
Econometría — Estacionariedad y regresión espuria
Econometría — Antes de una regresión temporal, comprueba si la media se mantiene estable
En los MCO de corte transversal suele suponerse que las observaciones son aproximadamente independientes. Si la inflación de este año depende de la del año pasado, ese supuesto deja de cumplirse. El capítulo 5 trata la heterogeneidad individual de los paneles; aquí estudiamos la persistencia temporal.
1. La falta de estacionariedad puede inflar el estadístico t
La estacionariedad débil exige que la media y la varianza sean constantes en el tiempo y que la covarianza entre dos momentos dependa solo de la distancia entre ellos, no de sus fechas. Una serie que se vuelve estacionaria al eliminar una tendencia determinista no es lo mismo que una serie con raíz unitaria, cuyos choques se acumulan de forma permanente. El paseo aleatorio es un ejemplo del segundo caso. Si se regresan en niveles dos paseos aleatorios independientes, y los estadísticos convencionales pueden parecer elevados, especialmente en muestras largas. Es una regresión espuria.
Como ejemplo hipotético, una regresión en niveles de 100 observaciones de dos paseos aleatorios independientes podría arrojar y sin que exista relación alguna. Si al diferenciar las series se obtiene , el primer resultado puede ser una ilusión causada por las tendencias.
La hipótesis nula habitual de la prueba de Dickey–Fuller aumentada (ADF) es la presencia de una raíz unitaria. No rechazarla no equivale a demostrarla. La inclusión de una constante y una tendencia determinista, así como el número de retardos de diferencias para tratar la autocorrelación residual, dependen de los datos y del modelo. Los cambios estructurales y las muestras cortas pueden reducir la potencia de la prueba.
2. La cointegración es una relación de largo plazo que no conviene borrar al diferenciar
Dos series , y , están cointegradas si alguna combinación lineal es . Sus niveles pueden contener una relación estadística de largo plazo que se perdería al diferenciar sin más. Sin embargo, la estacionariedad del residuo debe contrastarse con valores críticos específicos para la cointegración; el estadístico convencional de los MCO en niveles no se interpreta como el de una regresión estacionaria. La cointegración tampoco identifica por sí sola un efecto causal de sobre .
Un modelo de corrección del error relaciona la desviación respecto al equilibrio de largo plazo en el periodo anterior con el cambio actual. Por ejemplo, si , y , el cambio de este periodo es cuando los otros términos son cero. Es un cálculo hipotético de la velocidad de ajuste, no una estimación de una economía concreta. También hay que comprobar el signo y la estabilidad de y diagnosticar los residuos.
| Término | Lo que indica | Lo que no demuestra |
|---|---|---|
| Causalidad de Granger | El pasado de X ayuda a predecir Y | Un efecto de intervención o identificación causal |
| No rechazar una raíz unitaria | La prueba no descarta ρ=1 | Una prueba de la raíz unitaria; puede faltar potencia |
| Cointegración | Un residuo estacionario de largo plazo | Una relación inmune a cambios estructurales |
La causalidad de Granger pregunta si el pasado de ayuda a predecir . No afirma que una política que altere cambie . Un indicador adelantado no es necesariamente una causa.
La posibilidad de predecir los precios de los activos también depende del conjunto de información disponible para los inversores, estudiado en el capítulo 3 de economía financiera. La econometría debe preguntar primero si la regresión es espuria.
Comprueba lo aprendido
Pregunta. El consumo y el PIB aumentan juntos durante 50 observaciones anuales. La regresión en niveles produce el estadístico convencional . Ambas series podrían tener raíces unitarias. La regresión en diferencias da y una prueba de cointegración basada en residuos tampoco rechaza su hipótesis nula. ¿Qué puedes concluir?
Solución. El estadístico en niveles no basta para afirmar ni una relación ni un efecto causal. En este ejemplo, el resultado en diferencias aporta poca evidencia de asociación lineal a corto plazo. No rechazar la prueba de cointegración tampoco demuestra que no haya cointegración. Hay que revisar la especificación de tendencias y retardos, la longitud de la muestra y los cambios estructurales. Si una prueba adecuada respalda después la cointegración, un modelo de corrección del error puede separar la relación de largo plazo del ajuste a corto plazo; la interpretación causal aún requiere una estrategia de identificación independiente.
Referencias
- Clive Granger and Paul Newbold, “Spurious Regressions in Econometrics,” Journal of Econometrics (1974)
- James Stock and Mark Watson, Introduction to Econometrics, capítulos sobre series temporales
- Jeffrey Wooldridge, Introductory Econometrics, capítulos 11–18
- Engle and Granger, Co-Integration and Error Correction: Representation, Estimation, and Testing
Oiyo
Editorial DeskThe OIYO editorial desk researches money, law, lifestyle, and self-understanding topics against primary sources and public statistics. Every piece carries source notes and is reviewed on a regular cycle for accuracy and usefulness.