ESTADÍSTICA ESPAÑOLA Vol. 48, Núm. 162, 2006, págs. 333 a 357 Estimación de cuantiles y P-valores para contrastes de raíces unitarias estocásticas(*) por ROMÁN MÍNGUEZ y Mª DEL MAR HERRADOR Facultad de Ciencias Económicas y Empresariales Universidad San Pablo-CEU RESUMEN En este trabajo se dan ecuaciones (superficies de respuesta) que permiten estimar puntos críticos para cualquier tamaño de muestra y cualquier nivel de significación para ciertos contrastes sobre raíces unitarias estocásticas, así como aproximar p-valores, bajo la hipótesis de normalidad en los ruidos. Para obtener las ecuaciones se realiza un experimento de Monte Carlo y, a partir de los datos simulados, se calculan estimadores óptimos de los coeficientes en las ecuaciones. Palabras Clave: contrastes de raíces unitarias estocásticas, superficies de respuesta, método de Monte Carlo, series temporales, funciones de distribución, valores críticos. Clasificación AMS: 62K20, 65C05, 62G10, 91B84. (*) Agradecemos los valiosos comentarios y sugerencias realizados por parte de dos evaluadores anónimos, así como los realizados por Eduardo Morales, que nos han permitido mejorar el documento. Cualquier error que pueda quedar en el artículo es de nuestra entera responsabilidad. 334 ESTADÍSTICA ESPAÑOLA INTRODUCCIÓN La modelización con fines predictivos de series económicas y financieras ha dado un giro en los últimos años, pasando de la utilización de procesos integrados homogéneos para modelizar la no estacionariedad, al uso de procesos estocásticos con una no estacionariedad más general que la exhibida por procesos I(1) con raíz unitaria fija. Es en este contexto donde los procesos doblemente estocásticos, en los que la raíz unitaria puede, a su vez, seguir un proceso AR(1), cobran fuerza como una opción alternativa a la de raíz unitaria fija. A este tipo de procesos se les denomina STUR (Stochastic Unit Root). La importancia de detectar si estamos ante un proceso con raíz unitaria fija o no, es debida a que los procesos STUR, son no estacionarios del tipo I(1.5) (Yoon 2003) y no son modelizables mediante los procesos de raíz unitaria fija habituales. Las propiedades estadísticas y de largo plazo de los procesos de raíz unitaria estocástica difieren sustancialmente de la no estacionariedad homogénea (McCabe, Martin, y Tremayne 2003), por lo cual es relevante discernir si las series económicas y financieras están mejor representadas por procesos STUR que por los procesos I(d) tradicionales. En Leybourne, McCabe y Mills (1996) y Leybourne, McCabe y Tremayne (1996) se desarrollan contrastes para diferenciar procesos con raíz unitaria fija (hipótesis nula) frente a procesos con raíz unitaria estocástica ó STUR (hipótesis alternativa). Los contrastes dependen del grado de persistencia en la evolución de la raíz estocástica, además de la inclusión o no de términos deterministas en los procesos generadores de datos de los estadísticos (E1, E2, Z1 y Z2). Las distribuciones asintóticas de estos estadísticos también se derivan en dichos artículos, ofreciendo valores críticos para los estadísticos E1 y E2 (Leybourne, McCabe y Mills 1996), para Z1 (Leybourne, McCabe y Tremayne (1996) y para Z2 (Taylor y Van Dijk 2002)(1), para algunos tamaños muestrales. En este trabajo diseñamos experimentos de Monte Carlo que nos permiten estimar superficies de respuesta para todos estos contrastes de raíces unitarias estocásticas, para aproximar los puntos críticos, para cualquier tamaño muestral y nivel de significación, así como calcular p-valores y representar las distribuciones nulas de los estadísticos de estos contrastes. (1) Los valores críticos para Z2 no aparecen publicados en dicho artículo pero nos fueron amablemente cedidos por sus autores bajo petición. ESTIMACIÓN DE CUANTILES Y P-VALORES PARA CONTRASTES DE RAICES UNITARIAS ESTOCÁSTICAS 335 El trabajo está organizado de la siguiente forma, en la sección dos presentamos los modelos STUR y los contrastes de raíces unitarias estocásticas más recientes para detectarlos, en la tres detallamos los experimentos de Monte Carlo realizados, en la sección cuatro diseñamos y estimamos las superficies de respuesta, obteniendo los valores críticos para los distintos contrastes. La obtención de las distribuciones nulas de los estadísticos de contraste a partir de las superficies estimadas y el cálculo del p-valor a partir de las funciones de distribución nulas suavizadas por splines, lo ofrecemos en la sección cinco, dejando la sexta para resumir las principales conclusiones del estudio. 1. CARACTERÍSTICAS Y CONTRASTES DE DETECCIÓN DE PROCESOS CON RAÍZ UNITARIA ESTOCÁSTICA 1.1. Procesos con Raíz Unitaria Estocástica (STUR) Los procesos con raíz unitaria estocástica constituyen un caso particular de procesos autorregresivos doblemente estocásticos, estudiados en Tjøstheim (1986), donde la propia raíz de la estructura autorregresiva viene regida, a su vez, por un proceso estocástico. La ecuación general del proceso STUR, en la formulación de Leybourne, McCabe y Mills (1996)(2) se puede expresar como: γ 1 = ρ t γ t −1 + ε t ( ε t i .i .d.N 0, σ 2ε ) [1] ρ t =1 + δ t δ t = γδ t −1 + η t ( ηi. i.i. d. N 0, σ 2η ) donde los ruidos εt y ηt son independientes. En este caso, yt es un proceso AR(1) cuyo parámetro ρt sigue otro proceso autorregresivo con media unitaria. Dependiendo del valor que tome ρt en cada momento del tiempo t, el proceso yt será estacionario (cuando ρt < 1), explosivo (cuando ρt > 1), no estacionario homogéneo (cuando ρt = 1). Es fácil comprobar que el caso de raíz unitaria fija es un caso particular de este proceso cuando σ 2η = 0 , por lo cual este tipo de