NOTAS SOBRE

ESTACIONARIEDAD DE SERIES TEMPORALES:

Definicin y contraste de Races Unitarias
SEMINARIO DE UTILIZACIN DE LOS MODELOS ECONOMTRICOS PARA LA
SIMULACIN Y PREDICIN DE LA ECONOMA ESPAOLA
R. Maha
Mayo 2001
ESQUEMA DE PRESENTACIN:
- Definicin de estacionariedad
- Concepto de integrabilidad y raz unitaria
- Mtodos simples de deteccin de la no estacionariedad
- Introduccin del test DF
- Problemas de la aplicacin del test DF:
Test DF y P.G.D
Test DF en modelos AR(p)
Test DF en presencia de autocorrelacin serial
Test DF en modelos MA(q)
Test DF y Cambio Estructural
- Conclusiones
TRASCENDENCIA DEL ANLISIS DE LA ESTACIONARIEDAD
- Uso correcto de muchas de las distribuciones en las etapas del contraste y validacin
de los modelos economtricos
- Evitar las regresiones espurias
- Como etapa previa en el anlisis de cointegracin
- Inters conceptual del concepto de tendencia estocstica
TENDENCIAS DETERMINISTAS Vs. TENDENCIAS ESTOCSTICAS
- La principal caracterstica que define al componente tendencial frente al irregular es
la de presentar efectos permanentes sobre la serie temporal y
t
.
- Definir una tendencia en una serie temporal y
t
es extremadamente sencillo. Por
ejemplo, la serie:
t t
t y + + 1 . 0 05 . 0
- 2,00
0,00
2,00
4,00
6,00
8,00
10,00
12,00
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
PRODUCTIVIDAD TOTAL
2 2 0
2 4 0
2 6 0
2 8 0
3 0 0
3 2 0
3 4 0
DEFLACTOR CONSUMO PRIVADO
2 5
4 5
6 5
8 5
1 0 5
1 2 5
1 4 5
t t
t t y + + +
2
03 . 0 1 . 0 05 . 0
- 50, 00
0, 00
50, 00
100, 00
150, 00
200, 00
250, 00
300, 00
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
EXPORTACIONES REALES TOTALES
1 7 0 0
2 7 0 0
3 7 0 0
4 7 0 0
5 7 0 0
6 7 0 0
7 7 0 0
VALOR AADIDO EN SERVICIOS
1 1 2 0 0
1 2 2 0 0
1 3 2 0 0
1 4 2 0 0
1 5 2 0 0
1 6 2 0 0
TENDENCIA ESTOCSTICA
- Paseo aleatorio simple:
t t t t t
y y y +
1

+
t
i
i t
y y
1
0

- [ ] [ ]
0 0
1
0
y y E y E y E
t
i
i t

1
]
1

-
[ ] [ ] [ ]
[ ] [ ]
2 2 2
2
2
1 3 1 2 1
2
2
2
1
2
1
2
1
0 0
2
.... ..... .....



t E E
E y y E y E y E y V
t
t
i
i
t
i
i t t t
+ + + + + +

1
]
1

1
]
1

+


- Ser posible que existan series que exhiban este tipo de tendencia estocstica?
Paseo aleatorio I Tipo de cambio Pta/Dlar
-5
0
5
10
15
20
25
30
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81
40
60
80
100
120
140
160
180
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Paseo aleatorio I I Tipo de cambio Pta/Libra Esterlina
0
10
20
30
40
50
60
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
120
140
160
180
200
220
240
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
- Paseo aleatorio con deriva (tendencia estocstica y determinista):
t t t t t
a y y a y + + +
0 1 0

+ +
t
i
i t
t a y y
1
0 0

Su no estacionariedad en media y varianza hace difcil su distincin:
t t t
y y + +
1
5 . 0
0
10
20
30
40
50
60
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
*
1
5 . 0
i t t
y y + +

-10
0
10
20
30
40
50
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
REGRESIONES ESPURIAS
- Cmo es una regresin espuria?
- Experimento de Granger y Newbold (1974) y Charemza y Deadman (1992)
t t t
t t t
x x
y y
2 1
1 1

