Sample: 1990M01 2005M12
Lags: 4
Null Hypothesis: Obs F-Statistic Probability
INFLACION does not Granger Cause DESEMPLEO 188 2.07525 0.08591

DESEMPLEO does not Granger Cause INFLACIN 1.10981 0.35342
De acuerdo a los valores de probabilidad, no se rechaza la hiptesis nula de que la inflacin
no causa al desempleo al nivel de confianza del 10%, aunque s se rechaza al 5%. En
contraste, la hiptesis nula de que el desempleo no causa a la inflacin no se rechaza a
ningn nivel de significancia convencional. As, en base a estos resultados, se puede
indicar que choques rezagados del desempleo no tienen efecto sobre la dinmica de la
inflacin.
En a prctica es comn encontrarse con series que no son estacionarias, sobre todo en el
mbito financiero. A continuacin se consideran dos series frecuentemente analizadas en
este sector: el ndice de Precios y Cotizaciones de la Bolsa Mexicana de Valores, (IPC) y el
ndice Industrial Dow Jones (Dow). Debido a que ambas se encuentran integradas de orden
1, como se puede verificar en los Cuadros 9.3 y 9.4, se estima el VAR en primeras
diferencias, ordenando al IPC en la primera posicin y al Dow como segundo. Como
primer paso, se determina el nmero de rezagos ptimos en el sistema; que de acuerdo a los
resultados del Cuadro 9.5 sera igual a 0, 2, o 12; para nuestro ejercicio seleccionamos 2.
177
Cuadro 9.3. Pruebas KPSS de Raz Unitaria IPC
Null Hypothesis: LOG(IPC) is stationary
Lag length: 0 (Spectral OLS AR based on AIC, MAXLAG=12)
LM-Stat.

5% level 0.146000
Null Hypothesis: D(LOG(IPC)) is stationary

LM-Stat.

5% level 0.146000
Cuadro 9.4. Pruebas KPSS de Raz Unitaria Dow

Null Hypothesis: LOG(DOW) is stationary
LM-Stat.

5% level 0.146000
Null Hypothesis: D(LOG(DOW)) is stationary

LM-Stat.

5% level 0.146000
178
Endogenous variables: DLOG(IPC) DLOG(DOW)
Date: 11/14/07 Time: 11:34
Sample: 1995M01 2005M12
0 368.2235 NA 1.33e-05 -5.548841 -5.505162* -5.531092

1 369.2823 2.069378 1.40e-05 -5.504277 -5.373240 -5.451030
2 385.9072 31.99041 1.15e-05* -5.695564* -5.477170 -5.606818*
3 388.6754 5.242846 1.17e-05 -5.676900 -5.371149 -5.552657
4 389.1998 0.977211 1.24e-05 -5.624239 -5.231130 -5.464498
5 390.9601 3.227166 1.28e-05 -5.590304 -5.109837 -5.395064
6 394.1698 5.787341 1.30e-05 -5.578331 -5.010506 -5.347593
7 395.1523 1.741614 1.36e-05 -5.532611 -4.877428 -5.266375
8 397.5340 4.149982 1.39e-05 -5.508091 -4.765551 -5.206357
9 400.0414 4.292993 1.43e-05 -5.485476 -4.655579 -5.148244
10 402.1377 3.525597 1.47e-05 -5.456632 -4.539377 -5.083902
11 403.9237 2.949469 1.52e-05 -5.423086 -4.418473 -5.014857
12 412.3536 13.66672* 1.43e-05 -5.490206 -4.398235 -5.046479

En base a lo anterior se lleva a cabo la prueba de causalidad. De acuerdo a los estadsticos
que se muestran en el Cuadro 9.6 no se rechaza la hiptesis que el IPC no causa al Dow;
sin embargo se rechaza la causalidad en la direccin opuesta, esto es, los choques
rezagados del Dow s tienen un efecto significativo sobre el comportamiento de la tasa de
crecimiento mensual del IPC.
179
Cuadro 9.6. Prueba de Causalidad de Granger
Pairwise Granger Causalita Tests
Date: 11/14/07 Time: 11:12
Sample: 1995M01 2005M12
Lags: 2
Null Hypothesis: Obs F-Statistic Probability
DLOG(DOW) does not Granger Cause DLOG(IPC) 132 17.8178 1.5E-07

DLOG(IPC) does not Granger Cause DLOG(DOW) 0.90959 0.40530
Este segundo ejercicio de causalidad es particularmente intuitivo, ya que se esperara que el
comportamiento de la Bolsa Mexicana de Valores respondiera a los acontecimientos en los
mercados accionarios de los Estados Unidos. Una ilustracin ms puntal sobre la respuesta
precisa que tienen las variables a choques dentro del sistema se representa por medio de la
funcin impulso-respuesta, que se discute a continuacin.
9. 2. Funcin Impulso-Respuesta
Una vez estimado el VAR, se puede continuar con la estimacin de la funcin impulso-
respuesta. La misma nos permite evaluar la respuesta de las variables a un choque o
perturbacin sobre un trmino de error. Consideremos el siguiente VAR:
y1t 1 12.1 y1t 1 1t

