Los Premios Nóbel de Economía 2003:

Clive W. J. Granger y R. F. Engel

LUIS MIGUEL GALINDO Y HORACIO CATALÁN*

Introducción constantes a lo largo del tiempo. En caso contrario

se debería realizar una transformación en las series
En años recientes el estudio de las propiedades esta- para hacerlas estacionarias ya sea a través de aplicar
dísticas de las series utilizadas en el análisis económi- la primera diferencia o eliminar la tendencia aun-
co se ha convertido en un área fundamental en el que ello implicaba perder información relevante para
ejercicio profesional de la economía, tanto en la in- caracterizar el proceso generador de información
vestigación como en la economía aplicada. En este (DGP) (Spanos, 1986). Este tipo de análisis culmina
sentido, el estudio de los temas de cointegración y con la elaboración de los modelos de Vectores
de raíces unitarias es uno de los más intensamente Autorregresivos (VAR), desarrollados por Sims (1980),
analizados en la econometría moderna. Los princi- cuya especificación no se apoya en una hipótesis teó-
pales avances en esta materia se generaron durante rica, pero que brinda una herramienta poderosa para
la década de los años ochenta, pero su rápida difu- el análisis de política económica al utilizar series es-
sión y aplicación se apoyó principalmente en la tacionarias. Así, se genera un debate importante en-
econometría de una década anterior, es decir en los tre los modelos de corrección de errores (ECM) y los
modelos ARIMA (Box y Jenkins, 1970) y el concepto modelos VAR, donde se contraponen, en alguna me-
de regresión espúrea (Granger y Newbold, 1974). dida, dos visiones en la formulación de modelos
También es importante mencionar el trabajo de econométricos (Charemnza y Deadman, 1992;
Davidson, Hendry, Srba y Yeo (1978) en donde se Fiebig, 1994), la primera hace énfasis en la hipótesis
destacaba la relación entre la estructura temporal de de teórica a comprobar como parte fundamental de
las series de tiempo (dinámica de corto plazo) y la un modelo, en tanto que la segunda pondera en
presencia de un mecanismo de corrección de erro- mayor medida la información estadística y la estruc-
res que captura las relaciones de largo plazo. tura temporal del proceso estocástico de las series de
De este modo, la característica común en los tra- tiempo.
bajos econométricos, previos al concepto de En este contexto, el teorema de representación
cointegración desarrollado por Engle y Granger, era de Granger (Engel y Granger, 1987; Granger,
hacer énfasis en que las series económicas deben co- 1981), que integra la teoría de cointegración y el
rresponder a un proceso estocástico estacionario, en modelo de corrección de errores, surge como un
el sentido de que su media y varianza permanezcan progreso en el debate entre series de tiempo y mo-
* Profesores de la Facultad de Economía, UNAM. Este trabajo fue financiado con fondos PAPIIT del proyecto IN304702 “La política monetaria
y financiera y los efectos de la apertura del sector externo en una economía con restricción externa: un enfoque econométrico”. Desde luego se
aplica el descargo usual de los errores. Dirección para correspondencia: Posgrado en Economía, UNAM, Oficinas administrativas núm. 2, primer
piso, Avenida Universidad 3000, Ciudad Universitaria, UNAM, C. P. 04510, Delegación Coyoacán, México, D. F., México, teléfonos: (52)
(55) 56-22-23-41/43/85, Fax: (52) (55) 56-16-08-34, Correo electrónico: gapaliza@servidor.unam.mx

30
delos econométricos, permitiendo la construcción de
un marco de referencia de análisis de regresión y las
propiedades estocásticas de los datos. Es decir, en el
caso en que un conjunto de series (que representan
variables económicas) cointegran, se identifican en-
tonces como un bloque que tiende a moverse simul-
táneamente en el tiempo, situación que puede
identificarse como una relación de “equilibrio”
(Engel y Granger, 1987). Las desviaciones respecto
a esta tendencia se definen como un “error de equi-
librio”, el cual debe presentar un proceso estaciona-
rio, es decir que las desviaciones no son permanentes.
Así, estas relaciones de equilibrio expresan los meca-
nismos y las magnitudes del ajuste de los agentes en
la medida en que el modelo de corrección de erro-
res fuerza a las diferentes variables a regresar a su
tendencia común ante la presencia de cualquier cho-
que externo (Johansen, 1995). De esta forma, el tra-
bajo de Engel y Granger permite consolidar las bases
de la econometría moderna y desarrolla una técnica
que integra la hipótesis teórica y las propiedades es-
tadísticas de las series.
