Análisis de la estacionariedad de series temporales

REVISIN DE LOS PROCEDIMIENTOS DE ANLISIS DE LA
ESTACIONARIEDAD DE LAS SERIES TEMPORALES
Ramn Maha
Febrero 1999.
NDICE DE CONTENIDO
- INTRODUCCIN ............................................................................................. pg.1
1.- TENDENCIAS DETERMINISTAS Vs TENDENCIAS ESTOCSTICAS
1.A.- Tendencias deterministas...................................................................... pg.1
1.B.- Tendencias estocsticas ....................................................................... pg.4
2.- LAS REGRESIONES ESPURIAS ................................................................... pg.8
3.- CONCEPTO DE INTEGRACIN................................................................... pg.10
4.- ALGUNOS PROCEDIMENTOS SIMPLES PARA LA DETECCIN
DE RACES UNITARIAS
4.A.- Anlisis del grfico temporal de la serie ............................................. pg.14
4.B.- Anlisis del correlograma de una serie ................................................. pg.15
4.C.- Utilizacin del test Durbin-Watson ...................................................... pg.19
5.- CONTRASTES DE NO ESTACIONARIEDAD
5.A.- El test simple Dickey-Fuller ................................................................. pg.19
5.B.- Test DF y proceso generador de datos.................................................. pg.21
5.C.- Contraste de races unitarias mltiples ................................................. pg.22
5.D.- Contrastes conjuntos de parmetros en el modelo simple DF.............. pg.24
6.- LIMITACIONES DEL TEST DF
6.A.- Test DF y eleccin de componentes deterministas del P.G.D............. pg.25
6.B.- Test DF en modelos autorregresivos de orden superior. (ADF)........... pg.28
6.C.- Aplicacin del test DF en presencia de autocorrelacin
serial. Test Phillips-Perron.................................................................... pg.30
6.D.- Test DF en modelos con componente de medias mviles.................... pg.32
6.E.- La potencia del test DF ......................................................................... pg.33
6.F.- El test DF en presencia de Cambio Estructural..................................... pg.35
7.- REVISIN DE LOS TEST DE RACES UNITARIAS ESTACIONALES
7.A.- Definicin de estacionalidad no estacionaria ....................................... pg.39
7.B.- Deteccin de races unitarias estacionales ............................................ pg.42
8.- UN APUNTE SOBRE LOS CONTRASTES DE
ESTACIONARIEDAD............................................................................................ pg.44
9.- FORMAS ESPECIALES DE INTEGRACIN
9.A.- Integracin peridica ............................................................................ pg.45
9.B .- Integracin fraccional .......................................................................... pg.46
10.- CONTRASTES DE RACES UNITARIAS EN E-VIEWS ......................... pg.46
BIBLIOGRAFA .................................................................................................... pg.56
Procedimientos de anlisis de la estacionariedad de las series temporales
pg.1
REVISIN DE LOS PROCEDIMIENTOS DE ANLISIS DE LA

ESTACIONARIEDAD DE LAS SERIES TEMPORALES
Este documento se enmarca dentro de los trabajos realizados para la elaboracin de
la Tesis Doctoral en el rea del anlisis de cointegracin del mismo autor y dirigida
por D. Jos Vicns Otero. No obstante, el texto que aqu se presenta pretende
tambin tener una vocacin didctica, para lo cual incluyen en l, apartados,
desarrollos y ejemplos, en especial los contenidos en los puntos 1, 2, 3 y 10, que no
se incluirn como aqu aparecen en el cuerpo final de la Tesis Doctoral.
INTRODUCCIN
El estudio de la estacionariedad de las series temporales resulta clave en la prctica

moderna de la econometra. La atencin a la estacionariedad de las series temporales se ha
convertido en algo insalvable por varios motivos.
-
En primer lugar, la deteccin de la no-estacionariedad resulta estadsticamente fundamental,

ya que la misma afecta de forma decisiva al uso correcto de muchas de las distribuciones en
las etapas del contraste y validacin de los modelos economtricos; en ese sentido, no debe
olvidarse que la mayor parte de la teora economtrica est construida asumiendo la
estacionariedad de su materia prima.
En segundo lugar, como resulta ampliamente conocido, se trata de evitar al mximo que la
no estacionariedad de las variables gue los resultados de las estimaciones de las relaciones
que las unen, provocando, como es sabido, la obtencin de regresiones espurias.
Por otro lado, el anlisis de la estacionariedad es bsico como etapa previa en el anlisis de
cointegracin, una de las principales aportaciones a la tcnica economtrica de los ltimos
aos.
En cuarto lugar, el concepto de tendencia estocstica frente al tradicional de tendencia

determinista interesa conceptualmente a la teora econmica y, en especial, en el contexto
del anlisis temporal de los efectos de la poltica econmica sobre las variables macro.
El objetivo de este documento es triple: por un lado pretende es servir de gua para la
comprensin de los principales conceptos que rodean el tema del anlisis de la estacionariedad,
en segundo lugar, intenta exponer organizadamente las principales aportaciones expuestas por
los autores fundamentales que han tratado el tema y, en tercer lugar, tal y como se ha dicho en el
prrafo anterior, tiene intencin de servir de documento de trabajo introductorio al que ser
publicado posteriormente en torno al tema de la cointegracin.
1.- TENDENCIAS DETERMINISTAS Vs TENDENCIAS ESTOCSTICAS

1.A.- Tendencias deterministas
Cuando analizamos la solucin general a una ecuacin en diferencias que representa una serie
temporal, admitimos una descomposicin de la serie en componentes cclico, tendencial e
irregular. La principal caracterstica que define al componente tendencial frente al
irregular es la de presentar efectos permanentes sobre la serie temporal yt.
pg.2
En un gran nmero de ocasiones, las series pueden no presentar componente tendencial alguno,
como es el caso de un proceso autorregresivo puro AR(1) en el que los coeficientes cumplan las
condiciones de estacionariedad:
y t = a 0 + a1 y t 1 + t
| a1 < 1 |
(Ec. 1)
Como se aprecia en el grfico siguiente, este proceso flucta alrededor del valor medio
representado por una lnea horizontal1 cruzndolo frecuentemente sin que ningn shock sobre yt
se convierta en permanente para sus valores futuros:
PROCESO AR(1) (no tendencial)
y t = 0.75 + 0.5 y t 1 + t
8,00
6,00
4,00
2,00
0,00
-2,00
-4,00
-6,00
1
6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
Definir una tendencia en una serie temporal yt es extremadamente sencillo. Por ejemplo, la
serie:
y t = a 0 + a1 t + t
(Ec. 2)
presenta obviamente un patrn dominado fundamentalmente por una tendencia lineal:
y t = 0.05 + 0.1t + t
12,00
10,00
8,00
6,00
4,00
2,00
0,00
-2,00
1
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
si aadimos un trmino de orden dos en esa tendencia conseguiremos, obviamente, una

serie con tendencia de segundo orden dominante2:
1
En el caso del ejemplo ese valor medio sera 0.75/(1-0.5)=1.5
pg.3
y t = 0.05 + 0.1t + 0.03t 2 + t

300,00
250,00
200,00
150,00
100,00
50,00
0,00
-50,00
1
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
Este tipo de proceso, se clasifica dentro de aquellos que vienen definidos por lo que se
denomina una tendencia determinista.
Este patrn de evolucin parecera servir adecuadamente al anlisis de ciertas series econmicas
dado que resulta extremadamente sencillo encontrar magnitudes que exhiban perfiles similares a
los presentados en las ilustraciones anteriores. En los grficos que se muestran a continuacin,
la productividad total y el deflactor del consumo privado muestran una inconfundible tendencia
lineal, de la misma forma, las exportaciones totales reales y el valor aadido real en servicios
aparecen con una ligera tendencia exponencial:
PRODUCTIVIDAD TOTAL
DEFLACTOR CONSUMO PRIVADO
340
145
320
125
300
105
280
85
260
65
240
45
220
25
EXPORTACIONES REALES TOTALES

7700
VALOR AADIDO EN SERVICIOS

16200
6700
5700
4700
15200
14200
3700
13200
2700
12200
1700
11200
Fuente: Contabilidad Nacional de Espaa. (INE) y Encuesta de Poblacin Activa (INE)

2
Como podr intuirse, esta segunda serie representada en el grfico ha sido generada con una
perturbacin aleatoriat con una varianza 10 veces superior a la de la primera figura (tendencia lineal).
pg.4
Esta tendencia de tipo determinista puede combinarse con el proceso autorregresivo presentado
en la (Ec.1) al comienzo del apartado, para generar otra variedad de proceso con tendencia
determinista que se denomina proceso estacionario sobre una tendencia. Su expresin sera la
siguiente:
y t = a 0 + a1 y t 1 + bt + t
(Ec. 3)
En este caso, el proceso es dominado por la componente tendencial3 (para un valor razonable de
la varianza de t) por lo que distinguir grficamente su evolucin temporal de un modelo
tendencial determinista puro como el presentado en los grficos anteriores resulta casi
imposible.
1.B.- Tendencias estocsticas

Si observamos algunas series en economa, podramos caer en la tentacin de calificarlas entre
aquellas con tendencias deterministas como las observadas hasta aqu. Sin embargo, desde la
teora econmica sera muy difcil justificar una tendencia determinista de este tipo en
cualquiera de las cuatro series representadas en el apartado anterior. An a pesar de existir
componentes tendenciales importantes desde el punto de vista terico, seguramente estos
no seran de naturaleza determinista.
Es muy posible, por ejemplo, que la productividad tienda a crecer de forma natural en la
medida en que, con el paso del tiempo, se va produciendo la mejora tecnolgica de los procesos
productivos. Tambin es natural que el valor aadido nominal en servicios tienda a crecer
incluso de forma ligeramente exponencial, reemplazando la renta del sector primario, a medida
que una economa va alcanzando ciertos niveles de desarrollo. Sin embargo, ambos procesos
tericos no se producirn, con total seguridad, de una manera invariable, constante, predecible,
determinista, con el paso del tiempo.
Frente a la tendencia determinista surge por tanto la necesidad de definir un componente
tendencial, con efectos permanentes en la evolucin de la serie analizada, pero de naturaleza
estocstica.
Paseo aleatorio simple
El caso ms simple de modelo con tendencia estocstica viene determinado por lo que se conoce
como un paseo aleatorio simple:
y t = y t 1 + t y t = t
(Ec. 4)
con t ruido blanco. La solucin a la (Ec.4), representativa de un paseo aleatorio es4:
Cuando se dice el proceso es dominado por la componente tendencial en realidad nos referimos a la
varianza de yt .
4
Si se requiere un mayor detalle en todo lo referente a la formulacin y solucin de ecuaciones en

diferencias de este tipo, puede acudirse al documento Formulacin y solucin de ecuaciones lineales en
diferencias con coeficientes constantes en el contexto del anlisis de series temporales, Documento de
Trabajo del Instituto L.R. Klein. Junio 1998, del mismo autor de este documento.
pg.5

t
yt = y0 + i
(Ec. 5)
i =1
expresin que permite comprobar que estamos ante un proceso estacionario en media
por definicin:
t
E[y t ] = E y 0 + i = E[y 0 ] = y 0
i =1
Su varianza, sin embargo, no es constante dado que su expresin es:

2
t
t
V [ y t ] = E [ y t E [ y t ]] = E y 0 + i y 0 = E i =
i =1
i =1
2
2
2
2
= E 1 + 2 ..... + 1 2 + 1 3 + ..... = E 1 + 2 .... + t2 = t 2
2
por lo que se ampla con el paso del tiempo tendiendo a infinito a medida que t
tambin lo hace.
Lo ms interesante es que, de la (Ec. 5), ecuacin solucin para yt, puede observarse
claramente como cada uno de los shocks t (0, 1, ... t-1, t) tiene sobre yt un efecto de
permanente (tendencial) sobre yt pero siempre tratndose de un elemento de naturaleza aleatoria.
As, la denominada esperanza condicional para yt+s, es decir, el valor ms probable de yt+s dadas
las t realizaciones anteriores del proceso yt , es precisamente yt para todos los posibles valores
de t y s; esto confirma que cualquier shock de la secuencia contenida en:
t
i =1
tiene una presencia sobre yt+s de la misma intensidad que sobre yt; o sea, que estamos
ante un componente tendencial.
Existen, en la realidad, fenmenos que se comporten como paseos aleatorios?. Ntese que,
grficamente, el paseo aleatorio flucta ampliamente sin presentar tendencia a crecer o a
decrecer. Raramente alcanza un valor anterior y ninguna fuerza tiende a devolverlo a su nivel de
equilibrio, cualquiera que sea el mismo. Es posible encontrar series en economa de esa
naturaleza?.
Slo como un juego estadstico, en los dos pares de grficos que se muestran a continuacin, se
comparan paseos aleatorios generados para 100 observaciones (a la izquierda en ambos pares
de grficos) con series reales de la economa espaola representadas desde 1970 a 1997 (a la
derecha en ambos pares de grficos). En el primer par, la serie real se corresponde al tipo de
cambio peseta dlar y en el segundo al tipo de cambio peseta libra esterlina.
pg.6
Paseo aleatorio I
Tipo de cambio Pta/Dlar
30
180
25
160
20
140
15
120
10
100
80
60
-5
40
1
9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81
Paseo aleatorio II
240
50
220
40
200
30
180
20
160
10
140
0
6
11
13
15
17
19
21
23
25
27
29
Tipo de cambio Pta/Libra Esterlina
60
120
11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
11
13
15
17
19
21
23
25
27
29
Paseo aleatorio con deriva (tendencia determinista ms tendencia estocstica)

El paseo aleatorio con deriva incorpora una constante a0 a la expresin del paseo simple de la
(Ec.4) :
y t = a 0 + y t 1 + t y t = a 0 + t
(Ec. 6)
La expresin deriva se aplica con mucho criterio ya que el proceso as definido experimentar
una variacin constante definida por el trmino a0 dado que la solucin genrica a esta (Ec.6)
responde a la expresin:
t
yt = y0 + a0t + i
(Ec. 7)
i =1
Despus de t perodos, el valor de yt se ve influido por todos los shocks pasados y presentes a
travs del trmino de tendencia estocstica
i =1
y , al mismo tiempo, de forma invariable,
tambin permanente pero perfectamente conocida, por el trmino determinista a0t .
pg.7
A diferencia del proceso aleatorio simple, la deriva incluida en este otro modelo supone que el
proceso no slo no ser estacionario en varianza sino tampoco en media5.
Como puede observarse fcilmente comparando un paseo aleatorio simple de otro con deriva, el
patrn grfico de evolucin de este tipo de procesos vendr dominado por la componente
tendencial determinista del mismo.
PASEO ALEATORIO CON DERIVA (D. Tpica de t 0.4)
y t = 0.5 + y t 1 + t
60
50
40
30
20
10
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
No obstante para muestras pequeas y una varianza de t suficientemente elevada su aspecto

puede bien confundirse con un paseo aleatorio sin deriva. En el grfico que se muestra a
continuacin se representa el mismo paseo aleatorio con deriva del grfico anterior solo que, en
este caso, la varianza de t se ha multiplicado por 100:
PASEO ALEATORIO CON DERIVA (D. Tpica de t 4)
y t = 0.5 + y t 1 + t
50
40
30
20
10
0
-10
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
La demostracin para la media es inmediata:

t
E[y t ] = E y 0 + a 0 t + i = E[y 0 + a 0 t ] = y 0 + a 0 t
i =1
lo mismo que para la varianza:

2
t
V [ y t ] = E [ y t E [ y t ]] = E y 0 + a 0 t + i y 0 a 0 t = E i =
i =1
i =1
2
2
2
2
2
= E 1 + 2 ..... + 1 2 + 1 3 + .... = E 1 + 2 .... + t = t 2
2
pg.8
En cualquier caso, si es evidente que el paseo aleatorio con deriva resulta grficamente muy
similar al presentado al principio de este documento, (Ec.2), como tendencial determinista
(puro). Esto explica que, frecuentemente, se califiquen como deterministas series que,
probablemente, presenten un componente tendencial estocstico. Solamente para muestras
grandes un proceso podr ser distinguido del otro en la medida en que, aunque el paseo aleatorio
con deriva presentar una marcada evolucin tendencial, tender a fluctuar de forma algo ms
visible sobre la lnea tendencial de lo que lo hara un modelo determinista puro.
2.- LAS REGRESIONES ESPURIAS