+
+

t t t
e x a a y + +
1 0
- Sobre un conjunto de 1000 muestras de y
t
y x
t
con 50 observaciones, alrededor de
un 75% (65%) de las regresiones de y
t
sobre x
t
presentan contrastes t
significativos a un nivel de significatividad del 5%.
- Sin embargo, prescindiendo de la constante a
0
:
t t t
x a y e
1

por lo que imponiendo las restricciones iniciales y
0
=x
0
=0 tenemos que:



t
i
i
t
i
i t
a e
0
2
0
1 1

Secuencia de errores no estacionaria en varianza
La varianza de e
t
no es constante
No existe incorrelacin serial, la correlacin entre e
t
y e
t+1
tiende a uno a
medida que t se incrementa.
Dada semejante acumulacin de errores de base, ningn test de significatividad
puede ser usado con garantas y por ello, ninguna inferencia ser fiable.
CONCEPTO DE INTEGRACIN
- Se dice que una serie y
t
no estacionaria es integrada de orden d y se representa
como y
t
~I(d) cuando puede ser transformada en una serie estacionaria
diferencindola d veces.
- Concepto previo: por qu las condiciones de estacionariedad de los modelos de
series temporales tienen que ver con las races caractersticas o las races del
polinomio de retardos?.
- Porqu una serie se vuelve estacionaria al diferenciarla?
t t
L B y L A ) ( ) (
) ( ) 1 ( ) (
'
L A L L A
t t
L B y L A L ) ( ) ( ' ) 1 (
t t
L B y L L A ) ( ) 1 )( ( '
t t
L B y L A ) ( ) ( '
Ejemplo
2 1 2 1
25 . 0 5 . 0 5 . 0 5 . 1

+
t t t t t
y y y
2 1 2 1
25 . 0 5 . 0 5 . 0 5 . 1

+
t t t t t
y y y
2 1 2 1
5 . 0 3 2

+
t t t t t
y y y
) 5 . 0 ( ) 3 2 ( ) ( ) (
2 2
L L L L y L B L A y
t t t t
+
) 5 . 0 ( ) 2 )( 1 ( ) ( ) ( ) 1 (
2 '
L L L L y L B L A L y
t t t t

) 5 . 0 ( ) 2 ( ) ( ) (
2 '
L L L y L B L A y
t t t t

- Efectivamente, en los casos vistos anteriormente:
En el caso de un paseo aleatorio puro
[ ] [ ] ( ) [ ] [ ]
[ ]
2 2
2
1
1 1
0 0
1
1 1
0 0
2
1 1 1

1
]
1

,
_

+
,
_

t
t
i
i
t
i
i
t
i
i
t
i
i
t t t t t t t
E y y E y y E
y y E y y E y y V y V
.... y en el caso de uno con deriva
[ ] [ ] ( ) [ ]
0 0
1
1
0 0
1
0 0 1
1 a a E t a y t a y E y y E y E
t
t
i
i
t
i
i t t t
+
1
]
1

+ + +

[ ] ( ) [ ] [ ] ( )
[ ] [ ]
2 2 2
0 0
2
0
1
1
0
1
0 0 0
2
1 1
1

1
]
1

,
_

+ +




t t
t
i
i
t
i
i t t t t t
E a a E
a t a y t a y E y y E y y E y V
- En este punto es fundamental distinguir entre tendencia determinista y estocstica
- Caracterizacin series I(0) e I(1)
Series I(0) Series I(1)
Presentan varianza finita e independiente
del tiempo
Su varianza depende del tiempo y tiende a
finito a medida que el tiempo tiende a
infinito
Tienen memoria limitada
Cualquier innovacin afecta
permanentemente
a sus procesos
Tienden a fluctuar alrededor de la media
(que puede incluir una tendencia
determinista)
Oscilan ampliamente
Presentan autocorrelaciones que tienden a
disminuir rpidamente a medida que el
retardo se incrementa
Su autocorrelacin tiende a uno (en valor
absoluto) para cualquier orden del retardo
DETECCIN DE RACES UNITARIAS
- Anlisis grfico de la serie
En perodos cortos, las tendencias estocsticas puras no son sencillas de distinguir
de series sin tendencia de ningn tipo
En presencia de tendencias deterministas, stas suelen dominar el patrn grfico de
evolucin
En ningn caso una serie con una raz unitaria puede distinguirse grficamente de
una cuasi raz de un proceso autorregresivo.
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97
Raiz Unitaria Estacionario
An con todas las limitaciones no est nunca de ms un anlisis grfico de la
serie
- Anlisis del correlograma de la serie
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1 3 5 7 9 11 13 15 17 19 21 23
AR(1) (0,5) AR(1) (0,7) AR(1) (0,8) Paseo Aleatorio
Modelo autorregresivo simple:

+
1
0
1 0 1
t
i
i t
i t
t
a y a y
s
s
a a a a
1
3
1 3
2
1 2 1 1
...; ,......... ; ;
Paseo aleatorio simple:

+
1
0
0
t
i
i t t
y y
5 . 0
1
]
1

t
s t
s

El problema es, una vez ms, el caso de races muy cercanas a la unidad
a1=1
-1 0 1
a1=0,99
-1 0 1
a1=0,98
-1 0 1
a1=0,97
-1 0 1
a1=0,96
-1 0 1
a1=0,95
-1 0 1
Debe tenerse en cuenta, adems, el caso de la integracin fraccional
(Mandelbrot 1969, 1972)
- Utilizacin del test Durbin Watson (Sargan y Bhargava 1983):
Se estima el modelo
t o t
y +
Se interpreta la medida DW sobre los residuos e
i
como medida de
autocorrelacin de la variable original y
t
dada la equivalencia:
( )
( )

n
t
t t
n
t
t t
n
t
t
n
t
t t
y y
y y
e
e e
DW
1
2
2
2
1
1
2
2
2
1
) (
TEST DICKEY-FULLER: Definicin
- Definicin bsica del contraste:
H
1
: y a y
t t t
+
1 1
H
0:
y y
t t t
+
1
- La distribucin de probabilidad asinttica del parmetro estimado a
1
presenta una
discontinuidad cuando a
1
=1 dada la no estacionariedad en varianza de y
t
- Debemos usar las tablas de Dickey (1976) y Fuller (1976) Mackinnon (1991)
- El modelo operativo utilizado es:
t t t
t t t
t t t t t
y a y
y a a y
y y a a y y

+ +
+ +
+ +

1 0
1 1 0
1 1 1 0 1
) 1 (
H
0
: =0 frente a H
1
: <0.
- Los valores de referencia para el contraste del parmetro dependen del proceso
generador de datos elegido:
Modelo 1 (simple) ():
t t t
y y +
1
Modelo 2 (con constante) (

):
t t t
y a y + +
1 0
Modelo 3 (con constante y tend. determinista) (

):
t t t
t a y a y + + +
2 1 0
- Puede adems contrastarse alguna hiptesis conjunta de parmetros
( )
k n SCR
r SCR SCR
mnr
mnr mr

3 , 2 , 1
- Por ltimo cabe la posibilidad de contrastar la nulidad de los parmetros nuisance
(Suriach et al. 1995)
Resumen de los test DF
Valores
crticos
Modelo Hiptesis nula Estadstico 95 % 99 %
=0

-3.45 -4.04
a
0
=0 dado =0

3.11 3.78
a
2
=0 dado =0

2.79 3.53
=a
2
=0
3
6.49 8.73
t t t
t a y a y + + +
2 1 0
a
0
==a
2
=0
2
4.88 6.50
=0

