Professional Documents
Culture Documents
MODELOS DE SERIES DE TIEMPO Y COINTEGRACION PIB DE MXICO Y PIB DE ARGENTINA (1900 2008)
VANIA GRISEL OTALORA HINOJOSA CARLA DIANA ZURITA SALAZAR ANDREA MARIANA ROJAS HOSSE
MDULO:
3.
4.
4.1
5.
4.2. 5.1.
Prueba de raz unitaria sobre estacionariedad. Prueba de Dickey- Fuller aumentada (DFA)8
ARGENTINA?. Prueba de raz unitaria sobre estacionariedad de Dickey- Fuller aumentada (DFA)...15 5.2. Cointegracin21 Prueba grfica. Serie Producto Interno Bruto Mxico y Argentina en primeras diferencias..21
6.
6.1. 7. 8.
6.2.
Prueba de Engle Granger o Prueba de Engle - Granger aumentada.22 Test de la traza de Johansen.23 Cointegracin y mecanismo de correccin de errores (VEC)..28 Estimacin del modelo VAR por mnimos cuadrados ordinarios (MCO).30
8.1.
Modelo de vectores autoregresivos (VAR)..30 Pruebas para detectar posibles problemas de autocorrelacin.31
White).34
8.5.
9. CONSIDERACIONES FINALES.....40
BIBLIOGRAFA...43 ANEXOS..44
MODELOS DE SERIES DE TIEMPO Y COINTEGRACION PIB DE MEXICO Y PIB DE ARGENTINA (1900 2008)
Introduccin En el presente trabajo, relacionamos el PIB de Mxico con el PIB de Argentina, principalmente debido a que encontramos una relacin comercial directa entre ambos pases. Segn el marco de la Aladi, la relacin comercial entre Mxico y Argentina est regida por los acuerdos de acuerdos permiten que los productos mexicanos puedan ingresar al mercado argentino en condiciones preferenciales. complementacin econmica n6 y n55 y por la preferencia arancelaria regional (ar.par n4) estos
En 2010 las exportaciones mexicanas hacia Argentina alcanzaron a los $ 1.767 millones, mientras que las 682 millones. Adems, en este mismo ao, dentro de los principales productos exportados por Mxico hacia Argentina se encuentran los vehculos y algunas de sus partes, los telfonos celulares y las preparaciones desodorantes fueron algunos de los principales productos importados por Mxico desde Argentina. capilares. Mientras que, los vehculos, el propano, distintos productos para la industria siderrgica y los Dentro de estudio se consideran datos de series de tiempo, una serie de tiempo o serie temporal es una coleccin de observaciones tomadas a lo largo del tiempo, en otras palabras, las series de tiempo son un numrica. Se usan para describir, analizar, explicar, y predecir algunos fenmenos a travs del tiempo. registro metdico a intervalos de tiempo fijos de las caractersticas de una variable, o su observacin Aunque la informacin de series de tiempo es utilizada en muchos estudios economtricos, stas presentan considera este tipo de datos, esto es, que dichas series son estacionarias. importaciones mexicanas desde Argentina fueron de $ 1.085 millones, con lo cual el supervit ascendi a $
algunos problemas especiales. Se tienen un supuesto implcito en el cual se basa el anlisis de regresin que En este trabajo se considera dos series de tiempo en particular, las referidas al PIB de Mxico y el PIB de
importante como lo es el significado de proceso estocstico estacionario, despus se sealan algunas implicaciones de la no estacionariedad, para continuar con el significado de regresin espuria al mismo
Argentina (en logaritmos) para periodos anuales entre 1900 y 2008. Primero, se revisa un concepto
tiempo que se efectuar un anlisis de regresin del PIB mexicano sobre el PIB argentino (Modelo log-log)
para encontrar la relacin entre las dos variables , se sigue con la aplicacin de algunas pruebas de
estacionariedad, y a continuacin se efectan las transformaciones necesarias para convertir las series en estacionarias, tambin se llevan a cabo pruebas de cointegracin, para terminar presentando un modelo autoregresivos (VAR), cada uno aplicados. de estos ltimos modelos tiene su respectiva razn de haber sido que considere el mecanismo de correccin de errores (VEC) y por otra parte un modelo de vectores
1. Proceso estocstico estacionario Cualquier serie de tiempo puede ser generada por un proceso estocstico o aleatorio; y un conjunto realizacin (particular) (por ejemplo una muestra) del proceso estocstico subyacente. De la misma estacionario.
concreto de informacin, como el que se tiene en el presente trabajo, puede ser considerado como una manera como se utiliza informacin muestral para inferir sobre una poblacin, en las series de tiempo se utiliza la realizacin para inferir sobre el proceso estocstico subyacente, por ejemplo el proceso estocstico En trminos generales, se dice que un proceso estocstico es estacionario si su media y su varianza son constantes en el tiempo y si el valor de la covarianza entre dos periodos depende solamente de la distancia o rezago entre dos periodos de tiempo y no del tiempo en el cual se ha calculado la covarianza. En la suficiente. Sea Yt una serie de tiempo estocstica con estas propiedades: Media: E(Y t ) = Varianza: var(Y t ) = E(Y t - )2 = 2 Covarianza: k = E[(Y t - ) (Y t+k - )] Donde k , es la covarianza (o autocovarianza) al rezago k, es la covarianza entre los valores de Y t y Y t+k , es varianza de Y(2); si k=1 , 1 es la covarianza entre dos valores adyacentes de Y. literatura de series de tiempo, un proceso estocstico como ste se conoce como un proceso estocstico dbilmente estacionario, en la mayora de las situaciones prcticas, tal tipo de estacionariedad ser
decir, entre dos valores Y que estn separados k periodos. Si k=0, se obtiene 0, que es simplemente la Suponiendo que el origen de Y se desplaza de Y t hasta Y t+m . Si se espera que Y t sea estacionaria, la media, estacionaria, su media, varianza y su covarianza (en los diferentes rezagos) permanecen iguales sin importar el momento en el cual se midan. 5 la varianza y la covarianza de Y t+m deben ser las mismas que las de Y t . Es decir, si una serie de tiempo es
Si una serie de tiempo no es estacionaria (como se la ha definido en los anteriores prrafos_ 2. Algunas implicaciones de la no estacionariedad estacionariedad dbil), se denomina una serie de tiempo no estacionaria (Gujarati, 1997).
Como ya se ha mencionado antes, se tienen un supuesto implcito en el cual se basa el anlisis de regresin que considera este tipo de datos, esto es, que dichas series son estacionarias, de no ser este el caso el procedimiento convencional de prueba de hiptesis, basados en las pruebas t, F, ji-cuadrado y otras pruebas similares, ser de dudosa aceptacin.
Como los modelos de regresin que consideran datos de series de tiempo se utilizan frecuentemente para prediccin, es importante saber si dicha prediccin es vlida cuando las series de tiempo sobre las cuales se basa son no estacionarias (Gujarati, 1997). 3. Regresin espuria
Cuando se efecta regresiones con datos de series de tiempo, se da la posibilidad de que los resultados obtenidos sean espurios o dudosos en el sentido de que superficialmente los resultados se ven bien pero al mexicano sobre el PIB argentino (Modelo log-log) para encontrar la relacin entre las dos variables.