El problema de la aparicin de regresiones espurias en los resultados de un buen nmero de
anlisis econmicos es siempre atribuida, no sin razn, a Granger y Newbold (1974). Sin
embargo, a finales de la dcada de los aos 20, Yule (1926) ya haba arrojado su particular
primera piedra en el Journal of the Royal Statistical Society con un artculo con el inquietante,
pero muy descriptivo ttulo: Why do we sometimes get nonsense correlations between time
series?. Efectivamente, el problema de las regresiones espurias es que tienden a admitirse
como buenas, relaciones econmicas que, en realidad, slo se deben a aspectos casuales.
Por regresin espuria entendemos tcnicamente aquellas ecuaciones de regresin que presentan
una elevada significatividad conjunta, medida en trminos del coeficiente de determinacin R2 o
R2 corregida y, sin embargo, fuertes problemas de autocorrelacin positiva reflejados en bajos
valores del estadstico Durbin Watson. La presencia de un trmino de error fuertemente
autocorrelacionado impide efectuar un proceso de inferencia con mnimas garantas. La
probabilidad de un error en el clculo y en la aplicacin de los test de significatividad individual
convencionales es muy importante, sin contar los insalvables problemas de no eficiencia en la
estimacin propios de una situacin de matriz de varianzas y covarianzas no escalar para la
perturbacin aleatoria. (Granger y Newbold (1974 y 1977), Plosser y Schwert (1978)).6
Si tomamos, por ejemplo, las series del tipo de cambio de la peseta frente al marco y al franco
francs entre 1970 y 1998, a la vista de sus grficos es obvio que una regresin entre una y otra
funcionar correctamente en trminos de R2 aunque quiz tras esa relacin no se esconda ningn
contenido econmico de inters.
Tipo de cambio Peseta Marco Alemn
Tipo de cambio Peseta Franco Francs
88
24
78
22
68
20
58
18
48
38
16
28
14
18
12
Efectivamente, los resultados as lo confirman: la R2 se acerca al 95%, la variable explicativa se

muestra ampliamente significativa atendiendo al contraste de la t de Student, pero el valor del
Si bien Granger y Newbold (1974) no explicitaron estadsticamente las razones que explicaban el fallo
de los procedimiento habituales, esto puede encontrarse con detalle en Phillips (1986).
pg.9
contraste DW no supera el valor 0.6, muy alejado del valor de referencia de ausencia de
autocorrelacin7.
Este tipo de regresiones aparecen cuando se relacionan series temporales no estacionarias y se

agudizan tanto ms cuanto estas estn ms cercanas a la forma de un paseo aleatorio, es decir,
cuanto ms evidente sea la presencia de tendencias estocsticas en las series. La forma ms clara
de ilustrar el problema es utilizar los resultados del ejemplo expuesto por Newbold y Davies
(1978) y Granger y Newbold (1986) y reutilizado despus en numerosos textos como Charemza
y Deadman (1992). Supongamos dos variables yt y xt independientemente generadas por paseos
aleatorios:
y t = y t 1 + 1t
x t = xt 1 + 2 t
(Ec. 8)
donde 1t y 2t son variables aleatorias normales estndar independientes entre s con

media cero y varianza unitaria. Dado que yt y xt estn generadas de forma independiente
deberamos esperar que no existiera ninguna relacin significativa entre ambas. Sin embargo,
sobre un conjunto de 1000 muestras de yt y xt con 50 observaciones, alrededor de un 65% de las
regresiones de yt sobre xt presentan contrastes t significativos a un nivel de significatividad
del 5%8. Tal y como expone Enders (1995) basta con reparar en las propiedades de la
perturbacin aleatoria de la regresin de yt sobre xt para apreciar lo absurdo de estos resultados.
Efectivamente, en la regresin:
y t = a 0 + a1 xt + et
(Ec. 9)
es claro que, prescindiendo de la constante a0:
e t = y t a1 x t
por lo que imponiendo las restricciones iniciales y0=x0=0 tenemos que:
El valor de referencia suele ser DW=2 siempre y cuando se asuma la existencia de autocorrelacin en
la perturbacin aleatoria siguiendo un proceso autorregresivo de primer orden.
8
Estos datos se refieren a la prueba efectuada por Charemza y Deadman (1992). En el experimento
original de Granger y Newbold (1974) el porcentaje de regresiones con parmetro significativo al 5%
fue del 75%.
pg.10

t
i =0
i =0
et = 1i a1 2i
(Ec. 10)
Por tanto, es obvio que estamos ante una secuencia et no estacionaria en varianza. Si esto es as,
et presenta una tendencia estocstica, lo que quiere decir que el error cometido en t no se
diluye en t+1, t+2... t+s ;es imposible que una regresin en la que los errores se acumulan de
forma permanente pueda tener algn inters.
Ntese que en esta situacin se violan un buen nmero de hiptesis bsicas asumidas en los
procesos de inferencia habituales en el contexto del Modelo Bsico de Regresin Lineal:
-
La varianza de et ya hemos dicho que no es constante. En la expresin (Ec.10) anterior

puede comprobarse con sencillez como se incrementa hacia el infinito a medida que t crece.
No existe incorrelacin serial. La misma expresin para et puede utilizarse para comprobar
como la correlacin entre et y et+1 tiende a uno a medida que t se incrementa.
Si la serie xt no es estacionaria, no satisfar la propiedad:
n
plim xi2 n = cte
i =1
que es uno de los supuestos que justifican los procedimientos de inferencia habituales
basados en el estimador MCO.
Dada semejante acumulacin de errores de base, ningn test de significatividad puede ser usado
con garantas y por ello, ninguna inferencia ser fiable.
Las regresiones espurias, no obstante, no slo se producen por la aparicin de tendencias
estocsticas en las series: las tendencias deterministas tambin pueden ser un problema. Si
hacemos depender una serie yt lineal (1,2,3,4..... 50) de otra xt con tendencia cuadrtica
(1,4,.......502) el resultado en trminos de R2 es de 0,94 cuando en realidad queda claro que el
patrn de evolucin de la serie cuadrtica acabar por divergir de forma definitiva cuando el
nmero de datos tienda a infinito.
Desde el primer momento, y an de forma intuitiva, se aconsej la utilizacin de tasas o
primeras diferencias en las series de cara a mitigar los efectos negativos en este tipo de
situaciones. Es indudable, efectivamente, que este fenmeno sucede con mayor facilidad cuando
utilizamos series en niveles, dado que los cambios sobre el nivel se producen de forma mucho
ms suave generando series con patrones tendenciales ampliamente comunes y fcilmente
predecibles. El problema, no obstante, no reside en una cuestin de niveles o tasas, sino en el
concepto, algo ms complejo de estacionariedad.
3.- CONCEPTO DE INTEGRACIN

Si tomamos un paseo aleatorio y lo expresamos en primeras diferencias comprobamos que,
adems de seguir siendo estacionario en media, se convierte tambin en un proceso estacionario
en varianza:
pg.11
V [y t ] = V [ y t y t 1 ] = E [( y t y t 1 ) E [ y t y t 1 ]] =
2
t
t 1
t
t 1
2
E y 0 + i y 0 i E y 0 + i y 0 i = E [ t ] = 2
i =1
i =1
i =1
i =1
En el caso de un paseo aleatorio con tendencia determinista aadida (con deriva) la

diferenciacin permite tambin convertir la serie en estacionaria tanto en media como en
varianza:
t
t 1
E [y t ] = E [ y t y t 1 ] = E y 0 + a 0 t + i y 0 a 0 (t 1) + i = E [a 0 + t ] = a 0
i =1
i =1
y:
V [y t ] = E [( y t y t 1 ) E [ y t y t 1 ]]
t
t 1
= E y 0 + a 0 t + i y 0 a 0 (t 1) i a 0 =
i =1
i =1
[ ]
= E [a 0 + t a 0 ] = E t2 = 2
2
Podramos as mismo comprobar sin demasiada complicacin como las covarianzas para
observaciones del proceso separadas un determinado retardo j slo dependen del valor de ese
retardo, es decir, podramos comprobar que ambos procesos diferenciados cumple lo que se
denomina estacionariedad en sentido dbil.
La idea de que la diferenciacin corrige los problemas derivados de la presencia de tendencias
estocsticas puede generalizarse matemticamente del siguiente modo:
Supongamos el caso general de un modelo ARIMA del tipo:
A( L) y t = B( L) t
(Ec. 11)
en el que suponemos la presencia de una raz unitaria en el polinomio de retardos A(L),

mientras que mantenemos las condiciones de estacionariedad para el proceso definido sobre t
mediante el polinomio L(B), o sea, suponemos que todas sus races caen fuera del crculo
unitario.
Si el polinomio A(L) tiene efectivamente una raz caracterstica podemos factorizarlo y
expresarlo de la forma:
A( L) = (1 L) A' ( L)
(Ec. 12)
donde ahora A(L) ser un polinomio de orden inferior en una unidad al original A(L),
es decir, p-1. La principal caracterstica de este nuevo polinomio es que ya no contiene una
raz unitaria y que por tanto todas sus races caen fuera del crculo unitario. Por tanto, la
ecuacin (Ec.12) original del modelo ARIMA quedara ahora:
(1 L) A' ( L) y t = B( L) t
o lo que es igual:
pg.12
A' ( L)(1 L) y t = B( L) t
o sea:
A' ( L) y t = B( L) t
Por tanto, la diferencia de un proceso con una raz unitaria es ahora estacionaria y lo mismo
ocurre cuando estamos ante dos races unitarias si tomamos diferencias dos veces o ante d
races unitarias si efectuamos d diferencias.
Por ejemplo, tomemos el siguiente proceso:
y t = 1.5 y t 1 0.5 y t 2 + 0.5 t 1 0.25 t 2
(Ec. 13)
ste puede expresarse como:
y t 1.5 y t 1 + 0.5 y t 2 = 0.5 t 1 0.25 t 2
(Ec. 14)
multiplicando la expresin a izquierda y derecha por 2 para simplificar su apariencia

tenemos:
2 y t 3 y t 1 + y t 2 = t 1 0.5 t 2
(Ec. 15)
y utilizando en (Ec. 15) los polinomios de retardos habituales queda:
y t A( L) = t B( L) y t ( 2 3L + L2 ) = t ( L 0.5L2 )
(Ec. 16)
Es claro que el polinomio de retardos de la parte autorregresiva contiene una raz unitaria por lo
que (Ec. 16) puede escribirse como:
y t (1 L) A' ( L) = t B( L) y t (1 L)( 2 L) = t ( L 0.5L2 )

de donde tenemos finalmente:
y t A' ( L) = t B( L) y t ( 2 L) = t ( L 0.5L2 )
Tal y como sealan Charemza y Deadman (1992) es interesante observar que no es necesario
que yt siga un paseo aleatorio puro. Si en un proceso del tipo:
y t = y t 1 + t
la perturbacin aleatoria no fuera ruido blanco sino que siguiera un proceso
autorregresivo de la forma:
t = t 1 + t
la primera diferencia de yt dara una serie estacionaria siempre y cuando fuera menor
que la unidad en valor absoluto.
Llegados a este punto podemos definir perfectamente el concepto de serie integrada de orden
d. Se dice que una serie yt no estacionaria es integrada de orden d y se representa
pg.13
como yt~I(d) cuando puede ser transformada en una serie estacionaria diferencindola
d veces. Siguiendo la definicin dada por Engle y Granger (1987)9, una serie sera
integrada de orden d si admite una representacin ARMA estacionaria e invertible
despus de ser diferenciada d veces.
Un ruido blanco, por ejemplo, o una serie AR(1) con coeficiente menor que la unidad son series
I(0). Una serie que siga un paseo aleatorio es, sin embargo, una serie I(1). Granger (1986) y
Engle y Granger (1987) caracterizaron las series I(0) frente a las I(1) de la siguiente forma:
Series I(0)
Series I(1)
Presentan varianza finita e independiente

del tiempo
Su varianza depende del tiempo y tiende a infinito

a medida que el tiempo tiende a infinito
Cualquier innovacin afecta permanentemente
a sus procesos
Tienen memoria limitada

Tienden a fluctuar alrededor de la media (que puede
incluir una tendencia determinista)
Presentan autocorrelaciones que tienden a disminuir
rpidamente a medida que el retardo se incrementa
Oscilan ampliamente
Su autocorrelacin tiende a uno (en valor
absoluto) para cualquier orden del retardo
Sin embargo, la diferenciacin de una serie para convertirla en estacionaria slo es

adecuado cuando nos encontramos ante tendencias estocsticas, nunca cuando estamos
ante tendencias deterministas; en ese caso, el procedimiento habitual es de aplicar sobre la
serie original un filtro sencillo: se estima la regresin de la serie no estacionaria yt sobre un
trmino de tendencia determinista obtenindose una estimacin de la serie original yt :
y t = 0 + 1t
(Ec. 17)
es suficiente entonces con trabajar con la serie transformada:
y t* = y t y t = y t ( 0 + 1t )
Debe tenerse especial cuidado para no confundir la tendencia determinista y estocstica, ya que
entonces tanto uno como otro mtodo resultaran incorrectos de aplicar. Por ejemplo, si estamos
ante un proceso del tipo:
A( L) y t = 0 + 1t + B( L) t
en el que tenemos tendencia determinista pero no estocstica, si tomamos una primera
diferencia la anterior expresin quedara:
A( L)y t = 1 + (1 L) B( L) t
o sea, habramos eliminado la tendencia temporal pero habramos introducido una raz
unitaria en el proceso MA, que ahora sera no invertible. Debe notarse que este problema
tambin se plantear, por las mismas razones, en el caso en el que sobrediferenciemos una serie
ms all de su orden de integracin.
Basada, a su vez, en el conocido teorema de descomposicin de Wold (1938).
pg.14
Tambin al contrario, cometemos un error an si cabe ms importante si intentamos transformar

un modelo con tendencia estocstica aplicando el filtro representado en (Ec.17) para la
eliminacin de la tendencia determinista 10 :
-
En primer lugar el estadstico t de significacin individual tiende a infinito para la

variable de tendencia determinista introducida en el filtro y es inconsistente, por lo
que resulta fcil rechazar errneamente la hiptesis de nulidad del parmetro de
tendencia.
En segundo lugar la R2 converge a una distribucin no degenerada, es decir, a

medida que el tamao de la muestra se incrementa no convergen hacia un escalar,
sino hacia una variable aleatoria
Un efecto adicional comentado por Durlauf y Phillips (1988) es que, en estos casos, el
estadstico DW de la errnea regresin de la serie sobre una tendencia temporal tiende a
acercarse a cero. Este sntoma puede utilizarse como medida de alerta cuando nos encontremos
en una situacin similar.
En cualquier caso, parece claro que la trascendencia de un posible error en los resultados del
modelo exige establecer un modus operandi con ms garantas. El chequeo de la presencia de
races unitarias parece pues insalvable, para lo cual deben conocerse extensamente los
contrastes ms habituales que permitan detectarlas.
4.- ALGUNOS PROCEDIMENTOS SIMPLES PARA LA DETECCIN DE

RACES UNITARIAS
4.A.- Anlisis del grfico temporal de la serie
Apoyndonos en las caractersticas comunes de la series integradas frente a las no integradas,
resumidas en la tabla expuesta en el apartado anterior, podramos utilizar la representacin
grfica de una serie para el anlisis de su estacionariedad. Efectivamente, uno de los mtodos
que suelen proponerse como suficientes para la deteccin de la no estacionariedad de una serie
es, errneamente, el del anlisis de representaciones grficas de la misma. As, se dice que la
simple contemplacin del grfico de evolucin temporal de la serie permite decidir si la serie es
o no estacionaria en virtud, por ejemplo, de la pendiente que presente. Por otro lado, suelen
aconsejarse medidas como el grfico rango - media para detectar la no estacionariedad en
varianza; ambos procedimientos slo son parcialmente tiles. Efectivamente ya hemos visto
anteriormente cmo pueden confundirse con facilidad representaciones grficas de procesos con
tendencias estocsticas con procesos con tendencias deterministas.
Por otro lado, incluso con procedimientos tcnicamente elaborados, resulta an ms complejo
diferenciar, por ejemplo, un proceso con una raz unitaria de otro con un una raz autorregresiva
elevada. En el grfico siguiente, por ejemplo, se han representado dos procesos, uno
estacionario y otro con una raz unitaria. En ambos casos se ha utilizado la misma secuencia de
perturbaciones aleatorias mientras que los coeficientes utilizados en cada caso han sido:
-
Modelo estacionario:
y t = 1.3 y t 1 0.1 y t 2 0.28 y t 3 + t
10
Una descripcin formalizada de los efectos puede encontrarse en Durlauf y Phillips (1988).
pg.15
Modelo I(1):
y t = 1.35 y t 1 0.1 y t 2 0.25 y t 3 + t
13 19 25 31 37 43 49 55 61 67 73 79 85 91 97
Raiz Unitaria
Estacionario
No obstante, a pesar de que el anlisis grfico no puede considerase una herramienta suficiente
para el anlisis de la estacionariedad de una serie, si ha de servir como etapa previa a la
aplicacin de contrastes ms avanzados. Efectivamente, observar la evolucin grfica de la serie
puede permitir localizar cambios de estructura, comportamientos estacionales o medias y
tendencias de tipo determinista, lo que permitir aplicar con mayor porcentaje de xito, los test
clsicos de races unitarias.
4.B.- Anlisis del correlograma de una serie

Un procedimiento sencillo que no requiere la aplicacin de ningn contraste para determinar la
presencia de races unitarias en las series, es el de observar el correlograma de la misma, es
decir, la representacin grfica de su funcin de autocorrelacin total (FAT). Distintos trabajos,
pero en especial los presentados por Hoskin (1989), Diebold y Rudebusch y Lo (1991), se han
centrado en analizar las variaciones de la autocorrelacin en funcin del orden de integracin
d de una serie.
En general, la regla a aplicar ser sencilla: los valores de la FAT de una serie con races
unitarias descienden muy suavemente hacia el cero mientras que cuando no hay presencia
de races unitarias el descenso es exponencial. Las imgenes que se muestran a continuacin
corresponden a series reales de tipo de cambio.
La diferencia en el patrn de evolucin del correlograma es evidente si bien, como se comentar
ms adelante, la imprecisin del mtodo no nos permitira afirmar con rotundidad que en el caso
del ECU estemos ante un proceso integrado de orden uno.
pg.16
T. Cambio Pta/Lira 70-98
T. Cambio Pta/Ecu 70-98
La razn de este comportamiento de la FAT en uno y otro caso es clara. Mientras que la serie
integrada es una serie de memoria ilimitada (precisamente por presentar un componente
tendencial), la serie no integrada guarda slo memoria de los shocks ms recientes. De esta
forma, si la serie no estacionaria guarda memoria de los shocks pasados y recientes, la relacin
entre dos valores separados por un lapso de tiempo j presentarn necesariamente algn tipo de
relacin, o sea, los coeficientes de correlacin yt,yt-j tendern a mantenerse elevados.
Efectivamente, la expresin genrica de la solucin de una ecuacin en diferencias de primer
orden puede expresarse como:
t 1
y t = a1t y 0 + a1i t i
(Ec. 18)
i =0
tomando, por tanto, para el caso de un raz unitaria, la forma:

t 1
y t = y 0 + t i
(Ec. 19)
i =0
A partir de las expresiones (Ec. 18 y 19) puede calcularse el coeficiente de autocorrelacin yt,yt-j
para cada caso. Cuando no existe raz unitaria, el trmino a1 (menor que la unidad) fuerza a los
coeficientes de autocorrelacin a descender rpidamente hacia el cero en una progresin
geomtrica de razn a1; recordemos que, efectivamente, la expresin de la serie de coeficientes
de autocorrelacin es:
1 = a1 ; 2 = a12 ; 3 = a13 ,............; s = a1s
(Ec. 20)
En el segundo caso (Ec. 19), sin embargo, es un trmino lineal (t-s) (y por tanto ms lento) el
que define la progresin hacia el cero de los coeficientes de autocorrelacin. La expresin de los
coeficientes de correlacin es ahora:
t s
s =
t
0.5
(Ec. 21)
pg.17
Si representamos las expresiones (Ec. 20 y 21) para los primeros 24 valores de s, podemos
apreciar claramente como el ritmo de descenso de los coeficientes de autocorrelacin en el caso
de procesos AR(1), con distintos valores para a1, es directo y rpido, mientras que el caso del
paseo aleatorio el descenso es muy tenue, sobre todo para las primeras observaciones11.
Coeficientes de autocorrelacin para un