El presente texto tiene por objetivo presentar las
principales contribuciones a la ciencia económica,
del trabajo de Clive W. J. Granger y Robert F.
Granger, quienes fueron acreedores al premio Nobel
de Economía 2003. El escrito está estructurado en
tres apartados, el primero presentan el desarrollo de
la teoría de cointegración en el contexto de la meto-
dología econométrica, el segundo hace una descrip-
ción del teorema de representación de Engel y
Granger, y finalmente en el tercero se incluyen al-
gunos comentarios generales.
El concepto de cointegración en el contexto
de la econometría moderna
La historia de la econometría moderna inicia, en al-
guna medida, con las investigaciones de Fisher
(1925), Frisch (1933 y 1934) y Koopmans (1937)
1
En los años treinta y cuarenta, se consideraba que el comportamiento irregular de las series se debía a choques externos originados por los ciclos
económicos (Sluztky, 1927), o bien que contenían un componente aleatorio que se identificaba como un “impulso” que era trasmitido a la
variable (Frisch, 1934).
31
que sientan las bases teóricas en el campo de la pro-
babilidad y la estadística del modelo de regresión li-
NÚM. 321 NOVIEMBRE DE 2003
neal. Posteriormente, Haavelmo (1994) realiza un
cambio importante, al destacar una aproximación
probabilística al modelo econométrico y propone la
especificación de un sistema de ecuaciones simultá-
neas. Este cambio en la metodología, definirá el
marco de análisis de la econometría durante los cin-
cuenta y sesenta, que es identificada con la Comi-
sión Cowles, la cual introduce nuevas técnicas de
estimación (máxima verosimilitud) y pruebas esta-
dísticas.
Sin embargo, un aspecto importante que no se
había considerado plenamente era el análisis de las
propiedades estocásticas de las series económicas1 en
particular en las investigaciones empíricas. Así, el tra-
bajo de Wold (1938) sienta las bases de la concep-
ción moderna de las series de tiempo, al definir una
serie estacionaria como la suma de un componente
deterministico y un modelo de media móvil, finito e
invertible, que se podría expresar en un modelo
autoregresivo más un término de error
autocorrelacionado. Sin embargo, la estimación de
modelos econométricos se basó, durante muchos
años, en una especificación estática que generaba la
presencia de autocorrelación en los errores. Esta si-
tuación derivó en el uso generalizado de formas de
corrección de la autocorrelación por Cocharane-
Orcutt (1949), o Durban-Watson (1951) en dos
etapas o bien en la transformación de las variables
en primeras diferencias. Sargan (1961) demuestra
que la presencia de autocorrelación en el modelo
estático, en realidad encubre una mala especifica-
ción dinámica, donde las variables deben incluirse
con rezagos, dando como resultado un modelo
autorregresivo de rezagos distribuidos (ADL).
En la década de los setenta la econometría transi-
ta por un período de importantes cambios donde
los modelos econométricos enfrentan fuertes críti-
cas tales como la escasa capacidad para realizar pro-
nósticos, la incompatibilidad entre estimaciones de
series de tiempo con las de corte transversal y, prin-
cipalmente, el no presentar un marco consistente que
explique el comportamiento de las relaciones de lar-
go plazo establecidas por la teoría económica, y los
patrones cíclicos de las series económicas (Hendry,
1993). Estas insuficiencias condujeron al uso de
modelos ARIMA (Box y Jenkins, 1970), que sólo con-
sideran la estructura temporal de las series, y a espe-
cificaciones basadas en expectativas racionales (Lucas,
1976; Sargent y Sims, 1977). En este contexto, las
investigaciones desarrolladas por Clive W.J. Granger
y Robert F. Engel, adquieren un peso importante en
la definición de una nueva metodología
econométrica.
Una de las principales aportaciones de Engle y
Granger fue identificar los efectos de las propieda-
des estocásticas de las series en un modelo de regre-
sión.2 De este modo, en el caso de dos variables que
se definen como camino aleatorio y se especifican en
un modelo de regresión.
y t = y t −1 + u t ( )
u t → IID 0,σ u2
x t = x t −1 + v t ut → IID (0,σ )
2
v [2]
E (u t v t ) = 0 ∀t , s ;
y t = β 0 + β 1x t + z t
Granger y Newbold (1974) demuestran que la ecua-
ción (3) genera un R2 elevado, las pruebas estadísti-
cas t y F rechazan la hipótesis nula de no significancia
y el estadístico Durbin-Watson reporta un valor cer-
cano a cero. Lo anterior se identifica como un pro-
blema de regresión espuria, donde los resultados
sobre el valor y signo de los estimadores no son
confiables, debido a que las series presentan un pro-
ceso estocástico no estacionario. De esta manera, se
muestra la importancia de identificar las propieda-
des estocásticas de las series y de considerar la pre-
sencia de raíces unitarias en las variables consideradas
2
Yule (1927), define la correlación espuria, como resultado de su análisis de correlaciones entre diferentes series.
en el modelo (Dickey y Fuller, 1979), previamente
al análisis de regresión tradicional. Ello generó en la
década de los ochenta un amplio campo de investi-
gación en la econometría (Nelson y Plosser, 1982).