= + 11.1 + (9.3)
y2t 2 21.1 22.1 y2t 1 2t
Supongamos que se desea conocer el efecto que tendra un cambio en 1t sobre las
variables en el sistema. Evidentemente, un choque en 1t afectara a y1t , pero no a y2t . Sin
180
embargo, en el periodo t + 1 el choque afectara a y2t +1 a travs del efecto en y1t ; en el
periodo t + 2 el efecto sera sobre y2 t + 2 y as sucesivamente. La funcin impulso-respuesta
capta precisamente esta serie de respuestas o influencias sobre las variables del VAR. Al
igual que en el caso de la prueba de causalidad segn Granger, el ejercicio se puede realizar
calculando las respuestas periodo por periodo, o simplemente instrumentando el ejercicio
en algn programa economtrico. Aqu se contina con el ejemplo del desempleo y la tasa
de inters y se estima la funcin impulso-respuesta disponible en el paquete EViews. La
Figura 9.1 presenta la misma.
Figura 9.1. Funcin Impulso-Respuesta

Respuesta a una inovacin equivalente a una desviacin estndar 2 S.E.
Respuesta de Desempleo a Desempleo Respuesta de Desempleo a Inflacin

.20 .20
.16 .16
.12 .12
.08 .08
.04 .04
.00 .00
-.04 -.04
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Respuesta de Inflacin a Desempleo Respuesta de Inflacin a Inflacin

.005 .005
.004 .004
.003 .003
.002 .002
.001 .001
.000 .000
-.001 -.001
-.002 -.002
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
En principio se supone una innovacin o choque equivalente a una desviacin estndar
sobre la inflacin. Los cuadros de inters son particularmente el cuadro superior derecho y
el inferior izquierdo, ya que ilustran la respuesta de una variable con respecto a la otra. En
181
el primero se nota que el desempleo muestra una respuesta a la inflacin rezagada, para los
primeros 4 periodos la respuesta es esencialmente 0. A partir del periodo 5 aparece cierta
respuesta pero no es muy importante. En la grfica inferior izquierda se aprecia una
pequea respuesta de la inflacin con respecto al desempleo en el periodo 1, que se torna
negativa a partir del periodo 5. As, a partir del examen visual de la grfica, nos podemos
formar una idea de la respuesta de las variables en el sistema a choques o innovaciones en
las mismas. En este caso, se aprecia una respuesta vis-a-vis poco importante.
En la Figura 9.2 se muestra la funcin para el caso del IPC y el Dow. Una vez ms, las
grficas de inters se encuentran en la parte superior derecha y la inferior izquierda.
Notamos que la primera diferencia del IPC responde significativamente al Dow,
especialmente en el tercer periodo; esta respuesta desaparece para el cuarto periodo. En el
caso de la respuesta del Dow al IPC, se encentra que es tenue y para el tercer periodo se
aproxima a 0. De esta forma se pueden sentar las bases para un estudio ms detallado sobre
la relacin estocstica que guardan estas variables, sobre todo si se reconoce que ambas son
no-estacionarias en niveles; por lo cual una vez determinada la relacin que existe en sus
primeras diferencias, se podra continuar con un anlisis de cointegracin como se
describi en el captulo anterior. En este sentido, destacamos que si las series se encuentran
cointegradas, entonces se procedera a estimar un VEC y a partir de ello se identificara la
funcin impulso-respuesta. La interpretacin de las grficas es similar a la que se describi
anteriormente. A pesar de que esta alternativa es atractiva, en la prctica la implementacin
de la metodologa de cointegracin prevalece sobre ejercicios impulso-respuesta que
consideran un VEC.
182
Figura 9.2. Funcin Impulso-Respuesta
Respuesta a una inovacin equivalente a una desviacin estndar 2 S.E.
Respuesta del DLOG(IPC) a DLOG(IPC) Respuesta del DLOG(IPC) a DLOG(DOW)

.10 .10
.08 .08
.06 .06
.04 .04
.02 .02
.00 .00
-.02 -.02
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Respuesta del DLOG(DOW) a DLOG(IPC) Respuesta del DLOG(DOW) to DLOG(DOW)

.05 .05
.04 .04
.03 .03
.02 .02
.01 .01
.00 .00
-.01 -.01
-.02 -.02
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Finalmente, indicamos que es posible en el paquete economtrico EViews modelar un
vector autoregresivo estructural (SVAR), el cual impone restricciones sobre el efecto que el
choques (o choques) del trmino de error tiene sobre las variables del sistema. Una
aplicacin de este tipo de especificaciones se refiere a la teora de la neutralidad monetaria,
donde se supone que variables nominales no presenta efecto alguno sobre variables reales.
Aqu no profundizamos en estos temas pero referimos al lector interesado a consultar
Johnston y DiNardo (1997) o Patterson (2000) para una discusin amplia al respecto.35
35
La estimacin de un VAR estructural es relativamente amigable en EViews. Lo que es verdaderamente
importante no es, en todo caso, ejecutar las instrucciones del programa, sino formular el sistema
apropiadamente de acuerdo a la teora para sustentar la estimacin.
183
9. 3. Descomposicin de la varianza
Este ejercicio se puede llevar a cabo como una aplicacin adicional de un VAR. El
propsito del mismo es identificar la porcin de la varianza de cada serie que se puede
atribuir a innovaciones dentro del sistema. Consideremos el VAR que incluye el desempleo
y la inflacin; la descomposicin de la varianza que arroja el paquete Eviews se presenta
Cuadro 9.7.
Cuadro 9.7. Descomposicin de la Varianza