Dependent Variable: LOGPIBMEXICO Method: Least Squares Date: 12/17/12 Time: 08:19 Sample: 1900 2008 Included observations: 109 C LOGPIBARGENTINA Variable Coefficient -3.483705 1.319035 0.934058 0.933442 0.336581 12.12172 -34.96328 1515.633 0.000000
ensayarlos repetidas veces, se vuelven sospechosos. Para ver si este problema est presente se considera
las variables que son parte de este estudio y se procede a efectuar un anlisis de regresin del PIB
el valor de la razn t del PIB argentino, adems de que el valor estimado de la pendiente es positivo y alto. 6
Los resultados de regresin sugieren una situacin muy favorable ya que el R2 es bastante alto, al igual que
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
-8.978916 38.93113
t-Statistic
0.0000 0.0000
Prob.
Sin embargo, se observa que el estadstico d de Durbin Watson es bajo. Autores como Granger y Newbold,
Sin embargo, se debe analizar las dos series de tiempo tomadas en este anlisis de regresin (modelo-log entonces los resultados de la regresin (modelo log-log) pueden no ser espurios y las pruebas t y F usuales son vlidas. 4. Pruebas de estacionariedad 4.1. Prueba grfica
han sugerido que se puede sospechar que la regresin estimada sufre de regresin espuria si es que R2 > d 1.
log) y ver si son o no estacionarias, si estas resultan ser no estacionarias pero si estn cointegradas,
Se cuenta con la informacin de series de tiempo correspondiente al Producto Interno Bruto de Mxico y Argentina para periodos anuales entre 1900 y 2008, con un total de 109 observaciones. Graficar la informacin es usualmente el primer paso en el anlisis de una serie de tiempo:
14
13
12
11
10
9 00 10 20 30 40 50 60 70 80 90 00
LOGPIBMEXICO
LOGPIBARGENTINA
En la grfica 1 se observa que las series de tiempo LOGPIBMEXICO y LOGPIBARGENTINA parecen tender primera vista, por lo menos, la media, varianza y las autocovarianzas no parecen ser invariantes en el
En el anexo 2 se muestra el test de Breusch-Godfrey para detectar un esquema de autocorrelacin de orden 1 AR (1), el cual indica que evidentemente el modelo presenta problemas de autocorrelacin.
1
hacia arriba (aunque la tendencia no es suave), se podra decir que las series son no estacionarias porque, a
tiempo.
4.2. Prueba de raz unitaria sobre estacionariedad. Prueba de Dickey- Fuller aumentada (DFA) A continuacin se procede a efectuar las pruebas de estacionariedad correspondientes, para observar si en el anlisis de regresin propuesto (modelo log log) se efectu una regresin de una serie de tiempo no estacionaria sobre otra igualmente no estacionaria.
de las opciones disponibles en Eviews. Si se optara por la prueba Dickey- Fuller simple esta supone que el trmino de error t , no est correlacionado, razn por la cual Dickey y Fuller desarrollaron tambin una aumentada (DFA), por lo que en este trabajo se opta directamente por esta ltima. prueba cuando dicho termino si esta correlacionado, la cual se conoce como la prueba Dickey-Fuller Las pruebas deben considerar un nmero suficiente de rezagos con base en algn criterio, en este caso se aquellos que resultan estadsticamente significativos (igual nmero de rezagos para cada caso en cada serie del pas en estudio, para que puedan ser comparables). a. Paseo aleatorio puro
Con este propsito se lleva a cabo la prueba de Dickey- Fuller aumentada (DFA) haciendo uso directamente
consider el criterio de informacin de Schwarz, se empieza con 12 rezagos en cada caso y se quedan solo
t 1
i =1
B iy
t i
+t
Mxico
t-Statistic
0.9999
Prob.*
Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGMEXICO) Method: Least Squares Date: 12/17/12 Time: 09:12 Sample (adjusted): 1903 2008 Included observations: 106 after adjustments LOGPIBMEXICO(-1) D(LOGPIBMEXICO(-1)) D(LOGPIBMEXICO(-2)) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.001878 0.088440 0.313849 0.126008 0.109037 0.038675 0.154061 195.8862 1.920609
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.
Prob.
Los valores crticos de al 1%, 5% y 10% son -2.59, -1.94 y -1.61, respectivamente. El valor calculado (= paseo aleatorio puro), que es otra forma de decir que la serie PIB en logaritmos de Mxico es estacionaria. Argentina
Null Hypothesis: LOGPIBARGENTINA has a unit root Exogenous: None Lag Length: 0 (Automatic based on SIC, MAXLAG=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t) de 3.76 para el LOGPIBMEXICO t-1 en trminos absolutos es mayor que cualquiera de los valores crticos, se rechaza la hiptesis nula. Por tanto, la serie LOGPIBMEXICO no presenta una raz unitaria (no
t-Statistic
1.0000
Prob.*
*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGARGENTINA) Method: Least Squares Date: 12/17/12 Time: 09:13 Sample (adjusted): 1901 2008 Included observations: 108 after adjustments
LOGPIBARGENTINA(-1)
t-Statistic 6.097641
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.
0.0000
Prob.
t) de 6.09 para el LOGPIBARGENTINA t-1 en trminos absolutos es mayor que cualquiera de los valores crticos, se rechaza la hiptesis nula. Por tanto, la serie LOGPIBARGENTINA no presenta una raz unitaria (no paseo aleatorio puro), que es otra forma de decir que la serie PIB en logaritmos de Argentina es estacionaria.
Los valores crticos de al 1%, 5% y 10% son -2.59, -1.94 y -1.61, respectivamente. El valor calculado (=
= a0 +
t 1
i =1
B iy
t i
+t
t-Statistic
0.9782
Prob.*
10
Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGMEXICO) Method: Least Squares Date: 12/17/12 Time: 09:12 Sample (adjusted): 1903 2008 Included observations: 106 after adjustments LOGPIBMEXICO(-1) D(LOGPIBMEXICO(-1)) D(LOGPIBMEXICO(-2)) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 0.000958 0.090404 0.315465 0.010645 0.126822 0.101140 0.038846 0.153918 195.9357 4.938229 0.003045
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Prob.
Los valores crticos de al 1%, 5% y 10% son -3.49, -2.89 y -2.58, respectivamente. El valor calculado crticos, no se rechaza la hiptesis nula. Por tanto, la serie LOGPIBMEXICO presenta una raz unitaria es no estacionaria. Argentina
Null Hypothesis: LOGPIBARGENTINA has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
(= t) de 0.32 para el LOGPIBMEXICO t-1 en trminos absolutos es menor que cualquiera de los valores (paseo aleatorio con drift o intercepto), que es otra forma de decir que la serie PIB en logaritmos de Mxico
t-Statistic
0.5393
Prob.*
Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGARGENTINA) Method: Least Squares Date: 12/17/12 Time: 09:13
11
Coefficient -0.008133 0.125458 0.020284 0.011041 0.053825 0.307100 163.3411 2.194592 0.141462
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
-1.481416 1.998235
t-Statistic
0.1415 0.0483
Prob.
Los valores crticos de al 1%, 5% y 10% son -3.49, -2.89 y -2.58, respectivamente. El valor calculado crticos, no se rechaza la hiptesis nula. Por tanto, la serie LOGPIBARGENTINA presenta una raz de Argentina es no estacionaria. (= t) de -1.48 para el LOGPIBARGENTINA t-1 en trminos absolutos es menor que cualquiera de los valores unitaria (paseo aleatorio con drift o intercepto), que es otra forma de decir que la serie PIB en logaritmos c. Paseo aleatorio con drift y tendencia determinstica
y = a
t
t 1
+ a2 t +
i =1
B iy
t i
+t
-1.591939
t-Statistic
0.7899
Prob.*
12
Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGMEXICO) Method: Least Squares Date: 12/17/12 Time: 09:13 Sample (adjusted): 1903 2008 Included observations: 106 after adjustments LOGPIBMEXICO(-1) -0.022611 D(LOGPIBMEXICO(-1)) 0.080024 D(LOGPIBMEXICO(-2)) 0.311691 C 0.228025 @TREND(1900) 0.001011 0.151044 0.117422 0.038492 0.149648 197.4267 4.492428 0.002211 Coefficient
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
t-Statistic
Prob.