AR(1) y un Paseo Aleatorio
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1
AR(1) (0,5)
11
AR(1) (0,7)
13
15
17
AR(1) (0,8)
19
21
23
Paseo Aleatorio
Debe recordarse en este punto que la simple observacin del grfico de la funcin de
autocorrelacin puede completarse con el clculo de algunos conocidos contrastes Q como los
propuestos por Box y Pierce (1970) o Ljung y Box (1978).
- Q de Box-Pierce: Q BP = T
j =1
2
j
- Q de Ljung-Box: Q LB = T (T + 2)
2j
(T j )
j =1
Recordemos que, en ambos casos, la hiptesis a contrastar es que los p primeros coeficientes
de correlacin calculados j son iguales a cero. El escalar T ser igual al numero total de
coeficientes de correlacin representados en el correlograma. Estos contrastes se distribuyen
como una con (T-k) grados de libertad. Dado que lo habitual es aplicarlos sobre los residuos
de un modelo ARIMA previamente estimado para saber si estamos ante un ruido blanco o no, el
parmetro k toma el valor de los coeficientes estimados de ese modelo ARIMA. Si, como es
nuestro caso, estamos observando los test directamente sobre una serie, no sobre los residuos de
un modelo, los grados de libertad de la sern entonces p. Si el estadstico supera el valor de
tablas rechazaremos la hiptesis nula de que los p primeros coeficientes son
significativamente nulos.
El problema principal de la utilizacin de este mtodo es, obviamente, que el comportamiento
de la funcin de autocorrelacin cuando existe una raz unitaria es extremadamente similar al
del caso en el que la raz tome un valor muy cercano a la unidad. En la imagen inferior se
muestran 4 correlogramas correspondientes a distintos valores del coeficiente a1 del proceso
terico:
11
Para la representacin de los coeficientes de autocorrelacin del paseo aleatorio se ha supuesto que se
dispona de 30 observaciones (t=30).
pg.18
y t = 0.5 + a1 y t 1 + t
donde la secuencia t ha sido generada idntica para todos los casos:
a1=1
-1
a1=0,99
-1
a1=0,98
-1
a1=0,97
1 -1
a1=0,96
-1
a1=0,95
1 -1
Puede comprobarse como el primero de los casos (paseo aleatorio) puede confundirse con
el resto aun cuando el valor de a1 est relativamente alejado de la unidad (0.95). En el
grfico inferior puede observarse la similitud entre el valor del coeficiente de autocorrelacin de
un AR(1) y el de un paseo aleatorio para valores muy cercanos a la unidad e incluso, cmo el
ritmo de decrecimiento es ms lento para un =0.98 cuando, como en este caso, el nmero de
observaciones es relativamente pequeo (30) :
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
1
AR(1) (0,96)
11
AR(1) (0,97)
13
15
17
19
AR(1) (0,98)
21
23
Paseo Aleatorio
Por otro lado, el concepto de integracin fraccional que se revisar al final de este documento
permite pensar en series estacionarias que sin embargo presenten evoluciones explosivas de la
varianza de la serie en el lmite y , por tanto, muestren funciones de autocorrelacin
particularmente similares a las de las series integradas.
En cualquier caso, queda claro que este mtodo no nos servirn, al menos de forma precisa, para
distinguir un verdadero proceso integrado I(1) de otro que presente una raz elevada.
pg.19
4.C.- Utilizacin del test Durbin-Watson

El estadstico Durbin Watson (1950), tradicionalmente utilizado para detectar la presencia de
autocorrelacin de primer orden en los residuos de un modelo estimado por MCO, puede
utilizarse segn la propuesta de Sargan y Bhargava (1983) para detectar la presencia de una raz
unitaria en una serie temporal yt.
La expresin del contraste en el contexto del anlisis de autocorrelacin en los residuos e de
un modelo es:
n
DW =
(e
t =2
et 1 ) 2
(Ec. 22)
e
t =1
2
t
donde et representa los residuos obtenidos en la estimacin del modelo a chequear. Asumiendo
que el residuo, de estar autocorrelacionado, seguira un modelo simple AR(1), el valor del
estadstico fluctuar entre 0 y 4. El lmite inferior (0) correspondera a una situacin de
autocorrelacin perfecta positiva, el lmite superior (4), a una situacin de autocorrelacin
perfecta negativa y el valor medio (2), mostrara ausencia de autocorrelacin. Estas
conclusiones se derivan fcilmente de la relacin aproximada que existe entre el valor del
estadstico DW y una estimacin insesgada del parmetro a1 del modelo AR(1) supuesto en los
residuos:
)
DW 2(1 )
De cara a utilizar este contraste para la deteccin de races unitarias, la idea es aplicar la
expresin del test (Ec.22) sobre los residuos del siguiente modelo:
yt = o + t
(Ec. 23)
si los residuos de este modelo estn correlacionados de forma perfecta siguiendo un paseo
aleatorio, es decir, presentan una raz unitaria, tambin podremos decir que yt es integrada de
orden 1 ya que podramos expresar el estadstico DW como:
n
DW =
(et et 1 ) 2
t =2
e
t =1
2
t
(y
t =2
n
(y
t =1
y t 1 )
yt )
Si esto es as, el estadstico DW tomar el valor 0. Por tanto, la hiptesis a contrastar es si el

estadstico DW toma un valor significativamente distinto de cero.
5.- CONTRASTES DE NO ESTACIONARIEDAD

5.A. - El test simple Dickey-Fuller
Sin duda alguna, el test ms habitual a la hora de determinar la estacionariedad de una serie
temporal, consiste en la aplicacin del conocido como test de DickeyFuller (Test DF) o
Dickey-Fuller Ampliado (Test ADF). ste es un contraste de No estacionariedad ya que la
pg.20
hiptesis nula es precisamente la presencia de una raz unitaria en el proceso generador de datos
de la serie analizada.
Vamos a suponer inicialmente, como modelo de partida para el anlisis de una determinada
serie yt, el de un proceso estacionario autorregresivo de orden uno:
y t = a1 y t 1 + t
(Ec. 24)
frente a este modelo se plantea, como hiptesis nula H0, el modelo alternativo de un
paseo aleatorio no estacionario del tipo:
yt = yt 1 + t
se trata por tanto de contrastar si el coeficiente a1 es igual a la unidad o distinto de ella.
Sin embargo, para contrastar la nulidad del coeficiente a1, no podemos utilizar el contraste
t habitual sobre una estimacin por MCO del primer modelo. La razn es que la hiptesis
nula que habitualmente se contrasta y, a partir de la cual se deriva la expresin y propiedades
del test t, es la de nulidad del parmetro (a1=0) de la (Ec.24), sin embargo, en nuestro caso,
necesitaramos contrastar H0: a1=1. Si la hiptesis nula fuera cierta, la varianza de yt no sera
estacionaria sino que crecera con los valores de t segn la expresin de la varianza de un
paseo aleatorio con deriva:
Var ( y t ) = t 2
En estas condiciones la estimacin del parmetro a1 sera una estimacin consistente pero
sesgada a la baja con relacin al verdadero valor del parmetro y el uso de la distribucin t
estndar sera incorrecto. Efectivamente, en el modelo simple AR(1):
y t = a1 y t 1 + t
la estimacin de a1 ser siempre consistente sin embargo, su distribucin variar segn
los valores que tome la estimacin. Si |a1|<1, la distribucin del estimador es asintticamente
normal, o lo que es lo mismo, el estadstico t de Student converge hacia una N(0,1) cuando
los grados de libertad tienden a infinito. En el caso de que |a1|>1, tambin puede caracterizarse
la distribucin del estimador del parmetro y de su razn t si bien la convergencia en el lmite
no se produce hacia una normal12. El problema surge precisamente cuando |a1|=1, ya que en este
caso, la distribucin del parmetro (y por tanto de su ratio t) no puede caracterizarse
adecuadamente.13
Por tanto, utilizando las palabras de Novales (1993), la distribucin de probabilidad asinttica
del estimador de MCO del modelo AR(1) presenta una discontinuidad cuando a1=1 y, como
sustituto, debern utilizarse las distribuciones derivadas de forma emprica mediante un
procedimiento de Montecarlo realizado por Dickey (1976). En este experimento se generaron un
elevado nmero de series ruido banco t para construir el mismo nmero de paseos aleatorios
con deriva. La estimacin de los parmetros de inters en cada uno de esos modelos
controlados arroj las siguientes conclusiones:
12
La distribucin lmite sera ahora una distribucin de Cauchy

La distribucin del estimador es entonces funcin de procesos Brownianos. Segn Fuller (1976) se
tiene que N(a1-1) converge en distribucin a un cociente de integrales de Wiener.
13
pg.21
El 90% de los valores estimados del parmetro a1 estaban menos alejados de 2.58
errores estndar del verdadero valor (la unidad).
Tras este experimento de Dickey, fue Fuller (1976) quien obtuvo la distribucin lmite
apropiada y public, tabulados, toda una batera de valores crticos, dado que el valor emprico
del contraste vara en funcin del tamao muestral. Estas tablas de referencia, permiten
prescindir de la distribucin t estndar a la hora de contrastar, finalmente, si el parmetro a1 es
igual, o no, a la unidad. Ms recientemente, MacKinnon (1991) realiz un nmero mayor de
simulaciones que las tabuladas por Dickey y Fuller. Adems, MacKinnon estim la superficie
de respuesta usando los resultados de la simulacin, lo que permite calcular los valores crticos
del test DF para cualquier tamao muestral y cualquier nmero de variables en el lado derecho
de la ecuacin.
En la prctica, por cuestiones de sencillez operativa, el modelo utilizado para el contraste DF no
es el expuesto al comienzo del epgrafe sino otro, equivalente al anterior, que se obtiene
restando a uno y otro lado el trmino yt-1:
y t y t 1 = a 0 + a1 y t 1 y t 1 + t
y t = a 0 + ( a1 1) y t 1 + t
(Ec. 25)
y t = a 0 + y t 1 + t
por tanto, la hiptesis nula inicial para la (Ec. 24), se transforma ahora en H0: =0 frente
a H1: <0. Decir que es nulo es lo mismo que decir que a1=1, o sea, que existe una raz
unitaria, decir que es menor que cero equivale a decir que a1 es menor que la unidad (proceso
autorregresivo estacionario)14.
El procedimiento bsico para la aplicacin simple del test DF es, a partir de aqu, aparentemente
sencillo. Se estima el modelo propuesto y se calcula el valor estimado de la t del parmetro
analizado. Una vez calculado se compara con el valor emprico de referencia obtenido con las
tablas de Dickey y Fuller o de MacKinnon. Si el valor estimado para es superior al tabulado
dado un determinado nivel de confianza, admitiremos la hiptesis nula, o sea, la presencia de
una raz unitaria.
5.B.- Test DF y proceso generador de datos

Los valores crticos de la t de referencia para el contraste DF no slo dependern, como
convendra, del tamao muestral, sino tambin, lamentablemente, del tipo de modelo
estimado (proceso generador de datos supuesto). Por tanto, antes de estimar los parmetros del
modelo hay que decidir si el proceso generador de datos ser el simple, presentado
14
No se considera el caso de procesos autorregresivos explosivos en que a1>1
pg.22
anteriormente contendr una constante (a0), un trmino tendencial determinista (a2t) o ambas
cosas simultneamente15. Los tres modelos propuestos por Dickey-Fuller son por tanto:
-
Modelo 1 (simple): y t = y t 1 + t
Modelo 2 (con constante): y t = a 0 + y t 1 + t
Modelo 3 (con constante y tendencia determinista): y t = a 0 + y t 1 + a 2 t + t
Una vez decidido el modelo, el estadstico de referencia para el contraste ser diferente,
notndose generalmente por las letras para el caso ms simple, para el caso del modelo con
constante y para el caso del modelo con tendencia determinista. Consultar correctamente el
estadstico de referencia es fundamental dado que las diferencias entre los distintos valores de ,
y son importantes. Por ejemplo, para un nivel de significacin del 95% y 100
observaciones los valores crticos seran 1.95 para , -2.89 para y 3.45 para .
Tal y como describen de forma muy clara Suriach et al. (1995), los modelos 2 y 3 presentados
por Dickey y Fuller son en realidad formas reducidas de determinados modelos estructurales.
As, el modelo nmero 2, que contrasta la hiptesis nula de paseo aleatorio con deriva frente a
una alternativa de esquema AR(1) estacionario sin tendencia, es la forma reducida del modelo:
y t = 0 + ut
ut = a1ut 1 + t
en el que a0=0(1-a1). Bajo la hiptesis nula (a1=1) el trmino constante sera nulo luego
su presencia por tanto en el modelo a estimar es irrelevante y slo se justificara para garantizar
que, en el caso de que fuera cierta la hiptesis alternativa, el proceso autorregresivo tenga media
no nula. El modelo 3, que contrasta la hiptesis nula de un paseo aleatorio con deriva frente a la
alternativa de un proceso AR(1) estacionario sobre una tendencia determinista, sera la forma
reducida del modelo:
y t = 0 + 1t + ut
ut = a1ut 1 + t
con a0=0(1-a1)+ 1a1 y a2=0(1-a1). Bajo la hiptesis de raz unitaria (a1=1) tendramos
que a0=1 y a2=0 luego, como en el caso anterior, la presencia en este caso del parmetro a2 es
irrelevante en el caso de raz unitaria y su presencia intenta slo garantizar la consistencia del
contraste en una situacin de hiptesis alternativa (proceso estacionario sobre tendencia
determinista).
5.C.- Contraste de races unitarias mltiples

Debe ahora ponerse de manifiesto una caracterstica del contraste DF muy bsica que quiz
resulte inadvertida: el contraste DF no puede dar resultados conclusivos en una sola etapa.
Efectivamente, si aplicamos el test DF sobre una serie yt y el resultado es que debemos aceptar
la hiptesis nula (no estacionariedad, presencia de una raz unitaria), la conclusin deber ser
que, o bien yt~I(1) o bien no es integrada de ningn orden, es decir, que no puede transformarse
15
En realidad, ante la presencia de un trmino tendencial, la aparicin de una constante resulta ya

irrelevante dado que el cambio en la distribucin del estadstico de referencia t ya no se ver influido
por el valor del coeficiente constante sino slo por el valor del parmetro tendencial.
pg.23
en estacionaria por diferenciacin. Para decidirnos entre una u otra alternativa Charemza y
Deadman (1992) sugieren aplicar nuevamente el test DF ahora sobre la serie en diferencias yt:
y t = y t 1 + t
(Ec. 26)
contrastando ahora si el parmetro es nulo o menor que cero. Si yt fuese exactamente

integrada de orden 1, tal y como pareca apuntar el resultado del test DF aplicado sobre yt,
entonces yt deber ser I(0), es decir <0. Si, en cambio, la aplicacin del test DF sobre este
nuevo modelo nos dijera que yt tiene una raz unitaria, entonces el proceso debera continuar
ahora con yt a fin de determinar si yt es I(2) o simplemente estamos ante una serie no
integrable. Podra proseguirse ahora con yt aunque es poco habitual encontrar series con
orden de integracin 3 o superior.
Esquema de Charemza y Deadman (1992)
H1
DF sobre yt
H0
yt~I(0)
DF sobre yt
H0
H1
yt~I(1)
DF sobre yt
H0
H1
yt~I(2)
Orden superior a 2.
No integrable.
Fallo DF
En cualquier caso, como se muestra al final del esquema, siempre debemos tener presente la
posibilidad de que el test DF no sea capaz de detectar la presencia de una raz unitaria para un
determinado orden de diferenciacin. Si as fuera, corremos el peligro de sobrediferenciar una
serie. En ese caso, tal y como sealan Charemza y Deadman (1992) el test DF tiende a tomar un
valor muy alto y positivo (en lugar de negativo) acompaado as mismo de un valor muy
elevado del coeficiente de determinacin para el ajuste.
Dickey y Pantula (1987) proponen un procedimiento alternativo al anterior para el contraste de
ms de una raz unitaria. La idea es realizar tambin una secuencia de contrastes pero
empezando por el nmero mximo de races unitarias que se piensa pueden encontrarse.
As, si se piensa que un proceso tiene exactamente, y como mucho, dos races unitarias, se
platear el modelo siguiente:
2 y t = a0 + 1 y t 1 + t
(Ec. 27)
Si efectivamente yt tiene dos races unitarias, 2yt debe ser estacionaria por lo que el parmetro
1 debe ser nulo. Contrastaremos por tanto la hiptesis nula de que en la (Ec. 27) H0: 1=0, si no
podemos rechazarla, afirmaremos que yt tiene exactamente dos races unitarias, o sea, es I(2). Si
1 es distinto de cero debemos plantear entonces el modelo:
pg.24
2 y t = a0 + 1 y t 1 + 2 y t 2 + t
(Ec. 28)
Dado que ya sabemos que no hay dos races unitarias algunos de los dos coeficientes, o ambos,
no sern nulos (sencillamente esto sera incongruente con el resultado obtenido en la etapa
anterior).
La hiptesis nula en este caso ser la de que yt tenga una raz unitaria, o sea, que yt sea
estacionaria. Para eso ser necesario que en la expresin (Ec. 28) 2=0 y 1<0. Si no es as y
debe rechazarse la hiptesis nula (tanto 1 como 2 son no nulos), entonces yt ser estacionaria,
es decir, no tendr ninguna raz unitaria.
Este procedimiento puede utilizarse para un orden mayor r para el caso en que se sospechen
slo dos races unitarias. El caso sera bastante excepcional pero, si se diese, el procedimiento es
el mismo que el descrito anteriormente slo que comenzando el contraste con el modelo:
r y t = a 0 + 1 r 1 y t 1 + t
5.D.- Contrastes conjuntos de parmetros en el modelo simple DF
Sobre los modelos propuestos que contienen ms de un parmetro (modelos 2 y 3) puede
adems tambin contrastarse la hiptesis de nulidad simultnea de conjuntos de parmetros.
Dickey y Fuller (1981) plantearon la construccin de estadsticos F clsicos para contrastar
las hiptesis H0:=a0=0 (estadstico 1) en el modelo 2 y H0:=a0=a2=0 (estadstico 2)
H0:=a2=0 (estadstico 3) en el modelo 3. Los estadsticos 1,2,3 se construyen segn la
expresin conocida del test F:
i =
(SCRmr SCRmnr )
SCRmnr n k
(Ec. 29)
donde SCRmr y SCRmrn son las sumas cuadrticas residuales de los modelos restringido
(mr) y no restringido (mnr), n es el nmero total de observaciones, k el nmero de
parmetros del modelo no restringido y r el nmero de restricciones.
Como ya sucediera en el caso del contraste t individual, no es posible utilizar las tablas
habituales de la razn F por lo que de nuevo debe acudirse a las tablas de Dickey-Fuller en las
que se recogen los valores generados empricamente para i.
Resulta interesante y necesario resaltar, que la aplicacin de los contrastes de nulidad conjunta
1, 2 y 3 supone una forma alternativa a los estadsticos individuales de contrastar la
estacionariedad de yt. Efectivamente podra, por ejemplo, contrastarse con 2 la hiptesis nula
de que yt siga un paseo aleatorio simple (no estacionariedad) frente a un AR(1) estacionario con
trmino independiente. Este hecho, no hace sino hacer an ms compleja la realizacin e
interpretacin del contraste DF.
Por ltimo, conviene no olvidar en este apartado, que, an a pesar del carcter nuisance de
algunos de los parmetros, cabe la posibilidad de contrastar, tambin, la nulidad individual de
los mismos, supuesta, eso si, la existencia de una raz unitaria,. As, puede contrastarse en el
modelo 2 la hiptesis a0=0 dado =0 mediante el denominado contraste o en el modelo 3 las
hiptesis a0=0 dado =0 (estadstico ) y a2=0 dado =0 (estadstico ).
pg.25
A modo de resumen incluiremos aqu la tabla con la notacin y los valores crticos16 para cada
uno de los contrastes DF aplicables a cada una de las variables incluidas en los modelos
comentados hasta ahora:
Resumen de los test DF
Modelo
y t = a 0 + y t 1 + a 2 t + t
y t = a 0 + y t 1 + t
y t = y t 1 + t
Hiptesis nula
=0
a0=0 dado =0
a2=0 dado =0
=a2=0
a0==a2=0
=0
a0=0 dado =0
a0==0
=0
Estadstico
3
2
Valores crticos
95 %
99 %
-3.45
-4.04
3.11
3.78
2.79
3.53
6.49
8.73
4.88
6.50
-2.89
-3.51
2.54
3.22
4.71
6.70
-1.95
-2.60
6.- LIMITACIONES DEL TEST DF