-2.89 -3.51
a
0
=0 dado =0

2.54 3.22
t t t
y a y + +
1 0
a
0
==0
1
4.71 6.70
t t t
y y +
1
=0
-1.95 -2.60
- Debe pensarse siempre en la posibilidad de la existencia de ms de una raz unitaria
(Charemza y Deadman (1992) Dickey y Pantula ) (1987))
Esquema de Charemza y Deadman (1992)
TEST DF Y P.G.D (Elementos deterministas)
- El principal problema del test DF es su dependencia de la forma del PGD. Esta
dependencia es un problema ya que generalmente la forma del PGD se desconoce
- Qu ocurre si fallamos en la consideracin de los elementos deterministas?
Si tomamos como modelo de partida un modelo con tendencia determinista y
trmino constante, podemos estar sobreparametrizando la estimacin. Pero
adems, los valores crticos de referencia para aceptar o rechazar la hiptesis
nula dependen crucialmente del modelo estimado: la potencia del contraste
decrece tanto ms cuanto mayor sea el nmero de parmetros aadidos
incorrectamente.
La omisin del trmino independiente o la tendencia determinista, cuando
estas son variables relevantes, tambin provoca de nuevo una estimable
prdida de potencia. (Campbell y Perron (1990))
- Pero adems debemos considerar matices adicionales
Si se conoce la presencia real de tendencia o deriva, algunos autores proponen
que la hiptesis nula =0 debe contrastarse usando una distribucin normal
estandarizada en lugar de las distribuciones asintticas tabuladas por Dickey y
Fuller. (Hylleberg y Mizon (1990))
- Cmo hacer en la prctica?
Observar la grfica de la serie puede ayudarnos
DF sobre y
t
y
t
~I(0) H
1
H
0 DF sobre y
t
y
t
~I(1) H
1
H
0 DF sobre y
t
y
t
~I(2) H
1
H
0
- Orden superior a 2.
- No integrable.
- Fallo DF
Esquema de Dolado y Perron (1990)
TEST DF EN MODELOS AUTORREGRESIVOS AR(P)
- Test ADF:

+
+ + +
p
i
t i t i t t
y y a y
2
1 1 0

con:

,
_

p
i
i
a
1
1

p
j
i i
a
1

- Sin embargo, conviene recordar que el propio Fuller demostr que la distribucin
asinttica del estadstico t del parmetro estimado, es independiente del nmero
de retardos de la variable diferenciada que incluyamos en la especificacin del
modelo estimado.
- Por tanto el el test ADF es conceptualmente til como posible correccin a los
problemas de autocorrelacin que pudieran aparecer en el trmino de error del
modelo bsico utilizado en el test simple DF: Solucin Paramtrica de la
Autocorrelacin (Dickey y Fuller 1981)
- La eleccin del nmero de retardos a considerar viene determinada por:
La persistencia de la autocorrelacin residual
El modelo terico de referencia supuesto para y
t
Criterios clsicos de aceptacin de variables en un modelo como el test t-
Student de significatividad individual, Akaike o Schwarz
TEST DF EN MODELOS CON PROBLEMAS DE
AUTOCORRELACIN SERIAL
- Para la aplicacin del test DF se asume que los errores del modelo estn idntica e
independientemente distribuidos.
- Contamos con la alternativa de correccin paramtrica del test ADF.
- Phillips (1987) y Phillips y Perron (1988) sealaron que la distribucin asinttica de
la razn t del parmetro en los modelos del test DF depende de la ratio:
2
2

en donde
2

y
2
responden a las expresiones:
( )
1
1
1
1
]
1

n
E
n
i
i
n
lim
1
2
2

y
1
1
1
1
1
]
1

,
_

n
E
n
i
i
lim
2
1
n
2

- En los trabajos Phillips (1987) y Phillips y Perron (1988) se sugieren utilizar los
residuos obtenidos en la estimacin del modelo DF simple para transformar los
estadsticos t asociados a los parmetros del mismo:
n
e
n
i
i

1
2
2

y
( )
n
e e
l
r
n
e
n
r i
r i i
l
r
n
i
i
+

+
1 1 1
2
2
1
1
2
- Una vez computadas las estimaciones de
2

y
2
, corregiremos el valor obtenido
para la razn en la estimacin de nuestro modelo segn las expresiones
siguientes de modo que puede entonces utilizarse la tabla clsica DF:
2
2
2
1
2 2
2
1
2
2

