cambios estructurales
DESCRIPTION
Cambios estructurales aplicado a la econometriaTRANSCRIPT
-
Ej
(~4.-WL-3-
EFECTO DE LOS CAMBIOS ESTRUCTURALES
EN EL ANLISIS DE SERIES ECONMICAS
NO ESTACIONARIAS
1,
31BCTEv A1
fJ~
TESISDOCTORAL
JosLuis FernndezSerranoDirector: RodrigoPerugaUrrea
UniversidadComplutensede MadridFacultaddeCienciasEonmicasy Empresariales
DepartamentodeEconomaCuantitativa
1999
-
NDICE
CAPTULO 1: INTRODUCCIN
1.1.- INTRODUCCIN
1.2.- MARCO GENERAL
1.3.-CONTENIDO DE LA TESIS
1.4.- REFERENCIAS
1
2
2
11
18
CAPTULO II: UN CONTRASTE ADF SECUENCIAL PARA
DE CAMBIOS EN LA TENDENCIA ESTOCSTICA.
11.1.- INTRODUCCIN
11.2.- UN CONTRASTE ADF SECUENCIAL PARA UN
LA DETECCIN21
21
CAMBIO EN LA
TENDENCIA ESTOCSTICA 26
11.3.-RESULTADOSDE LAS SIMULACIONES 30
11.3.1.CLCULO DE LAS DISTRIBUCIONES EMPRICAS 30
11.3.2.DISTORSIONESEN ELTAMAO NOMINAL BAJO TENDENCIASESTOCSTICAS
NO NULAS 32
ASI(1)INESTABLES 33
ASI(2) 37
11.3.3.POTENCIAFRENTEA
11.3.4.POTENCIAFRENTEA
11.3.5.POTENCIAFRENTEA
11.3.6.POTENCIAFRENTEA
11.4.- UN PROCEDIMIENTO
UNITARIAS
11.5.-APLICACIN EMPRICA.
11.6.-REFERENCIAS
ALTERNATIV
ALTERNATIV
ALTERNATIVAS ESTACIONARIASESTABLES ... 39
ALTERNATIVAS ESTACIONARIASINESTABLES . . 41
GENERAL PARA CONTRASTAR RACES
44
47
52
APNDICE11.1:TABLAS Y GRFICOS 54
1
-
CAPITULO III: UN CONTRASTE ADF SECUENCIAL PARA LA DETECCINDE CAMBIOS EN EL ORDEN DE INTEGRACION 79
111.1.- INTRODUCCIN 80
111.2.-UN CONTRASTEADF SECUENCIALDE INTEGRACIN PARCIAL .. 82
111.3.-RESULTADOSDE LAS SIMULACIONES 86
111.3.1.CLCULO DE LAS DISTRIBUCIONES EMPRICAS 88
111.3.2. DIsTORSIONES EN EL TAMAO NOMINAL BAJO TENDENCIAS
ESTOCSTICAS NONULAS 89
III.3.3.ALTERNATIVAS PARCIALMENTE ESTACIONARIAS Y SIN TENDENCIA
ESTOCSTICAEN LA PARTENO ESTACIONARIA 90
III.3.4.ALTERNATIVAS PARCIALMENTE ESTACIONARIAS Y CON TENDENCIA
ESTOCSTICAEN LA PARTENO ESTACIONARIA 96
111.3.5.ALTERNATIVAS ESTACIONARIAS 99
111.4.-CONCLUSIONES 103
111.5.-REFERENCIAS 107
APNDICEIll.1:TABLAS 108
CAPTULO IV: AN LISIS COMPARATIVO DE 3 ESTADSTICOS PARA LACONTRASTACIN DE INESTABILIDAD PARAMTRICA EN
RELACIONES DE COINTEGRACIN 138
IV.1.- INTRODUCCION 139
IV2.- EL MODELO 142
IV.3.- DESCRIPCINDE LOSCONTRASTES 144
IV.3.1.ELCONTRASTEDEHANSEN 144
IV.3.2.EL CONTRASTEDE 1-IANSENY JOlIANSEN 146
IV.3.3. EL CONTRASTEDE GREGORYY HANSEN 148
IVA.- DESCRIPCINDE LAS SIMULACIONES 150
IV.5.- ANLISIS DE LOS RESULTADOS 151
II
-
IV.5.1. DISTRIBUCIONESASINTTICAS
IV.5.2. POTENCIA ASINTTICA DE LOS CONTRASTES
IV.5.3. COMPORTAMIENTOEN MUESTRASRNITAS
IV.5.4.ESTIMACIN DEL PUNTODE CORTE
CONCLUSIONES
REFERENCIAS
APNDICE IV.1: TABLAS
CAPTULO V: INESTABILIDAD DE LA DEMANDA
MODELO MONETARIO PARA LA PESETA
V.1 .- INTRODUCCIN
V.2.- MODELO TERICO
V.3.- METODOLOGA ECONOMTRICA
V.4.- RESULTADOSEMPRICOS
V.4. 1. FUENTESESTADSTICAS
V.4.2. MUESTRA COMPLETA
V.4.2. 1. ECUACIN DEL TIPODE CAMBIO ...
V.4.2.2.ECUACINDE DEMANDA DE DINERO
V.4.3. SUHMUESTRASESTABLES
V.5.- CONCLUSIONES
V.6.- REFERENCIAS
APNDICE V.1: TABLAS Y GRFICOS
DE DINERO Y
IV.6. -
IV.7.-
151
152
154
156
158
161
162
EL
171
172
175
183
188
189
189
189
192
194
197
199
202
III
-
Captulo 1
Introduccin
-
Captulo1 2
1.1.- INTRODUCCIN
Caracterizarel comportamientodinmicode variableseconmicas,tantoa nivel
ndividual como conjunto, cuando disponemosde Series temporalessuficientemente
amplias,exigeteneren cuentaaspectosrelacionadosconsucarcterestacionarioo no, o
lo queesigual, con el ordendeintegracinde las mismas.Adems,tambinesdecrucial
mportanciaplantearsesilosparmetrosquecaracterizanalprocesogeneradorde datosque
estdetrsdecadaunadelas series,permanecenconstantesa lo largodelperodotemporal
analizado.En el supuestode no serlo, nuestrointersseha de centraren conocerla
naturalezade laposibleinestabilidaddel proceso.
Podemospreguntamossi la inestabilidadobedecea un cambiogradualde los
parmetrosa lo largodeun perodode tiempodeterminado,o bien,esdebidaavariaciones
ms o menos bruscas en fechas concretasque pueden considerarseconocidaso
desconocidas.Los aspectosanterioresabrenun nuevointerrogante,en el sentidode que
esprecisosabercmo afectaestehechoal comportamientode los estadsticosqueanalizan
el ordende integracinde laserietemporaleconmica,en paniculara los contrastesde
racesunitarias.En lamayorade los trabajosquetratanesteaspecto(Perron(1989,1990),
Rappoporty Reichlin(1989),Hendryy Neale(1990),Cheny O. Tiao (1990),Perrony
Vogelsang(1992),Balkey Fomby(1991),Francesy Haldrup(1994),entreotros)se llega
a la conclusinde queel contrasteestndarDickey-Fulleraumentado(ADF) [Dickey y
FulIer (1979)]presentamuypocapotenciafrentea alternativasestacionariasinestables.
1.2.-MARCO GENERAL
El anlisisdel comportamientode los contrastesde racesunitariasenpresenciade
cambiosestructurales,cobraespecialintersa raz del artculo de Nelson y Plosser
(1982). Estos autores analizan si el comportamientode un conjunto de series
macroeconmicasestmejorcaracterizadoporfluctuacionesestacionariasalrededordeuna
tendenciadeterministao, porel contraro,a travsde un procesono estacionarioconuna
raiz unitaria.La conclusina la que lleganes que, aexcepcinde la tasade desempleo,
parael conjuntode seriesanalizadas,no puedenrechazarla hiptesisde razunitariay por
-
Capitulo 1 3
tanto, los shocksaleatoriostienenun efectopermanenteen la evolucinde la serie.
A razde sus resultados,hansurgidonuevaslneasde investigacintantoanivel
terico como emprico. As, Perron (1989), centra su anlisis en el estudio del
comportamientode los contrastesde racesunitariasen seriestemporalespermitiendoun
cambioestructuralexgenoconocidoen nivel dela serie,ensutasadecrecimientoo en
ambosa la vez.La conclusinprincipala la que llega esquelos estadsticosestndarque
contrastanla existenciade razunitariafrenteaalternativasestacionariasalrededorde una
tendenciadeterminista,no tienenpotenciapara rechazarla hiptesisnula cuando la
alternativapresentaun puntodecorteen la tendenciadeterministaen fechaconocida.Por
estarazn, cuandoanalizael ordende integracinen 14 de las 15 serieseconmicas
utilizadas porNelsony Plosser(1982), en 11 de ellas, rechazala hiptesisnula de
existenciade raz unitaria en favor de estacionariedadalrededorde una tendencia
deterministacon cambioestructuralen el nivel (8 series),en la pendiente(Iserie) o en
ambosalavez(2sedes),admitiendoportanto,quelos efectosde los shocksaleatoriosson
transitoriosparalamayorade ellas.
Complementandoel trabajo anterior,Perron(1990)ponede manifiestoque el
contrasteestndarde racesunitariasADF estsesgadohaciael no rechazode lahiptesis
nula de existenciade raz unitariacuandola alternativaesestacionariaconun cambio
exgenoen la mediaenunafechaconocida.Aun as,dichocontrasteesconsistentecuando
seintroducenvariablesficticias en la especificacinparateneren cuentala influenciadel
cambioestructuralanalizado.
En la lneade los trabajosdePerron(1989, 1990),Rappoporty Reichlin(1989)
tambininvestiganel comportamientode los contrastesde racesunitariasenpresenciade
cambiosestructuralesexgenosen fechasconocidas.De su trabajo se deduceque el
comportamientodegranpartedelas seriestemporaleseconmicasestmejorcaracterizado
por un procesoestacionarioalrededorde unatendenciadeterministacon cambiosen una
fechadeterminada.Al igual quePerron(1989),sealanqueel ADF tiendeano rechazar
la hiptesisnula de existenciade raz unitaria cuando estamosfrente a procesoscon
caractersticassimilaresa las anteriores.
-
Capitulo 1 4
En el contextode anlisisunivariantede seriestemporales,Cheny Tiao (1990)
lleganaunaconclusinsimilara la sealadaporPerron(1990). Su trabajosecentraen la
determinacinde la maneramsapropiadade modelarcambiosenel nivel de las series
temporalesas como en la cuantificacinde suinfluenciasobrela prediccinsi no son
tenidosen cuenta.Ponendemanifiestoque un procesoARMA con cambiode nivel
aleatoriopuedesermal especificadocomo un procesoARIMA. A pesarde ello, este
procesoesrobustoparapredecirfuturasobservaciones.
La literatura revisadapone de manifiesto el comportamientosesgadode los
contrastesde racesunitarias. En generalsetiendea sobreaceptarla hiptesisnula de
existenciade unarazunitaria, fi-enteaalternativasestacionariasconcambiosexgenosen
la mediadelprocesoo en la tendenciadeterministaenunafechaconocida.Porestarazn,
analizarsi realmenteel comportamientode unaseriesestguiadoporunprocesoconuna
razunitaria,exigedisearprocedimientosque seancapacesde distinguirlo de procesos
estacionarioscon cambiosestructuralesen la media o, en su caso,en la tendencia
determinista.Adems,sepresentaun problemaadicionalpuesconsiderarpuntosde corte
exgenosen el diseode los procedimientos,suponeotorgarcierto gradode subjetividad
al investigador.Estehecho, puedecondicionarel resultadofinal del anlisise incluso,
conducir a resultados tambin contradictorios. Para evitar este problema, las
investigacionesposterioreshanido dirigidas a proporcionarprocedimientosde anlisisque
incorporende formaendgenael posiblepuntode ruptura.Deestaforma,stesepuede
considerarcomoun parmetromsa estimardentrodelmodelo, liberandoal contrastede
los posiblesefectosperniciososquepuedansurgirde laseleccinapriori del perodoen
queseprodujoel puntode corte,evitandoel problemaconocidocomo data-mining. Por
esarazn,sehanpropuestomtodosde contrasteque van situandoel posible cambio
estructuralen cadaunade las observacionesla muestra.Dichosmtodosimplican tres
enfoquealternativos:el recursivo,
-
Capitulol 5
El Dickey-Fullerestndar,contrastalahiptesisnulaH0: p = O (existenciade
raz unitaria)medianteel clculodel seudot-ratio ~, utilizando todala informacin
muestral,suponiendoquenohaycambiosestructuralesen el restode los parmetrosji
y y. En cambio, los procedimientossealadosanteriomentesi tienenen cuentaese
hecho.La formadeimplementarlo,esjustamentela que defineel carcterde cadauno de
ellos.