6.A.- El test DF y la eleccin de los componentes deterministas del P.G.D
El primer problema que plantea la aplicacin del test DF es que la estructura terica del
proceso generador de datos asumida para la serie yt influye decisivamente en los
resultados obtenidos. As, no es invariante a los resultados del contraste, suponer para yt un
modelo con o sin trmino independiente, con o sin tendencia determinista, con componente
autorregresivo de orden uno u orden superior a uno o con o sin componente de medias mviles.
El problema es que, en la mayor parte de las ocasiones, ese modelo se desconoce a priori.
En algunos de los apartados de este texto se tratarn de forma especial los casos en los que se
supone una estructura autorregresiva o de medias mviles ya que, en estas situaciones, se
producen transformaciones especialmente relevantes del test simple DF. En este apartado vamos
a tratar exclusivamente el tema de la eleccin de los regresores deterministas (trmino
independiente y tendencia) a incluir en el modelo para el contraste de races unitarias.
Ya hemos visto como, desde el primer momento, se ha diferenciado claramente el caso de un
modelo simple del caso de un modelo con constante y/o tendencia determinista, dado que los
contrastes de referencia son en uno y otro caso diferentes (, , ). Incluso hemos visto que una
misma hiptesis nula puede contrastarse utilizando los contrastes individuales i o los conjuntos
i, dependiendo del proceso generador de datos supuesto y de los coeficientes a incluir en el
contraste en cada caso. Las diferencias entre los estadsticos de referencia y para una misma
hiptesis nula en las tablas de Dickey-Fuller de 1976 para y 1981 para son importantes, por
lo que parece fundamental cuidar la eleccin del modelo y la hiptesis a contrastar en cada caso,
siendo en muchas ocasiones esta etapa, decisiva de cara a la correcta aplicacin del contraste17.
Qu puede ocurrir entonces si equivocamos el modelo de referencia?
16
17
Los valores crticos corresponden a una muestra de 100 observaciones.
Suriach, Artis, Lpez y Sanso (1995) sealan que, adems, el hecho de existir varios modelos bsicos
de referencia provoca confusin sobre el significado de los parmetros. Efectivamente, en el caso de que
el parmetro de la tendencia determinista a2 sea nulo en el modelo ms completo de todos, el trmino
pg.26
Si tomamos como modelo de partida un modelo con tendencia determinista y

trmino constante, podemos estar sobreparametrizando la estimacin lo que supone
una inmediata prdida de grados de libertad. Pero adems, y esto es lo importante,
los valores crticos de referencia para aceptar o rechazar la hiptesis nula dependen
crucialmente del modelo estimado por lo que, parece algo arriesgado tomar
conclusiones de aceptacin o rechazo de la hiptesis en cada momento con un
modelo que, quiz, no sea realmente vlido. Concretamente, para un determinado
nivel de significacin, los intervalos de confianza alrededor del valor =0 se
amplan de forma importante si se aade una deriva o una tendencia determinista
provocando, en caso de no ser realmente necesarios, frecuentes errores en el
rechazo de la hiptesis nula de raz unitaria. Dicho de otro modo, la potencia del
contraste decrece tanto ms cuanto mayor sea el nmero de parmetros
aadidos incorrectamente; esto significa que se tiende a concluir la existencia de
una raz unitaria cuando, en realidad, no la hay.
-
Podra pensarse que una posible alternativa a este esquema podra ser el comenzar
por el modelo ms restringido, es decir, ms simple, e ir aadiendo nuevos
parmetros de forma secuencial. Sin embargo, este proceder tampoco soluciona el
problema de potencia del contraste dado que la omisin del trmino
independiente o la tendencia determinista, cuando estas son variables
relevantes tambin provoca de nuevo una estimable prdida de potencia hasta
el punto de poder incluso anularse por completo. Campbell y Perron (1990)
comprobaron empricamente que la omisin de una variable relevante que crezca
tan rpido o ms que otra de las incluidas (trmino tendencial determinista, por
ejemplo), provoca que la potencia del contraste se reduzca hasta cero a medida que
el tamao muestral se incrementa. Si la variable omitida fuese la deriva, el
estadstico t sera consistente pero, para muestras pequeas, la potencia se vera
seriamente afectada, tanto ms cuanto mayor fuera el coeficiente de deriva omitido.
Este problema expuesto hasta aqu, admite adems ciertos matices adicionales. En primer lugar,
cuando el proceso generador de datos contiene una tendencia o una deriva, la varianza muestral
de yt queda dominada por ellas. As, se ha comprobado empricamente que, en esos casos, los
estadsticos y convergen a una distribucin normal estndar por lo que, si se conoce la
presencia real de esa tendencia o deriva, la hiptesis nula =0 debe contrastarse usando
una distribucin normal estandarizada en lugar de las distribuciones asintticas tabuladas
por Dickey y Fuller. Sin embargo, Hylleberg y Mizn (1989) mostraron que los valores
normales estndar llevan frecuentemente al rechazo de la hiptesis nula, incluso con muestras
grandes, a menos que la constante sea muy grande. Estos autores propusieron nuevos valores
crticos situados entre los clsicos tabulados por DF y los de la distribucin normal; a medida el
tamao de la constante se reduce, estos valores se aproximan ms a los valores DF. Por esta
razn, en estas situaciones y para muestras pequeas, se recomienda como criterio general
utilizar las tablas propuestas por Dickey y Fuller y no las normales estandarizadas .
En la prctica, el problema de la eleccin de los regresores deterministas a incluir en el contraste
no tiene una solucin sencilla. El principio general puede ser el de elegir aquella
especificacin que, a priori, sea ms verosmil tanto bajo la hiptesis nula como bajo la
alternativa18. As, puede realizarse un anlisis previo de la serie que ayude a determinar si cabe
la consideracin de una tendencia (determinista o estocstica), y en ese caso incluir una
independiente a0 determina la media de la variable bajo la hiptesis alternativa y la pendiente de la
misma bajo la hiptesis nula.
18
Hamilton (1994)
pg.27
constante y una tendencia en la regresin. Si la serie no presenta tendencia pero tiene media no
nula, incluiramos entonces la deriva en el modelo y, por ltimo, si presenta media nula y
ausencia de tendencia aplicaramos el contraste con el modelo ms restringido.
Dolado et al. (1990) y Perron (1990) propusieron, entre otros autores, seguir un proceso en
etapas a fin de garantizar el xito en la eleccin del modelo de referencia en el mayor nmero de
ocasiones:
-
En primer lugar se estimara el modelo menos restringido (con trmino constante y

tendencia determinista).
Dado que el principal error de esta tctica inicial consistira en la escasa potencia
del contraste para el rechazo de la hiptesis nula por inclusin de variables
irrelevantes, si los valores crticos indican rechazo (ausencia de raz unitaria),
terminaramos el procedimiento.
En el caso de no rechazarse la hiptesis nula de presencia de una raz unitaria, es

decir, en el caso en que admitamos la presencia de una raz unitaria (H0: =0)
pasaramos ahora a examinar la significatividad del parmetro tendencial
determinista a2. Dado que, en este punto, estaramos bajo la hiptesis ya admitida de
que =0, utilizaramos el valor de referencia de e incluso, para mayor seguridad,
tambin el contraste conjunto 3 (a2==0).
Si el trmino tendencial resulta significativo (a20) contrastaremos de nuevo la

presencia de una raz unitaria (H0: =0) pero utilizando entonces las tablas de una
normal estandarizada. Sea cual sea el resultado del test con las nuevas tablas
finalizaramos aqu el contraste admitiendo o rechazando la presencia de una raz
unitaria.
Si el trmino tendencial es no significativo, deber replantearse el modelo

inicialmente estimado pasndose a examinar otro con trmino constante pero sin
esta tendencia determinista. Con este modelo se vuelve a analizar la presencia de
una raz unitaria (=0).
En el caso en que, nuevamente, se sostenga la presencia de una raz unitaria, se

contrastar entonces la adecuacin del trmino independiente a0 bien con el
contraste , bien con 1. Si el trmino independiente resulta significativo usamos
de nuevo las tablas de una normal para contrastar la presencia de la raz unitaria,
concluyendo de nuevo aqu el contraste.
Slo si entonces la constante a0 es no significativa se utiliza el modelo ms simple

como modelo de referencia contrastndose, de nuevo, la presencia de raz unitaria.
En este caso, no tiene cabida el uso de la distribucin normal estandarizada.
Por ltimo, parece sensato incluir aqu como consejo la atencin a la teora del fenmeno que se
est analizando. As, en ciertas ocasiones la teora econmica nos mostrar que no cabe
considerar una tendencia en una determinada serie o bien, por el contrario, que no cabe la
fluctuacin alrededor de un valor medio.
pg.28
6.B.- Test DF en modelos autorregresivos de orden superior. Contraste ADF

Est claro que lo expuesto hasta este momento permite contrastar la presencia de una o ms
races unitarias en una determinada serie temporal para la que se supone un proceso AR(1). Sin
embargo, muchas serie temporales se ajustan ms adecuadamente a procesos autorregresivos de
orden superior AR(2) o AR(3). No parece, por tanto, muy correcto, contrastar la presencia de
una o ms races unitarias utilizando siempre la estructura de un modelo AR(1) ya que las races
unitarias pueden aparecer tambin en estructuras ms complejas. Este problema da lugar a lo
que se conoce como test de races unitarias de Dickey-Fuller Ampliado (DFA): si se quiere
contrastar la presencia de una raz unitaria en una serie que sigue un proceso AR(p), deber
aplicarse el procedimiento expuesto para el caso simple AR(1), pero suponiendo ahora del
modelo:
p
y t = a 0 + y t 1 + i y t i +1 + t
(Ec. 30)
i =2
donde:
p
= 1 a i
i =1
(Ec. 31)
y:
p
i = a j
(Ec. 32)
j =1
Para entender este modelo y la hiptesis que se contrasta de cara a detectar la presencia de una
raz unitaria, veamos un caso sencillo de una serie que presente una raz unitaria en el marco de
un modelo AR(3). Dado el modelo original:
y t = a 0 + a1 y t 1 + a 2 y t 2 + a3 y t 3 + t
sumamos y restamos a3yt-2 quedando:
y t = a 0 + a1 y t 1 + (a 2 + a 3 ) y t 2 a 3 ( y t 2 y t 3 ) + t
o sea:
y t = a 0 + a1 y t 1 + (a 2 + a 3 ) y t 2 a 3 y t 2 + t
(Ec. 33)
repetimos ahora la misma operacin sobre la (Ec. 33) pero con (a2+a3)yt-1 quedando
ahora:
y t = a0 + (a1 + a 2 + a3 ) y t 1 (a 2 + a 3 )( y t 1 yt 2 ) a 3 y t 3 + t
o sea:
y t = a 0 + (a1 + a 2 + a 3 ) y t 1 (a 2 + a 3 )y t 1 a 3 y t 2 + t
utilizando la expresin presentada para i en la (Ec. 32) tenemos:
pg.29
y t = a 0 + (a1 + a 2 + a 3 ) y t 1 2 y t 1 3 y t 2 + t
si ahora, como en el caso simple para el contraste DF, restamos en ambos miembros yt-1
tenemos:
y t = a0 + (a1 + a 2 + a3 1) y t 1 2 y t 1 3 y t 2 + t
utilizando la expresin presentada de recogida en la (Ec.31) queda por fin:
y t = a 0 + y t 1 2 y t 1 3 y t 2 + t
(Ec. 34)
Si la serie presenta una raz unitaria, como hemos supuesto, en este modelo bastar con que =0
ya que entonces:
p
a
i =1
=1
lo que garantiza que, al menos, una raz caracterstica de la ecuacin sea igual a uno, es
decir, yt ~I(1). La nulidad del parmetro se contrasta siguiendo el mismo procedimiento que en
el modelo simple y, por tanto, se utilizan las mismas tablas que en el caso del contraste DF. En
este sentido, es importante sealar que el propio Fuller demostr que la distribucin asinttica
del estadstico t del parmetro estimado, es independiente del nmero de retardos de
la variable diferenciada que incluyamos en la especificacin del modelo estimado.
Debe observarse cmo la aplicacin del test ADF no slo es conceptualmente til para el
contexto en el que sospechemos un modelo AR(p), sino que, adems, se nos presenta como una
posible correccin a los problemas de autocorrelacin que pudieran aparecer en el trmino de
error del modelo bsico utilizado en el test simple DF, sobre todo en series de frecuencia
superior a la anual. Efectivamente, debe tenerse en cuenta que los valores de referencia del test
DF se han obtenido suponiendo la ausencia de autocorrelacin serial en t, en este sentido, la
introduccin de un nmero suficiente de retardos de la variable dependiente podra ser
suficiente como para transformar t en un ruido blanco. La eleccin del nmero de retardos a
considerar viene determinada por:
1.- El modelo terico de referencia supuesto para yt, en la medida en que este sea
conocido por el investigador.
2.- Criterios clsicos de aceptacin de variables en un modelo como el test t- Student
de significatividad individual, Akaike 19 o Schwarz20
19
El Criterio de Informacin de Akaike (Akaike Information Criterion o simplemente AIC) responde a la

expresin:
e' e
AIC = 2k n + log
n
siendo n igual al nmero de observaciones, k igual al nmero de parmetros estimados y e igual
a la serie de residuos obtenidos con la estimacin. Slo interesa introducir una variable adicional x(k+1)
en un modelo con k variables explicativas si AICk+1<AICk.
20
El criterio de Schwarz se aplica de igual modo que el AIC slo que en este caso la expresin de
referencia es:
S=
k log n
e' e
+ log
n
n
pg.30
Esta forma de correccin de posibles problemas de autocorrelacin en t es lo que se denomina

Solucin Paramtrica al problema de la autocorrelacin y fue sugerida por los propios autores
del contraste, Dickey y Fuller (1981); de hecho, debe sealarse que numerosos textos introducen
conceptualmente el test ADF al comentar el problema de una posible autocorrelacin en los
residuos del modelo simple DF. En el siguiente apartado vamos a insistir en este tema de la
autocorrelacin residual introduciendo una alternativa al test ADF ampliamente utilizada.
6.C.- Aplicacin del test DF en presencia de autocorrelacin serial. Contraste

Phillips-Perron.
Como ya se ha sealado, una de las limitaciones del test DF es que se asume que los errores del
modelo a estimar para el contraste son independientes y tienen varianza constante. Como
sealan Phillips (1987) y Phillips y Perron (1988), la distribucin asinttica de la razn t del
parmetro en los modelos del test DF depende de la ratio:
(Ec. 35)
en donde 2 y 2 responden a las expresiones:
n
2
E ( i )
2 = lim i =1
n
n
n 2
E i
i =1

2
y = lim
n
n
Cuando no existe autocorrelacin serial, al ser E[ij]=0 para todo ij en la expresin (Ec.35) de
2, la ratio mencionada es igual a la unidad ya que entonces 2 = 2. Slo bajo este supuesto se
calcularon los valores tabulados por Fuller (1976), por lo que su utilizacin no es correcta si no
se cumple este requisito.
Como primera medida de precaucin conviene, una vez estimado el modelo de que se trate para
realizar el contraste DF o ADF, chequear los residuos del modelo descartando
heterocedasticidad y correlacin serial; los procedimientos tradicionales como los test ya
conocidos de la Q-Box & Pierce y Q-Ljung & Box aplicados sobre la representacin de la FAT
pueden ser de utilidad en este sentido. Si las pruebas realizadas sealan la presencia de
heterocedasticidad y/o autocorrelacin en la estimacin para la aplicacin del test DF, una
primera posibilidad es la aplicacin del test ampliado ADF; elegir el orden correcto de retardos
es, en este caso, el principal problema. Sin embargo, otra posibilidad es utilizar una correccin
no paramtrica de la razn t obtenida en el contraste DF tal y como se expondr a
continuacin.
Frente a la alternativa paramtrica del test ADF, existe una propuesta de Phillips (1987) y
Phillips y Perron (1988) que sugieren utilizar los residuos obtenidos en la estimacin del
modelo DF para transformar los estadsticos t asociados a los parmetros del mismo. La
correccin de las razones t incorrectamente calculadas, intenta hacerlas independientes de la
ratio mencionada en (Ec. 35). La transformacin se realizar con estimaciones propuestas para
2 y 2 por estos autores, estimaciones para las que se utilizarn los residuos previamente
obtenidos en la regresin del modelo DF analizado. Las estimaciones sugeridas son:
pg.31

n
=
2
e
i =1
2
i
(Ec. 36)
=
2
e
i =1
2
i
+2
(1 r l + 1) e e
l
r =1
i = r +1
ir
(Ec. 37)
La expresin (Ec. 36) no ofrece complejidad alguna mientras que la segunda se interpreta
tambin muy fcilmente. Se fija un determinado nivel mximo de retardo l que se quiere tener
en cuenta, por ejemplo l=5 y se computa para cada uno de esos retardos considerados
n
r=1,2,3,4......l la correlacin muestral
e e
i = r +1
ir
con el nmero mximo de datos posibles. A
continuacin, cada una de esas correlaciones muestrales se pondera con el trmino (1-r/l+1)
dando ms importancia a la correlacin para un retardo (r=1) que a la correlacin para retardos
ms elevados; hecho esto se obtiene la suma ponderada de todas ellas. Las varianzas calculadas
en el primer sumando se completan as con el doble de la covarianza muestral calculada
siguiendo la expresin matemtica bsica:
E [ + j ] = E ( i2 ) + E ( 2j ) + 2 E ( i j )
2
Dado que la expresin para la estimacin de 2 depender del valor mximo l conviene
testar la sensibilidad del clculo a los diferentes valores de ste o bien, seguir la
recomendacin de Schwert (1987 y 1989) tomando l en funcin del nmero de datos segn
las expresiones:
l=
44 n
124 n
;l =
100
100
(Ec. 38)
lo cual supone, por ejemplo, l=1 l=3 (segn la 1 2 expresin) para 100 datos, 2 6
para 200 datos, 3 o 9 para 300 y as sucesivamente (un retardo ms por cada 100 datos extra).
Una vez computadas las estimaciones de 2 y 2 , corregiremos el valor obtenido para la razn
en la estimacin de nuestro modelo segn las expresiones:
2
Z ( ) = 2
1
2
( 2 2 )
n
y
t =2
(Ec. 39)
2
t 1
n2
tanto para el caso de haber estimado el modelo ms simple () como en el caso del
modelo con constante ( ), y:
Z ( ) =
2
n3 ( 2 2 )