Variance Decomposition of
DESEMPLEO:
Period S.E. DESEMPLEO INFLACION
1 0.131754 100.0000 0.000000

2 0.172318 99.93809 0.061914
3 0.215799 99.90358 0.096416
4 0.262531 99.92309 0.076908
5 0.298930 99.87249 0.127515
6 0.333783 99.59362 0.406383
7 0.365823 99.16950 0.830499
8 0.394197 98.56263 1.437368
9 0.420559 97.74655 2.253445
10 0.444897 96.74661 3.253391
INFLACION:
Period S.E. DESEMPLEO INFLACION
1 0.002704 1.905510 98.09449

2 0.004376 1.040907 98.95909
3 0.005152 0.752403 99.24760
4 0.005689 0.991990 99.00801
5 0.006226 1.230189 98.76981
6 0.006709 1.390599 98.60940
7 0.007105 1.644631 98.35537
8 0.007438 1.913993 98.08601
9 0.007726 2.151937 97.84806
10 0.007976 2.368062 97.63194
Cholesky Ordering: DESEMPLEO

INFLACION
184
La primera columna se refiere a los periodos durante los cuales se supone una respuesta de
las variables a las perturbaciones. En la segunda se reporta el error estndar del pronstico
de las variables una vez que se consideran los choques. La tercera y cuarta columnas en
este caso reportan la varianza que se atribuye al choque que recibe cada una de las
variables. As, por ejemplo, en la porcin superior que considera la descomposicin de la
varianza del desempleo, notamos que la varianza en el pronstico de esta variable para el
primer periodo se atribuye en su totalidad al choque en la variable de desempleo, esto es,
un choque en la variable de inflacin no explica en lo absoluto la varianza en el desempleo.
Interesantemente, en la parte inferior del Cuadro, que reporta la descomposicin de la
varianza para la inflacin, el efecto de un choque en el empleo sobre la inflacin en el
primer periodo no es 0, aunque el mismo es pequeo.
En el Cuadro 9.8 se muestra la descomposicin de la varianza para el ejemplo que
considera al IPC y al Dow. En la parte superior del Cuadro se observa qua hasta un 21 por
ciento de la varianza del IPC es explicada por la variacin en el Dow, lo cual es consistente
con las pruebas de causalidad de Granger y funciones impulso-respuesta que se presentaron
anteriormente. En la parte inferior del Cuadro los resultados apuntan en la misma direccin,
ya que la participacin del IPC en la varianza del Dow es prcticamente insignificante.
185
Cuadro 9.8. Descomposicin de la Varianza
DLOG(IPC):
Period S.E. DLOG(IPC) DLOG(DOW)
1 0.074528 100.0000 0.000000

2 0.074884 99.58555 0.414445
3 0.084224 78.82479 21.17521
4 0.084428 78.60968 21.39032
5 0.084446 78.61071 21.38929
6 0.084471 78.56996 21.43004
7 0.084474 78.56464 21.43536
8 0.084475 78.56351 21.43649
9 0.084475 78.56338 21.43662
10 0.084475 78.56332 21.43668
DLOG(DOW):
Period S.E. DLOG(IPC) DLOG(DOW)
1 0.043970 0.392425 99.60757