procesos abarcan la no estacionariedad homogénea como caso particular. Intuitivamente el valor del parámetro σ 2η da una medida de la magnitud de las oscilaciones (2) En Leybourne, McCabe y Mills (1996) no asumen normalidad para los ruidos, sólo indican que son i.i.d. 336 ESTADÍSTICA ESPAÑOLA del proceso ya que indica la volatilidad de la raíz unitaria que rige el proceso autorregresivo. La parametrización de la raíz unitaria estocástica como un proceso autorregresivo permite que la evolución de la raíz ρt en [1] pueda tener distintos grados de inercia según los valores del parámetro γ (valores próximos a la unidad indicarán fuerte persistencia en la evolución de la raíz mientras que, por otro lado, valores próximos a cero indicarán que la raíz se comporta como un ruido blanco sin dependencia del pasado). Esto se puede apreciar gráficamente en la figura 1 que aparece en Leybourne, McCabe y Mills (1996)(3). Las propiedades del proceso dado en [1] han sido estudiadas en la literatura econométrica (Granger y Swanson 1997, Leybourne, McCabe y Mills 1996, Leybourne, McCabe y Tremayne 1996, McCabe, Martin y Tremayne 2003, Yoon 2003, Yoon 2004). Concretamente, como se indica en Leybourne, McCabe y Tremayne (1996), el proceso, aunque es no estacionario en covarianzas, tampoco es I(1) ni I(2) ya que no se transforma en estacionario al tomar ningún número entero de diferencias (salvo el caso en que σ 2η = 0 ya que entonces es un sendero aleatorio). Para comprobarlo supongamos, sin pérdida de generalidad, que γ = 0, entonces la ecuación [1] se puede expresar como: Δ y t = η t y t −1 + ε t [2] por lo que yt no es I(1) ya que Δγ t depende de γ t−1 y no tiene varianza marginal constante. De hecho, en Yoon (2003) se muestra que los procesos STUR son I(1.5) con propiedades de largo plazo similares a los procesos de diferenciación fraccional. Para adaptar el proceso STUR a las características habituales de las series económicas, se permite que yt evolucione alrededor de tendencias deterministas y pueda tener estructura autorregresiva estacionaria. Es decir, se extiende el modelo [1] anterior de la forma: yt − λt − ∑ φ y t −i = ρ t ⎡⎢ y i=1 i ⎣ p t −1 − λ t −1 − ∑ p i=1 ρt = 1+ δt δ t = γδ t −1 + η t φi y t −i−1 ⎤⎥ + ε t ⎦ ( ε t i. i. d.N 0, σ 2ε ) [3] ( η t i.i.d.N 0, σ 2η ) donde λt representa la tendencia determinista habitualmente representada con una función lineal en el tiempo (λ t = α + βt ) para aquellas series con deriva creciente, o (3) pp. 256 y 257. ESTIMACIÓN DE CUANTILES Y P-VALORES PARA CONTRASTES DE RAICES UNITARIAS ESTOCÁSTICAS 337 bien mediante una constante (λ t = α) cuando la serie deambula sin una evolución creciente o decreciente a largo plazo(4). Como es habitual, se exige que las raíces del polinomio 1 − φ1 L − ⋅ ⋅ ⋅ − φp Lp = 0 estén fuera del círculo unidad para que el autorregresivo sea estacionario. 1.2. Contrastes STUR En Leybourne, McCabe y Mills (1996) y Leybourne, McCabe y Tremayne (1996) se desarrollan contrastes para diferenciar procesos con raíz unitaria fija (hipótesis nula) frente a procesos STUR del tipo [3] (hipótesis alternativa). Por tanto, en todos los casos se parte de la existencia de raíz unitaria en el proceso generador de datos y se intenta discriminar si esta raíz es fija o estocástica. El contraste a considerar depende del grado de persistencia en la evolución de la raíz. Si γ < 1 entonces la evolución de la raíz unitaria estocástica es estacionaria y el estadístico de contraste viene dado por: Zi = T − 3 2 ) σˆ ε−2 κ −1 T ∑ ωˆ (εˆ 2 t −1 2 t − σˆ 2ε t =2 ) i =1,2; t=1,2,…T [4] donde ε̂ t son los residuos de una regresión mínimo cuadrática en la que en la explicación de Δyt se incluye una tendencia lineal o sólo una constante(5). p Δy t = α + β t + ∑ φ Δy j t− j + εt i =1 [5] j=1 p Δy t = α + ∑φ j Δy t − j + ε t i=2 j =1 ˆ t−1 = ω ∑ t =1 j=1 ∑ = T σˆ 2ε t =p + 2 ) ε j es la suma parcial acumulada de los residuos, mientras que εˆ 2t T − (p + 2) representa la estimación consistente de σ ε2 (varianza de la ecua- (4) En Leybourne, McCabe y Tremayne (1996) y Leybourne, McCabe y Mills (1996) se permite incluso la posible existencia de tendencias cuadráticas en el tiempo. (5) Aunque β no sea significativo en i = 1, la inclusión de una tendencia mejora la po- tencia de los contrastes. 338 ESTADÍSTICA ESPAÑOLA ∑ = T ción de medida) y κˆ 2 t =p + 2 (εˆ 2 t − σˆ 2ε ) 2 es una estimación de la varianza a largo T − (p + 2) plazo. En Leybourne, McCabe y Tremayne (1996) se deriva que la distribución asintótica del estadístico Z1 converge a funcionales de puentes brownianos(6). En el artículo citado se encuentran valores críticos para algunos tamaños muestrales del estadístico Z1, mientras que para el estadístico Z2 hemos utilizado los valores obtenidos y no publicados por Taylor y Van Dijk (2002)(7). Si γ = 1 en [3], entonces la evolución de la raíz unitaria estocástica no es estacionaria y el contraste descrito no tiene validez. En Leybourne, McCabe y Mills (1996) se desarrolla un contraste para este caso límite cuyo estadístico viene dado por: 2 ⎛⎡ T ⎤ ⎜ ˆ t −1 ⎥ − σˆ 2ε εˆ t ω ⎜⎢ ⎢ ⎥ ⎜ j= 2 ⎣ t = j ⎦ ⎝ T Ei = T −3 σˆ ε−4 ∑ ∑ T ∑ t =2 ⎞ ⎟ ˆ 2t −1 ⎟ ω ⎟ ⎠ i = 1, 2 t = 2,....T [7] donde los residuos y estimadores tienen el mismo significado que anteriormente. En Leybourne, McCabe y Mills (1996) se obtiene la distribución asintótica del (6) La distribución asintótica del estadístico Z1 viene dada por: Z1 ⇒ ∫ 10 G1 (r )2 dG2 (r ) − ∫ 10 G1 (s )2 dsG2 (1) () () ( )⎡ W1 (1) − ∫ 10 W1 (s)ds⎤⎥ donde G1 (r) = W1 r − rW1 1 + 6r 1 − r ⎢ ⎣ 2 ⎦ [6] es un puente browniano de () () ( segundo nivel (W1(r) es un movimiento browniano estándar) y G2 r = ψW1 