QuiebresEstructurales Delbianco

Resumen
En este trabajo se hace un breve repaso de la literatura de quiebres estructurales,

y particularmente se describen brevemente cuatro tests que se encuadran dentro
de dicha literatura (ya sean como test de raíz unitaria o test de break per se):
Zivot y Andrews (1992), Bai y Perron (1998), Hansen (2000) y Kim y Perron
(2009). Finalmente se hace un sencillo ejercicio de Monte Carlo para ver las
propiedades de estos cuatro tests mencionados bajo cinco procesos
generadores de los datos (DGP) distintos. Los resultados parecerían indicar que,
dado los DGP seleccionados y confeccionados, el test de Bai y Perron (1998) es
el mejor a la hora de capturar un posible quiebre, mientras que el de Kim y Perron
(2009) presenta buen desempeño a la hora de captar estacionariedad bajo la
presencia de breaks.
Tests con Quiebres estructurales – Fernando Delbianco
Tabla de Contenidos
1. Introducción pp. 3
2. Tests pp. 7
2.1. Zivot y Andrews (ZA) pp. 7
2.1.1. Perron (1989) pp. 8
2.1.2. Zivot y Andrews (1992) pp. 10
2.1.3. Clemente, Montañes y Reyes (1997) pp. 11
2.2. Bai-Perron (BP) pp. 13
2.2.1. Tests “doble máximo” pp. 14
2.2.2. Tests de l versus l+1 breaks pp. 14
2.3. Hansen pp. 15
2.3.1. “Fixed regressor bootstrap” pp. 16
2.4. Kim-Perron (KP) pp. 17
3. Simulaciones pp. 21
3.1. ZA pp. 22
3.2. BP pp. 26
3.3. Hansen pp. 33
3.4. KP pp. 38
4. Conclusiones pp. 43
5. Referencias pp. 46
2
1. Introducción
Desde Chow (1960) en la introducción de su trabajo, cuando menciona

que después de haber estimado una regresión con p variables, quizás nos
interese saber si m observaciones adicionales pertenecen a la misma regresión,
se ha desarrollado una extensa literatura con respecto a las incidencias de los
quiebres o cambios estructurales, desde sus efectos hasta su detección.
Como menciona Banerjee y Urga (2005) cualquier descripción del “
problema” que enfrentamos con quiebres en la estimación y la inferencia
econométrica, puede ser descripta de distintas maneras, como por ejemplo
contrastar modelos lineales o no lineales, detectar si los regresores son
estacionarios o no, si el quiebre es conocido a priori o no, si el cambio es único o
la serie presenta múltiples quiebres, etcétera.
En los 60s y 70s las teoras de “ business cycles” fueron pensadas en el
contexto de la presencia de tendencias seculares. Entonces, se pensaba que era
suficiente descomponer las series en un componente de tendencia y otro que
capturara el componente cclico de las series. Usualmente, la tendencia se
pensaba no solo de carácter determinstico, sino también lineal (sobre todo si en
economa se trabaja con logaritmos y se piensa que el crecimiento suele
presentar un comportamiento exponencial).
Se produjo un viraje importante cuando Nelson y Plosser (1982) señalaron
que era necesario pensar la posibilidad de captar un componente estocástico de
la tendencia. De esta manera, si las series no eran estacionaras (o de otra
manera, eran integradas de algún orden d), probablemente los shocks seran
permanentes y se iran acumulando en las series, lo cual es un concepto muy
razonable en el ámbito de variables económicas.
Claramente hay una relación muy fuerte en la literatura de “ breaks” , con la
idea de tests de races unitarias. Muchos de los desarrollos en quiebres
estructurales fueron en un principio concebidos por el temor de no rechazar la
hipótesis de raz unitaria en casos donde era probable que la correcta
especificación era tener en cuenta algún cambio permanente sufrido por la serie
3
en algún punto del periodo muestral.

Dentro del área de discusión de series con races unitarias, Rappoport y
Reichlin (1989) y Perron (1989) realizaron la distinción entre un shock que luego
desaparece (abrupta o paulatinamente) y un shock que tiene un efecto
permanente. Si se está en presencia de éste último caso, probablemente las
series en cuestión deban ser representadas con algún quiebre en sus
componentes determinsticos o de tendencia. Si no se incluyen en la
especificación del modelo, entonces se está sesgando a los tests de races
unitarias a no rechazar la hipótesis de raz unitaria.
Otro aporte importante surgió cuando Zivot and Andrews (1992) advirtió
que tal vez no sea aconsejable elegir la especificación del quiebre mediante un
análisis previo de la información. De all que surge toda una literatura de análisis y
detección de quiebres estructurales endógenamente, como por ejemplo las
especificaciones sugeridas por Bai y Perron (1998) de elegir aquellos quiebres
que minimicen el error del modelo, y de esa manera objetivando de alguna
manera la elección de los cambios especificados en los componentes
determinsticos del modelo. También se propusieron en la agenda de quiebres
endógenos, toda una serie de tests para analizar los “ breaks” elegidos, i.e. Bai
(1999) propuso un ratio para detectar múltiples quiebres conocido como “ l breaks
vs l+1 breaks” , dada la hipótesis nula de la existencia de l cambios estructurales.
Hansen (2000) por otra parte, propuso tener en cuenta la distribución
condicional y marginal de los procesos, y de esa manera, distinguir entre simples
cambios en los parámetros y la estabilidad estructural de los regresores.
Newbold et al. (1995) señaló el hecho de que si hay un cambio temprano en
la serie es probable que un test estándar como Dickey-Fuller no lo capte y
rechace erróneamente la hipótesis de raz unitaria. Harvey et al. (2001), Kim et al.
(2000), y Leybourne et al. (1998) hacen un análisis similar, mencionando que si
una serie es estacionaria alrededor de una tendencia pero presenta un quiebre (o
múltiples), el Dickey-Fuller, nuevamente presenta poca potencia.
Siguiendo esta lnea, autores como Lee and Strazicich (2001) o Harveyet al.
(2001), aseguran que los procedimientos como el especificado por Zivot and
Andrews (1992) a menudo identifican el quiebre de manera incorrecta. Más
especficamente, lo ubican un periodo luego del verdadero quiebre. Esto se
agrava a medida que el cambio (o break) es considerablemente más grande.
Alternativamente, Andrews (1993) desarrolla ratios basados en Wald, LM y
4
LR tests para cambios estructurales basados en estimadores de GMM.

Asi mismo, Patrick Gagliardini, Fabio Trojani y Giovanni Urga (2005)
proponen una nueva clase de estimadores GMM robustos, que incluyen
ejercicios de simulación de Monte Carlo para comparar la performance de los
tests GMM clásicos y los robustos que proponen.
Dentro de la literatura de quiebres, una cuestión importante a considerar, es
si los cambios son aditivos o son realmente innovaciones outliers, lo cual cambia
drásticamente el tratamiento de la dinámica y la especificación del modelo a
considerar. Perron y Vogelsang (1992) y Vogelsang y Perron (1998) tratan estas
cuestiones.
Bai y Perron (2006) aseguran que sus tests para múltiples “ breaks”
trabajan bien en muestras lo suficientemente grandes, pero sufren sustanciales
desviaciones en la potencia de sus tests en muestras pequeñas.
El objetivo del trabajo dentro de este captulo consiste en el estudio de la
incidencia de quiebres estructurales en series de tiempo. Más especficamente,
sobre el desempeño de los tests de quiebres en muestras pequeñas, en especial
los de carácter endógeno, de la lnea que propone Bai Perron (1998, 2003, 2006)
y Hansen (2000), o de los tests de raz unitaria con el quiebre determindado
endógenamente, como Zivot y Andrews (1992) y Kim y Perron (2009).
Siguiendo el trabajo de Antoshin, Berg y Souto (2008) y El-Shagi, Giesen
(2010) se compararán distintas especificaciones (sobre todo cambiando el
tamaño muestral) de los tests. Además, la intención es poder presentar variantes
que tengan en cuenta que la muestra es finita, en lugar de utilizar resultados
asintóticos para la derivación de los valores crticos y los intervalos de confianza
de los tests.
El objetivo es internalizar que la muestra es finita, mediante simulaciones
de Montecarlo para los distintos tamaños de muestra. Por otra parte, también se
considera conveniente caracterizar los errores, permitiendo que exista
autocorrelación. Como resultado, se espera obtener un panorama de la potencia
que presentan los tests de cambios estructurales en muestras finitas
(especficamente bajo el marco de las series utilizadas para las simulaciones), sin
la herramienta de la teora asintótica.
El trabajo se estructura de la siguiente manera: en la segunda sección se
detallan aquellos tests con los que luego en la tercera sección se realizan las
simulaciones. La cuarta sección finaliza el trabajo presentando las conclusiones.
5
Las simulaciones que se realizaran estarán enfocadas en cuatro tests, dos