) (

) , (
n
y
Z
n
t
t

y D
n
Z
3 4
) (

) (
2 2 3
2
2

- A partir de los trabajos de estos autores se han propuestos otras correcciones otros
estimadores como el de Newey y West (1987, 1994)
- Debe seleccionarse siempre el mximo nmero de retardos a considerar o
truncation-lag con un procedimiento automtico (usando las propuestas de Newey
y West o de Schwert (1987 y 1989)) o a partir del examen detallado de la
autocorrelacin.
TEST DF EN MODELOS CON
COMPONENTES DE MEDIAS MVILES MA(q)
- En principio puede pensarse en la transformacin en un modelo AR(p) :
t t
L B y L A ) ( ) (
t t t t
C(L)y y L B L A ) ( ) (
y el uso de la forma general del ADF:

+
+ + +
2
1 1 0
i
t i t i t t
y y a y
- Debemos acudir a trabajos como los presentados por Said y Dickey (1984) sobre el
contraste de races unitarias en procesos ARMA de orden desconocido: ... un
modelo ARIMA (p,1,q) de rdenes desconocidos poda ser aproximado
adecuadamente por un modelo ARIMA (s,1,0) de orden s no superior a la raz
cbica del tamao muestral n....
- Debe considerarse la propuesta de Hall (1989) apoyada en la utilizacin del mtodo
de estimacin por variables instrumentales.
- Debe vigilarse especialmente la prdida de potencia del test ADF y PP sealada por
Molinas (1986) y Molinas y Schwert (1987 y 1989) en el caso de procesos MA
cercanos a la no invertibilidad.
TEST DF EN MODELOS CON CAMBIO ESTRUCTURAL
- En presencia de cambio estructural se tiende a aceptar sesgadamente la existencia de
una raz unitaria.
- ERROR POR OBSERVACIN: Proceso AR(1) estacionario en niveles y en
diferencias y residuos una vez eliminada la tendencia determinista.
- 4
- 2
0
2
4
6
8
1 0
1 2
Serie en niveles Serie diferenciada
- 5
- 4
- 3
- 2
- 1
0
1
2
3
4
5
Residuos niveles Resiudos diferencias
- ERROR POR APLICACIN DEL TEST DF: Proceso Generador Real AR(1)
estacionario con cambio de tendencia de escaln.
0
1
2
3
4
5
6
7
8
Modelo correcto: F 5 . 0
t 1 N t t
y y + +


Propuesta incorrecta:
t t t
y a a y + +
1 1 0

....... estimacin incorrecta
t t t
y a y + +
1 0
(Solucin de un P.Aleatorio simple:
t t
t a y y