Los procedimientosde contrastebasadosen los dosprimerosenfoques(recursivo
y rolling), aplicadosal anlisisde la existenciade racesunitarias,sellevana cabode
la siguientemanera.Dadoel modelo(1.1), la recursividadvienedadaporel hechode que,
dichomodelo,seestimarepetidamenteconsiderandounasubmuestrainicial, detamaot
jt0Tl. Los corcheteshacenreferenciaa la parteenterade dichoproducto.A t se le
llamaparmetrode trinming el cualperteneceal intervalo (0, 1). Habitualmente,la
literaturaempricalo sita dentro del intervalo (.15, .85), as controlaque el tamao
muestralen la iteracininicial no seademasiadopequeo.La primeraestimacinseaplica
aunamuestradedatosde amplitudt = t6. Enlas etapasde estimacinsucesivasseaade
unaobservacinadicional,obtenindosemuestrasde tamaot = t0 + 1, t0 + 2, ..., hasta
llegar a consideraren la ltima iteracinla totalidadde los datos disponibles.En cada
iteracin,y porconsiguienteparacadatamaomuestral(t = 4, 4 + 1, 4+ 2,..., T), secontrastalahiptesisnulade existenciaderazunitaria,H0: p = O, mediante el clculo
del seudot-ratio t?,(t) asociado al parmetrop. Terminadoel proceso total de
estimacin,habremosgeneradounasecuenciade seudot-ratiosde tamao1 - 4. Unavezquehemosordenadoesasecuencia,setomaun indicadorde lamisma,porejemploel
valor mnimodetodo el conjunto,esdecir
tREc = miE~.=~=Ttt,(t) (1.2)
El enfoquebasadoen rolling regression es muysimilaral anterior.El parmetro
de trimning determinael tamaode la muestrainicial. Dicho tamaomuestralva a
permanecerfijo durantetodo el proceso.Esto esdebido a que en cadaiteracin,a la
muestrainicial sele quitaunaobservacindel principio y sele aadeotraal final. As, si
-
Captulo1 6
la estimacininicial se realizcon un tamaomuestralde: 1 = 1, ... , t~, la segunda
estimacinserealizarconotramuestradeigual tamao,pero con informacindiferente
a la anterior,esdecir ahora1 = 2, ... , t0 + 1. Como en el enfoquerecursivo,en cada
iteracin,asociadoal parmetrop, secalculael valor del estadsticocorrespondienteal
contrastede la hiptesisnula de existenciade raz unitaria. Al final de la estimacin
tambindispondremosde la secuenciaordenadade seudot-ratios,de la quese tomacomo
ndicadorel valormnimo de la misma,
tROL = ~=t=(~)t~(t) (1.3)
Aunquelos procedimientosanterioressuponenunamuybuenaaproximacinala
endogeneizacinel puntode corte,cuentancon el handicap de que el clculo de los
seudot-ratiosselleva a cabocon informacindiferente(el procedimientorecursivova
alterandoel tamaomuestraly enel rolling, aunqueel tamaosemantiene,cambiael
perodomuestralutilizado).
El procedimientosecuencialconsiderasiemprelamuestracompleta,utilizandoen
cadaiteracinla mismainformacin.Partede la siguienteespecificacin,
= 1+ -~- y0t + y1D~(t0) + P~-1 + t = 2 1 . (1.4)
Paraanalizarcambiosestructuralesslo en lamediao slo en lapendiente,basta
conconsiderarlas versionesrestringidasdelmodeloanteriorcuandoseimpone i~ = O o
bien, v~ = O respectivamente.En cadaiteracin,seconsiderat~ como posiblepunto de
corte.Paraintroducirlo dentrodel modelo,y admitir la posibilidaddel cambioen lamedia
de la serie,sedefine la variableficticia D~,donde, D~ = 1 si 1 >t0yD~=Oencaso
contrario.Con el regresorD ~(t~)~ definido apartir deD~de la siguienteforma: D~(t0)
(1 - t~) ~ secapturala posibilidaddel cambioen la pendiente.En los doscasos,el
puntode cortesesitaen laventanade datoscomprendidaentrelas observaciones10 y
- te, evitandoas los problemasderivadosde susituacinmuy al principio o muy al
final de la muestra.Dichaventanaestdeterminada,como en los enfoquesanteriores,por
el parmetrode trimming u En cadaiteracinla variableficticia alterasu composicin,
ampliandoel nmerode cerosy disminuyendoel nmerodeunos.Deestaformaserecorre
-
7Captulo1
el puntode rupturaa lo largode la ventanaseleccionada,situndoloen cadaiteracinen
laobservacinsiguienteadondesesitu enla inmediatamenteanterior.Al igual quelos
procedimientosantenores,cuantotermineel procesode estimacin,tendremostodauna
secuencade seudot-ratios asociadosal parmetrocorrespondiente.Por ejemplo si
queremoscontrastarlanulade existenciade razunitaria,Ha: p o, obtendremosla
secuenciadeseudot-ratiosasociadosal parmetrop y unavezordenada,setomasuvalor
mnimo. Esteserconsideradoel estadsticosecuencial,
t~1~ =min~=~1~>%(t) (1.5)
El hechodiferencialdesteltimo contrastefrentea los dosanteriores,esdecirel
considerarentodo momentotodala informacinmuestral,hacequehayasido el preferido
porla mayorpartede los investigadores.Perrony Vogelsang(1991),Christiano(1992),
Zivot y Andrews(1992)utilizan el procedimientosecuencialen sus trabajos.Si bien el
enfoquede estosestudiosessimilar, el primeroanaliza cambiosen el nivel de la serieen
unasolaobservaciny cambiosgraduales,ambosen fechasdesconocida;el segundose
apoyaen mtodosdeboostrapingy, Zivot y Andrews(1992)empleanuna versindel
contrastede racesunitariaspropuestoporPerron(1989)parael casoen el quepuntode
rupturaen la tendenciano seconocea priori. Parael anlisisutilizan el procedimiento
secuencialbasadoencontrasteADF de razunitaria.Recomiendantomar como estimador
del puntode ruptura,al igual quePerrony Vogelsang(1991),la observacinasociadaal
mnimo de la secuenciade estadsticos,puesessteel resultadomenosfavorablerespecto
a la aceptacinde la hiptesisnula de existenciade una raz unitaria. Aplicado este
contrastea las seriesutilizadasporNelsony Plosser(1992),no encuentrantantaevidencia
en contrade laexistenciade razunitariacomola detectadaporPerron(1990),aunquesi
ms que los primeros. Chu y White (1992) llegan a un resultadosimilar al aplicar
contrastesque ellosproponenalas seriesanteriores.Estosautoresdiseandostipos de
contrastesen los queconsiderancomo hiptesisnulaprocesosestacionariosalrededorde
unatendenciadeterministaestable.Cadauno de los doscontrastesqueproponentoman
comohiptesisalternativaprocesosestacionanosconcambioestructuralen la tendencia
determinista.Estainestabilidaden la funcinde la tendenciadeterminista,puedeestar
motivadaporun cambioen elparmetroquedeterminasupendiente,porun cambioen el
-
Captulo1 8
parmetroquedetermnasunvel o, porambosa la vez.
El empleode procedimientosrecursivosy secuencialessepuedeencontraren el
trabajode Banerjee,Doladoy Galbraight(1990).En l estudianpropiedadesasintticas
de ambostipos de estadsticosy, tras aplicarlosa dos serieslargasdel GNP per cpita
americano,no encuentranevidenciaen favor de cambioen la tendencia.Un estudioms
detallado acerca del comportamientode las distribucionesempricas de los tres
procedimientos,ha sido llevado acaborecientementeporMontas(1996a,1 996b).En
estostrabajos,quesonunaextensindel desarrolladoporBanerjee,Lumsdainey Stock
(1992),seconfirmanresultadospreviosindicandoque el procedimientosecuencialsupera
a los otros dos al contrastarestacionariedad.Montasanalizacmo seve afectadala
distribucinempricadeun contrastesecuencialde razunitariaporel gradode correlacin
serial y por la magnituddel cambioen la tendenciaestocsticao determinista.En sus
simulacionesmuestraqueel poderdelcontrasteaumentacon el tamaodel saltoy decrece
con el gradode correlacinserial.Tambindestacaquela alteracindelpuntode ruptura
en modeloscon tendenciaestocsticao, el cambioen elparmetrode trmnzing, tienen
pocainfluenciasobrela potenciadel contraste.Sin embargo,su estudioquedaun tanto
incompletoenel sentidode queno analizalas distorsionesdeltamaodel contrastecuando
estamosfrenteamodeloscon tendenciaestocsticano nulaestableo inestable.
En resumen,hemosplanteadocomo el anlisis del comportamientode los
estadsticosque permiten caracterizarel verdaderoorden de integracinde series
temporaleseconmicas,generadaspor procesosunivariantesinestables,esde crucial
importancia. Sin embargo,dadas las interrelacionesexistentesentre las variables
econmicas,no slo son relevanteslas consecuenciasque se puedanderivar a nivel
individual si dicho orden no se identifica correctamente.Tambin, podemosestar
condicionandolasposiblesrelacionesen los procesosmultivariantesquecaracterizanel
comportamientoconjuntode las seriestantoacorto comoalargoplazo.
Es precisamenteen el contextodel largoplazodondeel anlisiscobraunmayor
inters.Podemospreguntamossi existenrelacionesde equilibrio a largoplazoentredos
o msseriesque, aunsiendono estacionarias(1(d) con d > 0), tienenel mismoordende
ntegracin.Encasoafirmativo, sepuedenencontrarunao variascombinacioneslineales
-
Capitulo 1 9
entreellasquepresentanun ordende integracinmspequeo(J(d-b)conb > 0)porlo que
decimosque dichasseriesestn cointegradasde orden(d, b). Porejemplo,si las series
tratadassontodas1(1) y estncointegradasde orden(1, 1), entonceslas combinaciones
linealesque caracterizanlas relacionesde equilibrio a largo plazo sern1(0). Por eso
volvemosadestacarla importanciaquetienecaractenzarcorrectamenteel comportamiento
de los estadsticosqueanalizanel ordende integracindelas series,puespodemosadmitir
queno estncointegradascuandoefectivamentesi lo estno al contrario.
Bsicamenteexistendosprocedimientosparadetectarrelacionesde cointegracin
entreseriestemporales.El procedimientouniecuacional,propuestopor Engley Granger
(1987), y el multiecuacionaldesarrolladopor Johansen(1988,1991).El primerode ellos
sebasaen la estimacinporMCO de unanicaecuacinque caracterizala relacinde
equilibrio a largo plazode las variablesdel sistema.Porejemplo,dadoun vectorde series
econmicasX~1 = [x~, x2~, ... ,XNtI, unavezque sehaanalizadola relacinde causalidad
y que sehacomprobadoqueel ordendeintegracinindividual delas variablesesel mismo
[supongamos que son 1(1)], si efectivamenteestncointegradas,de orden (1, 1), los
residuosde la regresin que caracterizala relacin de equilibrio a largo plazo,~1
= con [x1~,x11~, x1>1~... ,XNt], debern ser 1(0). El vector de
parmetros,~,no esmsque la estimacinde la relacindeequilibrio del largoplazoo
relacinde cointegracin.LgicamentepodremosencontrarcomomximoN- 1 relaciones
decointegracin.Dadoesteenfoqueuniecuacional,estasrelacionesslo sepodrnestimar,
s existen,de unaen unay no conjuntamente.Adems,no seconsideranlos efectosde las
posiblesrelacionesdinmicasacoftoplazoentrelas variablesdelsistema.Ambosaspectos
s sontenidosen cuentaen enfoquemultiecuacionaldesarrolladoporJohansen(1988).
