Libro 21 Abril Ed Corregido - Ok

INTRODUCCIÓN A LA TEORÍA
DE LA COINTEGRACIÓN:
UNA APLICACIÓN DE LAS METODOLOGÍAS
DE JOHANSEN Y PESARAN
Froilán Lazo Flores

INTRODUCCIÓN A LA TEORÍA DE LA COINTEGRACIÓN:
UNA APLICACIÓN DE LAS METODOLOGÍAS DE JOHANSEN Y PESARAN
Autor:
FROILÁN LAZO FLORES
Editor:
FROILÁN LAZO FLORES
flazo@unap.edu.pe
Dirección: Urbanización Chanu Chanu S-15, I etapa- Puno
Celular: 965 986 156
1a Edición abril del 2021

Tiraje: 100 ejemplares
HECHO EL DEPÓSITO LEGAL EN LA BIBLIOTECA NACIONAL DEL PERÚ Nº 2021- 04279
ISBN: 978-612-00-6271-5
Se terminó de imprimir en abril del 2021 en:

LUCERO IMPRESIONES
RUC 10411509015
De Antonia Ccama Quispe
Av. Floral Nº 1025 – Puno
Teléfono 051 208093 – Cel. 921 431042
No está permitido la reproducción total o parcial del contenido de este libro, ni su trata-
miento informático, ni la transmisión de ninguna forma o por cualquier medio, ya sea
electrónico, mecánico, fotocopia, por registro u otros métodos, sin el permiso previo del
autor.
ÍNDICE DE CONTENIDO
INTRODUCCIÓN................................................................................................. 5
CAPÍTULO 1
ESTACIONARIEDAD E INTEGRABILIDAD
1.1. Conceptos generales ...................................................................................... 9
1.2. Tendencias estocásticas versus tendencias determinísticas......................... 11
1.3. Raíces unitarias en un modelo de regresión ................................................ 13
1.4. Tipos de Estacionariedad ............................................................................ 14
1.5. Contrastes de raíces unitarias ...................................................................... 15
1.5.1. El contraste de Dickey-Fuller ............................................................ 16
1.6. El Test de Phillips y Perron ......................................................................... 21
1.7. El Test de estacionariedad de Kwiatkowski, Phillips, Schmidt y Shin,
(KPSS) ........................................................................................................ 23
1.8. Potencia de las pruebas de raíces unitarias y críticas .................................. 25
1.9. Cointegración y Mecanismo de Corrección de Errores............................... 27
CAPÍTULO 2
METODOLOGÍAS DE LA COINTEGRACIÓN
2.1. Metodología de cointegración de Engle-Granger ....................................... 31
2.2. Limitaciones de la metodología de Cointegración de Engle-Granger......... 35
2.3. Metodología de cointegración multivariada de Johansen ........................... 37
2.4. El procedimiento de contraste con bandas: el método de Pesaran, Shin y
Smith ........................................................................................................... 41
CAPÍTULO 3
APLICACIONES A UN MODELO DE OFERTA EXPORTABLE DE
PRODUCTOS NO TRADICIONALES
3.1. Conceptos de Exportaciones no Tradicionales y Ventaja Competitivas ..... 47
3.2. Especificación y estimación de la ecuación de largo plazo de la oferta
exportable de productos no tradicionales .................................................... 50
3.3. Contrastes de raíces unitarias y de Estacionariedad para las variables del
modelo de oferta exportable ........................................................................ 53
3.4. Estimación mediante la metodología bietápica de Engle-Granger.............. 56
3.5. Test de Cointegración Multivariada de Johansen para el modelo de oferta
exportable .................................................................................................... 58
3.6. Estimación del modelo ARDL en la metodología de Pesaran,
Shin y Smith ................................................................................................ 65
CAPÍTULO 4
EVALUACIÓN ECONOMÉTRICA DEL MODELO ARDL
4.1. Diagnóstico de coeficientes: Variables Omitidas ........................................ 73
4.2. Restricciones lineales en los coeficientes: el test de Wald .......................... 75
4.3. Test de variable redundante .......................................................................... 76
4.4. Test de normalidad de los errores: el contraste de Jarque-Bera ................... 79
4.5. Diagnóstico de residuales: Contraste de Autocorrelación (o Correlación
Serial), el test de Durbin-Watson ................................................................ 80
4.6. Diagnóstico de Residuales: Contraste de Correlación Serial El test de
Breusch-Godfrey (Multiplicador de Lagrange) ........................................... 81
4.7. Diagnóstico de Residuales: Contraste de Heteroscedasticidad de White ... 84
4.8. Diagnóstico de Estabilidad: el Test de Cambio Estructural de Chow ......... 85
4.9. Test de Estabilidad: CUSUM Y CUSUM Cuadrado .................................. 87
4.10. Test de Causalidad de Granger ................................................................... 88
4.11. Test de Exogeneidad................................................................................... 91
REFERENCIAS BIBLIOGÁFICAS ................................................................... 97
ANEXOS ............................................................. ¡Error! Marcador no definido.
INTRODUCCIÓN
n las últimas décadas la econometría de series temporales ha experimen-
tado un desarrollo creciente y con ello ha mejorado considerablemente las
técnicas de estimación y de predicción. Las numerosas pruebas o contras-
tes cada vez más sofisticados permiten al investigador construir modelos
“robustos” y consistentes para su posterior verificación, inferencia y predicción del
valor de las variables relevantes en el futuro.
Igualmente, el análisis de series de tiempo ha adquirido un uso tan frecuente e

intensivo en la explicación de fenómenos económicos del mundo real, cuya apli-
cación va desde la verificación de ciertos modelos teóricos hasta la predicción de
ciertas variables. Esta última característica es particularmente útil en la evaluación
de proyectos, planificación estratégica, diseño de política económica, etc. En el
análisis econométrico es importante contar con la disponibilidad de la información
apropiada, es decir datos estadísticos, y estudiar su naturaleza, la fuente y las limi-
taciones que pudieran presentar para el estudio empírico. Como es bien sabido
puede haber tres tipos de datos disponibles: series de tiempo, datos de corte trans-
versal e información combinada de las dos anteriores, y como caso especial de
ésta, los datos de panel.
La econometría tradicional, supone implícitamente en el análisis de regresión

con series de tiempo, éstas son estacionarias; es decir, que el valor de su media y
la varianza de la serie no varían sistemáticamente con el tiempo. Sin embargo, se
ha comprobado empíricamente que la mayoría de series de tiempo económicas
muestran una tendencia estocástica en su comportamiento (Nelson y Plosser 1982);
es decir, son no estacionarias o lo que es lo mismo, son integradas de orden 1 o
superior. Esta situación invalida el procedimiento convencional de prueba de hi-
pótesis, basado en las pruebas t, F, chi-cuadrado y otras pruebas similares. Este
hecho fue presentado empíricamente por Granger y Newbold (1974).
En consecuencia, antes de realizar el análisis de regresión se hace necesario,

contrastar la hipótesis nula de la presencia de una tendencia estocástica para cada
una de las variables a ser incluidas en el modelo. En aquellos casos donde la prueba
muestre evidencia favorable a la hipótesis nula, será esencial transformar la serie
para obtener estacionariedad.
-5-
En la literatura concerniente para determinar el orden de integrabilidad de una
variable, existen dos tipos de procedimientos: los empleados en la metodología
Box-Jenkins y los procedimientos basados en contrastes. Los primeros, consisten
en un examen gráfico de la serie y de los correlogramas. Si la serie es estacionaria
la función de autocorrelación simple declina rápidamente a cero cuando aumentan
los retardos: Esta metodología Box-Jenkins se apoya a su vez en test de Ljung-Box
y Box-Pierce, basados precisamente en la estimación de los coeficientes de auto-
correlación simple. Estos contrastes, detectan cualquier tipo de mala especificación
y mantienen bajo la hipótesis nula que el proceso es ruido blanco, definido como
la sucesión de variables aleatorias con esperanza cero, varianza constante e inde-
pendientes en el tiempo.
Sin embargo, esta metodologìa no presenta la formalidad requerida y sus re-

sultados podrían ser utilizadas discrecionalmente, por lo que hace necesario utilizar
contrastes más formales tales como el de Dickey-Fuller Aumentado (DFA), Phi-
llips-Perron (PP) y Kwiatkoswki-Phillips-Schmidt-Shin (KPSS), Dickey y Pantula
(DP), Xivot-Andrews (ZA), Bierens (B). De forma similar para detectar raíces uni-
tarias estacionales existen pruebas de Dickey- Hasza-Fuller (DHF) y de Hylleberg-
Engle,Granger y Yoo (HEGY), entre otros.
En esa línea, el rápido avance de las de los contrastes de raíz unitaria, ha ge-
nerado algunas críticas a esas pruebas, ya que, según analistas, están basadas sólo
en criterios puramente estadísticos y tienen baja potencia para rechazar la hipótesis
nula de no estacionariedad; es decir, las pruebas están sesgadas a concluir que las
series económicas son no estacionarias, aun cuando realmente sean estacionarias,
tal como ha sugerido Rómulo Chumacero (1998) para un conjunto de series de
tiempo chilenas.
Por otro lado, la teoría de la Cointegración, definido como la relación de largo

plazo entre variables no estacionarias, (Granger 1978), ha generado en los últimos
años un gran interés en el análisis econométrico tanto en la parte teórica como
aplicada. El hecho de que esta estrategia de modelización dinámica se centre en las
relaciones de equilibrio de largo plazo entre variables no estacionarias, la ha ubi-
cado como un instrumento fundamental para enfrentar al contraste de las
relaciones de equilibrio postuladas por la teoría económica, a la vez que permite la
estimación de modelos econométricos que incorporan la información que
-6-
proporcionan estas relaciones, lo que ha venido por conocerse como Mecanismo
de Corrección de Errores (MCE).
En los trabajos empíricos el método bietápico de Engle y Granger (1987), es

relativamente fácil de implementar y es apropiado para sistemas bivariados, aun
cuando puede utilizarse para más variables; sin embargo, tiene una serie de limita-
ciones, tales como el relacionado con el número de relaciones cointegrantes que
podrían existir cuando en el análisis se consideran más de dos variables. En tal
situación no hay certeza respecto a la unicidad de la relación de cointegración que
enlaza las variables, como es el caso de dos variables. En consecuencia, es nece-
sario utilizar otros métodos como el procedimiento de máxima verosimilitud con
información completa (MVIC) de Johansen que permite superar tales dificultades.
El método de Johansen tiene ciertas ventajas frente a otros métodos, ya que

contrasta simultáneamente el orden de integración de las variables y la presencia
de relaciones de cointegración entre ellas. Asimismo, estima todos los vectores de
cointegración sin imponer a priori que solamente existe uno (como en el caso de
Engle-Granger), y finalmente no se ve afectado por la endogeneidad de las varia-
bles implicadas en la relación de cointegración, ya que, esta metodología está
basada en la estimación de un vector autorregresivo (VAR). A su vez la metodo-
logía VAR es apropiado para pronósticos y el análisis de la función impulso-
respuesta y la descomposición de varianza.
En el año 2001 Pesaran, Shin y Smith, presentan un procedimiento distinto al

de Engle-Granger y el de Johansen que suponían que las series económicas eran
integradas de orden 1; sin embargo, Pesaran et. al. proponen que en el estudio de
relaciones a largo plazo entre variables, se pueden utilizar tales series independien-
temente de que éstas sean integradas de orden 0 [I(0)], de orden1 [I(1)] o una
combinación de ellas, o sea mutuamente cointegradas. El procedimiento por ban-
das de Pesaran et. al. permite distinguir entre la variable dependiente y las variables
explicativas, por lo que posee una clara ventaja frente al método propuesto por
Engle-Granger. Asimismo, al igual que el método de Johansen, hace posible la
estimación simultánea de los componentes de corto y largo plazo, en el modelo
Autorregresivo de Rezagos Distribuidos (ARDL), eliminando los problemas aso-
ciados con variables omitidas y la presencia de autocorrelación.
Mientras que los resultados de la estimación obtenidos por los métodos de En-
gle-Granger o de Johansen no son robustos en muestras pequeñas, Pesaran y Shin
-7-
(1991) demuestran que los parámetros de corto plazo estimados por su procedi-
miento son consistentes y que los parámetros de largo plazo son super-consistentes
en muestras pequeñas.
Pesaran et. al. proporcionan un conjunto de valores críticos suponiendo, en

primer lugar, que las variables objeto de estudio son integradas de orden 1, I(1) y,
en segundo lugar, que dichas variables son integradas de orden 0, I(0). Estos auto-
res proponen un procedimiento de contraste con bandas, de tal forma que, si el
estadístico F o el estadístico t se encuentran fuera de la banda de valores críticos,
se puede extraer una conclusión acerca de la existencia o no de una relación de
largo plazo entre las variables en niveles. Sin embargo, si los mencionados esta-
dísticos se encuentran dentro de las bandas de valores críticos establecidos, no se
puede extraer ninguna conclusión.
El libro está organizado de la siguiente manera: en el Capítulo 1, se discute

sobre estacionariedad e integrabilidad (principales contrastes de raíz unitaria). En
el capítulo 2, se presenta la teoría de la cointegración; y las principales metodolo-
gías existentes en la literatura econométrica. En el tercer capítulo, se presenta un
ejemplo aplicativo sobre la econometría de series de tiempo, referido a la oferta
exportable de productos no tradicionales que el Perú exporta al mundo. Final-
mente, en el capítulo 4 se realiza una evaluación econométrica de los resultados
del modelo, destacando pruebas de hipótesis de sobre diagnóstico de coeficientes,
diagnóstico de residuales y estabilidad del modelo. Para las estimaciones econo-
métricas se utiliza el programa E-Views versión 10.
-8-
Estacionariedad, integrabilidad y raices unitarias
CAPÍTULO 1
ESTACIONARIEDAD E INTEGRABILIDAD
1.1. Conceptos generales

En el modelo de regresión lineal clásico se asume implícitamente que las variables
son estacionarias, es decir tienen una media y una varianza que no cambia en el
tiempo; sin embargo, la mayoría de variables macroeconómicas suelen ser no es-
tacionarias.
La estacionariedad de una serie económica puede ser definida de dos formas alter-
nativas: Estacionariedad en el sentido estricto y estacionariedad en el sentido débil.
Se dice que una serie de tiempo es estrictamente estacionaria si la probabilidad
conjunta de cualquier conjunto de n observaciones y(t1), y(t2), y(t3),…, y(tn) es la
misma que la de y(t1+k), y(t2+k), y(t3+k),…, y(tn+k), para todo n, k. La estaciona-
riedad estricta es difícil de verificar en economía; por lo que se utiliza
generalmente la estacionariedad en el sentido débil y esto se produce cuando todos
los momentos de primer y segundo orden son finitos y son invariantes en el tiempo.
Estos momentos incluyen la esperanza matemática, varianza, covarianza y las co-
rrelaciones entre los diferentes retardos Novales.
Por otro lado, las tendencias en varianza, es decir, que la varianza sea función del
tiempo, pueden ser provocadas, entre otros motivos, por la existencia de raíces
unitarias en el polinomio de la representación autorregresiva del proceso. El ejem-
plo más simple de no estacionariedad en varianza es causado por una raíz unitaria
en el polinomio autorregresivos es el paseo aleatorio:
yt − φyt −1 = (1 − φL) yt = ε t con φ =1 (1.1)
Donde, ε t es un ruido blanco y L es el operador de retardos. La no estacionarie-

dad en varianza del paseo aleatorio se comprueba al sustituir recursivamente en
la expresión
yt = φyt −1 + ε t , llegando a:
t −1
y t = φ t y 0 +  φ t ε t −1 (1.2)
i =0
-9-
Por lo que si φ =1, σ 2 es la varianza de εt y la var( y0 ) = 0, la varianza de yt será

t σ 2 . Claramente, se observa que el proceso de paseo aleatorio1 tiene una tendencia
en la varianza. A estas tendencias también se las denomina tendencias estocásticas,
distinguiéndose de las deterministas en que las últimas son tendencias en la media
del proceso. En general, tendrán tendencias estocásticas todos los procesos
ARIMA.
Cuando un proceso estocástico presenta una raíz unitaria en el polinomio autorre-
gresivos (tendencia estocástica, en varianza), es decir presenta el factor (1-L),
diremos que el proceso es integrable (o integrado) de orden 1 y se suele escribir
como I(1). Una explicación intuitiva de porqué se llama integrado se obtiene a
partir de (1.1) donde yt se puede expresar como:
εt t −1
yt =
(1 − L )
= y0 + ε
i=0
t −1 (1.3)
Donde se observa que yt es la “integración” (entendida como la suma de términos)

de ε t . Ello ocasiona que dichos procesos tengan memoria ilimitada, ya que el valor
actual de yt depende de todos los shocks aleatorios ( ε t ) pasados, sin que el efecto
de éstos se vaya diluyendo en el tiempo hasta desaparecer.
La aplicación del operador de diferencias, ∆ = (1-L), a una variable con una raíz
unitaria en su polinomio autorregresivo la transforma en una nueva variable esta-
cionaria en varianza. Si hubiésemos de aplicar d diferenciaciones para conseguir
que la variable fuese estacionaria estaríamos ante un proceso I(d), de la misma
manera que si el proceso ya fuera estacionario en varianza sería I(0). El valor de d
se denomina orden de integrabilidad de yt, para transformarla en estacionaria se le
debería aplicar el polinomio (1-L) d y éste tiene d raíces unitarias.
Así pues, la presencia de raíces unitarias en la representación autorregresiva del
proceso, es decir, que éste sea integrado de orden 1 ó mayor, origina momentos de
segundo orden que cambian a lo largo del tiempo. Esto provoca que la inferencia
clásica no sea utilizable ya que ésta se basa en el supuesto de estacionariedad. Asi-
mismo, en este caso, no es posible llevar a cabo pruebas de hipótesis
convencionales, basados en los estadísticos t, R2, Durbin-Watson, etc.
1
Si el proceso paseo aleatorio tiene una constante, a ello se denomina deriva o drift.
- 10 -
1.2. Tendencias estocásticas versus tendencias determinísticas

Anteriormente se ha definido un proceso con una tendencia determinista como
aquel cuya media es función del tiempo, y con tendencia estocástica cuando la
varianza depende de él. Se presentan cuatro procesos generadores de datos (PGD):
(i) Ausencia de tendencias. Supongamos que yt viene generado por el proceso
AR estacionario:
yt = μ + φyt −1 + ε t ; donde φ ∠1 y ε t es ruido blanco.
Su media y su varianza serán:
𝐸(𝑦) = (1.4)
𝑉𝑎𝑟(𝑦) = (1.5)
Puede observarse que ambas son finitas y no dependen del tiempo; es decir, son
estacionarias en media y en varianza.
La estimación por mínimos cuadrados ordinarios del parámetro ф será consistente,
aunque sesgada (por la presencia como regresor de la variable endógena retar-
dada), siendo su distribución asintótica normal.
(ii) Tendencia determinista
Por ejemplo, si yt viene determinada por un proceso autorregresivo estacionario
sobre una tendencia determinista,
y𝑦 = 𝜇 + 𝛽𝑡 + 𝜑𝑦 + 𝜀 con φ ∠1 y ε t es ruido blanco, su media y va-

rianza son:
𝐸(𝑦) = + 𝑡 (1.6)
𝑉𝑎𝑟(𝑦) = (1.7)
Se comprueba cómo la varianza sigue siendo independiente del tiempo, pero la

media es función de éste. La especificación de la tendencia determinista en la es-
timación del modelo elimina completamente el problema de no estacionariedad en
media. Los parámetros del modelo se pueden estimar por MCO, obteniéndose es-
timadores con las propiedades deseadas.
- 11 -
A las variables que siguen procesos de dicho tipo se las denomina estacionarias
sobre una tendencia (trend-stacioanry, TS). Nótese que contrariamente a los dos
siguientes casos, no es necesario diferenciar la serie para llegar a la estacionarie-
dad.
(iii) Tendencia estocástica
Supongamos que el proceso generador de datos (PGD) viene dado por el paseo
aleatorio sin deriva yt = φyt −1 + ε t es decir, la suma de un valor inicial más todos
los shocks aleatorios. Suponiendo que x0 = 0, su media y varianza son:
E(y) = 0
Var (y) = t σ 2
Constatándose que la media de la serie es constante, pero la varianza es función
del tiempo, por lo que crecerá al aumentar el tamaño muestral y tenderá al infinito
cuando el tiempo tienda al infinito. El tomar primeras diferencias transforma el
proceso en otro estacionario que tendrá media nula y varianza constante (σ 2). La
estimación por MCO de ф sigue siendo consistente pero sesgada teniendo a sub-
estimar el valor poblacional (ф=1) del parámetro.
(iv) Tendencia determinista junto con estocástica
Supongamos que el PGD de y = 𝜇 + 𝑦 + 𝜀 ; 𝜀 ∼ 𝑅. 𝐵; es decir, un paseo
aleatorio con deriva. Sustituyendo recursivamente y si se supone y0 =0 se llega a:
y= 𝜇𝑡 + ∑ 𝜀 . La media y la varianza serán, entonces:
E (y) = tμ
Var (y) = tσ 2
Por lo que tanto la media como la varianza son funciones del tiempo y, en conse-
cuencia, el proceso presenta tendencia tanto en media como en varianza. Debe
notarse la diferente interpretación de μ en este proceso frente al autorregresivo es-
tacionario (caso 1): en aquél determinaba la media de la variable, en éste es la
pendiente de la tendencia determinista.
Al igual que en el caso 3, la distribución asintótica del estimador MCO de ф en
y= 𝜇 + 𝜑𝑦 + 𝜀 es función de procesos Wiener con ф = 1, si bien es distinta
del caso μ = 0 (caso 3). Es decir, dicha distribución depende de la presencia de
- 12 -
otros parámetros (como por ejemplo μ) en la especificación del modelo. A las va-
riables que siguen un comportamiento similar se les denomina, además de
integradas, estacionarias por diferenciación (difference-stacionary, DS).
1.3. Raíces unitarias en un modelo de regresión
Consideremos la ecuación de regresión simple:
wt = β0 + β1 zt + ε t (1.8)
Los supuestos de un modelo de regresión clásica necesitan que tanto la secuencia
{ wt} como { zt} sean estacionarias y los errores tengan media cero y una varianza
finita. En presencia de variables no estacionarias puede existir regresión espúrea
(Granger y Newbold, 1974). Una regresión espúrea tiene un coeficiente de deter-
minación, R2 alto, los t - estadísticos parecen ser significativos, pero sus resultados
no tienen significado económico, es decir, carecen de sentido.
Considerando la ecuación anterior puede presentarse cuatro posibles casos:
(i) Tanto {wt} como {zt} son estacionarios. En este caso el modelo de regresión
clásica es apropiada; esto es que el modelo puede ser utilizado para realizar
inferencia estadística y pronósticos.
(ii) Las secuencias {wt} y (zt} son integradas de diferente orden. Por ejemplo,
{wt}⁓ I(2) y (zt}⁓ I(1). Las ecuaciones de regresión usando tales variables
carecen de sentido.
(iii) Las secuencias no estacionarias {wt} y {zt} están integradas del mismo or-
den y la secuencia de los residuales {εt} contiene una tendencia estocástica.
Éste es el caso en el cual la regresión es espúrea {wt}⁓ I(1); (zt}⁓ I(1) y {ε
t }⁓ I(1) entonces se recomienda que la regresión sea estimada en primeras
diferencias.
(iv) Las secuencias {wt} y (zt} son integradas del mismo orden y la secuencia de
residuales {εt} es estacionaria. Por ejemplo:
{wt}⁓ I(1); (zt}⁓ I(1) y {ε t }⁓ I(0)
En estas circunstancias las secuencias {wt} y (zt} están cointegradas; es decir los
residuales de la regresión son estacionarios a pesar de que ninguna de las dos va-
riables del modelo lo sean. Ello sería debido a que su evolución temporal es, en
gran medida, común. Ésta es la idea de cointegración.
- 13 -
1.4. Tipos de Estacionariedad