r + 1 − ψ ) 1 2 2 W2 (r ) con W2(r) es un movimiento browniano estándar independiente de W1(r). ψ es la correlación entre ε t y ε t . El problema del estadístico Z1 es que el parámetro ψ aparece en la distribución asintótica, sin embargo, para distribuciones simétricas, como la normal, el parámetro ψ es nulo. 2 (7) Tal y como hemos indicado anteriormente, dichos valores nos fueron cedidos por los autores bajo petición. ESTIMACIÓN DE CUANTILES Y P-VALORES PARA CONTRASTES DE RAICES UNITARIAS ESTOCÁSTICAS 339 estadístico Ei como funcionales de puentes brownianos(8) y valores críticos se pueden encontrar en dicho artículo. En todos los casos la forma de realizar el contraste es similar: se compara el valor del estadístico con el valor crítico correspondiente y, si el valor del estadístico es superior, se rechaza la hipótesis nula de raíz unitaria fija. 2. EXPERIMENTOS DE MONTE CARLO El objetivo de este trabajo es conseguir, mediante superficies de respuesta, un conjunto de ecuaciones que permitan obtener cuantiles de los estadísticos anteriores para cualquier tamaño de muestra finita. La metodología será similar a la planteada en la literatura econométrica sobre simulación de contrastes y obtención numérica de funciones de distribución asintóticas (MacKinnon 1994, MacKinnon 1996, MacKinnon 2000, Ericsson y MacKinnon 2002). En las referencias anteriores se describe la especificación de ecuaciones, o superficies de respuesta, donde la variable dependiente es el cuantil estimado correspondiente mientras que las variables independientes suelen ser potencias negativas del tamaño muestral T. La teoría asintótica para contrastes de cointegración y de raíz unitaria dice que las distribuciones de estos estadísticos de contraste se aproximarían a las distribuciones asintóticas correspondientes a una tasa de convergencia(9) que habitualmente es de orden O(T - k), con k ≥ 1, siendo la forma de estas ecuaciones: qα = β 0α + β1α 1 1 1 + β 2α 2 + L + β kα k + ε α T T T [9] donde qα es el cuantil estimado, εα es el término de error que refleja, tanto la incertidumbre de la simulación como la aproximación a la verdadera forma funcional de los cuantiles por la expresión hasta T-k. Como todos los términos, excepto la constante tienden a cero cuando T tiende a infinito, el cuantil α de la distribución asintó(8) La distribución asintótica de los estadísticos Ei es: ( ) ( ) 2 E1 ⇒ ∫ 10 ⎡ ∫ r0 G (s ) dG(s ) − ∫ r0 G (s )2 ds⎤ dr ⎢⎣ ⎥⎦ 2 E2 ⇒ ∫ 10 ⎡ ∫ r0 B (s ) dB(s ) − ∫ r0 B (s )2 ds⎤ dr ⎢⎣ ⎥⎦ [8] donde, al igual que el caso anterior, G(s) es un puente browniano de segundo nivel y B (s ) = W (s ) − ∫ r0 W (r ) dr es un puente browniano de primer nivel. (9) McKinnon (2000), pp. 458. 340 ESTADÍSTICA ESPAÑOLA α tica del estadístico queda recogido en el término β 0 , mientras que los términos restantes permiten recoger las diferencias entre los valores de los cuantiles del estadístico en muestras finitas respecto de la distribución asintótica qα − β 0α . ( 2.1. ) Diseño del Experimento y Simulación El paso inicial de esta metodología es el diseño y realización de un experimento de Monte Carlo para obtener los cuantiles de interés de los contrastes estudiados. En el experimento de Monte Carlo se simularán distribuciones muestrales de cada estadístico de contraste (Zi y Ei) bajo la hipótesis nula (raíz unitaria determinista), para lo cual se generarán réplicas del sendero aleatorio: γ t = γ t −1 + ε t , ( ε t ≈ i.i.d .N 0, σ 2ε ) [10] con distintos tamaños muestrales, obteniéndose el valor del estadístico en cada uno de ellos y los cuantiles correspondientes a las distintas repeticiones. El vector de 30 tamaños muestrales utilizado en la simulación completa es T=<20,30,...,100,125,150,...,500,600,...,1000>; para cada tamaño muestral del vector T se realizan M experimentos cada uno de ellos con N réplicas(10). La realización, para cada tamaño muestral, de M experimentos cada uno de ellos con N repeticiones, en lugar de una única simulación con MN réplicas, permite obtener una estimación de la variabilidad muestral de cada cuantil estimado, lo cual será fundamental para estimar las ecuaciones por Mínimos Cuadrados Ponderados (MCP) como veremos posteriormente. Por otra parte, las necesidades de memoria disminuyen al dividir los experimentos puesto que el número de valores aleatorios almacenados en memoria es un múltiplo de N. Para cada uno de los M experimentos con N réplicas realizado se guarda el vector de 225 cuantiles de orden α para los siguientes valores de α: α= < 0.0001, 0.0002, . . . , 0.001, 0.002, . . ., 0.01, 0.015, . ., 0.99, 0.991, . .,0.999, 0.9995, 0.9996, , . ., 0.9999 > [11] La tabla resumen del diseño experimental incluyendo el vector de tamaños muestrales considerado, el número de experimentos, número de réplicas por experimento y tiempo de computación se puede consultar en el Cuadro 1. (10) MacKinnon (2000) recomienda unos valores de N=100000 ó 200000 y M=50 ó 100. Los valores de N (réplicas por experimento) utilizados en los experimentos fueron menores de los recomendados ante la falta de ordenadores con suficiente potencia para guardar en memoria el número de valores aleatorios que sería necesario generar. ESTIMACIÓN DE CUANTILES Y P-VALORES PARA CONTRASTES DE RAICES UNITARIAS ESTOCÁSTICAS Cuadro 1 DISEÑO DE LA SIMULACIÓN T M N 20 30 40 50 60 70 80 90 100 125 150 175 200 225 250 275 300 325 350 375 400 425 450 475 500 600 700 800 900 1000 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 75000 75000 50000 50000 50000 50000 50000 50000 50000 50000 40000 40000 40000 40000 40000 40000 30000 30000 25000 Duración 13:14:50 11:27:54 32:17:10 50:01:10 60:44:08 72:37:15 83:40:39 95:27:43 106:06:11 30:02:06 51:59:29 42:37:30 53:51:13 25:42:27 33:05:45 39:17:15 52:59:34 163:46:49 181:33:09 135:23:43 150:43:26 159:46:19 172:35:49 183:48:14 189:20:49 243:20:33 287:09:06 243:51:38 278:44:48 309:31:27 Notas: el valor de t representa el tamaño muestral, el valor de m representa el número de experimentos realizados, el valor de n el número de réplicas por experimento, mientras que la duración es el tiempo de cálculo en cada ordenador pentium iii (450 mhz) utilizado en la simulación (hhh:mm:ss) 341 342 2.2. ESTADÍSTICA ESPAÑOLA Algoritmo de Obtención de Cuantiles El algoritmo de obtención de los cuantiles de los estadísticos de contraste se puede resumir en los siguientes pasos: 1. Establecer i=1. 