+ +
0 0
)
- Soluciones:
Aplicar DF ADF en las submuestras
Utilizar la propuesta de Perron en dos pasos (1989).
ASPECTOS PENDIENTES EN ESTE GUIN
- Profundizacin en los problemas de potencia del test DF
- Estacionariedad estacional: Test DHF, HEGY
- Contrastes de estacionariedad: Test KPSS y LMC
- Integracin peridica
- Integracin fraccional
REFERENCIAS BIBLIOGRFICAS
Amano, R.A. y van Norden, S. (1992). Unit-Root tests and the Burden of Proof. Mimeo.
(http://wueconb.wustl.edu/eprints/em/papers/9502/9502005.abs)
Beaulieu, J.J. y Miron, J.A. (1993). Seasonal Unit Roots in Aggregated U.D. Data. Journal of Econometrics, 51, pp. 305-328.
Box, G.E.P. y Jenkins, G.M. (1970). Time Series Analysis: Forecasting and Control. Holden-Day. San Francisco, CA.
Box, G.E.P y Pierce, D.A. (1970). Distribution of Residual Autocorrelations in Autorregresive moving Average Time Series
Models. Journal of The American Statistical Association, 65, pp. 1509 1526.
Campbell, John Y. y Perron, P. (1991). Pitfalls and Opportunities: What Macroeconomists Should Know About Unit Roots.
Technical Working Paper 100, NBER Working Paper Series. Abril 1991.
Canova, F. y Hansen, B.E. (1995). Are Seasonal Patterns Constant over Time? A test for Seasonal Stability. Journal of Business
and Economic Statistics, 13, 3, pp. 237-252.
Carrin, J,Ll., Sans, A. y Arts, M. (1998a). The DF and KPSS Wedding. Document de Treball del Dep. Econometria,
Estadstica i Economia Espanyola. Universitat de Barcelona.
------. (1998b). Stationary Test in the Presence of Structural Breaks. Document de Treball del Dep. Econometria, Estadstica i
Economia Espanyola. Universitat de Barcelona.
------. (1998c). The KPSS Test with Two Structural Breaks. Document de Treball del Dep. Econometria, Estadstica i Economia
Espanyola. Universitat de Barcelona.
Charemza, W.W. y Deadman, D.F. (1992). New Directions in Econometric Practice. Edward Elgar Publishing Limited. England.
Charemza, W.W. y Syczewska, E.M. (1998). Joint Application of the Dickey Fuller and KPSS tests. Mimeo. University of
Leicester, U.K.
Choi, I. (1994). Residual Based Tests for the Null of Stationarity with Applications to U.S. Macroeconomic Time Series.
Econometric Theory, 10. Pp. 720-746.
De Jong, D., Nankervis, J.C., Savin, N.E. y Whiteman, C.H. (1992). Integration Vs. Trend Stationary in Time Series.
Econometrica, 60, 1992.
Dickey, D. A. (1976). Hypothesis Testing for Non-Stationary Time Series. Sin publicar. Universidad del Estado de Iowa.
Dickey, D. A. y Fuller, W.A. (1979). Distribution of the Estimates for Autoregresive Time Series with a Unit Root. Journal of the
American Statistical Association, 74, pp. 427-431.
------. (1981). Likelihood Ratio Statistics for Autoregresive Time Series with a Unit Root. Econometrica, 49, pp. 1057-1072
Dickey, D.A., Hasza, D.F. y Fuller, W.A. (1984). Testing for Unit Roots in Seasonal Time Series. Journal of American Statistical
Association, 79. Pp.355-367.
Dickey, D. A. y Pantula, S. (1987). Determining the Order of Differencing in Autorregresive Processes. Journal of Business and
Economic Statistics, 15, pp. 455-461
Diebold, F.X. Rudebusch, G.D. (1989). Long Memory and Persistence in Aggregate Output, Journal of Monetary Economics, 24,
pp. 189-209.
Dolado, J., Jenkinson, T. y Sosvilla - Rivero, S. (1990). Cointegration and Unit Rots: A Survey. Servicio de Estudios, Banco de
Espaa. Documento de trabajo 9005.
Durbin, J. y Watson, G.S. (1950). Testing for Serial Correlation in least-squares regression I. Biometrika, 37(3-4), pp. 241-247.
Durlauf, S. y Phillips, P.C.B. (1988): Trends versus Random Walks in the Time Series Analysis. Econometrica, 56, pp. 1333-
1354.
Engle, R.F., Granger, C.W.J. (1987). Cointegration and Error Correction: Representation, Estimation and Testing. Econometrica,
55, pp.251-276
------. (1991) editores. Long Run Economic Relationships. Oxford University Press.