(i) Estacionariedad en el sentido estricto o estacionariedad fuerte
La estacionariedad de una serie económica puede ser definida de dos formas alter-
nativas: Estacionariedad en el sentido estricto y estacionariedad en el sentido débil.
Se dice que una serie de tiempo es estrictamente estacionaria si la distribución
conjunta de cualquier conjunto de n observaciones y(t1), y(t2), y(t3),…, y(tn) es la
misma que la de y(t1+k), y(t2+k), y(t3+k),…, y(tn+k), para todo n, k. Este tipo de
estacionariedad es muy complejo, por lo que en economía se utiliza un concepto
menos exigente: la estacionariedad en el sentido débil. (Novales, 1993).
(ii) Estacionariedad en el sentido débil o de segundo orden
La estacionariedad en el sentido débil se produce cuando todos los momentos de
primer y segundo orden del proceso estocástico son invariantes en el tiempo. Estos
momentos incluyen tanto la esperanza matemática y la varianza de las variables yt,
como también las covarianzas y las correlaciones entre diversos retardos.
Características de un proceso I(0)
a. Tiene una media constante E(yt)=μ y una tendencia de la serie a volver en el
largo plazo a su media cuando se ha desviado de ella;
b. Exhibe una varianza finita y no cambia sistemáticamente en el tiempo,
es decir, γk = Var (yt) = E [yt-E(yt)]=σ2; < ∞.
c. La autocovarianza entre dos períodos distintos de tiempo, únicamente viene
afectada por el lapso de tiempo transcurrido entre esos períodos. γk = E[(yt-
μ)(yt+k-μ), para todo k.
d. Los valores sucesivos de su función de autocorrelación (ρk), decrecen rápida-
mente a cero cuando aumenta los retardos; y
e. Tiene “memoria limitada” de su comportamiento pasado, por lo que una per-
turbación sobre su nivel tendrá sólo efecto transitorio.
En cambio, un proceso integrado de orden 1, I(1) no cumple con las características
anteriores. Por su parte, un proceso I(2) presentaría, es similar que un proceso
I(1). Haciendo una similitud con la física, si definimos la primera diferencia de una
variable como una velocidad del proceso podríamos decir que un proceso I(0) ten-
dría velocidad nula (sería estacionario), un proceso I(1) tendría una velocidad
- 14 -
constantes no nula y un proceso I(2) tendría una velocidad variable, pero con ace-
leración constante.
Esta metodología Box-Jenkins se apoya a su vez en test de Ljung-Box y Box-
Pierce, basados precisamente en la estimación de los coeficientes de autocorrela-
ción simple.11 Estos contrastes, detectan cualquier tipo de mala especificación y
mantienen bajo la hipótesis nula que el proceso es ruido blanco.
1.5. Contrastes de raíces unitarias
Dentro de los contrastes formales, existen varios contrastes para determinar si
una serie económica es estacionaria o no:
Dickey-Fuller (DF)
Dickey-Fuller Aumentado (DFA),
Phillips-Perron (PP)
Kwiatkoswki-Phillips-Schmidt-Shin (KPSS),
Dickey y Pantula (DP),
Eliott - Rothenberg – Stock Optimal Point (ERS)
Zivot-Andrews (ZA)
11
Para probar la hipótesis conjunta de que todos los coeficientes de autocorrela-
ción ρk son simultáneamente iguales a cero se puede utilizar el estadístico Q de Box
y Pierce que se define como
p
Q= T  ρ 2 ∼ χp, donde T es el tamaño de la muestra y p es la longitud del rezago.
k =1
Si Q calculada excede el valor Q crítico a un determinado nivel de significancia, se
rechaza la hipótesis nula de que todos los ρk son iguales a cero (i.e. por lo menos
algunos de ellos deben ser diferentes de cero).
Una variante del estadístico Q es el de Ljung-Box (LB) definida como:
 ρ 
p
LB = T(T+2)   T − k  ∼ χ
i =1
2
Si bien tanto Q como LB siguen distribuciones chi-cuadrado para muestras gran-

des con p grados de libertad, el estadístico LB tiene mejores propiedades para
muestras pequeñas
- 15 -
De forma similar para detectar raíces unitarias estacionales existen pruebas de

Dickey- Hasza-Fuller (DHF) y de Hylleberg, Engle, Granger y Yoo (HEGY), en-
tre otros.
Cuando se sospecha que hubo quiebre estructural, sea en niveles (media), en la
pendiente o tanto en la media como en la pendiente se puede utilizar la prueba de
Perron cuando TB es exógeno y la prueba de Zivot-Andrews cuando TB (time
breack) es endógeno; siendo TB el momento en que se produce el cambio estruc-
tural.
La mayoría de series macroeconómicas del Perú (y también de otros países) son
no estacionarias por lo que los procedimientos habituales de pruebas de hipótesis
de un modelo lineal general clásico no son válidos.
A continuación, se describen las características de los principales contrastes:
1.5.1. El contraste de Dickey-Fuller
Este test propuesto por Dickey y Fuller (1979) para el caso en el que el
proceso sea un paseo aleatorio bajo la hipótesis nula y un proceso AR (1)
estacionario bajo la hipótesis alternativa.
Sea la siguiente regresión:
yt = 𝛿 yt-1 + 𝜀 (1.9)
Sustraendo yt-1 a ambos lados de la ecuación
yt - yt-1 = 𝛿 yt-1 −𝑦 +𝜀 (1.10)
∆𝑌 = ( 𝛿 − 1) yt-1 + 𝜀
o ∆𝑌 = 𝛾𝑌 +𝜀 (1.11)
por su puesto la prueba de hipótesis δ = 1 es equivalente a probar 𝛾 = 0

donde 𝛿 − 1 = 𝛾
Dickey y Fuller consideran tres diferentes ecuaciones de regresión:
∆𝑌 = 𝛾𝑌 +𝜀 Modelo sin componentes determinísticos (1.12)
∆𝑌 = 𝜇 + 𝛾𝑌 + +𝜀 Modelo con intercepto (1.13)
- 16 -
∆𝑌 = 𝜇 + 𝛽𝑡 + 𝛾𝑌 +𝜀 Modelo con tendencia e intercepto

(1.14)
El parámetro de interés en todas las ecuaciones de regresión es 𝛾. Si γ=0, la se-
cuencia yt contiene una raíz unitaria. El test implica estimar uno o mas de las
ecuaciones (1.12), (1.13) o (1.14) usando MCO para obtener los valores de 𝛾 y sus
errores estándar asociado. Comparando los t-estadìsticos con los valores apropia-
dos reportados en las tablas Dickey y Fuller denominados: τ ,τ μ ,τ τ para las
ecuaciones (1.12), (1.13) y (1.14), respectivamente.
Las hipótesis para las ecuaciones anteriores son:
H0: 𝛿 = 1 (o 𝛾=0) establece que la serie Yt tiene una raíz unitaria; es decir, la serie
es no estacionaria.
H1: valor absoluto de 𝛿 < 1 lo cual estipula que la serie es estacionaria; o sea
AR(1) estacionaria.
Si el estadístico DF calculado en valor absoluto es mayor que los valores
críticos en valor absoluto entonces se rechaza la hipótesis nula y se concluye que
la serie es estacionaria.
En el análisis anterior se supone que los errores (εt) no están correlacionados y que
la variable endógena obedece a un modelo autorregresivo de primer orden, AR(1);
pero, estos supuestos no tienen por qué cumplirse necesariamente, por lo que la
inferencia de las ecuaciones anteriores se verá afectada.
Contraste de Dickey y Fuller Aumentado
Este contraste es adecuado para procesos AR(p). Al igual que el test DF tiene tres
procesos generadores de datos (i) Modelo sin componentes determinísticos, (ii)
Modelo con intercepto, pero sin tendencia y (iii) Modelo con intercepto y tenden-
cia. Tanto el test DF como el test ADF asumen que los errores de la regresión son
ruido blanco; es decir no están autocorrelacionados ni son heteroscedàsticos.
Las siguientes regresiones (1.15) al (1.17), tienen la parte aumentada:
Modelo sin componentes determinísticos
p
Δyt = γyt −1 + θ i Δyt −i + ε t (1.15)
i =1
- 17 -
Modelo con intercepto, pero sin tendencia

p
Δy t = μ + γy t −1 +  θ i Δy t −i + ε t (1.16)
i =1
Modelo con intercepto y tendencia

p
Δyt = μ + βt + γy t −1 + θ i Δy t −i + ε t
i =1
(1.17)
Donde Δ es el operador de primeras diferencias, y p es el orden de la autorregresión
p
Δ xy t = μ + β t + γ y t − 1 +  i = 1
β i Δ y t − i + ε t
escogido de manera tal que los residuos sean ruido blanco. La hipótesis nula con-
tinúa siendo Ho: γ=0 ó δ=1, es decir, existe una raíz unitaria. El estadístico de
prueba DFA posee la misma distribución asintótica que el estadístico DF, por lo
tanto pueden utilizarse los mismos valores críticos (de los estadísticos τ, τμ y ττ)
dependiendo de los componentes determinísticos incluidos en la ecuación de re-
gresión.
El test ADF es adecuado para procesos AR(p). Al igual que el test de Dickey-
Fuller, tiene tres procesos generados de datos (tres ecuaciones de regresión). Véase
las ecuaciones 1.15 al 1.17.
Las hipótesis son:
H0: γ =0, la serie Yt tiene una raíz unitaria; es un ARIMA (p,1,0)
H1: La serie Yt es un AR(p) estacionario
Aquí surgen dos interrogantes:
¿Cuál modelo utilizar? La cuestión formal para elegir el adecuado proceso gene-
rador de datos (modelo) puede realizarse mediante el algoritmo de Dolado,
Jenkinson y Sosvilla-Rivero (ver anexos). Desde el punto de vista práctico, debe
observarse el comportamiento gráfico de la serie. Por ejemplo, el gráfico 3.2. refe-
rido al valor de las exportaciones tradicionales (LX) o el ingreso externo (LY) son
crecientes en el tiempo, por lo que debiera utilizarse el modelo o PGD que tenga
tendencia e intercepto; mientras que para la variable tipo de cambio real bilateral
(LR), el PGD adecuado sería el que tenga intercepto, pero no tendencia. La
- 18 -
estrategia de Dolado et. al. se encuentra descrito de manera amplia en Enders

(2003). Pág. 213.
La siguiente pregunta es ¿Cuántos rezagos incluir en la parte aumentada de
ADF? Se debe incluir el número de retardos que hace que el término εt en la re-
gresión sea ruido blanco. En los estudios empíricos se recomienda empezar con
T1/3 rezago, donde T es el tamaño muestral.
Prueba de Hipótesis Conjunta
Dickey y Fuller proveen tres estadísticos F adicionales llamados ф1, ф 2 y ф3 para
probar la hipótesis conjunta sobre los coeficientes:
Con la ecuación (1,16): H0: μ = γ = 0, se prueba con el estadístico ф1
Con la ecuación (1.17): H0: μ = γ = β = 0, se prueba con el estadístico ф2
Con la ecuación (1.17): H0: μ = β = 0, se prueba con el estadístico ф3.
Estadístico de prueba
( )/
ф = 𝐹= )
~𝐹 ;( )
/(
donde r es el número de restricciones, T es el número de observaciones usable; K

es el número de parámetros por estimar del modelo no restringido; (T-K) son los
grados de libertad de modelo no restringido y, SRCR y SRCNR representan la suma
de residuales al cuadrado del modelo restringido y modelo no restringido, respec-
tivamente.
H0: Los datos son generados por el modelo restringido
H1: Los datos son generados por el modelo no restringido
Comparando los valores calculados de фi con los valores críticos (DF, 1981) per-
mite determinar el nivel de significancia al cual la restricción es significativa.
En el siguiente cuadro tomado del texto de Enders, se presenta el PGD (modelo)
del test de Dickey y Fuller, las hipótesis, el test estadístico y los valores críticos a
niveles de significancia del 5% y 1%, para un tamaño muestral de 250 observacio-
nes.
- 19 -
Cuadro. 1.1. Resumen de los test de Dickey-Fuller (Tamaño muestral: 250

observaciones)
Valores Críticos
Modelo Hipótesis Test Estadístico Nivel de significancia
0.05 0.01
γ=0 ττ
-2.88 -3.46
Ecuación (1.17) γ=β=0 ф3
6.34 8.43
μ=γ=β=0 ф2
4.75 6.22
τμ
γ=0 -2.88 -3.46
ф1
Ecuación (1.16) μ=γ=0 4.63 6.52
γ=0 τ,
Ecuación (1.15) -1.95 -2.60
Fuente: W. Enders, Pág. 439 y 440.
Extensión de las pruebas de Dickey–Fuller Aumentado

No todos los procesos de series de tiempo pueden ser representados mediante pro-
cesos autorregresivos de orden uno, AR(1). Consideremos el siguiente proceso
autorregresivo de orden p:
Yt = a0 + a1Yt −1 +  + a p − 2Yt − p + 2 + a p −1 + Yt − p +1 + a pYt − p + ε t (1.18)
Como lo señala Enders (2003) un mejor entendimiento de la metodología de Di-

ckey-Fuller aumentada se logra si al modelo (10) se le adiciona y sustrae:
a pYt − p +1 , es decir :
Yt = a0 + a1Yt −1 +  + a p − 2Yt − p + 2 + a p −1Yt − p +1 + ( a p −1 + a p ) ΔYt − p + 2 − a p ΔYt − p +1 + ε t
( )
Adicionando y sustrayendo: a p −1 + a p Yt − p + 2 se tiene :
Yt = a0 + a1Yt −1 +  + a p − 2Yt − p + 2 + a p −1Yt − p +1 + ( a p −1 + a p ) ΔYt − p + 2 − a p ΔYt − p +1 + ε t

(1.19)
- 20 -
 p

Continuando con este mecanismo se obtiene: γ = − 1 −  ai 
 i =1 
p p
ΔYt = a0 + γ Yt −1 +  βi ΔYt −i +1 + ε t donde βi =  a j
i =2 j =i
1.6. El Test de Phillips y Perron
El test de Phillips-Perron es una generalización de los procedimientos de Dickey y

Fuller, pero a diferencia de éste permite la existencia de heteroscedasticidad y au-
tocorrelación en el término de error. Al igual que la prueba de Dickey y Fuller, la
de Phillips y Perron también tiene tres procesos generadores de datos: (i) Modelo
sin componentes determinísticos, (ii) Modelo con intercepto, pero sin tendencia y
(iii) Modelos con intercepto y tendencia. El test no tiene la parte aumentada como
en el caso de ADF. Es una solución no paramétrica; es decir, no sigue ninguna
distribución conocida.
Phillips y Perron sugieren transformar los estadísticos del test DF para hacerlos
compatibles con la presencia de autocorrelación y heteroscedasticidad en el tér-
mino de perturbación.
La idea es utilizar los residuos estimados, εˆt en la regresión DF para corregir el

estadístico t ( τ ,τ μ ,τ τ ) asociados a los parámetros. De esta forma se obtiene unos
( )
nuevos estadísticos Z (τ ) , Z τ μ yZ (τ τ ) que tienen las mismas distribuciones
límite de los estadísticos tabulados en Fuller (1976). Sin embargo, los resultados
asintóticos de esta solución deben ser tomados con prudencia cuando se trabaja
con muestras pequeñas muestras finitas.
La distribución asintótica de los t-ratios de los parámetros γ en los modelos del test
de Dickey y Fuller.
∆𝑌 = 𝛾𝑌 +𝜀 (1.12)
∆𝑌 = 𝜇 + 𝛾𝑌 + +𝜀 (1.13)
∆𝑌 = 𝜇 + 𝛽𝑡 + 𝛾𝑌 +𝜀 (1.14)
- 21 -
depende de la relación 𝜎 /𝜎 , donde:
𝜎 = 𝑙𝑖𝑚 𝑇 𝐸(𝜀 ) (1.20)
𝜎 = 𝑙𝑖𝑚 𝑇 𝐸 𝜀 (1.21)
Si no existe autocorrelación, = 1, es decir 𝜎 = 𝜎 . El test de Dickey-Fuller,

se calculó bajo este supuesto. En las ecuaciones (1.12), (1.13) y (1.14), los residuos
εt se obtienen en la regresión de Dickey-Fuller.
Las correcciones no paramétricas de τ, τμ y ττ denotadas por
Z (τ ) , Z (τ μ ) y Z (τ τ ) son:
1 2
Sε ( S Tl − S 2ε )
1) τ z (τ ) = τˆ − 2 (1.22)
STl T
STl T −2  Yt −21
t =2
1 2
S 2
( S Tl − S 2ε )
2) τμ : z (τ μ ) = ε τˆμ − (1.23)
STl T 2
STl T −2  (Yt −1 − Y−1 )

t =2
Sε T 3 ( S 2Tl − S 2ε )
3) ττ : z (ττ ) = τˆτ − (1.24)
STl 4STl 3DY
donde:
T
 (εˆ )
2
t
Sε2 = t =1
- 22 -
 r  T
   εˆt εˆt −r
l
 1 −
 (εˆ )
T 2
STl2 = t =1 t
+2
r =1
 l + 1  t =r +1
T T
T 2 (T 2 − 1) T
 T
2
 T T
T (T + 1)( 2T + 1)  T 
2
DY =
12

t =2
Y 2
t −1 − T   t −1 
 t =2
tY

+ T ( )  t −1  t −1
T + 1
t =2
tY
t =2
Y −
6  
 t =2
Yt −1 

En las ecuaciones anteriores, l es el parámetro de truncamiento. Se sugiere ana-
lizar la sensibilidad de los resultados ante diferentes valores de éste. Schwert
(1987) indica elegirlo en función del número de datos tomando la siguiente fòr-
mula:
 44 T   12 4 T 
l4 = Ent  4 l
 , para datos trimestrales y 12 = Ent  4  para datos men-
 100   100 
suales.
1.7. El Test de estacionariedad de Kwiatkowski, Phillips, Schmidt y

Shin, (KPSS)
La prueba KPSS (1992) difiere de los test descritos (ADF y PP) en que la serie yt
se supone que es estacionaria (en tendencia) bajo la hipótesis nula. El estadístico
KPSS está basado en los residuales de la regresión de MCO de yt sobre las variables
exógenas xt. Al igual que la prueba de Phillips-Perron, el test KPSS admite que los
errores pueden estar autocorrelacionados y pueden ser heteroscedásticos. Tiene
sólo dos procesos generadores de datos: modelo con intercepto y modelo con ten-
dencia e intercepto.
En la prueba de KPSS la hipótesis nula es que la serie económica es estacionaria,
o que es lo mismo, la serie no tiene raíz unitaria. Es decir:
Ho: yt ~ I(0); (σ u = 0) : la serie yt es estacionaria

2
H1: yt ~ I(1); (σ u > 0) : la serie yt tiene una raíz unitaria

2
El modelo que se plantea es: yt = βt + rt + εt; y rt = rt-1 + ut (1.25)
- 23 -
donde εt no tiene que ser necesariamente ruido blanco. La serie yt tiene raíz
unitaria porque rt lo tiene.
La prueba se lleva a cabo a través de las siguientes dos estadísticas:
η μ y ητ
Modelo 1: Con tendencia determinística

Bajo H0, se estima la siguiente regresión lineal:
Yt = μ + β t + ε t (1.26)
El estadístico de prueba es:
ηˆτ = T −2 S t
2
(1.27)
S 2 (l )
Modelo 2: Sin tendencia determinística

El modelo estimado es:
yt = μ + ε t (1.28)
El estadístico de prueba es: ηˆμ = T −2 S t

2
(1.29)
S 2 (l )
Donde:
t ∧
S t =  ε i ; t = 1, 2, …, T (1.30)
i =1
T l
 S 
 εˆ´2t 2  1 − 
l +1  T
S 2 (l ) = t =1
+ S =1   εˆtεˆt −S (1.31)
T T t = S +1
El estadístico ημ es un estimador consistente de σ u . Entre más cercano es ημ a

2
cero, σ u es más cercano a cero. Las estadísticas ητ y ημ dependen de los resi-