encuadrados en el ámbito de tests de raz unitaria, como lo es el más antiguo de
los tests (Zivot y Andrews, 1992) y el más moderno (Kim y Perron, 2009), y otros
dos que son puramente tests de quiebres endógenos (Bai Perron, 1998 y Hansen
2000).
A continuación se pasa a detallar brevemente las estructuras de los
mismos.
6
2. Tests con quiebres estructurales1
En esta sección se detallarán algunos de los tests con quiebres

estructurales que fueron mencionados en la introducción y con los cuales se
realizará el ejercicio de Montecarlo.
2.1. Zivot y Andrews (ZA)
El test clásico de Dickey-Fuller (ADF) con sus tres diferentes

especificaciones (con tendencia, con drift y sin constante) sin cambios
estructurales en las series analizadas, muestra en general que las series son no
estacionarias. Sin embargo, este resultado no sorprende cuando se trabaja con
series de tiempo relativamente largas.
Los tests de raz unitaria más usados como el de Dickey-Fuller (1984)2 o
Perron (1989) 3 , tienden a no rechazar la hipótesis nula de raz unitaria en
presencia de cambios estructurales y en general entonces tienden a concluir que
las series no son estacionarias. Existen entonces los Tests que detectan cuando
hubo un quiebre en la serie analizada, como el de Chow, pero esta primera
generación requiere información a priori sobre la existencia del break, o usar
iteraciones para encontrar dicha información. Un camino diferente se sigue en el
trabajo de Zivot y Andrews (1992), el cual halla endógenamente la fecha del
cambio estructural.
El test de ZA analiza secuencialmente la posible presencia de cambios
estructurales en la serie en cada observación, generando dummies en cada
periodo. La dummy con mayor nivel de significatividad es tomada como
indicadora del periodo en el cual la serie bajo estudio sufre un cambio de
régimen. Quitando esta incorporación de dummies secuencial, el test de ZA tiene
luego el formato clásico de un test de estacionaridad (un test de raz unitaria)
como el ADF.
1
Nótese la expresión “con quiebres” para diferenciar que hay tests de quiebres per se, y tests de raíz
unitaria que contienen en algunas de sus hipótesis una especificación con quiebre (que puede ser
determinado de forma endógena o no).
2
Para una explicación detallada del test se puede consultar D. A. Dickey – D. P. Hasza – W. A. Fuller
(1984).
3
Para un análisis más profundo de este test, se puede recurrir al trabajo original de P. Perron (1989).
7
ZA no es un test de quiebres estructurales per se. Es, como se mencionó,

una manera de realizar un test de estacionariedad donde se testea la hipótesis
nula de una raz unitaria contra la hipótesis alternativa de estacionariedad con un
punto de quiebre en algún punto desconocido de la serie.
Entonces, este test tiene las caractersticas de un test de raz unitaria con
notación similar al de Perron pero dejando que se defina endógenamente el
quiebre estructural.
En primer lugar, se procede a repasar la estructura del test original de
Perron (1989), para luego describir el cambio en H 0 y la estimación del quiebre
que introducen Zivot y Andrews.
2.1.1. Perron (1989)
En este test, la hipótesis nula es que la serie tiene una raz unitaria con
intercepto, y un cambio exógeno que ocurre en el periodo Tb (donde 1 < Tb < T ).
Por otro lado, la hipótesis alternativa es que la serie es estacionaria con una
tendencia determinstica y un cambio exógeno en Tb . Los tres modelos que se
pueden presentar en la hipótesis nula tienen las siguientes formas:
• Modelo (A): yt =   dD(Tb )t  yt 1  et
• Modelo (B): yt = 1  yt 1  (2  1 ) DUt  et
• Modelo (C): yt = 1  yt 1  dD(Tb )t  (2  1 ) DUt  et
donde D(Tb )t = 1 si t = Tb y es igual a cero de otra manera; DUt = 1 si t > Tb ,

0 de otra manera; A( L)et = B( L)vt donde vt : iid (0, 2 ) , con A( L), B( L) operadores
rezago con polinomios de orden p y q respectivamente.
Estos tres modelos, lo que están significando es que el test permite modelar
un cambio en el nivel de las series (modelo A), un cambio exógeno en la tasa de
crecimiento (modelo B), o ambos cambios (modelo C).
Por el otro lado, las alternativas de estacionareidad, tienen las siguientes
estructuras:
8
• Modelo (A): yt = 1  t  (2  1 ) DUt  et
• Modelo (B): yt =   1t  ( 2  1 ) DT   et
• Modelo (C): yt = u  1t  (2  1 ) DU  ( 2  1 ) DT   et
donde DTt = t  Tb si t > Tb , o de otra manera.

Siguiendo la estrategia de testeo de Perron (con una estructura ADF), las
ecuaciones que se usan para testear raiz unitaria son:
A A A A A A
^ ^ ^ ^ ^ ^ ^ ^
yt =    DU t ( )   t  d D(TB ) t   yt 1   kj =1 c j yt  j  e t (2.1.1)
B B B B B
^ ^ ^ ^ ^ ^
yt =    t   DTt   yt 1    k
j =1 c j yt  j  e t (2.1.2)
C C C C C C C
^ ^ ^ ^^ ^
^ ^ ^
yt =    DU t ( )   t   DTt  d D(TB ) t   yt 1   kj =1 c j yt  j  e t (2.1.3)

Un estadstico que se computa es t ^ i ( ), i = A, B, C. Este estadstico depende


de la fracción (donde se encuentra el quiebre)  , que es el ratio Tb/T . De esta

manera, la hipótesis nula se rechaza si:
t i ( ) <   ( )
^

donde  ( ) hace referencia al size de la distribución asintótica de un 

fijo Tb/T ; DUt ( ) = 1 si t > T , 0 caso contrario; DT  ( ) = t  T si t > T y 0 en el
caso que no se cumpla la desigualdad mencionada.
Por otro lado, el número de k rezagos es determinado mediante testear la
i
^
significatividad de c j , ( i = A, B, C ) .
9
2.1.2. Zivot y Andrews (1992)
La hipótesis nula que ZA plantean para los tres modelos es:
yt =   yt 1  et (2.1.4)
De esta manera se considera que bajo H 0 la serie es integrada sin

cambios estructurales. Luego, la selección de  es el producto de buscar una
dummy4 que logre que la representación de yt sea estacionaria. Es decir que la
hipótesis alternativa implica estacionariedad con un único quiebre. El objetivo es
entonces, estimar el quiebre (la dummy) que más pondere la alternativa de
estacionariedad.
 es elegido de manera de minimizar el estadstico t a una cola, testeando
que  i = 1 para i = A, B, C , dado que valores pequeños del estadstico denotan el
rechazo de la nula. O sea,
i
^
t i [ inf ] = inf t i , i = A, B, C , (2.1.5)
^  

y donde   (0,1).
Como ahora la nula se encuentra especificada como en 2.1.4, ya no son
necesarias las variables dummies en 2.1.1 y 2.1.3. Luego, las ecuaciones que se
regresan en ZA para testear raz unitaria son:
A A A A A
^ ^ ^ ^ ^ ^ ^
yt =    DU t ( )   t   yt 1   k
j =1 c j yt  j  e t (2.1.6)
B B B B B
^ ^ ^ ^ ^ ^ ^
yt =    t   DTt ( )   yt 1    k
j =1 c j yt  j  e t (2.1.7)
C C C C C C
^ ^ ^ ^ ^ ^ ^ ^ ^
yt =    DU t ( )   t   DTt ( )   yt 1    k
j =1 c j yt  j  e t (2.1.8)
4
Al igual que en Perron (1989), los breaks se introducen como dummies en cualquiera de los tres
modelos pausibles.
10
^ ^
donde DU t ( ) = 1 si t > T , 0 en otro caso; DTt ( ) = t  T si t > T , 0 caso
^
contrario.  es el punto de quiebre estimado por el procedimiento previamente
mencionado.
Para cada valor de  , el número de regresores extra, k , fue determinado
usando el mismo procedimiento que Perron 5 . Luego, el estadstico t es
computado. El mnimo t obtenido sobre T  2 regresiones indicará entonces la
fecha de quiebre estimada.
Una vez que la selección de  deja de ser exógena, endogeneizándose a
través de un metodo de estimación, ZA ya no pueden usar los valores crticos
computados por Perron. Ahora se rechaza H 0 si:
inf t i ( ) <  inf

i
, , i = A, B, C , (2.1.9)
 