Engle, R.F., Granger, C. y Hallman, J. (1988): Merging Short- and Long Run Forecasts: An application of Seasonal Co-
Integration to Monthly Electricity Sales Forecasting. Journal of Econometrics, 40, pp. 45-62.
Enders, W. (1995). Applied Econometric Times Series. John Wiley & Sons, Inc. United States.
Franses, P.H. (1991). Model Selection and Seasonality in Time Series. Tinbergen Institute Series, 18.
Fuller, W.A. (1976). Introduction to Statistical Time Series. John Wiley. Nueva York.
Geweke, J. Y Porter-Hudak, S. (1983). The Estimation and Application of Long Memory Times Series Models. Journal of Time
Series Analysis, 4, pp. 221-238
Granger, C.W.J. (1977). Forecasting Economic Time Series. Academic Press Inc., New York
------. (1986). Forecasting Economic Time Series. 2 Edicin. Academic Press Inc., Orlando.
Granger, C.W.J. y Joyeux, R. (1980). An Introduction to Long Memory Time Series Models and Fractional Differencing. Journal
of Time Series Analysis, 1, pp. 15-29.
Granger, C.W.J. y Newbold, P. (1974). Spurius Regressions in Econometrics. Journal of Econometrics, 2, pp. 111-120.
Hall, A. (1989). Testing for Unit Root in the Presence of Moving Average Errors. Biometrika, 79, pp.49-56.
Hamilton, J. D. (1994). Time Series Analysis. Princetown University Press.
Hasza, D.P. y Fuller, W.A. (1982). Testing for Nonstationary Parameter Specifications in Seasonal Time Series Models. Annals of
Statistics, 10, pp.1209-1216.
Hobijn, B., Franses, P.H. y Ooms, M. (1998). Generalisations of the KPSS-Test for Stationarity. Econometric Institute Report
9802. Erasmus University Rotterdam.
Hosking, J.R.M. (1981). Fraccional Differencing, Biometrika, 68, pp. 165-176.
Hylleberg, S. (1986). Seasonality in Regressions. Academic Press Inc.
------. (1992). Modelling Seasonality. Oxford University Press.
------. (1995). Tests for Seasonal Unit Roots. General to Specific or Specific to General?. Journal of Econometrics, 69, pp. 5-25.
Hylleberg, S., Engle, R.F., Granger, C.W.J. y Yoo, B.S. (1990). Seasonal Integration and Co-Integration. Journal of
Econometrics, 44, pp. 215-228.
Hylleberg, S., y Mizon (1989). A Note on the Distribution of the Least Squares Estimator of a Random Walk with Drift.
Economic Letters, 29, pp. 169-210.
Kwiatkoski, D., Phillips, P.C.B., Schmidt, P.J. y Shin, Y. (1992). Testing the Null Hypothesis of Stationarity Against the
Alternative of a Unit Root: How Sure Are We That Economic Series Have a Unit Root?. Journal of Econometrics, 56, pp.285-302.
Lee, J. (1996). Minimum Statistics Testing for a Stationarity in the Presence of a Structural Break. Working Paper 97-W03.
Department of Economics and Business Administration. Vanderbilt University.
Lee, J., Huang, Cl.J. y Shin, Y. (1997). On Stationarity Test in the Presence of Structural Break. Economic Letters, 55, pp.165-
172.
Leybourne, S.J y McCabe, B.M.P. (1994a). A Consistent test for Unit Root. Journal of Business & Economic Statistics, Vol. 12,
2, pp. 157-166.
Ljung, G.M. y Box, G.E.P. (1978). On a measure of Lack of Fit in Time Series Models. Biometrika, 65, pp. 297-303.
Lo, A.W. (1991). Long Term Memory in Stock Market Prices. Econometrica, 59, pp. 1279-1313
Lumsdaine, R.L. y Papell, D.H. (1997). Multiple Trend Breaks and the Unit Root Hypothesis. The Review of Economics and
Statistics, 79, 212-218.
MacKinnon, J.G. (1991). Critical Values for Cointegration Tests. Captulo 13 de Long Run Economic Relationships: Readings in
Cointegration, editado por R.F. Engel y C.W.J. Granger. Oxford University Press.
Mandelbrot, B.B. (1969). Long-Run Linearity, Local Gaussian Process, H-Spectra, and Infinite Variances. International
Economic Review, 10, pp. 82-111.
------. (1972). Statistical Methodology for Nonperiodic Cycles: From the Covariance to R/S Analysis. Annals of Economic and
Social Measurement, 1/3, pp. 259-90.