2
duales del modelo 1 y del modelo 2, respectivamente.
- 24 -
Los valores críticos para la prueba KPSS son:

n. s. 10% 5% 1%
______________________________________
ημ 0.347 0.463 0.739
ητ 0.119 0.146 0.216
______________________________________
∧
El criterio de decisión es que si η μ es mayor que el valor crítico de KPSS a un
nivel de significancia dado, entonces se rechaza la hipótesis nula.
El parámetro de truncamiento l puede elegirse mediante:
 44 T   12 4 T 
l4 = Ent  4  ó l12 = Ent  4 
 100   100 
El procedimiento habitual es probar primero si tiene tendencia o no, luego se
prueba con varios parámetros de truncamiento, l y varios PGD.
1.8. Potencia de las pruebas de raíces unitarias y críticas
Formalmente, la potencia de un test es igual a la probabilidad de rechazar una hi-
pótesis nula falsa (es decir 1- probabilidad de un error tipo II). Simulaciones de
Montecarlo han mostrado que la potencia de varios test de Dickey-Fuller y Phi-
llips-Perron es muy baja. Las pruebas de raíces unitarias no tienen la potencia para
distinguir entre una raíz unitaria y procesos cercanos de raíces unitarias. De esta
manera, los test frecuentemente indicarán que una serie económica contiene una
raíz unitaria. En otros términos, la prueba esta sesgada a afirmar que las series
están integradas de orden 1 o mayor.
En el caso de la prueba KPSS, ésta presenta importantes problemas de tamaño (esto
es, se cometen demasiados errores Tipo I); por lo que debieran utilizarse valores
- 25 -
críticos menos conservadores. Sin embargo, al hacerlo el test incurre en serios pro-
blemas de poder (es decir, ahora se cometen demasiados errores Tipo II)14.
El problema de poder del test KPSS no es exclusivo a test en los que se asume
estacionariedad en tendencia, pues tal como demuestra Perron, los test tradiciona-
les de raíz unitaria como el de Dickey-Fuller Aumentado y de Phillips-Perron tiene
muy bajo poder ante la alternativa de series estacionarias en tendencia con quiebres
ocasionales en nivel o tendencia. En particular, Perron demuestra que incluso
cuando la hipótesis de raíz unitaria no pueda ser rechazada para el caso de series
como el PIB de EE.UU. al utilizar variantes de ADF y PP, ésta es fuertemente
rechazada si se incluye la posibilidad de un quiebre en nivel de la serie (Chuma-
cero, 1998).
Otro problema operacional importante que se encuentra en el test de ADF corres-
ponde a la elección del número de rezagos incluidos, puesto que el test puede ser
no sólo sensible a esta elección, sino también a la exclusión que no resulten signi-
ficativos. Finalmente, los test ADF y PP están basados en criterios puramente
estadísticos.
Adicionalmente las pruebas de Dickey-Fuller, Phillips-Perron, KPSS y otras tienen
una serie de críticas, tales como:
(i) Estas pruebas están basadas en criterios puramente estadísticos
(ii) Tienen baja potencia para rechazar la hipótesis nula de no estacionariedad;
(iii) La mayoría de pruebas están sesgadas a concluir que las series económicas
son no estacionarias, aun cuando realmente sean estacionarias.
Rómulo Chumacero muestra utilizando las pruebas de raíz untaría convencionales
para un conjunto de series de tiempo económicas chilenas tales como el PIB o el
consumo privado a distinta frecuencia (mensual, trimestral y anual) resultaron no
ser estacionarias; sin embargo, con optimización dinámica resultaron ser estacio-
narias. Esto tiene importantes implicancias, por ejemplo, para el diseño de política
monetaria de un banco central. Véase sus artículos de R. Chumacero: (i) “Se busca
una raíz unitaria: Una evidencia para Chile” y (ii) “Advertencia: tragar una raíz
unitaria puede ser peligroso para su salud”
14
se comete el error Tipo I cuando se rechaza una hipótesis que indudablemente es verda-
dera o, dicho de otro modo, la probabilidad de cometer un error tipo I se llama nivel de
significación.
- 26 -
1.9. Cointegración y Mecanismo de Corrección de Errores

El movimiento conjunto en el largo plazo de variables económicas no estacionarias
define el concepto de cointegración. Cuando las variables están cointegradas, éstas
comparten alguna tendencia estocástica común que determina sus oscilaciones de
largo plazo. Por lo general, las combinaciones lineales de serien integradas de or-
den 1, es decir, I(1) (estacionarias en diferencias) son también I(1), salvo si están
cointegradas, caso en el que la combinación lineal es I(0). Dos series Yt y Xt
pueden en efecto, presentar movimientos tendenciales estocásticos similares, de
manera que en una combinación lineal de estas series los componentes tendencia-
les se compensan para dar una serie estacionaria.
La equivalencia entre cointegración y modelo de corrección de errores (conocida
como el TRG) es importante puesto que permite desarrollar distintas estrategias
para estimar los vectores de cointegración
Como ya se ha indicado en la sección anterior, el hecho de que la mayoría de series
macroeconómicas presenten una tendencia estocástica invalida los procedimientos
de inferencia usuales cuando se hace la regresión de tales variables en niveles, ya
que el requerido supuesto de estacionariedad puede ser violado. Esto es debido a
que en general, la combinación lineal de dos (o más) series Xt ~I(1) y Yt~ I(1)
será (aXt+bYt)~I(1). Sin embargo, si estas dos series comparten movimientos es-
tocásticos tendenciales similares en el largo plazo, éste sería capturado por una
combinación lineal específica, la cual sería I(0), es decir, estacionaria.
Esta situación puede ser generalizada para definir el concepto de cointegración de
la siguiente manera: El vector xt de orden (Kx1) de K variables se dice que es
cointegrado de orden (d, b) si cada una de las variables es I(d) y además existe una
combinación lineal αxt , la cual es I(d-b); esto es denotado por xt~I(d-b). Engle y
Granger (1987) propusieron un procedimiento en dos etapas para estimar sistemas
bivariados, donde la relación de cointegración es estimada en una regresión está-
tica y luego esta relación se incluye, en una segunda etapa, en una regresión para
estimar consistentemente los demás parámetros del modelo de corrección de erro-
res (MCE).
El modelo de corrección de errores combina la presencia de los niveles de las va-
riables (que recogen las relaciones de largo plazo sugeridas por la teoría
económica) junto con las diferencias de dichas variables (que captan los desajustes
existentes en el corto plazo).
- 27 -
En otros términos, un MCE postula que una proporción del desequilibrio de un

período es corregido en el siguiente periodo. De esta manera, un MCE combina
variables en niveles y en primeras diferencias. Las relaciones establecidas entre las
variables en niveles (relaciones de largo plazo) actúan como un servomecanismo
que interviene en la relación entre las variables diferenciadas (cambios en las va-
riables) para retornar a su nivel de equilibrio de largo plazo.
La equivalencia de entre cointegración y modelo de corrección de errores conocida
como el Teorema de Representación de Granger, establece que un conjunto de
variables cointegradas puede modelarse mediante MCE y, a la inversa, si la espe-
cificación de MCE es correcta, existe una relación de cointegración entre las
variables implicadas
Más formalmente el Teorema de Representación de Granger (Granger, 1981 y En-
gle y Granger, 1987) establece que:
(i) Si un vector de variables es CI (1,1), existe un Mecanismo de Corrección
del Error válido para representar el Proceso Generador de Datos (PGD).
(ii) Si el PGD de un conjunto de variables admite una representación MCE, és-
tas están cointegradas.
La implicación del Teorema de Representación de Granger es que las series coin-
tegradas tiene una representación de mecanismo de corrección de errores, e,
inversamente, un mecanismo de corrección de errores genera series cointegradas.
Características de la cointegración
Hay cuatro importantes puntos a notar a cerca de la definición de cointegración:
(i) La cointegración se refiere a la combinación lineal de variables no estacio-
narias. Teóricamente, es completamente posible que existan relaciones de
largo plazo no lineales entre un conjunto de variables coitengradas. También
note que el vector de cointegración no es única. Si (β1, β2, …, βnt) es un
vector de cointegración, entonces para algún valor no cero de λ, (λ β1, λ β2,
… λ βn) es también un vector de cointegración. Típicamente una de las va-
riables es usada para normalizar el vector de cointegración fijando su
coeficiente a la unidad. Para normalizar el vector de cointegración con res-
pecto a x1t, elegir λ=1/ β1.
(ii) De la definición original de Engle y Granger, la cointegración se refiere a
variables que están integradas del mismo orden. Por supuesto, esto no
- 28 -
implica que todas las variables integradas estén cointegradas; usualmente un

conjunto de variables I(d) no están cointegradas. Tal ausencia de cointegra-
ción implica la no existencia de equilibrio de largo plazo entre las variables,
de modo que ellas pueden vagar arbitrariamente lejos el uno del otro. Si dos
variables están integradas de diferente orden, ellas no pueden estar cointe-
gradas. Supongamos que x1t es I(d1) y x2t es I(d2) donde d2> d1.
No obstante, es posible encontrar equilibrio de largo plazo entre grupo de variables
que están integradas de diferentes órdenes. Supongamos que x1t y x2t son I(2) y
que x3t es I(1). Como tal, allí no hay una relación de cointegración entre x1t (o x2t)
y x3t . Sin embargo, si x1t y x2t están CI(2,1), allí existe una combinación lineal de
la forma β1 x1t + β 2 x2t la cual es I(1). Es posible que esta combinación de x1t y
x2t estén cointegrados con x3t tal que la combinación lineal β1 x1t + β 2 x2t + β3 x3t
~ sea estacionario, es decir I(0). Lee y Granger (1990) usan el término de multi-
cointegración para refreírse a este tipo de circunstancias. (Enders, Walter, 2004).
(iii) Si xt tiene n componentes no estacionarios, allí puede haber hasta n-1 vec-
tores de cointegración linealmente independientes. Claramente, si xt
contiene sólo dos variables, allí puede haber a lo más un vector de cointe-
gración independiente. El número de vectores de cointegración es llamado
el rango de cointegración de xt.
(iv) La mayor parte de la literatura de la cointegración enfoca sobre el caso en el
cual cada variable contiene una sola raíz unitaria. La razón es que la regre-
sión tradicional o análisis de series de tiempo aplica cuando las variables
son I(0) y pocas variables económicas son integradas de un orden mayor que
la unidad. Cuando es ambiguo, muchos autores usan el término cointegra-
ción para referirse al caso al cual las variables con CI(1,1).
- 29 -
Metodologías de la cointegraciòn
CAPÍTULO 2
METODOLOGÍAS DE LA COINTEGRACIÓN
Los principales métodos de estimación de la cointegración están de Engle-Gran-
ger; Mínimos Cuadrados no Lineales (Stock); Componentes Principales (Stock y
Watson). Estos métodos se basan en los residuos de la ecuación de cointegración.
Asimismo, el método de cointegración de máxima verosimilitud de Johansen, que
se basa en el rango de la matriz de coeficientes llamado π = α β, donde β es el
vector de eigenvalues y α es una matriz que describe la importancia relativa de
cada variable en la combinación cointegrante en cada ecuación.
2.1. Metodología de cointegración de Engle-Granger
La metodología de cointegración de Engle-Granger es apropiado para sistemas bi-
variados; es decir, para dos variables. Para explicar el procedimiento de esta
prueba, empezamos con un tipo de problema frecuentemente encontrado es estu-
dios aplicados. Supongamos que dos variables (digamos yt y zt) son integrados de
orden 1 y que deseamos determinar si existe una relación de equilibrio de largo
plazo entre las dos. Engle y Granger (1987) proponen un procedimiento de cuatro
etapas para determinar si dos variables I(1) están cointegradas de orden CI(1,1).
Etapa 1: Realizar pruebas de raíz unitaria. Para determinar el orden de integra-
ción de las variables es necesario llevar a cabo pruebas de raíz unitaria para lo cual
puede utilizarse los test de Dickey-Fuller Aumentado (ADF), Phillips-Perron (PP)
o la prueba KPSS. Por definición, la cointegración necesita que las dos variables
estén integradas del mismo orden.
Si ambas variables son estacionarias, no es necesario continuar, puesto que los
métodos estándar de series de tiempo se aplican a variables estacionarias. Si las
variables están integradas de diferente orden, es posible concluir que ellas no están
cointegradas. No obstante, si algunas variables son I(1) y otras son I(2), podría
haber multicointegración (Lee y Granger, 1990).
Etapa 2: Estimar la relación de equilibrio de largo plazo:
yt = β 0 + β1 zt + ε t (2.1)
Si las variables están cointegradas la estimación MCO de la regresión resulta “su-

perconsistente” en el sentido que los parámetros convergen al valor poblacional a
- 31 -
una velocidad superior (al aumentar la muestra) que las estimaciones con variables
estacionarias.
Para determinar si las variables están realmente cointegradas, denotamos la se-
cuencia de residuales de esta ecuación por { εˆt }. De esta manera, la serie { εˆt }
son los valores estimados de las desviaciones de la relación de largo plazo. Si estas
desviaciones son estacionarios, las secuencias {yt} y {zt} están cointegradas de
orden (1,1). Para determinar el orden de integración de los residuales se puede
utilizar el test de Dickey-Fuller:
Δεˆt = γεˆt −1 + μt (2.2)
Puesto que la secuencia { εˆt } es una residual de la ecuación de regresión, no es

necesario incluir tendencia ni intercepto en la ecuación de regresión de Dickey-
Fuller. El parámetro de interés en (2.7) es γ.
La hipótesis nula es. H0: γ = 0 , la { εˆt } tiene una raíz unitaria; i.e. no existe coin-
tegración.
La hipótesis alternativa, Ha: γ < 0 , la { εˆt }~I(0) y, existe cointegración
Si no podemos rechazar la hipótesis nula, entonces concluimos que la serie residual

contiene una raíz unitaria y por tanto, las secuencias {yt} y {zt} no están cointegra-
das. Técnicamente lo anterior se puede expresar con un triple negativo: si no
podemos rechazar la hipótesis nula γ = 0 , no podemos rechazar la hipótesis que
las variables no están cointegradas.
Por el contrario, un rechazo la hipótesis nula implica que la secuencia de los resi-
duales es estacionaria. Dado que {yt} y {zt} son I(1) y los residuales { εˆt } son I(0),
podemos concluir que las series están cointegradas de orden (1,1).
En la mayor parte de estudios aplicados no es posible el uso de las tablas de Di-
ckey-Fuller por sí mismas. El problema es que la secuencia { εˆt } es generada de
una ecuación de regresión (no es una serie observable), el investigador no conoce
el verdadero error εt, sólo los estimados del error εˆt . En consecuencia, se debe
utilizar las tablas de Engle-Granger (véase Tabla C de Enders). Los valores críticos
dependen del tamaño de la muestra y del número de variables usadas en el análisis.
- 32 -
Si los residuales de (2.7) no parecen ser ruido blanco, entonces utilizar la prueba
ADF (sin tendencia ni intercepto):
Δεˆt = γεˆt −1 + i =1 γ i +1 Δεˆt −i + μ t

n
(2.3)
Nuevamente, si se rechaza la hipótesis nula se concluye que la secuencia de los

residuales es estacionaria y que las variables están cointegradas.
Etapa 3: Estimar el modelo de corrección de errores (MCE). Si las variables
están cointegradas, los residuales de la regresión de equilibrio pueden ser usados
para estimar el modelo de corrección de errores. Si {yt} y {zt} son CI(1,1), las
variables tienen la forma de corrección de errores.
L L
Δy t = α 1 + α y [ y t −1 − β z t −1 ] +  α 11 (i ) Δy t −i +  α 12 (i )Δz t −1 + μ yt
i =1 i =1
(2.4)
L L
Δz t = α 2 + α z [ y t −1 − β z t −1 ] +  α 21 (i )Δy t −i +  α 22 (i )Δz t −1 + μ zt (2.5)
i =1 i =1
Donde β1 es el parámetro del vector de cointegración dado por (3.6), μyt y μzt son
las perturbaciones ruido blanco (que pueden estar correlacionados uno con otro),
y las α’s son todos parámetros.
Engle y Granger (1987) proponen una vía “mañosa” para evadir las complicadas
restricciones de la ecuación cruzada en la estimación directa de (2.4) y (2.5). La
magnitud del residual εˆt −1 es la desviación del equilibrio de largo plazo en el pe-
riodo (t-1). De aquí, es posible usar los residuales { εˆt −1 } obtenidos en la etapa 2
como un instrumento para la expresión ( yt −1 − βzt −1 ) en las ecuaciones (2.4) y
(2.5). De esta manera, el modelo de corrección de errores se convierte en:
L L
Δyt = α 1 + α y εˆt −1 +  α 11 (i )Δyt −i +  α 12 (i )Δz t −1 + μ yt (2.6)
i =1 i =1
L L
Δz t = α 2 + α z εˆt −1 +  α 21 (i)Δyt −i +  α 22 (i )Δz t −1 + μ zt (2.7)
i =1 i =1
- 33 -
Sin el término de corrección de errores εˆt −1 , las ecuaciones (2.6) y (2.7) constitu-
yen un VAR en primeras diferencias. Todos los procedimientos que se aplican para
un VAR se aplican también al sistema representado por las ecuaciones de correc-
ción de errores. Particularmente:
ii. El método MCO es una estrategia de estimación eficiente puesto que cada
ecuación contiene el mismo conjunto de regresores.
iii. Puesto que todos los términos en (2.6) y (2.7) son estacionarias [i.e. ∆yt y
sus rezagos, ∆zt y sus rezagos, y εˆt −1 son I(0)], los tests estadísticos utili-
zados en un análisis de VAR tradicional son apropiados para (2.6) y (2.7).
Por ejemplo, la longitud del rezago puede ser determinado usando un test
χ2 y la restricción que todas las αjk(i) = 0 puede ser verificado usando un
test F. Si hay un solo vector de cointegración, las restricciones concernien-
tes a αy y αz pueden ser guiados por test t.
Etapa 4: Evaluar adecuadamente el modelo. Hay diversos procedimientos que
pueden ayudar a determinar si el MCE estimado es apropiado.
i. Verificar si los residuales de las ecuaciones de corrección de errores es apro-
ximadamente ruido blanco. Si los residuales están serialmente
correlacionados, la longitud del rezago puede ser demasiado corto. En este
caso, re-estimar el modelo usando una longitud de rezago que proporcione
errores no correlacionados contemporámente..
ii. Los coeficientes de velocidad de ajuste αy y αz son de particular interés, ya
que ellos tienen importantes implicaciones para la dinámica del sistema. Si
enfocamos en (2.12) es claro que para algún valor dado de εˆt −1 , un valor
grande de αz está asociado con un valor grande de ∆zt. Si αz es cero, el cam-
bio en zt no responde a la desviación del equilibrio de largo plazo en el
tiempo (t-1). Si α z es cero y si todos α 21 (i ) = 0 , entonces se puede decir
que {∆yt} no causa en el sentido de Granger a {∆zt}. Sabemos que αy y αz
deberían ser significativamente diferentes de cero si las variables están coin-
tegradas.
Después de todo, si tanto αy como αz son ceros, no hay corrección de errores y las
(2.6) y (2.7) no son más que un VAR en primeras diferencias. No obstante, los
valores absolutos de estos coeficientes de velocidades de ajuste no deben ser
- 34 -
demasiado grandes. Las estimaciones deberían implicar que ∆yt y ∆zt converjan a
su relación de equilibrio de largo plazo.
iii. Como un análisis de un VAR tradicional, las funciones de impulso-respuesta
y descomposición de varianza pueden ser usados para obtener información
concerniente a las interacciones entre las variables.
Nota: Aun cuando la metodología de cointegración de Engle-Granger es apropiado
para sistemas bivariados, esta metodología sólo puede estimar como máximo un
vector de cointegración, cuando en realidad podrían existir n-1 vectores de cointe-
gración, si se consideran más de dos variables en el modelo. En el modelo de
corrección de errores habría problemas de variables omitidas (sesgo de especifica-
ción).
Como se mencionó en la sección anteror, en la metodología de Engle-Granger en
que si las variables están cointegradas, los residuales de la regresión de equilibrio
pueden ser usados para estimar el modelo de corrección de errores (MCE). En
efecto, el MCE para las exportaciones no tradicionales está dada por la siguiente
ecuación (2.8)
∆𝑥 = 𝑎 + 𝛼 εˆt −1 + 𝑎 ∆𝑋𝑁𝑇 + 𝑎 ∆𝑇𝐶𝑅 + 𝑎 ∆𝑇𝐼
+ 𝑎 ∆𝑌𝐸 + 𝑢
Donde xt es XNTt,, TCRt, TIt o YEt, de manera que habrían cuatro ecuaciones,
siendo la más importante cuando xt = XNTt y Δ representa el operador de primeras
diferencias. Asimismo, 𝜀 es el término de error del periodo anterior.
2.2. Limitaciones de la metodología de Cointegración de Engle-Gran-
ger
Si bien es cierto que la metodología de cointegración de Engle-Granger es relati-
vamente sencilla; sin embargo, no está exenta de problemas. Las más relevantes se
describen a continuación:
1. En la estimación de la regresión de cointegración se requiere que se fije a priori
una variable dependiente y la(s) otra(s) como independiente(s).
- 35 -
Asintóticamente, no hay problema en esta escogencia, pero con muestras pe-

queñas se pueden obtener resultados contradictorios.
2. Esta metodología está basada en estimaciones en dos etapas; por tanto, si existe
algún error en la etapa 1, esto “contamina” la etapa 2.
3. Si se consideran n variables, esta metodología sólo puede estimar como má-
ximo un vector de cointegración, cuando en realidad podrían existir n-1
vectores de cointegración. En el modelo de corrección de errores habría proble-
mas de variables omitidas (sesgo de especificación).
4. Aunque la estimación del vector de cointegración es superconsistente (i.e. la
tasa de convergencia es muy alta) es también sesgada en muestras pequeñas12.
5. La estimación del parámetro β es sesgada sobre todo en muestras pequeñas.
Estos sesgos en muestras pequeñas se deben a la autocorrelación que presenta
εt. Por ello, Banerjee et al. (1986) sugieren utilizar (1-R2) como una medida del
sesgo cometido. De este modo, si una regresión de cointegración presenta un
R2 no muy elevado, debe interpretarse con cautela la estimación obtenida.
6. La estimación MCO de los parámetros de la regresión de cointegración no es
completamente eficiente al no considerar el resto de la información disponible,
es decir todo el MCE.
7. Los t-estadísticos de los parámetros del vector de cointegración están sesga-
dos y son inconsistentes. Por tanto, la inferencia sobre los parámetros no se
puede hacer de manera tradicional.
8. Si las variables implicadas en la relación de cointegración son más de tres es de
esperar una fuerte colinealidad entre los regresores. La eliminación de una de
las variables explicativas en la regresión de cointegración, a fin de reducir la
multicolinealidad, conducirá a resultados inconsistentes al no poderse obtener
residuos estacionarios. Con ello se constata que la multicolinealidad, más que
un problema, es una característica inherente a las variables cointegradas.
12
Se dice que un estimador es consistente si:
p limθˆ = 0 ; entonces lim E (θˆ) = θ y lim v(θˆ) = 0
t →∞ t →∞ t →∞
- 36 -
2.3. Metodología de cointegración multivariada de Johansen