Davidson, Hendry, Srba y Yeo (1978) (DHSY),
proponen la especificación de un modelo denomi-
nado modelo de corrección de error (ECM), que inicial-
mente fue propuesto por Phillips (1954) y aplicado
posteriormente por Sargan (1964). En una versión
simplificada del modelo DHSY entre el consumo y el
ingreso tenemos que:
∆ lnCt = β 0 + β 1∆ lnYt − β 2 (lnCt −1 − lnYt −1 ) + ε t [4]
Los cambios en la variable dependiente (consumo)
son relacionados con cambios en la variable explica-
tiva (ingreso) y el rezago de la diferencia entre am-
bas variables. La característica importante del modelo
es que la proporción consumo a ingreso de largo pla-
zo, aporta información relevante para explicar los
cambios en el consumo a corto plazo. Este modelo
presenta mejores propiedades estadísticas que mo-
[1] delos estáticos y no está sujeto a la crítica de regre-
sión espuria (Charemza y Deadman, 1992) en el caso
de presentarse la propiedad de cointegración.
Simultáneamente al desarrollo de los modelos de
corrección de error se observa el avance de los mo-
[3] delos de vectores autorregresivos (Sims, 1980) (VAR),
a inicios de los ochenta y que se basan en los mode-
los ARIMA. Ello representó también una fuerte crítica
a los modelos estructurales debido a que estos nue-
vos modelos VAR permiten realizar análisis de las se-
ries económicas, sin la necesidad de imponer
restricciones en los parámetros y realizar una divi-
sión arbitraria entre variables endógenas y exógenas.
Estas aparentes diferencias en las distintas especi-
ficaciones de modelos econométricos desarrolladas
en los setenta, es retomada por Granger y Engel a
fin de construir un marco metodológico sólido y
consistente. El problema de regresión espuria pue-
de solucionarse si existe una combinación lineal en-
32
tre el conjunto de series, que genere un proceso
estocástico estacionario. Ello se ha definido como un
proceso de cointegración entre las series (Granger,
1981, 1983 y 1986; Granger y Weiss, 1983). De
este modo, el teorema de representación de Engle y
Granger indica que de existir cointegración es posi-
ble, entonces, especificar un modelo en su forma de
corrección de error (ECM) (Granger, 1981; Engle y
Granger, 1987; Engel y Yoo, 1987) utilizando una
especificación dinámica (ADL), que resuelve el deba-
te entre modelos estructurales y de series de tiempo.
De igual forma mediante un modelo VAR sin restric-
ciones, especificado con variables de orden de inte-
gración I(1), es posible determinar relaciones de
cointegración mediante una representación canóni-
ca y utilizando el método de máxima verosimilitud
(Johansen, 1988).
Adicionalmente, el marco de la teoría de
cointegración permitió introducir pruebas
de exogeneidad (Engel, Hendy y Richard, 1983;
Engel y Hendry, 1993) y no causalidad en el senti-
do de Granger (1969), a fin de realizar inferencias
estadísticas válidas, reducir la arbitrariedad en la
especificación del modelo y obtener proyecciones y
simulaciones de política económica adecuadas. Así,
los trabajos de Granger y Engel han sentado las base
de la econometría moderna que ha permitido un
avance significativo en la economía aplicada.
II. El teorema de representación de granger
La observación de un conjunto de series económi-
cas, que presentan movimientos similares en el tiem-
po pueden dar una idea equivocada de una relación
estable en el tiempo (Hendry, 1981). Es necesario
que exista una combinación lineal de las variables
que elimine la raíz unitaria en las series.