2. Establecer Ti = elemento i-ésimo del vector T. 3. Establecer j=1. 4. Generar N muestras aleatorias normales estándar de tamaño Ti. Replicar N veces el sendero aleatorio dado en [10] tomando como valores muestrales de ε t las N muestras generadas(11) y un valor inicial y0 = 0. 5. Para cada una de las N realizaciones muestrales del sendero aleatorio de tamaño Ti, realizar una regresión por Mínimos Cuadrados Ordinarios (MCO) Δy t = α + βt + ε t y calcular los valores de los estadísticos E1 y Z1, dados en [7] y [4], con los residuos (ε̂ t ) y sumas acumuladas de residuos (ω̂t ) obtenidos en la regresión. Los valores de los estadísticos E2 y Z2 se obtienen utilizando los residuos y sumas acumuladas procedentes de la regresión Δy t = α + ε t (obviamente, en ambas regresiones, no se incluyen retardos de Δyt como regresores puesto que, en el proceso generador de datos, la primera diferencia de yt no tiene autocorrelación). 6. Para los N valores obtenidos de cada estadístico, se obtiene el vector de cuantiles α dado en [11]. Como señala MacKinnon (2000) en la página 457 de su artículo, para que las estimaciones de los cuantiles de los estadísticos de contraste sean válidas, el número de repeticiones por experimento, N, ha de cumplir que αN sea un número entero para cualquier valor del vector α. A pesar de que, en nuestro caso, para algunos tamaños muestrales el número de réplicas es claramente insuficiente (como ya se ha comentado, MacKinnon recomienda no bajar de las 100000), sí que se cumple esta condición para todos los valores de N y α. 7. Si j < M establecer j = j+1 y volver al paso 4. En caso contrario continuar con el siguiente paso. 8. Si i < dim(T) establecer i = i+1 y volver al paso 2. En caso contrario terminar el algoritmo. Los cálculos fueron realizados usando el programa Ox versión 2.20 (Doornik 2002) a partir de un generador de números aleatorios de L’Ècuyer (1997) con período aproximado 2113. Dicho generador parece adecuado puesto que el número total de números aleatorios generados es del orden de 419 (claramente menor del (11) La distribución nula de los estadísticos Zi y Ei no dependen de σ ε . 2 ESTIMACIÓN DE CUANTILES Y P-VALORES PARA CONTRASTES DE RAICES UNITARIAS ESTOCÁSTICAS 343 período del generador), con lo que la probabilidad de solapamiento entre los conjuntos de valores aleatorios generados en ordenadores distintos es muy pequeña. 3. OBTENCIÓN DE VALORES CRÍTICOS CON SUPERFICIES DE RESPUESTA Una vez estimados los cuantiles de cada estadístico de contraste para cada tamaño muestral, se realizan estimaciones de las ecuaciones dadas en [9] con k = 3 (recuérdese que los estadísticos Ei son reescalados por T-3 mientras que los estadísticos Zi son reescalados por T-3/2 para obtener la distribución asintótica), es decir(12): qα (Ti ) = β 0α + β1α 1 1 1 + β 2α 2 + β 3α 3 εiα Ti Ti Ti i=1,2, …, dim(T)* M [12] La estimación MCO de las 225 ecuaciones (una ecuación para cada cuantil), cada una de ellas con dim(T) × M=(3000) datos(13), muestra indicios evidentes de heterocedasticidad. Este resultado se debe a que la variabilidad muestral de los cuantiles obtenidos (variables dependientes de las ecuaciones) dependerá del número de réplicas, N, realizado para cada tamaño muestral (mirando el Cuadro 1 se observa que dicho número se reduce al aumentar el tamaño muestral debido a las necesidades de memoria). 3.1. Estimación Óptima de las Superficies de Respuesta Para estimar de forma óptima, simultáneamente, todas las ecuaciones especificadas en el modelo: [ ] q(αMx dim(T)) *1 = X (Mx dim(T)) *k β (αk*1) + ε (αMx dim(T))*1 E ε α ε'α = Ω [13] MacKinnon (2000) propone utilizar un estimador generalizado de momentos (Cragg 1983, Davidson y MacKinnon 2004): βˆ α,GMM = (X' W (W' ΩW) −1 W' X) −1 X' W (W' ΩW) −1 W' q α [14] (12) Por otra parte, se puede contrastar de forma sencilla si se elimina algún regresor de la ecuación [9] una vez estimada. (13) Recordemos que dim(T) representa la dimensión del vector T de tamaños muestrales, que en nuestro caso es 30 y M el número de experimientos realizados para cada tamaño muestral, que en nuestro caso es 100. 344 ESTADÍSTICA ESPAÑOLA Para el caso de heterocedasticidad desconocida (y no autocorrelación), Cragg (1983) propone utilizar como estimación de la matriz Ω, una matriz diagonal con la diagonal principal constituida por los residuos al cuadrado de una regresión MCO de q sobre W. La matriz de instrumentos W escogida (MacKinnon 1996) es una matriz de igual dimensión que X, cuyas columnas son variables binarias (una por cada tamaño muestral) con valor unitario si el tamaño muestral es el representado por la columna correspondiente (es decir, la primera columna valdrá uno para T = 20 y cero en el resto y así sucesivamente). En este caso la ecuación [14] se reduce a una regresión por Mínimos Cuadrados Ponderados (MCP)(14) en dos pasos: 1. Realizar una regresión MCP de q sobre W. Como la matriz W está compuesta por variables binarias, los valores estimados de la regresión serán las medias muestrales de los cuantiles (es decir, q̂αTi = qTαi ) para cada tamaño muestral. 