En los trabajos empíricos se ha notado que una de las fallas más importantes del
método bietápico de Engle y Granger (1987), es el relacionado con el número de
relaciones cointegrantes que podrían existir cuando en el análisis se consideran
más de dos variables. En tal situación no hay certeza respecto a la unicidad de la
relación de cointegración que enlaza las variables, como es el caso de dos varia-
bles. El procedimiento de Engle-Granger no permite la posibilidad de estimar el
número de vectores cointegrantes, así como tampoco es posible estimar más de un
conjunto de parámetros. En consecuencia, es necesario utilizar otros métodos
como el procedimiento de máxima verosimilitud con información completa
(MVIC) de Johansen que permite superar dificultades.
El método de Johansen tiene una serie de ventajas frente a otros métodos, ya que
contrasta simultáneamente el orden de integración de las variables y la presencia
de relaciones de cointegración entre ellas. Asimismo, estima todos los vectores de
cointegración sin imponer a priori que solamente existe uno (como en el caso de
Engle-Granger), y finalmente no se ve afectado por la endogeneidad de las varia-
bles implicadas en la relación de cointegración, ya que, esta metodología está
basada en la estimación de un vector autorregresivo (VAR).
Consideremos un modelo VAR general de orden p
Xt = Π1X t-1 + Π2Xt-2 + ... + ΠpXt-k + μ + ΦDt + εt (2.9)
(t=1,...,T)
Donde ε1, ε2, ... , εT están IINp (0, Λ), y X-k+1,...,Xo son fijos. La variable Dt repre-
senta dummies estacionales centradas las cuales suman cero en el año completo (si
son datos trimestrales se incluyen tres dummies), la matriz Π de orden (KxK) re-
coge las relaciones de cointegración, Xt es un vector columna de orden (Kx1)
integrado de orden 1, donde K es el número de variables del modelo y μ es un
vector de constantes. Los parámetros irrestrictos ( μ, Φ, Π1, ... , Πk, Λ) son esti-
mados sobre la base de T observaciones de un proceso de vector autorregresivo.
Como ya se ha mencionado, las series de tiempo económicas son en general, pro-
cesos no estacionarios y el sistema VAR como (2.9) usualmente se expresa en
forma de primeras diferencias. Usando Δ=1-L, donde L es el operador de retardos,
el modelo (2.9) puede ser re-escrito como:
ΔXt = Γ1ΔX t-1 + Γ2ΔXt-2 + ... + Γk-1ΔXt-p+1 + ΠXt-p + μ + ΦDt + εt (2.10)
- 37 -
donde Γi = - (I - Π1 -...- Πi ) (i = 1,...,p-1)

y Π = - (Ik - Π1 -...- Πp) (2.11)
Nótese que el modelo (2.10) está expresado como un VAR tradicional en primeras
diferencias excepto por el término ΠXt-p. Precisamente el principal objetivo de este
método es investigar si los coeficientes de la matriz Π (= αβ’), contiene informa-
ción acerca de las relaciones de largo plazo entre las variables en el vector de datos.
La expresión (2.10) constituye un modelo de corrección de errores en forma ma-
tricial, es decir, un VEC.
Es importante notar que para que la ecuación (2.10) esté equilibrada es necesario
que ΠXt-k sea I(0) aun cuando Xt-k sea I(1); lo que implica que la matriz Π recoge
las relaciones de cointegración. De acuerdo con Johansen y Juselius (1990), hay
tres posibles casos:
(i) Rango (Π) = k, i.e. la matriz Π tiene rango completo (matriz no singular),
indicando que el proceso del vector Xt es estacionario y el correcto MCE
sería en niveles. Intuitivamente esto sería debido a que entre k variables sólo
puede haber como máximo (k-1) vectores de cointegración que formen una
base en el espacio de cointegración.
(ii) Rango (Π)=0, es decir, la matriz Π es una matriz nula y la ecuación (4.2)
corresponde al tradicional modelo VAR en diferencias. Las variables del
vector Xt serían I(1), por lo tanto, no existiría ninguna combinación lineal
de variables no estacionarias que fuera I(0), i.e., no habría ninguna relación
de cointegración.
(iii) 0<rango (Π) = r<k implicando que hay k x r matrices α y β tal que Π=αβ’,
donde β es (son) el (los) vector (es) de cointegración y α es una medida de
la importancia relativa de cada variable en la combinación cointegrante en
cada ecuación. Estas ponderaciones pueden recibir una interpretación eco-
nómica en términos de velocidad de ajuste frente a los desequilibrios
expresados como desviaciones respecto a las relaciones de largo plazo de-
terminadas por los vectores cointegrantes.
Los vectores de cointegración β tienen la propiedad que β’Xt es estacionario aun
cuando Xt no sea estacionario por sì mismo es no estacionario. En este caso, la
expresión (2.10) puede ser interpretado como un modelo de corrección de errores
en forma matricial (VECM).
- 38 -
El procedimiento de MVIC de Johansen consiste en estimar el número de vectores

cointegrantes, así como los elementos de α y β, lo cual no es posible realizar di-
rectamente porque el sistema está sobreparametrizado. Por consiguiente la función
de verosimilitud concentrada es ℓ(Γ1, Γ2,..., Γk-1, Φ, μ, α, β, Λ) con respecto a Γ1,
... ,Γk-1, para enfocar el problema sobre α, β y Λ. Esto es llevado a cabo mediante
las siguientes regresiones auxiliares:
ΔXt = μ + Γ01ΔX t-1 + ... + Γ0p-1ΔXt-p+1 + R0t (2.12)
Xt-p = μ + Γ11ΔX t-1 + ... + Γ1p-1ΔXt-p+1 + Rpt (2.13)
Donde se obtienen los vectores residuales R0t y Rpt , respectivamente. Luego se
realiza la regresión:
R0t = α βRpt + ut (2.14)
La función de verosimilitud concentrada se convierte en:
 T

exp −1/ 2 ( R 0t − ΠRpt ) ' Λ −1 ( R 0t − ΠRpt ) 
−T / 2
L(α , χ , Λ) = Λ (2.15)
 t =1 
donde Π = αβ’. La ecuación (2.20) genera las siguientes estimaciones de α y Λ
sujetas al conocimiento de β:
α(β) = S0pβ[β’Sppβ]–1 (2.16)
Λ(β) = S00 – Sop[β’Sppβ]-1 Sp0 (2.17)
Donde S00 representa la matriz de los residuos de una regresión por MCO de la
ecuación (2.12), Spp es la matriz de residuos de la regresión (2.13) y Sop es la matriz
de productos cruzados.
En general, la matriz cuadrada Sij de orden (KxK), muestra los momentos de se-
gundo orden de todos los residuos:

T
t =1
Rit R 'jt
S ij = (i, j = 0, p) (2.18)
T
Sin embargo, β debe ser estimada. Johansen demuestra que para obtener la estima-
ción de máxima verosimilitud de β en (2.15), una vez que (2.17) y (2.18) han sido
sustituidas en esa expresión se obtiene a partir del cálculo de los valores propios
- 39 -
−1
de ( S p 0 S 00 S 0 p ) respecto de Spp1 es decir β como el vector de eigenvalues
a través de la siguiente ecuación característica:
⏐λSkk – Sk0S-100S0k⏐ = 0 (2.19)
Una vez obtenidos los valores propios, éstos se ordenarían de mayor a menor de
forma que λ1 > λ2 > ... > λK. y los eigenvectors Vˆ = (vˆ1 ,..., vˆk ) normalizados tal
que Vˆ ' S ppVˆ = I .
La elección de β es ahora
βˆ = (vˆ1 ,...,vˆr )
El cual da
r
L−max
2/T
( H 2 ) = S 00 ∏ (1 − λˆ ) i (2.20)
i =1
Las estimaciones de los otros parámetros se encuentran insertando βˆ en las ecua-

ciones anteriores. El test estadístico Ratio de Verosimilitud o estadístico de la
traza para la hipótesis:
H2: Π = αβ’ para la elección r = K, es:
K
LRt = − 2 ln( Q ; H 2 / H 1 ) = −T  ln(1 − λˆ )
i = r +1
i
(2.21)
Donde T es el número de observaciones y los λ̂i son las raíces características es-
timadas. Se contrasta la hipótesis nula (Ho) que hay como máximo r vectores de
cointegración, frente a la alternativa (H1) de que hay K, r ≤ K
1
También demuestra que el problema de maximizar la función de verosimilitud concen-
trada en π se reduce a encontrar las correlaciones canónicas entre ∆Xt y Xt-p corregidos por
los efectos de la presencia de valores retardados de ∆Xt, es decir, las correlaciones canóni-
cas entre R0t y Rpt. Por tanto, es un “problema de valores propios”
- 40 -
La otra estadística que se utiliza es el estadístico de máximo autovalor (maximal

eigenvalues satatistics), dado por:
λmax = -T ln (1- λˆ r+1) (2.22)
mediante la fórmula anterior el cual se contrasta Ho: r ≤ K frente a H1: r ≤ r+1

Los valores críticos de ambos estadísticos se encuentran en Johansen (1988) y Os-
terwald-Lenum (1992): Cabe señalar que las distribuciones de los estadísticos
dependen del número de relaciones de cointegración, por lo que los valores críticos
varían en función del número de éstas.
La secuencia de contrastación sería empezar planteando la H0 : r = 0 frente a la
alternativa de r = 1, utilizando uno de los dos estadísticos. En caso de rechazar la
hipótesis, se contrastaría la H0 : r = 1 frente a la alternativa de r = 2, y así sucesi-
vamente hasta el momento en que no se rechazase la H0, o bien hasta que tuviera
que aceptar la hipótesis alternativa de r = K (es decir que todas las variables son
estacionarias.
2.4. El procedimiento de contraste con bandas: el método de Pesaran,
Shin y Smith
En 1991, Pesaran y Shin (1991), publicaron el artículo “An Autoregressive Distr-
buted-Lag Modelling Approach Cointegration to Cointegration Analysis” en
Cambridge University Press, donde sostienen que en el análisis econométrico de
relaciones de largo plazo ha sido el foco de atención en investigaciones teóricas y
empíricas en economía. En los casos en los cuales las variables de interés en las
relaciones de largo plazo son estacionarias en tendencia, la práctica general ha sido
quitar la tendencia, las series y modelar las series de-trended como estacionarias
de modelos autorregresivos de rezagos distribuidos (ARDL). La estimación e in-
ferencia concernientes a las propiedades de largo plazo del modelo han tenido los
mismos resultados usando la teoría asintótica estándar normal.
El análisis se convierte más complicado cuando las variables son estacionarias en
diferencias, o integradas de orden 1 [I(1) para el corto plazo].La literatura reciente
sobre cointegración ha sido consistente con el análisis de relaciones de largo plazo
entre la variables I(1), y su premisa básica ha sido, al menos implícitamente, que
en la presencia de variables I(1) del tradicional ARDL no aplicable en el largo
plazo. Consecuentemente, los números grandes de la estimación alternativa y los
procedimientos de prueba de hipótesis ha sido específicamente desarrollado para
- 41 -
el análisis de variables I(1).Ver por los trabajos pioneros de Engle y Granger

(1987), Johansen (1991), Phillips y Loretan (1991), entre otros.
Posteriormente M. Hashem Pesaran, Yongcheol Shin and Richard J. Smith (2001),
publican un artículo intitulado “Bounds Testing Approaches to the Analysis of Le-
vel Relationships” donde desarrollan una nueva aproximación al problema de la
prueba de la existencia del nivel de relaciones entre una variable dependiente y un
conjunto de regresores, cuando no se sabe con certeza si los regresores subyacentes
son estacionarios en tendencia o en primeras diferencias.
Las distribuciones asintóticas de esos estadísticos son no-estándar bajo la hipótesis
nula que allí no existe relaciones entre los niveles, igual de si los regresores son
I(0) o I(1). Dos conjuntos de valores críticos asintóticos son proveídos: uno cuando
todos los regresores son puramente I(1) y otro si ellos son puramente I(0). Estos
dos conjuntos de valores críticos proveen una banda que cubre todas las posibles
clasificaciones de los regresores cuando son puramente I(0), puramente I(1) o mu-
tuamente cointegradas.
Ventajas de la Metodología Pesaran et. al. frente a enfoques alternativos
La metodología de Pesaran y Shin (1991) y Pesaran, Shin y Smith (2001)) presen-
tan algunas ventajas importantes frente a otros enfoques alternativos usualmente
utilizados en la literatura empírica:
Primero.- La metodología bi-etápica y uniecuacional de Engle-Granger y la coin-
tegración multivariada de Johansen, basa en un sistema de ecuaciones. Esto
conlleva que necesariamente las series económicas previamente sean sometidas a
contrates de raíz unitarias para determinar el orden de integrabilidad de tales series;
lo cual puede generar un cierto grado de incertidumbre en las relaciones de largo
plazo entre las series; es decir, sobre la cointegración; puesto que las pruebas de
raíz unitaria tienen problemas de tamaño y potencia. En el caso del procedimiento
de Pesaran, Shin y Smith permite el estudio de relaciones a largo plazo entre va-
riables, independientemente de que éstas sean integradas de orden 0 [I(0)], de
orden1 [I(1)] o una combinación de ellas, o sea mutuamente cointegradas.
Segundo.- El procedimiento por bandas de Pesaran et. al. permite distinguir entre
la variable dependiente y las variables explicativas, por lo que posee una clara ven-
taja frente al método propuesto por Engle Granger. Asimismo, al igual que el
método de Johansen, hace posible la estimación simultánea de los componentes de
corto y largo plazo, en el modelo Autorregresivo de Rezagos Distribuidos (ARDL),
- 42 -
eliminando los problemas asociados con variables omitidas y la presencia de auto-

correlación.
Tercero.- Mientras que los resultados de la estimación obtenidos por los métodos
de Engle-Granger o de Johansen no son robustos en muestras pequeñas, Pesaran y
Shin (1991) demuestran que los parámetros de corto plazo estimados por su pro-
cedimiento son consistentes y que los parámetros de largo plazo son super-
consistentes en muestras pequeñas.
Cabe mencionar que en esta metodología, no se consideran variables integradas de
orden 2, [I(2)], puesto que casi ninguna variable económica es de este tipo, por
tanto, las series pueden ser todas I(0), todas I(1) o una combinación de ambas.
Pesaran et. al. proporcionan un conjunto de valores críticos suponiendo, en primer
lugar, que las variables objeto de estudio son integradas de orden 1, I(1) y, en se-
gundo lugar, que dichas variables son integradas de orden 0, I(0). Estos autores
proponen un procedimiento de contraste con bandas, de tal forma que, si el esta-
dístico F o el estadístico t se encuentran fuera de la banda de valores críticos, se
puede extraer una conclusión acerca de la existencia o no de una relación de largo
plazo entre las variables en niveles. Sin embargo, si los mencionados estadísticos
se encuentran dentro de las bandas de valores críticos establecidos, no se puede
extraer ninguna conclusión.
Aunque la metodología econométrica utilizada permite la estimación de una rela-
ción a largo plazo sin conocer con certeza si los regresores son variables I(0) o
I(1), se necesita asegurar de que la variable dependiente sea I(1) y que ninguna
variable utilizada en el análisis sea I(d), con d≥2.
Los supuestos en las que se basa esta metodología son:
a. Una de las variables debe ser débilmente exógena, puesto que en ningún caso
se considera un sistema de ecuaciones.
b. Solo existe una relación de cointegración, al contrario de lo que sucede en la
metodología de Johansen en la que se pueden encontrar hasta K-1 relaciones de
cointegración.
El modelo ARDL se estima por la técnica de Mínimos Cuadrados Ordinarios
(MCO) escogiendo la cantidad de rezagos de forma que minimice algún criterio
de información como el de Akaike (AIC), Schwarzt (SIC) o Hannan-Quin (HQ).
- 43 -
Como ya se mencionò para determinar la existencia de la relación de largo plazo,

Pesaran, Shin y Smith proponen dos contrastes alternativos. Por una parte, un es-
tadístico F que contrasta la significación conjunta del primer retardo de las
variables en niveles empleadas en el análisis (LXt-1, LPt-1, LYt-1, LRt-1). Por otra
parte, un estadístico t que contrasta la significatividad individual de la variable
dependiente en niveles retardada (xt-1).
Pesaran et.al., proporcionan un conjunto de valores críticos suponiendo, en primer
lugar, que las variables objeto de estudio son I(1) y, en segundo lugar, que dichas
variables son I(0). Estos autores proponen un procedimiento de contraste con
bandas, de tal forma que, si el estadístico F o el estadístico t se encuentran fuera
de la banda de valores críticos, se puede extraer una conclusión acerca de la exis-
tencia o no de una relación de largo plazo entre las variables en niveles sin
necesidad de conocer previamente el orden de integración de las series examina-
das. Sin embargo, si los mencionados estadísticos se encuentran de las bandas de
valores críticos establecidos, no se puede extraer ninguna conclusión sin antes ana-
lizar el orden de integración de las series utilizadas.
2.5. Análisis de casos de cointegración de Pesaran et. al.
A continuación se describe parte de la derivación matemática de la metodología
de Pesaran Shin y Smith, basado en el artículo original “Bounds Testing Approa-
ches to the Analysis of Level Relationships” (Véase páginas 291 al 296)
Nota: En esta sección se mantiene la numeración de las ecuaciones del artículo original.
Sea {𝑧 } un vector de proceso aleatorio (k+1). El proceso generador de datos

para {𝑧 } es el modelo de Vectores Autorregresivos (VAR) de orden p
(VAR(p)):
Φ(L)(zt – μ- γt) = εt, t = 1, 2, …
donde L es el operador de retardos, μ y γ son vectores (k+1) de coeficientes de
intercepto y tendencia desconocidos, la matriz (k+1,k+1) de rezago polino-
mial 𝜱(𝐿) = 𝐼 − ∑ 𝜱 𝐿 con {Φ𝒊 } matrices (k+1,k+1) de
coeficientes desconocidos.
Bajo el supuesto 3 (PSS p 293) el Mecanismo de Corrección de Errores, ECM
condicional (5) ahora se convierte en
- 44 -
∆𝑦 = 𝑐 + 𝑐 t + 𝜋 𝑦 +𝝅 . 𝒙 +∑ 𝜑 ∆𝒛 +
𝑤 ∆𝒙 + 𝑢
(8)
t = 1, 2, …-donde
c0 = - (π yy , πyx.x ) μ + [γy.x + (π yy , πyx.x )] γ, c1 = - ( π yy , πyx.x ) γ
(9)
y πyx.x ≡ πyx – w’П xx
Ahora se enfoca en la ecuación (8) y diferencia entre cinco casos de interés deli-
neados de acuerdo de cómo los componentes determinísticos son especificados:
Caso I (no interceptos; no tendencias) 𝑐 = 0 𝑦 𝑐 = 0. Que es, μ = 0 y γ = 0.
De aquí el EMC (8) se convierte en
∆𝑦 = 𝜋 𝑦 +𝝅 . 𝒙 +∑ 𝜑 ∆𝒛 + 𝑤 ∆𝒙 + 𝑢 (12)
Caso II (interceptos restringidos; no tendencias) 𝑐 = -(π yy , πyx.x )μ 𝑦 𝑐 = 0.

aquí γ = 0. El EMC es
∆𝑦 = 𝜋 (𝑦 − μ y) + 𝝅 . (𝒙 − μ 𝑥) + ∑ 𝜑 ∆𝒛 +
𝑤 ∆𝒙 + 𝑢 (13)
Caso III (interceptos no restringidos; no tendencias) 𝑐 ≠ 0 𝑦 𝑐 = 0. De
nuevo γ = 0. Ahora, la restricción del intercepto 𝑐 = -(π yy , πyx.x )μ es ignorado
y el ECM es
=𝑐 +𝜋 𝑦 +𝝅 . 𝒙 +∑ 𝜑 ∆𝒛 + 𝑤 ∆𝒙 + 𝑢
∆𝑦
(14)
Caso IV (interceptos no restringidos; tendencias restringidas) 𝑐 ≠
0 𝑦 𝑐 = -(π yy , πyx.x )γ. aquí γ = 0. El EMC es
∆𝑦 = 𝑐 + π yy (yt-1 - γy t) + πyx.x (xt-1- γxt ) + ∑ 𝜑 ∆𝒛 + 𝑤 ∆𝒙 + 𝑢

(15)
Caso V (interceptos irrestrictos; tendencias irrestrictas) 𝑐 ≠ 0 𝑦 𝑐 ≠ 0. Aquí,
la restricción de la tendencia determinística 𝑐 = -(π yy , πyx.x )γ es ignorado y el
EMC es
- 45 -
∆𝑦 = 𝑐 + 𝑐 t + 𝜋 𝑦 +𝝅 . 𝒙 +∑ 𝜑 ∆𝒛 +
𝑤 ∆𝒙 + 𝑢 (16)
Se podría enfatizar que los PGDs para los casos II y III son tratados como idénti-
cos como para los casos IV y V. Luego PSS desarrollan procedimiento por
bandas para probar la existencia de relaciones de niveles entre 𝑦 𝑦 xt usando
(12) – (16).
Una expresión equivalente al caso V, se puede escribir de forma alternativa
como:
∆𝐿𝑋 = 𝑎 + 𝑎 ∆𝐿𝑋 + 𝑎 ∆𝐿𝑃 + 𝑎 ∆𝐿𝑌 + 𝑎 𝐿𝑋
+ 𝑎 𝐿𝑃 + 𝑎 𝐿𝑌 +𝑎 𝑡 + 𝜀𝑡
El modelo ARDL anterior tiene dos segmentos: Los tres términos del lado derecho
de la ecuación expresados en primeras diferencias captan los efectos transitorios
(corto plazo) sobre las exportaciones; mientras que los términos restantes, com-
puestos por una constante, una tendencia más los niveles rezagados de la variable
dependiente y sus determinantes, representan el segmento de largo plazo del mo-
delo.
Una vez que se ha establecido estadísticamente la existencia de cointegración, los
coeficientes de largo plazo (elasticidades) se pueden obtener de la siguiente ma-
nera:
Elasticidad de las exportaciones con respecto a P = - 𝑎 / 𝑎
Elasticidad de las exportaciones con respecto a Y = - 𝑎 / 𝑎
El modelo ARDL en forma de corrección de errores estima en una sola etapa los
coeficientes de corto y largo plazo incluido el coeficiente de velocidad de ajuste
(𝑎 ), que en un modelo estándar de corrección de errores correspondería al coefi-
ciente del error de largo plazo (desfasado).
El coeficiente de velocidad de ajuste, 𝑎 debe ser negativo, lo que indica que la
variable dependiente se mueve en el tiempo hacia su nivel de equilibrio de largo
plazo. Además, dicho coeficiente de ajuste deber ser estadísticamente significa-
tivo.
- 46 -
Aplicaciones a un modelo de oferta exportable de productos no tradicionales
CAPÍTULO 3
APLICACIONES A UN MODELO DE OFERTA

EXPORTABLE DE PRODUCTOS NO TRADICIONALES
3.1. Conceptos de Exportaciones no Tradicionales y Ventaja Compe-
titivas
Las exportaciones no tradicionales son productos de exportación que tienen
cierto grado de transformación o aumento de su valor agregado, y que histórica-
mente no se transaban con el exterior en montos significativos. El Perú posee una
diversidad de productos para exportar al mundo. En el siguiente cuadro están men-
cionados los productos emblemáticos y los productos dinámicos de los diferentes
sectores, tales como Agropecuarios y Agroindustrial, Pesca y Acuicultura, Textil
y Confecciones, entre otros.
Cuadro 3.1. Productos no tradicionales emblemáticos y dinámicos por secto-

res
Sectores Productos Emblemáticos Productos Dinámicos
 Espárrago  Cacao y derivados