2
4 3Dy
(Ec. 40)
para el caso del modelo menos restringido (con trmino constante y tendencia
determinista). En esta ltima expresin, Dy se calcula como:
n
n
n 2 (n 2 1) n 2
n (n + 1)( 2n + 1) n
n
(
)
Dy =
y
n
iy
+
n
n
+
1
i
y
y
y t 1
i 1
i 1
i 1 i 1
12
6
i=2
i=2
i =2
i =2
i =2
pg.32
Los valores as corregidos de las razones t ( ) pueden entonces ser comparados sin
problemas con las distribuciones tabuladas por Fuller (1976).
6.D.- Test DF en modelos con componente de medias mviles

De igual forma que cabe suponer la presencia de races unitarias en estructuras autorregresivas
de orden superior a dos (test ADF), cabe tambin suponer su existencia en estructuras AR con
componente de medias mviles MA. La distribucin de los test DF se apoya en procesos de
innovacin t de tipo ruido blanco por lo que estos tests pueden no ser apropiados si las
innovaciones admiten representaciones de medias mviles (Schwert, 1987).
En principio, dado que un modelo MA invertible puede transformarse en un modelo AR21, el
procedimiento descrito para el caso de ADF sera en teora igualmente vlido en esta situacin.
Efectivamente, partiendo del modelo genrico ARMA:
A( L) y t = B( L) t
donde A(L)=(1-a1L-a2L2- a3L3-.... apLp) y B(L)= (1-b1L-b2L2- b3L3-.... bqLq), siempre
que la parte de medias mviles sea invertible podremos escribirlo como el modelo
autorregresivo siguiente:
A( L) B( L) y t = t
C(L)y t = t
Sin embargo, sado que el polinomio C(L) ser de orden infinito, si quisiramos utilizar la
estructura presentada en el caso general del test ADF (Ec. 30) tendramos que incluir infinitos
retardos de la variable yt:
y t = a 0 + y t 1 + i y t i +1 + t
i =2
Obviamente, resulta imposible estimar un modelo de infinitos parmetros por lo cual debemos
acudir a trabajos como los presentados por Said y Dickey (1984) sobre el contraste de races
unitarias en procesos ARMA de orden desconocido. Estos autores encontraron que un modelo
ARIMA (p,1,q) de rdenes desconocidos poda ser aproximado adecuadamente por un modelo
ARIMA (s,1,0) de orden s no superior a la raz cbica del tamao muestral n. Por tanto,
puede utilizarse en estas condiciones el procedimiento ADF contrastando la nulidad del
parmetro usando las tablas DF para los valores de referencia i.
Para encontrar el verdadero valor de ese orden s inferior a (n)1/3 podemos utilizar los
contrastes clsicos de significatividad t F estimando el modelo a partir de un valor s
mximo y descendiendo en orden hasta conseguir que todos los retardos incluidos sean
significativos, o utilizar un procedimiento inverso comenzando por un orden mnimo y
aadiendo sucesivamente parmetros en el modelo. Sin embargo, este mtodo plantea el
problema de la prdida de grados de libertad que supone la estimacin de una serie de
parmetros nuisance autorregresivos que adems se incrementan a medida que la muestra se
ampla.
21
Precisamente la definicin de invertibilidad de un modelo de medias mviles supone que ste pueda
reescribirse como un modelo autorregresivo de orden infinito.
pg.33
Como alternativa a este enfoque22 debe mencionarse en este apartado el trabajo de Hall (1989)
ya que ste fue expresamente propuesto por el autor como un test para la deteccin de races
unitarias ante la presencia de un componente de medias mviles. Hall afirma que uno de los
inconvenientes que hacen inapropiada la utilizacin del test DF en presencia de proceso MA(q),
es la utilizacin de mnimos cuadrados ordinarios en la estimacin. As, propone como
alternativa la utilizacin de un estimador de Variables Instrumentales, que utiliza yt-k como
instrumento para yt-1. Hall demuestra que con este nuevo estimador:
-
la distribucin lmite del estimador, debidamente normalizada, del coeficiente para

yt-1 converge a la tabulada por Dickey Fuller
si considera una determinada transformacin propuesta por Hall a partir de la

varianza muestral, similar a la realizada por Phillips (1987) y Phillips y Perron
(1988), el ratio t converge a la distribucin tabuldada por Dickey Fuller.
La transformacin realizada a partir varianza muestral que se aplica para lograr el ratio t
comparable con los valores tabulados por Dickey Fuller es, en cualquier caso, ms sencilla
que la propuesta por en el mtodo de Phillips y Perron, ya que, segn palabras del propio autor,
por un lado el empleo del mtodo de variables instrumentales elimina la necesidad de corregir
sesgos en la media y, por otro, se emplean estimadores de la varianza que utilizan informacin
sobre la estructura de los trminos del proceso de medias mviles, mientras que en el caso del
contraste PP, se usa un estimador del tipo Newey y West (1994).
6.E.- La potencia del test DF

Un problema que no puede pasarse por alto a la hora de valorar el contraste DF23, es su escasa
potencia tal y como evidenciaron Dejonc, Nankervis, Savin, y Whiteman (1992). Como es
sabido, se dice que un contraste es potente si existe una alta probabilidad de rechazar una
hiptesis nula falsa, es decir, si existe una baja probabilidad de cometer errores de tipo II.
Con el test DF, poco potente, corremos por tanto el riesgo de admitir la presencia de una
raz unitaria cuando en realidad no existe. Este error puede ocurrir, especialmente cuando
estamos ante procesos generadores de datos de tipo AR(p) con races caractersticas muy
cercanas a la unidad. Este tipo de procesos pueden fcilmente confundirse con procesos de raz
unitaria como observamos en el grfico de la pgina siguiente.
En la ilustracin, el proceso integrado de orden uno y el AR(2) estacionario han sido generados
con la misma secuencia de perturbaciones aleatorias. El proceso AR(2) presenta una raz
caracterstica muy cercana a la unidad, concretamente 0.96 lo que hace casi imposible
distinguirlo del verdadero proceso integrado de orden 1.
22
Existe alguna posibilidad adicional distinta a las dos comentadas en este apartado como, por ejemplo,
la utilizacin de las distribuciones corregidas propuestas para el caso general por Phillips (1987) y
Phillips y Perron (1988). Sin embargo, estas correcciones no parecen tampoco ser apropiadas en el caso
en que las innovaciones exhiben procesos de medias mviles homocedsticos.
23
En realidad sera injusto circunscribir este problema al test DF ya que, en mayor o menor medida,
todos los contrastes de races unitarias presentan este defecto.
pg.34
RACES UNITARIAS Vs. AR(P) CUASI INTEGRADOS

y t = 0.75 y t 1 + 0.25 y t 2 + e t
y t = 0.75 y t 1 + 0.20 y t 2 + e t
6
4
2
0
-2
-4
-6
-8
-10
-12
1
15
22
29
36
43
50
57
Proceso I(1)
64
71
78
85
92
99
A R ( 2 ) E stacionario
La falta de potencia no afecta slo a aquellas situaciones en las que es preciso distinguir entre
un proceso autorregresivo y un proceso con raz o races unitarias, sino tambin a aquellas en la
que se confunde un paseo aleatorio con deriva de una serie estacionaria en varianza pero con
tendencia determinista. En ambos tipos de procesos, es fcil que la componente tendencial
domine el patrn de evolucin por lo que, a poco que la varianza de la perturbacin aleatoria del
paseo aleatorio sea algo menor que la del modelo tendencial determinista, ambos procesos
pueden confundirse24.
PASEO CON DERIVA Vs. TENDENCIA DETERMINISTA
y t = 0.03 + y t 1 + e t
y t = 1 + 0.02t + e t
4
3,5
3
2,5
2
1,5
1
0,5
0
1
15
22
29
36
43
Paseo aleatorio con deriva
50
57
64
71
78
85
92
99
T endencial Determinista
Por ltimo, Molinas (1986) y Schwert (1987 y 1989) demostraron mediante simulaciones,
cmo la potencia del test DF (y tambin del P.P.) se ve afectada seriamente en muestras
elevadas en presencia de un esquema MA en el verdadero proceso generador de datos. En
particular, cuando el proceso generador de datos responde a un esquema ARIMA (0,1,1) con el
parmetro MA muy cercano a la unidad, los estadsticos ADF y Phillips Perron presentan
24
En esta ilustracin, an habindose utilizado la misma serie de perturbaciones aleatorias, para el caso
del paseo aleatorio con deriva, su desviacin tpica se redujo a la mitad de cara a acentuar el dominio de
la componente tendencial.
pg.35
valores crticos muy por debajo de los tabulados en las distribuciones de Dickey-Fuller. De ese
modo, tenderemos a afirmar que los series analizadas son estacionarias demasiado
frecuentemente.
Intuitivamente la razn es sencilla ya que si el proceso generador de datos de yt es:
y t = y t 1 + (1 L) t (1 - L) y t = (1 L) t
si el parmetro est muy cercano a la unidad, el polinomio de raz unitaria (1-L) del lado
izquierdo tiende a eliminarse con (1-L) pareciendo entonces que yt tiene estructura de ruido
blanco (proceso I(0)).
6.F.-
El test DF en presencia de Cambio Estructural
Otro problema del test DF, en relacin directa con lo comentado previamente sobre la
sensibilidad del contraste a la eleccin del correcto proceso generador de datos supuesto, es el
de la presencia de cambio estructural, y sus efectos sobre los resultados del test.
Cuando existe cambio estructural, la conclusin del test DF tiende a estar sesgada hacia la
aceptacin de presencia de una raz unitaria. El motivo, tal y como sealaran Rappoport y
Reichlin (1989), puede entenderse fcilmente si se observa que, en mayor o menor medida, un
cambio tendencial en una serie se manifiesta como un cambio de impulso en la misma serie en
diferencias. Siendo esto as, al ajustar el modelo en diferencias (con una raz unitaria) se obtiene
un mejor ajuste que cuando se estima en niveles lo que puede hacer aparecer una serie
estacionaria como otra que requerira una diferenciacin.
En muchos manuales es fcil encontrar un sencillo ejemplo grfico explicativo de este
problema; se tomar en este texto la lnea argumental expuesta por Suriach et al. (1995). En el
grfico de la izquierda se reproduce una serie en niveles, afectada claramente por un cambio de
tendencia hacia la mitad del perodo, y esa misma serie en diferencias, que, dada la naturaleza
de la ruptura, no aparenta verse afectada por el cambio estructural. La serie en niveles ha sido
generada con un proceso AR(1) estacionario debidamente perturbado con una serie temporal
aleatoria. Tomando estas series como endgenas se estima un modelo en el que se hacen
depender ambas series, de un trmino independiente y una tendencia lineal constante. Este
modelo eliminara, por as decirlo, el componente determinista de la serie al que sera sensible
el test DF quedando en los residuos de estas estimaciones, que aparecen en el grfico de la
derecha, el componente estocstico.
5
12
10
3
8
2
6
1
0
-1
-2
0
-3
-2
-4
-4
-5
Serie en niveles
Serie diferenciada
Residuos niveles
Resiudos diferencias
Tal y como puede observarse, ambos grficos mostraran que la serie diferenciada es
estacionaria mientras que la serie en niveles, al no haber sido modelizada convenientemente, no
pg.36
parece serlo aconsejando la presencia de una raz unitaria. Obviamente, dado que hemos
controlado su generacin, sabemos que en realidad la serie en niveles si es estacionaria y la serie
en diferencias est sobrediferenciada.
An puede verse ms clara la idea si recreamos para 100 valores la siguiente serie25:
y t = 0.5 y t 1 + t + FN
donde la variable FN es una variable ficticia dicotmica de escaln que toma valor cero
hasta la observacin 50 y uno a partir de la 51 y donde, adems, t es una secuencia de valores
aleatorios independientes y normalmente distribuidos. La representacin grfica de esta serie
aparece a continuacin:
8
7
6
5
4
3
2
1
0
El cambio estructural en la serie es evidente. Dado el proceso generador de datos utilizado, si

tuvisemos que modelizar una serie de estas caractersticas lo conveniente sera,
indudablemente, un proceso AR(1) con una variable ficticia que permitiera el cambio de valor
del trmino independiente. Sin embargo, imaginemos que utilizamos la expresin simple:
y t = a 0 + a1 y t 1 + t
En esta situacin, dado el perfil grfico de la serie, la estimacin del parmetro a1 estara
sesgada hacia la unidad. La razn de este sesgo es que el parmetro tendera a captar la
propiedad de que, a valores pequeos de yt-1 , siguen valores pequeos de yt al tiempo que, a
valores elevados de yt-1 siguen, tambin, valores elevados de yt. A medida que el valor estimado
de a1 tendiese a la unidad, la ecuacin anterior se acerca a la formulacin de un paseo aleatorio
con deriva:
y t = a0 + y t 1 + t
ecuacin cuya solucin implica la presencia de un componente tendencial determinista:
yt = y0 + a0t + t
es decir, la ecuacin ajustada tendera a reproducir un ajuste lineal como el que se
muestra en el grfico siguiente, o sea, del tipo:
y t = a0 + a 2 t + t
25
Este ejemplo est tomado de Enders, W. (1995).
pg.37
9
8
7
6
5
4
3
2
1
0
En estas condiciones es fcil entender el sesgo del test DF hacia la deteccin de una raz unitaria
cuando, en realidad, cualquiera de los dos ramos es estacionario. Esto no quiere decir, no
obstante, que un proceso I(1) no pueda presentar un cambio estructural. Sin demasiado
problema puede construirse un ejemplo de esta situacin partiendo del proceso generador de
datos siguiente:
y t = y t 1 + t + FI
(Ec. 41)
donde FI es ahora una ficticia de impulso con valor cero en todos los perodos salvo en
la observacin nmero 5026. El aspecto grfico de la serie sera ahora el siguiente:
10
9
8
7
6
5
4
3
2
1
0
Cmo se resuelve entonces este problema ante la necesidad de testar la presencia de una raz
unitaria?. De forma inmediata cabe pensar en la posibilidad de, una vez observado el cambio
estructural, proceder a la aplicacin del test DF sobre cada una de las submuestras si es que los
grados de libertad en cada caso nos lo permiten. Si no es as o, si por cualquier otra razn nos
vemos en la necesidad de usar el total del perodo considerado, podemos utilizar procedimientos
especiales diseados al efecto27, como el contraste propuesto por Perron (1989).
Las dos hiptesis enfrentadas sern la nula de un salto de impulso en un proceso I(1) frente a la
alternativa de un cambio en el trmino independiente de un proceso con tendencia determinista.
Los modelos que representan una y otra hiptesis seran:
26
Al tratarse de un paseo aleatorio, cualquier shock tiene duracin infinita por lo que para generar un
cambio estructural de efecto permanente basta con un impulso en una observacin cualquiera.
27
Un repaso y examen de los contrastes de races unitarias en presencia de cambio estructural puede
encontrarse en Noriega-Muro (1993).
pg.38
H 0 : y t = a 0 + y t 1 + 1 FI + t
H 1 : y t = a 0 + a 2 t + 2 FN + t
(Ec. 42)
donde las variables F son ficticias dicotomicas (0,1) de impulso y escaln que cambian
en el momento t=+1.
El procedimiento de Perron es, en esencia, extremadamente sencillo ya que se basa en que, de
existir una verdadera raz unitaria en el proceso yt, esta pervive cuando se elimina el
componente tendencial determinista. La aplicacin del contraste implica por tanto completar
los siguientes pasos:
-
Paso 1: Se elimina la tendencia de la serie estimando el modelo expresado en H1 y

tomando los residuos de la estimacin llamando a esta serie filtrada y t , o sea:
y t = a 0 + a 2 t + 2 FN + y t
-
Paso 2: Una vez eliminada la tendencia determinista se estima ahora el modelo
y t = a1 y t 1 + t
(Ec. 43)
contrastndose sobre este modelo la presencia de una raz unitaria, o sea, tomando como
hiptesis nula H0: a1=1.
-
Paso 3: La tabla de referencia de la t de Student a utilizar para contrastar la raz

unitaria no puede ser la del test t DF tradicional ya que Perron comprob que cuando
los residuos estn distribuidos de forma idntica e independiente, la distribucin de a1
depende de la proporcin de observaciones ocurridas antes del punto de corte.
Llamando a esta proporcin =/N los valores tabulados por Perron (1989) slo
coinciden con las tablas habituales DF si =0 o =1 pero en el resto de casos existen
diferencias sustanciales28
Debe advertirse que el planteamiento anterior supone un cambio de estructura que afecta
exclusivamente al trmino independiente, es decir, un cambio de nivel. Si embargo, cabe la
posibilidad de plantear un cambio en la pendiente de las serie transformando los modelos de la
expresin (Ec. 40), hiptesis nula y alternativa, de la siguiente forma:
H 0 : y t = a0 + y t 1 + 1 FN + t
H 1 : y t = a0 + a 2 t + 2 FT + t
(Ec. 44)
La diferencia radica exclusivamente en la forma en que se definen las ficticias. Ahora la ficticia
incluida en el paseo aleatorio con deriva de la hiptesis nula es (FN) es una ficticia de escaln
mientras que la incluida en el modelo tendencial determinista alternativo (FT) es una ficticia
temporal DT=t- ( o sea una sucesin de valores 1, 2, 3, 4... hasta )
Incluso, a fin de completar el planteamiento, cabe la posibilidad de suponer ambos cambios
simultneamente, cambio en la tendencia y cambio en el nivel, tanto en la hiptesis nula como
La mayor diferencia se produce en el mximo de , o sea, cuando =0.5. En este caso el valor crtico
de la t de las tablas DF es 3.76 frente al 3.41 tabulado por Perron.
28
pg.39
en la alternativa. Para eso basta con definir en ambos modelos una componente de cambio
estructural doble lo que se consigue sin problemas utilizando dos ficticias en cada caso:
H 0 : y t = a 0 + y t 1 + 1 FI + 2 FN + t
H 1 : y t = a0 + a 2 t + 2 FN + 3 FT + t
(Ec. 45)
Para terminar conviene sealar que, en el caso de observarse correlacin serial en el residuo del
modelo sealado en el segundo paso de la aplicacin del test de Perron (Ec. 43) resulta
conveniente la utilizacin de la forma ampliada de la ecuacin, es decir:
k
y t = a1 y t 1 + i y t i + t
i =1
7.- REVISIN DE LOS TEST DE RACES UNITARIAS ESTACIONALES