El anlisis de cointegracinpropuestopor Johansen(1988) parte de una
representacinVAR (vectorautorregresivo)no restringidode ordenk de la forma,
X=AX # (0,2)1 ti +AkXtk +u uN (1.6)1 t
y sereformulaen la forma del modelo de correccinde error (MCE) el cual adoptala
siguienteexpresin,
-
Captulo1 10
AX zzTAX + +1 AX +ll3(1 tI kI tk~I tk + (1.7)
con:
La representacinen formadeMCE, proporcionainformacintantodel cortopazo
(a travsdelas matricesdeparmetrosTi) comodel nmerode relacionesde equilibrio
alargopazo,calculadasy detenninadasenun nmeroigual al rangode lamatrizII, el
cual, no puedeser mayor que N-1 si efectivamente,las N variablesdel sistemaestn
cointegradas.
Una vezque seha detectadola posiblerelacin(o relaciones)de equilibrio a largo
plazo parece lgico preguntarsesi los parmetros que determinandicha relacin,
permanecenconstanteso no en todo el perodomuestral.La inestabilidadpuedevenir
generadapor lapropiainestabilidadde algunade las variablesintroducidasen el modelo,
o bien porque la estructura del sistema cambie en un momento del tiempo. Si
efectivamentela relacinesinestable,tendremosquedetectarloteniendopresentequela
potenciadelos contrastesdecointegracinsevealteradaen contextosde inestabilidad.Asi
podemosconsiderarerrneamentequeno existenrelacionesde equilibrio a largopazo
cuandoefectivamentesi las hay,perocambianen algn momentodel tiempo.Habrque
determinarqueexistenunao variasrelacionesde cointegracin,si soninestablesy, en la
medidade lo posible,determinaren qu momentodel tiemposesitael puntode ruptura
o cambioestructural.Los trabajosde 1-lansen(1992),Hanseny Johansen(1993),Gregory
y Hansen(1996),Campos,Ericssony Hendry (1993)y Gregory,Nasony Watt (1996)
entreotros,abordanestetipo decuestiones.
Los contrastespropuestospor Hansen(1992)y Hansen y Johansen(1993)son
recursivos,mientrasqueel de Gregoryy Hansen(1996)essecuencial.A pesarde quela
hiptesisnula quecontrastancadaunode ellosesdiferente,tienenencomnque ninguno
suponeconocidoel puntodecorteen la relacinde cointegracin.Hansen(1992),propone
tomar el supremoy la mediade unasecuenciade estadsticossimilares al contrastede
-
Capitulo 1 II
Wald de igualdaddeparmetrosen dosperodosde tiempo calculadoscon el fully
modWedestimator propuestoporPhillipsy Hansen(1990).El estadsiticopropuestopor
Hanseny Johansen(1993) analiza recursivamentela constanciade la relacinde largo
plazo(vectordecointegracin)suponiendoconstantela dinmicadelconopazo. Setrata
en un contrastede raznde verosimilitudparael vectorde cointegracinpropuestopor
Johanseny Juselius(1992). Porltimo, en el contrastede Gregoryy Hansen(1996)se
toma el mnimo de una secuenciade estadsticoscalculadosa partirdel contrasteADF
aplicadoa los residuosde la relacinde cointegracin,de formaanlogaa la descritaen
Bugley Granger(1987).
Gregory,Nasony Watt(1996),evalanel comportamientodelcontrastedeHansen
(1992),enrelacionescointegradasenun marcolineal cuadrticoconcostesde ajustey del
ADF. De su trabajo se desprendeque el contrastede Hansen(1992) tiene un tamao
adecuadocuando la relacin de cointegracines estable,sin embargo,su potencia
diminuye a medida que los costesde ajusteson mayores.Un comportamientosimilar
detectanen el ADE, parael que la frecuenciade rechazosde la hiptesisnula de no
cointegracin,disminuyeen presenciade cambiosestructurales.De maneraanloga,
Campos,Ericssony Hendry(1993),examinancmo secomportanbsicamentedostipos
de contrastesde cointegracin(convertidosen cuatrosegnseael vectorde cointegracin
conocidoo no) en presenciade cambiosestructurales.El primerode ellosestbasadoen
el procedimientode dospasospropuestoporEngley Granger(1987)y, el segundoesel
t-ratio asociadoal parmetrode ajustedelmecanismode correccinde error,propuestopor
Banerjee,Dolado,Hendryy Smith (1986).Concluyenqueel tamaode los contrastesno
sufregrandesdistorsionesantecambiosestructuralesy, en general,el segundogrupode
contrastesesmspotenteque el primero.
1.3.-CONTENIDO DE LA TESIS
Estatesisdoctoral,seenmarcaen el contextoanterior,retomandoaspectosqueno
hansido tratadosen la literaturarevisada.Enparticular,noscentramosen la influenciade
la inestabilidadparamtricasobrelos contrastesde racesunitariasy sobrelos contrastes
de cointegracin en presenciade cambiosestructurales.Respectoa los primeros,
-
Capitulo 1 12
analizamossucomportamientocuandola inestabilidadsemanifiestaen dos direcciones.
La primera,aparececuandoseproducencambiosen la tendenciaestocsticadelproceso
generadordela seriey, lasegundacuandocambiael ordende integracin.En amboscasos,
ademsde estudiaren profundidadel comportamientode algunosde los estadsticos
propuestosen la literatura e ilustrar algunos resultadosparadjicos,proponemos
estadsticosmsrobustoslos cualestambin proporcionanestimacionesacercade la
localizacindelpunto de corte.Adicionalmente,parael casoen el que la inestabilidad
paramtricaes debida a un cambio en la tendenciaestocstica,presentamosun
procedimientometodolgicoparadetectarel ordende integracindel procesogenerador
de la serie.Finalizaestapartedel estudio,aplicandolos contrastesal ndicede produccin
industrialdeAlemania,Canada,Espaa,EstadosUnidos,Francia,Italia, Japny Renio
Unido y, al productointeriorbruto de Alemania,Canada,EstadosUnidos,Italia, Japny
RenioUnido.
Un estudiosimilaral anteriorhasido llevadoa caboparael casode los contrastes
de cointegracinen presenciade cambiosestructurales.En general,ademsde hacerun
estudiocomparativoentretrestipos de contrastesde cointegracin,paradeterminarcul
de ellosesmsrobustofrente a distintasalternativasde inters,tambin,como en el caso
anterior,seproponennuevosestadsticos.La aplicacinempricade estapartedeltrabajo
lahemoscentradoen analizarla influenciade la inestabilidadparamtricade la demanda
de dinerosobreel cumplimiento,a largopazo,delmodelomonetario.Paraello utilizamos
los tipos de cambiobilateralesdela pesetay el G-7junto con Suiza.Dadala amplituddel
trabajo, lo presentamoscomoltimo captulode la tesis.
Los doscasossobrelos que hemoscentradoel anlisis de la influenciade la
inestabilidadparamtricasiguenunaestructurasimilar. Hemoscalculadoy tabuladolas
distribucionesempricasde todosy cadauno de los contrastesutilizados,tambinhemos
analizadolas posiblesdistorsionesen su tamaoy, porltimo, sehaestudiadosupotencia
frentea una gamaamplia de alternativasrelevantessegnel escenarioconsiderado.A
continuacin,presentamosbrevementeel contenidode cadauno de los captulos.
En el segundocaptulo, Un Contraste ADF Secuencialpara la Deteccinde
Cambios en la TendenciaEstocstica, analizamos en prondidad el comportamiento
-
Capitulo1 13
del contrasteADF de racesunitarias ante cambios estructurales.En este estudio,
ampliamosla investigacinrealizadahastael momentoen variasdirecciones.Tomando
la versin del contrastesecuencialpara el contrastesde raz unitaria con tendencia
cambiantepropuestoporBanerjee,Lumsdainey Stock(1992),proponemosdostipos de
contrastessecuenciales.En elprimerode ellosse contrastala existenciaderaz unitariay
un posiblecambioen latendenciaestocsticadelprocesogeneradorde laserie.El segundo
es unaversinrestringidadel anterioren el sentidode queseimpone laexistenciaderaz
unitariay, por tanto,secontrastaslo la inestabilidaden la tendencia.De las secuencias
de estadsticosgeneradasse toman,comoHansen(1992)propone, el supremo y la media.
El supremopermitirdisponerdecontrastesconpotenciafrenteacambiosunitariosen la
tendenciay, lamediafrenteacambiosgraduales,ademsde aminorarlos efectosde los
valoresatpicos.Siguiendola recomendacinde Zivot y Andrews(1992), seestudiael
comportamientode laobservacinasociadaalsupremo,comoposibleestimadordelpunto
de corte.
Comenzamosel estudio tabulando las distribucionesempricas de los seis
estadsticosmediantesimulacionesde Monte Carlo,paradiferentestamaosmuestrales.
La hiptesisnulaconsideradaespaseoaleatorio,sin cambioen la tendenciaestocstica.
Dadoslos valorescrticoscalculados,examinamoslasposiblesdistorsionesde tamaode
cadacontrastecuandoexisteunatendenciaestocsticano nulaa lavez queanalizamos,
comoentodoslos ejerciciosde simulacin,elcomportamientodelcontrasteADF estndar.
En general,los contrastessonmuy conservadoresen presenciade tendenciano nula. A
continuacin,investigamosel comportamientode los seisestadsticos(siete,considerando
el ADF) bajoalternativasintegradasde ordenunoconcambioenla tendenciaestocstica.
El resultadodel anlisismuestraqueel comportamientode los estadsticosdependede
maneramuy directade laconcavidado convexidadde las series.El comportamientodel
ADF resulta ser muy errtico pudiendo consideraruna serie 1(1) cncava como
estacionaria.Dadoque,grficamentelasseriesinestablesintegradasde ordenunosonmuy
parecidasa las series establesintegradasde orden dos, tambin hemosanalizadoel
comportamientode los estadsticosanteestetipo de alternativas.A excepcindelADF,
quepuedeconsiderarunaserie1(2) cncavacomo si fueraestacionaria,el restode los
estadsticosse comportande formasimilar antelos dostipos de alternativas.Frutode este
-
Captulo 1 14
anlisisproponemosun procedimientoque,empleandotodo el grupode estadsticos,nos
permitir caracterizar el proceso que gua el comportamiento de la serie que se analiza.
Una vez quehemosanalizadoel comportamientode los contrastesparadetectar
cambiosen la tendenciaestocstica,les aplicamosa las seriesdel ndicede produccin
industrialde Alemania,Canada,Espaa,EstadosUnidos,Francia,Italia, Japn y Reino
Unido y, al productointeriorbruto deAlemania,Canada,EstadosUnidos,Italia, Japny
Renio Unido. En general, se pone de manifiesto que siempre que se detecta un cambio en
Ja tendencia estocstica de la serie, se produce un rechazo de la hiptesis nula de raz
unitaria en favor de estacionariedad por parte del ADFy, al contrario.