con  inf , como el size  crtico (hacia la cola izquierda de la distribución

i
del estadstico) de la distribución asintótica de inf t i ( ) . Aqu, ZA afirman que, por

 
definición, estos valores crticos serán al menos tan grandes como los que se
obtienen bajo un  exógeno. Bajo esta perspectiva entonces, el test de raz
unitaria de Perron estara sesgado a rechazar la hipótesis nula.
2.1.3. Clemente, Montañes y Reyes (1998)
Una mención especial se puede hacer al trabajo que Clemente et. al.
desarrollaron para extender el test de Perron y Vogelsang (1992) al caso de dos
quiebres estructurales. Si bien los autores mencionan que la introducción de dos
quiebres ya haba sido realizada por Lumsdaine y Papell (1997), esta modificación
estaba pensada para que los quiebres ocurran en tendencia. De esta manera, la
aplicación que se realiza en este caso es de dos quiebres en media.
La hipótesis nula en este test es:
H 0 : yt = yt 1  1DTB1,t   2 DTB2,t  t (2.1.10)
5
Esto significa que la cantidad de extra regresores k , variará (o por lo menos puede variar
potencialmente) para cada selección de  . (Zivot y Andrews (1992), p. 255)
11
mientras que la alternativa tiene la siguiente forma:
H1 : yt =   d1DU1t  d 2 DU2,t  et (2.1.11)
donde DTBit es una variable que toma valor 1 si t = TBi  1 (i = 1,2) y 0 en otro
caso, mientras que DUit = 1 si t > TBi (i = 1,2) y 0 en caso contrario. Los
momentos del tiempo en el que ocurren los tiempos son denotados por TB1 y TB2
, los cuales indican los dos quiebres. Los autores asumen que la forma que tienen
es TBi = iT (i = 1,2) con i entre 0 y 1, y 2 > 1.
A su vez, se introducen dos especificaciones diferentes, additive outliers
(AO) e innovational outliers (IO). Para este último caso, la forma funcional de la
raz unitaria que se testea es:
yt =   yt 1  1DTB1,t   2 DTB2,t  d1DU1t  d 2 DU2,t ik=1 ci yt 1  et (2.1.12)
El método de testeo es minimizando el valor de un pseudo t ratio6.

Para el caso de AO, el modelo que se testea es similar, pero sin la parte
determinstica:
^
yt =   d1 DU1t  d 2 DU 2,t  y t (2.1.13)
y el testeo de  se realiza sobre

^ ^
y t = ik=0 
1i DTB1,t i  i =0
k
2i DTB2,t i   y t 1  ik=1 cii yt 1  et (2.14)
El trabajo contiene las propiedades finitas y los valores crticos de los

estadsticos utilizados.
6
La forma funcional del ratio se halla en Clemente et.al. (1997) pp 177. Los supuestos que los autores
realizan sobre los posibles valores de  , son los mismos argumentos que utilizan Zivot y Andrews
(1992), Perron y Vogelsang (1992) y Lumsdaine y Papell (1997).
12
2.2. Bai Perron (BP)
Bai Perron (1998) consideran el siguiente modelo:
yt = xt'   zt' 1  ut , t = 1,...,T1 , (2.2.0)

yt = xt'   zt'  2  ut , t = 1,...,T2 ,

yt = xt'   zt'  m1  ut , t = 1,...,T .
La variable dependiente, observada en el momento t, es y t .Los vectores

de covariables son xt ( p x 1), y zt (q x 1) y sus respectivos vectores de
coeficientes son  y  j ( j = 1,..., m  1).ut hace referencia al error, mientras
(T1 , T2 ,..., Tm1 ) son los quiebres, que son tratados como desconocidos.
Si p = 0 , el modelo pasa a ser un modelo de quiebres estructurales puros.
'
Llamando a la matriz diagonal Z = diag (Z1 ,..., Z m1 ), donde Zi = ( zTi 1  1,...zTi )' se
puede reescribir el modelo de la siguiente forma:
Y = X  Z  U , (2.2.1)
donde Y = ( y1 , y2 ,..., yT )' , X = ( x1 , x2 ,..., xT )' ,U = (u1 , u2 ,..., uT )' ,  = (1' ,  2' ,..., T' )' , y Z es
la matriz diagonal que particiona en (T1 ,..., Tm ).
Con un superndice 0, se indican los datos verdaderos, de manera que el
proceso generador viene dado por:
Y = X 0  Z  0  U ,
0
(2.2.2)
La meta del test es estimar los puntos de quiebre, de manera de minimizar

la suma de los residuos al cuadrado, ST :
^ ^
(T 1 ,...T m ) = argmin ST (T1 ,...,Tm ) (2.2.3)
13
Bai Perron (2003) incorpora los siguientes tests: un test de no quiebres

versus un número fijo de quiebres, un tests "doble máximo", y un test de 
versus   1 breaks. En las simulaciones que se desarrollarán más adelante se
utilizan los estadsticos de los últimos dos tests mencionados, por lo que a
continuación se los describirá brevemente.
2.2.1. Tests "doble máximo"
Este test permite la hipótesis nula de la no existencia de quiebre estructural

versus un número desconocido de quiebres (con un lmite superior, que BP
denota m ).
El primero de estos tests, UD max FT (M , q) , es una versión ponderada del test
^ ^
F que utiliza las estimaciones de quiebres obtenidas (  j = T j /T con j = 1,..., m ) al
minimizar la SSR de los segmentos de largo mnimo h .
El segundo de los tests, WD max FT (M , q) , se encuentra ponderado de
manera de igualar los p-values marginales a través de los distintos valores de m
.
2.2.2. Test de  versus   1 breaks
Aqu, el test de  versus   1 quiebres estructurales (Bai, 1999) se denota

sup FT ( |   1 ). El mismo se aplica a cada segmento que contiene las
^ ^
observaciones T i 1  1 hasta T i (donde i = 1,...,   1 ). Si el estadstico sup FT (1; q) ,
es suficientemente grande, se rechaza la hipótesis nula, concluyendo que existe
evidencia estadstica a favor de un modelo con   1 breaks. Finalmente, la
fecha del quiebre que se selecciona es la correspondiente a este valor máximo
del test.
14
2.3. Hansen
Considerando el siguiente modelo,
yni = x'ni  ni  eni ; i = 1,2,...,n ; = E (eni2 ) <  (2.3.1)
el trabajo de Hansen (2000) se motiva en las diferencias conceptuales de

que un quiebre en  ni es conceptualmente distinto a un quiebre en la distribución
de xni . En otras palabras, testear un quiebre en (2.3.1) es distinto a determinar si
xni es estacionario o no. Si la forma funcional de (2.3.1) se mantiene constante
ante un cambio en xni , entonces entra en juego el concepto de super exogeneity
de Engle, Hendry y Richard (1983). El problema radica en si  ni no es robusto
ante cambios en xni . Ante este problema, es que Hansen propone su test.
Supone la siguiente forma del cambio estructural en  ni :
  si i < t0
 ni =  (2.3.2)
   n si i  t0
Con t0 en el intervalo (t1 , t2 ) indicando el momento del quiebre y  n la

magnitud del mismo. Lo que se testea en este caso es si:
H 0 : n = 0
H1 :  n  0
La forma que se asume que  n tiene es:

n = (2.3.3)
n
con  fijo cuando n  .

Aqu Hansen menciona que el test standard para contrastar H 0 (no break)
versus H1 es el estadstico de Wald (e.g. Chow (1960)):
15
2 2
^ ^
( n  m)   ( n  2 m)  t
Ft = 2
(2.3.4)
^
t
El test de Wald, como se mencionó en la introducción, necesita que se

especifique el punto en el que surge el quiebre. Pero Hansen se encuentra
interesado en cuando los breaks son desconocidos, por lo que menciona una
serie de tests endógenos sugeridos, que luego utilizará para su test. El primero
de ellos es el propuesto por Quandt (1960) quien propuso un test basado en un
ratio de verosimilitud donde el valor F supremo es tomado sobre t  (t1 , t2 ). Luego
se menciona una serie de tests propuestos por Andrews and Ploberger (1994),
entre los que se encuentran un test de Wald ponderado exponencialmente,
ExpFn = ln  exp ( Ft /2) dw(t ) , y otro promediado, AveFn =  Ft dw(t ), donde w pondera
t
con 1/(t2  t1 ) a cada entero t  (t1 , t2 ). Finalmente, hace mención a Nyblom