7.A.- Definicin de estacionalidad no estacionaria
Aunque el tema de la integracin y cointegracin sugiere la utilizacin de series que recojan
amplios perodos temporales, el anlisis de series temporales implica generalmente el trabajo
con series de alta frecuencia, o al menos, con frecuencia superior a la anual.
De esta forma, entre otras ventajas, se gana en tamao muestral corrigindose ciertos problemas
derivados de la aplicacin de contrastes asintticos en muestras reducidas. El problema es que
el uso de series de alta frecuencia implica entonces la atencin a la naturaleza estacional29 de las
series.
La estacionalidad puede presentarse en una serie, de tres formas esenciales:
- Estacionalidad determinista. En este caso, la serie presenta un componente estacional
fcilmente predecible y que puede eliminarse de la serie efectuando una regresin sobre un
conjunto de variables ficticias dicotmicas Di que tomen el valor 1 en la estacin i y cero en
las restantes. Por ejemplo, en el caso de una serie con estacionalidad determinista trimestral, tras
la regresin:
y t = 0 + 1 D1 + + 1 D2 + + 1 D3 + et
el residuo (et) estara libre de estacionalidad.
En el siguiente par de grficos puede observarse un ejemplo de una serie trimestral con
estacionalidad determinista muy marcada en el primer y tercer trimestre (Grfico 1; cada ao
esta delimitado por lneas verticales) y los residuos derivados de su ajuste a un modelo como el
especificado anteriormente (Grfico 2)
29
Siguiendo a Franses (1991), una serie estacional puede definirse como .. una serie de observaciones
sobre un proceso yt medido un nmero s de veces por ao , cuya principal caracterstica es que las
observaciones para cada estacin s presentan medias y varianzas diferentes...
pg.40
Serie original estacional determinista y t
Resiudos de y t = 0.85D1 0.86 D3 + et
1,5
0,6
0,4
0,5
0,2
-0,5
-0,2
-1
-0,4
-1,5
-0,6
- Estacionalidad estacionaria. Se trata, en este caso, de una serie generada por un proceso
autorregresivo que incluya retardos estacionales y cuyos parmetros cumplan las condiciones de
estacionariedad. El proceso:
y t = a 0 + a1 y t 4 + t
definido sobre una serie yt trimestral, con a1 menor que la unidad sera un ejemplo de
este caso.
En este caso la estacionalidad no resulta molesta dado que la serie sera en cualquier caso
estacionaria.
- Estacionalidad no estacionaria. En este caso tendramos un proceso estacional integrado lo
que supone la presencia de races unitarias en la representacin autorregresiva de la serie. El
tratamiento de este tipo de series es lo que interesa desarrollar en este apartado
Estamos pues ante un proceso yt que puede presentar races unitarias de orden estacional. As,
no es infrecuente encontrar procesos yt que se caractericen por estar integrados de orden d en
su componente regular e integrados de orden D en su componente estacional: yt ~ I(d,D).
Un ejemplo de este tipo de proceso definido a partir de una serie yt trimestral sera el siguiente:
y t = y t 1 + t
(Ec. 46)
25
20
15
10
5
0
-5
-10
-15
-20
-25
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
pg.41
Como puede observarse, esta serie est dominada por un patrn cclico de dos unidades de
tiempo (trimestres en este caso) por perodo, o sea, medio ciclo por perodo de tiempo
(trimestre). En este caso, sin embargo, esta componente estacional no ser fcilmente predecible
como en el caso de la estacionalidad determinista. Efectivamente, si en la ecuacin (Ec. 46) del
modelo anterior sustituimos de forma recursiva llegamos a la expresin siguiente:
t 1
y t = ( 1) t y 0 + ( 1) i t i
i =1
que nos permite observar las dos caractersticas que definen a una serie integrada:
memoria ilimitada y varianza no constante. Lo mismo ocurre con el proceso siguiente:
y t = y t 2 + t
en el que ahora es posible encontrar dos races unitarias complejas. Este proceso viene
gobernado por un ciclo anual tal y como se representa en el grfico:
20
15
10
5
0
-5
-10
-15
-20
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
El problema, como puede intuirse, tiene una doble vertiente:

-
por un lado, debe preocuparnos la deteccin de la no estacionariedad,

independientemente de su naturaleza estacional
por otro lado, conviene ser capaces de distinguir entre una estacionalidad
determinista y una de naturaleza estocstica.
Respecto a este ltimo punto, en el caso de equivocar el diagnstico, las medidas

incorrectamente tomadas al efecto para eliminar el componente estacional, pueden provocar
serios inconvenientes en la serie. Efectivamente, por un lado, si aplicamos diferencias de orden
estacional a una serie que, en realidad, presentaba una estacionalidad determinista o no
presentaba ninguna, habremos generado en la serie un proceso MA de orden estacional no
invertible que antes, por supuesto, no exista30. Si, por otro lado, filtramos la serie con un
modelo de variables ficticias cuando en realidad la estacionalidad era no estacionaria, esto
provocar efectos similares a los ya conocidos sobre los contrastes de significacin individual
t y conjunta R2 de este modelo comentados por Durlauf y Phillips (1988) y ms
concretamente, en este contexto, por Beaulieu y Mirn (1993).
30
Franses (1991)
pg.42
7.B.- Deteccin de races unitarias estacionales

Cuando aplicamos diferencias de orden estacional a una determinada serie temporal para
eliminar la no estacionariedad estacional, aplicamos un polinomio de retardos que
genricamente responde a la expresin:
(1 Ls )
(Ec. 47)
Este polinomio de retardos puede descomponerse factorialmente. Por ejemplo, en el caso de

una serie trimestral tendramos que:
(1 L4 ) = (1 L)(1 + L2 + L3 ) = (1 L)(1 + L)(1 + L2 ) = (1 L) S ( L)

Donde S(L) comprende las races estacionales. En definitiva, el polinomio (1-L4) tendr cuatro
races de mdulo unitario, una de ellas en la frecuencia cero, esto es, en la parte regular de la
serie, y otras tres estacionales. De estas tres ltimas, una de ellas define una frecuencia
estacional de dos ciclos por ao y las otras dos, que son races conjugadas complejas,
correspondientes a la frecuencia estacional de un ciclo por ao; en definitiva:
(1 L4 ) = (1 L)(1 + L)(1 iL)(1 + iL)

Las races estacionales complejas pueden expresarse en forma polar con lo que, siguiendo a
Suriach et al. (1995) ... se pone de manifiesto (claramente) la naturaleza estacional de dichas
races ya que las funciones trigonomtricas son peridicas....
Dada esta notacin, podemos introducir el concepto de variable integrada estacionalmente de
rdenes d0 y ds, SI(d0,ds), propuesto por Engle et al. (1988), como aquella a la que, a aplicarle el
polinomio (1-L)d0S(L)ds se transforma en estacionaria. Esta notacin, distinta de la tradicional
I(d,D), permite diferenciar las distintas frecuencias de la componente estacional o, al menos, la
de frecuencia cero de las de frecuencias 1, 2 y 3.
Dickey, Hasza y Fuller (1984) propusieron el contraste que hoy se conoce abreviadamente
como DHF para contrastar H0:yt~I(0,1) (o lo que es igual yt~SI(1,1)) es decir, una raz estacional
pero ninguna regular, frente a H1:yt~I(0,0) (o lo que es igual yt~SI(0,0)). Los autores sugieren
aplicar el contraste sobre los residuos (et) de una regresin que filtre la posible estacionalidad
determinista presente en la serie yt:
y t = 0 + 1 D1 + + 1 D2 + + 1 D3 + et
El modelo a estimar sera entonces:
et = a1 et 4 + t
y la hiptesis nula se reflejara en a1=131. Este test, presenta algunos problemas pero el
ms importante es que no considera aisladamente las distintas races que pueden componer un
proceso estacional o, mejor dicho, se supone la igualdad de todas ellas.32
31
32
Este modelo se complica sustancialmente si se supone que sus residuos estn autocorrelacionados .
Por cierto que, en realidad, esto significa tambin que, en caso de no darse la hiptesis nula, el test
asume que el mdulo de las races no unitarias estacionales ser el mismo.
pg.43
Engle, Granger, Hylleberg y Yoo (1987) plantearon, para una serie trimestral, un contraste
alternativo (HEGY) que permite distinguir las distintas races estacionales y cuya expresin
vamos a obviar aqu. Aunque en definitiva la hiptesis genrica de esta alternativa sigue siendo
yt~SI(1,1) frente a yt~SI(0,0), la posibilidad de contrastar cada una de las frecuencias
estacionales por separado permite descomponer la hiptesis general en las siguientes
variedades:
H0
H1
SI(1,1) SI(1,0)
SI(1,0) SI(0,0)
SI(1,1) SI(0,0)
SI(1,1) SI(0,1)
SI(0,1) SI(0,0)
Hiptesis
Presencia o NO de races unitarias en las frecuencias estacionales 1, 2 y 3 dada
una raz unitaria en la frecuencia 0
Presencia o NO de una raz unitaria en la frecuencia 0 dadas races distintas de
uno en las frecuencias estacionales 1, 2 y 3.
Presencia o NO de cuatro races unitarias en todas las frecuencias estacionales.
Presencia o NO de una raz unitaria en la frecuencia 0 dadas races unitarias en
las frecuencias estacionales 1, 2 y 3.
Presencia o NO de races unitarias en las frecuencias estacionales 1, 2 y 3 dada
una raz distinta de uno en la frecuencia 0.
Este contraste, presentado inicialmente para datos trimestrales, fue generalizado posteriormente
por Franses (1991) y Beaulieu y Miron (1993) para series mensuales. Este contraste se abrevia
generalmente con las siglas BM, haciendo referencia al segundo de los trabajos citados.
Adems de los contrastes mencionados hasta aqu, nos referiremos al contraste conocido como
HF planteado en 1982 por dos de los autores que posteriormente generalizaran sus resultados
en el DHF, Hasza y Fuller (1982). ste permite contrastar la presencia de una raz unitaria
regular junto a una estacional , es decir H0:yt~I(1,1) (o lo que es igual, yt~SI(2,1)) tanto en el
contexto de un modelo aditivo:
et = a1 et 1 + a 2 et s + a 3 et s 1 + t
como de uno multipilicativo:
et = 1 et 1 + 2 ( et s + 1 et s 1 ) + t
La hiptesis nula implicara contrastar (a1, a2, a3)=(1,1,-1) o bien (1,2)=(1,1) mediante el
estadstico F. Los modelos propuestos ms arriba seran, obviamente, los modelos no
restringidos frente a los que se propone un nico modelo restringido:
s et = t
Los problemas de este test pueden resumirse en tres:
-
El test impone dos races unitarias en la componente regular bajo la hiptesis nula
La hiptesis alternativa a la nula es mltiple lo que dificulta su interpretacin
No est claro el comportamiento del test cuando existe slo alguna raz estacional
en alguna frecuencia
pg.44
8.- UN APUNTE SOBRE LOS CONTRASTES DE ESTACIONARIEDAD

El anlisis de la estacionariedad de series temporales se ha llevado siempre a cabo con diversos
contrastes de no estacionariedad, es decir, contrastes cuya hiptesis nula implica la no
estacionariedad, o sea la existencia de una raz unitaria en el polinomio de retardos [ (H0: yt~I(1)
] . Sin embargo, recientemente, se han sumado a los procedimientos clsicos los llamados
contrastes de estacionariedad, en los que la hiptesis nula es precisamente la
estacionariedad, H0: yt~I(0), frente a la alternativa de presencia de una raz unitaria.
Aunque en este documento no se profundizar en el detalle de los distintos contrastes que
pueden encuadrarse en este nuevo mtodo, no puede pasarse por alto la mencin de los
principales aspectos que los rodean.
En primer lugar cabe preguntarse qu se gana con este nuevo enfoque en comparacin con el
tradicional contraste de no estacionariedad. Siguiendo el documento presentado sobre el tema
por Andreu Sanso en el Workshop sobre races Unitarias y Cointegracin en 199833 las razones
ms evidentes para aconsejar34 su utilizacin son las siguientes:
-
En primer lugar, su utilizacin puede ayudar a confirmar o, por el contrario, poner

en duda, los resultados de un contraste de no estacionariedad previo. En este
sentido, su uso conjunto con los contrastes de no estacionariedad puede servir para
comprobar la robustez de las conclusiones derivadas de estos ltimos.
En segundo lugar, en el contexto del anlisis econmico, la hiptesis de

estacionariedad parece ms natural que la de no estacionariedad por lo que,
conceptualmente, puede ubicarse con ms propiedad en el lugar de la hiptesis nula
del contraste.
El contraste de estacionariedad conocido como KPSS es, sin duda, la referencia bsica en este
contexto. Las siglas KPSS responden a los nombres de sus autores, Kwiatkoski, Phillips,
Schmidt y Shin (1992) aunque en realidad ste parece ser un caso especial del procedimiento
general propuesto con anterioridad por Nabeya y Tanaka (1989). Los problemas derivados de la
aplicacin de este contraste as como algunas aportaciones al mismo han sido expuestos por
distintos autores en diversos trabajos: Newey y West (1994) y Hobijn et al. (1998) trataron el
procedimiento de seleccin de la amplitud de la ventana espectral para la estimacin de la
varianza a largo plazo que resulta necesaria en la aplicacin del contraste, mientras que Tanaka
(1990), Saikkonen y Luukkonen (1993) y Choi (1994) aportaron contrastes de no invertibilidad
alternativos con estadsticos de contrastes equivalentes al KPSS bsico.
Junto al contraste KPSS, y como segunda aportacin importante, debe mencionarse tambin el
contraste LMC debido a Leybourne y McCabe (1994) que vendr a ser la readaptacin a este
nuevo planteamiento de la correccin paramtrica ya expuesta en el contraste tradicional ADF
de no estacionariedad. En definitiva la diferencia entre el contraste KPSS viene a ser el diferente
tratamiento, paramtrico en el KPSS y no paramtrico en el LMC, de la autocorrelacin de la
serie yt. Las propiedades de este contraste tambin han sido revisadas en distintos trabajos como
en Hobijn et al. (1998), citado anteriormente.
33
Se incluye esta referencia directa en tanto no se conoce su publicacin definitiva posterior. El

documento fue elaborado por Andreu Sanso, Departamento de Estadstica y Economa Espaola de la
Universidad de Barcelona y presentado en Junio de 1998.
34
En realidad, el autor emple en su documento el trmino imponer aunque quiz no con el sentido de
sustituir al mtodo tradicional sino con el de extender sin reservas y de forma definitiva su utilizacin en
el mismo plano de importancia que el enfoque tradicional.
pg.45
Estas dos propuestas bsicas, KPSS y LMC se complementan con las de otros autores como
Park (1990), Tanaka (1990), Saikkonen y Lukkonen (1993), Choi (1994), y en cierto modo,
Franses (1991) y Valdero (1998).
A efectos prcticos resulta especialmente interesante el uso simultneo de contrastes de
integracin (no estacionariedad) y estacionariedad como ya propusieran inicialmente tanto
Kwiatkoski et al. (1992) como Leybourne et al. (1994). Los trabajos presentados por Amano y
van Norden (1992) muestran una mejora considerable en las conclusiones obtenidas con el uso
conjunto de estas dos aproximaciones. Las aportaciones de Charemza y Syczewska (1998) y
Carrin et al. (1998a) deben ser tambin consideradas para aproximarse con ms garantas de
xito al uso combinado de los dos tipos de contrastes.
Por ltimo, para completar las referencias sobre el tema, resulta pertinente citar los trabajos
sobre la aplicacin de contrastes de estacionariedad con cambio estructural de Lee (1996), Lee
et al. (1997), Lumsdaine y Papell (1997) y Carrin et al. (1998b) y (1998c) as como las
aportaciones a la aplicacin de estos contrastes para el anlisis de la estacionariedad estacional
de Canova-Hansen (1995) y Hylleberg (1995).
9.- FORMAS ESPECIALES DE INTEGRACIN

Adems de lo expuesto hasta aqu en este documento, pueden encontrarse aportaciones
especiales interesantes en el contexto de los estudios de la estacionariedad que, aunque no hayan
tenido amplia difusin, si deben ser conocidas al menos de forma breve.
9.A.- Integracin peridica

Como forma alternativa para la representacin de procesos estacionales, la integracin peridica
permite que la relacin entre la variable yt y sus retardos dependa del momento del tiempo en
que se mida yt. Esto quiere decir simplemente, que los parmetros de la componente
autorregresiva de los modelos son cambiantes para cada estacin:
q
y t = j S jt y t 1 + t
j =1
en donde puede apreciarse con sencillez como el modelo autorregresivo de relacin

entre yt e yt-1 admite q parmetros j diferentes segn la estacin j en que se encuentre la
observacin yt. Cada coeficiente j aparece cuando se activa su correspondiente ficticia
dicotmica (0,1) representadas por las variables Sjt. Esta ecuacin define a yt como una
variable estacional, pero, como se seala en Dolado et al. (1990), no porque exista una
dependencia directa entre yt e yt-q sino por existir una variacin anual de los coeficientes
autorregresivos. Los trabajos iniciales en torno al tema de la integracin peridica fueron
realizados por Tiao y Grupe (1980) y Osborn et al. (1988). Precisamente este ltimo defini el
concepto la integracin peridica de la siguiente forma: Una variable yt es integrada peridica
de orden 1 [yt~PI(1)], si yt es no estacionaria y s lo es yt, donde:
y t = y t j y t 1
donde j vara desde 1 hasta q y se cumple que el producto:
1 2 ..... q = 1
pg.46
9.B .- Integracin fraccional