Sea el caso de dos variables que definen un vector
de series de tiempo X t = [y t , x t ]
⎡y t ⎤
[1 − β 0 − β1 ]⎢⎢ 1 ⎥⎥ = β′X t = zt [5]
⎢⎣ x t ⎥⎦
33
Cuando zt = 0, existe una situación de equilibrio
de largo plazo, que se define como un punto esta-
NÚM. 321 NOVIEMBRE DE 2003
cionario en el cual las fuerzas económicas mantie-
nen a las variables juntas y evitan que se muevan a
otro punto (Engel y Granger, 1987; Johansen,
1995). En algunos períodos zt ≠ 0, indicando una
desviación o error de equilibrio a largo plazo y en el
caso en que la relación entre las variables se mantie-
ne a lo largo del tiempo el error de equilibrio debe
presentar un proceso estocástico estacionario. De esta
forma, el vector Xt está cointegrado, si existe el vector
β ≠ 0 tal que es posible definir una combinación
lineal del conjunto de variables, como la ecuación
(5), donde zt es I(0).
Engel y Granger (1987) definen el concepto de
cointegración como: los componentes del vector Xt
=(x1t, ..., xnt) se dice que están cointegrados de orden
CI(d,b) si:
1. Todos los componentes de Xt son integrados de
orden I(d)
2. Existe un vector β =(β1,...,βn) en el cual la combi-
nación lineal β1x1t + β2x2t + ... βnxnt que es integrada
de orden I(d-b), donde b > 0
De esta forma, el análisis de cointegración aporta
información sobre la teoría económica. Así, en el caso
en que la teoría económica es correcta entonces po-
demos esperar que la especificación realizada sobre
un conjunto de variables, sugerida por dicha teoría,
presente un error de equilibrio estacionario. Si no
existe esta relación entonces se dice que las variables
no cointegran y por tanto existen dudas fundadas
sobre lo establecido por la teoría. En este sentido, la
teoría de cointegración puede ser usada para pro-
bar la validez de una teoría económica con base en
un conjunto de variables (Cuthbertson, Hall y Taylor,
1992, p. 129).
Sin embargo, la definición de cointegración tie-
ne algunas observaciones importantes a considerar.
1) La cointegración se refiere a una combinación li-
neal de variables no estacionarias, así que no incluye
posibles relaciones no lineales y además el vector de
cointegración no es necesariamente único. 2) Todas GRÁFICA 1.
la variables deben ser del mismo orden de integra- Conjunto atractor y vector de cointegración
ción en el caso más simple ya que la combinación de
órdenes de integración genera distribuciones no
estándar difíciles de aplicar. Además aun con todas Y
las variables del mismo orden de integración ello no
asegura que cointegren. 3) No existe claridad en el ( yt , xt )
uso del término “relación de equilibrio”, sólo se defi- β′X t
α
ne en términos de un punto estacionario y 4) Si Xt
tiene n componentes, debe haber n-1 vectores de
cointegración.
Por otra parte, el teorema de representación de
Granger (1981), establece que si las series son
cointegradas es posible especificar un modelo de
corrección de errores, que integra a las variaciones
de las series y la relación de cointegración, permi- X
tiendo, por una parte, analizar la relación de las va-
riables en niveles y por otra estimar un modelo con Una forma sencilla de expresar el teorema de repre-
las propiedades estadísticas adecuadas. sentación es por medio de modelo ADL(1,1)
(Hendry, Pagan y Sargan, 1984):
∆X t = −αβ ′X t + u t [6]
y t = α 0 + α 1y t −1 + β 0 x t + β 1x t −1 + ε t [7]
La ecuación (6) incluye exclusivamente variables es-
tacionarias o combinaciones estacionarias con pro- ( )
u t → IID 0,σ u2 y α1 < 1
piedades estadísticas más adecuadas que una ecuación
en niveles. En tanto α representa el mecanismo de La solución de largo plazo de la ecuación (7), se de-
corrección que garantiza que los errores de equili- fine como:
brio incorporen información a las variaciones de la
yt =
α0 (β + β 1 ) x
+ 0
variable dependiente. (1 − α1 ) (1 − α1 ) t [8]
En la gráfica 1 se representan los puntos forma-
dos por el par de series (yt, xt), donde β’Xt represen- La ecuación (7) puede ser reespecificada como un
ta a un conjunto atractor (Johansen, 1995) que se ECM, que incluye los errores de la ecuación (8) de
mueve de forma compacta a través del tiempo y de- un periodo anterior. Restando en ambos lados de la
fine una relación estable. Los agentes económicos a ecuación (7) el término yt–1 se obtiene:
través de sus acciones generan que las variables eco-
nómicas se muevan alrededor de la relación estruc- ∆y t = α 0 + (α 1 − 1) y t −1 + β 0 x t + β1x t −1 + u t [9]
tural β’Xt y los coeficientes de a expresan los
mecanismos y las magnitudes de ajuste que realizan Sumando en la expresión (9) β 0 x t −1 − β 0 x t −1 = 0 y
los agentes, en la medida en que el comportamiento reordenando
de éstos fuerza a las diferentes variables a regresar a
su conjunto atractor ante la presencia de cualquier
∆y t = α 0 + β 0 ∆x t + (α 1 − 1) y t −1 + ( β 0 + β 1 ) x t −1 + u t [10]
situación de desequilibrio (Johansen, 1995).