Siguiendo la lnea anterior, en el captulo tercero de la tesis$Un Contraste ADF
Secuencialpara la Deteccinde Cambios en el Orden de Integracin, se aborda el
estudio de un segundotipo de inestabilidadparamtrica.Dicha inestabilidadestada
generadapor los distintos rdenes de integracin que puedenpresentarlas series
econmicassuficientementeamplias.Pensemos,porejemplo,enel comportamientode los
diferenciales de las tasas de inflacin (o cualquier otra macromagnitud relevante: tipos de
Inters,ndicesde produccin,etc) de los pasesmiembrosde laUnin Europeaantesy
despusdel establecimientode los criterios de convergencia.Inicialmente,las polticas
econmicas de los diferentes pases perseguan la consecucin de objetivos individuales.
Esohizo quevariableseconmicasevolucionasenpor sendasdiferentes,dependiendode
cada pas. Trasel establecimiento de los criterios de convergencia, los objetivos de poltica
macroeconmica pasaron a tomar una dimensincomunitariay, parasuconsecucin,hubo
que reorientar las polticas individuales. Como consecuencia,se produjo un mayor
paralelismo en la evolucin a lo largo del tiempo de las anteriores variableseconmicas.
Por tanto, es de esperar que el diferencial de alguna de estas variables de un determinado
pas respecto a otro, experimente un cambio de comportamiento antes y despus de la fecha
en la que se establecieron tales criterios, manifestndose en un orden de integracin
diferente.
No empleamos tendencias temporales deterministas en la especificacin de los contrastes pues, su interpretacineconmica no es sencilla. Adems pueden tener asociadas consecuencias poco agradables debido a la reversibilidad
del tiempo. En consecuencia, centramos nuestro anlisis en el contexto de inestabilidad dc la tendencia estocstica
-
Captulo 1 15
Parallevar acaboel anlisis,proponemostrestipos de contrastessecuenciales.En
el primerodeellos,secontrastasimultneamentela existenciade razunitariaen la primera
y segundamitad del proceso.Los otrosdos, sonversionesrestringidasdel anteriorpues
surgenal imponerla existenciaderazunitariaen la primerapartede lamuestraen un caso
y, en la segundaparteen el otro. Como en el capitulo anterior, nos centramosen el
supremo y la media de la secuencia de estadsticos generados. Una vez tabuladas sus
distribucionesempricasbajola hiptesisnuladepaseoaleatoriosin tendenciaestocstica,
analizamossu potenciabajo distintos escenariosde estacionariedad,parcial o total,
comparndolasiemprecon la del ADF. En primer lugar, consideramosalternativas
caracterizadas por series temporales guiadas durante un perodo de tiempo por un proceso
estocsticointegradodeordenuno, con y sin tendenciaestocstica,y la otrapartepor un
procesoestacionario.En el segundolugar,analizamosla potenciade los contrastes bajo
alternativastotalmenteestacionariasque puedenapareceren tres grupos: 1) tanto el
coeficientede correlacincomo lamediade la seriesoninvariantesentodo el periodo
temporal,2) slo esinvariantela mediaperono el coeficientede correlaciny, porltimo,
3) cambiala mediade lasseriesperono el coeficientede correlacin.
En el cuarto capitulo de la tesis, Anlisis Comparativo de 3 Estadsticos para
la Contrastacin de Inestabilidad Paramtrica en Relacionesde Cointegracin, nos
centramosen compararel comportamientode los contrastesde Hansen(1992),Hanseny
Johansen (1993) y Gregory y Hansen(1996),los cuales,comoantessealamos,tienenen
comn el desconocimiento del punto de corte en la hiptesis nula.
En las simulaciones, utilizamos el procesogeneradorde datos habitualen esta
literatura (vase Banerjee et al. (1996), Engle y Granger (1987),Phillipsy Hansen(1990)
y Gonzalo (1994), por ejemplo).Siguiendoel ejemplode Hansen(1992),tabulamos,por
prmera vez, la distribucin asinttica de la media de la secuencia de los estadsticos
generada a partir del contraste de Gregory y Hansen (1996). Para el contraste de Hansen
y Johansen(1993),hemoshecholo mismotantoparalamediacomoparael supremo,pues
en el trabajo inicia] slo se deriva tericamente la distribucin asinttica para el caso en
el que punto de corte es conocido. Una vez que tenemos tabuladas todas las distribuciones
asintticas para todoslos estadsticos,analizamossurobustezrespectoavariacionesen los
parmetrosdel procesogeneradorde datos.
-
Captulo 1 16
En la siguientepartedeltrabajoseestudianlas posiblesdistorsionesdeltamao
nominal de los contrastes,debidas al tamao muestral,y su potenciabajo cuatro
alternativasrelevantes:1) ausenciacointegraciny estabilidadparamtrica,2) existencia
de cointegracinconestabilidadparamtrica,3) existenciade cointegracineinestabilidad
paramtrica:3a) con slo un puntode cortey, 3b) con dospuntosde corte.El anlisisnos
permitir evaluarla potenciade los contrastesa la hora de distinguir entremodelos
cointegradosy no cointegrados.Tambinpodremosevaluarel sesgoy precisindel
estimadordel puntodecorte(uno o ms).stenospermitir determinarmuestrasms
estables.Por ltimo, dado que hemos usadosvarios tamaosmuestrales,tambin
analizamossucomportamientoenmuestrasfinitas. Anticipamosquede los trescontrastes
analizados, es el propuesto por Gregory y Hansen (1996) el que mejor comportamiento
presenta.
Por ltimo, secierra la tesiscon el capitulo quinto Inestabilidad de la Demanda
de Dinero y Comportamiento del Modelo Monetario para la Peseta. Durante el
perodo de tipos de cambio flexible, analizamos empricamente la validez del enfoque
monetario para explicar, a largo plazo, el comportamiento del tipo de cambio bilateral de
Espaay otro grupode pases.Consideramosque el pocosoporteempricoquehatenido
esteenfoque puedeserdebidoala inestabilidadde uno de sus componentesprincipales:
la demanda de dinero.
Se ha calculado la relacin terica de largo plazo para el tipo de cambio bilateral
nominal,laofertarelativade dineroy larentarealrelativade bienesapartir de laversin
del modelo monetario de precios rgidos propuesta por Dombusch (1996). Segn el
mtodo de solucin propuesto por Blanchard y Khan (1980), especificamos dicha relacin
de largo plazo y, utilizamos el procedimiento de Engle y Oranger (1987) y Phillips y
Hansen(1990>paraestimarla relacindecointegracin,lacualno sedetectaen el total
de la muestra.Paraanalizaren qumedidalo anteriorestdeterminadoporla inestabilidad
de la demandade dinero, especificamosunarelacin de largo pazo de la demandade
dinero diferente a la utilizada habitualmente en la literatura y, con el contraste de Gregory
y Hansen (1996) analizado en el captulo anterior,seleccionamoslos perodosmuestrales
en los queparecemsestable,submuestrasen las quereestimamosla relacinde largo
plazo del tipo de cambio. Los resultados parecen ser concluyentes, en el sentido de que
-
Captulo1 17
aparecenrelacionesde cointegracinconcoeficientessignificativosy los signosadecuados
en lamayorade lasrelacionesbilaterales.La inestabilidadparamtricatiendeadisminuir,
lo cualrefrendala verificacinde lahiptesisplanteada.
-
Capitulo 1 18
1.4.-REFERENCIAS
Balke, N. y T. Fomby, 1991, Shifting Trends, SegmentedTrends and InfrequentPermanet Shocks, Journal ofMonetaryEconomios28,61-85.
Banerjee, A., R. Lumsdaine y J. Stock, 1992, Recursive and Sequential Tests of the Unit-Root andTrend-BreakHypothesis:TheoryandInternationalEvidence,JournalofBusinessmdEconomicsStatistics10, 271-287.
Banerjee,A., J.J. Doladoy J. Galbraith, 1990, RecursiveandSequentialTestsfor UnitRootandStructuralBreaksin LongAnnual GNPSeries, Servicio de Estudios delBanco de Espaa, Documento de Trabajo 9010.
Banerjee,A., J.J. Dolado, D.F. Hendry y G.W. Smith, 1996, Exploring EquilibriumRelationshipsin EconometricsTrhough Statics Modeis: Some Monte CarloEvidence,OxfordBulletin ofEconomiesandStatistics48, 253-277.
Blanchard,O.J. y Ch. Khan, 1980, The Solutionof Linear Difference Models underRational Expectations, Econometrica48, 1305-1311.
Campos,J., C., N.R. Ericsson y D.F. Hendry, 1993, Cointegration Test in The presenceofStructuralBreaks,Boardof GovemorsoftheFederalReserveSystem,Number440.
Chen, C. y U. Tiao, 1990, Random Level-Shifi Time Series Models, AiRIMAApproximations,andLevel-ShiftDetection,JaurnalofBusinessandEconomiesStatistics8, 83-97.
Christiano,L.J., 1992, Searchingfor aBreakin GNP,JournalofBusinessandEconomieStatistics10, 237-250
Chu, C.S.J.y H. White, 1992,A Direct Test for Changing Trend, Journal ofRusinessandEconomiesStatistics8,289-299.
Dickey, D. A. y W. A. Fuller, 1979, Distribution of the Estmators for an AutorregressiveTime Serieswith aUnit Root, Journal ofAmericanStatisticalAssocation74,427-431.
Dombusch, R., 1976, Expectations and Exchange Rate Dynamics,JournaofPoltica!Econony84, 1161-1176.
Engle,R.F. y C.W.J.Granger,1987, CointegrationandError Correction:Representation,EstimationandTesting,Econometrica55, 25 1-256.
Frances,P.H. y N. Haldrup, 1994, The Effectsof Additive Outliers on Testsfor UnitRootsandCointegration,Journal ofBusinessandEconomieStatisties 12, 471-478.
-
Captulo1 19
Gonzalo, J., 1994, Five Alternative Methods of Estimating Long-Run EquilibriumRelationships,JournalofEconometres60, 203-233.
Gregory, A.W., .l.M. Nasony DXII. Watt, 1996, Testing for Structural Breaks inCointegratedRelationships,JournalofEconometrcs71, 321-341
Gregory,A.W. y RE. Hansen,1996,Residual-BasedTestsfor Cointegrationin Modelswith RegimeShifts, Journa!ofEconometrics70, 99-126.
Hansen,B.E., 1992, Testsfor ParameterInstability in Regressionswith 1(1) Processes,Jaurna!ofBusiness& EccnomicStatistics10, 32 1-335.
Hansen,H. y 5. Johansen,1993,RecursiveEstimationin CointegratedVAR-Models,InstituteofMaihematica]Statistics,Universityof Copenhagen.
Hendry, D.F. yN.R. Ericsson, 1991, An Econometric Ana]ysis of UKMoney Demand,AmericanEconomicReview81, 8-38.
Johansen, S., 1988,StatisticalAnalysisof CointegratingVectors~,JournalofEcononicDynamics& Control 12, 23 1-254.
.lohansen,S., 1991, Estimation and HypothesisTesting of CointegratingVectors inGaussianVectorAutorregresiveModels, Econometrica60, 1551-1580.
Johansen, 5. y K. Juselius, 1990, Maximun Likelihood Estimation and Inference onCointegration with Applications to the Demand for Money, OxfordBu//dinofEconomicsandStatistics52, 169-211.
Montas,A., 1996a,Contrastede RazUnitaria y RupturaEstructural:UnEstudiodeMonte Carlo para los EstadsticosRolling, Recursivoy Secuencial,RevistaEspafria de Economa13, 39-74.
Montas,A., 1996b,Efecto de unaRupturaEstructuralsobrelos Contrastesde Dickey-Fuller, RevistaEspazkladeEconoma13, 221-237.
Nelson,C. It y C.1. Plosser,1982, TrendsandRamdomWalks in MacroeconomicTimeSeries: SomeEvidenceand Implications, JournalofMonetaryEconomies10,139-162.
Perron, P., 1989, The Great Crash, the Oil Price Shock, and the Unit Root Hypothesis,Econometrica57, 1361-1401.
Perron,P., 1990, Testing for Unit Rootin aTime Serieswith aChangingMean,JaurnalofBusinessandEcono,nicsStatistics8, 153-162.