Cuando abordamos el tema de la integracin, hemos considerado como habituales series I(0) o
I(1) e incluso excepcionalmente I(2). Cuando la serie es I(0), bien por naturaleza bien por haber
sido diferenciada previamente, la serie no mantiene memoria a largo plazo de su pasado por lo
que sus coeficientes de autocorrelacin yt,yt-j tienden a decrecer exponencialmente, o al menos
ms rpidamente que en el caso de una serie I(1).
Sin embargo, a pesar de lo cierto de esta propiedad, desde el primer momento se observ que
algunas series que cumplan las condiciones generales de estacionariedad, parecan exhibir
cierta dependencia entre valores distantes, si bien no muy elevada, si suficiente como para
tenerla en cuenta. Mandelbrot (1969, 1972) caracteriz estos fenmenos como una tendencia de
los valores elevados a ser seguido por valores tambin elevados del mismo signo de tal forma
que las series parecen caminar a travs de una sucesin de ciclos largos, incluidos ciclos cuya
longitud es comparable incluso con el tamao total de la muestra.
La explicacin a este fenmeno es sencilla. En general, el coeficiente t-j de la representacin
MA de un proceso I(d) viene acompaado por un trmino jd-1 que se encarga de mantener la
memoria a largo plazo de la serie. De esta forma, por ejemplo, en el caso de un proceso I(1), ese
trmino es j0=1 por lo que cualquier shock, por lejano que sea, tiene efecto sobre el valor
actual de yt. Esta caracterstica implica, como hemos sealado al comienzo de este documento,
que la varianza de la serie original yt dependa del tiempo t, en concreto, de un trmino (t2d-1).
Sin embargo, si observamos esta ltima expresin podemos darnos cuenta de que basta con que
d>0.5 como para que la varianza sea explosiva a medida que t tiende a infinito. Por tanto, un
amplio rango comprendido entre d>0,5 y d=1 queda fuera de consideracin en la prctica
general del anlisis de integracin.
Si el orden de integracin d para una serie yt es no entero, diremos entonces que yt es
Integrada Fraccional. Esta nocin de integracin fraccional parece haber sido introducida
independientemente por Hosking (1981) y Granger y Joyeux (1980). Estos ltimos autores y
Diebold y Rudebusch (1989) propusieron, en torno a este concepto, una serie de modelos
paralelos a la familia tradicional ARIMA denominados ARFIMA o, en espaol, FARIMA. La
estimacin de este tipo de modelos suele realizarse con la propuesta de Geweke y Porte-Hudak
(1983) aunque han sido propuestas otras sugerencias que pueden encontrarse resumidas en el
captulo 11.7 del libro de Mills (1990).
10.- CONTRASTES DE RACES UNITARIAS EN E-VIEWS

Hoy en da, existe ya un conjunto de programas informticos que incorporan procedimientos de
contraste de races unitarias en series temporales. Algunos de ellos, como el programa Gauss,
permiten la utilizacin de un buen nmero de procedimientos complejos y de casi cualquiera de
los contrastes de estacionariedad o no estacionariedad de los citados en este documento, otros,
por el contrario, estn ms limitados y permiten slo acceder a lo que puede considerarse ms
habitual. El programa E-Views puede calificarse dentro del ltimo tipo de programa
mencionado, es decir, limitado para este tipo de anlisis. Sin embargo, frente a este
inconveniente opone la ventaja de un uso ampliamente extendido por parte de profesionales y
docentes de la econometra. Por esta razn, expondr en este apartado, ayudado por las
indicaciones tcnicas de la propia gua de procedimientos, qu posibilidades ofrece este paquete
informtico para la deteccin de races unitarias en las series.
pg.47
La serie elegida para el anlisis de estacionariedad es la del Tipo de Inters a Largo Plazo de
Estados Unidos35, eleccin motivada sobre todo por la amplitud de la muestra anual disponible
(38 datos correspondientes a los aos 1960 a 1997). Pocas series de la economa espaola, y an
menos si se trata de la vertiente financiera, estn disponibles anualmente desde un perodo tan
lejano.
10.A.- Anlisis del grfico de la serie

La observacin del grfico temporal de la serie puede permitir, an con innumerables
limitaciones, una primera valoracin de su estacionariedad. Las series integradas, describen
amplias oscilaciones alrededor de un valor promedio, independientemente de la presencia o no
de tendencias deterministas. Por el contrario, las series estacionarias cruzan frecuentemente el
valor promedio de modo que cualquier desviacin parece corregirse inmediatamente.
Grfico 1.- Representacin en Niveles (TLUSA)

1 4 ,0
1 2 ,0
1 0 ,0
8 ,0
6 ,0
4 ,0
2 ,0
0 ,0
1960
1965
1970
1975
1980
1985
1990
1995
A la vista del grfico de nuestra serie, podramos clasificarla en principio como no estacionaria.
Para determinar el orden de integracin, tambin grficamente, representaramos ahora la serie
en primeras diferencias, tal y como aparece en el siguiente grfico.
Grfico 2.- Representacin en primeras diferencias (DTLUSA)
3 ,0
2 ,0
1 ,0
0 ,0
- 1 ,0
- 2 ,0
- 3 ,0
1960
1965
1970
1975
1980
1985
1990
1995
Dicho todo lo anterior, a la vista de este nuevo grfico, podramos aadir ahora a lo que antes
dijimos, que si la serie fuese no estacionaria, sera I(1), y no de orden mayor.
35
Se trata concretamente del promedio anual de los datos medios mensuales del rendimiento compuesto
de las Obligaciones del Gobierno Federal a ms de 10 aos, publicado regularmente en el Main
Economic Indicators de la OCDE.
pg.48
Por otro lado y terminado de aprovechar la informacin que nos ofrecen los grficos 1 y 2,
podramos aadir que la serie no parece exhibir tendencia determinista alguna, mientras que,
aparentemente, si parecera adecuado suponer la presencia de un trmino independiente u
ordenada en el origen.
10.B.- Anlisis del correlograma de la serie

Un segundo procedimiento sencillo, aunque tambin poco potente, es el de examinar el
correlograma de la serie analizada. El correlograma de una serie integrada debe presentar un
decrecimiento muy suave reflejando, como ya se dijo en el correspondiente apartado terico, la
persistencia de la relacin serial entre shocks correspondientes a perodos diferentes.
Grfico 3.- Correlograma de la serie en niveles para 15 retardos
Observando el correlograma representado en el grfico 3, podra intuirse cierto rasgo de no

estacionariedad pero, como ya sabemos, sera difcil distinguir el caso en que la serie fuese I(1)
de otro simplemente autorregresivo con coeficiente cercano a la unidad. En este caso, por
ejemplo, cabra pensar en un AR(1), dado el valor significativo para el primer retardo que
aparece en la Funcin de Autocorrelacin Parcial.
10.C.- Utilizacin del Test DW

Tal y como se seal en el apartado 4.C del documento, podemos utilizar tambin como
aproximacin sencilla al anlisis de la estacionariedad, el valor del test DW sobre la regresin
de la serie en funcin de un trmino independiente, o sea:
TUSAt = 0 + t
En caso de presencia de una raz unitaria, el estadstico DW tomara un valor cercano al cero.
En nuestro caso, la regresin mnimo cuadrtica facilita un valor del DW de 0.1316, valor que,
an sin enfrentarlo a los resultados obtenidos por Sargan y Barghava, resulta suficientemente
cercan a cero como para considerar la validez de la hiptesis nula.
pg.49
10.D.- Aplicacin del test DF/ADF

Los test DF y ADF son, los contrastes ms clsicos para el anlisis de la estacionariedad36. Tal y
como se examin en el apartado terico, su aplicacin resulta sencilla y es fcil de interpretar
siempre y cuando se consideren ciertas precauciones.
La primera de estas precauciones hace referencia a la eleccin de los componentes deterministas
(tendencia y/o trmino constante) que se considerarn en el proceso generador de datos.
Recordemos que tanto la omisin de trminos deterministas relevantes como su inclusin
cuando no lo son, puede afectar decisivamente al resultado del contraste.
Trataremos este problema siguiendo el esquema de Dolado et al. (1990) y Perrn (1990) que
proponen partir del modelo menos restringido e ir contrastando simultneamente la no
estacionariedad y la adecuacin de los trminos deterministas.Por otro lado, comenzaremos
aplicando el test DF y, en caso de detectar autocorrelacin en los residuos de la ecuacin,
iremos aadiendo los retardos que se consideren necesarios para eliminarla, dando as entrada a
la forma que define el test ADF. As mismo, no hay que olvidar que, en caso de detectar la
presencia de una raz unitaria, debemos contrastar entonces la estacionariedad de la serie en
diferencias, de cara a rechazar o aceptar una segunda raz unitaria. Asumimos por tanto el
esquema progresivo de Charemza y Deadman (1992) en lugar de partir de un orden de
integracin mximo e ir descendiendo segn la propuesta de Dickey y Pantula (1987).
El test de races unitarias es, en E-Views, un formato ms de vista (View) de una serie, como lo
es su grfico, su tabla de estadsticos bsicos o su correlograma. Para acceder por tanto al test
DF/ADF en E-Views, editaremos la serie y seleccionaremos a continuacin la opcin Unit Root
Test dentro del men View.
Siguiendo el esquema propuesto ms arriba, queremos aplicar el test DF simple por lo que
seleccionaremos la opcin Test Type: Augmented Dickey-Fuller, sin incluir diferencias
retardadas Lagged differences: 0. Por otro lado, dado que empezaremos contrastando la
presencia de la primera raz unitaria, aplicaremos el test sobre la serie en niveles,
seleccionando Test for unit root in: Level. Por ltimo, si vamos a empezar estimando el modelo
menos restringido, aadiremos tendencia y trmino independiente en la estimacin,
seleccionando Include in test equation: Trend and Intercept.
36
Aunque hablando con propiedad, debe recordarse que en realidad son contrastes de No
Estacionariedad, ya que asumen como hiptesis nula la presencia de una raz unitaria.
pg.50
El programa E-Views, estima entonces la regresin especificada por MCO mostrando, por un
lado, los resultados bsicos comunes a cualquier estimacin que se realizase y, por otro los
valores crticos obtenidos de las superficies de respuesta de Mackinnon (1991) para el rechazo
de la hiptesis nula de raz unitaria. Los resultados bsicos obtenidos en nuestro caso son los
siguientes:
Deteccin 1 Raz Unitaria.
Test simple DF no restringido
En primer lugar nos plantearemos si debemos continuar con este modelo simple DF o
considerar la inclusin de algn retardo de la variable DTLUSA en la especificacin (test ADF).
Para ello observaremos la presencia de autocorrelacin en los residuos: el valor del Durbin
Watson (1.59) se encontrara dentro de los lmites de ausencia de autocorrelacin marcados por
los intervalos di=1.165 y ds=1.382 para n=37 y k=3 al 1% de significacin. Por otro lado, el
correlograma de los residuos de la regresin no muestra tampoco seales de autocorrelacin.
As mismo, los criterios clsicos de aceptacin o rechazo de nuevas variables como el Akaike
I.C y Schwarz tampoco recomiendan claramente la inclusin de un retardo de la variable
DTLUSA al registrar incrementos casi nulos 0.82% para el AIC y 2.41% para la S , sin que
adems la variable resulte estadsticamente significativa.
Una vez decido que no incorporaremos retardo alguno, sino que utilizaremos la expresin
simple del test DF, el esquema de Dolado et al. (1990) y Perrn (1990) nos obliga a contrastar
la hiptesis nula H0:=0, es decir a preguntarnos si, en este modelo sin restricciones, el
contraste indica presencia de raz unitaria o no. Para ello deberemos comparar el valor del ratio
la t obtenida en nuestro caso para el parmetro de TLUSA(-1), es decir, -0.8925, con el valor
crtico ofrecido por la superficie de respuesta de Mackinnon, ya calculado automticamente por
E-Views.
pg.51

Valor ratio t para y valores crticos de Mackinnon en test DF no restringido
En nuestro caso, no podemos rechazar la hiptesis nula a ningn nivel de significacin por lo
que deberamos admitir, en principio, la presencia de una raz unitaria.
Sin embargo, antes de dar el resultado del test por bueno definitivamente, debemos analizar la
significatividad de los trminos deterministas. Empezaremos contrastando la significatividad del
parmetro tendencial determinista @TREND(1960) cuyo valor en nuestro caso es 0.007. Para
contrastar la hiptesis nula H0:a2=0 (siendo =0) compararemos el ratio t obtenido en la
regresin para esta variable (-0.4387), con el valor crtico Dickey-Fuller (1981) del estadstico
.
Si observamos los valores crticos de referencia en las tablas37 (entre 2,85 para 25 datos y 2,81
para 50 datos, con un nivel de confianza del 95%) comprobaremos que, en cualquier caso, el
parmetro tendencial no resulta significativo. Para asegurar el anterior resultado, la nulidad del
parmetro a2 puede tambin contrastarse con el estadstico de significacin conjunto 3. Para
ello tendramos que calcular el resultado de ese ratio F (Ec. 29) en nuestro caso a partir de la
estimacin de los modelos restringido (sin parmetro a2) y sin restringir (con parmetro a2):
3 =
(SCRmr SCRmnr ) r = (26,69 26,54) 1 = 0,19

SCRmnr n k
26,54 37 3
con SCRmr y SCRmrn como sumas cuadrticas residuales de los modelos restringido, n
nmero total de observaciones, k nmero de parmetros del modelo no restringido y r el
nmero de restricciones. En nuestro caso, el valor crtico ofrecido por las tablas DF para 3, con
un nivel de significacin de 0,95 estara entre 6,73 (para 50 datos) y 7,24 para 25 datos) por lo
que, en cualquier caso, volvemos a admitir la nulidad del parmetro a2.
Por tanto, ante los problemas de potencia del test en presencia de variables irrelevantes, no
podemos admitir como correcto el contraste anterior H0:=0. Suprimiremos de la especificacin
el trmino tendencial y estimaremos ahora la expresin del test DF slo con el trmino
independiente volviendo a contrastar de nuevo la presencia de la raz unitaria.
37
El E-Views no aporta estos valores de modo que habr que acudir al artculo de Fuller et al. (1981). Pg.
1062-1063.
pg.52
En este caso, seleccionaremos en la pantalla de Eviews la opcin Include in test equation:

Intercept
Una vez ms descartaremos la necesidad de incluir ningn retardo en la especificacin de la

ecuacin (test ADF) e iremos directamente a contrastar la presencia de una raz unitaria
(H0:=0).
Valor ratio t para y valores crticos de Mackinnon en test DF sin tendencia

Test simple DF sin tendencia determinista
pg.53
De nuevo, dado el valor del ratio t (-1.5137) los valores crticos de Mackinnon no permiten
rechazar la hiptesis nula de raz unitaria. Sin embargo, nuevamente debemos asegurarnos que
el modelo elegido es correcto, contrastando ahora la idoneidad del trmino constante a0.
Para contrastar la hiptesis la nula H0:a0=0 (siendo =0) compararemos el ratio t obtenido en
la regresin para esta variable (1.5940), con el valor crtico Dickey-Fuller del estadstico .
Como ya ocurriera con el trmino tendencial, el valores crticos (entre 2,61 para 25 datos y 2,56
para 50 datos, con un nivel de confianza del 95%) indican que el parmetro del trmino
independiente no es estadsticamente significativo. Del mismo modo que hicimos ms arriba
para el parmetro a2, podemos ahora contrastar la nulidad de a0 utilizando el test 1 propuesto
por Dickey y Fuller y comentado en el correspondiente apartado terico. En este caso, los
clculos seran:
1 =
(SCRmr SCRmnr ) r
SCRmnr n k
(28,62 26,69) 1 = 2,53

26,69 37 2
de nuevo inferiores a los lmites para 1, con un nivel de significacin de 0,95: 5,18
(para 50 datos) y 4,86 (para 25 datos) ; volvemos por tanto a admitir la nulidad del parmetro
a2.
Una vez ms debemos reestimar el modelo DF, ahora en su versin restringida. El resultado de
esta regresin final aparece a continuacin y ahora si que, definitivamente, podemos afirmar la
presencia de una raz unitaria en TLUSA.
Salida 5.- Deteccin 1 Raz Unitaria.
Valor ratio t para y valores crticos de Mackinnon en test DF restringido
Sin embargo, este anlisis simple de estacionariedad para TLUSA no ha terminado todava,
dado que la presencia de una raz unitaria no significa necesariamente que la serie sea I(1).
Efectivamente, puede existir una segunda raz unitaria, por lo que, asumiendo el esquema de
Charemza y Deadman (1992), repetiremos ahora el test DF sobre la variable en diferencias,
asumiendo ya, eso s, la estructura restringida y sin retardos para el modelo DF.
pg.54
En este caso, seleccionaremos en la pantalla de Eviews la opcin Test for unit root in: 1st
difference.
En nuestro ejemplo, el resultado del test no permite admitir la presencia de una segunda raz
unitaria, al ser el ratio t estimado (-4.7791) muy inferior a los lmites marcados por las
superficies de respuesta de Mackinnon para cualquier nivel de significacin.
10.E.- Aplicacin del test Phillips-Perron

El segundo y ltimo procedimiento que permite utilizar el programa E-Views para el contraste
de races unitarias es el correspondiente a la correccin no paramtrica propuesta por Phillips
(1987) y Phillips y Perron (1988).
Aunque este mtodo presenta diferencias conceptuales importantes con relacin al test clsico
DF/ADF, la aplicacin prctica del ambos apenas se distingue dado que el procedimiento de
Phillips Perron (en adelante Test PP) es slo una variante de correccin de eventuales
problemas de autocorrelacin residual en la expresin simple del test DF. As, lo expuesto en el
apartado anterior es perfectamente vlido para ilustrar la aplicacin del test PP, paso por paso,
salvo una cuestin tcnica a continuacin se especificar. En definitiva, sigue siendo vlido el
esquema de Dolado para la deteccin de componentes deterministas, el esquema de Charemza y
Deadman para el contraste de segundas y terceras races as como la forma en que se utilizan los
valores crticos de Mackinnon o Dickey Fuller para contrastar la nulidad de cada parmetro.
La particularidad tcnica que debe conocerse para aplicar el test PP reside en lo que el E-Views
denomina truncation lag. El procedimiento de PP consiste en la transformacin del ratio t
original del test simple DF para lo cual se utilizar precisamente la autocorrelacin exhibida por
la serie de residuos resultante de estimar este modelo simple DF. El parmetro truncation lag
se refiere precisamente al nmero de coeficientes de autocorrelacin residual (retardos) que
deseamos utilizar para corregir el ratio t. El programa E-Views, utilizar siempre por defecto
el nmero de retardos que corresponden a la propuesta de Newey y West (1994)
pg.55
N
q = 4
100
donde N representa el nmero de observaciones y q, precisamente, el nmero

entero de retardos a utilizar. Esta seleccin inicial puede, por supuesto, ampliarse o reducirse a
nuestro criterio, de forma similar al modo en que en el test ADF decidamos incluir un mayor o
menor nmero de retardos.
Para acabar de especificar tcnicamente el test PP en E-Views, debemos decir que ste
programa, si bien toma la idea expuesta por Phillips y Perron, utiliza para la correccin del ratio
t la propuesta de Newey y West (1987). Esta propuesta consiste en un clculo alternativo que
ofrece estimaciones consistentes de la matriz de varianzas y covarianzas de la perturbacin
aleatoria en presencia simultnea de heterocedasticidad y autocorrelacin residual.
pg.56
REFERENCIAS BIBLIOGRFICAS CITADAS EN EL TEXTO