Los valores crticos de al 1%, 5% y 10% son -4.05, -3.45 y -3.15, respectivamente. El valor calculado (= t) de -1.59 para el LOGPIBMEXICO t-1 en trminos absolutos es menor que cualquiera de los valores crticos, no se rechaza la hiptesis nula. Por tanto, la serie LOGPIBMEXICO presenta una raz unitaria (paseo aleatorio con drift y tendencia determinstica), que es otra forma de decir que la serie PIB en
Null Hypothesis: LOGPIBARGENTINA has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
0.1239
Prob.*
13
Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGARGENTINA) Method: Least Squares Date: 12/17/12 Time: 09:14 Sample (adjusted): 1901 2008 Included observations: 108 after adjustments
LOGPIBARGENTINA(-1) C @TREND(1900)
Coefficient -0.120272 1.216866 0.003425 0.091542 0.074238 0.052077 0.284764 167.4189 5.290255 0.006471
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
t-Statistic
Prob.
Los valores crticos de al 1%, 5% y 10% son -4.05, -3.45 y -3.15, respectivamente. El valor calculado (= t) de -3.05 para el LOGPIBARGENTINA t-1 en trminos absolutos es menor que cualquiera de los valores en logaritmos de Argentina es no estacionaria. (LOGPIBMEXICO y crticos, no se rechaza la hiptesis nula. Por tanto, la serie LOGPIBARGENTINA presenta una raz unitaria (paseo aleatorio con drift y tendencia determinstica), que es otra forma de decir que la serie PIB
En resumen, se tiene evidencia estadstica de que el PIB (en logaritmos) de Mxico y tambin el de Argentina autocorrelacin poseen cada cual una raz unitaria, es decir, son no estacionarias. LOGPIBARGENTINA) aun considerando posibles problemas
de
Por consiguiente, cuando se efectu en un principio la regresin del LOGPIBMEXICO sobre el LOGPIBARGENTINA (Modelo log-log), pudo haberse efectuado una regresin de una serie de tiempo no F no son vlidos. En este sentido, la regresin planteada (Modelo log-log) es espuria. estacionaria sobre otra igualmente no estacionaria. En ese caso, los procedimientos estndar de pruebas t y
14
5. Transformacin de la serie de tiempo no estacionaria Si bien hasta este punto se tiene evidencia estadstica de que la serie de tiempo en estudio es no estacionaria, ahora se plantea la transformacin de la serie no estacionaria para convertirla en estacionaria. estacionario con tendencia, aunque en este trabajo se opta por una transformacin en diferencias. La transformacin depende de si la serie de tiempo es un proceso estacionario en diferencia o un proceso 5.1. Diferencing Son estacionaria las series en primera diferencia de LOGPIBMEXICO y LOGPIB ARGENTINA?. Prueba de raz unitaria sobre estacionariedad de Dickey- Fuller aumentada (DFA) a. Paseo aleatorio puro H 0 : = 0 Existe una raz unitaria.
Mxico
Null Hypothesis: D(LOGPIBMEXICO) has a unit root Exogenous: None Lag Length: 2 (Automatic - based on SIC, maxlag=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
0.0169
Prob.*
Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGPIBMEXICO,2) Method: Least Squares Date: 12/17/12 Time: 14:12 Sample (adjusted): 1904 2008 Included observations: 105 after adjustments D(LOGPIBMEXICO(-1)) D(LOGPIBMEXICO(1),2) D(LOGPIBMEXICO(2),2) Variable Coefficient -0.203439 -0.578288 -0.166650
t-Statistic
Prob.
0.429226 Mean dependent var 0.418034 S.D. dependent var 0.039873 Akaike info criterion
15
presenta una raz unitaria, que es otra forma de decir que es estacionaria. Argentina
Null Hypothesis: D(LOGPIBARGENTINA) has a unit root Exogenous: None Lag Length: 0 (Automatic - based on SIC, maxlag=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t) de -2.390992 para el D(LOGPIBMEXICO t-1) en trminos absolutos es mayor que los valores crticos sl
Los valores crticos de al 1%, 5% y 10% son -2.59, -1.94 y -1.61, respectivamente. El valor calculado (=
-3.502250 -3.547350
t-Statistic
0.0000
Prob.*
*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGPIBARGENTINA,2) Method: Least Squares Date: 12/17/12 Time: 14:10 Sample (adjusted): 1902 2008 Included observations: 107 after adjustments D(LOGPIBARGENTINA(1)) Variable Coefficient -0.639483 0.321146 0.321146 0.058877 0.367443 151.7334 2.078028
t-Statistic -7.081396
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.
16
t) de -7.081396 para el D(LOGPIBARGENTINA t-1) en trminos absolutos es mayor que cualquiera de los diferencia no presenta una raz unitaria, que es otra forma de decir que es estacionaria. H 0 : = 0 Existe una raz unitaria.
Los valores crticos de al 1%, 5% y 10% son -2.59, -1.94 y -1.61, respectivamente. El valor calculado (=
valores crticos, se rechaza la hiptesis nula. Por tanto, la serie LOGPIBARGENTINA en primera
Mxico
Null Hypothesis: D(LOGPIBMEXICO) has a unit root Exogenous: Constant Lag Length: 1 (Automatic - based on SIC, maxlag=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
0.0001
Prob.*
Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGPIBMEXICO,2) Method: Least Squares Date: 12/17/12 Time: 14:13 Sample (adjusted): 1903 2008 Included observations: 106 after adjustments D(LOGPIBMEXICO(-1)) D(LOGPIBMEXICO(1),2) C Variable Coefficient -0.585557 -0.319573 0.021438
t-Statistic
Prob.
0.038676 Akaike info criterion 0.154070 Schwarz criterion 195.8834 Hannan-Quinn criter. 1.930043
17
Los valores crticos de al 1%, 5% y 10% son -3.49, -2.89 y -2.58, respectivamente. El valor calculado valores (= t) de -4.875712 para el D(LOGPIBMEXICO t-1) en trminos absolutos es mayor que cualquiera de los diferencia no presenta una raz unitaria, que es otra forma de decir que es estacionaria. Argentina
Null Hypothesis: D(LOGPIBARGENTINA) has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
0.0000
Prob.*
Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGPIBARGENTINA,2) Method: Least Squares Date: 12/17/12 Time: 14:11 Sample (adjusted): 1902 2008 Included observations: 107 after adjustments D(LOGPIBARGENTINA(1)) C Variable Coefficient -0.868568 0.028040 0.435357 0.429980 0.053951 0.305624 161.5888 80.95836 0.000000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Los valores crticos de al 1%, 5% y 10% son -3.49, -2.89 y -2.58, respectivamente. El valor calculado los valores crticos, se rechaza la hiptesis nula. Por tanto, la serie LOGPIBARGENTINA en primeras diferencias no presenta una raz unitaria, que es otra forma de decir que es estacionaria. (= t) de -8.997687 para el D(LOGPIBARGENTINA t-1) en trminos absolutos es mayor que cualquiera de
18
c. Paseo aleatorio con drift y tendencia determinstica H 0 : = 0 Existe una raz unitaria.