 Uva  Menestras
Agropecuario y
 Palta  Banano orgánico
agroindustrial
 Mango pimento  Fresas
 Granada
 Pota congelada  Jurel congelado
 Conchas de abanico congelada  Conservas de jurel
Pesca y acuicultura
 Colas de langostino  Filete de trucha
 Perico congelado  Conservas de pota
 Suéter de algodón  Vestidos de algodón
Textil y Confeccio-  Chompas de alpaca  Conjuntos de algodón
nes  Prendas de bebé  Ropa interior de algodón
 Polo-shirt  Pijama de algodón
 Alambres de cobre  Piezas de equipos mineros
Manufacturas diver-  Fosfato de cobre  Productos ferreteros
sas  Zinc  Menaje de plástico
 Láminas de polipropileno  Baldosas cerámicas
Fuente: MINCETUR
- 47 -
Por otro lado, el Perú posee Ventajas Competitivas en los diversos sectores de
la economía para las exportaciones no tradicionales (Véase MINCETUR,
2016).
(i) Agropecuario y Agroindustrial
- Diversidad climática: El Perú posee 84 de los 108 climas del mundo.
- Ubicación geográfica estratégica para la exportación al continente asiático.
- Temporada ampliada de cosechas.
- Altos niveles de productividad de frutas y hortalizas.
(ii) Pesca y Acuicultura
- Potencia pesquera a nivel mundial
- Biomasa disponible de más de 9 millones de toneladas métricas que permiten
la sostenibilidad (especialmente la anchoveta).
- Ciento treinta plantas procesadoras para pescado congelado y enlatado distri-
buidas a lo largo de la costa.
- Habilitaciones sanitarias para exportar a los principales mercados.
(iii) Textil y Confecciones
- Materia prima de alta calidad: Algodón tangüis y pima y excelente fibra de
alpaca y de vicuña.
- Mano de obra altamente calificada.
- Empresas integradas verticalmente con certificados globales como el ISO.
- Grandes marcas internacionales atendidas por la industria peruana destacan:
Armani Exchange, Calvin Klein, Donna Karan Inc., Guess y Lacoste, entre
otras.
(iv) Maderas y Papeles
- El Perú ocupa el 9º lugar en el mundo en extensión de bosques y el 2º Iberoa-
mérica, solo después de Brasil.
- Diversidad de maderas exóticas en la zona amazónica.
- 48 -
Un factor determinante para crecimiento de las exportaciones no tradicionales ha

sido la suscripción y entrada en vigencia de tratados de libre comercio (TLC) del
Perú con países y bloques económicos. Estos tratados están vigentes con diferentes
países: República Popular de China, Unión Europea, Estados Unidos de América,
EFTA, CAN, Canadá, MERCOSUR (República de Argentina, República Federa-
tiva de Brasil, República de Paraguay y de la República Oriental del Uruguay),
Japón, Chile, Corea del Sur, Estados Unidos Mexicanos, Panamá, Venezuela,
Reino de Tailandia, Costa Rica. Cuba, Turquía y Singapur.
Asimismo, la diversificación de la canasta de productos de exportación y la exis-
tencia de ventajas competitivas que posee el Perú en los diversos sectores de
exportación, permitieron crecimiento de las exportaciones.
En cuanto al comportamiento de las exportaciones tanto tradicionales como los no
tradicionales, en general, han tenido un crecimiento sostenido durante el periodo
2004-2019. Sin embargo, las exportaciones no tradicionales (barras oscuras), han
sido menos volátiles que las exportaciones tradicionales, incluso en un contexto de
la crisis financiera internacional de los años 2008 y 2009. Este comportamiento
histórico se observa en al Gráfico 3.1.
Gráfico 3.1. Exportaciones Tradicionales y Exportaciones no Tradicionales
del Perú: Periodo 2004 – 2019
(En millones de dólares)
4,000
3,500
3,000
2,500
2,000
1,500
1,000
500
0
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18
X N
- 49 -
3.2. Especificación y estimación de la ecuación de largo plazo de la

oferta exportable de productos no tradicionales
Para cuantificar las relaciones existentes entre las exportaciones no tradicionales y
las variables explicativas (exógenas) se plantea inicialmente el siguiente modelo:
LXt = β 0 + β 1 LPt + β 2 LYt + εt (3.1)
donde:
LXt = Logaritmo del valor de las Exportaciones no Tradicionales, medido en mi-
llones de dólares
LPt = Logarìtmo del Índice de Precios de las Exportaciones (Año base 2009=100).
LYt = Logaritmo del nivel de ingreso internacional (PNB per cápita de los EEUU)
εt = Perturbación estocástica, ruido blanco.
βi = Parámetros a ser estimados (i = 1, 2 ). Se espera que los coeficientes estimados
sean positivos, es decir: β1>0 y β2 >0.
La estimación por MCO del modelo es:
LXt = -14.257 + 0.66 LP t + 1.83 LY t +𝜀̂ (3.2)
(0.54) (0.04) (0.07)
[-26.16] [18.27] [27.89]
R2 = 0.94; F = 1485.36; DW = 1.01

donde las cifras entre paréntesis son los errores estándar asociados a cada paráme-
tro estimado y las cifras entre corchetes son los estadísticos t.
Puesto que el modelo es doblemente logarítmico, los parámetros estimados son las
elasticidades.
( )
𝛽 =𝑒 , = = 0.66 (3.3)
( )
Así, el parámetro β 1= 0.66, es la elasticidad parcial de las exportaciones con res-

pecto al Índice de Precios de las Exportaciones (P): Esto es, si el Índice de precios
de las exportaciones aumenta en 1 por ciento las Exportaciones no Tradicionales
(X) aumentarían en 0.66 por ciento, lo cual es inelástica. De manera similar se
interpreta el coeficiente 𝛽 = 1.83
- 50 -
La significancia estadística de cada uno de los parámetros estimados se puede pro-

bar a través del estadístico t.
La hipótesis nula para el parámetro asociado a índice de precios de las exportacio-
nes establece que:
H0: β1 = 0, el parámetro β1 no es significativo estadísticamente.
H1: β1 ≠ 0,
La hipótesis nula para el parámetro asociado a índice de precios de las exportacio-
nes, LP establece que:
.
𝑡 = = = 18.27 (3.4)
.
donde el ee es el error estándar.

Puesto que la probabilidad de cometer un error tipo I es 0.000, entonces se puede
concluir que, el parámetro estimado es estadísticamente significativo a un nivel
confianza del 99.99%. Análogamente, los demás parámetros son significativos es-
tadísticamente.
Finalmente, el coeficiente de determinación R 2 indica que las variaciones de la

variable dependiente LX, son explicadas en un 94% por las variaciones de del ín-
dice de precios de las exportaciones y del ingreso externo.
NOTA: También se estimó dos modelos alternativos incluyendo como variables
explicativas el tipo de cambio real multilateral (M) y tipo de cambio real bilateral
(R), pero el coeficiente estimado asociados a tal variable resultó negativo, lo cual
contradice lo que sugiere la teoría económica, por lo que se excluyò dicha variable.
(Vèase Anexos Cuadro A2).
- 51 -
Gráfico 3.2. Comportamiento de variables macroeconómicas del modelo de

exportaciones: Periodo 2004.01 – 2019.12
Valor de las Exportaciones no Tradicionales, LX Índice de precios de las Exportaciones, LP
7.6 5.2
7.2 5.0
4.8
6.8
4.6
6.4
4.4
6.0
4.2
5.6 4.0
5.2 3.8
2004 2006 2008 2010 2012 2014 2016 2018 2004 2006 2008 2010 2012 2014 2016 2018
Inghreso Externo, LY Índice de Tipo de Cambio Real Bilateral, LR

10.0 4.8
9.9
4.7
9.8
9.7
4.6
9.6
9.5
4.5
9.4
9.3 4.4
2004 2006 2008 2010 2012 2014 2016 2018 2004 2006 2008 2010 2012 2014 2016 2018
En el Gràfico 3.2. se observa la tendencia creciente de las variables exportaciones

no tradicionales, Ìndice de Precios de las Exportaciones y y el ingreso externo;
mientras que el tipo de cambio real bilateral se comporta como como un paseo
aleatorio sin deriva. La econometría tradicional, supone implícitamente en el aná-
lisis de regresión con series de tiempo, éstas son estacionarias; es decir, que el
valor de su media y la varianza de la serie no varían sistemáticamente con el
tiempo. Sin embargo, se ha comprobado empíricamente que la mayoría de series
de tiempo macroeconómicas del Perú muestran una tendencia estocástica en su
comportamiento; es decir, son no estacionarias.
Como ya se mencionó anteriormente, esta situación invalida el procedimiento con-
vencional de prueba de hipótesis, basado en las pruebas t, F, chi-cuadrado y otras
pruebas similares. Este hecho fue presentado empíricamente por Granger y
Newbold (1974), y formalizado posteriormente por otros autores mediante una teo-
ría asintótica general para procesos integrados donde se exponen los fundamentos
técnicos que sustentan las conclusiones de Granger y Newbold. Por lo tanto, las
- 52 -
series temporales empleadas en este modelo se somete a las pruebas de raìz unitaria
y de estacionariedad, tales como Dickey Fuller Aumentado, Phillips-Perron y
KPSS.
3.3. Contrastes de raíces unitarias y de Estacionariedad para las va-
riables del modelo de oferta exportable
En el Cuadro 3.1. se presenta las estimaciones de autocorrelación y test de raíz
unitaria y de estacionariedad de las variables consideradas en el modelo economé-
trico. Cuando se toma en cuenta los niveles de las variables, estas presentan un alto
grado de correlación de primer orden lo cual se puede observar en la suma de las
primeras seis autocorrelaciones para las variables: exportaciones no tradicionales
(LX),), Îndice de Precios de las Exportaciones (LP) y el Ingreso Externo (LY) y
tipo de cambio real bilateral (LR). Lo anterior indica que las series económicas del
modelo son no estacionarias.
Asimismo, se realizan tres pruebas estándares para evaluar la presencia de raíz
unitaria: Dickey-Fuller Aumentado, Phillips-Perron y KPSS. Los dos primeros se
construyen entorno a la hipótesis nula de la existencia de una raíz unitaria; mientras
que el tercero se desarrolla para la hipótesis nula de estacionariedad, por lo que se
usa de manera complementaria.
Los test de Dickey-Fuller asumen que los residuos de la ecuación de regresión no
están autocorrelacionados ni son heteroscedásticos, en tanto que la prueba de Phi-
llips-Perron permite la existencia de un proceso ARMA en los residuos. De
acuerdo a las pruebas Dickey-Fuller todas las variables tienen raíz unitaria, sin
embargo, con la prueba de Phillips-Perron, la variable exportaciones no tradicio-
nales resulta estacionaria cuando se toma en cuenta un proceso generador de datos
con tendencia e intercepto, no obstante, los coeficientes de correlación para los
primeros retardos son elevadas, lo cual indicaría que dicha serie es también no
estacionaria. Finalmente, la prueba KPSS muestra que todas las series económicas
son no estacionarias o son integradas de orden 1.
Dada la situación anterior se procedió a realizar las pruebas de raíz unitaria a las
series económicas en primeras diferencias (véase Cuadro 3.2), resultando que
todas son estacionarias. En consecuencia, se puede concluir que todas las series a
utilizarse en las estimaciones econométricas son integradas de orden 1, lo que a
su vez permitirá la estimación de la cointegración bi-etàpica de Engle-Granger y
el de la cointegración multivariada de Johansen.
- 53 -
Cuadro 3.1. Resumen de contrastes de raíces unitarias y de estaciona-

riedad (en niveles)
Periodo: 2004.01 – 2019.12
Cuadro 3.1. Resumen de contrastes de raíces unitarias y de estacionariedad (en niveles)
NOTA: Todas las variables están expresadas en logaritmos. Se emplea el Criterio de Informaciòn de Akaike, AIC.
NOTA: Todas las variables están expresadas en logaritmos. Se emplea el Criterio de In-
formaciòn de Akaike, AIC.
Periodo: 2004.01 – 2019.12
- 54 -
Cuadro 3.2. Resumen de contrastes de raíces unitarias y estacionarie-dad (en primeras diferencias)
Periodo: 2004.01 – 2019.12
Periodo: 2004.01 – 2019.12
dad (en primeras diferencias)
NOTA: Todas las variables están expresadas en logaritmos y de acuerdo a los contrastes todas son integradas de orden 1. Se
- 55 -
utiliza el criterio de información de Akaike, AIC.
Cuadro 3.2. Resumen de contr astes de raíces unitarias y estacionarie-
3.4. Estimación mediante la metodología bietápica de Engle-Granger

La metodología de Engle–Granger es adecuada para sistemas bivariados
(dos variables); sin embargo, puede utilizarse para más de dos variables,
con el consiguiente riesgo de no incurrir en sesgo de especificación en la
ecuación de Corrección de Errores.
El procedimiento para la estimación es la siguiente:
Etapa 1: Realizar pruebas de raíz unitaria. Para determinar el orden de in-
tegración de las variables es necesario llevar a cabo pruebas de raíz unitaria
a cada una de las series. Esta metodología requiere que todas las series sean
integradas de orden 1; es decir,
LX ̴ I(1)
LP ̴ I(1)
LY ̴ I(1)
Etapa 2. Estimar la ecuación de largo plazo
LXt = β 0 + β 1 LPt + β 2 LYt + εt y
obtener los residuales de esta regresión y obtener los residuales 𝜀 y luego

probar si éstos son estacionarios mediante los test de Dickey-Fuller o Phi-
llips-Perron.
La ecuación de regresión para probar la estacionariedad, no deben tener
tendencia ni intercepto, puesto que los residuales no son variables económi-
cas.
∆ 𝜀 = 𝛾𝜀 +𝑢 (3.5)
La hipótesis nula: H0 𝛾 = 0, indica que los residuales {𝜀 } tienen una raíz
unitaria; o que no existe cointegración entre las series económicas. Si no se
rechaza la H0 es decir, εt ~ I (1), entonces hay una regresión espúrea; pero
si εt ~ I (0), las series económicas están cointegradas y es posible formular
un modelo de corrección de errores (MCE).
- 56 -
Cuadro 3.1. Test de raíz unitaria de Dickey-Fuller para los residuales,

RE
Null Hypothesis: RE has a unit root

Exogenous: None
Lag Length: 13 (Automatic - based on SIC, maxlag=14)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.789731 0.0054

Test critical values: 1% level -2.578018
5% level -1.942624
10% level -1.615515
*MacKinnon (1996) one-sided p-values.
En el ejemplo, el test ADF calculado para los residuales es -2.79 y el valor

crítico al 1% del nivel de significancia. es -2.59; por lo tanto, RE no tiene
raíz unitaria; o sea los residuales RE es estacionaria y, por tanto, existe coin-
tegración entre las series LX, LP y LY.
Etapa 3. Si las variables cointengran, entonces se puede formular un Mo-
delo de Corrección de Errores (3.6)
∆𝑧 = 𝑎 + 𝛼 𝜀̂ + 𝑎 ∆𝐿𝑋 + 𝑎 ∆𝐿𝑃 + 𝑎 ∆𝐿𝑌
+ 𝑢
donde zt representa a: LXt,, LPt, o LYt, de manera que habrían tres ecuacio-
nes, siendo la más importante cuando zt = Xt y Δ representa el operador de
primeras diferencias. Asimismo, 𝜀 (= REt-1) es el término de error del
periodo anterior.
Etapa 4. Evaluar adecuadamente el modelo. El coeficiente 𝛼 es el coefi-
ciente de ajuste. Debe cumplir las siguientes condiciones (i) debe ser
negativo, (ii) el valor no debe ser muy grande y (iii) debe ser estadística-
mente significativo. Si 𝛼 = 0, entonces no existe Modelo de Corrección de
Errores, MCE. y sistema anterior constituye un modelo VAR en primeras
diferencias.
- 57 -
La estimación del MCE por el programa E-Views se presenta en el Cuadro

3.2. donde el parámetro asociado a los errores del periodo anterior (REt-1)
resulta de -0.51 con un t estadístico de -6.04, lo cual es altamente significa-
tivo y cumple con las tres condiciones para la adecuada interpretación.
En efecto, el coeficiente de ajuste de -051, indica que en cada periodo se
corrige alrededor del 51% de la discrepancia existente entre el valor actual
y lo que correspondería a su valor de equilibrio de largo plazo.
Cuadro 3.2. Estimación del Modelo de Corrección de Errores en la me-
todología de Engle-Granger
Dependent Variable: D(LX)
Method: Least Squares
Date: 04/12/21 Time: 19:33
Sample (adjusted): 2004M04 2019M12
Included observations: 189 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 0.007077 0.007631 0.927419 0.3549

RE(-1) -0.514234 0.085164 -6.038170 0.0000
D(LX(-1)) -0.148595 0.082724 -1.796276 0.0741
D(LX(-2)) -0.060886 0.070920 -0.858521 0.3917
D(LP(-1)) -0.391683 0.231573 -1.691400 0.0925
D(LP(-2)) 0.032829 0.236456 0.138837 0.8897
D(LY(-1)) 1.130706 1.091792 1.035642 0.3018
D(LY(-2)) 0.398279 1.089656 0.365509 0.7152
3.5. Test de Cointegración Multivariada de Johansen para el modelo

de oferta exportable
Para la prueba de cointegración de Johansen existen dos estadísticos: el estadístico

de Ratio de Verosimilitud o llamado también estadístico de la traza y, el estadís-
tico del máximo valor propio.
a. El test estadístico Ratio de Verosimilitud o estadístico de la Traza
K
LRt = −2 ln(Q; H 2 / H 1 ) = −T  ln(1 − λˆ )
i = r +1
i (3.7)
- 58 -
Donde T es el número de observaciones y los λ̂ i son las raíces características es-

timadas. Se contrasta la hipótesis nula (Ho) que hay como máximo r vectores de
Donde T es el número de observaciones y las ⋋ son las raíces características esti-
madas. Se contrasta la hipótesis nula (Ho) que hay como máximo r vectores de
b. El estadístico de Máximo Autovalor (Maximal Eigenvalues Statistics):
λmax = -T ln (1- r+1) (3.8)

Mediante la fórmula anterior el cual se contrasta Ho: r ≤ K frente a H1: r ≤ r+1
Los valores críticos de ambos estadísticos se encuentran en Johansen (1988) y Os-
terwald-Lenum (1992): Cabe señalar que las distribuciones de los estadísticos
dependen del número de relaciones de cointegración, por lo que los valores críticos
varían en función del número de éstas.
Cuadro 3.3. Test de Cointegración con el Estadístico de la Traza
Date: 04/01/21 Time: 22:08

Trend assumption: Linear deterministic trend
Series: LX LP LY
Lags 59nterval (in first differences): 1 to 4
Unrestricted Cointegration Rank Test (Trace)
Hypothe-
sized Trace 0.05
No. Of
CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.172123 43.90035 29.79707 0.0007

At most 1 0.043642 8.577725 15.49471 0.4059
At most 2 0.001246 0.233177 3.841466 0.6292
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
- 59 -
La otra estadística que se utiliza es el estadístico de máximo autovalor (maximal

eigenvalues satatistics), dado por:
λmax = -T ln (1- λˆ r+1)
mediante la fórmula anterior el cual se contrasta Ho: r ≤ K frente a H1: r ≤ r+1

Cuadro 3.4. Test de Cointegración con el Estadístico del Máximo Valor Pro-
pio
Universited Cointegration Rank Test (Maximun Eigenvalue)
Hypothe-
sized Max-Eigen 0.05
No. Of
CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.172123 35.32262 21.13162 0.0003

At most 1 0.043642 8.344549 14.26460 0.3448
At most 2 0.001246 0.233177 3.841466 0.6292
Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Prueba de Hipótesis con el estadístico del Máximo Valor Propio

H 0 : r = 0 No existe ningún vector de cointegración
H1 : r > 0 existe 1 o 2 vectores de cointegración
Si λ Traza > valores críticos, entonces se rechaza la hipótesis nula y se acepta la

hipótesis alternativa de 1 o más vectores de cointegración. En el Cuadro 3.4. se
observa que el valor calculado de 35.32 es mayor que el valor crítico al nivel de
significancia del 5% de 21.13, por lo que se rechaza la hipótesis nula y se concluye
que solo existe un vector de cointegración.
- 60 -
Cuadro 3.5. Estimación del Vector de Corrección de Errores en el modelo

de Johansen
Vector Error Correction Estimates

Date: 04/01/21 Time: 22:17
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
LX(-1) 1.000000
LP(-1) -0.686184
(0.05798)
[-11.8347]
LY(-1) -1.727574
(0.10606)
[-16.2879]
C 13.35629
Error Correction: D(LX) D(LP) D(LY)
CointEq1 -0.525187 -0.012154 -0.000619

(0.08548) (0.02915) (0.00601)
[-6.14385] [-0.41688] [-0.10301]
D(LX(-1)) -0.144640 -0.007645 0.001201
(0.08244) (0.02812) (0.00580)
[-1.75443] [-0.27190] [ 0.20707]
Ecuación cointegrante normalizada en el MCE de Johansen

La ecuación cointegrante normalizada del periodo anterior obtenida del Modelo de
Corrección de Errores es:
𝐿𝑋 = −13.36 + 0.69 𝐿𝑃 + 1.73 𝐿𝑌 (3.9)
(0.06) (0.11)
[11.83] [16.29]
- 61 -
Donde las cifras entre paréntesis son los errores estándar y las cifras entre corchetes
son los estadísticos t.
El coeficiente estimado β1 = 0.69 es la elasticidad de las exportaciones no tradicio-
nales con respecto al Índice de Precios de las Exportaciones. Así, ante un aumento
del 1% del índice de precios de las exportaciones, P, las exportaciones no tradicio-
nales aumentarían en 0.69%. El otro coeficiente se interpreta de manera similar.
Vector de Corrección de Errores Estimado
El parámetro de ajuste de la ecuación es -0.52 y es significativo estadísticamente
(t=-6.14). Esto significa que en cada periodo (mes) se corrige el 52% de la discre-
pancia existente entre el valor actual y el que corresponde a su equilibrio de largo
plazo. Asimismo, los signos de los parámetros estimados de la Ecuación Cointe-
grante son los esperados.
Gráfico 3.2. Relación de Cointegración en el modelo de Johansen
.3
.2
.1
.0
-.1
-.2
-.3
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
Cointegrating relation 1
- 62 -
La hipótesis nula para esta prueba establece que no existe autocorrelación en los
residuales; de acuerdo a los resultados no es posible rechazar la hipótesis nula.
Cuadro 3.6. Residuales del vector de corrección de errores
VEC Residual Portmanteau Tests for Autocorrelations
Null Hypothesis: No residual autocorrelations up to lag h
Date: 04/01/21 Time: 22:39
Sample: 2004M01 2019M12
Included observations: 189
Lags Q-Stat Prob.* Adj Q-Stat Prob.* df
1 0.153073 --- 0.153887 --- ---

2 0.748091 --- 0.755269 --- ---
3 7.503680 0.9421 7.619819 0.9381 15
*Test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution after
adjustment for VEC estimation (Bruggemann, et. al. 2005)
La prueba de normalidad de los residuales tiene como hipótesis nula que los resi-
duales son normales multivariados. Según los indicadores del sesgo y Chi
cuadrado no se rechaza la hipótesis nula de acuerdo a las probabilidades de los
componentes 1, 2 y 3. Asimismo, el valor del estadístico Jarque-Bera conduce a
los mismos resultados.
Cuadro 3.7. Test de normalidad de los residuales en el modelo VEC
VEC Residual Normality Tests
Orthogonalization: Cholesky (Lutkepohl)
Null Hypothesis: Residuals are multivariate normal
Date: 04/01/21 Time: 22:40
Sample: 2004M01 2019M12
Component Skewness Chi-sq df Prob.*
1 -0.167307 0.881734 1 0.3477