Amano, R.A. y van Norden, S. (1992). Unit-Root tests and the Burden of Proof. Mimeo.
(http://wueconb.wustl.edu/eprints/em/papers/9502/9502005.abs)
Beaulieu, J.J. y Miron, J.A. (1993). Seasonal Unit Roots in Aggregated U.D. Data. Journal of
Econometrics, 51, pp. 305-328.
Box, G.E.P. y Jenkins, G.M. (1970). Time Series Analysis: Forecasting and Control. HoldenDay. San Francisco, CA.
Box, G.E.P y Pierce, D.A. (1970). Distribution of Residual Autocorrelations in Autorregresive
moving Average Time Series Models. Journal of The American Statistical Association, 65,
pp. 1509 1526.
Campbell, John Y. y Perron, P. (1991). Pitfalls and Opportunities: What Macroeconomists
Should Know About Unit Roots. Technical Working Paper 100, NBER Working Paper Series.
Abril 1991.
Canova, F. y Hansen, B.E. (1995). Are Seasonal Patterns Constant over Time? A test for
Seasonal Stability. Journal of Business and Economic Statistics, 13, 3, pp. 237-252.
Carrin, J,Ll., Sans, A. y Arts, M. (1998a). The DF and KPSS Wedding. Document de
Treball del Dep. Econometria, Estadstica i Economia Espanyola. Universitat de Barcelona.
------. (1998b). Stationary Test in the Presence of Structural Breaks. Document de Treball del
Dep. Econometria, Estadstica i Economia Espanyola. Universitat de Barcelona.
------. (1998c). The KPSS Test with Two Structural Breaks. Document de Treball del Dep.
Econometria, Estadstica i Economia Espanyola. Universitat de Barcelona.
Charemza, W.W. y Deadman, D.F. (1992). New Directions in Econometric Practice. Edward
Elgar Publishing Limited. England.
Charemza, W.W. y Syczewska, E.M. (1998). Joint Application of the Dickey Fuller and KPSS
tests. Mimeo. University of Leicester, U.K.
Choi, I. (1994). Residual Based Tests for the Null of Stationarity with Applications to U.S.
Macroeconomic Time Series. Econometric Theory, 10. Pp. 720-746.
Dejonc, D., Nankervis, J.C., Savin, N.E. y Whiteman, C.H. (1992). Integration Vs. Trend
Stationary in Time Series. Econometrica, 60, pp. 423-433.
Dickey, D. A. (1976). Hypothesis Testing for Non-Stationary Time Series. Sin publicar.
Universidad del Estado de Iowa.
Dickey, D. A. y Fuller, W.A. (1979). Distribution of the Estimates for Autoregresive Time
Series with a Unit Root. Journal of the American Statistical Association, 74, pp. 427-431.
------. (1981). Likelihood Ratio Statistics for Autoregresive Time Series with a Unit Root.
Econometrica, 49, pp. 1057-1072
pg.57
Dickey, D.A., Hasza, D.F. y Fuller, W.A. (1984). Testing for Unit Roots in Seasonal Time
Series. Journal of American Statistical Association, 79. Pp.355-367.
Dickey, D. A. y Pantula, S. (1987). Determining the Order of Differencing in Autorregresive
Processes. Journal of Business and Economic Statistics, 15, pp. 455-461
Diebold, F.X. Rudebusch, G.D. (1989). Long Memory and Persistence in Aggregate Output,
Journal of Monetary Economics, 24, pp. 189-209.
Dolado, J., Jenkinson, T. y Sosvilla - Rivero, S. (1990). Cointegration and Unit Rots: A
Survey. Servicio de Estudios, Banco de Espaa. Documento de trabajo 9005.
Durbin, J. y Watson, G.S. (1950). Testing for Serial Correlation in least-squares regression I.
Biometrika, 37(3-4), pp. 241-247.
Durlauf, S. y Phillips, P.C.B. (1988): Trends versus Random Walks in the Time Series
Analysis. Econometrica, 56, pp. 1333-1354.
Engle, R.F., Granger, C.W.J. (1987). Cointegration and Error Correction: Representation,
Estimation and Testing. Econometrica, 55, pp.251-276
------. (1991) editores. Long Run Economic Relationships. Oxford University Press.
Engle, R.F., Granger, C. y Hallman, J. (1988): Merging Short- and Long Run Forecasts: An
application of Seasonal Co-Integration to Monthly Electricity Sales Forecasting. Journal of
Enders, W. (1995). Applied Econometric Times Series. John Wiley & Sons, Inc. United States.
Franses, P.H. (1991). Model Selection and Seasonality in Time Series. Tinbergen Institute
Series, 18.
Fuller, W.A. (1976). Introduction to Statistical Time Series. John Wiley. Nueva York.
Geweke, J. Y Porter-Hudak, S. (1983). The Estimation and Application of Long Memory
Times Series Models. Journal of Time Series Analysis, 4, pp. 221-238
Granger, C.W.J. (1977). Forecasting Economic Time Series. Academic Press Inc., New York
------. (1986). Forecasting Economic Time Series. 2 Edicin. Academic Press Inc., Orlando.
Granger, C.W.J. y Joyeux, R. (1980). An Introduction to Long Memory Time Series Models
and Fractional Differencing. Journal of Time Series Analysis, 1, pp. 15-29.
Granger, C.W.J. y Newbold, P. (1974). Spurius Regressions in Econometrics. Journal of
Hall, A. (1989). Testing for Unit Root in the Presence of Moving Average Errors. Biometrika,
79, pp.49-56.
Hamilton, J. D. (1994). Time Series Analysis. Princetown University Press.
pg.58
Hasza, D.P. y Fuller, W.A. (1982). Testing for Nonstationary Parameter Specifications in
Seasonal Time Series Models. Annals of Statistics, 10, pp.1209-1216.
Hobijn, B., Franses, P.H. y Ooms, M. (1998). Generalisations of the KPSS-Test for
Stationarity. Econometric Institute Report 9802. Erasmus University Rotterdam.
Hosking, J.R.M. (1981). Fraccional Differencing, Biometrika, 68, pp. 165-176.
Hylleberg, S. (1986). Seasonality in Regressions. Academic Press Inc.
------. (1992). Modelling Seasonality. Oxford University Press.
------. (1995). Tests for Seasonal Unit Roots. General to Specific or Specific to General?.
Journal of Econometrics, 69, pp. 5-25.
Hylleberg, S., Engle, R.F., Granger, C.W.J. y Yoo, B.S. (1990). Seasonal Integration and CoIntegration. Journal of Econometrics, 44, pp. 215-228.
Hylleberg, S., y Mizon (1989). A Note on the Distribution of the Least Squares Estimator of a
Random Walk with Drift. Economic Letters, 29, pp. 169-210.
Kwiatkoski, D., Phillips, P.C.B., Schmidt, P.J. y Shin, Y. (1992). Testing the Null Hypothesis
of Stationarity Against the Alternative of a Unit Root: How Sure Are We That Economic Series
Have a Unit Root?. Journal of Econometrics, 56, pp.285-302.
Lee, J. (1996). Minimum Statistics Testing for a Stationarity in the Presence of a Structural
Break. Working Paper 97-W03. Department of Economics and Business Administration.
Vanderbilt University.
Lee, J., Huang, Cl.J. y Shin, Y. (1997). On Stationarity Test in the Presence of Structural
Break. Economic Letters, 55, pp.165-172.
Leybourne, S.J y McCabe, B.M.P. (1994a). A Consistent test for Unit Root. Journal of
Business & Economic Statistics, Vol. 12, 2, pp. 157-166.
Ljung, G.M. y Box, G.E.P. (1978). On a measure of Lack of Fit in Time Series Models.
Biometrika, 65, pp. 297-303.
Lo, A.W. (1991). Long Term Memory in Stock Market Prices. Econometrica, 59, pp. 12791313
Lumsdaine, R.L. y Papell, D.H. (1997). Multiple Trend Breaks and the Unit Root Hypothesis.
The Review of Economics and Statistics, 79, 212-218.
MacKinnon, J.G. (1991). Critical Values for Cointegration Tests. Captulo 13 de Long Run
Economic Relationships: Readings in Cointegration, editado por R.F. Engle y C.W.J. Granger.
Oxford University Press.
Mandelbrot, B.B. (1969). Long-Run Linearity, Local Gaussian Process, H-Spectra, and Infinite
Variances. International Economic Review, 10, pp. 82-111.
------. (1972). Statistical Methodology for Nonperiodic Cycles: From the Covariance to R/S
Analysis. Annals of Economic and Social Measurement, 1/3, pp. 259-90.
pg.59
Mills, T.C. (1990). Time Series Techniques for Economists, Cambridge University Press.
------. (1993). The Econometric modelling of Financial Time Series. Cambridge University
Press
Molinas, C. et al. (1986). A note on Spurious Regression with Integrated Moving Average
Errors. Oxford Bulletin of Economics and Statistics, 48, 3, pp. 279-282.
Nabeya, S.I. y Tanaka, K. (1989). Asymptotic Theory for a Test for the Constancy of the
Regression Coefficients Against the Random Walk Alternative. Annals of Statistics, 16, pp.
218-235.
Newbold, P. y Davies, N. (1978). Error miss-specification and spurious regressions.
International Economic Review,7, pp. 513-519.
Newey, W.K y West, K.D. (1987). "A Simple Positive Semi-Definite, Heteroskedasticity and
Autocorrelation Consistent Covariance Matrix". Econometrica, 51.
Newey, W.K. y West, K.D. (1994). Automatic lag Selection in Covariance Matrix Estimation.
Review of Economic Studies Limited, 64, pp. 631-653.
Noriega-Muro, A.E. (1993). Nonstationarity and Structural Breaks in Economic Time Series.
Averbury. Aldershot.
Novales, A. (1993). Econometra. Mc Graw Hill. Madrid
Osborn, D. (1988). Seasonality and Habit Persistence in a Life Cycle Model of Consumption.
Journal of Applied Econometrics, 3, pp. 255-66.
Otero, J.M. (1993). Econometra: Series temporales y prediccin. AC. Madrid
Park, J.Y. (1990). Testing for Unit Roots and Cointegration by Variable Addition. A Fomby,
T.B. y Rhodes, G.F. (1990) editors: Advances in Econometrics: Co-Integrations, Spurius
Regressions and Unit Roots. Jai Press Inc.
Perron, P. (1988). Trends and Random Walks in Macroeconomic Times Series: Further
Evidence from a new Approach. Journal of Economics Dynamics and Control,12, pp. 297-332.
------. (1989). The Great Crash, the Oil Price Shock, and the Unit Root Hypothesis.
Econometrica, 57, pp. 1361-1401.
Phillips, P.C.B. (1986). Understanding Spurius Regressions in Econometrics. Journal of
------. (1987). Time Series Regression with a Unit Root. Econometrica, 55, pp. 277-301.
Phillips, P.C.B, y Perron, P. (1988). Testing for a Unit Root in Time Series Regression.
Biometrika, 75, pp. 335-346.
Plosser, C.I. y Schwert, G.W. (1978). Money Income and Sunspots: Measuring economic
relationships and the effects of differencing. Journal of Monetary Economics, 4, pp. 637-660
pg.60
Rappoprt, P. y Reichlin, L. (1989). Segmented Trends and Non-Stationary Time Series. The
Economic Journal, 99, pp. 168-177.
Said, S. Y Dickey, D.A. (1984). Testing for Unit Roots in Autorregresive-Moving Average
Models with Unknown Order. Biometrika, 71, pp. 599-607.
Saikkonen, P. y Luukonen, R. (1993). Testing for a Moving Average Unit Root in
Autorregresive Integrated Moving Average Models. Journal of the American Statistical
Association, 88, pp.596-601.
Sargan, J. y Bhargava, A. (1983). Testing Residual from Least Squares Regressions for Being
Generated by the Gaussian Random Walk. Econometrica, 51, pp. 153-174.
Schwert, G.W. (1987). Effects of Model Specification on Test for Unit Root in
Macroeconomic Data. Journal of Monetary Economics, 20, pp. 73-103.
------. (1989). Test for Unit Roots: A Monte Carlo Investigation. Journal of Business and
Economic Statistics, 7, 2, pp. 147-159.
Suriach, J., Arts, M., Lpez, E. Y Sans, A. (1995). Anlisis econmico regional. Nociones
bsicas de la teora de la cointegracin. Antoni Bosch Editor. Barcelona.
Tanaka, K. (1990). Testing for a Moving Average Unit Root. Econometric Theory, 6, pp.433444.
Tiao, G. Y Grupe, M. (1980). Hidden Periodic Autorregresive-Moving Average Models in
Time-Series Data. Biometrika, 67, 365-373.
Valdero, E. (1998). An Application of a Time Series Inequality to the Detection of NonInvertible Moving Average Processes. Documents de Treball E98/24 de la Divis de Cincies
Jurdiques, Econmiques i Socials.
Wold, H. (1938). A Study in the Analysis of Stationary Times Series. Stockholm: Almqvist and
Wiksell.
Yule, G.U. (1926).Why do we sometimes get nonsense correlations between time series?.
Journal of the Royal Statistical Society, 89, pp. 1-64.

Análisis de la estacionariedad de series temporales

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Análisis de la estacionariedad de series temporales

Transféré par

Droits d'auteur :

Formats disponibles

REVISIN DE LOS PROCEDIMIENTOS DE ANLISIS DE LA

ESTACIONARIEDAD DE LAS SERIES TEMPORALES

Procedimientos de anlisis de la estacionariedad de las series temporales

REVISIN DE LOS PROCEDIMIENTOS DE ANLISIS DE LA

El estudio de la estacionariedad de las series temporales resulta clave en la prctica

En primer lugar, la deteccin de la no-estacionariedad resulta estadsticamente fundamental,

En cuarto lugar, el concepto de tendencia estocstica frente al tradicional de tendencia

1.- TENDENCIAS DETERMINISTAS Vs TENDENCIAS ESTOCSTICAS

Procedimientos de anlisis de la estacionariedad de las series temporales

presenta obviamente un patrn dominado fundamentalmente por una tendencia lineal:

si aadimos un trmino de orden dos en esa tendencia conseguiremos, obviamente, una

En el caso del ejemplo ese valor medio sera 0.75/(1-0.5)=1.5

Procedimientos de anlisis de la estacionariedad de las series temporales

y t = 0.05 + 0.1t + 0.03t 2 + t

DEFLACTOR CONSUMO PRIVADO

EXPORTACIONES REALES TOTALES

VALOR AADIDO EN SERVICIOS

Fuente: Contabilidad Nacional de Espaa. (INE) y Encuesta de Poblacin Activa (INE)

Procedimientos de anlisis de la estacionariedad de las series temporales

1.B.- Tendencias estocsticas

con t ruido blanco. La solucin a la (Ec.4), representativa de un paseo aleatorio es4:

Si se requiere un mayor detalle en todo lo referente a la formulacin y solucin de ecuaciones en

Procedimientos de anlisis de la estacionariedad de las series temporales

Su varianza, sin embargo, no es constante dado que su expresin es:

Procedimientos de anlisis de la estacionariedad de las series temporales

Tipo de cambio Pta/Dlar

Tipo de cambio Pta/Libra Esterlina

Paseo aleatorio con deriva (tendencia determinista ms tendencia estocstica)

y , al mismo tiempo, de forma invariable,

tambin permanente pero perfectamente conocida, por el trmino determinista a0t .

Procedimientos de anlisis de la estacionariedad de las series temporales

No obstante para muestras pequeas y una varianza de t suficientemente elevada su aspecto

La demostracin para la media es inmediata:

lo mismo que para la varianza:

Procedimientos de anlisis de la estacionariedad de las series temporales

2.- LAS REGRESIONES ESPURIAS

Tipo de cambio Peseta Franco Francs

Efectivamente, los resultados as lo confirman: la R2 se acerca al 95%, la variable explicativa se

Procedimientos de anlisis de la estacionariedad de las series temporales

Este tipo de regresiones aparecen cuando se relacionan series temporales no estacionarias y se

donde 1t y 2t son variables aleatorias normales estndar independientes entre s con

es claro que, prescindiendo de la constante a0:

Procedimientos de anlisis de la estacionariedad de las series temporales

La varianza de et ya hemos dicho que no es constante. En la expresin (Ec.10) anterior

Si la serie xt no es estacionaria, no satisfar la propiedad:

3.- CONCEPTO DE INTEGRACIN

Procedimientos de anlisis de la estacionariedad de las series temporales

En el caso de un paseo aleatorio con tendencia determinista aadida (con deriva) la

en el que suponemos la presencia de una raz unitaria en el polinomio de retardos A(L),

Procedimientos de anlisis de la estacionariedad de las series temporales

y t = 1.5 y t 1 0.5 y t 2 + 0.5 t 1 0.25 t 2

ste puede expresarse como:

y t 1.5 y t 1 + 0.5 y t 2 = 0.5 t 1 0.25 t 2

multiplicando la expresin a izquierda y derecha por 2 para simplificar su apariencia

y utilizando en (Ec. 15) los polinomios de retardos habituales queda:

y t (1 L) A' ( L) = t B( L) y t (1 L)( 2 L) = t ( L 0.5L2 )

Procedimientos de anlisis de la estacionariedad de las series temporales

Presentan varianza finita e independiente

Su varianza depende del tiempo y tiende a infinito

Tienen memoria limitada

Sin embargo, la diferenciacin de una serie para convertirla en estacionaria slo es

es suficiente entonces con trabajar con la serie transformada:

Basada, a su vez, en el conocido teorema de descomposicin de Wold (1938).