Perron, P. y T.J. Vogelsang, 1992, Nonstationarity and Level Shifts with an Applicationto PurchasingPowerParity, JournalofBusinessatid EconomicsStatistics10,301-320.
-
Captulo1 20
Phillips, P.C.B. y B.E. Hansen,1990, Statistical Inferencein InstrumentalVariablesRegressionwith 1(1)Processes,ReviewofEconomicStudies57, 99-125.
Rappoport,P. y L. Reiclilin, 1989, SegmentedTrendsand Non-StationaryTime Series,Tire EconomicJournal99, 168-177.
Zivot,E. y D.W.K.Mdrews,1992, FurtherEvidenceon theGreatCrash,theOil PriceShock,andtheUnit RootHypotesis,ReviewofEconomieStudies57, 99-125.
-
Captulo II
Un contrasteADF secuencialpara Jadeteccinde cambiosen la tendencia
estocstica
-
CapituloII 22
11.1.-INTRODUCCIN
La investigacin sobre la naturaleza estacionaria o no estacionaria de series
temporales econmicas iniciado por Nelson y Plosser (1982), ha conducido en pocas
recientesal desarrollode procedimientosde contrastecapacesde enfrentarsea las
situacionesmstpicasde inestabilidadparamtrica,talescomovaloresatpicosy cambios
estructurales.La abundanteliteraturarecientesehacentradoprincipalmenteen los efectos
que tienen los cambios estructuralessobre el comportamientode los contratesde
estacionariedad.El resultadocomnen muchosde ]os trabajos(Rappoporty Reichilin
(1989),Hendry y Neale (1990),Perron (1989, 1990), Chen y Tiao (1990), Perrony
Vogelsang(1992) entreotros), esque la presenciade cambiosestructuralestiende a
producir una sobreaceptacinde la hiptesisnula en los contrastesde racesunitarias
estndar,talescomoel contrastede Dickey-Fulleraumentado(ADF). Consecuentemente,
numerososinvestigadoreshandirigido susesfuerzoshaciael diseodeprocedimientosde
anlisisconpotenciafrentea alternativasestacionariasinestables.
La literaturainicial secentren analizarel efectosobrelos contrastesde races
unitariasde un simplecambioestructuralen la tendencia[Rappoporty Reichilin (1989),
Perron (1989), Hendry y Neal (1990) y Chu y White (1992)] determinista y/o estocstica
[Perron(1990) y Chen y Tiao (1990)] del proceso de la serie temporal, en una fecha
conocida.Como seindic, el resultadobsicoconseguidoen estaliteraturaesque, en
presenciade tendenciassegmentadas,el comportamientodel contrastede razunitariaest
sesgadohacia la hiptesisnula de no estacionariedad.En relacina estetema,varios
procedimientosfueron propuestosparateneren cuentael cambioen la tendencia.Sin
embargo, la controversiasobre los diferentes resultadoseconmicosconseguidos
dependiendode la eleccinexgenadel puntode corte[Cristiano(1992),Zivot y Andrews
Sin embargo, hay excepciones a la conclusin general. Por ejemplo, Montas (1996b> muestra que en series
econmicas temporalesconun cambioestructuralen la tendenciadeterminista,el comportamientoasintticodel
contrasteADF no estsistemticamentesesgadoen favor de la hiptesisnula. Tambin,la literaturasobre
contrastesderaicesunitariasen presenciadevaloresatipicosaceptaun resultadosimilar. Porejemplo,Francesy
L-laldrup (1994)muestranquelapresenciade addiuveoutlier> o tenzporarychangeoutlier tiendeaproducir
estacionariedadesprea.
-
23Capitulo II
(1992)], condujo a los investigadoresa desarrollarprocedimientosque incorporasen
endgenamentela eleccindel punto de corte, evitando as los fallos de la literatura
anterior.
Paraanalizarel temadel contrastede racesunitariasen seriestemporalescon
cambioestructuralen unafechadesconocida,los investigadoreshandesarrolladovarios
procedimientosrecursivos,secuencialesy rolling regressions. Sin embargo, estudios
comparativos[Banerjee,Lumsdainey Stock (1992)y Montas(1996a)Jindicanquelos
procedimientos secuenciales tienen generalmente ms potencia en contrastes sobre
estacionariedad pues usan toda la informacin muestral. Consecuentemente, en este
articulonoscentraremosen contrastessecuenciales.El procedimientosecuencialbsico
usadoen la literatura[Banerjee,Lumsdainey Stock (1992),Zivot y Andrews(1992),
Perronyvogelsang(1992)y Montas(1996)] estbasadoen el contrastederazunitaria
ADE, y seleccionael supremo(minimo) de la secuenciade estadsticos-tdel ADE para
todos los posiblespuntos de corte en la muestra2.Adems,algunosautorestoman la
posicinmuestralasociadaaesteestadsticocomola mejoreleccinparala localizacin
del punto de corte. En general, los anlisis empricosque usanestosprocedimientos
secuencialestiendenarevertir los primerosresultadossealadosporPerron(1989,1990),
no encontrandoevidenciasignificativaen contrade la hiptesisde razunitariaen muchas
de las seriestemporaleseconmicasconsideradas.
Los resultadosde las simulacionesllevadasa caboporBanerjee,Lumsdainey
Stock (1992) y Montas(1996a), indican que los estadsticossecuencialesde races
unitariastienenbuenapotenciafrenteaalternativasestacionariasestablese inestables.La
potencia de los contrastes, en muestras finitas, depende del grado de correlacin serial y
de la magnituddel salto en las tendenciasdeterministasy/o estocsticas.La potencia
incrementacon el tamaomuestraly la magnituddel salto, y decrececon el gradode
En general,slo un subconjuntodetodoslosposiblespuntosdecortesonconsiderados,ignorandolos queestn
localizadosenlos extremosdela muestra.Esprcticacomnen la literaturaaplicarun porcentajedeeliminacin
simtricodel 15%,aunquealgunosautoresestnafavordeporcentajesmsgrandes,especialmenteparatamaos
muestralespequeos.Esteporcentajede trinuning seconvieneenunaparmetroruidosoenlas distribuciones
asintticasdelos estadsticos,aunqueMontas(1996a)hamostradoqueparael casoconsideradoenel captulo
(cambiosen la tendenciaestocstica)lapotenciadelcontrasteesbastanterobustaaun amplio rangodevaloresde
trimtning.
-
Captulo II 24
correlacin serial, sin embargo, este comportamiento no es siempre monotnico. Adems,
la potenciade los contrastestambinseve afectadoporotrosparmetrosruidosostales
comolaposicinrelativadel puntode cortey porel tamaode la ventanamuestralen la
que se va situar el posiblepunto de cortedadopor el parmetrode trimming. Una
revisinde la literaturarecientesepresentaenNoriega-Muro(1993).
Los contrastesde estacionariedadno agotanlas posibilidadesofrecidaspor los
procedimientosde contrastesecuencial.Adems,para contrastarracesunitarias, los
procedimientosqueincorporanunaconstantey/o unatendenciatemporalen la regresin
dela razunitariapermitenelcontrastedirecto dela estabilidadde latendencia,unaopcin
quedeberaserusadaconjuntamentecon el contrastede razunitariaparacomplementar
susresultados.Porejemplo,Banerjee,Lumsdainey Stock(1992)considerandoscontrastes
secuencialesparaun cambiode tendencia,obtenidoscomo la versinrestringiday no
restringidade un contrastede estabilidadparamtricapara el trmino constante(o
tendenciatemporal)en la regresinADF de raz unitaria.Estosdoscontrastessontiles
para determinar la estabilidad de la tendencia bajo las hiptesis alternativas de
estacionariedad y no estacionariedad. Sin embargo, ninguno de los artculos mencionados
estudiaposiblesdistorsionesen el tamao de los contrastesde racesunitariasbajo
alternativasno estacionariascon tendenciasinestables.Esto es, no tenemostodava
criteriosdefinitivosparadeterminarsi un rechazode lahiptesisnulade razunitariaes
debidoaqueverdaderamenteexisteestacionariedado porel contrariosedebeaun cambio
en la tendencia.
Este trabajo intenta ampliar nuestro conocimiento sobre el comportamiento de
contrastessecuencialespararacesunitariasenvariasdirecciones.Primera,siguiendouna
prcticacomnen otros tipos de contrastessecuenciales[Hansen(1992)], ademsdel
supremode la secuenciade estadstico,aqui tambinse considerasu media. Se cree
generalmentequeel supremotienemspotenciaparadetectarpuntosdecorteindividuales,
mientrasque el estadsticode la mediatiene mspotenciafrentea cambiosgraduales.
Adems,el estadsticosecuencialde lamediaesmsrobustoqueel supremoen presencia
de valoresatipicos. La segundadireccin englobaun anlisis muy extensode las
propiedadesdel tamaoy potencia de los estadsticossecuencialesbajo todas las
alternativas relevantes: procesos estacionarios y no estacionarios con tendencias estables
-
25Captulo II
e inestables. Un resultado interesante recogido en este trabajo es que el contraste de races
unitarias estndar ADFpuede errneamente rechazar la hiptesis nula de una raz unitaria
en favor de estacionariedad bajo ciertas alternativas 1(2) e 1(1) inestables. Dadas estas
aparentescontradiccionesen lainterpretacinde los resultadosdel contraste,terminamos
el anlisisproponiendoun procedimientode contrastegeneralparadiscriminarentretodas
las alternativasrelevantesdeestacionariedady no estacionariedad.
El capitulo se organiza como sigue. En la seccin 11.2 presentamos el
procedimientobsicode contraste,mientrasqueen la seccin11.3 desarrollamostodoslos
ejerciciosde simulacin.Comenzamosnuestrassimulacionestabulandolas distribuciones
para muestrasfinitas de los seis estadsticosconsiderados.Con los valorescrticos
estimadosprocedemosa analizar las posibles distorsionesde tamao bajo vanas
alternativasde no estacionariedad.En particular,examinamosel comportamientodel
contrastebajoalternativas1(1> establese inestables,y paraprocesos1(2). Nuestroanlisis
concluyecon un estudiode las propiedadesde la potenciadel contrasteen entornos
estacionariosestablese inestables.En la seccin11.4 seresumenlos resultadosde las
simulacionesy seproponeunametodologiageneralparael contrastederaicesunitariascon
cambioen la tendencia.Finalmente,en la seccin11.5 llevamosa cabouna aplicacin
empricade estoscontrastessecuencialesal ndicede ProduccinIndustrialde Alemania,
Canad,Francia,Espaa,EstadosUnidos, Italia, Japny ReinoUnido y asuProducto
InteriorBruto exceptoparaFranciay Espaa.Enel apndice11.1 se exponenlas tablascon
los resultadosde las simulaciones,de las aplicacionesempricasy, los grficosde las
variables.
El presentetrabajono exploratodaslas dimensionesde los contrastesde races
unitarias bajo cambios estructurales. Hay dos direcciones en las cuales esta literatura esta
expandindoseactualmente.Enprimerlugar,existeunimportanteesfuerzoorientadohacia
e] desarrollodeunametodologiageneralparalos contrastesderacesunitariasenpresencia
de variospuntosde corte(vase,porejemplo,Lumsdainey PapeIl(1997),Bai y Perron
(1998)y, numerosomaterialaunno publicado).Adems,otralneade investigacinaun
no explotadaampliamenteen la literaturaesla posibilidaddecontrastarla estacionariedad
parcial.Existennumerosasejemploseconmicosen los cualesunavariableno estacionaria
llega a ser estacionaria en un momento del tiempo, posiblemente debido a posibles
-
Captulo II 26
coordinacionesde polticaso el intentode alcanzarconvergencia.Bajo estacionariedad
parcial, se espera que los contrastes de races unitarias estndar estn sesgados hacia no
rechazar la hiptesis nula, consecuentemente, ser til desarrollar herramientas en este tipo
de escenarios.Esta otra alternativasita la inestabilidaden el comportamientodel
coeficientedecorrelaciny no en el parmetrode la tendencia.El siguientecapitulodela
tesis,estcentradoen el anlisisde cuestionesde estetipo.