Mills, T.C. (1990). Time Series Techniques for Economists, Cambridge University Press.
------. (1993). The Econometric modelling of Financial Time Series. Cambridge University Press
Molinas, C. et al. (1986). A note on Spurious Regression with Integrated Moving Average Errors. Oxford Bulletin of Economics
and Statistics, 48, 3, pp. 279-282.
Nabeya, S.I. y Tanaka, K. (1989). Asymptotic Theory for a Test for the Constancy of the Regression Coefficients Against the
Random Walk Alternative. Annals of Statistics, 16, pp. 218-235.
Newbold, P. y Davies, N. (1978). Error miss-specification and spurious regressions. International Economic Review,7, pp. 513-
519.
Newey, W.K. y West, K.D. (1994). Automatic lag Selection in Covariance Matrix Estimation. Review of Economic Studies
Limited, 64, pp. 631-653.
Noriega-Muro, A.E. (1993). Nonstationarity and Structural Breaks in Economic Time Series. Averbury. Aldershot.
Novales, A. (1993). Econometra. Mc Graw Hill. Madrid
Osborn, D. (1988). Seasonality and Habit Persistence in a Life Cycle Model of Consumption. Journal of Applied Econometrics, 3,
pp. 255-66.
Otero, J.M. (1993). Econometra: Series temporales y prediccin. AC. Madrid
Park, J.Y. (1990). Testing for Unit Roots and Cointegration by Variable Addition. A Fomby, T.B. y Rhodes, G.F. (1990) editors:
Advances in Econometrics: Co-Integrations, Spurius Regressions and Unit Roots. Jai Press Inc.
Perron, P. (1988). Trends and Random Walks in Macroeconomic Times Series: Further Evidence from a new Approach. Journal
of Economics Dynamics and Control,12, pp. 297-332.
------. (1989). The Great Crash, the Oil Price Shock, and the Unit Root Hypothesis. Econometrica, 57, pp. 1361-1401.
Phillips, P.C.B. (1986). Understanding Spurius Regressions in Econometrics. Journal of Econometrics, 33, pp. 311-340.
------. (1987). Time Series Regression with a Unit Root. Econometrica, 55, pp. 277-301.
Phillips, P.C.B, y Perron, P. (1988). Testing for a Unit Root in Time Series Regression. Biometrika, 75, pp. 335-346.
Plosser, C.I. y Schwert, G.W. (1978). Money Income and Sunspots: Measuring economic relationships and the effects of
differencing. Journal of Monetary Economics, 4, pp. 637-660
Rappoprt, P. y Reichlin, L. (1989). Segmented Trends and Non-Stationary Time Series. The Economic Journal, 99, pp. 168-177.
Said, S. Y Dickey, D.A. (1984). Testing for Unit Roots in Autorregresive-Moving Average Models with Unknown Order.
Biometrika, 71, pp. 599-607.
Saikkonen, P. y Luukonen, R. (1993). Testing for a Moving Average Unit Root in Autorregresive Integrated Moving Average
Models. Journal of the American Statistical Association, 88, pp.596-601.
Sargan, J. y Bhargava, A. (1983). Testing Residual from Least Squares Regressions for Being Generated by the Gaussian Random
Walk. Econometrica, 51, pp. 153-174.
Schwert, G.W. (1987). Effects of Model Specification on Test for Unit Root in Macroeconomic Data. Journal of Monetary
Economics, 20, pp. 73-103.
------. (1989). Test for Unit Roots: A Monte Carlo Investigation. Journal of Business and Economic Statistics, 7, 2, pp. 147-159.
Suriach, J., Arts, M., Lpez, E. Y Sans, A. (1995). Anlisis econmico regional. Nociones bsicas de la teora de la
cointegracin. Antoni Bosch Editor. Barcelona.
Tanaka, K. (1990). Testing for a Moving Average Unit Root. Econometric Theory, 6, pp.433-444.
Tiao, G. Y Grupe, M. (1980). Hidden Periodic Autorregresive-Moving Average Models in Time-Series Data. Biometrika, 67,
365-373.
Valdero, E. (1998). An Application of a Time Series Inequality to the Detection of Non-Invertible Moving Average Processes.
Documents de Treball E98/24 de la Divis de Cincies Jurdiques, Econmiques i Socials.
Wold, H. (1938). A Study in the Analysis of Stationary Times Series. Stockholm: Almqvist and Wiksell.
Yule, G.U. (1926).Why do we sometimes get nonsense correlations between time series?. Journal of the Royal Statistical Society,
89, pp. 1-64.