(1989), quien considera un cambio estructural aleatorio, donde  n y t0 son
variables aleatorias en lugar de parámetros como en los casos anteriores.
Nyblom propone entonces un test basado en el multiplcador de Lagrange (LM
test). La hipótesis de no quiebre es rechazada para valores suficientemente
grandes del estadstico generado por el LM test.
2.3.1. "Fixed Regressor Bootstrap"
Hansen (2000) demuestra en su trabajo que la no estacionariedad o un

cambio estructural en la distribución marginal afecta directamente a las
distribuciones asintóticas, de "maneras complicadas" ("in complicated ways"). Es
por eso que se propone un regresor basado en la técnica de bootstrap ("Fixed
Regressor Bootstrap"), el cual toma su nombre de tratar a los regresores xni
como fijos (incluso si contienen valores rezagados). La forma de este test
dependerá de si los errores son homocedásticos o heterocedásticos.
Para el caso homocedástico, suponiendo que yni (b) es una muestra
aleatoria de la distribución normal ( N (0,1) ),
2
^
1) regresando yni (b) sobre xni , se obtiene la varianza  (b)
16
2
^
2) regresando yni (b) sobre xni y xni I ( I  t ), se obtiene los residuos  t (b) y
entonces:
2 2
^ ^
(n  m) (b)  (n  2m) t (b)
Ft (b) = 2
(2.3.5)
^
 t (b)
El estadstico de bootstrap es entonces SupFn (b) = supt1t t2 Ft (b). El p-value del
bootstrap es pn = 1  Gn (Sup Fn ) , donde Gn ( x) = P(sup Fn (b)  x | n ). Se rechaza H 0
cuando pn es pequeño.
Para el caso con heterocedasticidad, se introduce una modificación, de
^ ^
manera que y nih (b) = ui (b) e i , donde ui (b) es una muestra iid N (0,1) , y e i es un
término de error (que puede llegar a ser condicionalmente heterocedástico).
Luego, el estadstico bootstrap se construye igual que antes, reemplazando,
yni (b) por ynih (b).
Como G es desconocida, se calcula por simulación, por lo que pn y pnh
son los estadsticos bootrsap de interés. Dichos p-values pn (J ) son calculados
como el porcentaje de simulaciones en las que el estadstico sup Fn ( j ) supera el
valor muestral del sup Fn .
2.4. Kim - Perron (KP)
Con respecto al test de Zivot y Andrews, Kim y Perron (2009) dicen en su

trabajo:
"Zivot and Andrews assumed that if a break occurs, it does so only under
the alternative hypothesis of stationarity. This is undesirable since a) it imposes
an asymmetric treatment when allowing for a break, so that the test may reject
when the noise is integrated but the trend is changing; b) if a break is present, this
17
information is not exploited to improve the power of the test."7
Teniendo en cuenta estas dos cuestiones, Kim Perron (2009) proponen un

procedimiento de testeo que permite un quiebre estructural tanto bajo la hipótesis
nula como la alternativa; y cuando un quiebre estructural se hace presente, la
distribución asintótica del test es la misma a la del caso con un quiebre conocido
en la serie, y as permitiendo incrementar la potencia mientras se mantiene un
size correcto del test.
Kim Perron (KP) considera un proceso univariante { yt } generado por
alguno de los tres modelos de Outliers Aditivos (Additive Outliers, AO), o alguno
de los dos modelos de Outliers Innovacionales (Innovational Outliers, IO). Para
cada modelo, la serie es generada por la suma de una tendencia determinstica y
un término de error. La tendencia determinstica tiene un único quiebre que ocurre
en un periodo desconocido en el intercepto, la pendiente, o ambos, dependiendo
del modelo.
Los procesos generadores de los datos (DGP) de los modelos AO son:
yt = z (T1 )'t   ut = zt' ,11  z (T1 )'t ,2 2  ut (2.4.1)
donde zt ,1 = (1, t )' , 1 = ( ,  )' ,
 DU t Modelo A1

z (T1 ) t ,2 = Bt Modelo A2
( DU , B )' Modelo A3
 t t
 b Modelo A1

 2 =   b Modelo A2
(  ,  )' Modelo A3
 b b
con DUt = Bt = 0 si t  T1 , y DUt = 1 , Bt = t  T1 , si t > T1 . Aqu T1 = CT , con

0 < C < 1 , que denota el verdadero break (y C la verdadera fracción que ese
7
Kim, D., Perron, P., “ Unit Root Tests Allowing for a Break in the Trend Function at an Unknown Time
under Both the Null and Alternative Hypotheses” , Journal of Econometrics (2009) 148, 1-13., p. 1.
18
break representa). Notese que DUt y Bt dependen de T1 y T pero esta

dependencia se encuentra omitida. El error (el ruido de la serie) {ut } es tal que
A( L)ut = B( L) t donde  t : i.i.d (0,  2 ) , y A(L) y B(L) son polinomios L de orden
p  1 y q , respectivamente. Se factorea A(L) como (1  L) A ( L) y se asume que
A (L) y B(L) tienen races estricamente fuera del crculo unitario. Las hipótesis
nula y alternativa son H 0 :  = 1 y H1 :|  |< 1 , respectivamente. El modelo ARMA
especificado se puede relajar para permitir procesos aún más generales, pero se
usa estas especificaciones para facilitar la presentación del test. Los DGP de los
modelos de innovational outlier (IO) bajo la hipótesis nula están dados por:
yt = yt 1      ( L)(d (T1 )'t ,2 2   t ) (2.4.2)
donde
 D(T1 ) t Modelo I1
d (T1 ) t ,2 =  '
( D(T1 ) t , DU t ) Modelo I3
y D(T1 )t = 1 si t = T1  0 y 0 caso contrario. Bajo la hipótesis alternativa, se

tiene que:
yt = zt' ,11  ( L)( z (T1 )'t ,2 2   t ) (2.4.3)
donde
 DU t Modelo I1  b Modelo I1
z (T1 ) t ,2 =  , 2 = 
(  b ,  b ) Modelo I3
' '
( DU t , Bt ) Modelo I3
con   (L) y (L) tales que  ( L) = A ( L) 1 B( L) y (1  L)1  ( L) = ( L) .

Los autores nos hacen notar en este punto que los Modelos A1, A2, A3 (con
b = c  bT1 ), I1 y I3 (con b = c  bT1 ) son los mismos que en Perron (1989),
excepto que se trata el cambio estructural como desconocido (i.e. la fecha
19
potencial del mismo es desconocida).

Aqu, cabe remarcar que lo que se hace para testear es en primer lugar un
test similar al implementado en Perron (1989), pero en lugar de usar la fecha
verdadera de quiebre, se utiliza una estimación de la misma. El procedimiento de
Perron testea la hipótesis de raz unitaria sobre la suma de los coeficientes
autorregresivos de la regresión sobre la serie a la que se le removió previamente
la tendencia (tanto para los modelos AO como IO). El resultado de este test es
que t (c )  R(c ) . Entonces, utilizando una estimación de  la condición
c
^
deseable es que t ( )  R(c ). Si este resultado se cumple, entonces se pueden
usar los valores crticos correspondientes al caso donde  es conocido.
Para estimar el quiebre, Kim y Perron (2009) se concentran sobre el
método de minimizar SSR (en particular Perron-Zhu (2005) y Hatanaka-Yamada
(1999)). El trabajo de KP entonces luego demuestra que la condición mencionada
se cumple bajo ciertos supuestos, dependiendo del caso de DGP que se trate. Al
cumplirse esta condición, como se mencionó al comienzo de esta subsección, el
size mejora al poder trabajar con la distribución como si el quiebre fuera conocido
en lugar de desconocido.
20
3. Monte Carlo para tests de quiebres estructurales endógenos
Siguiendo los trabajos mencionados, se procede en este apartado a

realizar una serie de sencillas simulaciones, en pos de ver algunas de las
propiedades finitas de los tests de quiebres utilizados en este trabajo. Los
procesos generadores de los datos (a partir de aqu, DGP), fueron a grandes
rasgos los siguientes:
• DGP1: una serie con distribución normal con un componente de

error ruido blanco.
• DGP2: misma serie que en el DGP anterior, pero con una constante
( c = 10 )
• DGP3: un modelo ARMA. En algunos casos fue puramente AR, en

otros ARMA.
• DGP4: un modelo ARMA con un componente exógeno ARMA.
• DGP5: un modelo con autocorrelación. El termino de error sigue un

proceso autorregresivo.
Cabe destacar que todos los DGP son procesos estacionarios. Todos los
coeficientes autorregresivos fueron fijados en  = 0.5.
Se simularon luego breaks. Los mismos fueron especficados para suceder
en  = T/2. Los quiebes se vieron reflejados en algunos casos directamente en la
serie, y otras indirectamente a través del término de error (e.g. un cambio de
constante de 0 a 5, o un cambio en la varianza, de 1 a 10).
En algunas circunstancias se simularon los tests sobre DGP que contenan
dos quiebres estructurales en su serie (en general un quiebre en media y el otro
en varianza, nunca los dos quiebres de la misma naturaleza).
En todos los casos, se realizaron 1000 simulaciones, y los tamaños
muestrales seleccionados fueron de 30, 50, 100, 200 y 500 onservaciones.
Para las simulaciones se utilizaron diferentes paquetes econométricos,
21
dependiendo del software con que el autor provea sus códigos.

