Upload
jota-de-copas
View
86
Download
1
Embed Size (px)
Citation preview
Mg. William Richard Sánchez Tapia 1
Universidad Nacional de Ingeniería
I Diplomado de Econometría Aplicada al Desarrollo Económico
Módulo: Evaluación de Política Macroeconómica I
Profesor: Mg. William Richard Sánchez Tapia wsanchezt@ mef.gob.pe
Modelos de Series de Tiempo No Estacionarias: Raíz Unitaria
La presencia de una raíz unitaria en una serie de tiempo económica revela directamente
inestabilidad de la misma, siendo necesario transformarla para poder trabajar con ella.
Supongamos un proceso AR(1) de la forma:
ttt YY 110
Para derivar la expresión tY se debe cumplir las siguientes condiciones:
- El valor absoluto de 1 sea menor a 1 ( )11 Al incluir un rezago adicional el
efecto marginal de los nuevos errores será cada vez menor.
- Que el proceso sea convergente
Se dice que el proceso tiene raíz unitaria si 1 =1.
Si una serie tiene raíz unitaria los shocks que puedan afectar a la serie en un determinado
momento lo harán de manera permanente, dado que potencias sucesivas de 1 no se
diluirán a través del tiempo. Estos procesos son los conocidos paseos aleatorios o random
walk debido a la persistencia de los shocks.
De acuerdo al programa: Ejemplo1_Castro
a) Proceso Estacionario: ttt YY 111 *5.0
Mg. William Richard Sánchez Tapia 2
La serie Y1 sigue un proceso estacionario con coeficiente igual a 0.5 siendo una serie
estable presentándose una alta fluctuación alrededor de su valor medio, lo que garantiza
que cualquier shock que afecte a la serie se diluirá rápidamente. En el caso de un proceso
estacionario la FAS se diluye después de un número finito de rezagos y solo el primer
coeficiente del FAP es significativo.
b) Random Walk Clásico: ttt YY 111
La serie Y2 es un paseo aleatorio, serie que por definición tiene una raíz unitaria. El grafico
de líneas muestra dicha raíz unitaria al observarse shocks persistentes que mantienen a la
serie por encima o por debajo de su valor medio por un lapso indeterminado de tiempo.
Según la FAS el proceso tiene memoria larga, los coeficientes de correlación simple no se
diluyen al incrementar el número de rezagos.
c) Random Walk con Drift: ttt YY 121 25.0
Mg. William Richard Sánchez Tapia 3
La serie Y3 es un random walk con intercepto igual a 0.25.
Pruebas de Raíz Unitaria
Los tests de raíz unitaria son usados usualmente para evaluar si una serie es estacionara en
diferencia o tendencia. Dada la importancia de las diferencias estadísticas entre series con y
sin raíz unitaria se asume frecuentemente que solo la inspección visual no es suficiente.
Ejemplo 1: Inspección Visual
Ver Programa Ejemplo1_Chumacero
Mg. William Richard Sánchez Tapia 4
¿Qué series tienen raíz unitaria?
ty
tt
ty
yy
1
1
9.0
t
tt
tt
zz
05.0
05.0 1
1y Random Walk (RW) 1z Random Walk con drift
2y AR(1) Estacionario 2z Proceso Estacionario en Tendencia
La inspección visual no sirve como guía para distinguir entre series con o sin raíces unitarias
por lo que existen varios tests estadísticos para superar esta limitante.
Del ejemplo las series Y1 Y Z1 tienen raíz unitaria.
Test de Dickey-Fuller
Generalmente viene dado por:
p
i
tititt yyty1
1 ….. (1)
Donde p denota el número de rezagos necesarios para hacer que t sea ruido blanco.
La prueba de hipótesis es:
1:0 H ( ty Tiene una raíz unitaria)
La ecuación anterior es estimada vía MCO con el objetivo de contrastar la hipotes nula
mediante el estadístico t del estimador . La distribución asintótica de este estimador no es
estándar y por tal razón ocurrirían errores Tipo I (Se rechaza la Ho siendo verdadera).
Ejemplo 2: Considérese el siguiente proceso estocástico:
ttt yy 11.0 )1,0(; Nt
Suponga que esta serie es generada 1000 veces bajo las mismas condiciones, donde cada
muestra es también de 1000 observaciones.
Mg. William Richard Sánchez Tapia 5
Ver Programa Ejemplo2_Chumacero
Ver Archivo Uroot_ABC
0
20
40
60
80
100
120
140
-4.0 -3.4 -2.8 -2.2 -1.6 -1.0 -0.4 0.1 0.7 1.3 1.9 2.5 3.1 4.0
norm t
B
AC
La línea roja representa la distribución empírica del test de raíz unitaria, mientras que la
línea azul representa la distribución normal. El área denotada por “A” corresponde al error
de Tipo I que ocurriría si el test fuera asintóticamente normal. El área denotada por C
corresponde al error de Tipo I que ocurriría si valores críticos “correctos” fuesen usados. Por
lo tanto, el área “A+B” representa el tamaño de la distorsión generado al utilizar un valor
critico estándar par este tipo de test.
Mg. William Richard Sánchez Tapia 6
Test de Dickey- Fuller Aumentado (ADF)
Considerando los siguientes procesos:
GENR y1=0.99*y1(-1)+NRND*5
GENR y2=3.75+0.99*y2(-1)+ NRND*4
GENR y3=1.5+0.55*@TREND+0.75*y3(-1)+ NRND*5
GENR y4=3.5+0.88*y4(-1)+NRND*5
Ver ejemplo2-castro_adfsecuencial.prg
Para testear la existencia de raíz unitaria se sigue el procedimiento descrito en el programa:
Adf_secuencial.prg
Para aceptar la Ho de existencia de una raíz unitaria se debe comparar el valor reportado
como ADF Test Statistics contra el valor critico de MacKinnon, debiéndose cumplir que el
valor absoluto del primero es menor que el del Segundo para los distintos niveles de
significancia.
unitaria raíz una Existe MackstatistictestADF
Resultados:
Serie Y1
La serie Y1
presenta una raíz unitaria al 1 y 10 por ciento de significancia.