2. Con las 30 medias muestrales obtenidas (valores estimados de la variable dependiente en la regresión anterior) realizar la regresión: qTαi T −1 T −2 T −3 1 = β 0α ~ *α + β1α ~i*α + β 2α ~i*α + β 3α ~i*α + u Ti ~ *α σ Ti σ Ti σ Ti σ Ti σ Ti [15] Esta regresión se estima con 30 datos (un dato para cada Ti) obteniendo los es) timadores β α, GMM dados en [14]. Puesto que la varianza del término de error en [12] varía con T, se preferirá un estimador(15) de la misma que tenga en cuenta esta variación, lo que se consigue a través de la siguiente regresión auxiliar: [q α i − qTi ] 2 = γ ∞ + γ1 1 1 + γ 2 2 + υi Ti Ti [16] (14 ) Si la matriz de instrumentos W elegida fuera distinta (no estuviera compuesta por variables 0-1 por cada tamaño muestral) los resultados sobre la igualdad de estimación GMM y MCP no se mantendrían. (15) Existen otras alternativas para estimar la varianza del término de error, como es el uso de la varianza muestral mediante ) σ 2Tiα = 1 M −1 ∑ M i=1 (qiα − qTi )2 , sin embargo, las estimaciones obtenidas fluctúan mucho más que con el método elegido, puesto que el uso de valores estimados de la regresión auxiliar reduce la variabilidad experimental de los resultados de las simulaciones. ESTIMACIÓN DE CUANTILES Y P-VALORES PARA CONTRASTES DE RAICES UNITARIAS ESTOCÁSTICAS 345 Los valores estimados de esta regresión, que denotamos por ~ σ 2Tiα se usarán para el cálculo de las ponderaciones en la regresión [15]. Teniendo en cuenta el número de experimentos M, la ponderación utilizada ha sido: ~ σ 2Tiα ~ σ *Tαi = M 3.2. Contrastes de Especificación Como la regresión estimada por MCP puede interpretarse como una estimación por el método generalizado de momentos (GMM), se puede realizar un contraste de especificación adecuado de la ecuación [15]. El contraste, cuya hipótesis nula es que la ecuación está bien especificada, tiene como estadístico de contraste el valor de la función objetivo evaluado en el estimador GMM, es decir: ˆ W) −1 W' (qα − Xβˆ α, GMM ) (qα − Xβˆ α, GMM )' W (W' Ω [17] el cual es igual a la suma de cuadrados residual (SCR) de la regresión [15] y su distribución nula asintótica (válida cuando M → ∞) es X 2dim(T) −k donde k es el número de parámetros de la regresión (4 en este caso). Ya que la forma funcional en [15] ha de ser la misma para las 225 ecuaciones estimadas (una para cada cuantil), hay que tomar una decisión única sobre el resultado del contraste para todas las ecuaciones en conjunto. Desgraciadamente, los estadísticos entre las distintas ecuaciones no son independientes por dos causas: • Los mismos números aleatorios son usados para calcular los 4 contrastes, con lo cual existe correlación cruzada entre los distintos estadísticos de contraste. • Los estimadores GMM tienen fuerte correlación para valores próximos de α (existe dependencia entre cuantiles cercanos). Como consecuencia de lo anterior, el valor medio de los 225 estadísticos no tiene una distribución conocida, sin embargo, si la media de la suma de cuadrados residual no se aleja demasiado del valor crítico de la distribución X 2dim(T) − k , dicho resultado se ha considerado como evidencia muestral a favor de la hipótesis nula (superficie de respuesta correctamente especificada). Los resultados empíricos correspondientes a los cuatro contrastes se pueden consultar en el Cuadro 2. 346 ESTADÍSTICA ESPAÑOLA Cuadro 2 RESULTADOS DE LOS CONTRASTES DE ESPECIFICACIÓN E1 E2 Z1 Z2 Polinomio orden 3 Media SCR (T completo) 165.16 35.559 2.2870 780.62 Media SCR (T modificada) 25.413 17.665 401.27 85.037 Media SCR (T completo) 933.45 126.20 8.3080 3225.0 Media SCR (T modificada) 79.445 23.073 2042.0 309.52 Polinomio orden 2 Notas: Los valores de media SCR representan la media de la suma de cuadrados residual (estadístico de contraste) de las 225 regresiones (una por cuartil) dadas en la expresión (15). los valores de t completo (t=30) y t modificada (t=26) indican si se ha utilizado todo el vector de tamaños muestrales o se han cortado los tamaños muestrales más pequeños Los valores correspondientes a la fila T modificada corresponden a ecuaciones estimadas con una muestra más corta eliminando los valores más pequeños del vector T (en este caso T = 20, 30, 40, 50). Esto se hace puesto que, en algunos casos, las superficies de respuesta se estiman mejor al eliminar los cuantiles estimados con mayor variabilidad (correspondientes a los tamaños muestrales más pequeños). Los percentiles de las distribuciones asintóticas de los contrastes, dadas por el término constante β 0α son, entonces, estimadas con mayor precisión. Los mejores ajustes se obtienen para los polinomios de orden 3 mientras que en el polinomio de orden 2 el valor de la suma de cuadrados residual aumenta mucho en todos los contrastes(16). Para el estadístico Z1, el valor medio de las sumas de cuadrados residuales obtenidas con el vector T completo es claramente inferior a los valores críticos usuales de la distribución X 226 (38.9 al 5% y 48.3 al 1%). Para el estadístico E2 el valor medio de las SCR también está por debajo de los valores críticos pero con menor nitidez que en el caso anterior. Sin embargo, tanto en el estadístico E1 como, sobre todo, Z2 los valores medios de las sumas de cuadrados residuales (con vector T completo) superan ampliamente los valores críticos correspondientes. En el caso del estadístico E1, dicho valor medio de las SCR se reduce mucho al considerar el vector T modificado, de hecho el valor ahora es menor