2 0.044193 1.141095 98.85891
3 0.044251 1.364438 98.63556
4 0.044306 1.374087 98.62591
5 0.044318 1.377536 98.62246
6 0.044319 1.379154 98.62085
7 0.044319 1.379146 98.62085
8 0.044319 1.379210 98.62079
9 0.044319 1.379220 98.62078
10 0.044319 1.379221 98.62078
Cholesky Ordering:
DLOG(IPC) DLOG(DOW)
Concluimos esta seccin comentando que el ejercicio de descomposicin de varianza se
puede igualmente instrumentar considerando una ortogonalizacin estructural de los
impulsos, como se indic anteriormente respecto al ejercicio de neutralidad monetaria. En
tal caso, una vez estimado el VEC (VAR en la versin 5 de Eviews; ya que la
186
descomposicin no se puede realizar sobre un VEC) se podra tambin estimar la
descomposicin de la varianza, aunque en tal caso se tendra que hacer referencia a la
varianza condicional, ya que se estima restringiendo la respuesta de alguna variable en el
sistema. Clarida y Gali (1994) presentan un ejercicio muy transparente sobre la estimacin
de un VAR estructural y la descomposicin de la varianza. El mismo se refiere a estimar el
efecto de choques nominales sobre el tipo de cambio real, de tal forma que la restriccin
que se impone en el sistema es sobre la respuesta del tipo de cambio real a choques en
variables nominales, haciendo referencia a la teora de la neutralidad nominal. El lector
interesado encontrar en esta referencia un ejemplo claro sobre la aplicacin de la
descomposicin de la varianza.
9.4. Descomposicin Tendencia-Ciclo
Aqu se presenta una aplicacin del anlisis multivariado de series de tiempo que en
recientes fechas ha tomado particular importancia; y se refiere a la identificacin de ciclos
comunes en un conjunto de variables. Ntese que a travs del anlisis de cointegracin que
se llev a cabo en el Captulo 8 se entendi el concepto como la existencia de tendencia(s)
comn(es) entre series de tiempo. Esto sugiere que si los componentes tendenciales de dos
series, por ejemplo, se comportan de manera similar, entonces se podra construir una
tendencia que les sea comn a ambos. De similar manera, si dos series presentan un
comportamiento cclico similar, ser podra entonces construir un ciclo comn. En efecto,
una serie de tiempo se puede entender como la suma de dos componentes, uno de tendencia
y otro estacionario; que constituye su ciclo. El estudio sobre la descomposicin de series de
187
tiempo en sus componentes es amplio, y escapa el alcance del texto, sin embargo aqu
presentamos una discusin que puede motivar al lector a profundizar en el tema.36
Beveridge y Nelson (1981) sugieren que una serie de tiempo puede ser descompuesta en
dos partes, una que se refiere a una tendencia que sigue un proceso de caminata aleatoria y
otra que se representa como un proceso ARMA(p,q), y que se entiende como el ciclo de la
serie. Formalmente, la serie y t se descompone como:
yt = t + ct (9.4)
Donde t = + t 1 + t y A(L )ct = B (L ) t con los polinomios A(L ) y B(L ) representando
los componentes p y q del proceso ARMA. La tarea de descomposicin se puede realizar
por medio de diversas metodologas. Como se coment en el Captulo 5, comnmente se
empleo un Filtro para realizar el ejercicio.37 Sin embargo, esta metodologa presenta serias
deficiencias; que ilustramos con el siguiente ejemplo que considera el PIB. Primero,
aplicamos el filtro Hodrick-Prescott (HP) a la serie para el periodo 1993:1 a 2005:3. La
serie filtrada se presenta en la Grfica 9.1.
36
La literatura relevante es extensa, aqu mencionamos algunos de los trabajos ms representativos:
Beveridge y Nelson (1981), Watson (1986), Stock y Watson (1988), Blanchard y Quah (1989), Engle y
Kozicki (1993), y Vahid y Engle (1993).
37
Aunque en el texto slo nos referimos al Filtro HP, indicamos que los comentarios se aplican igualmente a
cualquier otro tipo de filtro que no incluya restricciones de cointegracin o ciclo comn.
188
Grfica 9.1. Filtro HP 1993:1-2005:3
1800000
1600000
1400000
100000 1200000
50000
1000000
0
-50000
-100000
-150000
93 94 95 96 97 98 99 00 01 02 03 04 05
PIB Trend Cycle
Enseguida, se calcula la tendencia considerando el periodo hasta el cuarto trimestre del
2005, esto es, se le suma una observacin ms a la serie. Los resultados se ilustran en la
Grfica 9.2.
Grfica 9.2 Filtro HP 1993:1-2005:4

2000000
1800000
1600000
1400000
100000 1200000
50000 1000000
0
-50000
-100000
-150000
93 94 95 96 97 98 99 00 01 02 03 04 05
PIB Trend Cycle
189
En principio, ya que slo sumamos una observacin, podramos esperar que slo el ltimo
valor de la tendencia cambiara; con respecto a la serie que termina en 2005:3. Si
examinamos las grficas, ste es el caso. Sin embargo, como lo ilustra el Cuadro 9.9, que
muestra los valores de las series de tendencia para el ao 2005, los valores entre las dos
series para los primeros trimestres de 2005 son diferentes, esto es, la tendencia estimada al
agregar una observacin a la serie original cambia totalmente; de tal forma que no se puede
considerar la tendencia que se obtiene con el Filtro HP como confiable.
Cuadro 9.9. Comparacin de Tendencias HP

2005Q1 1724105.75 1734284.50
2005Q2 1733398.75 1745153.70
2005Q3 1742683.69 1756081.59
2005Q4 1767047.04
Alternativamente, es posible levar a cabo la descomposicin tendencia-ciclo considerando
un sistema multivariado, dentro del cual es factible introducir restricciones que consideren
posibles relaciones de cointegracin.
En las siguientes lneas describimos brevemente la idea general de esta descomposicin.
Supongamos que existe un vector de n variables que se encuentran integradas de orden 1,
y t , y cuya transformacin en primeras diferencias es estacionaria y se representa como:
y t = C (L )et = C (1)et + (1 L )C * (L )et (9.5)
190
Donde C (L ) es una matriz polinomial en el operador de rezagos L. Integrando ambos
lados, (9.5) se puede re-escribir como