Mxico
Null Hypothesis: D(LOGPIBMEXICO) has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic - based on SIC, maxlag=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
0.0006
Prob.*
Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGPIBMEXICO,2) Method: Least Squares Date: 12/17/12 Time: 14:14 Sample (adjusted): 1903 2008 Included observations: 106 after adjustments D(LOGPIBMEXICO(-1)) D(LOGPIBMEXICO(1),2) C @TREND(1900) Variable Coefficient -0.604300
t-Statistic
Prob.
0.038781 Akaike info criterion 0.153403 Schwarz criterion 196.1132 Hannan-Quinn criter. 1.918028
Los valores crticos de al 1%, 5% y 10% son -4.05, -3.45 y -3.15, respectivamente. El valor calculado (= t) de -4.886401 para el D(LOGPIBMEXICO t-1) en trminos absolutos es mayor que cualquiera de los no presenta una raz unitaria, que es otra forma de decir que es estacionaria. valores crticos, se rechaza la hiptesis nula. Por tanto, la serie LOGPIBMEXICO en primera diferencia
19
Argentina
Null Hypothesis: D(LOGPIBARGENTINA) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
0.0000
Prob.*
Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGPIBARGENTINA,2) Method: Least Squares Date: 12/17/12 Time: 14:11 Sample (adjusted): 1902 2008 Included observations: 107 after adjustments D(LOGPIBARGENTINA(1)) C @TREND(1900) Variable Coefficient -0.877641 0.035807 -0.000136 0.438792 0.427999 0.054045 0.303765 161.9152 40.65719
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Los valores crticos de al 1%, 5% y 10% son -4.05, -3.45 y -3.15, respectivamente. El valor calculado (= t) de -9.013786 para el D(LOGPIBARGENTINA t-1) en trminos absolutos es mayor que cualquiera de los valores crticos, se rechaza la hiptesis nula. Por tanto, la serie LOGPIBARGENTINA en primeras diferencias no presenta una raz unitaria, que es otra forma de decir que es estacionaria.
20
5.2. Prueba grfica. Serie Producto Interno Bruto Mxico y Argentina en primeras diferencias Grfica 2. MXICO Y ARGENTINA: Producto Interno Bruto en primeras diferencias (1900 2008)
.20 .15 .10 .05 .00 -.05 -.10 -.15 -.20 00 10 20 30 40 50 60 70 80 90 00
PRIMDIF_LOGPIBMEXICO PRIMEDIF_LOGPIBARGENTINA
Las series en primera diferencia del producto Interno Bruto presentadas en la figura 2 no exhiben tendencia alguna, por lo que se puede decir que la primera diferencia de estas series ya es estacionaria. Las dos series de tiempo que forman parte de este estudio son procesos estocsticos no estacionarios o caminatas aleatorias, adems se observa que cada una es I (1) o lo que es lo mismo integrada de orden uno. 6. Cointegracin
Revisando la prueba grfica sobre estacionariedad (grfica 1). Se puede observar que ambas series
presentan tendencias crecientes en una forma estocstica, y de cierta manera parecieran estar juntas en la (Modelo log-log) pueden no ser espurios y las pruebas t y F usuales son vlidas 2.
mencionado antes, estas podran estar cointegradas, de ser este el caso, los resultados de regresin
tendencia, quiz ambas series de tiempo podran estar sincronizadas, en otras palabras como ya se haba
Una prueba de cointegracin puede ser considerada como una prueba previa para evitar situaciones de regresin espuria (C.W.J. Granger, Developments in the Study of Co-Integrated Economic Variables, Oxford Bulletin of Economics and Statistics, vol. 48, 1986, p.226)
21
Las pruebas Dickey-Fuller aumentadas (DFA) muestran que las dos series de tiempo que forman parte de estas dos variables podra ser estacionaria, si esta combinacin lineal es I (0) o estacionaria, entonces se dice que las variables estn cointegradas. Se han propuesto varios mtodos para probar cointegracin, a continuacin se aplican los siguientes: cada una es I (1) o lo que es lo mismo integrada de orden uno). A pesar de esto, la combinacin lineal de
este estudio son procesos estocsticos no estacionarios o caminatas aleatorias (adems se observa que
= a1 et 1+ ai +1
i =1
t i
+ t
H 0 : a 1 = 0 Existe una raz unitaria (variables no cointegradas). H 1 : a 1 < 0 No existe una raz unitaria (variables cointegradas).
22
Date: 12/17/12 Time: 10:42 Series: LOGPIBMEXICO LOGPIBARGENTINA Sample: 1900 2008 Included observations: 109 Null hypothesis: Series are not cointegrated Cointegrating equation deterministics: C Automatic lags specification based on Schwarz criterion (maxlag=12)
Dependent LOGPIBMEXICO LOGPIBARGENTINA
Rho - 1 Rho S.E. Residual variance Long-run residual variance Number of lags Number of observations Number of stochastic trends**
LOGMEXICO
LOGARGENTINA
Dado que los valores de probabilidad (p-value) son mayores a 0.01, 0.05 o incluso 0.10 (es decir, a estacionaria y, por consiguiente, las series de tiempo Producto Interno Bruto de Mxico y Producto Interno Bruto de Argentina no estn cointegradas. 6.2. Test de la traza de Johansen Para complementar la evidencia anterior, llevamos a cabo el test de la traza de Johansen: hiptesis nula. Por tanto, la serie u t estimada tiene una raz unitaria, en otras palabras u t estimada no es
cualquier nivel de significancia estadstica que se trabaje ya sea al 1%, 5% o 10%), no se rechaza la
Este test ofrece distintas combinaciones en cada ecuacin por lo que se decide analizar por lo menos dos de ellas. a) Intercept (no trend) in CE and test VAR Para realizar la prueba de cuantas races caractersticas no significativamente distintas de uno existe se calculan los siguientes estadsticos.
trace
(r ) = T
i = r +1
ln(1 )
i
H0: El nmero de vectores de cointegracin es menor o igual a r. H1: Hiptesis alternativa general.