que los valores críticos de la distribución X 222 (los grados de libertad de la distribución chi-cuadrado se reducen al eliminarse algunos elementos del vector T). Desgraciadamente, en el caso del etadístico Z2, aunque se reduce considerablemente el valor medio de las SCR al cortar el vector T, dicho valor sigue superando los valores críticos de la distribución X 222 (33.9 al 5% y 42.8 al 1%). (16) También se han realizado pruebas con polinomios de orden 4 y 1 con ajustes mucho peores que los polinomios de orden 3 y 2. ESTIMACIÓN DE CUANTILES Y P-VALORES PARA CONTRASTES DE RAICES UNITARIAS ESTOCÁSTICAS 347 Las superficies de respuesta estimadas, correspondientes a los cuantiles más usuales en la práctica, se pueden consultar(17) en los Cuadros 3 y 4. Cuadro 3 SUPERFICIES DE RESPUESTA ESTIMADAS PARA LOS CONTRASTES E1 Y E2 Contraste E1 (vector T modificado) Cuantil 90 (10%) Cuantil 95 (5%) Cuantil 99 (1%) SCR 0.063021+ 0.4471 (0.00001) (0.0045) 0.066223+ 0.7754 (0.00001) (0.0044) 0.070861+ 1.5536 (0.00002) (0.0109) T −1 + −0.4876 T −2 + −70.645 T −3 T −1 + −12.4035 T −2 + 198.992 T −3 T −1 + −46.4312 T −2 + 1032.888 T −3 (0.6362) (25.176) (25.624) (0.6325) (64.599) (1.5893) Contraste E2 (vector T completo) Cuantil 90 (10%) Cuantil 95 (5%) Cuantil 99 (1%) 22.471 [0.432] 13.743 [0.910] 14.874 [0.867] SCR 0.05047+ 0.1743 (0.00001) (0.0016) 0.05699+ 0.3519 (0.00001) (0.0022) 0.06541+ 0.8739 (0.00002) (0.0055) T −1 + 0.9055 (0.0932) T −2 + −13.351 T −3 −3.332 T −3 (1.324) T −1 + -0.7984 T −2 + T −1 + −9.8079 T −2 + (0.1283) (0.3415) (1.850) 77.548 (5.038) T −3 19.623 [0.809] 19.277 [0.824] 21.835 [0.697] Notas: Los valores entre paréntesis indican desviaciones típicas estimadas. Para obtener cualquier cuantil basta con sustituir el tamaño muestral en la ecuación correspondiente. la columna de la derecha proporciona las scr de cada ecuación, siendo los valores entre corchetes, los p-valores para un contraste de especificación, que aquí se indican a modo descriptivo (17) El resto de superficies de respuesta para todos los valores de α están a disposición pública bajo requerimiento a los autores. 348 ESTADÍSTICA ESPAÑOLA Cuadro 4 SUPERFICIES DE RESPUESTA ESTIMADAS DE LOS CONTRASTES Z1 Y Z2 Contraste Z1 SCR (vector T completo) Cuantil 90 (10%) Cuantil 95 (5%) Cuantil 99 (1%) 0.10638+ 4.3645 (0.00033) (0.1201) 0.15125+ 5.1772 (0.00039) (0.1323) 0.26788+ 7.0644 (0.00059) (0.1895) T −1 + −100.7831 T −2 + 1018.232 T −3 T −1 + −118.1505 T −2 + 1151.557 (121.486) T −3 (8.2580) T −1 + 170.5901 T −2 + 1566.557 T −3 (7.7557) (11.4401) (116.346) (164.898) Contraste Z2 0.278 [1.000] 0.278 [1.000] 0.1763 [1.000] SCR (vector T modificado) Cuantil 90 (10%) Cuantil 95 (5%) Cuantil 99 (1%) 0.21956+ 4.6456 (0.00025) (0.1314) 0.33765+ 5.2810 (0.00037) (0.1904) 0.67842+ 5.6045 (0.00092) (0.4739) T −1 + −193.1104 T −2 + 4566.203 T −3 T −1 + −200.7496 T −2 + 4249.842 T −3 T −1 + −211.6117 T −2 + 3785.999 T −3 (17.5838) (25.3431) (61.8925) (674.126) (966.818) (2317.002) 48.643 [0.001] 33.906 [0.050] 23.443 [0.377] Notas: Los valores entre paréntesis indican desviaciones típicas estimadas. para obtener cualquier cuantil basta con sustituir el tamaño muestral en la ecuación correspondiente. la columna de la derecha proporciona las scr de cada ecuación, siendo los valores entre corchetes, los p-valores para un contraste de especificación, que aquí se indican a modo descriptivo Como se puede observar, las ecuaciones estimadas para los estadísticos Zi muestran cambios en las estimaciones de sus coeficientes, ante cambios en el vector T utilizado, de mayor dimensión relativa que para los estadísticos Ei, además de ofrecer unas desviaciones típicas muy superiores a estos. 3.3 Obtención de Valores Críticos Estimados Una vez estimadas las superficies de respuesta, los valores críticos se obtienen simplemente sustituyendo para cada tamaño muestral en la ecuación correspondiente a cada nivel de significación. Estos valores se pueden consultar en el Cuadro 5. ESTIMACIÓN DE CUANTILES Y P-VALORES PARA CONTRASTES DE RAICES UNITARIAS ESTOCÁSTICAS 349 Cuadro 5 VALORES CRÍTICOS ESTIMADOS CON LAS SUPERFICIES DE RESPUESTA DADAS EN LOS CUADROS 3 Y 4. CUANTILES 90, 95 Y 99 0.1 0.05 0.01 0.1 Contraste E1 0.05 0.01 Contraste E2 50 100 0.0712 0.0674 0.0784 0.0729 0.0916 0.0828 0.0542 0.0523 0.0637 0.0604 0.0796 0.0732 200 0.0652 0.0698 0.0776 0.0514 0.0587 0.0695 500 0.0639 0.0677 0.0738 0.0508 0.0577 0.0671 1000 0.0635 0.0670 0.0724 0.0506 0.0573 0.0663 Contraste Z1 Contraste E2 50 100 0.1615 0.1410 0.2168 0.1924 0.3535 0.3230 0.2718 0.2513 0.3970 0.3746 0.7362 0.7171 200 0.1258 0.1743 0.2991 0.2385 0.3596 0.7016 500 0.1147 0.1611 0.2813 0.2281 0.3475 0.6888 1000 0.1106 0.1563 0.2748 0.2240 0.3428 0.6838 Se han comparado los valores críticos ya publicados de los contrastes con los obtenidos utilizando las superficies de respuesta estimadas(18). La diferencia entre los valores críticos publicados y los estimados con las superficies de respuesta es, para todos los niveles de significación y tamaños muestrales, menor de tres centésimas (valor máximo de 0.027 en el contraste Z2). El resto de estadísticos tienen diferencias notablemente menores, lo cual concuerda con las conclusiones obtenidas en los contrastes de especificación correcta de las superficies de respuesta estimadas); el resultado detallado se puede observar en el Cuadro 6. (18) Los valores críticos respecto a los que se han comparado corresponden a los publicados en Leybourne, McCabe y Mills (1996), para los estadísticos de contraste E1 y E2, los publicados en Leybourne, McCabe y Tremayne (1996), para el estadístico de contraste Z1 y los valores cedidos por Taylor y Van Dijk (2002) para el estadístico de contraste Z2. 