A continuación, se detallan las simulaciones especficamente para cada test
con sus correspondientes resultados.
3.1 ZA
Para el caso del test de Zivot y Andrews, se muestran tres tablas (Tablas 1,
2 y 3). La primera, donde el DGP no tiene quiebre, muestra en las últimas dos
columnas, los cantidad de casos (de los 1000 simulados) donde el valor crtico de
la fecha que el test selecciona como potencial quiebre, supera los umbrales
crticos del 1 y 5%.
El test sugiere en estos casos, la mayora de las veces (y para valores de
200 y 500, todas las veces) un quiebre significativo, a pesar de que las series
generadas no contienen un quiebre en su DGP.
La tabla número 2 incorpora un break en el DGP (exactamente en T/2). Se
incorporan dos tipos de cambios estructurales: un cambio en la varianza del error,
de 1 a 10, y un cambio en la media del proceso, de 0 a 5. Se generó un intervalo
ad-hoc de  5 perodos desde la fecha en que es generado el break. Con este
intervalo, se generó una indicadora que vale uno cada vez que el break estimado
se encuentra dentro de dicho intervalo. El conteo de las veces que esto último
sucedió se pueden ver en la columna "  Intervalo". Se observa que al igual que
en la Tabla 1, en la mayora de los casos el valor crtico supero los umbrales del 1
y 5%, pero a medida que la muestra se hace más grande, menor cantidad de
veces el break sugerido se encuentra dentro del intervalo (claramente esto debe
ocurrir debido a que el intervalo cada vez representa una porción más chica del
total de observaciones).
La tabla 3 es similar a la tabla 2, pero con dos quiebres estructurales. El
primero es un cambio en media (en T/3) y el segundo es un cambio en varianza
(2/3 de T). En este caso, la variable indicadora se hace uno cuando el break
sugerido por el test se encuentra en el intervalo  5 con respecto a alguno de los
dos breaks. A pesar de que ahora la variable indicadora es aún más abarcativa
con respecto al tamaño de la muestra, no se aprecian aumentos en la cantidad de
veces que la variable toma valor uno. Tanto la tabla 2, como la 3, no presentan
mayor cantidad de casos donde el estadistico se torna significativo con respecto
22
a la tabla 1, aún cuando esta última tabla ilustra el caso de DGP sin quiebres.
Tabla 1. ZA, simulación sin quiebre

N # Sim 1% 5%
DGP1 30 1000 785 912
50 1000 934 960
100 1000 953 976
200 1000 1000 1000
500 1000 1000 1000
DGP2 30 1000 785 915
50 1000 928 958
100 1000 952 978
200 1000 999 1000
500 1000 1000 1000
DGP3 30 1000 283 529
50 1000 597 834
100 1000 853 940
200 1000 999 1000
500 1000 1000 1000
DGP4 30 1000 539 738
50 1000 882 953
100 1000 930 963
200 1000 1000 1000
500 1000 1000 1000
DGP5 30 1000 740 981
50 1000 924 955
100 1000 946 984
200 1000 1000 1000
500 1000 1000 1000
23
Tabla 2. ZA, simulación con quiebre en el DGP

En media En varianza
N # Sim 1% 5%  Intervalo 1% 5%  Intervalo
DGP1 30 1000 785 891 424 755 905 456
50 1000 936 957 93 931 958 290
100 1000 950 972 165 945 982 173
200 1000 999 1000 178 999 1000 90
500 1000 1000 1000 64 1000 1000 30
DGP2 30 1000 769 909 425 764 913 436
50 1000 943 962 314 927 962 286
100 1000 944 982 182 957 979 167
200 1000 1000 1000 50 998 1000 85
500 1000 1000 1000 22 1000 1000 31
DGP3 30 1000 729 869 437 735 899 454
50 1000 931 967 297 928 957 288
100 1000 943 978 147 939 990 156
200 1000 1000 1000 74 999 1000 82
500 1000 1000 1000 34 1000 1000 29
DGP4 30 1000 280 584 451 723 873 467
50 1000 576 817 288 942 966 313
100 1000 851 915 173 960 985 134
200 1000 999 997 92 1000 1000 71
500 1000 1000 1000 33 1000 1000 31
DGP5 30 1000 729 869 437 737 897 465
50 1000 931 962 314 910 956 322
100 1000 943 978 147 952 970 141
200 1000 1000 1000 74 995 1000 69
500 1000 1000 1000 34 1000 1000 35
24
Tabla 3. ZA, simulación con dos quiebres.

N # Sim 1% 5%  Intervalo
DGP1 30 1000 767 919 438
50 1000 943 962 314
100 1000 944 982 182
200 1000 1000 1000 50
500 1000 1000 1000 22
DGP2 30 1000 756 903 434
50 1000 931 967 297
100 1000 943 978 147
200 1000 1000 1000 74
500 1000 1000 1000 34
DGP3 30 1000 741 899 293
50 1000 934 967 344
100 1000 943 970 191
200 1000 1000 1000 195
500 1000 1000 1000 161
DGP4 30 1000 633 832 286
50 1000 926 935 273
100 1000 934 961 136
200 1000 1000 1000 151
500 1000 1000 1000 147
DGP5 30 1000 767 919 438
50 1000 743 895 269
100 1000 932 976 142
200 1000 1000 1000 149
500 1000 1000 1000 110
Se pueden concluir en este ejercicio de Monte Carlo sobre el test de Zivot y

Andrews (1992) algunas cuestiones.
En primer lugar, el test no parece reflejar buenos resultados cuando se
aplica a una serie que no presenta breaks y es estacionaria, ya que la Tabla 1 nos
muestra que en la mayoria de los casos se sugiere un quiebre y se sobrepasan
los valores crticos al 1 y 5%. Este resultado es esperable, ya que el DGP en esta
tabla no esta asimilado en el test, ni bajo H 0 (raz unitaria) ni bajo H1
(estacionariedad con un quiebre en la serie) .
25
En segundo lugar, cuando de hecho el DGP usado para las simulaciones se

identifica con el que el test plantea como hipótesis alternativa (estacionariedad
con cambio estructural) el problema que se puede presentar es que, si bien se
rechaza la hipótesis nula, el punto de quiebre sugerido por el test no se encuentra
en el intervalo ad hoc sugerido en este trabajo de  5 . Además, a medida que
aumenta el tamaño de la muestra, la variable indicadora de pertenencia al
intervalo se hace cada vez menos veces igual a uno. Lo que podra estar
sugiriendo que el hecho de que esta variable se haga unas más veces igual a la
unidad para las muestras de N=30 o 50 respectivamente, es sencillamente
porque el intervalo representa una mayor proporción del total de la serie.
Finalmente, para el tercer caso donde existen dos breaks, la variable
indicadora no aumenta considerablemente la cantidad de veces que toma valor
uno, a pesar de que ahora el intervalo representa una mayor proporción del
perodo total (porque la indicadora es si el break sugerido toma lugar en los
intervalos  5 que se forman alrededor de los dos quiebres del DGP
subyacente).
Entonces, bajo estos resultados, se puede decir que el test no falla en el
sentido de que rechaza en general y correctamente la hipótesis nula, pero el
desempeño del test en atinar la estimación del break en algún área cercana al
break verdadero no es bueno. Este último resultado no es sorprendente, ya que,
como se mencionó ya en la introducción, Lee and Strazicich (2001) o Harvey et
al. (2001), aseguran que los tests como el especificado por Zivot and Andrews
(1992) a menudo identifican el quiebre de manera incorrecta.
3.2 BP
En el proceso de simulación del test de Bai Perron (1998), se hicieron

algunas modificaciones con respecto a la anterior simulación sobre Zivot y
Andrews (1992).
Los archivos y códigos utilizados para esta simulación se pueden conseguir
en la página de Pierre Perron8.
En primer lugar se utilizan dos estadistcos y se los compara con sus valores
crticos al 5%. Estos dos estadsticos, como se mencionó anteriormente en la
8
Pierre Perron Homepage: http://people.bu.edu/perron/
26
sección introductoria del test, son el test de "doble máximo" (wFtest), y el test de
 versus   1 breaks (SupFl). Además se muestran la media de la fecha de los
breaks sugeridos, y la cantidad media de cantidad de breaks sugeridos. En la
tabla 4 se pueden observar que la cantidad de veces que SupFl y wFtest fueron
menores a 5% fue una cantidad considerable de veces sobre el total de las 1000
simulaciones. A su vez, la media de la cantidad de breaks sugeridos parece
tender a cero a medida que aumenta la muestra.
27
Tabla 4. BP, simulación sin quiebre