11.2.- UN CONTRASTEADE SECUENCIAL PARA UN CAMBIO EN LA
TENDENCIA ESTOCASTICA
Para contrastar la hiptesis nula de existencia de una raz unitaria en una serie
temporal Y~, el contraste ADFestndar calcula el estadstico t asociadoal parmetro8
en la regresin:
4
= + pt + 3- 2 YIAYt 3- (lE)
donde Y~ es la primera diferencia del proceso, g es una constante que captura la posible
presenciade una tendenciaestocsticay ~3es el parmetroque recogela tendencia
temporaldadaport. El parmetroq representael nmerode retardos(a serdeterminado)
y e~ esun procesodeerror i.i.d. con mediacero.El estadsticocalculadosecomparacon
los valoresde lacolainferior de sudistribucinempricatabuladabajo la hiptesisnula
= 8 = 0), por eso un rechazo de la hiptesisnulafavorecela alternativaestacionaria.
En lo que sigue,consideraremosla versinms comn del contrasteanteriorque no
incluye tendencialineal determinista(P 0), aunque los resultados pueden extenderse3fcilmentea estecaso
La versinsecuencialdelcontrasteADF usualmenteconsideradoen la literatura
En muchosmodeloseconmicoslastendenciasestocsticassonmsfrecuentementeempleadas,ya quescpueden
interpretarcomotasasdecrecimiento.Por el contrario,lastendenciastemporalesdeterministassonun instrumento
instrumentoestadsticocon dificil interpretacineconmicay, en algunas ocasiones, con consecuencias
desagradabesdebidoa la reversibilidaddel tiempo.
-
CaptuloII 27
[Baneijee,Lumsdainey Stock(1192),Zivot y Andrews(1992),Perrony Vogelsang(1992)
y Mantafis(1996)]considerael siguienteconjuntode regresiones,
A1~ ~#D Y~1+ Y1AY~1 (11.2)=1
donde
lo t
-
CaptuloII 28
(1996a) ha demostrado que para un cambio en la tendencia estocstica, como el
consideradoen estetrabajo,la potenciadel contrasteesbastanterobustaaun amplio rango
de valoresdelparmetrode trimming. Adems,siguiendolasrecomendacionesde Said
y Dickey (1994),consideramosun nmerode retardosfijo, siendo steigual a la raz
cbica del tamao muestral, es decir q = T3. Esta eleccin del nmero de retardos hace
queel contrastederazunitariaseamsconservadorqueen el casoen el queq = O o en el
procedimiento de seleccin recomendado por Perron y Vogelsang (1992)~.
El conjunto de regresiones proporciona una secuencia de valores tH(r), t6Qu) y
de las cualescalculamosdosestadsticosresumen:el supremoy la media.Los seis
estadsticosestnetiquetadosde la formasiguiente:Sup t~, Meant~, Inft ~, Mean t ~,
Sup It(~t)! y Mean ItI. El estadsticosecuencialde raz unitaria Inf t~ es el mscomnmente considerado en esta literatura y su comportamiento es bien conocido [vase,
por ejemploBanerjee,Lumsdainey Stock (1992),Zivot y Andrews (1992),Perrony
Vogelsang(1992) y Montas(l996a)]. Por otro lado, los estadsticossecuenciales
restringido y no restringidos del cambio en la tendencia, Sup Itg! y Sup It(pI, fueronpropuestos inicialmente por Banerjee, Lumsdaine y Stock (1992) y aplicados
empricamentepor estosautoresy porBanerjee,Doladoy Galbragiht(1990).Finalmente,
el estadsticosecuencialMean, sigue la sugerenciaformuladaporHansen(1992)en el
contextodel anlisisde regresin.Por tanto, la primeracontribucindeesteartculo es
considerarlamediade la secuenciaademsdel supremo.
Los estadsticossecuencialesestndiseadospara tener potencia frente a
alternativas con cambio en la tendencia estocstica en una fecha desconocida. El estadstico
basadoen el supremode la secuenciatiendea tenerpotenciacontralahiptesisnulaen
presenciade un nico cambioen la tendencia,mientrasque el estadsticobasadoen la
media,ms estable,deberatenerpotenciacontrala hiptesisnula en presenciade un
cambiosuaveen la tendencia,incluso si esecambioesnaturalezano estacionaria5.Para
Perrony vogelsang(1992)recomiendanun procedimientoqueconlevala estimacinde la regresinde raz
unitaria para varios posibles retardos, pues as se incrementa la potencia del contraste. Sin embargo, esta opcin
habraincrementadosustancialmentelos 27dasdeusocontinuado,de Pentium Pro> a l 80Mz, necesitados para
realizar las simulaciones que se presentan en este captulo.
Es bastante probable queel estadstico del supremo se vea afectado por la presencia de valores atipicos.
-
Captulo11 29
evaluar las potenciales ventajas que estos contrastes ofrecen, su comportamiento respecto
al tamao y potencia se comparan con el del contraste ADF estndar frente a varias
alternativasdeestacionariedady no estacionariedad.
Nuestroestudioreveladosposiblesanomalasen el comportamientodelcontraste
del contrasteADF. Laprimeraesque bajociertasalternativas1(1) e 1(2),puedeaparecer
correlacin esprea entre la primera diferencia y el nivel de la serie que origina un falso
rechazo de la hiptesis nula en favor de estacionaredad. La segunda manifiesta que existen
ciertosescenariosde no estacionariedaden los cualesel contrasteADF no tienepotencia
paradiscriminarentreprocesos1(1) inestablesy procesos1(2) estables.Porel contrario,
estetipo de problemasesmuchomenosfrecuentecon los contrastessecuencialesderaces
unitarias.Portanto,el trabajoconcluyeproponiendounprocedimientogeneralbasadoen
los contrastessecuencialesparadiscriminarentreprocesos1(2), 1(1), 1(1) concambioen
la tendenciay procesos1(0).
Los estadsticossecuencialessontilesparacontrastarun posiblepuntode corte
en una fechadesconocida,puesconsideranelpunto de cortemsprobabledentrode la
muestra.Una cuestin interesatea analizares cuan informativos son los diferentes
estadsticosbasadosen el supremola secuenciaacercade la localizacindel punto de
corte.Paraexplorartal aspecto,siguiendolasindicacionesde Zivot y Andrews(1992),este
trabajotambinexaminael comportamientode la observacinasociadaal supremocomo
un posibleestimadordel puntodecorte. Las observacionesasociadascon los supremos
estnetiquetadascomoNsup It~, Ninft8 y Nsup tA. En lassimulacionesevaluamoselcomportamiento de cada estimador de la siguiente forma. Cada vez que un supremo
rechaza su correspondiente hiptesis nula, la observacin asociada con ese estadstico se
almacena.Al finalizarlas iteracionestenemostodounvectordeposicionesmuestralesdel
quecalculamossumediay sudesviacinestndar.Aspodemosevaluarlaprecisiny el
sesgode cadauno de los estimadoresdelpuntode corte.
-
Capitulo II 30
11.3.-RESULTADOSDE LAS SIMULACIONES
En estaseccinllevamosacabounaseriesde simulacionesdirigidasaanalizarel
comportamientoen muestrasfinitas de los diferentescontrastessecuencialespropuestos
anteriormente,comparndoloscon el contrasteestndarADF6. El anlisis comienza
estimandolas distribucionesempricasbajo la hiptesisnula de paseoaleatorosin
tendenciaestocstica.Las distribucionesempricas,algunasde las cualesestntabuladas
aquporprimeravez,sehancalculadoparacuatrodiferentestamaosmuestrales.Dados
los valorescrticosestimados,examinamosla posibledistorsinen el tamaoinducidapor
una tendenciaestocsticano nula. Como en el contrasteADF estndar,el contraste
secuencialesmuy conservadoren presenciade unatendenciaestocsticaestableno nula,
sin embargo,esto no es un problemarelevantepara contrastarestacionariedad.A
continuacin, examinamos el comportamiento de los contrastes de cambio en la tendencia
y derazunitariabajoalternativas1(1) inestablesconun slopuntode corteen la mitad de
la muestra.El resultadoobtenidomanifiestaque el comportamientode los estadsticos
dependecrucialmentede la concavidado convexidadquepresentala sendade la sene.
Como consecuencia, dadas las similitudes observadas entre series temporales 1(1)
inestablesy series1(2) estables,estudiamossi estecomportamientoextraotambinse da
en seriestemporales1(2). Finalmente,estimamoslapotenciade los diferentesestadsticos
frentealternativasestacionarias.Consideramosprimeroalternativasestacionariasestables
para buscaras posiblesventajasde potenciarespectodel contrasteestndarADF y,
finalmentechequeamossucomportamientocuandoseintroduceun cambioenlamediadel
proceso.
11.3.1. CLCULO DE LAS DISTRIBUCIONES EMPRICAS
Las distribuciones empricas de los seis estadsticos secuenciales estn calculadas
bajo la hiptesis nula de paseo aleatorio sin tendencia estocstica (j = j3 5 = y = 0) con
innovacionesi.i.d. N(O,l). Hemosconsideradocuatrotamaosmuestrales,T=500,250, 100
y 50 observacionesy el nmero de replicacionesutilizado ha sido inversamente
6 Todos los programas han sido escritos con GAUSS y estndisponiblesparacualquiersolicitud.
-
CaptuloII 31
proporcional al tamao muestral7, es decir 10000, 20000, 50000 y 50000 respectivamente.
En todos los casos, se descartan las primeras 20 para evitar patrones recurrentes en el
generadordel nmeroaleatorioinicial. El nmerode retardosde la regresinde la raz
unitaria (11.2) se ha establecido igual a la raiz cbica del tamao muestral, q = VfQ y el
porcentajede trbnming seleccionado ha sido del 15%.
La Tabla 11.1 presenta los percentiles relevantes de las distribuciones empricas para
cada estadstico y tamao muestral. Para evaluar el tamao y potencia de los contrastes,
en las simulaciones hemos tomado los valores crticos correpondientes al 90% y 95%.
Adems, con el propsitode realizarcomparacionescon contrastesestndarhemos
recalculadola distribucindel contrasteADE estndarcon elmismonmerode retardos
que los anteriorescontrastessecuenciales.Comentamosbrevementeestosresultados.
Como es bien conocido en este tipo de contextos no estacionarios,las
distribucionesno sonestndar,presentandosiemprelos estadsticosdel supremovalores
crticos mayoresque los de la media.Las distribucionesempricasdel Sup t~~ y de la
Mean t ~>}parecen ser robustas antecambiosen el tamaomuestralpuestoque los
percentilescorrespondientesapenassufrenmodificaciones.Sin embargo,las distribuciones
empricasde los estadsticosrestringidosde cambio en la tendencia,Sup t(~) y Mean
parecensermenosrobustosfrenteavariacionesen el nmerode observaciones,aunque
exhibenunavarianzamenorquesushomlogosno restringidosdebidoaquela restriccin
impuestaesciertabajo la nula.Finalmente,lasdistribucionesempricasde los estadsticos
secuencialesde raiz unitaria,mf t~ y Meant~, sontambinrobustasfrenteavariacionesen
el tamaomuestral,aunqueexhibenun mayorgradode asimetray varianzaque las del
contrasteADE. Porejemplo,los valorescrticosdel5% y 10%parael estadsticoMeant~
sonsiempreligeramentesuperioresa los correspondientesparael ADF.
Los valoresde las distribucionesde la Tabla11.1 no sondirectamentecomparables
con los calculadosporBanerjee,Lumsdainey Stock(1192),Zivot y Andrews(1992)o
Dado el coste computacional de los procedimientos secuenciales que utilizamos, admitimos que el criterio elegido
para la seleccin del nmero de iteraciones presenta cierta arbitrariedad. Aun asi, hemos constatado que, en el caso
deproducirsealgunavariacincuando alteramosel nmerodereplicaciones,ocurreenel tercerdecimal y es de
escasamagnitud.Estonospermiteasegurarquee! nmerodeiterecionesempleadomuestraresultadosdeanlisis
depotenciadelos contrastescon suficientefiabilidad.