34
siendo α1–1=–(1–α1) entonces la ecuación (10) pue-
de especificarse como un modelo de corrección de
errores:
α0 (β + β )
∆yt = β0∆xt − (1−α1)[yt −1 − − 0 1 xt −1 ] + ut [11]
(1−α1) (1−α1)
o bien como:
∆y t = β 0 ∆x t − γ ( y t −1 − k 0 − k1x t −1 ) + u t
Donde k1 =(β0+β1)/(1–α1) es el multiplicador de lar-
go plazo, es decir el parámetro que mide la respues-
ta de yt largo plazo de xt ante un cambio de. La
ecuación (12) contiene al mecanismo de corrección
de errores (yt–1–k0–k1xt–1), que captura las desviacio-
nes de yt con respecto a su valor de equilibrio en el
período anterior. Si, α1<1, el modelo dinámico tie-
ne una solución convergente y el parámetro γ debe
estar entre 0 y -1, indicando la magnitud del ajuste
de un período a otro. De esta forma,
reparemetrizando el ALD(1,1) se puede obtener un
modelo de corrección de errores permitiendo mo-
delar simultáneamente a la dinámica de corto y lar-
go plazo.
Otra forma de especificar la relación entre la ecua-
ción de cointegración y el ECM es por medio de ana-
lizar las propiedades de un modelo VAR. Esto es,
asumiendo un VAR(1) con dos variables Yt, Zt.
Yt = a11Yt −1 + a12 Z t −1 + ε yt
Z t = a21Yt −1 + a22 Z t −1 + ε zt
Donde εyt y εzt son perturbaciones conocidas como
ruido blanco que pueden estar correlacionadas en-
tre sí. Utilizando operadores de rezago (L) y resol-
viendo para los términos de error se puede
reespecificar el sistema (12) como:
⎡(1 − a11L − a12L ⎤ ⎡Yt ⎤ ⎡ε yt ⎤
⎢ − a L (1 − a L)⎥ ⎢Z ⎥ = ⎢ε ⎥
⎣ 21 22 ⎦ ⎣ ⎦ ⎣ zt ⎦
Depejando Yt y Zt
NÚM. 321 NOVIEMBRE DE 2003
Yt = [(1 − a22L)ε yt + a12Lε zt ] /[(1− a11L)(1 − a22L) − a12a21L2 ]
Zt = [a21Lε yt + (1 − a11L)ε zt ] /[(1− a11L)(1 − a22L) − a12a21L2 ]
[14]
[12] La solución del sistema (14) está dada por la ecua-
ción (1-a11L) (1-a22L)-a12a21L2. La cual se pude defi-
nir como una ecuación característica:
λ2 − (a11 + a 22 )λ + (a11a22 − a12a21 ) = 0 [15]
Si ambas raíces características (λ1 y λ2) están dentro
del círculo unitario entonces el sistema (12) tiene
una solución estable y el VAR debe ser estimado en
niveles. Si cualquiera de las raíces toma el valor de
uno ó se encuentra fuera del círculo unitario, las se-
ries pueden estar cointegradas CI(1,1). A fin de ga-
rantizar que las variables Yt y Zt estén cointegradas
CI(1,1), es necesario entonces que una raíz caracte-
rística sea igual a uno y la otra menor a uno en valor
absoluto. De esta manera, cada variable tendrá la mis-
ma tendencia estocástica y la primera diferencia será
estacionaria. Por ejemplo si λ1 = 1, Yt tendrá la forma:
Yt = [(1 − a22 L )ε yt + a12 Lε zt ] /[(1 − L)(1 − λ2 L )] [16]
que multiplicada por (1-L) se obtiene:
[12]
(1 − L)Yt = ∆Yt = [(1 − a 22 L)ε yt + a12 Lε zt ] /(1 − λ2 L ) [17]
La ecuación (17) describe un proceso estacionario si
el λ 2 < 1 . Este resultado permite especificar al mode-
lo VAR en un modelo de corrección de errores. Es
decir, del sistema (12) aplicando la primera diferencia:
⎡∆Yt ⎤ ⎡a11 − 1 a12 ⎤ ⎡Yt −1 ⎤ ⎡ε yt ⎤
⎢∆Z ⎥ = ⎢ a +
[13] ⎣ t ⎦ ⎣ 21 a22 − 1⎥⎦ ⎢⎣Zt −1 ⎥⎦ ⎢⎣ε zt ⎥⎦ [18]
35
asumiendo que a11 = [(1–a22L)–a12a21]/(1–a22) ello
implica que a11 – 1 = - a12 a21 / (1-a22) y el sistema
(18) puede ser representado como:
∆Yt = −[a12 a21 /(1 − a22 )]Yt −1 + a12 Z t −1 + ε yt
∆Z t = a21Yt −1 − (1 − a22 ) Z t −1 + ε zt
[19]
Así, cuando una de las raíces características toma el
valor de uno y la otra en valor absoluto es menor a la
unidad, el modelo VAR en (12) se puede expresar
como un modelo de corrección de errores. Más aun
en el caso donde a12 y a21 difieren de cero, se puede
obtener un vector de cointegración normalizado,
por ejemplo para el caso de Yt .