N # Sim SupFl 5% wFtest 5% Media Break Media #
breaks
DGP1 30 1000 0.876 0.537 1.64 0.118
50 1000 0.952 0.653 1.619 0.068
100 1000 0.978 0.811 1.509 0.028
200 1000 0.993 0.844 2.386 0.026
500 1000 0.994 0.924 4.617 0.021
DGP2 30 1000 0.814 0.546 0.034 0.002
50 1000 0.924 0.673 0.076 0.014
100 1000 0.973 0.788 2.889 0.075
200 1000 0.984 0.814 4.062 0.07
500 1000 0.99 0.895 5.363 0.029
DGP3 30 1000 0.862 0.865 1.639 0.105
50 1000 0.949 0.89 1.46 0.056
100 1000 0.982 0.755 2.176 0.04
200 1000 0.992 0.753 1.769 0.02
500 1000 0.998 0.864 2.326 0.009
DGP4 30 1000 0.848 0.42 2.45 0.17
50 1000 0.937 0.588 2.541 0.101
100 1000 0.979 0.788 3.046 0.064
200 1000 0.987 0.844 3.195 0.032
500 1000 1 0.896 2.85 0.011
DGP5 30 1000 0.856 0.455 2.428 0.168
50 1000 0.929 0.569 3.363 0.141
100 1000 0.978 0.455 3.834 0.076
200 1000 0.997 0.886 2.939 0.03
500 1000 0.999 0.915 4.649 0.016
Cuando un quiebre ocurre, se obtiene la tabla número 5. El quiebre

especificado aquí es de uno sobre la media del proceso (como en el resto de los
casos, de 0 a 5). Aqu las columnas Supfl y Wftest muestran la cantidad de veces
que los valores crticos superaron el umbral. El test de  versus   1 tiende a
obtener valores chicos a medida que aumenta la muestra, mientras que el test de
"doble máximo" tiende a valores grandes. La media de la fecha del break
sugerido se acerca casi con exactitud a la verdadera, y la cantidad de breaks
28
sugeridos también tiende a la verdadera cantidad (o sea, un break).

Dada la posibilidad que el test nos brinda de testear múltiples breaks, se
procedió además a generar series con dos cambios estructurales: 1 = T/2 y
2 = T/4 .
En la Tabla 6, se puede observar y leer los resultados de manera similar a
los que muestra la tabla 5, con la sola diferencia de que se distingue la media del
primer break y la media del segundo cambio estructural, ya que en esta tabla el
DGP contiene, como se mencionó, dos cambios, uno en T/2 (en media) y otro en
T/4 (en varianza).
De nuevo, la media de los breaks tiende a la real, y la cantidad de datos
también. Una regularidad para remarcar, es que en general pareciera que se
sobre estima el primer cambio estructural y se subestima el segundo (levemente
en ambos casos) salvo para el caso de 30 observaciones, donde la media se
subestima para ambos breaks.
29
Tabla 5. BP, simulación con un quiebre

N # Sim Supfl 5% Wftest 5% Media Break Media #
breaks
DGP1 30 1000 0.177 0.956 10.768 0.739
50 1000 0.19 0.997 23.408 0.928
100 1000 0.05 1 51.62 1.01
200 1000 0.046 1 101.84 1.008
500 1000 0.037 1 251.25 1.012
DGP2 30 1000 0.223 0.948 14.425 1.154
50 1000 0.112 0.975 24.645 1.057
100 1000 0.043 0.998 49.771 1.014
200 1000 0.038 1 99.697 1.011
500 1000 0.018 1 251 1.003
DGP3 30 1000 0.144 0.98 16.003 1.077
50 1000 0.068 0.994 26.007 1.031
100 1000 0.049 1 51.004 1.016
200 1000 0.032 1 100.87 1.006
500 1000 0.016 1 250.67 1.008
DGP4 30 1000 0.179 0.855 11.38 0.741
50 1000 0.095 0.937 23.587 0.906
100 1000 0.065 0.961 52.568 1.013
200 1000 0.038 0.991 102.93 1.014
500 1000 0.043 0.997 252.24 1.012
DGP5 30 1000 0.133 0.953 20.201 0.823
50 1000 0.233 0.959 11.721 0.867
100 1000 0.06 0.986 49.781 0.97
200 1000 0.037 0.991 103.1 1.014
500 1000 0.021 0.998 253.61 1.003
30
Tabla 6. BP, simulación con dos quiebres.

N # Sim Supfl 5% Wftest 5% Media Media Media #
Break break 2 breaks
DGP1 30 1000 0.26 0.984 10.675 14.247 1.805
50 1000 0.147 0.991 20.901 29.815 1.945
100 1000 0.055 1 51.012 73.138 2.003
200 1000 0.033 1 101.42 148.91 2.018
500 1000 0.036 1 251.96 374.02 2.009
DGP2 30 1000 0.351 0.991 11.001 14.879 1.915
50 1000 0.124 0.997 19.546 28.994 1.945
100 1000 0.048 1 52.011 74.112 2.001
200 1000 0.022 1 102.38 147.92 2.009
500 1000 0.021 1 252.15 373.88 2.016
DGP3 30 1000 0.191 0.976 10.932 1.74 1.072
50 1000 0.054 0.989 21.101 35.084 1.791
100 1000 0.051 1 50.497 74.544 1.955
200 1000 0.023 1 201.21 149.96 1.993
500 1000 0.017 1 252.01 371.54 2.006
DGP4 30 1000 0.289 0.985 16.283 8.304 1.415
50 1000 0.063 0.997 18.578 29.487 1.798
100 1000 0.03 1 51.873 79.344 1.81
200 1000 0 1 127.1 143.86 1.922
500 1000 0.004 1 254.63 370.97 1.984
DGP5 30 1000 0.313 0.991 11.001 14.879 1.915
50 1000 0.124 0.997 19.546 28.994 1.945
100 1000 0.048 1 52.011 74.112 2.001
200 1000 0.022 1 102.38 147.92 2.009
500 1000 0.021 1 252.15 373.88 2.016
Una vez observadas las caractersticas de las tablas generadas por la

simulación desarrollada a partir de aplicar el test propuesto por Bai y Perron
(1998, 2003) a los DGP generados para el ejercicio, se pueden extraer algunas
conclusiones al respecto.
En primera instancia, a diferencia de lo que ocurra en la simulación anterior
31
sobre el test de ZA, el desempeño del test para captar el quiebre estructural es
bueno. Salvo en algunas ocasiones donde se subestima o sobreestima (dado
que la media de los breaks sugeridos se encuentra muy por debajo o por encima
del valor real), se hallaron valores de la media de las 1000 repeticiones con una
distancia muy menor al break generado artificialmente para armar los DGP.
A su vez, la media de la cantidad de quiebres sugeridos también tiene un
gran desempeño, pues salvo para las muestras muy menores (especialmente de
N=30), dicha media de cantidad de quiebres se encuentra muy cercana al valor
real. Este resultado se resalta aún más, si pensamos que si un proceso de
simulación obtiene una media que se diferencia de la media real en centésimas o
milésimas (e.g con valores de 1.008 o 2.003) es casi un resultado perfecto.
En cuanto a los p-values, de los dos tests seleccionados de los que
sugieren Bai y Perron, el test de "double maximum" parece tener una eficiencia
aceptable cuando no hay breaks en la serie. Especialmente para valores de N a
partir de 100, ya que para N=30 o N=50 el size se encuentra entre 0.5 y 0.6 a
grandes rasgos. A su vez, dicho test tiende a ser significativo todas las veces
cuando la muestra a simular se agranda (para N=200 y 500, y algunas veces para
N=100 también). 9
Por último, el test de  versus   1 breaks presenta en todas las
simulaciones, tanto para los DGP sin quiebres estructurales, como para los DGP
con 1 y 2 cambios en las series, valores bajos del p-value del SupF. Esto termina
resultando en que el size al 5% sea mayor a 0.90 aproximadamente en la tabla 4,
y menor a 0.10 en general en las tablas 5 y 6.
A modo de conclusión general, se podra decir que el test presenta una
performance aceptable a la hora de señalarnos el quiebre potencial de la serie,
pero se debe tener cuidado a la hora de mirar los p-values que nos arroja el test
luego de correrlo.
9
Como se mencionó en la introducción, Bai y Perron (2006) aseguran que sus tests para múltiples “
breaks” trabajan bien en muestras lo suficientemente grandes, pero sufren sustanciales desviaciones
en la potencia de sus tests en muestras pequeñas.
32
3.3 Hansen
En las tablas 7, 8 y 9 se pueden observar los resultados de las simulaciones