yt = C (1) et i + C * (L )et (9.6)
i =0
Que es precisamente una versin multivariada de la descomposicin tendencia-ciclo de
Beveridge y Nelson, donde el primer trmino del lado derecho se refiere a la tendencia y el
segundo al ciclo.
En este sistema multivariado la tendencia para una serie en particular se puede estimar por
medio de un VEC, por ejemplo, normalizando el vector de cointegracin con respecto a la
variable de inters. De esta forma se incluira la restriccin de cointegracin en el clculo
de la tendencia. Esta metodologa ya representa una mejora importante con respecto a la
metodologa del Filtro, que no impone ninguna restriccin sobre la dinmica de las series.
Sin embargo, como lo argumenta Vahid y Engle (1993), resulta importante considerar la
posible existencia no slo de relaciones estables de largo plazo entre las variables, sino
tambin la existencia de posibles relaciones estables de corto plazo.
Esto es, retomando la expresin (9.6), notamos que la existencia de cointegracin implica
que 'C (1) = 0 , donde incluye los r vectores de cointegracin. De igual forma, para el
componente cclico sera posible encontrar que ~ 'C * (L ) = 0 ; lo cual indicara que existen
relaciones estables de corto plazo en el sistema, tal como la condicin 'C (1) = 0 sugiere la
191
existencia de relaciones estables de largo plazo. Cuando se cumple la condicin
~ 'C * (L ) = 0 , se dice que existen s relaciones de ciclo comn y ~ agrupa los vectores de
comovimiento, con la restriccin r + s n . En otras palabras, el concepto de ciclo comn
es el equivalente al de cointegracin pero para el corto plazo. Por qu es importante tomar
en cuenta la posible existencia de comovimientos cclicos? Por que tal y como se muestra
en Issler y Vahid (2001) para variables de Estados Unidos, y Herrera (2004) para el caso
del PIB de Mxico, no incluir las restricciones que se refieren a los vectores de
comivimiento resulta en la subestimacin del efecto de choques transitorios, por ende, en
un clculo no eficiente de la tendencia comn. As, para un sistema en el que se identifica
cointegracin, la tcnica que produce estimaciones de tendencias y ciclos comunes ms
eficientes ser refiere a sta sugerida por Vahid y Engle.38
En general, la metodologa de Vahid y Engle considera en primera instancia el clculo de
las correlaciones cannicas entre las diferencias de las variables y su historia, la cual se
define por el rezago del trmino de correccin de error y el rezago de las diferencias de los
elementos de la matriz de variables explicativas, Xt. Enseguida, se estiman las correlaciones
cannicas cuadradas (i2 i = 1,2, , n ) que se obtienen resolviendo un problema de
eigenvalues. Una vez realizado este ejercicio, se evala la posible rotacin del sistema de
tal forma que las variables que se encuentran en el lado derecho del mismo (aquellas que
constituyen la historia) no presenten correlacin entre ellas. Enseguida se procede a realizar
una prueba de hiptesis sobre el nmero de combinaciones lineales de las variables
38
En el caso en el que no exista cointegracin entre las variables, se recomienda emplear la metodologa
sugerida por Engle y Kozicki (1993) para series estacionarias (de tal forma que si el sistema lo constituyen
series I(1) se tendra que trabajar con primeras diferencias) . La misma se fundamenta en la estimacin del
sistema en dos etapas, siendo los instrumentos los rezagos de las series estacionarias.
192
diferenciadas que cumplen con las siguientes caractersticas: no pueden ser pronosticadas,
y eliminan los patrones de correlacin serial en el sistema. En notacin de Vahid y Engle, s
representa este nmero de combinaciones lineales y de hecho es igual al nmero de
correlaciones cannicas igual a cero, y constituyen vectores de comovimiento; que de
hecho es posible mostrar que s n r. La estadstica de prueba para la hiptesis nula de
(
que las s correlaciones cannicas cuadradas son igual a cero 2j = 0 , j = 1,2, )
, s se
calcula con la siguiente expresin:39
( )
s
C ( p , s ) = (T p 1) log 1 2j
j =1
Bajo la hiptesis nula de que la dimensin del espacio de vectores de co-movimiento es al
menos s, esta estadstica tiene una distribucin 2 con grados de libertad igual a
s ( np + r ) s ( n s ) .40
Para ilustrar la aplicacin de esta metodologa, se presentan resultados obtenidos en
Castillo y Ramrez (2006) para un sistema que considera el PIB de Mxico, el de Estados
Unidos y el de Canad para el periodo 1980:1-2006:4.41 La fuente de los datos para Estados
Unidos es el Bureau of Economic Analysis, y Statistics Canada para Canad. El Cuadro
9.10 muestra los resultados del anlisis de cointegracin y ciclo comn normalizando los
vectores con respecto al PIB de Estados Unidos (EU).
39
Esta discusin sigue de cerca de Herrera (2004).
40
Aqu incluimos slo una resea de la metodologa de ciclos comunes, Issler y Vahid (2001) incluyen una
descripcin detallada de la misma.
41
Las estimaciones se realizaron instrumentando el programa en GAUSS desarrollado por Issler y Vahid,
modificado por Jorge Herrera de Banco de Mxico, y ajustado por Castillo y Ramrez. Ver Goldberger (1994)
para una ilustracin de los fundamentos del programa GAUSS.
193
Cuadro 9.10. Resultados de Prueba de Cointegracin y de Ciclos Comunes
Cointegracin
Hiptesis Estadstico 0.05 Valor Vector Normalizado de Cointegracin