2 -0.294392 2.729993 1 0.0985
3 -0.477882 7.193690 1 0.0073
Joint 10.80542 3 0.0128
- 63 -
Component Kurtosis Chi-sq df Prob.
1 3.252184 0.500826 1 0.4791

2 3.467783 1.723214 1 0.1893
3 5.980956 69.97801 1 0.0000
Joint 72.20205 3 0.0000
Component Jarque-Bera df Prob.
1 1.382560 2 0.5009
2 4.453208 2 0.1079
3 77.17170 2 0.0000
Joint 83.00747 6 0.0000
*Approximate p-values do not account for coefficient estimation
En esta prueba se incluye los términos cruzados e indica que los residuales son
heteroscedásticos.
Cuadro 3.8. Test de Heteroscedasticidad de los Residuales del VEC
VEC Residual Heteroskedasticity Tests (Includes Cross terms)
C
Date: 04/01/21 Time: 22:40
Sample: 2004M01 2019M12
Joint test:
Chi-sq df Prob.
205.6498 210 0.5719
Individual components:
Dependent R-squared F(35,153) Prob. Chi-sq(35) Prob.
Res1*res1 0.154994 0.801820 0.7752 29.29378 0.7396

res2*res2 0.307694 1.942870 0.0032 58.15412 0.0083
res3*res3 0.106760 0.522474 0.9868 20.17768 0.9787
res2*res1 0.172860 0.913561 0.6107 32.67045 0.5811
res3*res1 0.167049 0.876697 0.6673 31.57235 0.6344
res3*res2 0.208492 1.151480 0.2763 39.40492 0.2793
- 64 -
Gráfico 3.3. Descomposición Histórica del modelo VAR

VAR storical descomposicition (Johansen)
Historical Decomposition using Cholesky (d.f. adjusted) Weights
LX from LX LX from LP LX from LY

.6 .6 .6
.5 .5 .5
.4
.4 .4
.3
.3 .3
.2
.2 .2
.1
.1 .1
.0
.0 .0
-.1
-.2 -.1 -.1
-.3 -.2 -.2

04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
Total stochastic LX Total stochastic LP Total stochastic LY
LP from LX LP from LP LP from LY

.7 .7 .7
.6 .6 .6
.5 .5 .5
.4 .4 .4
.3 .3 .3
.2 .2 .2
.1 .1 .1
.0 .0 .0
-.1 -.1 -.1
-.2 -.2 -.2

04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
LY from LX LY from LP LY from LY

.08 .08 .08
.06
.06 .06
.04
.04 .04
.02
.02 .02
.00
.00 .00
-.02
-.02 -.02 -.04

04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
3.6. Estimación del modelo ARDL en la metodología de Pesaran, Shin

y Smith
Tal como se describe en el capítulo 3, el contraste propuesto por Pesaran,
Shin y Smith, permite la estimación de una relación a largo plazo sin conocer con
certeza si los regresores son variables I(0) o I(1) o una combinación de am-
bas. Solo se necesita asegurar de que la variable dependiente sea I(1) y que ninguna
variable utilizada en el análisis sea I(d), con d≥2. Esto es debido a que casi ninguna
variable económica es de este tipo, por tanto, las series pueden ser todas I(0), todas
I(1)
- 65 -
Pesaran et. al. proporcionan un conjunto de valores críticos suponiendo, en primer

lugar, que las variables objeto de estudio son integradas de orden 1, I(1) y, en se-
gundo lugar, que dichas variables son integradas de orden 0, I(0). Estos autores
proponen un procedimiento de contraste con bandas, de tal forma que, si el esta-
dístico F o el estadístico t se encuentran fuera de la banda de valores críticos, se
puede extraer una conclusión acerca de la existencia o no de una relación de largo
plazo entre las variables en niveles. Sin embargo, si los mencionados estadísticos
se encuentran dentro de las bandas de valores críticos establecidos, no se puede
extraer ninguna conclusión. (véase el siguiente Gráfico).
Gràfico 3.4. Bandas en el modelo de Pesaran
La estimación de la ecuación de cointegración por el método ARDL se presenta en

el Cuadro 3.9. la cual es un resultado obtenido del programa E-Views versión 10.
El periodo de estimación es enero 2004 a diciembre del 2019 (192 observaciones);
el máximo de retardos de la variable dependiente es de 4 (selección automática),
el criterio de información es el de Akaike (AIC), siendo los regresores fijos la
constante y la tendencia. Según los regresores fijos y la especificación de la ten-
dencia, para el estadístico F propuesto por Pesaran et. al. Y que recoge el programa
E-Views existen cinco casos: (I) Ninguno, (II) No intercepto y no tendencia, (III)
Intercepto irrestricto y no tendencia, (IV) Intercepto irrestricto y tendencia restricta
- 66 -
y al Caso V, intercepto irrestricto y tendencia irrestricta del estadístico F propuesto

por Pesaran et. al.
De acuerdo al programa E-Views, se evaluaron 100 modelos y el modelo seleccio-
nado es ARDL (1, 2, 0), el cual corresponde (3.10)
LXt = - 2.51 + 0.36 LXt-1 -0.10LPt + 0.04LPt-1 + 0.50 LPt-2 + 0.47LYt +
0.002 @trend +εt
(2.85) (0.07) (0.22) (0.35) (0.23) (0.30) (0.0008)
[-0.88] [5.35] [-0.47] [0.11] [2.20] [1.55] [2.117]]
Donde las cifras entre paréntesis son los errores estándar y las cifras entre cor-
chetes son los estadísticos t., que en la mayoría son estadísticamente
significativos.
El coeficiente de determinación, R2 = 0.96 indica que las variaciones de la variable
dependiente LX son explicadas en un 96% por las variaciones de las variables del
lado derecho de la ecuación de regresión.
- 67 -
Cuadro 3.9. Estimaciòn de la ecuación del proceso autorregresivo de rezagos

distribuidos, ARDL
Dependent Variable: LX
Method: ARDL
Date: 03/29/21 Time: 00:44
Maximum dependent lags: 4 (Automatic selection)
Model selection method: Akaike info criterion (AIC)
Dynamic regressors (4 lags, automatic): LP LY
Fixed regressors: C @TREND
Number of models evalulated: 100
Selected Model: ARDL(1, 2, 0)
Note: final equation sample is larger 68an selection sample
Variable Coefficient Std. Error t-Statistic Prob.*
LX(-1) 0.356738 0.066587 5.357478 0.0000

LP -0.102799 0.216550 -0.474715 0.6356
LP(-1) 0.038822 0.350231 0.110846 0.9119
LP(-2) 0.496626 0.225863 2.198791 0.0291
LY 0.470997 0.304190 1.548365 0.1233
C -2.509536 2.845393 -0.881964 0.3790
@TREND 0.001752 0.000828 2.117070 0.0356
R-squared 0.958288 Mean dependent var 6.560562

Adjusted R-squared 0.956921 S.D. dependent var 0.410866
S.E. of regression 0.085278 Akaike info criterion -2.049663
Sum squared resid 1.330826 Schwarz criterion -1.930036
Log likelihood 201.7180 Hannan-Quinn criter. -2.001204
F-statistic 700.7085 Durbin-Watson stat 2.065320
Prob(F-statistic) 0.000000
*Note: p-values and any subsequent tests do not account for model
selection.
A continuación se presenta el modelo ARDL en su forma de largo plazo y el test

de bandas, donde el estadístico t asociado a la variable LX t-1 es -9-66 y los valores
(Caso V del estadístico t) de I(0)= -3.96 y el valor de I(1) es de -4.53 para un nivel
de significancia del 1%, lo cual indica que existe relaciones de largo plazo entre
las variables consideradas en el modelo; es decir existe cointegración.
- 68 -
Alternativamente, si se considera el estadístico F, tiene como valor calculado de

31.19 y los valores de las bandas I(0) = 6.34 y I(1) = 7.52, lo cual indica que el
valor F calculado cae por encima de la banda y por consiguiente las variables
cointegran en el largo plazo.
Cuadro 3.10. Test de ARDL en su forma de largo plazo y bandas
ARDL Long Run Form and Bounds Test

Case 5: Unrestricted Constant and Unrestricted Trend
Date: 03/30/21 Time: 22:22
Sample: 2004M01 2019M12
Conditional Error Correction Regression
C -2.509536 2.845393 -0.881964 0.3790

@TREND 0.001752 0.000828 2.117070 0.0356
LX(-1)* -0.643262 0.066587 -9.660501 0.0000
LP(-1) 0.432649 0.053340 8.111145 0.0000
LY** 0.470997 0.304190 1.548365 0.1233
D(LP) -0.102799 0.216550 -0.474715 0.6356
D(LP(-1)) -0.496626 0.225863 -2.198791 0.0291
* p-value incompatible with t-Bounds distribution.

** Variable interpreted as Z = Z(-1) + D(Z).
Levels Equation
LP 0.672585 0.047286 14.22383 0.0000

LY 0.732200 0.469598 1.559206 0.1207
EC = LX – (0.6726*LP + 0.7322*LY )
- 69 -
F-Bounds Test Null Hypothesis: No levels relationship
Test Statistic Value Signif. I(0) I(1)
Asymptotic:
n=1000
F-statistic 31.18792 10% 4.19 5.06
k 2 5% 4.87 5.85
2.5% 5.79 6.59
1% 6.34 7.52
Finite Sample:
Actual Sample Size 190 n=80
10% 4.307 5.223
5% 5.067 6.103
1% 6.73 8.053
t-Bounds Test Null Hypothesis: No levels relationship
t-statistic -9.660501 10% -3.13 -3.63

5% -3.41 -3.95
2.5% -3.65 -4.2
1% -3.96 -4.53
La regresión de Corrección de errores del ARDL muestra que la velocidad de

coeficiente de ajuste es de -0.64, el mismo que indica que en cada periodo se co-
rrige el 64% de la diferencia existente entre el valor actual y el que corresponde al
de largo plazo. Este resultado indica que el ajuste es muy rápido.
- 70 -
Cuadro 10.11. Regresiòn de corrección de errores en el modelo ARDL

ARDL Error Correction Regression
Date: 03/30/21 Time: 22:25
Sample: 2004M01 2019M12
ECM Regression
C -2.509536 0.259330 -9.676993 0.0000
@TREND 0.001752 0.000216 8.128364 0.0000
D(LP) -0.102799 0.212777 -0.483131 0.6296
D(LP(-1)) -0.496626 0.224345 -2.213670 0.0281
CointEq(-1)* -0.643262 0.066141 -9.725549 0.0000
* p-value incompatible with t-Bounds distribution.
Null Hypothesis: No levels relation-

F-Bounds Test ship
F-statistic 31.18792 10% 4.19 5.06
k 2 5% 4.87 5.85
2.5% 5.79 6.59
1% 6.34 7.52
Null Hypothesis: No levels relation-

t-Bounds Test ship
t-statistic -9.725549 10% -3.13 -3.63
5% -3.41 -3.95
2.5% -3.65 -4.2
1% -3.96 -4.53
- 71 -
En términos gráficos se puede notar la relación de cointegración en el largo plazo

entre las nvariables logaritmo de las exportaciones no tradicionales, LX; log del
Índice de Precios de las Exportaciones y el log del Ingreso Externo, LY.
Gráfico 3.5. Cointegración en el modelo ARDL
-3.2
-3.3
-3.4
-3.5
-3.6
-3.7
-3.8
-3.9
-4.0
-4.1
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
- 72 -
Evaluación econométrica del modelo ARDL
CAPÍTULO 4
EVALUACIÓN ECONOMÉTRICA DEL MODELO ARDL
4.1. Diagnóstico de coeficientes: Variables Omitidas
Con el test de Variables Omitidas se pretende contrastar si una variable ha sido
omitida incorrectamente del modelo. En el ejemplo de exportaciones no tradicio-
nales del Perú, se pretende probar si tipo de cambio real bilateral (LR) ha sido
excluido incorrectamente. Desde el punto de vista analítico se plantean dos mode-
los para el ARDL:
(i) Modelo no Restringido:
LXt = β0+ β1 LXt-1 β2LPt + β3LPt-1 + β4 LPt-2 + β5LYt + β6 @trend +β7 LRt +εt
(4.1)
donde la suma de residuales al cuadrado es:

SRCNR = 1.3075.
(ii) Modelo Restringido:
LXt = β0 + β1 LXt-1 + β2 LPt + β3LPt-1 + β4 LPt-2 + β5LYt + β6 @trend
+εt (4.2)
Aquí la restricción es β7 = 0 (Parámetro asociado a la variable LR) y la suma de
los residuales al cuadrado de la ecuación restringida es.
SRCR = 1.3308
( )/
El estadístico de prueba es: 𝐹 = )
~𝐹 ;( )
/(
(4.3)
Donde r es número de restricciones; T es el tamaño muestral y K es el número de
parámetros por estimar en el modelo no restringido.
( . . )/
𝐹= )
= 3.2539
. /(
La Hipótesis Nula establece que: La variable LR es conjuntamente significativa.

Puesto que el valor del estadístico F es 3.25 a un nivel de significancia del 0.07,
entonces, es posible rechazar la hipótesis nula. Esto implica que la variable tipo de
cambio real bilateral debe ser omitida del modelo final. Además, el coeficiente
- 73 -
estimado de β7 tiene signo negativo, lo cual contradice con la teoría económica y

la evidencia empírica. Véase el siguiente cuadro:
Cuadro 4.1. Test de Variables Omitidas
Omitted Variables Test

Null hypothesis: LR are jointly significant
Equation: UNTITLED
Specification: LX LX(-1) LP LP(-1) LP(-2) LY C @TREND
Omitted Variables: LR
Value df Probability
t-statistic 1.803844 182 0.0729
F-statistic 3.253853 (1, 182) 0.0729
Likelihood ratio 3.366872 1 0.0665
F-test summary:
Mean Squa-
Sum of Sq. df res
Test SSR 0.023375 1 0.023375
Restricted SSR 1.330826 183 0.007272
Unrestricted SSR 1.307451 182 0.007184
LR test summary:
Value
Restricted LogL 201.7180
Unrestricted LogL 203.4014
Unrestricted Test Equation:

Date: 03/29/21 Time: 00:53
Sample: 2004M03 2019M12
LX(-1) 0.325876 0.068356 4.767320 0.0000

LP -0.143255 0.216394 -0.662013 0.5088
LP(-1) 0.058439 0.348264 0.167802 0.8669
LP(-2) 0.448481 0.226066 1.983849 0.0488
LY 0.930603 0.395379 2.353696 0.0197
C -4.939751 3.132543 -1.576914 0.1166
@TREND 0.000712 0.001005 0.708291 0.4797
LR -0.304566 0.168843 -1.803844 0.0729
- 74 -

4.2. Restricciones lineales en los coeficientes: el test de Wald

Similar al test de Variables Omitidas, pero es más general. Por ejm. c(2)=c(3)=0;
o C(2)=2*c(3). Se plantean dos modelos
(i) Modelo no Restringido:
LXt = β0 + β1 LXt-1 + β2LPt + β3LPt-1 + β4 LPt-2 + β5LYt + β6 @trend +β7 LRt

+εt
O escrito de otra forma: LX = C(1) + C(2)LX(-1) +C(3)LP + C(4)LP(-1) +

C(5)LP(-2)+C(6)LY+C(7)@trend+C(8)LR+εt. (4.4)
La restricción es C(8)=0 (Parámetro asociado a la variable LR)

SRCNR = 1.3075.
(ii) Modelo Restringido: LX = C(1) + C(2)LX(-1) +C(3)LP + C(4)LP(-1) +

C(5)LP(-2)+C(6)LY+C(7)@trend+εt (4.5)
Aquí la restricción es β3 = 0 en la ecuación (1) o C(4)=0, en la ecuación
(ii)
SRCR = 1.3308
( )/
Estadístico de prueba: 𝐹 = )
~𝐹 ;( )
/(
Donde SRCR = Suma de residuales al cuadrado en el modelo restringido; r es nú-

mero de restricciones; T es el tamaño muestral y K es el número de parámetros por
estimar en el modelo no restringido.
( . . )/
𝐹= )
= 3.25
. /(
- 75 -
La Hipótesis Nula es: β7 = 0 o C(8)=0 lo cual establece que la restricción es sig-

nificativa. Puesto que el valor del estadístico F es 3.25 y su nivel de significancia
es 0.07, entonces no es posible rechazar la hipótesis nula.
Nota. La triada de test : RV, Wald y LM son equivalentes asintóticamente.
Cuadro 4.2. Test de Wald

Equation: Untitled
Test Statistic Value df Probability
t-statistic -1.803844 182 0.0729

F-statistic 3.253853 (1, 182) 0.0729
Chi-square 3.253853 1 0.0713
Null Hypothesis: C(8)=0

Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
C(8) -0.304566 0.168843
Restrictions are linear in coefficients.
4.3. Test de variable redundante

El test de Variables Redundantes permite determinar si una variable incluida en el
modelo no es relevante. El procedimiento para llevar a cabo la prueba es la si-
guiente:
(i) Modelo Restringido:
LXt = β0 + β1 LXt-1 + β2LPt + β3LPt-1 + β4 LPt-2 + β6 @trend +β7 LRt +εt (4.5)
Aquí la restricción es β 5 = 0 (Parámetro asociado a la variable (LY)
SRCR = 1.3483
- 76 -
(ii) Modelo no Restringido:
LXt = β0 + β1 LXt-1 + β2LPt + β3LPt-1 + β4 LPt-2 + β5LYt + β6 @trend +β7 LRt

+εt (4.6)
SRCNR = 1.3308.
( )/
Estadístico de prueba: 𝐹 = )
~𝐹 ;( )
/(
Donde SRCR = Suma de residuales al cuadrado en el modelo restringido; r

es número de restricciones; T es el tamaño muestral y K es el número de
parámetros por estimar en el modelo no restringido.
( . . )/
𝐹= )
= 2.397
. /(
En el ejemplo de exportaciones no tradicionales, la hipótesis nula es: La

variable LY es conjuntamente insignificantes (no relevante). Puesto que el
estadístico F tiene un valor de 2.397y un nivel de significancia de 0.1233,
se rechaza la hipótesis nula. Esto implica que la variable ingreso externo
(LY) no es redundante y por lo tanto, debe estar presente en el modelo final.
- 77 -
Cuadro 4.3. Test de Variables Redundantes
Redundant Variables Test

Null hypothesis: LY are jointly insignificant
Equation: UNTITLED
Specification: LX LX(-1) LP LP(-1) LP(-2) LY C @TREND
Redundant Variables: LY
Value df Probability
t-statistic 1.548365 183 0.1233
F-statistic 2.397435 (1, 183) 0.1233
F-test summary:
Mean Squa-
Sum of Sq. df res
Test SSR 0.017435 1 0.017435
Restricted SSR 1.348260 184 0.007328
Unrestricted SSR 1.330826 183 0.007272
Restricted Test Equation:

Date: 04/10/21 Time: 23:21
Sample: 2004M03 2019M12
LX(-1) 0.369457 0.066329 5.570098 0.0000

LP -0.105321 0.217364 -0.484537 0.6286
LP(-1) 0.045410 0.351533 0.129178 0.8974
LP(-2) 0.487517 0.226642 2.151042 0.0328
C 1.880412 0.241377 7.790367 0.0000
@TREND 0.002918 0.000345 8.454850 0.0000

- 78 -
4.4. Test de normalidad de los errores: el contraste de Jarque-Bera

Puesto que algunas de las propiedades del estimador MCO dependen del supuesto
de normalidad del término de error del modelo, es necesario probar tal hipótesis.
Uno de los contrastes más utilizados para probar la normalidad de los errores es el
de Jarque-Bera (JB), que se basa en los momentos 3 y 4 en estadística, los cuales
son los coeficientes de asimetría y de curtosis, respectivamente. La distribución
normal, por ser simétrica tiene un coeficiente de asimetría igual a 0 y coeficiente
de kurtosis (o apuntamiento), de 3. Si el término de error del modelo es aproxima-
damente normal, entonces el estadístico JB sería pequeño. Esta prueba es
asintótica; es asintótica es decir, tiene mejores propiedades a medida que el tamaño
muestral aumenta indefinidamente.
La fórmula del estadístico Jarque-Bera es la siguiente:

í ( )
𝐽𝐵 = 𝑇 + ~𝜒 (4.7)
Las hipótesis nula y alterna son:
H0 : Los errores (𝜀̂ ) siguen una distribución normal
H1 : Los errores (𝜀̂ ) siguen la familia Pearson no normal
Si JB > 𝜒 Rechace la H0.
En el ejemplo, el valor de Jarque-Bera es de 4.44 y el valor de 𝜒 es 5.99 a un

nivel de significancia del 5%. Por lo tanto, no es posible rechazar la H0.
NOTA: El número de grados de libertad para esta prueba es siempre igual a 2,

independiente del tamaño de la muestra. Tome en cuenta los momentos de tercer
y cuarto orden en estadística: Coeficientes de asimetría y de curtosis.
- 79 -
Gràfico 4.1. Test de Normalidad de los errores: Jarque-Bera

30
Series: Residuals
25
Sample 2004M03 2019M12
Observations 190
20 Mean -1.23e-15
Median 0.000911
15 Maximum 0.262414
Minimum -0.245866
10
Std. Dev. 0.083913
Skewness -0.107646
Kurtosis 3.717629
5
Jarque-Bera 4.443953
0 Probability 0.108395
-0.2 -0.1 0.0 0.1 0.2
Diagnóstico de los residuales
4.5. Diagnóstico de residuales: Contraste de Autocorrelación (o Correlación

Serial), el test de Durbin-Watson
En general, el problema de autocorrelación puede surgir por (i) inercia, (ii) Sesgo
de especificación: variables excluidas, forma funcional incorrecta, (iii) fenómeno
de la telaraña y (iv) rezagos.
Para la prueba de autocorrelación, el test más usado el Durbin-Watson. Este se

basa en los siguientes supuestos:
(i). El modelo de regresión debe incluir el intercepto.
Por Ejm. LXt = β 0 + β1 LPt + β2 LYt + εt
(ii). Las perturbaciones se generan mediante el esquema AR(1): ut = ρ u t-1 + εt.
(iii). Las variables explicativas, X’s son no estocásticas; es decir, son fijos en
muestreo repetido
- 80 -
(iv). El modelo de regresión no incluye valor(es) rezagado(s) de la variable depen-

diente como una de las variables explicativas. Por ejemplo, para el siguiente
modelo: LXt = β0 +β1 LPt + β2 LYt + β3LXt-1 + εt ,
El estadístico Durbin-Watson (d) no es válido ; en su lugar debe utilizarse la

prueba h de Durbin:
h= 1− 𝑑 ⌈ ( )⌉
; donde T es el tamaño de la muestra y
var (β3 ), es la varianza del coeficiente del rezago Xt-1.
El estadístico DW se expresa como: d ≈ 2(1 – ρ ); siendo ρ el coeficiente de auto-

correlación muestral de primer orden.
Puesto que -1≤ ρ ≤ 1; implica que 0 ≤ d ≤ 4. Si no hay autocorrelación

entonces, ρ = 0 y d = 2.
En la estimación de las ecuaciones de exportaciones el estadístico DW = 0.89, lo

cual indica que hay problema de Correlación Serial positiva
4.6. Diagnóstico de Residuales: Contraste de Correlación Serial

El test de Breusch-Godfrey (Multiplicador de Lagrange)
Una especificación más general para las perturbaciones es el test LM para un es-
quema del tipo AR (p)
ut = ρ1 u t-1 + ρ2 u t-2 +…+ ρp u t-p+ εt.