con el test de Hansen. En las mismas se puede observar la cantidad de veces
(sobre 1000) que los p-values hallados fueron, en el caso de la tabla 7 menores a
0.05, y en el caso de las tablas 8 y 9, mayores a 0.05. En otras palabras, se puede
observar la cantidad de veces que el test conduce a un resultado erróneo, ya que
si el p valor es pequeño, se rechaza H 0 , cuya hipótesis es que no existe break
(más especficamente,  n = 0 ). El valor 0.05 es un valor elegido ad-hoc con el sólo
propósito de ilustrar la proporción de veces que el valor p aumenta, y no
representa selección del valor crtico de rechazo de cada test en particular.
Los códigos de Hansen se encuentran en su página, tanto para R como
para Gauss Apthech10.
Los estadsticos (descriptos brevemente anteriormente) son el supremo
(S), el exponencial (E) y el promedio (A), y también se encuentran las columnas
para los casos de bootstrap (SB, EB y AB) y para el caso con heterocedasticidad
(SH, EH, AH).
Para la tabla 7, donde no ocurrió un cambio estructural en el DGP, los p
valores tieden a no ser pequeños en la mayora de los casos, agrandándose aún
mas a medida que aumenta la muestra, y la media del quiebre sugerido se
encuentra cercana a un valor cercano (sin tendencia a sobreestimar ni
subestimar) a la mitad del perodo. Esto es buen resultado, considerando que el
proceso no contiene break.
En la tabla 8, se pueden observar las mismas estadsticas pero para el
caso donde s ha ocurrido un quiebre, y en este caso en la media. Aqu, la cantidad
de veces donde los p valores son grandes, son la gran mayora (en el orden de
más del 80%), salvo para el DGP 4 (el ARMA con otro proceso ARMA como
explicativo), donde los p-values hallados son casi todos menores a 0.05.
En la tabla 9, donde se introduce un cambio estructural ubicado en la
varianza del error, también la mayora de los casos son casos con p-values
grandes, y en el DGP4 siguen siendo menos casos que en el resto pero ya no
tendiendo a cero.
Tanto en la tabla 8, como en la 9, la media de la fecha del break estimado
10
Bruce Hansen Homepage: http://www.ssc.wisc.edu/126bhansen/
33
parece contener algo de ruido, pues tras las 1000 simulaciones, se ubica en
valores con varios perodos de diferencia con respecto al verdadero valor del
quiebre.
Tabla 7. H, simulación sin quiebre

N S E A SB EB AB SH EH AH Media
Break
DGP1 30 0.058 0.074 0.062 0.057 0.055 0.052 0.111 0.104 0.103 14.707
50 0.56 0.068 0.059 0.057 0.056 0.049 0.098 0.096 0.11 25.78
100 0.053 0.057 0.051 0.049 0.052 0.051 0.072 0.049 0.67 52.161
200 0.041 0.049 0.049 0.042 0.047 0.049 0.053 0.052 0.057 100.83
500 0.042 0.046 0.044 0.048 0.043 0.044 0.052 0.043 0.046 256.7
DGP2 30 0.059 0.081 0.066 0.057 0.052 0.054 0.072 0.069 0.062 14.452
50 0.054 0.063 0.066 0.053 0.056 0.057 0.061 0.057 0.058 24.032
100 0.044 0.051 0.048 0.053 0.046 0.044 0.055 0.05 0.052 50.781
200 0.052 0.051 0.048 0.051 0.049 0.045 0.57 0.049 0.053 103.85
500 0.049 0.052 0.048 0.051 0.049 0.045 0.57 0.049 0.052 248.36
DGP3 30 0.071 0.085 0.061 0.071 0.065 0.053 0.133 0.109 0.11 15.701
50 0.056 0.061 0.053 0.062 0.051 0.051 0.099 0.089 0.086 25.49
100 0.046 0.05 0.039 0.053 0.045 0.043 0.088 0.065 0.062 52.158
200 0.055 0.057 0.038 0.056 0.053 0.04 0.075 0.06 0.051 104.63
500 0.061 0.065 0.062 0.061 0.065 0.061 0.066 0.064 0.063 254.15
DGP4 30 0.028 0.037 0.028 0.026 0.021 0.024 0.037 0.035 0.041 14.623
50 0.017 0.017 0.013 0.015 0.012 0.013 0.027 0.22 0.026 23.741
100 0.021 0.021 0.025 0.021 0.02 0.025 0.03 0.029 0.039 48.361
200 0.041 0.019 0.017 0.017 0.017 0.018 0.026 0.027 0.029 98.62
500 0.512 0.481 0.378 0.521 0.489 0.389 0.531 0.489 0.367 255.361
DGP5 30 0.382 0.431 0.345 0.359 0.363 0.313 0.4 0.399 0.349 15.524
50 0.44 0.464 0.348 0.429 0.42 0.328 0.441 0.422 0.346 26.107
100 0.488 0.493 0.367 0.494 0.473 0.365 0.501 0.476 0.373 49.385
200 0.497 0.465 0.351 0.501 0.46 0.351 0.515 0.463 0.349 103.51
500 0.512 0.481 0.378 0.521 0.489 0.389 0.531 0.489 0.367 255.361
34
Tabla 8. H, simulación con un quiebre en media

# Sim S E A SB EB AB SH EH AH Media
Break
DGP1 1000 0.876 0.871 0.927 0.872 0.898 0.936 0.772 0.796 0.832 20.788
1000 0.855 0.978 0.933 0.873 0.897 0.941 0.831 0.839 0.87 34.907
1000 0.882 0.896 0.934 0.865 0.902 0.941 0.869 0.869 0.892 70.788
1000 0.85 0.89 0.936 0.839 0.892 0.934 0.887 0.903 0.914 142.45
1000 0.886 0.916 0.952 0.879 0.914 0.953 0.935 0.936 0.954 351.62
DGP2 1000 0.933 0.912 0.93 0.932 0.936 0.941 0.855 0.966 0.851 17.794
1000 0.939 0.93 0.951 0.938 0.944 0.951 0.872 0.887 0.895 29.864
1000 0.937 0.925 0.948 0.929 0.928 0.949 0.895 0.91 0.92 61.334
1000 0.941 0.942 0.949 0.937 0.944 0.95 0.93 0.931 0.936 123.64
1000 0.946 0.951 0.953 0.938 0.947 0.951 0.95 0.951 0.952 307.82
DGP3 1000 0.805 0.799 0.866 0.815 0.843 0.902 0.734 0.75 0.788 21.648
1000 0.855 0.857 0.924 0.847 0.876 0.934 0.811 0.832 0.852 35.873
1000 0.864 0.88 0.933 0.853 0.891 0.934 0.888 0.894 0.903 71.275
1000 0.882 0.91 0.945 0.876 0.91 0.946 0.909 0.92 0.928 142.19
1000 0.865 0.911 0.952 0.858 0.913 0.945 0.941 0.949 0.946 358.62
DGP4 1000 0 0 0.003 0.001 0.001 0.002 0.217 0.213 0.01 19.549
1000 0 0 0.001 0 0 0 0.103 0.096 0 29.841
1000 0 0 0.008 0 0 0.003 0.036 0.036 0.004 54.741
1000 0 0 0.006 0 0 0.001 0.004 0.004 0.004 104.72
1000 0 0 0 0 0 0 0 0 0 254.43
DGP5 1000 0.851 0.843 0.908 0.846 0.873 0.926 0.756 0.768 0.794 20.983
1000 0.854 0.858 0.919 0.843 0.874 0.825 0.805 0.826 0.855 35.656
1000 0.856 0.879 0.929 0.843 0.884 0.929 0.869 0.882 0.891 71.26
1000 0.865 0.894 0.935 0.857 0.899 0.938 0.909 0.918 0.919 143.28
1000 0.86 0.901 0.944 0.854 0.902 0.941 0.933 0.931 0.943 355.59
35
Tabla 9. H simulación con un quiebre en varianza

