PUBLICACIONES DE 3er CURSO Licenciatura: L.A.D.E. Asignatura: ECONOMETRÍA II TEMA 8: REGRESIÓN CON VARIABLES NO ESTACIONARIAS Autores: Mª Isabel Ayuda, Ana Angulo y Jesús Mur Profesores: Mª Isabel Ayuda, Ana Angulo Departamento: ANÁLISIS ECONÓMICO Curso Académico 2006/07 Facultad de Ciencias económicas y Empresariales Universidad de Zaragoza 1 TEMA 8: REGRESIÓN CON VARIABLES NO ESTACIONARIAS 1.- Introducción 2.-Consecuencias de la no estacionariedad sobre la estimación MCO 3.- Alternativas de especificación y estimación 4.- Contrastes de raíces unitarias y cointegración 2 1.- Introducción El que una variable presente sistemáticamente rachas de valores por encima o por debajo de la media indica la presencia de una RAIZ UNITARIA en la estructura estocástica de la variable y decimos entonces que la serie no es estacionaria. Las características de una serie no estacionaria son: a.- No hay una media a largo plazo a la cual la serie vuelva. b.- Su varianza aumenta con el tiempo, tendiendo a infinito. c.- Un shock sobre el nivel de dicha serie produce un efecto permanente. d.- Los valores de la función de autocorrelación decrecen lentamente. 3 Aunque en economía muchas series no son estacionarias, muestran una relación estable a lo largo del tiempo, lo que sugiere una relación de equilibrio a largo plazo entre ellas. Si disponemos de dos variables (Xt, Yt) que son I(d) y existe una constante a tal que la diferencia ( Yt − aX t ) es I(d-b) con b>0, se dice que Xt e Yt están COINTEGRADAS de orden (d,b). El caso más habitual es cuando Xt, Yt son I(1), pero ( Yt − aX t ) es estacionaria para una determinada constante a , entonces Xt e Yt están cointegradas de orden (1,1) y se denota CI(1,1), al vector α’ =(1, - a ) se le conoce como VECTOR DE COINTEGRACIÓN. 4 2.- Consecuencias de la no estacionariedad en la estimación MCO. 2.1.- Regresión espúrea o regresión con variables no estacionarias y no cointegradas. • En regresiones con variables no estacionarias los estimadores son sesgados, no ELIO, no eficientes e inconsistentes. • Phillips (1987) demostró que en una regresión con variables no estacionarias el estadístico t, no se distribuye según una t-student y. El t-ratio tiende a infinito. 5 2.2.- Variables no estacionarias y cointegradas • Si las series no estacionarias están cointegradas los estimadores MCO son superconsistentes, es decir, convergen al verdadero valor del parámetro mucho más rápidamente que en el caso habitual. • Sin embargo la inferencia estadística habitual carece de validez. 6 3.- Alternativas de especificación y estimación 1.- SERIES ESTACIONARIAS: Se especifica un modelo en niveles y se estima por los procedimientos habituales. 2.- SERIES NO ESTACIONARIAS DE DISTINTO ORDEN: la ecuación de regresión carece de sentido. 3.- SERIES NO ESTACIONARIAS Y NO COINTEGRADAS: Si dos series son integradas del mismo orden pero los residuos no son estacionarios, es el caso de regresión espúrea. En tal caso se recomienda especificar un modelo en primeras diferencias y se estima por MCO. Δ y t = βΔ xt + u t 4.- SERIES NO ESTACIONARIAS Y COINTEGRADAS: Si las dos variables son no estacionarias, integradas del mismo orden y los residuos de la regresión entre ambas son estacionarios, decimos que están cointegradas. En dicho caso se especifica el modelo de Mecanismo de Corrección del Error, MCE, (Engle y Granger (1987)). Δyt = γΔxt − α ( yt −1 − β1 − β 2 xt −1 ) + ε t 7 Dentro del paréntesis está el vector de cointegración o relación de equilibrio a largo plazo entre las variables. • El parámetro γ mide el efecto a corto plazo que la variable xt tiene sobre yt. • El parámetro α es el parámetro de ajuste que explica como las variables en el corto plazo, reaccionan ante un cambio en la relación de equilibrio a largo plazo. • El parámetro β2 mide el efecto a largo que la variable xt tiene sobre yt 8 Métodos de estimación en el caso de variables no estacionarias pero cointegradas: - Mínimos cuadrados no lineales, es el más adecuado. - Procedimiento de Engle y Granger en dos etapas: • En la primera etapa se estima el vector de cointegración a partir de lo valores contemporáneos de las variables. Al estar cointegrados, el residuo es estacionario. • En la segunda etapa se toman los residuos y se especifica el modelo de Mecanismo de Corrección del error con los residuos retardados un periodo: Δyt = γΔxt − αuˆt −1 + ε t INCONVENIENTES del método en dos etapas: En la primera etapa la inferencia estadística habitual carece de validez si se estima por MCO. 9 4.-Contrastes de raíces unitarias y cointegración 4.1.- Contrastes de raíz unitaria El análisis lo solventaremos en dos etapas: (a)- Identificación de la estructura determinística de la serie. TRES CASOS DE INTERES M 1: yt = vt M 2 : yt = δ + vt M 3 : yt = δ + φ t + vt (b) Identificación de la estructura estocástica de la serie vt ~ I (d ) • CONTRASTES DE DICKEY-FULLER PGD ECUACION CONTRASTE M 1: yt = vt Δyt = φ1* yt −1 + ut vt = φ1vt −1 + ut M 2 : yt = δ + vt Δyt = δ * + φ1* yt −1 + ut vt = φ1vt −1 + ut M 3 : yt = δ + θ t + vt Δyt = δ * + θ * t + φ1* yt −1 + ut vt = φ1vt −1 + ut 10 En los tres modelos la hipótesis nula a contrastar es la * misma H 0 : φ1 = 0 NO ESTACIONARIEDAD • CONTRASTE DE DICKEY-FULLER AUMENTADO Si hay problemas de autocorrelación en las ecuaciones de contraste previas, se le añade una estructura dinámica. Por ejemplo: p Δyt = δ * + θ *t + φ1* yt −1 + ∑ Π i Δyt −i + ε t i =1 PROBLEMAS: • Son contrastes con una baja potencia. • Incertidumbre con respecto al modelo más adecuado. Los gráficos de la serie nos pueden ayudar. 11 4.2.- Contrastes de cointegración CONTRASTE DE ENGLE Y GRANGER Si tenemos Yt y Xt que son I(1) diremos que estas variables están cointegradas si : yt − βˆ1 − βˆ2 xt = uˆt → I (0) Para ello se estima la siguiente regresión: Δuˆt = φ uˆ * 1 t −1 p + ∑ Π i Δuˆt −i + ε t i =1 * y contrastaremos H0: φ1 = 0 como la hipótesis alternativa es estacionariedad, diremos que las series están cointegradas si se rechaza la hipótesis nula. Los valores críticos dependen del nivel de significación y del número de variables incluídas en la regresión de cointegración (contando con la endógena). 12
© Copyright 2024