R de Traza Crtico EU CAN MEX
0 37.62 29.80
1 11.03 15.49 1 -0.55 -0.13
2 0.96 3.84
Ciclo Comn
Hiptesis Probabilidad Vector Normalizado de Comovimiento

S 0.05 EU CAN MEX
>0 0.65 1 0 -0.72

>1 0.18 0 1 -0.48
>2 0.00
El vector de cointegracin indica una asociacin positiva entre el PIB de Estados Unidos y
los correspondientes a Canad (CAN) y Mxico (MEX). La magnitud del coeficiente de
Canad es mayor relativo al de Mxico; lo cual es congruente con la idea sobre la elevada
sincronizacin de las economas de Estados Unidos y Canad. Los resultados del anlisis
de ciclo comn muestran la existencia de dos relaciones estables de corto plazo, con un
vector de comovimiento que sugiere una relacin positiva entre los ciclos de Estados
Unidos y Canad con respecto a Mxico.
En este caso se tiene que la suma del nmero de vectores de cointegracin (r) y el nmero
de ciclos comunes (s) es igual al nmero de variables (n) por lo que se puede realizar una
descomposicin de las series en tendencia y ciclo comn de en el espritu de Beverdige y
Nelson (1981). En particular, siguiendo con la notacin anterior, el componente de
tendencia y cclico puede derivarse reconociendo que
194
yt = ~ (~~ ) ~ y t + ( ) y t
1 1
Donde el primer trminno de la exprecin representa la tendencia y el segundo el cclo. En
el Cuadro 9.10 se presentan los componentes ~ (~ '

~ )1 ~'y ( '
)1 '.
Cuadro 9.10. Componentes Tendencial y Cclico

Matriz del Componente Tendencial
EU CAN MEX
0.62 0.47 -0.83
0.05 0.94 0.1
-0.26 0.32 0.44
Matriz del Componente Cclico
EU CAN MEX
0.38 -0.47 0.83
-0.05 0.06 -0.1
0.26 -0.32 0.56
A partir de estos coeficientes es posible construir la tendencia comn multiplicando los
nmeros de la diagonal principal de la parte superior del cuadro por el vector de series que
se han considerado. Esto es, se multiplica la serie del PIB de Estados Unidos por 0.62, la de
Canad por 0.94 y la de Mxico por 0.44. Las series que resultan se suman y se obtiene la
tendencia comn del sistema. La tendencia, conjuntamente con el PIB de cada pas, se
ilustra en las Grficas 9.3, 9.4 y 9.5. En cada una de ellas se aprecian los diferentes
periodos de auge y desaceleracin que han experimentado las economas. Por ejemplo, en
el caso de Estados Unidos la recesin de principios de los 80 es evidente. El periodo de
195
crecimiento de mediados de los 90 es tambin claro en la Grfica de Canad. Para Mxico,
la crisis de 1994 es captada puntualmente por la ilustracin.42
Grfica 9.3. Tendencia Comn y PIB de EU

2
-1
-2
80 82 84 86 88 90 92 94 96 98 00 02 04 06
US GDP COMMON TREND
Grfica 9.4 Tendencia Comn y PIB de Canad
-1
-2
-3
80 82 84 86 88 90 92 94 96 98 00 02 04 06
CAN GDP COMMON TREND
42
Aplicaciones prcticas de esta construccin para el caso de Mxico se encuentran en Herrera y Castillo
(2003) y Castillo y Herrera (2005).
196
Grfica 9.5. Tendencia Comn y PIB de Mxico
-1
-2
80 82 84 86 88 90 92 94 96 98 00 02 04 06
MEX GDP COMMON TREND
Evidentemente, el anlisis sobre la descomposicin tendencia-ciclo de una serie de tiempo
es muy amplio y profundo. Aqu slo presentamos las ideas bsicas y referimos al lector
interesado a revisar las referencias que indicamos.
197
Bibliografa
Bartlett M. S. (1946): On the Theoretical Specification of Sampling Properties of

Autocorrelated Time Series Journal of the Royal Statistical Society Series B, 27, pp. 27-
41.
Beveridge S. y C. R. Nelson (1981): A New Approach to Decomposition of Economic

Time Series into Permanent and Transitory Components with Particular Attention to
Measurement of Business Cycle Journal of Monetary Economics, 7, pp. 151-174.
Bewley (1979): The Direct Estimation of the Equilibrium Response in a Linear Dynamic
Model Economics Letters, 3, pp. 357-361.
Blanchard O. y D. Quah (1989): The Dynamic Effects of Aggregate Demand and Supply
Disturbances American Economic Review, 79, pp. 655-673.
Box G. y G. Jenkins (1970): Time Series Analysis-Forecasting and Control, San Francisco,
Holden Day.
Box G. y D. Pierce (1970): Distribution of Residual Autocorrelations in Autoregressive

Integrated Moving Average Time Series Model Journal of the American Statistical
Association, 65, pp. 1509-1526.
Castillo R. (2003): Restricciones de Liquidez, Canal de Crdito, y Consumo en Mxico