∆ Yt = α y (Yt −1 − β Z t −1 ) + ε yt
[20]
∆ Z t = α z (Yt −1 − β Z t −1 ) + ε zt
donde αy = -a12a21 / (1-a22); b = (1-a22) / a21; y αz = a21
La expresión (20) define que los cambios en Yt y Zt
responden a desviaciones de la relación de equili-
brio de un período anterior: Yt-1 - βZt-1. si Yt-1 = bZt-1.
De esta forma el teorema de representación permite
hacer compatibles distintas especificaciones, de tal
forma que un modelo de especificación dinámica
(ADL) contiene a un ECM, el cual a su vez se pude
derivar de un modelo VAR.
III. Comentarios generales
El trabajo de Granger y Engel ha sido fundamental
en el desarrollo de una metodología econométrica y
en el uso de la econometría moderna. Debido a que
en los primeros desarrollos de la econometría se asu-
mía estacionaridad en los datos, que empíricamente
es difícil de aceptar, generando sesgos en la estima-
36
ción e inferencia de los modelos empíricos, entonces
el concepto de regresión espuria y la teoría de
cointegración, dio como resultado un avance signi-
ficativo en el análisis de las propiedades estocásticas
de las series utilizadas en los modelos econométricos.
Así, se abrió un importante campo de investigación
en la identificación de estacionariedad y no
estacionariedad en las variables macroeconómicas,
que ha permitido una mejor comprensión de su evo-
lución a través del tiempo y de los efectos que gene-
ran los cambios en la política económica.
Un importante factor que ha contribuido a la
rápida adopción de la teoría de cointegración y el
ECM, es si duda la sencillez del procedimiento pro-
puesto por Engel y Granger basado en dos pasos. El
primero consiste es aplicar un método de estimación
que genere estimadores consistentes de los
parámetros de la ecuación de equilibrio, en segun-
do lugar estimar un ECM incluyendo los errores reza-
gados de la ecuación de equilibrio, que se identifica
como el ajuste dinámico de corto plazo. De esta for-
ma, el análisis empírico se sustenta en un balance
entre la hipótesis teórica a comprobar y la informa-
ción estadística disponible, con lo que se obtiene una
mejor aproximación al proceso generador de infor-
mación (Spanos, 1986).
El teorema de representación permitió hacer com-
patibles los modelos VAR y los modelos uniecuacionales
basados en una hipótesis teórica (Johansen, 1988).
Este marco ha permitido a la econometría realizar
importantes avances en el análisis de las condiciones
de exogeneidad y las pruebas no causalidad en el
sentido de Granger, en las variables del modelo em-
pírico. Ello representó una respuesta a la críticas de
arbitrariedad en la especificación y la poca
confiabilidad en el valor de los parámetros ante mo-
dificaciones de política económica (Lucas, 1976;
Sargent, 1981).
El concepto de exogenidad y las pruebas de no
causalidad, en el contexto de series cointegradas, re-
duce el número de variables a modelar y simplifica
el proceso de modelación econométrica (Galindo,
1997).
Bibliografía
Box G. E. P. & Jenkins, G. M., Time Series Analysis,
Forecasting and Control,
San Francisco: Holden Day, 1970.
Charemza, W. W. y D. F. Deadman, New Direction
in Econometric Practice, Edwrd Elgar Publishing,
pp. 370, 1992.
Cochrane, D. and Orcutt, G., “Application of Least
Squares Regression to Relationships Containing
Autocorrelated Error Terms”, Journal of American
Statistical Association, 44, 32-61, 1949.
Cuthbertson, K., S.G. Hall y M.P. Taylor, Applied
Econometric Techniques, Philip Allan, pp. 274,
1992.