23
Date: 12/17/12 Time: 13:37 Sample (adjusted): 1905 2008 Included observations: 104 after adjustments Trend assumption: Linear deterministic trend Series: LOGPIBMEXICO LOGPIBARGENTINA Lags interval (in first differences): 1 to 4 Unrestricted Cointegration Rank Test (Trace) Hypothesized No. of CE(s) None At most 1 Eigenvalue 0.097714 0.001338 Trace Statistic 0.05 Critical Value 15.49471 3.841466 Prob.**
10.83292 0.139203
0.2220 0.7091
24
Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized No. of CE(s) None At most 1 Eigenvalue 0.097714 0.001338 Max-Eigen Statistic 10.69371 0.139203
Trace test indicates no cointegration at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Prob.**
Max-eigenvalue test indicates no cointegration at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values LOGPIBMEXICO -3.043223 1.597104 D(LOGPIBMEXI CO) D(LOGPIBARGE NTINA) LOGPIBARGENT INA 4.869397 -1.145561
0.1702 0.7091
Unrestricted Adjustment Coefficients (alpha): -0.009338 0.008068 -0.000986 -0.001564 Log likelihood 361.3660
1 Cointegrating Equation(s):
Normalized cointegrating coefficients (standard error in parentheses) LOGPIBARGENT LOGPIBMEXICO INA 1.000000 -1.600079 (0.12858) Adjustment coefficients (standard error in parentheses) D(LOGPIBMEXI CO) -0.024554 (0.01144) D(LOGPIBARGE NTINA) 0.028417 (0.01611)
mismo no hay vectores de cointegracin (las series son no estacionarias). Se respalda el resultado obtenido 25
El test indica que no se rechaza la Ho, las series de tiempo consideradas no estn cointegradas o lo que es lo
(VAR), cabe mencionar que un requisito de esta metodologa es que las variables sean estacionarias por lo sugieren que las series en primeras diferencias son estacionarias). b) Intercept (no trend) in CE no intercept VAR
Con base en estos resultados en el apartado 8 se procede a utilizar un modelo de vectores autoregresivos
que se trabaja con las variables en primeras diferencias (los resultados de ADF en apartados anteriores
Date: 12/17/12 Time: 13:57 Sample (adjusted): 1905 2008 Included observations: 104 after adjustments Trend assumption: No deterministic trend (restricted constant) Series: LOGPIBMEXICO LOGPIBARGENTINA Lags interval (in first differences): 1 to 4 Unrestricted Cointegration Rank Test (Trace) Hypothesized No. of CE(s) None * At most 1 * Eigenvalue 0.125852 0.090228 Trace Statistic 0.05 Critical Value 20.26184 9.164546 Prob.**
23.82299 9.834378
0.0155 0.0373
26
Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized No. of CE(s) None At most 1 * Eigenvalue 0.125852 0.090228 Max-Eigen Statistic 13.98861 9.834378
Trace test indicates 2 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values 0.05 Critical Value 15.89210 9.164546 Prob.**
Max-eigenvalue test indicates no cointegration at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values LOGPIBMEXICO -1.506752 -2.617548 D(LOGPIBMEXI CO) D(LOGPIBARGE NTINA) LOGPIBARGENT INA 2.294851 4.273659 C -6.998815 -19.07111
0.0972 0.0373
Unrestricted Adjustment Coefficients (alpha): 0.013570 0.008232 -0.014640 Log likelihood C 4.644967 (2.54777) 356.5184 0.002170
1 Cointegrating Equation(s):
Normalized cointegrating coefficients (standard error in parentheses) LOGPIBMEXICO LOGPIBARGENTINA 1.000000 -1.523044 (0.22404)
D(LOGPIBARGENTI NA)
Adjustment coefficients (standard error in parentheses) -0.020447 D(LOGPIBMEXICO) (0.00564) -0.012403 (0.00825)
Por lo tanto, el modelo de correccin de errores vendra dado por el mostrado a continuacin en el acpite 27
7. Cointegracin y mecanismo de correccin de errores (VEC) Se acaba de demostrar mediante la ltima prueba que las series de tiempo LOGPIBMEXICO Y LOGPIBARGENTINA estn cointegradas 3, es decir, hay una relacin de equilibrio de largo plazo entre las por primera vez por Sargan y popularizado ms tarde por Engle y Granger, corrige el desequilibrio. dos, aunque en el corto plazo, puede haber desequilibrio. El mecanismo de correccin de errores utilizado En los modelos VAR, as como en la modelizacin univariante de series temporales, asumimos que las series temporales utilizadas son estacionarias. Cuando efectuamos regresiones entre variables no modelizaciones entre variables no estacionarias, pero que cumplen ciertas condiciones denominadas estacionarias podemos caer en el problema de las llamadas correlaciones espurias. Ahora bien, ciertas de cointegracin, no slo no son espurias, sino que aportan gran informacin sobre las relaciones de equilibrio a largo plazo de las variables econmicas. Un modelo de vector de correccin del error (VEC) es incluidas en su especificacin, por lo que se disea para ser utilizado con series que no son estacionarias un modelo VAR restringido (habitualmente con slo dos variables) que tiene restricciones de cointegracin pero de las que se sabe que son cointegradas. El principio detrs de estos modelos es que existe una relacin de equilibrio a largo plazo entre variables econmicas y que, sin embargo, en el corto plazo puede perodo (el error, interpretado como un alejamiento de la senda de equilibrio a largo plazo) es corregido gradualmente a travs de ajustes parciales en el corto plazo.
Vector Error Correction Estimates Date: 12/17/12 Time: 14:51 Sample (adjusted): 1903 2008 Included observations: 106 after adjustments Standard errors in ( ) & t-statistics in [ ] LOGPIBMEXICO(-1) Cointegrating Eq: CointEq1 1.000000
haber desequilibrios. Con los modelos de correccin del error, una proporcin del desequilibrio de un
-1.635691 (0.12981) [-12.6010] D(LOGPIBMEX D(LOGPIBARG ICO) ENTINA) -0.014477 (0.00977) 0.034924 (0.01338) 7.119377
3 Una de las claves de los modelos VEC es determinar si las series que modelizamos son cointegradas y, si es as, determinar la ecuacin de integracin.
28
D(LOGPIBMEXICO(-1)) D(LOGPIBMEXICO(-2)) D(LOGPIBARGENTINA(1)) D(LOGPIBARGENTINA(2)) C R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent
[-1.48131] 0.058703 (0.09522) [ 0.61652] 0.281500 (0.09419) [ 2.98857] 0.011540 (0.07225) [ 0.15971] 0.034966 (0.07239) [ 0.48301] 0.022601 (0.00617) [ 3.66297] 0.145988 0.103287 0.150539 0.038799 3.418869 197.1119 -3.605885 -3.455125 0.036284 0.040973
[ 2.61081]
0.138416 (0.13033) [ 1.06204] 0.050457 (0.12893) [ 0.39136] 0.116922 (0.09890) [ 1.18223] -0.038209 (0.09909) [-0.38561] 0.023566 (0.00845) [ 2.79028] 0.084784 0.039023 0.282037 0.053107 1.852769 163.8378 -2.978071 -2.827311 0.032807 0.054175 3.95E-06 3.51E-06 364.7919 -6.618716 -6.266941
Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion
El modelo de correccin de errores describe la dinmica de corto plazo de cada variable del sistema: otro si lo es (lo cual indicara que la significancia estadstica de este hallazgo no est clara, de ser todos estadsticamente significativos significara que existe una relacin de largo plazo). En todos los casos, la velocidad del ajuste), indicando que se requiere mucho tiempo para regresar al equilibrio en caso de que velocidad de ajuste no es muy alta (mientras ms grandes sean en valor absoluto, ms rpida ser la
LOGPINMEXICO y LOGPIBARGENTINA. Los coeficientes de velocidad de ajuste, esto es, los del vector de cointegracin, uno es negativo y el otro es positivo, adems de no es estadsticamente significativo pero el
presente y de largo plazo (equilibrio) se elimina o corrige cada ao. En el caso del LOGPIBARGENTINA, la discrepancia entre el LOGPIBMEXICO presente y de largo plazo conducira a un aumento en el sobre el LOGPIBMEXICO y viceversa. LOGPIBARGENTINA presente. En tanto, incrementos en el LOGPIBARGENTINA tienen un impacto positivo 8. Modelo de vectores autoregresivos (VAR) En los modelos VAR, as como en la modelizacin univariante de series temporales, asumimos que las variables de series de tiempo sean estacionarias por lo que se trabajar ene s te caso en primeras diferencias. un:
ecuacin del LOGPIBMEXICO indica que alrededor de 0.014477de la discrepancia entre el LOGPIBMEXICO
series temporales utilizadas son estacionarias, es decir, esta metodologa tiene como requisito que las
Se intenta modelar de tal manera que los residuos del modelo sean ruido blanco, es decir, estacionarios con
( ) var( ) = cov( , ) = 0
E it = 0
it 2 it it j
8.1. Estimacin del modelo VAR por mnimos cuadrados ordinarios (MCO)
30
Vector Autoregression Estimates Date: 12/17/12 Time: 16:53 Sample (adjusted): 1903 2008 Included observations: 106 after adjustments Standard errors in ( ) & t-statistics in [ ] D(LOGPIBMEXICO(-1)) ee t D(LOGPIBMEXICO(-2)) ee t 0.224994 (0.08878) [ 2.53415] 0.439945 (0.08888) [ 4.95011] 0.056354 (0.07449) [ 0.75654] 0.081999 (0.07443) [ 1.10165] 0.026330 -0.002307 0.171632 0.041020 0.919434 190.1622 -3.512494 -3.411987 0.036284 0.040973
D(LOGPIBMEX D(LOGPIBARG ICO) ENTINA) 0.231521 (0.12374) [ 1.87103] 0.151287 (0.12387) [ 1.22136] 0.205177 (0.10382) [ 1.97635] 0.054682 (0.10374) [ 0.52711] -0.081827 -0.113646 0.333381 0.057170 -2.571688 154.9737 -2.848561 -2.748053 0.032807 0.054175 5.02E-06 4.65E-06 349.9411 -6.451719 -6.250704
D(LOGPIBARGENTINA(1)) ee t D(LOGPIBARGENTINA(2)) ee t
R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent
Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion
8.2. Pruebas para detectar posibles problemas de autocorrelacin a) Correlograma (tabulado por variable)
VAR Residual Cross-Correlations Ordered by: variables Date: 12/17/12 Time: 17:10
31
Sample: 1900 2008 Included observations: 106 D(LOGPIBMEXICO) D(LOGPIBMEXICO(-1)) D(LOGPIBMEXICO(-2)) D(LOGPIBMEXICO(-3)) D(LOGPIBMEXICO(-4)) D(LOGPIBMEXICO(-5)) D(LOGPIBMEXICO(-6)) D(LOGPIBMEXICO(-7)) D(LOGPIBMEXICO(-8)) D(LOGPIBMEXICO(-9))
D(LOGPIBMEXICO(-10)) D(LOGPIBMEXICO(-11)) D(LOGPIBMEXICO(-12))
D(LOGPIBMEXICO D(LOGPIBARGENT ) INA) 1.000000 -0.070303 -0.146605 0.044814 -0.199515 0.015751 0.007343 -0.067718 0.179541 0.020546 0.024072 -0.038946 -0.036598 0.265932 -0.034182 -0.092113 -0.112362 -0.099093 -0.056326 -0.023400 0.114147 0.013877 -0.258094 0.098019 0.027434 -0.178629 0.265932 -0.034169 -0.131622 0.015292 -0.049318 -0.081270 0.104885 0.133830 -0.053466 -0.111518 -0.041491 -0.074600 -0.216615 1.000000 -0.026023 -0.107752 0.065771 -0.025415 -0.051387 -0.037578 0.169543 -0.135694 -0.076870 0.086686 -0.036361 -0.104641
D(LOGPIBARGENTINA) D(LOGPIBARGENTINA(-1)) D(LOGPIBARGENTINA(-2)) D(LOGPIBARGENTINA(-3)) D(LOGPIBARGENTINA(-4)) D(LOGPIBARGENTINA(-5)) D(LOGPIBARGENTINA(-6)) D(LOGPIBARGENTINA(-7)) D(LOGPIBARGENTINA(-8)) D(LOGPIBARGENTINA(-9)) D(LOGPIBARGENTINA(-10)) D(LOGPIBARGENTINA(-11)) D(LOGPIBARGENTINA(-12))
Prob.
NA* NA* 7
df
*The test is valid only for lags larger than the VAR lag order. df is degrees of freedom for (approximate) chi-square distribution
32
H 0 : No autocorrelacin. Dado que p-value es igual a 0.3460 (mayor a 0.05), no se rechaza la hiptesis nula. Por tanto, no existe H 1 : Autocorrelacin.
c) Prueba de Breush y Godfrey (LM test) para detectar autocorrelacin (con 3 rezago) H 0 : No autocorrelacin.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 12/17/12 Time: 17:22 Sample: 1900 2008 Included observations: 106 Lags 1 2 3 6.514659 8.976869 10.00430 LM-Stat 0.1639 0.0617 0.0404 Prob
H 1 : Autocorrelacin.
Para un primer y segundo rezago los valores p_value son 0.1639 y 0.0617, respectivamente (mayores 2 AR (2) a un 5 % de significancia estadstica.
a0.05), no se rechaza la hiptesis nula. Por tanto no existe autocorrelacin ni de orden 1 AR (1) ni de orden Considerando el tercer rezago, el p-value es igual a 0.0404 (menor a 0.05), se rechaza la hiptesis nula. Por Parece ser que no se cumple con el supuesto de no autocorrelacin.
VAR Residual Normality Tests Orthogonalization: Cholesky (Lutkepohl) Null Hypothesis: residuals are multivariate normal Date: 12/17/12 Time: 17:15
33
Sample: 1900 2008 Included observations: 106 Component Joint Component Joint Component Joint (en conjunto) 1 2 1 2 1 2 -0.194734 -0.113952 Kurtosis Skewness 0.669942 0.229402 0.899344 17.94174 0.175314 18.11705 df 2 2 4 Chi-sq Chi-sq df 1 1 2 df 1 1 2 0.0001 0.8168 Prob. 0.4131 0.6320 0.6378 0.0000 0.6754 0.0001 Prob. Prob.
0.0008
H 1 : No normalidad. Dado que p-value es igual a 0.0008 (menor a 0.05), se rechaza la hiptesis nula. Por tanto, los residuos no se aproximan a una distribucin normal a un 5 % de significancia estadstica. No se cumple con el supuesto de normalidad. White)
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 12/17/12 Time: 17:16 Sample: 1900 2008 Included observations: 106 Joint test:
H 0 : Normalidad.
34
Chi-sq 70.23599
df
Prob. 0.0000
F(8,97)
Prob.
Chi-sq(8)
Prob.
Dado que p-value es igual a 0.0000 (menor a 0.05), se rechaza la hiptesis nula. Por tanto, existe
H 1 : Heteroscedasticidad.
H 0 : Homoscedasticidad.
En general, podemos decir que el modelo cumple con el supuesto de no autocorrelacin (aunque una heteroscedasticidad y normalidad.
prueba arroje un resultado favorable y al otra no), sin embargo el modelo presenta problemas de Se podran tratar de corregir estos problemas aumentando el nmero de rezagos presentes en el modelo.
35
36
Los criteriso de seleccin del nmero de rezagos ptimo en general optan por el segundo rezago (el modelo especficamente el criterio de informacin de Schwarz indica que se debe llegar solo hasta el primer rezago.