350 ESTADÍSTICA ESPAÑOLA Cuadro 6 DIFERENCIAS ENTRE LOS VALORES CRÍTICOS PUBLICADOS Y LOS OBTENIDOS CON LAS SUPERFICIES DE RESPUESTA ESTIMADAS 0.1 0.05 0.01 0.1 Contraste E1 50 100 0.05 0.01 Contraste E2 -0.001 0.000 -0.001 -0.001 -0.002 -0.002 0.000 0.000 -0.001 0.000 -0.002 -0.001 200 0.000 -0.001 -0.001 500 0.000 0.000 0.000 0.000 0.000 -0.001 0.000 0.000 0.000 1000 0.001 0.001 0.001 -0.001 0.000 0.001 Contraste Z1 Contraste Z2 50 100 -0.001 0.001 -0.002 0.000 -0.004 -0.003 0.00651 0.00349 200 0.001 0.002 0.000 - - 500 -0.001 0.000 -0.003 0.00061 -0.0044 1000 -0.007 -0.007 -0.014 - - -0.01316 -0.02752 - Nota: Los máximos (en valor absoluto) para cada contraste están señalados en negrita. para el estadístico de contraste z2 no existen valores críticos publicados para los tamaños muestrales 50, 200 y 1000 con respecto a los cuales comparar 4 FUNCIONES DE DISTRIBUCIÓN Con las 225 superficies de respuesta estimadas para cada contraste se puede representar gráficamente la estimación obtenida de la función de distribución ) asintótica bajo la hipótesis nula de cada estadístico, uniendo los puntos β 0α , α para todos los valores considerados de α. Los gráficos de estas funciones de distribución, se pueden observar en la Figura 1. ( ) ESTIMACIÓN DE CUANTILES Y P-VALORES PARA CONTRASTES DE RAICES UNITARIAS ESTOCÁSTICAS 351 Figura 1 FUNCIONES DE DISTRIBUCIÓN ASINTÓTICAS NULAS DE E Y Z OBTENIDAS A PARTIR DE LAS SUPERFICIES DE RESPUESTA ESTIMADAS En esta figura observamos que la distribución asintótica de los contrastes Zi y Ei son muy distintas entre sí, a la vez que muy diferentes de la Normal. Además, la distribución de los estadísticos Ei es asimétrica hacia la izquierda mientras que los estadísticos Zi son simétricos alrededor del cero. Para obtener una expresión suavizada de las funciones de distribución se puede utilizar una interpolación a partir de splines de las primeras, puesto que esta técnica es aplicable a funciones monótonas no decrecientes. Intuitivamente, un spline es una función que se construye uniendo polinomios definidos entre subintervalos e imponiendo ciertas condiciones de continuidad (Kincaid y Cheney 1994). Más formalmente, si tenemos una función F(x) evaluada en n+1 puntos o nodos x0, x1,..., 352 ESTADÍSTICA ESPAÑOLA xn una función spline de grado k es una función S que cumple las siguientes condiciones: [ 1. En cada intervalo xi −1 , x i ) , la función S es un polinomio de grado ≤ k. 2. La función S tiene derivada de orden (k-1) continua para todo el intervalo [x 0 , x n ] . 3. F(x)=S(x), ∀x ∈{x 0 , x1 , ..., x n } En la práctica el grado de los polinomios que constituyen la función spline suele ser de orden 3 (splines cúbicos). Para hallar la función spline S es necesario calcular 4n coeficientes correspondientes a los n polinomios cúbicos α 0 + α1x + α 2 x 2 + α 3 x 3 . Imponiendo la continuidS d 2S y S'' = se obtienen 4n-2 condiciones para deterdx dx 2 minar los 4n coeficientes, con lo cual hay 2 grados de libertad en el cálculo de los polinomios de interpolación. Si se denomina zi = S'' (x i ) y se establece z0 = zn = 0 (spline cúbico natural), la función spline interpolada entre xi y xi+1 es (Kincaid y Cheney, pág. 326): dad de las funciones S' = Si (x ) = ⎛ ⎞ ⎛ ⎞ zi (x i+1 − x )3 + zi+1 (x − x i )3 + ⎜⎜ y i+1 + zi+1hi ⎟⎟ (x − x i ) + ⎜⎜ y i − zihi ⎟⎟ (x i+1 − x ) 6 ⎠ 6 ⎠ 6hi 6hi ⎝ hi ⎝ hi x ∈[x i , x i+1 ] [18] donde y i = S(x i ) = F(x i ) y hi = x i+1 − x i . En la Figura 2 se puede consultar las funciones spline obtenidas para las funciones de distribución nulas asintóticas de cada estadístico de contraste. ESTIMACIÓN DE CUANTILES Y P-VALORES PARA CONTRASTES DE RAICES UNITARIAS ESTOCÁSTICAS 353 Figura 2 SPLINES CÚBICOS NATURALES OBTENIDOS A PARTIR DE LAS FUNCIONES DE DISTRIBUCIÓN ASINTÓTICAS NULAS DE LOS ESTADÍSTICOS E Y Z Una vez obtenidas mediante splines las funciones de distribución, es fácil obtener el p-valor para cualquier valor x del estadístico de contraste correspondiente, calculando la ordenada F(x) en la función de distribución adecuada. Como todos los contrastes son unilaterales, el p-valor vendrá dado por 1−F(x). Analíticamente hay que buscar entre qué cuantiles xi , xi +1 se sitúa el valor de x y sustituir directamente en el polinomio(19) dado en [18] para obtener F(x) y el p-valor(20). [ ] (19) Los splines calculados están a disposición pública previa petición a cualquiera de los autores. (20) Existen otras técnicas de obtención del p-valor mediante aproximaciones locales en serie de Taylor partiendo de la distribución normal, sin embargo, para este contexto, resulta más sencillo el cálculo basado en splines. 354 ESTADÍSTICA ESPAÑOLA 5. CONCLUSIONES En este trabajo hemos estimado superficies de respuesta para los principales estadísticos usados en la literatura de contrastes de raíces unitarias estocásticas, concretamente aquellos desarrollados por Leybourne, McCabe y Mills (1996) y Leybourne, McCabe y Tremayne (1996), llamados comúnmente E y Z. Las características de los procesos de raíz unitaria estocástica ó STUR, descritas en este trabajo, son las que originan la necesidad de realizar estos contrastes para detectar su presencia en series económicas y financieras. Si se detecta una raíz unitaria estocástica en el proceso generador de datos de una serie temporal, no son aplicables los procedimientos estadísticos utilizados para series I(d) con d entero. Hemos aplicado la técnica introducida por MacKinnon (1994, 1996, 2000), para la estimación de valores críticos en muestras finitas, detallando las simulaciones tipo Monte Carlo realizadas