Davinson, J.E.H., D.F Hendry, F. Srba y S Teo
(1978), “Econometric Modelling of the
Aggregate Time-series Relationship between
Consumer´s Expenditure and Income in the
United kingdom”, Economic Journal, No. 88, pp.
661-692. 1978.
Dickey, D.A. y W.A. Fuller (1981), “Likelihood ratio
statistics for autoregressive time series with a unit
root”, Econometrica, 49(4), pp. 1057-1077.
Durbin, J. (1960), “Estimation of Parameters in
Time-Series Regression Models”, Journal of The
Royal Statistical Society (series B), 22, pp. 139-153.
Durbin, J. and Watson, G. S. (1950) “Testing for
Serial Correlation in Least Squares Regression”,
Biometrica, 37, pp. 409-28
Engel, R.F., D. F. Hendry y Richard J. F. (1983).
“Exogeneity”. Econometrica, 51(2), pp. 227-304
y C.W. J. Granger (1987), “Coitegration and Error
Correction: Representation , Estimation and
Tesing”, Econometrica, 55(2), pp. 251-276.
y Yoo (1987), “Forecasting and testing in
cointegrated systems”, Journal of Econometric, 35,
pp. 143-159.
37
(1991), “Long-run Economic Relationships”,
Redings in coitegration, Oxford University Press,
NÚM. 321 NOVIEMBRE DE 2003
pp. 301.
y D. F. Hendry (1993), “Testing Super exogeneity
and Invariance in Regression Models”, Journal of
Econometrics, 56, pp. 119-139
(1994), “Testing Super exogeneity and Invariance
in Regression models”, Chapter 4 in N. R.
Ericsson and J. S. Irons (eds.) Testing Exogeneity,
Oxford University Press, Oxford, 93-119.
Ericsson, N. R. (1992) “Cointegration, Exogeneity,
and Policy Analysis: An Overview”, Journal of
Policy Modeling, 14(3), pp. 251-280.
Faust J. y C.H. Whiteman, “General to specific
procedures”, International Finance Discusión
Papers, No. 576, Mayo, Board of Governors of
the Federal Reserve System, pp. 1-44
Fiebig, D.C. (1994), “Cointegration and modeling
dynamic economic relationship”, Econometric
Reviews, 13(3), pp. 337-343
Fisher I. (1925), “Our unstable dollar and the so-
called business cycle”, Journal of American
Statistical Association, 20, 181-1991
Frisch, R. (1933) “Propagation Problems and Im-
pulse Problems in Dynamic Economics”, en
Economic Essays In Honour Of Gustav Cassel,
London: Allen & Unwin, pp. 171-205,
(1934), “Statistical Confluence Analysis By Means Of
Complete Regression Systems”, Universitets
Økonomiske Institutt.
Galindo L.M. (1995), “La metodología
econometríca moderna: una versión aplicada”,
Economía Aplicada, Maestría en Ciencias Eco-
nómicas UNAM, Cuadernos de Trabajo, No. 18,
agosto
(1997), “El concepto de exogeneidad en la
econometría moderna”, Investigación Económi-
ca, 57(2), pp. 97-111
Granger, C.W.J. (1969), “Investigating Causal Relations
by Econometric Models and Cross-spectral
Methods”, Econometrica, 37(3), pp. 424-438.
y Newbold, P. (1974). “Spurious regressions in
econometrics”. Journal of Econometrics, 2, pp.
111-120.
(1981), “Some properties of time series data and
their use in econometric model specification”.
Journal of Econometrics, 16, pp. 121-130.
y A. A. Weiss (1983), “Time series analysis of error-
correction models”, en S. Karlin et al. (eds.),
Studies in Econometrics, Time Series and
Multivariate Analysis, New York Academic Press,
pp. 225-278
(1983), “Cointegrated variables and error-
correcting models” discussion papers
University of California, San Diego., C. A.
(1986), “Developments in the study of cointegrated
economic variables”, Oxford Bulletin of
Economic and Statistics, 48, pp. 213-228
(1990), “Where are The Controversies in
Econometric Methodology”, Modelling Economic
Series, C.W.J. Granger (ed.), Calderon Press
Oxford, pp. 1-23.
y M. Deutsch (1992), “Comments on the Evaluation
of Policy Models”, Journal of policy modeling,
14(4), pp. 497-516
y G.E. Mizon (1993), “Cointegration, error
correction, and the econometric analysis of non-
stationary data”, Advanced Text in Econometrics,
Oxford University Press
Haavelmo, T. (1943) “The Statistical Implications
of a System of Simultaneous Equations”,
Econometrica, 11, 1-12.