(4.8)
Procedimiento para la Prueba de LM (Estadístico asintótico T*R2)
(i) Estimar el modelo:
LXt = β0 + β1 LXt-1 + β2LPt + β3LPt-1 + β4 LPt-2 + β5LYt + β6 @trend + ut (4.9)
y obtener 𝑢t
- 81 -
(ii) Estimar una regresión de los residuos 𝑢t sobre ( 𝑢t-1, …, 𝑢t-p) así como sobre las
variables explicativas: (LP y LYt); es decir,
𝑢t = = β0 + β1 LXt-1 + β2LPt + β3LPt-1 + β4 LPt-2 + β5LYt + β6 @trend +
+ ρ1 𝑢t-1 + ρ2 𝑢t-2 + εt. (4.10) (Regresión auxiliar) de esta regresión obtener

R2
(iii) Construir el estadístico T*R2 ~ χ2p grados de libertad; siendo p el número de

retardos del esquema autorregresivo.
(iv) Hipótesis nula, H0 : ρ1 = ρ2 =0 ; No existe correlación serial en la varianza

de los errores.
(v) Criterio de Decisión:
Si T*R2 > χ2p gl Rechazar la H0.
En el ejemplo, T*R2 = 190 (0.008089) = 1.54. El nivel de significancia es 0.0000,

por lo que se rechaza la hipótesis nula.
Para esta prueba de correlación serial, también se puede utilizar el estadístico F

basado en modelos restringido y no restringido.
- 82 -
Cuadro 4.4. Test de Correlación Serial de Breusch-Godfrey
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.738019 Prob. F(2,181) 0.4795

Obs*R-squared 1.536899 Prob. Chi-Square(2) 0.4637
Test Equation:
Dependent Variable: RESID
Method: ARDL
Date: 03/29/21 Time: 01:08
Sample: 2004M03 2019M12
Presample missing value lagged residuals set to zero.
LX(-1) 0.128880 0.198846 0.648141 0.5177

LP 0.005104 0.218535 0.023356 0.9814
LP(-1) 0.069695 0.356657 0.195412 0.8453
LP(-2) -0.160019 0.305963 -0.523002 0.6016
LY -0.073248 0.327518 -0.223647 0.8233
C 0.299655 2.905628 0.103129 0.9180
@TREND -0.000421 0.001012 -0.415816 0.6780
RESID(-1) -0.168872 0.214569 -0.787028 0.4323
RESID(-2) 0.019172 0.103030 0.186086 0.8526
R-squared 0.008089 Mean dependent var -1.23E-15

Adjusted R-squared -0.035752 S.D. dependent var 0.083913
_______________________________________________________
- 83 -
4.7. Diagnóstico de Residuales: Contraste de Heteroscedasticidad

de White
El contraste de White es un procedimiento general que no se apoya en el supuesto
de normalidad de los errores. El procedimiento es el siguiente:
(i) Estimar por MCO la siguiente regresión:
LXt = β0 + β1 LX t-1 + β2LPt + β3LPt-1 + β4 LPt-2 + β5LYt + β6 @trend + ut

(4.11)
y obtener los residuales 𝑢t

(ii) Estimar por MCO la regresión auxiliar; es decir, una regresión de los resi-
duales al cuadrado en función de variables originales, sus valores al
cuadrado y productos cruzados. También es posible introducir como regre-
sores potencias más altas de las variables explicativas y residuales
rezagados. (Véase resultados E-Views)
𝑢 = β0 +LX2 t-1 +β1 LX t-11*LP+β2LX t-1*LP t-1t-+β3LX(-1) *LP t-+β4LX t-

1*LYC+ β5Xt-1*@trend+ β6LXt-1+LP t + ... + β0LYt@trend+β0@trend +β0@trend
2 2
(4.12)
luego obtener R2.
(iii) Calcular el valor del estadístico T*R2 . Asintóticamente sigue una distribu-
ción ji-cuadrado con grados de libertad igual al número de regresores,
excluyendo el término constante, en la regresión auxiliar.
(iv) Formulación de hipótesis: H0 : 𝛼 = 𝛼 = 𝛼 = 𝛼 = 𝛼 = ⋯ = 0; La

varianza de los errores son homoscedásticos (No hay heteroscedasticidad).
(v) Criterio de Decisión:
Si T*R2 > 𝑋 , entonces rechazar la hipótesis nula. R2 = 0.1337 y T = 190;

T*R2 = 25.41
Nota.- La prueba de White puede ser una prueba de heteroscedasticidad pura o de
error de especificación o de ambos.
- 84 -
Cuadro 4.5. Test de Heteroscedasticidad de White
Heteroskedasticity Test: White

Scaled explained SS 32.02478 Prob. Chi-Square(24) 0.1264
Test Equation:
Dependent Variable: RESID^2
Date: 03/29/21 Time: 01:10
Sample: 2004M03 2019M12
Collinear test regressors dropped from specification
C -12.62153 8.323738 -1.516330 0.1313

LX(-1)^2 0.018340 0.066611 0.275333 0.7834
4.8. Diagnóstico de Estabilidad: el Test de Cambio Estructural de

Chow
Una hipótesis básica del modelo lineal general es la constancia de los parámetros
estructurales. Pueden existir razones a priori para sospechar un cambio o una rup-
tura en la estructura.
Con datos de series temporales, puede existir un momento de cambio en la estruc-
tura. Si es así, el conjunto de datos corresponderá a dos estructuras, aunque no se
sepa en qué momento se ha producido el cambio. En el caso de datos de corte
transversal, pueden existir dos o más subpoblaciones con diferentes estructuras o
parámetros estructurales.
Se contrasta la hipótesis nula de ausencia de cambio estructural, es decir, que dos
sub-muestras han sido generadas por una misma estructura económica.
H0: ( β01, β 11, β 21, … ) = (β02, β12, β22, …) ; (4.13) (No hubo quiebre estructural)
donde β12 significa el coeficiente β1 en el sub-periodo 2 (o sub-muestra 2) y, así
sucesivamente.
- 85 -
Usualmente se produce cambio estructural cuando se tiene cierta información

acerca de una variación estructural que ocurrió en algún momento durante el pe-
riodo muestral (Por ejemplo, la crisis financiera internacional octubre del 2008), y
se pretende contrastar si dicha variación fue lo suficientemente importante como
para generar cambios en los coeficientes del modelo. El programa E-Views pre-
senta tres estadísticos alternativos: El estadístico F, Log del Ratio de Verosimilitud
y el Estadístico de Wald.
En el ejemplo de exportaciones, la ecuación de largo plazo contrasta si la crisis
financiera internacional produjo quiebre estructural. Aquí la hipótesis nula men-
ciona que los parámetros de las dos submuestras (antes y después de la crisis) no
han cambiado; es decir, han permanecido invariantes en el tiempo. Según los esta-
dísticos de prueba se rechaza la hipótesis.
Cuadro 4.6. Test de Cambio Estructural, Chow

Chow Breakpoint Test: 2008M10
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 2004M01 2019M12

Log likelihood ratio 17.80259 Prob. Chi-Square(3) 0.0005
Wald Statistic 18.07110 Prob. Chi-Square(3) 0.0004
El test de Chow puede también generalizarse al caso de existencia de m estructu-

ras.
En este caso,
𝑆𝑅𝐶 = 𝑆𝑅𝐶 + 𝑆𝑅𝐶 + ⋯ + 𝑆𝑅𝐶

El estadístico de Chow toma la forma general:
( ⋯ ) /( )
𝐹= ( )/( )
≈ 𝐹( ) ;( ) . (4.14)
⋯
Los problemas que origina la presencia de cambio estructural:

La estimación será sesgada e inconsistente
Las estimaciones de las varianzas serán poco fiables.
- 86 -
4.9. Test de Estabilidad: CUSUM Y CUSUM Cuadrado

Cuando se dispone de datos de series temporales, es siempre interesante contrastar
la hipótesis nula de homogeneidad temporal del modelo, frente a la alternativa de
que se ha producido algún cambio a lo largo del periodo muestral. Además del
test de Chow, existen otros dos contrastes basados en los denominados “residuos
recursivos.
Hay dos estadísticos para contrastar la estabilidad del modelo: CUSUM y CUSUM
cuadrado.
El estadístico CUSUM se basa en la suma acumulada de los residuos normaliza-
dos. Bajo la hipótesis nula de estabilidad, la prueba se lleva a cabo con un gráfico
que se construyen con bandas de confianza. Se rechaza la hipótesis de estabilidad
si la línea de residuos acumulados traspasa dichas bandas.
El segundo estadístico CUSUM cuadrado, utiliza los cuadrados de los residuos
normalizados. De manera similar, que el anterior estadístico, si la línea de residuos
recursivos se sale de las bandas de confianza se rechaza la hipótesis nula de homo-
geneidad del modelo. De acuerdo a los gràficos ….. se muestra la estabilidad del
modelo puesto que los residuos acumulados se encuentran dentro de las bandas de
confianza.
Gráfico 4.2. Test de Estabilidad: CUSUM y CUSUM Cuadrado
Test de CUSUM Test de CUSUM cuadrado

1.2
40
30 1.0
20 0.8
10
0.6
0
0.4
-10
0.2
-20
0.0
-30
-40 -0.2
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
CUSUM 5% Significance CUSUM of Squares 5% Significance
A continuación se presenta los gráficos de la estimación de los coeficientes recur-

sivos del modelo ARDL (1, 2, 0) en la que se observa que el ancho de las bandas
con una desviación estándar de ±2 se van cerrando conforme transcurre el tiempo,
lo cual implica que el modelo cumple con la propiedad de estabilidad.
- 87 -
Gráfico 4.3. Estimación recursiva: Coeficientes Recursivos

3 3 2
2 1
2
1 0
1
0 -1
0
-1 -2
-1
-2 -3
-2 -3 -4
2006 2008 2010 2012 2014 2016 2018 2006 2008 2010 2012 2014 2016 2018 2006 2008 2010 2012 2014 2016 2018
Recursive C(1) Estimates Recursive C(2) Estimates Recursive C(3) Estimates

± 2 S.E. ± 2 S.E. ± 2 S.E.
3 80 200
2 60 0
1 40 -200
0 20 -400
-1 0 -600
-2 -20 -800
2006 2008 2010 2012 2014 2016 2018 2006 2008 2010 2012 2014 2016 2018 2006 2008 2010 2012 2014 2016 2018
Recursive C(4) Estimates Recursive C(5) Estimates Recursive C(6) Estimates

± 2 S.E. ± 2 S.E. ± 2 S.E.
.2
.1
.0
-.1
-.2
-.3
-.4
2006 2008 2010 2012 2014 2016 2018
Recursive C(7) Estimates

± 2 S.E.
4.10. Test de Causalidad de Granger

El concepto de casualidad entre dos variables se refiere a la posibilidad de que los
valores presentes y pasados de una variable pueden ayudar a explicar el valor pre-
sente de otra.
En otras palabras, lo que se trata de comprobar es si una variable tiene poder pre-
dictivo sobre otra variable.
De esta manera los test de causalidad son más bien test de precedencia y contenido
informal, y no causalidad en el sentido vulgar del término. La causalidad de Gran-
ger es una causalidad estadística y no una causalidad económica.
- 88 -
Suponiendo que se desea probar la causalidad entre el Índice de Precios (LP) y las
Exportaciones no Tradicionales (LX), el test involucra las dos siguientes regresio-
nes:
𝐿𝑋 = ∑ 𝛼 𝐿𝑃 + ∑ 𝛽 𝐿𝑋 + 𝑢 (4.15)
𝐿𝑃 = ∑ 𝜃 𝐿𝑃 + ∑ ∅ 𝐿𝑋 + 𝑢 (4.16)
donde se asume que las perturbaciones 𝑢 y 𝑢 no están correlacionados.

Se pueden distinguir cuatro casos:
i) Causalidad unidireccional de LP a LX, si los coeficientes estimados sobre
LP rezagados en la ecuación (1) son estadísticamente diferentes de cero con-
siderados en su conjunto (i.e ∑ 𝛼 ≠ 0 ), y el conjunto de coeficientes
estimados sobre LX en la ecuación (2) no son estadísticamente diferentes de
cero; es decir, (i.e. ∑ ∅ = 0).
ii) Causalidad unidireccional de LX a LP, si ∑ 𝛼 =0 𝑦 ∑ ∅ ≠ 0.
iii) Causalidad bidireccional entre LX y LP, Este caso se presenta cuando:

∑ 𝛼 ≠ 0 𝑦 ∑ ∅ ≠ 0.
iv) Independencia entre LX y LP, Este caso se presenta cuando: ∑ 𝛼 =0

𝑦 ∑ ∅ = 0.
Según los resultados del E-Views La hipótesis nula, establece que el Ìndice de Pre-
cios (LP) no causa en el sentido de Granger a las Exportaciones no Tradicionales
(LX). Dado que el estadístico F es 3.98 y su probabilidad de cometer error tipo I
es 0.02, entonces se rechaza la hipótesis nula y se concluye que LP sí causa a LX.
De manera similar, el Ingreso Externo (LY) causa en el sentido de Granger de

manera unidireccional a las Exportaciones no Tradicionales (LX). Estos resultados
servirán para probar la exogeneidad débil de los regresores: LP y LY.
- 89 -
Cuadro 4.7. Test de Causalidad de Granger

Pairwise Granger Causality Tests
Date: 04/08/21 Time: 20:15
Sample: 2004M01 2019M12
Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
LP does not Granger Cause LX 190 3.98239 0.0203

LX does not Granger Cause LP 0.36028 0.6980
LY does not Granger Cause LX 190 5.15615 0.0066

LX does not Granger Cause LY 1.02899 0.3594
LY does not Granger Cause LP 190 0.58260 0.5595

LP does not Granger Cause LY 0.98224 0.3764
De acuerdo al cuadro 4.7. se concluye: que las variables LP y LY causan a LX de

manera unidireccional.
Notas
- Supone que las variables son estacionarias. Generalmente al tomar las primeras
diferencias se vuelven estacionarias.
- El test de Granger es muy sensible al número de rezagos incluidos en las regre-
siones. Se puede utilizar s criterios de información: AIC, SIC o HQ.
- Se supone que los términos de error de estas ecuaciones de regresión no están
correlacionadas.
- No es necesario presentar ni interpretar los coeficientes estimados; lo que in-
teresa es probar la causalidad.
- La causalidad de Granger es una condición necesaria, pero no suficiente para
la exogeneidad fuerte.
- Si una variable, por ejemplo LX no causa a LP ¿se puede suponer que LP es
exógena?... No…!
Para la exogeneidad débil, la causalidad de Granger no es necesaria ni suficiente.
- 90 -
Ejemplo de aplicación de la CG: W. N. Thurman y M. E. Fisher (1988): “Chick-

ens, Eggs and Causality, or Which Came First?”.
Which Came First: The Chicken or the Egg? [Véase Pindyck-Rubinfeld
(1991): Econometric Models and Economic Forecasts], Pág. 218.
El estudio usa datos anuales desde 1930 hasta 1983 para dos variables: Producción
total de EEUU de huevos (HU) y producción de pollos (PO). El test es simple. HU
es regresionado sobre los valores pasados de PO; si los coeficientes sobre los pollos
son significativos como un grupo, entonces los pollos causan a los huevos. Una
regresión simétrica entonces es usado para probar si huevos causan a los pollos.
Para concluir que uno ellos “viene primero” es necesario encontrar una causalidad
unidireccional. Los resultados de T y F son dramáticos. Usando los rezagos en un
rango de 1 a 4 años, ellos obtienen un claro rechazo de la hipótesis que los huevos
no causan a los pollos, pero fueron incapaces para rechazar la hipótesis que los
pollos no causan a los huevos. Así ellos fueron capaces para concluir que los hue-
vos vienen primero!!!
Thurman y Fisher sugieren también probar si es verdadero o no: “El quien ríe úl-
timo, ríe mejor”
4.11. Test de Exogeneidad

El test de exogeneidad es un test de constancia de los parámetros, de lado explica-
tivo de la ecuación. Se procede estimando en forma recursiva. Se construye un
intervalo de confianza para la trayectoria temporal para cada uno de los paráme-
tros. Al observarse los gráficos debe cumplirse dos criterios:
(i) Que el estimador final del parámetro se sitúe dentro de las bandas de desvia-
ción estándar (+/- 2 desviación estándar en E-Views).
(ii) Que la desviación estándar asociado al parámetro estimado caiga a lo largo
del tiempo.
Existen tres tipos de exogeneidad:
- Exogeneidad débil
- Exogeneidad fuerte y
- Superexogeneidad
- 91 -
a) Exogeneidad débil tiene como propósito realizar inferencias respecto a la

variable dependiente condicional en las variables explicativas. Como requi-
sitos se requieren: (i) que Las variaciones de un β2 no están asociadas a las de
otra β1 y (ii) Los parámetros de interés deberán ser solo función de β1. La
exogeneidad débil implica que los regresores se comporten “como fijos” en
muestras repetidas, aunque en realidad sean estocásticas, y esta es la propie-
dad la que permite realizar inferencias vàlidas.
b) Exogeneidad fuerte, cuyo objetivo es realizar pronòsticos, para este tipo de
exogeneidad se requiere dos requisitos completamente independientes: (i)
Exogeneidad débil y (ii) no causalidad de Granger de la variable dependiente
hacia la variable explicativa, ósea la ausencia de un feedback desde la varia-
ble dependiente hacia la variable independiente.
c) Super-exogeneidad cuyo propósito es la evaluación de políticas y la formu-
lación de escenarios alternativos o contrafactuales. Al igual que la
exogeneidad fuerte, la superexogeneidad requiere el cumplimiento de dos re-
quisitos: (i) exogeneidad débil y (ii) invarianza estructural del modelo
condicional. La no causalidad de Granger no es condición necesaria ni sufi-
ciente para la super-exogeneidad.
Un ejercicio de simulación contrafactual requiere que el regresor satisfaga la exo-
geneidad débil en la ecuación y que también tal exogeneidad se cumpla dentro del
periodo en el cual, el proceso estocàstico que gobierna el regresor no haya experi-
mentado quiebres estructurales. En otros términos, se tiene super-exogeneidad
cuando se puede comprobar que los regresores (por ejemplo, LP y LY) han seguido
procesos inestables, al tiempo que los parámetros asociados a estos regresores se
han mantenido estables dentro de la regresión. El eventual hallazgo de super-exo-
geneidad en los regresores facultan realizar ejercicios contrafactuales y evaluar
modificaciones en el régimen de política.
Esta prueba sirve para confirmar o rechazar la crítica de Lucas. Si se cumple la
superexogeneidad, se rechaza la Crítica de Lucas, en caso contrario se confirma la
Crítica de Lucas.
- 92 -
Prueba de exogeneidad débil

Para la prueba de exogeneidad débil, la hipótesis nula estipula que la varia-
ble LP es débilmente exógena. El valor del Chi cuadrado con 1 grado de
libertad es de 1.84 con una probabilidad de 0.17. A un nivel del 5% del nivel
de significancia, el valor crítico es de 3.84; lo cual indica que no se puede
rechazar la hipótesis y se concluye que LP es débilmente exógena. La res-
tricción de cointegración es A(2,1) = 0 que en el modelo de corrección de
errores corresponde a la segunda columna y 1ª primera fila. Véase el Cuadro
4.9 y el Gráfico 4,3.
Cuadro 4.8. Test de exogeneidad débil para el Índice de Precios de las
Exportaciones, LP
Vector Error Correction Estimates

Date: 03/02/21 Time: 21:43
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(2,1)=0
Convergence achieved after 3 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 1.840586
Probability 0.174882
Cointegrating Eq: CointEq1
LX(-1) -11.19074
LP(-1) 7.975991
LY(-1) 19.49451
C -152.4667
Error Correction: D(LX) D(LP) D(LY)
CointEq1 0.042422 0.000000 -0.000616

(0.00682) (0.00000) (0.00047)
- 93 -
[ 6.21763] [NA] [-1.31212]
D(LX(-1)) -0.015223 0.016194 -0.001064

(0.07959) (0.02409) (0.00559)
[-0.19127] [ 0.67209] [-0.19013]
_______________________________________________________________
Gràfico 4.4. Test de exogeneidad débil para la variable LP
Conclusiones del modelo de oferta exportable

1. En el modelo econométrico propuesto sobre la oferta exportable de productos
no tradicionales del Perú en el periodo enero 2004-diciembre 2019, primero se
estimó la ecuación de largo plazo suponiendo que las series económicas son
estacionarias y se planteó un modelo doblemente logarítmico en el que los
coeficientes estimados representan las elasticidades del Índice de Precios de las
Exportaciones y del Ingreso Externo, siendo de 0.66 y 1.83, respectivamente.
Los parámetros estimados, tienen los signos y magnitudes esperadas de acuerdo
a la teoría económica y la evidencia empírica.
- 94 -
2. Por tratarse de series de tiempo, y como es usual, se probó la existencia de raíz

unitaria y la estacionariedad de cada una de las series macroeconómicas del
modelo, mediante los test de Ljung-Box, ADF, PP y KPSS, resultando que to-
das las series son integradas de orden 1; es decir, son no estacionarias, con
los cuales se verificó la existencia de relaciones de equilibrio de largo plazo
entre las series no estacionarias con los métodos de Engle-Granger y de Johan-
sen.
3. Por otro lado, se utilizó la metodología de Cointegración por Bandas propuesto
por Pesaran, Shin y Smith, cuyo procedimiento permite el estudio de relaciones
a largo plazo entre variables, independientemente de que éstas sean integradas
de orden 0, de orden 1 o mutuamente cointegradas. En efecto, se estimó el mo-
delo ARDL en forma de Corrección de Errores irrestricto y se muestran
evidencia de la existencia de relaciones de equilibrio de largo plazo entre las
series económicas no estacionarias; es decir, las variables están cointegradas.
4. Los resultados obtenidos con la metodología de Pesaran et al, se sometieron a
un conjunto de pruebas estadísticas tales como: Normalidad de los errores de
Jarque-Bera; test de Correlación Serial de Breusch-Godfrey; test de heterosce-
dasticidad de White; test de quiebre estructural de Chow; Test de Estabilidad
CUSUM y CUSUM Cuadrado, test de Causalidad de Granger, test de Exoge-
neidad Débil, etc. Dichas pruebas de hipótesis validan que el modelo estimado
es consistente con la teoría económica.
5. En lo que respecta a las exportaciones no tradicionales, el Perú pose una gran
diversidad de producción de exportación en los diferentes sectores en los que
posee ventajas competitivas, en los sectores económicos, tales como: agrope-
cuario y agroindustrial, pesca y acuicultura, productos agropecuarios, textiles,
pesca y acuicultura, textil y confecciones, manufacturas diversas, entre otros.
Asimismo, cabe destacar que el Perú tiene suscrito Tratados de Libre Comercio
con diferentes países del mundo (Estados Unidos, China, Japón, etc.), lo cual
permitió dinamizar las exportaciones en general.
Algunas recomendaciones se resumen en lo siguiente;
(i) Diversificar aún más los productos de exportación y que el Estado brinde
asistencia técnica para introducir nuevas tecnologías para mejorar la produc-
tividad y calidad de productos de las empresas peruanas que exportan hacia
el mundo;
- 95 -
(ii) Buscar nuevos mercados a través de los encargados de negocios de las Em-
bajadas del Perú en distintos países del mundo.
(iii) Fortalecer las instituciones de apoyo al comercio internacional (público, pri-
vado y académico) de las distintas regiones del país, diversificando la oferta
exportable.
(iv) Aprovechar las ventajas competitivas que posee el Perú en los diferentes sec-
tores de exportación no tradicional, especialmente en agro exportación,
textiles y pesqueros.
- 96 -
REFERENCIAS BIBLIOGÁFICAS
Argandoña A., Gámez C. y Mochón F. (1997): Macroeconomía Avanzada