Economa Mexicana, Nueva poca, 12, pp. 65-101.
Castillo R. y A. Daz-Bautista (2002): Testing for Unit Roots: Mexicos GDP Momento
Econmico, 124, pp. 2-10.
Castillo R. y J. Herrera (2005): El Efecto del Gasto Pblico sobre el Gasto Privado en
Mxico: Un Ejercicio Economtrico Estudios Econmicos, 20, pp. 173-196.
Castillo R. y R. Ramrez (2006): How Integrated are the NAFTA Economies Documento
de Trabajo, Universidad Autnoma de Baja California.
Conesa A. (1998): Pass-Through del Tipo de Cambio y del Salario: Teora y Evidencia
para la Industria Manufacturera en Mxico Documento de Trabajo 1998-03, Banco de
Mxico.
Clarida R. y J. Gali (1994): Sources of Real Exchange Rate Fluctuations: How Important
are Nominal Shocks? Carnegie-Rochester Conference Series on Public Policy.
Carrascal U., Y. Gonzlez, Gonzlez R. B.(2001). Anlisis Economtrico con EViews.

Alfaomega Grupo Editor. Mxico.
198
Dickey D. y W. Fuller. (1979): Distribution of the Estimators for Autorregresive Time
Series White a Unit Root Journal of the American Statistical Association, 74, pp. 427-431.
Engle R y C. W. Granger (1987): Co-integration and Error Correction: Representation,

Estimation, and Testing" Econometrica, 55, pp. 251-276.
Engle R. y S. Kozicki (1993): Testing for Common Features Journal of Business and
Economic Statistics, 11, pp. 369-395.
Engle, R. y B. Yoo (1991): Cointegrated Economic Time Series: An Overview with New
Results en: Engle, R. y C. W. Granger (Eds.), Long-run Economic Relationships -
Readings in Cointegration, Oxford et al.
Goldberger, A. (1994): A Course in Econometrics. Harvard University Press.
Greene H. W. (1999): Anlisis Economtrico. Tercera edicin, Prentice Hall.
Hamilton, J. (1994): Time Series Analysis, Princeton University Press.
Hansen H. y S. Johansen (1999): Some Tests for Parameter Consistency in Cointegrated

Var Models Econometrics Journal, 2, pp. 306-333.
Hansen H. y S. Johansen (1992): Recursive Estimation in Cointegrated VAR Models

Discussion Paper (92-13) Institute of Economics University of Copenhagen.
Herrera J. (2004): Business Cycles in Mexico and the United States: Do They Share
Common Movements? Journal of Applied Economics, 7, pp. 303-323.
Herrera J. y R. Castillo (2003): Trends and Cycles: How Important are Long-run and
Short-run Restrictions? The Case of Mexico Estudios Econmicos, 18, pp. 133-155.
Hodrick R., y E. C. Prescott (1997): Postwar U.S. Business Cycles: an Empirical

Investigation Journal of Money, Credit and Banking, 29, pp. 1-16.
Holt C. C. (1957): Forecasting Seasonal and Trend by Exponentially Weighted Moving

Average Office of Naval Research, Memorandum nm. 52.
Issler J. y F. Vahid (2001): Common Cycles and the Importance of Transitory Shocks to
Macroeconomics Aggregates Journal of Monetary Economics, 47, pp. 449-475.
Johansen S. (1991): "Estimation and Hypothesis Testing of Cointegration Vectors in

Gaussian Vector Autoregressive Models" Econometrica, 59, pp. 1551-1580.
Johnston J. y J. DiNardo (1997): Econometric Methods 4a Edition, The McGraw-Hill

Companies.
199
Juselius K. y H. Hansen (1995): CATS in RATS. Manual to Cointegration Analysis of Time
Series. Distributed by ESTIMA, Evanstone, Illinois, USA.
Kwiatkowski, D., P. Phillips, P. Schmidt, y Y. Shin (1992): "Testing the Null Hypothesis
of Stationary against the Alternative of a Unit Root" Journal of Econometrics, 54, pp. 159-
178.
Ljung G.M. y G. Box (1978): On a Measure of Lack of Fit in Time Series Models
Biometrika, 66, pp. 66-72.
Makridakis, S., S. C. Wheelwright y R. J. Hyndman (1998): Forecasting Methods and

Applications, 3rd edition, New York, John Wiley - Sons.
Mendanhall, W., y E. J. Reinmuth (1981): Estadstica para Administracin y Economa,

Grupo Editorial Iberoamricano.
Patterson K. (2000): An Introduction to Applied Econometrics: a Time Series Approach

Palgrave. London.
Perron P. (1989): The Great Crash, the Oil Price Shock and the Unit Root Hypothesis
Econometrica, 57, pp.1361-1401.
Phillips, P. C. B. y S. Ouliaris (1990): "Asymptotic Properties of Residual Based Tests for