Null Hypothesis: Y has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.700553 0.0842
Test critical values: 1% level -2.588530
5% level -1.944105
10% level -1.614596
Mg. William Richard Sánchez Tapia 7
Observando las regresiones obtenidas en inter_adf y trend_adf concluimos que la
especificación del Test ADF no tiene elementos deterministicos, es decir, en la
especificación no es necesario incluir ni intercepto ni tendencia.
A continuación aplicamos Test ADF a la tasa de crecimiento del PBI del Perú a datos
mensuales desde Enero de 1992 a Mayo de 2006. El programa es: adf_secuencial_pbi
De los resultados, concluimos que la tasa de crecimiento del PBI para el caso peruano no
tiene raíz unitaria, este resultado era intuitivamente correcto al saber que los choques de la
demanda agregada y los quiebres de la misma se reflejan en el nivel del producto, pero en
el largo plazo estas variaciones son relativamente constantes tendiendo al estado
estacionario.
Test de Zivot y ANDREWS
Al analizar la estacionariedad de una serie se debe considerar la existencia de un quiebre
estructural, es decir, evaluar la presencia de un cambio en algunos de los elementos
deterministicos que caracterizan a la serie: el intercepto y la tendencia.
La presencia de un quiebre conlleva a que la prueba de Dickey-Fuller pierda potencia y se
acepte la presencia de raíz unitaria cuando en realidad no existe.
Considerando los siguientes procesos:
- Proceso estacionario con quiebre estructural en tendencia
y1=2.5+0.55*y1(-1)+NRND*3
Null Hypothesis: Y has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -8.732552 0.0000
Test critical values: 1% level -4.161144
5% level -3.506374
10% level -3.183002
*MacKinnon (1996) one-sided p-values.
Mg. William Richard Sánchez Tapia 8
- Proceso estacionario con quiebre en pendiente
y2=1.75+0.75*@TREND(1)-0.25*y2(-1)+NRND*8
Ver: Ejemplo_Quiebre.prg
Apli
can
do
el
Tes
t de
Dic
key
Fuller obtenemos:
Y1 no tiene raíz unitaria
Y2 tiene raíz unitaria
Zivot y Andrews (1992) construyeron un test para analizar la posibilidad de quiebre
estructural en series estacionarias. Evalúa la presencia de una raíz unitaria a la vez que
considera la posibilidad de que la serie en cuestión presente un quiebre en intercepto
(modelo A), tendencia (modelo B) o ambos (modelo C). La Hipótesis Nula del Test es la
no estacionariedad de la serie.
Ver: Zivot_Andrews.prg
Del ejemplo anterior:
Serie Y1
Mg. William Richard Sánchez Tapia 9
Se rechaza la Hipótesis Nula de no estacionariedad a favor de la estacionariedad en
quiebre. Se observan varias fechas tentativas de quiebre.
Resultados de la
prueba F
Serie analizada
Modelo A El quiebre está en el período 46
Modelo B El quiebre está en el período 41
Modelo C El quiebre está en el período 46
Mejor Modelo 1
De acuerdo a los resultados el mejor modelo es el 1, es decir, existe quiebre en intercepto
alrededor del periodo 46 tal como se había especificado. Para corregir este problema se
construye una variable dummy que adopte el valor de 1 a partir del periodo 47 y la aplicara
al intercepto de una regresión de Y1 sobre una constante. Los residuos de esta regresión
corresponderán a la serie Y1 limpia de quiebre estructural.
Ver Programa: Dummy1.prg
GENR Dummy1=0
SMPL 46 100
GENR Dummy1=1
SMPL @ALL
LS Y1 C Dummy1
Y1 = 6.255997031 + 6.391299348*DUMMY1
Mg. William Richard Sánchez Tapia 10
En el siguiente grafico apreciamos la serie verdadera, predicha y residuos de la regresión de
Y1 sobre un intercepto y una dummy que adopta el valor de uno a partir del periodo 46
constituyendo la serie Y1 limpia del quiebre estructural.
Serie Y2
Se rechaza la Hipótesis Nula de no estacionariedad a favor de la estacionariedad en
quiebre. Se observan varias fechas tentativas de quiebre.
Resultados de la
prueba F
Serie analizada
Mg. William Richard Sánchez Tapia 11
Modelo A El quiebre está en el período 45
Modelo B El quiebre está en el período 45
Modelo C El quiebre está en el período 45
Mejor Modelo 2
De acuerdo a los resultados el mejor modelo es el 2, es decir, existe quiebre en tendencia
alrededor del periodo 45 tal como se había especificado. Para corregir este problema se
construye una variable dummy que adopte el valor de 1 a partir del periodo 46 y la aplicara
al intercepto y tendencia de una regresión sobre Y2. Los residuos de esta regresión
corresponderán a la serie Y2 limpia de quiebre estructural.
Ver Programa: Dummy2.prg
GENR Dummy2=0
SMPL 46 100
GENR Dummy2=1
SMPL @ALL
LS Y2 C @Trend(1) @Trend*Dummy2
En el siguiente gráfico apreciamos la serie verdadera, predicha y residuos de la regresión de
Y2 sobre una tendencia, intercepto y una dummy aplicada a dicha tendencia.
Y2 = 1.049000619 + 0.5008490343*@TREND(1) + 0.761822686*@TREND*DUMMY2