II, Fluctuaciones Cíclicas y Crecimiento Económico. McGraw-Hill / Inter-
americana de España, S. A. U., Madrid.
Banco Central de Reserva del Perú, Revistas Moneda; Memorias, Boletines,
Notas Semanales y Otras Publicaciones.
Box. G.E.P. y Jenkins, G.M. (1970) Time series Analysis: Forcasting and
Control. Holden Day.
Chumacero, Rómulo A. (1998) “Se busca una raíz unitaria: Evidencia para
Chile”, Documento de Trabajo, Banco Central de Chile. Santiago.
Chumacero, Rómulo A. (2000) “Advertencia: tragar una raíz unitaria puede
ser peligroso para su salud”. Revista Cuestiones Económicas. Quito.
Dickey, D. A. y Fuller W. (1979): “Distribution of the Estimators for Au-
toregressive Time Series With a Unit. Root”. Journal of American
Statistical Association, 74, pp. 427-431.
Dickey, D.A. y Fuller W. (1981): “Likelihood Ratio Statistics for Auto-
regressive Time Series with a Unit root”, Econométrica, 49, pp, 1057-1072.
Dolado, J, y Jenkinson, T. (1987): “Cointegration: A Survey of Resent De-
velopments”. Servicio de Estudios, Banco de España. Documento de
Trabajo 8708.
Elliot, G., T. J. Rothenberg and J. H. Stock (1996), “Efficient Tests for an
Autoregressive Unit Root,” Econometrica 64, 813-836.
Enders, W. (2004), Applied Econometric Time Series, John Wiley Second
Edition.
Engle, R. F. Granger, C. W. J. (1987): “Cointegration and Error Correction:
Representation, Estimation, and Testing”. Econométrica, 55. También en:
- 97 -
Cuadernos Económicos del ICE, 44 (1990) y en Engle, R. y Granger, C. W.
J. editores (1991).
Engle, R. F. Granger, C. W. J. Hylleberg, S. y Lee, H. S. (1993): “Seasonal
Cointegration”. Journal of Econometrics, 55, pp. 275-298.
Granger, C. W. J. (1990): “Recientes Generalizaciones de la Cointegración
y el Análisis de las Relaciones a Largo Plazo”. Cuadernos Económicos del
ICE, 44. Tambien en Engle, R. y Granger, C. W. J. editores (1991).
Granger, C. W. J y Newbold, P. (1978) “Spurious Regressions in Econo-
métrics”. Journal of Econometrics, 2, pp. 111-120.
Gujarati, D. y Porter, D. C. (2009): Econometría. Quinta edición. Mc Grau
Hill.
Hamilton, J. D. (1994), Time Series Analysis, Princeton University Press.
Johansen, S. (1988): “Statiscal Analysis of Cointegration Vectors”. Journal
of Economic Dynamics and Control, 12. También en Engle, R. y Granger,
C. W. J. editores (1991).
Johansen, S. y Juselius, K. (1990): “Maximun Likelihood Estimation and
Inference on Cointegration – With Applications to the Demand for Money”.
Oxford Bulletin of Economics and Statistics, 52. pp. 169-210.
Johansen, S. y Juselius, K. (1992): “Testing Structural Hypothesis in a Mul-
tivariate Cointegration Analysis of the PPP and the UIP for UK”. Journal
of Econometrics, 53, pp. 211-244.
Kwiatkowski, D. P. C. B. Phillips, P. Schmidt, and Y. Shin (1992), “Testing
the Null Hypothesis of Stationarity Against the Alternative of a Unit Root:
How sure are we that economic time series have a unit root”, Journal of
Monetary Economics 54, 159-178.
MINCETUR (2016) Potencial de las exportaciones peruanas. Lima.
Novales, A. (1993) Econometrìa. Segunda Ediciòn, Mc. Grau H (1).
- 98 -
Osterwald-Lenum, M. (1992). “A Note with Fractiles of the Asymptotic
Distribution of the Maximun Likelihood Cointegration Rank Test statistics:
Four Casos”. Oxford Bulletin of Economics and Statistics, 50, 3, pp. 461-
472.
Perron, P. (1989): ”The Great Crash, the Oil Price Shock, and the Unit Root
Hypothesis”. Econometrica, 57, pp. 1361-1401.
Perron, P. and Rodriguez (2003), “Efficient Unit Root Tests and Structural
Change,” Journal of Econometrics 115, 1-27.
Pesaran, M. H. y Pesaran, B. (1991): “MICROFIT 3.0 An Interactive Econ-
ometric Software Package”. Oxford University Press.
Pesaran, M. H., Shin Y. and Smith, R. (2001): “Bounds Testing Approaches
to the Analysis of Level Relationships” Journal of Applied Ecometrics 16:
289-326. Copyrigth © 2001 John Wiley & Sons.Ltd.
Phillips, P. C. B. y Perron, P. “Testing for a Unit root in time Series Re-
gression”. Biometrica, 75, pp. 335-346.
Suriñachs, Jordi, et al, (1995): Análisis Económico Regional: Nociones Bá-
sicas de la Teoría de la Cointengración. Antoni Bosch Editor. Barcelona –
España.
Vásquez, W. R. G. (2008). Las exportaciones no tradicionales y sus
determinantes, Perú 1991:01-2008:01. Titulo, Universidad Nacional de
Trujillo, Trujillo.
Zivot, E. and D. W. Andrews (1992), “Futher Evidence on the Great Crash,
the Oil Price Shoock and the Unit Root Hypothesis,” Journal ao Business
and Economic Statistics 10, 251-270.
- 99 -
Cuadro A1. Ecuación de largo plazo del
modelo de oferta exportable
Date: 04/01/21 Time: 16:12
Sample: 2004M01 2019M12
C -14.25519 0.544880 -26.16209 0.0000

LP 0.661117 0.036195 18.26540 0.0000
LY 1.832460 0.065700 27.89134 0.0000

Cuadro A2. Ecuación de largo plazo de las exportaciones incluyendo

tipo de cambio real
Date: 04/01/21 Time: 16:17
Sample: 2004M01 2019M12
C -9.860156 0.938253 -10.50906 0.0000

LP 0.429748 0.053481 8.035459 0.0000
LY 1.864963 0.061320 30.41377 0.0000
LR -0.791444 0.142254 -5.563592 0.0000

- 100
Cuadro A3. Test de Heteroscedasticidad de White
Heteroskedasticity Test: White

Scaled explained SS 32.02478 Prob. Chi-Square(24) 0.1264
Test Equation:
Dependent Variable: RESID^2
Date: 03/29/21 Time: 01:10
Sample: 2004M03 2019M12
Collinear test regressors dropped from specification
C -12.62153 8.323738 -1.516330 0.1313

LX(-1)^2 0.018340 0.066611 0.275333 0.7834
LX(-1)*LP 0.904001 0.393530 2.297157 0.0229
LX(-1)*LP(-1) -0.668089 0.531370 -1.257296 0.2104
LX(-1)*LP(-2) -0.293125 0.383090 -0.765161 0.4453
LX(-1)*LY -0.967942 0.468291 -2.066968 0.0403
LX(-1)*@TREND 0.002908 0.001236 2.353063 0.0198
LX(-1) 9.137864 4.327793 2.111438 0.0362
LP^2 0.034633 0.801439 0.043213 0.9656
LP*LP(-1) 0.389469 2.404593 0.161969 0.8715
LP*LP(-2) -1.133038 1.231394 -0.920127 0.3588
LP*LY 0.375276 0.463950 0.808872 0.4198
LP*@TREND -0.004474 0.002081 -2.149620 0.0330
LP -6.051837 4.145869 -1.459727 0.1463
LP(-1)^2 -0.976791 2.132844 -0.457976 0.6476
LP(-1)*LP(-2) 2.013357 2.380008 0.845945 0.3988
LP(-1)*LY 0.223529 0.209131 1.068846 0.2867
LP(-1)*@TREND 0.001915 0.002335 0.820227 0.4133
LP(-2)^2 -0.347946 0.859149 -0.404989 0.6860
LP(-2)*LY 0.102327 0.149784 0.683166 0.4955
LP(-2)*@TREND 0.000579 0.001701 0.340667 0.7338
LY^2 0.127768 0.094823 1.347427 0.1797
LY*@TREND 0.005499 0.002721 2.020974 0.0449
@TREND^2 -1.66E-05 7.08E-06 -2.346233 0.0202
@TREND -0.059866 0.028599 -2.093281 0.0379
- 101
- 102
ANEXOS SOBRE LOS VALORES CRÍTICOS DE LAS BANDAS.
(Hay 5 casos para el estadístico F y 3 casos para el estadísticp t; k es el
número de variables).
Tabla CI. Valores Críticos de las bandas para el estadístico F. Prueba

para la existencia de relaciones de largo plazo en niveles.
Tabla CI (i) Caso 1: No intercepto y no tendencia
0.100 0.050 0.025 0.010 Media Varianza

k I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1)
0 3.00 3.00 4.20 4.20 5.47 5.47 7.17 7.17 1.16 1,16 2.32 2.32
1 2.44 3.28 3.15 4.11 3.88 4.92 4.81 6.02 1.08 1.54 1.08 1.73
2 2.17 3.19 2.72 3.83 3.22 4.50 3.88 5.30 1.05 1.69 0.70 1.27
3 2.01 3.10 2.45 3.63 2.87 4.16 3.42 4.84 1.04 1.77 0.52 0.99
4 1.90 3.01 2.26 3.48 2.62 3.90 3.07 4.44 1.03 1.81 0.41 0.80
5 1.81 2.93 2.14 3.34 2.44 3.71 2.82 4.21 1.02 1.84 0.34 0.67
Tabla CI (ii) Caso II: Intercepto irrestricto y no tendencia
0.100 0.050 0.025 0.010 Media Varianza

k I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1)
0 3.80 3.80 4.60 4.60 5.39 5.39 6.44 6.44 2.03 2.03 1.77 1.77
1 3.02 3.51 3.62 4.16 4.18 4.79 4.94 5.58 1.69 2.02 1.01 1.25
2 2.63 3.35 3.10 3.87 3.55 4.38 4.13 5.00 1.52 2.02 0.69 0.96
3 2.37 3.20 2.79 3.67 3.15 4.08 3.65 4.66 1.41 2.02 0.52 0.78
4 2.20 3.09 2.56 3.49 2.88 3.87 3.29 4.37 1.34 2.01 0.42 0.65
5 2.08 3.00 2.39 3.38 2.70 3.73 3.06 4.15 1.29 2.00 0.35 0.56
- 103
Tabla CI (iii) Caso III: Intercepto irrestricto y no tendencia
0.100 0.050 0.025 0.010 Media Varianza

k I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1)
0 6.58 6.58 8.21 8.21 9.80 9.80 11.79 11.79 3.05 3.05 7.07 7.07
1 4.04 4.78 4.94 5.73 5.77 6.68 6.84 7.84 2.03 2.52 2.28 2.89
2 3.17 4.14 3.79 4.85 4.41 5.52 5.15 6.36 1.69 2.35 1.23 1.77
3 2.72 3.77 3.23 4.35 3.69 4.89 4.29 5.61 1.51 2.26 0.82 1.27
4 2.45 3.52 2.86 4.01 3.25 4.49 3.74 5.06 1.41 2.21 0.60 0.98
5 2.26 3.35 2.62 3.79 2.96 4.18 3.41 4.68 1.34 2.17 0.48 0.79
Tabla CI (iv) Caso IV: Intercepto irrestricto y tendencia restringida
0.100 0.050 0.025 0.010 Media Varianza

k I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1)
0 5.37 5.37 6.29 6.29 7.14 7.14 8.26 8.26 3.17 3.17 2.68 2.68
1 4.05 4.49 4.68 5.15 5.30 5.83 6.10 6.73 2.45 2.77 1.41 1.65
2 3.38 4.02 3.88 4.61 4.37 5.16 4.99 5.85 2.09 2.57 0.92 1.20
3 2.97 3.74 3.38 4.23 3.80 4.68 4.30 5.23 1.87 2.45 0.67 0.93
4 2.68 3.53 3.05 3.97 3.40 4.36 3.81 4.92 1.72 2.37 0.51 0.76
5 2.49 3.38 2.81 3.76 3.11 4.13 3.50 4.63 1.62 2.31 0.42 0.64
Tabla CI (v) Caso V: Intercepto no restringida y tendencia no res-

tringida
0.100 0.050 0.025 0.010 Media Varianza
k I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1)
0 9.81 9.81 11.64 11.64 13.36 13.36 15.73 15.73 5.33 5.33 11.35 11.35
1 5.59 6.26 6.56 7.30 7.46 8.27 8.74 9.63 3.17 3.64 3.33 3.91
2 4.19 5.06 4.87 5.85 5.49 6.59 6.34 7.52 2.44 3.09 1.70 2.23
3 3.47 4.45 4.01 5.07 4.52 5.62 5.17 6.36 2.08 2.81 1.08 1.51
4 3.03 4.06 3.47 4.57 3.89 5.07 4.40 5.72 1.86 2.64 0.77 1.14
5 2.75 3.79 3.12 4.25 3.47 4.67 3.93 5.23 1.72 2.53 0.59 0.91
- 104
Tabla CII. Valores Críticos de las bandas para el estadístico t.
Prueba para la existencia de relaciones de largo plazo en niveles.
Tabla CII (i) Case I: No intercepto y no tendencia
0.100 0.050 0.025 0.010 Media Varianza
k I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1)
0 -1.62 -1.62 -1.95 -1.95 -2.24 -2.24 -2.58 -2.58 -0.42 -0.42 0.98 0.98
1 -1.62 -2.28 -1.95 -2.60 -2.24 -2.90 -2.58 -3.22 -0.42 -0.98 0.98 1.12
2 -1.62 -2.68 -1.95 -3.02 -2.24 -3.31 -2.58 -3.66 -0.42 -1.39 0.98 1.12
3 -1.62 -3.00 -1.95 -3.33 -2.24 -3.64 -2.58 -3.97 -0.42 -1.71 0.98 1.09
4 -1.62 -3.26 -1.95 -3.60 -2.24 -3.89 -2.58 -4.23 -0.42 -1.98 0.98 1.07
5 -1.62 -3.49 -1.95 -3.83 -2.24 -4.12 -2.58 -4.44 -0.42 -2.22 0.98 1.05
Tabla CII (iii) Case III: Intercepto irrestricto y no tendencia
0.100 0.050 0.025 0.010 Media Varianza
k I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1)
0 -2.57 -2.57 -2.86 -2.86 -3.13 -3.13 -3.43 -3.43 -1.53 -1.53 0.72 0.71
1 -2.57 -2.91 -2.86 -3.22 -3.13 -3.50 -3.43 -3.82 -1.53 -1.80 0.72 0.81
2 -2.57 -3.21 -2.86 -3.53 -3.13 -3.80 -3.43 -4.10 -1.53 -2.04 0.72 0.86
3 -2.57 -3.46 -2.86 -3.78 -3.13 -4.05 -3.43 -4.37 -1.53 -2.26 0.72 0.89
4 -2.57 -3.66 -2.86 -3.99 -3.13 -4.26 -3.43 -4.60 -1.53 -2.47 0.72 0.91
5 -2.57 -3.86 -2.86 -4.19 -3.13 -4.46 -3.43 -4.79 -1.53 -2.65 0.72 0.92
Table CII(v) Case V: Intercepto irrestricto y tendencia irrestricta

0.100 0.050 0.025 0.010 Media Varianza
k I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1) I(0) I(1)
0 -3.13 -3.13 -3.41 -3.41 -3.65 -3.66 -3.96 -3.97 -2.18 -2.18 0.57 0.57
1 -3.13 -3.40 -3.41 -3.69 -3.65 -3.96 -3.96 -4.26 -2.18 -2.37 0.57 0.67
2 -3.13 -3.63 -3.41 -3.95 -3.65 -4.20 -3.96 -4.53 -2.18 -2.55 0.57 0.74
3 -3.13 -3.84 -3.41 -4.16 -3.65 -4.42 -3.96 -4.73 -2.18 -2.72 0.57 0.79
4 -3.13 -4.04 -3.41 -4.36 -3.65 -4.62 -3.96 -4.96 -2.18 -2.89 0.57 0.82
5 -3.13 -4.21 -3.41 -4.52 -3.65 -4.79 -3.96 -5.13 -2.18 -3.04 0.57 0.85
Notas: k es el número de variables.

Fuente: Pesaran et. al. (2001)
- 105

Libro 21 Abril Ed Corregido - Ok

Cargado por

Copyright:

Formatos disponibles

Libro 21 Abril Ed Corregido - Ok

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro 21 Abril Ed Corregido - Ok

Cargado por

Copyright:

Formatos disponibles

INTRODUCCIÓN A LA TEORÍA

Froilán Lazo Flores

1a Edición abril del 2021

Se terminó de imprimir en abril del 2021 en:

Igualmente, el análisis de series de tiempo ha adquirido un uso tan frecuente e

La econometría tradicional, supone implícitamente en el análisis de regresión

En consecuencia, antes de realizar el análisis de regresión se hace necesario,

Sin embargo, esta metodologìa no presenta la formalidad requerida y sus re-

Por otro lado, la teoría de la Cointegración, definido como la relación de largo

En los trabajos empíricos el método bietápico de Engle y Granger (1987), es

El método de Johansen tiene ciertas ventajas frente a otros métodos, ya que

En el año 2001 Pesaran, Shin y Smith, presentan un procedimiento distinto al

Pesaran et. al. proporcionan un conjunto de valores críticos suponiendo, en

El libro está organizado de la siguiente manera: en el Capítulo 1, se discute

1.1. Conceptos generales

yt − φyt −1 = (1 − φL) yt = ε t con φ =1 (1.1)

Donde, ε t es un ruido blanco y L es el operador de retardos. La no estacionarie-

Por lo que si φ =1, σ 2 es la varianza de εt y la var( y0 ) = 0, la varianza de yt será

Donde se observa que yt es la “integración” (entendida como la suma de términos)

1.2. Tendencias estocásticas versus tendencias determinísticas

yt = μ + φyt −1 + ε t ; donde φ ∠1 y ε t es ruido blanco.

Su media y su varianza serán:

y𝑦 = 𝜇 + 𝛽𝑡 + 𝜑𝑦 + 𝜀 con φ ∠1 y ε t es ruido blanco, su media y va-

Se comprueba cómo la varianza sigue siendo independiente del tiempo, pero la

1.4. Tipos de Estacionariedad

Si bien tanto Q como LB siguen distribuciones chi-cuadrado para muestras gran-

De forma similar para detectar raíces unitarias estacionales existen pruebas de

Sustraendo yt-1 a ambos lados de la ecuación

yt - yt-1 = 𝛿 yt-1 −𝑦 +𝜀 (1.10)

por su puesto la prueba de hipótesis δ = 1 es equivalente a probar 𝛾 = 0

∆𝑌 = 𝜇 + 𝛽𝑡 + 𝛾𝑌 +𝜀 Modelo con tendencia e intercepto

Modelo con intercepto, pero sin tendencia

Modelo con intercepto y tendencia

estrategia de Dolado et. al. se encuentra descrito de manera amplia en Enders

donde r es el número de restricciones, T es el número de observaciones usable; K

Cuadro. 1.1. Resumen de los test de Dickey-Fuller (Tamaño muestral: 250

Extensión de las pruebas de Dickey–Fuller Aumentado

Yt = a0 + a1Yt −1 +  + a p − 2Yt − p + 2 + a p −1 + Yt − p +1 + a pYt − p + ε t (1.18)

Como lo señala Enders (2003) un mejor entendimiento de la metodología de Di-

Yt = a0 + a1Yt −1 +  + a p − 2Yt − p + 2 + a p −1Yt − p +1 + ( a p −1 + a p ) ΔYt − p + 2 − a p ΔYt − p +1 + ε t

Yt = a0 + a1Yt −1 +  + a p − 2Yt − p + 2 + a p −1Yt − p +1 + ( a p −1 + a p ) ΔYt − p + 2 − a p ΔYt − p +1 + ε t

1.6. El Test de Phillips y Perron

El test de Phillips-Perron es una generalización de los procedimientos de Dickey y

La idea es utilizar los residuos estimados, εˆt en la regresión DF para corregir el

depende de la relación 𝜎 /𝜎 , donde:

𝜎 = 𝑙𝑖𝑚 𝑇 𝐸(𝜀 ) (1.20)

Si no existe autocorrelación, = 1, es decir 𝜎 = 𝜎 . El test de Dickey-Fuller,

STl T −2  (Yt −1 − Y−1 )

1.7. El Test de estacionariedad de Kwiatkowski, Phillips, Schmidt y

Ho: yt ~ I(0); (σ u = 0) : la serie yt es estacionaria

H1: yt ~ I(1); (σ u > 0) : la serie yt tiene una raíz unitaria

El modelo que se plantea es: yt = βt + rt + εt; y rt = rt-1 + ut (1.25)

Modelo 1: Con tendencia determinística

El estadístico de prueba es:

Modelo 2: Sin tendencia determinística

El estadístico de prueba es: ηˆμ = T −2 S t

El estadístico ημ es un estimador consistente de σ u . Entre más cercano es ημ a

cero, σ u es más cercano a cero. Las estadísticas ητ y ημ dependen de los resi-

duales del modelo 1 y del modelo 2, respectivamente.