(1944) “The Probability Approach In Econometrics”,
Supplement to Econometrica, 12.
Hendry, D.F. (1979), “Predictive Failure and
Econometric Modelling in Macroeconomics: The
Transaction Demand for Money”, en P. Omered
(ed.), Economic Modelling, London Heinemann.
(1980), Econometrics: Alchemy or science,
Economica, 47, pp. 387-406.
(1983), “Econometric Modelling: the
consumption function in retrospec”, Scottish
Journal of Political Economy, 30, pp. 193-220.
38
A.R. Pagan y D. Sargan (1984), “Dynamic
Specification”, Handbook of Econometrics, vol. II,
Z. Griliches y M.D. Intriligator (eds.), pp. 1023-
1100.
(1986), “Econometric Modelling with cointegrated
variables: an overview”, Oxford Bulletin of
Economic and Statistics, 48(3), pp.51-63
y N.R. Ericcson (1991), “An Econometric
Analysis of UK Money Demand in Monetary
Trends in the United States and the United
Kingdom by Milton Friedman and Anna
Schwartz”, American Economic Review, 81(1), pp.
8-38.
y G. Mizon (1990), “Procrustean econometrics: or
stretching and squeezing data”, en C.W.J.
Granger (ed.) Modelling Economic Series,
Clarendon Press Oxford, pp. 121-136
y G.J. Anderson (1993), “Econometrics: Alchemy
or science?”, en Econometrics: Alchemy or Science,
Blackwell Publishers, pp. 9-28
(1995), Dymamic Econometrics, Oxford
University Press.
Johansen, S. (1988). Statistical analysis of
cointegration vectors, Journal of Economic
Dynamic and Control, 12, pp. 231-254.
(1995), Likelihood-based inference in cointegrated
vector auto-regressive models, Advanced Texts in
Econometrics, Oxford University Press.
Koopmans, T. C. (1937) Linear Regression Analysis
of Economic Time Series, N e t h e r l a n d s
Economic Institute, Haarlem.
Lucas, R. E. (1976) “Econometric Policy Evaluation:
A Critique”, en K. Brunner y A. Meltzer (eds).
Stabilization of the Domestic and International
Economy, Amsterdam: North-Holland, pp. 7-29
Nelson, C.R. y Ploseer, C.I. (1982), “Trends and
ramdon walks in macroeconomic time series:
some evidence and implications”, Journal of
Monetary Economics, 10, pp. 139-162
Orcutt, G. (1948), “A Study of the Autoregressive
Nature of the Time Series used for
Tinbergen’s Model of the Economic System of
 the United States 1919-1932”, Journal of the
Royal Statistical Society (series B), 10, 1-45.
Phillips, A.W. (1954), “Stabilization policy in closed
economy”, Economic Journal, 64, pp. 290-3323
Sargan, J. D. (1961) “The Maximum Likelihood Estimation
of Economic Relationships with Autoregressive
Residuals”, Econometrica, 29, pp. 414-426.
Sargan, J.D. (1964), “Wages and prices in the
United Kingdom: a study in econometric
methodology”, en P.E. Hart et. al. (ed)
Econometric Analysis for National Economic
Planning, Butterworths, pp. 275-314
Sargent, T.J. y Sims, C.A. (1977) “Business Cycle
Modelling without Pretending to Have Too
Much a Priori Economic Theory”, en Sims (ed).
New Methods in Business Cycle Research:
Proceedings from a conference, Federal Reserve
Bank of Minneapolis, pp. 45-109.
Sargent, T.j. (1981), “Interpreting Economic Time Series”,
Journal of Political Economy, 89(21), pp. 213-248
39
Sims, C. A. (1980) Macroeconomics and Reality,
Econometrica, 48, pp. 1-48.
NÚM. 321 NOVIEMBRE DE 2003
Slutsky, E. (1927) “The Summation of Random
Causes as the Source of Cyclic Processes”, The
Problem of Economic Conditions, ed. by the
Conjuncture Institute, Moscow, 3:1. pp. 34-64
Spanos, A. (1986), Statistical Foundations of
Econometric Modelling, Cambridge University
Press.
Econometrica, 5, 105-146 (originally published in
Russian in 1927).
Wold, H. (1938), A Study in the Analysis of Stationary
Time Series, Uppsala: Almqvist & Wiksells.
(1969), “Econometrics as Pioneering in
Nonexperimental Model Building”,
Econometrica, 37, pp.369-381
Yule, G. U. (1927), “Why do we sometimes get
Nonsense Correlations between Time series?”,
Journal of the Royal Statistical Society, 89, pp. 2-
9, 30-41.