-
CapituloII 32
Perron y Vogelsang (1992>, debido a las diferencias en las especificaciones en sus
procedimientos de contraste. En particular, hay algunos aspectos en nuestras simulaciones,
comola ausenciadetendenciasdeterministas,la eleccindeltamaomuestral,la seleccin
del parmetro de trimming y del nmerode retardosde la primeradiferenciaen la
regresindel ADF quehacenquelos percentilesque aqupresentamosseandiferentesa
los que muestrala literaturaprevia.No obstante,los valoresdelos percentilestabulados
en la Tabla 11.1, son similares a los calculados por otros autores para estadsticos similares,
11.3.2.DIsTORsIONEsEN EL TAMAO NOMINAL BAJO TENDENCIAS EsTocslcAsNO
NULAS
Las distribucionesempricashansidocalculadasbajo lahiptesisnulade unaraz
unitariasin tendenciaestocstica.Consecuentemente,laprimeratareaconsisteenexaminar
las posiblesdistorsionesen el tamao de los contrastesinducidaspor una tendencia
estocsticano nula.As,elprocesogeneradordedatos(PGD)ennuestrassimulacioneses
un paseoaleatorio con valores para la tendenciade ji = .5, 1 y 2. Dado que las
innovacionestienenvarianzaunitaria,estasvaloresde la tendenciasonconsistentescon8
los mscomnmenteobservadosen las variableseconmicascon tendencia.
La Tabla 11.2 presentael porcentajede rechazo de la hiptesisnula paralos
diferentesestadsticosy tamaosmuestrales,usandolos valorescrticos del90%y del 95%
de la Tabla 11.1. Estos porcentajes (tantos por uno que aparecen en las tablas multiplicados
por 100) estn calculados usando la mitad del nmero de iteraciones empleadas en el
clculo de las distribuciones empricas, esto es 5000, 10000, 25000y 25000 paralos
tamaos muestrales de 500, 250, 100 y 50 observaciones respectivamente9. Los resultados
indican que slo los estadsticos restringidos de cambio en la tendencia, Sup It(p)I y laMean It(~)I, mantienen el tamao correcto,dadoquela restriccinde razunitariaimpuestaes exactamentecierta.Sin embargo,el restode los estadsticosInft~, Meant~, Sup ~ yMean t~,[ sufrenuna distorsinimportanteen el tamao.Todos ellos llegan a sermuy
8 Nos referimos a los valores de la tendencia estandarizados en series temporales econmicas,
Este nmero de replicaciones se mantendr constante en el resto de los ejercicios de simulacin.
-
Captulo II 33
conservadores,puesapenasrechazansucorrespondientehiptesisnula.La distorsinen
el tamaoincrementacon la magnitudde la tendenciaestocsticay decrececon el tamao
muestral.
La tendencia estocstica ji esun parmetrodemidoen la distribucinasintticadel
estadsticoADF, portanto tambincontaminalas distribucionesen muestrasfinitas de los
estadsticossecuencialesbasadosen los contrastesde raz unitaria. Sin embargo,este
comportamientono deberacausaruna especialpreocupacinpues ambostipos de
contrastes, el de raz unitaria y el de cambio en la tendencia, no rechazan sus
correspondientes hiptesis nulas cuando no se incumplen. Esto es, la eleccin de los
valores crticos de la nula de raz unitaria y sin tendencia estocstica minimiza e] error de
tipo 1, un rechazo de la nula cuando es cierta. A continuacin exploramos el
comportamiento de los estadsticos cuando una o ambas hiptesis nulas se incumplen.
11.3.3.PoTENcIA FRENTE A ALTERNATIVAS 1(1)INESTABLES
Nuestraprimerpasoconsisteen analizarel comportamientode los estadsticos
cuandoslo seviola la estabilidaden la tendenciaestocstica;esto es,estudiamosel
comportamiento de los contrastes bajo la alternativa de raz unitaria con un punto de corte
en la tendencia. Para ello, necesitamos considerar un PGD que contenga tendencia
estocsticano nula. Porotraparteesprobablequelos contrastessecuencialesde raices
unitariasestarnsujetosa distorsionesde tamao evidenciadasen la seccinprevia.
Perseguimosdos objetivos en estaseccin.El primerode ellos consisteen evaluarla
potenciade los contrastesde estabilidaden la tendenciacuandostapresentaun puntode
corte,ascomolaprecisinde los estimadoresdelpuntode cortea lahorade identificarlo.
Ntesequebajo estahiptesisalternativano hayviolacin de la nularespectoa la raz
unitaria;por tanto, nuestrosegundoobjetivo abordael anlisis de las distorsionesdel
tamaonominalde los contrastesderazunitariacuandola tendenciaestocsticapresenta
un puntode corte.Estamosespecialmenteinteresadosen lamagnituddel error de tipo 1 y
la posibilidad de rechazar la hiptesisnula cuando el verdaderoproblema es la
inestabilidad de la tendencia.
-
34CapituloII
El PGDusado en estas simulaciones es un paseo aleatorio con un slo punto de
corteen la tendenciasituadoenmitad de la muestra(u = .5),
+ 3- E~ twl,2,...,T/2(11.5)
~ + c~
con perturbaciones .i.d. N(0,1). Como en la seccin anterior, elegimos los valores
paramtricos econmicamente sensatos, con cambios en la tendencia de magnitud
moderada. Tenemos en mente variables econmicas tales como nivel de precios o el
producto interior bruto real, cuya senda de comportamiento parece haber exhibido un
cambio durante los aos 70 o los 80. La Tabla 11.3 presenta los resultados de las
simulaciones para diferentes tamaos muestrales y cuatro conjuntos de valores de (i.t1, u).
(0, 1), (0, 2), (1, 0) y (2, 0). Los primeros dos capturan un incremento en la tendencia
mientras que los dos ltimos capturan un decremento. La razn para considerar los dos
tipos de rupturas en la tendencia est relacionada con el aspecto que presentan las sendas
de las series econmicas. Series con una tendencia creciente (en valor absoluto) son
convexas, con apariencia explosiva, mientras que series con tendencia decreciente son
cncavas, con aparencia de convergencia. Adems, la Tabla 11.3 tambin presenta la media
y la desviacintpicaparalas diferentesestimacionesdelpuntode corteu.
El resultado ms notable en la Tabla 11.3 es la relevancia de la naturaleza del
cambio en la tendencia en el comportamiento de los estadsticos. Para series que
experimentan una tendencia creciente en trminos absolutos (convexa), los estadsticos de
raz unitaria, ADF, Inft6 y Mean t~, fracasanal rechazarla hiptesisnulaparatodoslos
tamaos muestrales y para todos los saltos en las tendencias. Sin embargo, para las series
temporales que experimentan un decrecimiento en la tendencia en trminos absolutos
(cncavas),los contrastesde raz unitaria rechazanla hiptesisnulaen un porcentaje
proporcionalmentemucho ms alto que el nivel de significacin. Por ejemplo,
consideremosel contrastede raz unitaria al 90% de nivel de confianza en series
temporalescon250 observacionesy un cambioen la tendencia.Paraseriesconvexas(ji1
0, u== 1) ningunode los tresestadsticosderazunitariarechazanuncala hiptesisnula;
-
CaptuloII 35
sin embargo,paraseriescncavas(ji1 = 1, ji2 0) el porcentage de rechazos de la hiptesis
nula es del 97.57% para el contraste ADF, del 71.13% para el estadstico Inft~ y slo el
23.23%para el estadstico Meant~.
Para series cncavas, el contraste ADFtiene las tasas de rechazo ms elevadas (casi
el 100% para tamaos muestrales grandes) de los tres estadsticos, mientras que el
secuencialMeantaesel que lastienemsbajas.Portanto, el estadsticoMeantA esel ms
robusto de los tres frente a alternativas de raz unitaria inestables. La probabilidad de
rechazoaumentacon el tamaomuestraly disminuyecon la magnituddel salto en la
tendencia. Este ltimo resultado parece contradictorio pues esperaramos un incremento
en el nmerode rechazosa medidaque aumentael gradode concavidad.Sin embargo,
como se indic en la seccin previa, un incremento en la magnitud del cambio en la
tendencia aumenta la distorsin en el tamao nominal causada por el parmetro ruidoso ji,
por tanto acta como contrafuerza. Consecuentemente, la relacin entre la concavidad y
las distorsionesen el tamaono esmonotnica.En el casode seriesconvexasambos
efectossobreel tamaonominalde los contrastesoperanen lamismadireccin.
El primer mensaje importante que surge de estas simulaciones es la precaucin que
se debe tener al analizar los resultados de los contrastes de races unitarias. Se puede llegar
a interpretar mecnicamente el resultado del contraste de raz unitaria como favorable a la
estacionariedad, cuando de hecho el problema no es la ausencia de una raz unitaria sino
la inestabilidad en la tendencia. No obstante, una primera inspeccin visual de las series
sersuficienteparadarsecuentade la frentedelproblema.
Para explicar este intrigante resultado, hay que entender la frente de la correlacin
negativa exprea entre la primera diferencia y el nivel de las series que conduce al rechazo
de la hiptesis nula en favor de estacionariedad. Considrese una proceso cncavo 1(1) con
una tendencia decreciente. En media, la serie temporal ser creciente a lo largo del tiempo,
mientrasquela primeradiferenciaserestacionariaalrededordeunamediadecreciente
(escalndescendente).Habr, por tanto, una correlacinnegativaque conducea un
estadstico t negativoy significativo sobre6, comunmenteintepretadocomoun signode
estacionariedad. Ntese que con procesos 1(1) convexos la correlacin ser positiva, y as
el valor positivo del estadstico t no conducir a rechazar la hiptesis nula en contra de tal
-
CaptuloII 36
alternativa.
Volviendo al primer objetivo de esta seccin, la Tabla 11.3 indica que los
estadsticosderupturaen la tendenciaestocsticaSup tJ, la Mean t4-, Sup t(g)I y Mean
t(inI, presentan una potencia excelente, con tasas muy altas de rechazo en el casorestringido. Para contrastar cambios en la tendencia, la concavidad o convexidad de las
seriestemporalesno estandeterminantecomoen el casodel contrastede razunitaria.El
comportameinto del estadstico no restringido est algo afectado por el signo en el salto,
con tasas de rechazo ms altas para las series convexas. Sin embargo, este no es el caso
para los estadsticos restringidos pues la hiptesis impuesta de raz unitaria es exactamente
cierta.Porejemplo,si observamosel contrastede cambioenla tendenciaal 90%de nivel
de confianza en series temporales de 250 observaciones y un salto unitario en la tendencia,
los estadsticos restringidos de cambio en la tendencia, Sup [t(w)y Mean [t(
-
CaptuloII 37
salto en la tendencia.Sin embargo,basndonosen la experienciade los estadsticos
secuenciales,anticipamosqueparacambiosalejadosdel puntomedio habrun mayor
sesgoy unamenorprecisin.
11.3.4.POTENCIA FRENTEA ALTERNATIVAS 1(2)
El resultadode la Tabla11.3 revelacmoesdesensibleel comportamientode los
contrastesde racesunitariasen presenciade cambiosen la tendencia.El aspectoms
interesantede todoslos resultadoseslaposibilidadde rechazarlahiptesisnulafrentea
estacionariedaden el casode series1(1) inestablescon aspectocncavo.Sin embargo,en
muestraspequeasel aspecto de procesos1(1) inestableses observacionalmente
indistinguiblede algunosprocesos1(2). Consecuentemente,enestaseccinexploramossi
problemassimilaressurgenen la aplicacinde los contrastesderacesunitariasa senes
temporales1(2). Paraconsiderartal posibilidad, evaluamossupotenciaseparadamente
frentea alternativas1(2) cncavasy convexas.