Cointegration" Econometrica, 58, pp. 165-193.
Phillips, P.C.B. y P. Perron (1988): "Testing for a Unit Root in Time Series Regression,"
Biometrika, 75, pp. 335-346.
Said E. y D. Dickey (1984): "Testing for Unit Roots in Autoregressive Moving Average
Models of Unknown Order" Biometrika, 71, pp. 599-607.
Stock J. y M. Watson (1988): Testing for Common Trends Journal of the American
Statistical Association, 83, pp. 1097-1107
Vahid F. y Engle R. (1993): Common Trends and Common Cycles Journal of Applied
Econometrics, 8, pp. 341-360.
Villagomez, A. (1997): Private Saving, Interest Rates and Liquidity Constraints in LDCs:
Recent Evidence. Applied Economics, 29, pp. 607-615.
Watson M. (1986): Univariate Detrending Methods with Stochastic Trends Journal of

Monetary Economics, 18, pp. 49-75
Winters, P.R. (1960): Forecasting Sales by Exponentially Weighted Moving Averages

Management Science, 6, pp. 324-342.
200
Zivot E. and D. Andrews (1982): Further Evidence on the Great Crash, the Oil Price
Shock and the Unit Root Hypothesis Journal of Business and Economic Statistics, 10, pp.
251-270.
201

ECONOMETRIA PRACTICA Fundamentos de Seri PDF

Cargado por

Copyright:

Formatos disponibles

ECONOMETRIA PRACTICA Fundamentos de Seri PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ECONOMETRIA PRACTICA Fundamentos de Seri PDF

Cargado por

Copyright:

Formatos disponibles

ECONOMETRA PRCTICA: Fundamentos de Series de Tiempo

Agradecemos de Antemano Comentarios

Ramn A. Castillo Ponce

Rogelio Varela Llamas

Parte I: Modelos Univariados ...10

Captulo 1: Modelos ARMA 10

1.1 . Preliminares .....10

Captilo 2: Estacionariedad ......34

2.1. Concepto ...34

Captulo 3: Races Unitarias ....50

3.1 . Concepto ..50

Captulo 4: Series Integradas y los Modelos ARMA ...66

4.1 . Definicin ............66

Captulo 5: Temas Selectos de Modelos Univariados .91

5.1 . Criterios para Evaluar la Capacidad Predictiva ...91

Captulo 6: Introduccin a los Sistemas Multivariados .117

6.1. Fundamentos .......117

Captulo 7: Cointegracin ......126

7.1. Concepto .....126

Captulo 8: Introduccin al Anlisis VARs y la Metodologa de Cointegracin de

8.1. Fundamentos ...........159

Captulo 9: Temas Selectos en el Anlisis de VARs 179

9.1. Causalidad Segn Granger ......179

Captulo 1: Modelos ARMA

Definimos una serie de tiempo como un conjunto de observaciones repetidas de la misma

variable tal como:

Donde los sufijos representan el periodo en el tiempo en el que se observa la variable y t .

A partir de esta caracterizacin se desprenden dos conceptos fundamentales en el anlisis

de series de tiempo. Los mismos se definen mediante la imposicin de algunos supuestos

b) La varianza de y t es constante y por consiguiente independiente del tiempo.

c) Las autocorrelaciones son iguales a 0.

2. Independiente e idnticamente distribuido (iid): el proceso y t se dice ser iid si

cumple con las siguientes condiciones:

a) La esperanza de y t es constante pero no necesariamente igual a 0 para todos

los periodos t. Esto es E ( y t ) = .

b) La varianza de y t es constante y por consiguiente independiente del tiempo.

c) y t es independiente de y k para todas las ts y ks con t k .

Otro concepto til en el entendimiento del comportamiento de series de tiempo se refiere al

operador de rezagos. El mismo es bsicamente una representacin abreviada de la dinmica

de una serie. Denotemos la observacin de y t en el periodo anterior como y t 1 , de tal

forma que tenemos las siguientes relaciones:

Y as sucesivamente, de tal forma que L j y t = y t j .

Finalmente, definimos el operador de diferencia .

fundamentales en la construccin de modelos de series de tiempo.

1.2. Modelos Bsicos

y subsecuentemente modelarla. Existen varios modelos que pudieran representar el PEG de

un proceso autorregresivo (AR), de media mvil (MA), y autorregresivo de media mvil

Un proceso autorregresivo de primer orden AR(1), se define como:

Donde es una constante, t es ruido blanco, e y t sigue un proceso autorregresivo el cual

supone que su esperanza condicional depende de su valor en el perodo pasado, es decir,

E ( y t | y t 1 ) = + y t 1 . As, un modelo autorregresivo de orden p, AR(p), se puede

Donde su esperanza condicional y varianza estn dadas por las expresiones

yt y t 1 = + t = y t Ly t que a su vez es igual a:

yt 1 y t 1 2 y t 2 ..... p y t p = + t que se simplifica como:

plantear el modelo AR (p) como ( L) = + t . Aqu suponemos entonces que la variable

de inters depende de la dinmica de sus observaciones pasadas. Como lo abordaremos

adelante, identificar la magnitud de ser fundamental para modelar apropiadamente el

comportamiento de la serie. En particular, ntese que si = 1 entonces el comportamiento

contemporneo de y t est determinado por lo que se observ en el periodo t 1 . En tal