RELACIONES ESPURIAS. Analizaremos dos situaciones relacionadas con el concepto de relación espuria: - La destendencialización determinista de procesos con tendencia estocástica. Es decir, tratar una serie con tendencia estocástica como si tuviera tendencia determinista. - Las relaciones espurias propiamente dichas (relaciones causales). La destendencialización determinista de procesos con tendencia estocástica. Un error de especificación que se puede cometer en la práctica consiste en tener un PGD para xt dado por: xt xt 1 t (1) t ~ iid 0, 2 (2) t ~ iid 0, 2 xt xt 1 t y estimar el siguiente modelo: xt t t Es decir, el PGD tiene una tendencia estocástica (1) o tendencia estocástica y determinista (2) de forma conjunta, por tanto, se trata de procesos I(1), y el modelo que se estima considera que únicamente existe una tendencia determinista en la variable analizada. Los efectos que tiene sobre las estimaciones quedan resumidos en los siguientes puntos: (Durlauf y Phillips (1988)) - La estimación de , ˆ converge a su verdadero valor ˆ 0 ( T 1 / 2 ˆ O p 1 ), pero Fˆ 0 diverge, es decir T 1Fˆ 0 converge hacia la distribución que es función de procesos Brownianos y que es distinta de la F-de Snedecor. - ̂ y Fˆ 0 divergen, es decir ̂ no tiende a su valor poblacional ( T 1 / 2 ˆ O p 1 ) y T 1Fˆ 0 converge a una distribución que es función de procesos Brownianos y que es distinta de la F-de Snedecor. - El R 2 converge a una distribución límite no degenerada. - El DW 0 . Por lo que será un buen instrumento para detectar este error de especificación. xt xt 1 t t ~ N0,1 De forma intuitiva se puede ver que el hecho de que DW 0 , es una consecuencia de que al estimar el modelo xt t t cuando el PGD de la serie responde a xt xt 1 t , la tendencia estocástica pasará a estar recogida por el término de perturbación. Por lo tanto, cabe esperar que los residuos del modelo xt t t tengan una raíz unitaria. Es decir, si planteamos: ˆt ˆt 1 vt entonces para la estimación MCO de tendremos ˆ 1. Para un proceso AR(1) se cumple ˆ1 ˆ 1, y por tanto, tendremos: DW 21 ˆ1 0 . Las relaciones espurias propiamente dichas (relaciones causales). Una relación espuria es un error de especificación que consiste en estimar una relación entre procesos I(1) que son independientes entre si. Yule (1897,1926) fue el primero en advertir que se podían dar situaciones de este tipo al trabajar con datos de serie temporal, cuando las variables presentan tendencias crecientes o decrecientes. Es decir, relaciones de casualidad en vez de relaciones de causalidad. Yule hablaba de correlaciones espurias. Granger y Newbold (1974) llevaron a cabo el siguiente experimento de monte-carlo: ~ iid 0, yt yt 1 ut ut ~ iid 0, u2 xt xt 1 vt vt 2 v E ut vt 0 yt xt t Al realizarlo obtuvieron los siguientes resultados: - Se tiende a rechazar la hipótesis nula en el contrate de significación individual t ̂ a pesar de que ambas variables son independientes. - Se obtienen valores de R2 diferentes de cero, por lo que se tiende a pensar que existe una relación entre ambas variables. - DW 0 . Cuando se especifica el modelo en diferencias, yt xt t se obtiene que: - Se no se rechaza la hipótesis nula en contraste de significación individual del parámetro β. - R2 0. - DW 2 . Phillips (1986) formaliza los resultados de Granger y Newbold, es decir, muestra de forma analítica porque se dan los resultados recogidos en el anterior trabajo. De su trabajo se desprende que: - T 1 / 2ˆ O p 1 y ˆ O p 1 por lo tanto ambos estimadores divergen, es decir no convergen a su verdadero valor. - T 1 / 2tˆ O p 1 y T 1 / 2t ˆ O p 1 , es decir, divergen tienden a ∞. - el R2 presenta una distribución no degenerada. - DW 0 . Teniendo presente los resultados obtenidos por Granger y Newbold durante la década de los años 70 y los 80 una parte importante de los económetras aplicados decidieron trabajar con las series en primeras diferencias para evitar los problemas derivados de las relaciones espurias. Trabajar con series en primeras diferencias tiene dos consecuencias negativas: - Se pierde la información sobre la evolución a largo plazo de las variables analizadas, es decir, nos centramos en el corto plazo. - Y se puede incurrir en el problema de la sobrediferenciación, es decir, aplicar primeras diferencias cuando no es necesario hacerlo. Sub y Sobre-diferenciación. La idea de trabajar con series en primeras diferencias se desprende del hecho de que la no estacionariedad (en media y en varianza) es una propiedad dominante. Es decir, si combinamos procesos estocásticos, mediante combinaciones lineales, el proceso resultante mantendrá las tendencias presentes en los procesos combinados. Existe una excepción a la situación anterior que es cuando existen tendencias comunes o relaciones de cointegración (a largo plazo) entre las variables analizadas. Primera situación Sub-diferenciación: Es una situación, en la que se plantea una relación de dependencia entre dos procesos integrados que son independientes entre si. Por lo tanto una combinación lineal seguirá siendo integrada. yt ~ I1 xt ~ I1 uˆt yt ˆ ˆxt ~ I1 Esto implicará que: uˆt uˆt 1 t Si el término de perturbación recoge la tendencia estocástica de la serie, para la estimación MCO de tendremos ˆ 1, entonces teniendo en cuenta que para un AR(1) tenemos ˆ1 ˆ 1 es fácil ver que: DW 21 ˆ1 0 . Y estaremos delante de una situación de relación espuria, donde el DW no indica que el modelo esta sub-diferenciado. Si trabajamos con el modelo en primeras diferencias, es decir: yt ' xt u t eˆt û t yt ˆ ' ˆxt ~ I0 Cabe esperar que los residuos sean I0 y que el DW se encuentre en torno a 2. Segunda situación Sobre-diferenciación: Si la relación se plantea en procesos estacionarios, la combinación lineal de los mismos seguirá siendo estacionaria: yt ~ I0 xt ~ I0 uˆt yt ˆ ˆxt ~ I0 Pero en este caso, si en lugar de especificar un modelo en niveles especificamos un modelo en diferencias tendremos: yt ' xt u t vt u t u t u t -1 1 L u t Es decir, el termino de perturbación seguirá un proceso MA(1) no invertible, dado que, 1 1. Sabemos que para un proceso MA(1) el primer coeficiente de autocorrelación simple responde a: 1 1 1 2 1 entonces cuando 1 1: 1 1 1 2 1 1 0.5 2 y par el DW tendremos: DW 21 1 3 Las consecuencias son las siguientes: - La varianza del término de perturbación del modelo en diferencias será el doble de la del modelo especificado en niveles: Var vt Var u t u t -1 2 u2 - La estimación MCO de los parámetros del modelo será consistente pero ineficiente. De todo lo visto con anterioridad, se puede sacar la conclusión de que resulta importante saber que tipo de tendencias presentan las series temporales con las que trabajamos. Esto se puede hacer a través del análisis de la FAS y la FAP y de los contrastes de raíces unitarias.