VAR Granger Causality/Block Exogeneity Wald Tests Date: 12/17/12 Time: 18:18 Sample: 1900 2008 Included observations: 96 Dependent variable: D(LOGPIBMEXICO) D(LOGPIBAR GENTINA) All Excluded Chi-sq df 10.59184 10.59184 Chi-sq 12 12 df Prob. 0.5642 0.5642
VAR estimado analizado tambin considera dos rezagos desde el principio), aunque uno de estos criteriso 8.6. Prueba de exogeneidad
H0:
Los
rezagos
de
LOGPIBARGENTINA LOGPIBMXICO.
explican
H0: Los rezagos de LOGPIBMXICO no explican a LOGPIBARGENTINA. explican a LOGPIBARGENTINA. H1: Los rezagos de LOGPIBMXICO
Dado que p-value es igual a 0.5642 (mayor a 0.05), no se rechaza la hiptesis nula. Por tanto, Los rezagos
Dado que p-value es igual a 0.5364 (mayor a 0.05), no se rechaza la hiptesis nula. Por tanto, Los rezagos
37
Variance Decomposition
Percent D(LOGPIBMEXICO) variance due to D(LOGPIBMEXICO)
100
80
60
40
20
0
2 4 6 8 10 12 14
80
60
40
20
0
2 4 6 8 10 12 14
38
8.8. Impulso respuesta simple y acumulado Grfica 4. VAR: Impulso respuesta Grfica 5. VAR: Impulso respuesta acumulada
.012
.08
.008
.06
.004
.04
.000
.02
-.004
.00
-.008 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
-.02 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
ao hasta llegar al tercero, a partir del tercer ao desciende hasta llegar al cuarto, a partir del cuarto ao 39
para un perido de 15 aos. Observando el grfico 4, este empieza en cero, luego sube durante el segundo
En este acpite se analiza la respuesta de LOGPIBMEXICO ante un shock de LOGPIBARGENTINA (de ahora),
ytiene una leve subida hasta el sexto, a partir sexto ao empieza a descender casi de manera constante hasta llegar a los 15 aos. Adems, a medida que pasa el tiempo se converge a 0. tiempo de aproximadamente 0.2. 9. CONSIDERACIONES FINALES Observando el grfico 5 de impulso respuesta acumulado, se puede apreciar que se tiene un efectoe n el
el valor de la razn t del PIB argentino, adems de que el valor estimado de la pendiente es positivo y alto. Sin embargo, se observa que el estadstico d de Durbin Watson es bajo. Autores como Granger y Newbold, han sugerido que se puede sospechar que la regresin estimada sufre de regresin espuria si es que R2 > d. Sin embargo, se debe analizar las dos series de tiempo tomadas en este anlisis de regresin (modelo-log log) y ver si son o no estacionarias, si estas resultan ser no estacionarias pero si estn cointegradas, entonces los resultados de la regresin (modelo log-log) pueden no ser espurios y las pruebas t y F usuales son vlidas.
Los resultados de regresin sugieren una situacin muy favorable ya que el R2 es bastante alto, al igual que
Las pruebas sobre estacionariedad sealan que las series de tiempo Producto Interno Bruto de Mxico y Producto Interno Bruto de Argentina (en logaritmos) son no estacionarias, se procedi a transformar estas series en estacioanrias mediante la diferenciacin y se econtr que las primeras diferncias de ambas series mismo integrada de orden uno. estocsticos no estacionarios o caminatas aleatorias, adems se observa que cada una es I (1) o lo que es lo Revisando la prueba grfica sobre estacionariedad (grfica 1). Se puede observar que ambas series ya son estacionarias. En otras palabras, las dos series que forman parte de este estudio son procesos
presentan tendencias crecientes en una forma estocstica, y de cierta manera parecieran estar juntas en la
tendencia, quiz ambas series de tiempo podran estar sincronizadas, en otras palabras como ya se haba aumentadas (DFA) muestran que las dos series de tiempo que forman parte de este estudio son procesos estocsticos no estacionarios o caminatas aleatorias (adems se observa que cada una es I (1) o lo que es lo
mencionado antes, estas podran estar cointegradas, de ser este el caso, los resultados de regresin
(Modelo log-log) pueden no ser espurios y las pruebas t y F usuales son vlidas. Las pruebas Dickey-Fuller
mismo integrada de orden uno). A pesar de esto, la combinacin lineal de estas dos variables podra ser estacionaria, si esta combinacin lineal es I (0) o estacionaria, entonces se dice que las variables estn Producto Interno Bruto de Mxico y Producto Interno Bruto de Argentina no estn cointegradas, tambin Granger o Prueba de Engle - Granger aumentada cuyos resultados sealan que las series de tiempo 40 cointegradas. Se han propuesto varios mtodos para probar cointegracin, como la prueba de Engle
se tiene el test de la traza de Johansen con dos de sus variaciones, los resultados de la primera variacin cointegracin.
sugieren las series de tiempo consideradas no estn cointegradas o lo que es lo mismo no hay vectores de cointegracin, pero los resultados de la segunda variacin indican que si existen relaciones de
Considerando los resultados de las pruebas de cointegracin se optan por dos opciones distintas (en el afn Johansen (segunda variacin) que nos dicen que si se existen relaciones de cointegracin y se procede a efectuar un modelo que considere el mecanismo de correccin de errores (VEC) .Segundo, se consideran los de considerar cada una de las posibles situaciones). Primero, se consideran los resultados de la prueba de
resultados de la prueba de Johansen (primera variacin) que nos dicen que no hay vectores de que un requisito de esta metodologa es que las variables sean estacionarias por lo que se trabaja con las variables en primeras diferencias (los resultados de ADF en apartados anteriores sugieren que las series en primeras diferencias son estacionarias).
cointegracin por lo que se procede a utilizar un modelo de vectores autoregresivos (VAR), cabe mencionar
Refiriendonos al modelo que considera el mecanismo de correccin de errores (VEC), este describe la dinmica de corto plazo de cada variable del sistema: LOGPINMEXICO y LOGPIBARGENTINA. Los coeficientes de velocidad de ajuste, esto es, los del vector de cointegracin, uno es negativo y el otro es significancia estadstica de este hallazgo no est clara, de ser todos estadsticamente significativos (mientras ms grandes sean en valor absoluto, ms rpida ser la velocidad del ajuste), indicando que se requiere mucho tiempo para regresar al equilibrio en caso de que haya desajustes en la relacin de largo plazo. El coeficiente asociado al vector de cointegracin en la ecuacin del LOGPIBMEXICO indica que alrededor de 0.014477de la discrepancia entre el LOGPIBMEXICO presente y de largo plazo (equilibrio) se incrementos en el LOGPIBARGENTINA tienen un impacto positivo sobre el LOGPIBMEXICO y viceversa. elimina o corrige cada ao. En el caso del LOGPIBARGENTINA, la discrepancia entre el LOGPIBMEXICO presente y de largo plazo conducira a un aumento en el LOGPIBARGENTINA presente. En tanto, significara que existe una relacin de largo plazo). En todos los casos, la velocidad de ajuste no es muy alta positivo, adems de no es estadsticamente significativo pero el otro si lo es (lo cual indicara que la
Par el modelo de vectores autoregresivos (VAR), se efectu la estimacin junto con pruebas de autocorrelacin, normalidad, heteroscedasticidad, numero de rezagos ptimo, pruebas de exogeneidad, descomposicin de la varianza e impulso respuesta. Los resultados ms sobresalientes de este sealan que heteroscedasticidad y normalidad, las pruebas correspondientes sealan que se debe de considerar entre 1 en general se cumple con el supuesto de no autocorrelacin, pero se tiene problemas de y 2 rezagos, y por ltimo se encontr que analizando el impulso respuesta, es decir, la respuesta del 41
Producto Interno Bruto mexicano ante un shock del Producto Interno Bruto argentino (de ahora), para un llegar al tercero, a partir del tercer ao desciende hasta llegar al cuarto, a partir del cuarto ao ytiene una respuesta acumulado, se puede apreciar que se tiene un efecto en el tiempo de aproximadamente 0.2. perido de 15 aos, el grfico 4 muestra que este empieza en cero, luego sube durante el segundo ao hasta leve subida hasta el sexto, a partir sexto ao empieza a descender casi de manera constante hasta llegar a
los 15 aos. Adems, a medida que pasa el tiempo se converge a 0 y observando el grfico 5 de impulso
42
BIBLIOGRAFA GUJARATI D. (2004), ECONOMETRIA, MC GRAW HILL, MEXICO. el 15/12/12. ALADI.ORG Visitado el 15/12/2012
http://www.ub.edu/histecorecursos/category/tema/cuentas-nacionales-crecimiento/pib-pnb.