La Tabla 11.4 presentalos resultadosde la simulacinusandocomo POD un
procesoAR(2) condosracesunitariasy sin tendencia:
Y~=2Y~ Y~2 ~-C~ (11.6)
La informacinestrecogidaen dostablas,unaparaseriesconvexasy otrapara
seriescncavas.Parasepararlas series1(2) cncavasde convexas,usamosun criterio de
seleccinmuy simple.Dadoque las series1(2) sonasintticamenteexplosivas,unaserie
1(2) serconsideradacncavasi satisfaceel siguientecriterio,
I2Y~j > Y1 + (11.7)
y convexaenotro caso.Asumiendoquela explosividaddeunaserie1(2) implica quetodos
los valoresen muestrasfinitas sono positivoso negativos1,la condicinde concavidad
La uniformidadde e signoestgarantizadaporqueel PGD comienzacon el valor cero y se omiten las 100
primeras observaciones.
-
Capitulo II 38
requierequela observacinqueocupael puntomedio,Y712, estsobrelamedia(pendiente)
de la primeray laltima observacinen lamuestra,envalor absoluto.Obviamente,una
serie1(2) puedeserlocalmentecncavao convexaen la mismamuestra,sin embargo,
estamosinteresadosslo en el aspectoglobal de la serietemporal.
Comoen el casode sedes1(1)con un cambioen la tendencia,los resultadosde la
Tabla11.4 indicanque,paraseriescncavas,los contrastesde racesunitariasADF y mf
t6 rechazanla nula en favor de estacionariedada tasaspor encimade su nivel de
significacin,mientrasqueparaseriesconvexaslos porcentajesde rechazode la hiptesis
nulasonmuchomspequeosque sunivel de significacin.Porejemplo,consideremos
el contrastede razunitariaal 90%denivel de confianzaen senestemporales1(2) con 250
observaciones. Para series convexas los tres estadsticos de raz unitaria rechazan la
hiptesisnula entreel 1.41%(Meant~) y 3.90%(mf t~) de las veces;sin embargo,para
seriescncavasestosporcentajesvaranentreel 7.56%(Meant~) y 23.08%(ADF). Por
otraparte,estosresultadosparecensermuyrobustosa cambiosen el tamaomaestral.
Ntesequeen esteexperimentono podemoscontrolarel gradode curvaturade las series,
portantono deberiamosesperarlos mismosnivelesde rechazoqueaparecenen la Tabla
11.3 en donde teniamoscontrol sobrela curvaturade los seriespormediode la eleccinde
ji,yde ji~
En conclusin,los investigadoresdeberanestaravisadosde que los contrastes
tpicosderacesunitariasconducenerrneamentearechazarla hiptesisnulade existencia
de razunitariaen favorde estacionariedadcuandolas seriesson1(1) inestableso 1(2)con
aspectocncavo.Entre los tres estadsticosde razunitariaconsiderados,el secuencial
Meant~ pareceserelmsrobustoen amboscasosconmuchosmenosrechazosque los
otrosdos.
Finalmente, la Tabla 11.4 adicionalmente refleja las similitudes en el
comportamientode las series1(2) e1(1) inestables,puesen ambassetiendearechazarla
hiptesisnula de tendenciaestable.En particular,los estadsticosrestringidosparaun
cambioen la tendencia,Sup t(p)I y Mean It(pI, rechazanlanulade estabilidadparaseries1(2) cncavasy convexasaproximadamentea las mismastasas.Por ejemplo, en el
contrastedecambioen latendenciaal 90%denivel deconfianzaen seriestemporales1(2)
-
Capitulo II 39
con250 observaciones,los estadsticosde cambioen la tendenciarestringidos,Sup tJy Mean t(~j, rechazanla hiptesisnulade estabilidaden la tendenciael 58.48%y 45.86%
de las vecesrespectivamenteparaseriescncavasy, el 57.35%y 33.02 % para series
convexas.Porotraparte,los estadsticosno restringidosde cambioen la tendencia,Sup
tA y Mean t~4, presentanun porcentajede rechazosmuchomspequeo:12.41%y 32.37en el casocncavo,y 16.94%y 6.66%parael convexo.Los porcentajesde rechazoson
muy significativosy aumentancon el tamaomuestral.
II.3~5. POTENCIA FRENTE A ALTERNATIVAS ESTACIONARIAS ESTABLES
En las seccionespreviashemosestudiadoel comportamientode los diferentes
estadsticosbajo la nulade raz unitariacon tendenciaestocsticaestablee inestable,y
ahorapasaremosaexaminarsucomportamientobajo la alternativadeestacionariedad.En
lapresenteseccinconsideramosun procesoestableestacionariodondeslo seincumple
lanulade razunitaria,mientrasqueen laprximaseccinconsideramosel casoinestable
en donde se incumplen las dos hiptesis nulas. Hay un doble objetivo en estas
simulaciones: primero, evaluar las posibles gananciasde potencia en el contraste
secuencialde estacionariedady segundo,explorarlas distorsionesdel tamaonominal de
los contrastesde cambioen la tendenciabajo laalternativadeestacionariedad.Dadoque
las distribucionesempricasfuerongeneradasbajounahiptesisnulacombinada,estamos
especialmente interesados en la posibilidad del rechazo de la hiptesis nula de estabilidad
en la tendenciacuandoslo seincumplelahiptesisde razunitaria.
Paraexaminarla potenciade los diferentesestadsticosbajo la alternativade
estacionariedad,llevamosacabolas simulacincon un PGD quecaracterizaun proceso
AR(l) conun coeficientede correlacinp, p<
-
Capitulo11 40
Mean t~ exhibenuna potenciasimilar bastantebuenacon rechazosfrecuentesde la
hiptesis nula, aunque el estadsticosecuencialde la media parece ser ligera y
uniformementemspotentequeel ADE. Ladiferenciade potenciaentrelos dosesmuy
pequeacuandolos porcentajesseaproximana los extremos0% o 100%,y esmsgrande
cuandoesosporcentajesestnalrededordel 50%. Esta ltima circunstanciaes ms
probable en muestraspequeas.El otro estadsticosecuencial,mf t~, tiene un
comportamientomucho ms pobre, con una potencia significativamentems baja,
especialmenteenpequeasmuestrasy en alternativasprximasalano estacionariedad.Por
ejemplo, para senestemporalesestacionariasestablesde 250 observacionesy un
coeficientedecorrelacinde .95, la hiptesisderazunitariaesrechazada,al 90%de nivel
de confianza,el 61.27%porel estadsticoMeant~, el 57.30%porel contrasteADE y slo
el 22.97%porel estadsticoInf%. Lapotenciade los tresestadsticoscrececon el tamao
muestraly disminuyecon el gradode correlacinserialp.
Los estadsticosrestringidosy no restringidosde cambioen la tendenciaSup ItI,Mean t~,, Inft8, Meant~, Sup Ij~4 yMean u)I~ paralos cualesno seincumplela hiptesisnulabajo la alternativaconsideradaen el presenteexperimento,exhibenimportantes
distorsionesen el tamaonominal. Los cuatro estadsticosson conservadores,con
porcentajes de rechazo por debajo del nivel de significacin, aunque en el caso restringido
la distorsinen el tamaoestexacerbadadebidoal hechode quela restriccinimpuesta
de raz unitariaes falsa.Por ejemplo, la Tabla11.5 muestraque paramuestrasde 250
observaciones con un coeficiente de correlacin de .95 y al 90%de nivel deconfianza,la
hiptesisnulade estabilidaden la tendenciaesrechazadael 2.80 y el 6.35%de las veces
por los estadsticosno restringidosde cambioen la tendencia,Sup tJ Mean tJ,mientrasquelas tasasde rechazocaenaslo el 0.26%y 0.19%paralos estadsticosrestringidosde
cambioen la tendencia,Sup y) y Mean ~ Como en el casode 1(1) con tendencianonula, las distorsionesde tamaosonmuy poco relevantesya que la hiptesisnulacasi
nuncaesrechazadacuandoescierta(seminimizanlos erroresde tipo 1).En amboscasos,
restringidoy no restringido,las distorsin del tamaose incrementacon el tamao
muestraly decrececon el gradode correlacinserialp.
En resumen,los estadisticossecuencialesno mejoran significativamenteel
comportamientode potenciadel contrasteestndarADF cuandoel verdaderomodeloes
-
Captulo11 41
estacionario.Adems los estadsticosde cambio estructural en la tendenciason
conservadoresy no aadenningnsigno espreodetendenciainestable.Porotraparte,su
usoparaelpropsitode contrastarestabilidadesinocuo12.
1.3.6.POTENCIA FRENTE A ALTERNATIVAS ESTACIONARIAS INESTABLES
Ennuestroltimo experimentoanalizamosel comportamientode los estadsticos
bajoalternativasestacionariasinestables.Comosealamosen la introduccin,hahabido
un amplioconsensoen la literaturaacercadel comportamientode los contrastesde races
unitariasbajo alternativasestacionariasinestables.En particular,estbiendocumentado
quela potenciadel contrasteADF decrecesignificativamentecuandohayun salto en el
nivel de una serieestacionaria.La intuicin esclara; la mediamuestalestentredos
mveles,por tanto las desviacionesrespectoalamediasernconsistentementepositivaso
negativasy la estimacindel coeficientede correlacinde primerordenestarprximo a
la unidad. Los estadsticossecuencialespropuestosen estetrabajo estnespecialmente
diseadospara tenerpotenciafrente a alternativasestacionariasinestables.Nuestro
objetivosecentraen evaluarlapotenciaindividual de ambostipos de contrastescuando
las doshiptesisnulasseincumpleny compararlocon el casoen el queslo unade ellas
esfalsa.
En este ejercicio de simulacinel PGD sigue un AiR(1) con coeficiente de
correlacinp, 0< p
-
42CapituloU
La Tabla11.6 presentalos resultadosde la simulacinparalos diferentestamaos
muestralesconsideradosy, paradosconjuntosde valoresde la media(ji1, ji2) = (0, .5) y
(0, 1). Estaparametrizacincapturaun saltomoderadoen el nivel de la serietemporaly
evita los casosextremosdondeel saltopuedeser insignificanteo sepuededetectara
simplevista.Porejemplo,paraseriestemporalescon coeficientede correlacindeprimer
ordende .8, el saltoen lamediade las seriesestentre1.5 y 3 vecessudesviacintpica
incondicional.
Unacomparacincon el casode estacionariedadestablede laTabla11.5 muestra
unos resultadoscontrariospara los contrastesde racesunitarias. Mientras que los
estadsticosADF y Meant~ sufrenunaimportanteprdidade potenciaen presenciadeun
cambioen el nivel de las series,el estadsticoJnft6 experimentaigualmenteun incremento
significativo en la potencia. Por ejemplo, para tamaos muestrales de 250 observaciones
y un coeficientede correlacinde .9, un saltode .5 en el nivel de las serieshacecaerla
potenciadel contrasteADF del 92.73%al 18.08%,mientrasque el estadsticoMeant~
decrecede del 93.16%al 53.24%,al 90% de nivel de confianza.Por el contrario, la
potenciadel estadsticodelsupremo,Inft6 , incrementadel 48.48%al 60.25%.Enmedia,
el estadsticoInft~ muestramejorpotenciaqueel estadsticoMeant~ cuantomsgrandes
son el tamaomuestral,el valor de p y el tamaodel salto ji1 - ji2. En definitiva, el
estadsticoMeant~ esuniformementey significativamentemspotentequeel estadstico
ADF.
Los resultadosde la simulacinparalos estadsticosde cambioen la tendencia
tambin cambiancuando un salto en el nivel est presenteen series temporales
estacionarias. Comparado al caso estable en la Tabla 11.5 donde los estadsticos no
restringidos,Sup tJ y Mean It.!, erantpicamenteconservadores,en el caso que nos