para obtener los cuantiles correspondientes en las regresiones de las superficies de respuesta. Las superficies de respuesta se han estimado por GMM, realizando contrastes de especificación sobre ellas. Los mejores ajustes los hemos encontrado para ecuaciones con polinomios de orden tres en ambos estadísticos, de igual forma hemos mejorado el ajuste utilizando el vector de cuantiles modificado (eliminando los valores para los tamaños de muestra más pequeños, estimados con mayor variabilidad) para los contrastes E1 y Z2 y el vector completo para E2 y Z1. Otro resultado que arroja el estudio es la mayor variación de los coeficientes estimados y mayor desviación típica de los mismos, entre las superficies de respuesta de los estadísticos Zi respecto de las correspondientes entre los estadísticos Ei, ante cambios en el vector T. Teniendo en cuenta la validez de estos resultados bajo las hipótesis de normalidad de los ruidos que asumimos, estas superficies de respuesta estimadas nos permiten obtener valores críticos, para cualquier nivel de significación y tamaño muestral deseado. A través de este método hemos obtenido resultados bastante similares a los publicados en la literatura, para los mismos niveles de significación y tamaños muestrales, de hecho, la diferencia máxima que hemos encontrado es menor de tres centésimas, para el caso del contraste Z2, siendo en el resto de los casos notablemente inferiores. En el cálculo de las distribuciones nulas asintóticas de los estadísticos considerados, encontramos que son muy distintas y diferentes a la normal. Destacamos que la distribución asintótica nula de los estadísticos E es asimétrica hacia la izquierda mientras que para los estadísticos Z es simétrica alrededor del cero. ESTIMACIÓN DE CUANTILES Y P-VALORES PARA CONTRASTES DE RAICES UNITARIAS ESTOCÁSTICAS 355 Por último, hemos expresado estas funciones de distribución nula en forma continua a través de la interpolación por splines, lo que nos permite obtener los Pvalores para cualquier valor x del estadístico de contraste correspondiente calculando 1- F(x), siendo F(x) la ordenada en la función de distribución asociada a dicho contraste. REFERENCIAS CRAGG, J.G. (1983): «More Efficient Estimation in the Presence of Heteroscedasticity of Unknown Form», Econometrica, 51, 751-763. DAVIDSON, R. Y J.G. MACKINNON (2004): «Econometric Theory and Methods». Oxford University Press. DOORNIK, J. A. (2002): «Object-Oriented Matrix Programming Using Ox». Timberlake Consultants Press, London, 3 edn. ERICSSON, N. R. Y J. G. MACKINNON (2002): «Distributions of error correction tests for cointegration», Econometrics Journal, 5, 285-318. GRANGER, W. J. C. Y N. R. SWANSON (1997): «An Introduction to Stochastic Unit-Root Processes», Journal of Econometrics, 80, 35-62. KINCAID, D. Y W. CHENEY (1994): «Análisis Numérico. Las Matemáticas del Cálculo Científico». Addison-Wesley Iberoamericana, Delaware, U.S. L’ECUYER, P. (1997): «Tables of Maximally-Equidistributed Combined LSFR Generators», Mimeo. LEYBOURNE, S. J., B. P. MCCABE Y T. C. MILLS (1996) : «Randomized Unit Root Processes for Modelling and Forecasting Financial Time Series: Theory and Applications», Journal of Forecasting, 15, 253-270. LEYBOURNE, S. J., B. P. MCCABE Y A. R. TREMAYNE (1996) : «Can Economic Time Series Be Differenced to Stationarity?», Journal of Business and Economic Statistics, 14, 435-446. MACKINNON, J. G. (1994): «Approximate Asymptotic Distribution Functions for UnitRoot and Cointegration Tests», Journal of Business and Economic Statistics, 12, 167-176. ________ (1996): «Numerical Distribution Functions for Unit Root and Cointegration Tests», Journal of Applied Econometrics, 11, 601-618. 356 ESTADÍSTICA ESPAÑOLA _________ (2000): High Performance Computing Systems and Applications. Chap. Computing Numerical Distribution Functions in Econometrics, pp. 455-470. Kluwer, Amsterdam. MCCABE, B. P. M., G. M. MARTIN Y A. R. TREMAYNE (2003): “ PERSISTENCE and Nonstationary Models”, Working Paper 16/2003, Department of Econometrics and Business Statistics, University of Monash, Australia. http://www.buseco.monash.edu.au/depts/ebs/pubs/wpapers/2003/wp16-03.pdf TAYLOR, A. M. R. Y D. VAN DIJK (2002): “Can Tests for Stochastic Unit Roots provide useful Portmanteau Tests for Persistence?”, Oxford Bulletin of Economics and Statistics, 64, 381-397. TJØSTHEIM, D. (1986): “Some doubly Stochastic Time Series Models”, Journal of Time Series Analysis, 7, 51-72. YOON, G. (2003): “Stochastic Unit Roots, Long memory and I(1.5)”, Working Paper, Department of Economics and Related Studies, University of York. http://www.bwl.uni-kiel.de/econ/ES-Old/ES-Papers/yoon.pdf _______ (2004): “A Note on Some Properties of STUR Processes”, Working Paper, Department of Economics and Related Studies, University of York. http://repec.org/esFEAM04/up.32475.1080742736.pdf ESTIMACIÓN DE CUANTILES Y P-VALORES PARA CONTRASTES DE RAICES UNITARIAS ESTOCÁSTICAS ESTIMATION OF QUANTILES AND P-VALUES FOR STOCHASTIC UNIT ROOT TESTS ABSTRACT In this paper we give equations (response surface) that enable us to estimate critical values for any sample size and signification level for some tests for stochastic unit roots. The equations also allow us to approximate p-values under normality hypothesis about noises. We have undertaken a Monte Carlo experiment to obtain these equations and from the simulated data we have calculated optimal estimators for the equation’s coefficients. Keywords: stochastic unit roots tests, response surface, Monte Carlo method, time series, distribution function, critical values. Clasification AMS: 62K20, 65C05, 62G10, 91B84. . 357