Visitado
43
PERIODO 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940
MEXICOPIB 18585 20167 18741 20840 21203 23407 23147 24495 24469 25195 25403 25584 25740 25921 26095 26270 26446 26624 26803 26983 27164 27346 27994 28953 28487 30250 32064 30664 30846 29653 27787 28720 24417 27191 29031 31183 33671 34786 35356 37248 37767
LOGPIBMEXICO 9.830110082731352 9.911802884139842 9.838468916161679 9.944629495867304 9.961897960082551 10.0607904019099 10.04962046148409 10.10622429407268 10.10516228923468 10.1344008411147 10.14262255626838 10.14972243507374 10.15580148115012 10.16280872996893 10.16949900407751 10.17618288267958 10.18286019711677 10.18956834362094 10.19626910053261 10.20296231705686 10.20964784623368 10.21632554486903 10.23974548048059 10.27342910457525 10.25720312184221 10.31725146345899 10.37548918444454 10.33084460706039 10.33676236128356 10.29731857974593 10.23232356440836 10.26534902316216 10.10303488999515 10.2106413151775 10.27611950354905 10.34762835350612 10.42439221174378 10.4569702859681 10.47322338818084 10.52535353109111 10.53919098443437
ARGENTINAPIB 12932 14036 13746 15722 17407 19703 20691 21127 23190 24353 26125 26590 28770 29060 26038 26183 25428 23364 27665 28683 30775 31559 34059 37837 40772 40597 42544 45567 48414 50623 48531 45160 43678 45712 49344 51524 51873 55650 55883 58004 58963
LOGPIBARGENTINA 9.467460138845324 9.549380736703105 9.52850315168155 9.662816284353702 9.764627703152709 9.888526187395968 9.937454102099401 9.958307122300235 10.05147643024958 10.10041032420725 10.17064798926711 10.18829048423707 10.26708845654559 10.27711793712427 10.16731228845734 10.17286562418987 10.1436062080563 10.0589516551602 10.22792335533221 10.26405989175356 10.33445795105265 10.35961408877974 10.43584959383264 10.54104273883896 10.6157508502883 10.61144945123409 10.6582941134828 10.72693904930613 10.78754430707656 10.83216129745561 10.7899580479978 10.7179670182636 10.68459982182472 10.73011612447055 10.806571456923 10.84980299751598 10.8565537025729 10.92683735670369 10.93101549840084 10.96826725266779 10.98466540752264
44
1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988
40851 43754 45387 49094 50623 53967 55807 58114 61303 67368 72578 75481 75688 83258 90307 96502 103812 109333 112599 121723 126365 132039 141839 157312 167116 177427 188258 201669 213924 227970 237480 257636 279302 296370 312998 326267 337499 365340 398788 431983 469972 466649 446602 462678 475505 457655 466148 471953
10.61768657979269 10.68633831617785 10.72298099941295 10.80149210672297 10.83216129745561 10.8961280276308 10.92965458853013 10.9701618776683 11.02358406036791 11.11792540670983 11.1924171245869 11.23163624793739 11.23437490638428 11.32969949932185 11.41097025578045 11.47731901250091 11.55033684996837 11.60215354991303 11.63158811365362 11.70950325043738 11.74692982361718 11.79085261247586 11.86244789052583 11.96598637348565 12.02644346104692 12.08631453569826 12.14556864143913 12.21438301852587 12.27337609073986 12.33696932033194 12.37783868838461 12.45930301500079 12.54004891266667 12.59936395270663 12.65395207972552 12.6954713435412 12.72931782632737 12.80858370583068 12.89618522634629 12.97614151460009 13.06042839744353 13.05333264805792 13.00942309665851 13.044786626758 13.0721326761594 13.0338709041329 13.05225845925119 13.06463468333846
61986 62712 62218 69280 67042 73029 81136 85641 84478 85524 88866 84333 88866 92528 99125 101856 107087 113655 106303 114614 122809 120833 117927 130074 141960 142919 146755 153002 166080 174972 183458 189183 200720 213739 211850 211327 224084 214233 229547 232802 219434 212518 220016 224491 209641 224985 230797 226438
11.0346638320775 11.04630809586856 11.03839962592985 11.14591154323632 11.11307456764653 11.19861190151753 11.3038820380348 11.357919419422 11.34424642441742 11.35655231728987 11.39488489615503 11.34252852646457 11.39488489615503 11.435266580398 11.50413695893715 11.53131533008182 11.58139686718238 11.64092282303358 11.57404878594498 11.64932523985022 11.71838558191188 11.70216470598426 11.6778210679408 11.77585879825657 11.86330060676043 11.87003331519151 11.89651980866018 11.93820627218456 12.02022487895966 12.07238124010428 12.1197410374453 12.15047007955453 12.2096661810403 12.27251092348649 12.2636337560547 12.26116197584793 12.31977626054225 12.27481948675416 12.34386308054383 12.35794358586781 12.29880678291175 12.26678196964162 12.30145554996273 12.321590896274 12.25315182298677 12.32378901229757 12.3492938152647 12.33022645574982
45
Fuente: ALADI.
1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
491767 516692 538508 558049 568934 594054 557419 586144 625759 657263 681982 726934 726676 732256 742508 772208 797691 837576 866576 877312
13.10576030606556 13.15520223128334 13.19655763154994 13.23220205112813 13.25151971341064 13.29472550330371 13.23107248028076 13.28132077215995 13.3467205919313 13.39583952178031 13.43275854351542 13.49659096835052 13.49623599005138 13.50388545857925 13.51778892401172 13.55700922276897 13.58947658339857 13.63826728483282 13.67230509346642 13.68461796635417
212373 212518 233770 254575 269341 291696 282653 295090 318698 334314 322947 320364 306237 272876 296889 323609 353381 383418 416776 445117
12.26609944162559 12.26678196964162 12.36209300498808 12.44735076703987 12.50373351377653 12.58346744304325 12.55197527588047 12.59503567353883 12.67199922489154 12.71983595008351 12.6852435020538 12.67721312831297 12.6321145909605 12.51677275852716 12.60111361055388 12.68729127589345 12.77530207398157 12.85688105684845 12.94030418618952 13.00609244793893
F-statistic Obs*R-squared
0.0000 0.0000
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 12/17/12 Time: 08:20 Sample: 1900 2008 Included observations: 109 Presample missing value lagged residuals set to zero. C LOGARGENTINA RESID(-1) Variable Coefficient 0.029001 -0.002532 0.947387 0.897477 0.895543 0.108278 1.242756 89.16958 463.9567 0.000000 Std. Error 0.124819 0.010900 0.031101
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
t-Statistic
Prob.
46