N S E A SB EB AB SH EH AH Media
Break
DGP1 30 0.951 0.93 0.941 0.951 0.955 0.944 0.9 0.905 0.893 13.788
50 0.954 0.923 0.931 0.934 0.935 0.936 0.878 0.885 0.89 23.815
100 0.958 0.938 0.933 0.85 0.945 0.938 0.922 0.922 0.921 48.358
200 0.959 0.947 0.944 0.882 0.967 0.951 0.932 0.941 0.938 101.151
500 0.967 0.958 0.961 0.921 0.989 0.967 0.959 0.949 0.951 258.108
DGP2 30 0.948 0.937 0.951 0.945 0.952 0.962 0.888 0.896 0.889 16.85
50 0.937 0.926 0.939 0.934 0.37 0.942 0.903 0.905 0.907 28.423
100 0.947 0.942 0.952 0.935 0.945 0.953 0.91 0.922 0.927 58.022
200 0.967 0.957 0.968 0.947 0.951 0.964 0.937 0.93 0.941 96.155
500 0.981 0.985 0.99 0.961 0.973 0.98 0.961 0.959 0.963 246.85
DGP3 30 0.853 0.844 0.912 0.852 0.866 0.916 0.853 0.86 0.87 21.106
50 0.88 0.875 0.926 0.87 0.884 0.926 0.876 0.877 0.895 35.123
100 0.888 0.907 0.936 0.882 0.912 0.94 0.906 0.915 0.916 70.954
200 0.894 0.921 0.95 0.912 0.939 0.961 0.942 0.941 0.936 142.58
500 0.921 0.948 0.98 0.947 0.954 0.98 0.958 0.982 0.95 289.423
DGP4 30 0.616 0.636 0.874 0.639 0.673 0.863 0.7 0.695 0.714 22.024
50 0.546 0.586 0.851 0.566 0.606 0.836 0.675 0.672 0.703 36.316
100 0.467 0.533 0.824 0.478 0.538 0.793 0.67 0.676 0.702 71.645
200 0.347 0.46 0.775 0.374 0.467 0.713 0.599 0.607 0.662 139.26
500 0.235 0.38 0.744 0.266 0.383 0.7 0.547 0.566 0.67 339
DGP5 30 0.875 0.867 0.924 0.876 0.889 0.933 0.842 0.859 0.872 20.855
50 0.859 0.869 0.921 0.852 0.888 0.927 0.855 0.855 0.882 35.715
100 0.874 0.889 0.935 0.866 0.892 0.935 0.893 0.904 0.909 70.601
200 0.889 0.901 0.945 0.876 0.905 0.945 0.912 0.905 0.915 115.125
500 0.912 0.912 0.952 0.89 0.915 0.956 0.934 0.92 0.932 275.89
A modo de cierre de la simulación del test de Hansen, caben remarcar

algunas cuestiones.
El test en general no es aceptable a la hora de trabajar con una serie con
break, de los estilos especificados en este trabajo ya que los valores de los p
values suelen ser altos para las tablas 8 y 9 (donde los DGP contienen de hecho
un cambio en su estructura y los estadsticos deberan mencionar la existencia de
36
un quiebre significativo). Pero dichos p valores se mantienen en valores elevados

para la tabla 7, donde no se especificó cambios en la estructura del DGP. Esto
último puede presentar un problema si se entiende que parece que se puede
estar sub estimando la presencia de quiebres.
Por otro lado, la media de los breaks sugeridos no se encuentra tan cercana
al valor real como en el caso de la sub sección anterior, donde se testeaba a partir
de BP.
Además, no se notan demasiadas diferencias (o por lo menos que
aparenten ser grandes) entre los p values generados entre los distintos tests (los
originales, los corregidos por heterocedasticidad, o los realizados por bootstrap).
Una mención importante se debe hacer con respecto a los resultados que
presentó el test cuando el DGP era un ARMA que contena un ARMA y el quiebre
era en media. Los valores p para ese caso fueron muy pequeños a diferencia de
lo que ocurre en el resto de los DGP (los break medios hallados s son similares al
resto de los casos). De hecho, para algunos estadsticos, las 1000 veces
simuladas el p value indica la presencia de break.
Esto último es algo importante para remarcar. El test está pensando en algo
distinto a los demás tests que aqu se exponen, y es que está estructurado bajo la
idea de captar un cambio en la distribución del regresor (que puede afectar  si
no se está bajo la presencia de súper exogeneidad). Esto es importante remarcar
porque ninguno de los DGP generados aqu presentan cambios estructurales
sobre la variable exógena, para poder contrastar los resultados entre los distintos
tests (ya que el resto de los tests no enfocan el problema de esa manera).
Justamente el DGP que mejor performance presenta cuando existe un break es
aquel donde el proceso es un ARMA que contiene un ARMA (a pesar de que el
break no se halla en el regresor sino en el error de la serie).
De todas maneras, para poder realizar el test, a los DGP que se generaron
para el test de Hansen, se les incluye siempre un regresor X , que es una
variable normal al igual que la serie en estudio, Y .
37
3.4 KP
Finalmente, se pasaron a realizar las simulaciones con el más moderno

(por ser el más recientemente publicado) de los tests en estudio en este trabajo,
el test de raz unitaria propuesto por Kim y Perron (2009). Al igual que en caso de
Hansen, se presentan tres tablas, las número 10, 11 y 12, conteniendo las
mismas los casos sin quiebre, con quiebre en media y quiebre en varianza del
error, respectivamente.
Para estas simulaciones se utilizaron los archivos disponibles en el home
page de Dupka Kim11: Dbreakestimate.m y UR2k.m. El primero para buscar el
quiebre estructural sugerido (para un modelo dinámico) y el segundo para testear
raz unitaria (para un modelo de tipo A2).
Lo que se puede ver en las mencionadas tablas, son la media del quiebre
sugerido, y la media del estadstico t calculado. Además, en las tablas 11 y 12, se
halla una columna que ilustra, al igual que en el caso de Zivot y Andrews, cuantas
veces la variable indicadora de que el break se encuentra en el intervalo  5 que
contiene al verdadero valor se hizo igual a 1.
11
Los archivos se encuentran en http://people.virginia.edu/126dk4p/
38
Tabla 10. KP, simulación sin quiebre

N # Sim Media Break Media t
DGP1 30 1000 14.941 -2.769
50 1000 25.234 -3.5012
100 1000 47.861 -4.6084
200 1000 99.321 -6.6084
500 1000 256.981 -10.0449
DGP2 30 1000 12.405 -2.8849
50 1000 25.445 -3.4936
100 1000 49.913 -4.6909
200 1000 101.296 -6.4903
500 1000 254.98 -10.0653
DGP3 30 1000 14.784 -2.9019
50 1000 25.739 -3.5838
100 1000 51.158 -4.906
200 1000 101.166 -6.7709
500 1000 249.923 -10.49
DGP4 30 1000 15.244 -2.88
50 1000 24.85 -3.6207
100 1000 48.965 -4.7677
200 1000 101.095 -6.7547
500 1000 251.395 -10.4727
DGP5 30 1000 14.555 -2.7888
50 1000 25.183 -3.466
100 1000 50.111 -5.0118
200 1000 101.985 -6.8564
500 1000 251.985 -10.7812
39
Tabla 11. KP simulación con quiebre en media

N # Sim Media Break Media t Intervalo
DGP1 30 1000 19.456 -1.98 0.68
50 1000 28.412 -2.3815 0.75
100 1000 48.952 -2.8571 0.965
200 1000 99.815 -3.6633 0.98
500 1000 249.730 -4.9915 1
DGP2 30 1000 17.2493 -2.23 0.77
50 1000 27.988 -2.4357 0.798
100 1000 50.988 -2.9344 0.953
200 1000 100.304 -3.8207 0.98
500 1000 250.237 -5.7627 0.98
DGP3 30 1000 14.675 -1.9587 0.173
50 1000 24.81 -2.006 0.68
100 1000 49.876 -2.0855 0.708
200 1000 101.865 -2.3704 0.96
500 1000 249.885 -3.0737 0.99
DGP4 30 1000 14.808 -1.981 0.921
50 1000 24.859 -1.9815 0.965
100 1000 49.884 -2.0232 0.98
200 1000 99.925 -2.1784 1
500 1000 249.923 -2.6762 1
DGP5 30 1000 19.956 -2.1451 0.926
50 1000 24.963 -2.2827 0.942
100 1000 49.97 -2.356 0.965
200 1000 99.975 -2.5209 0.98
500 1000 249.78 -3.0308 1
40
Tabla 12. KP simulación con quiebre en varianza

N # Sim Media Break Media t Intervalo
DGP1 30 1000 20.099 -2.8673 0.501
50 1000 33.794 -3.4122 0.404
100 1000 64.024 -4.6132 0.453
200 1000 114.309 -6.4835 0.634
500 1000 253.491 -10.0172 0.809
DGP2 30 1000 18.145 -2.2208 0.4015
50 1000 29.103 -3.1587 0.4241
100 1000 55.84 -4.6633 0.55
200 1000 101.15 -6.7001 0.702
500 1000 248.33 -10.4712 0.849
DGP3 30 1000 14.924 -2.7638 0.396
50 1000 24.492 -3.5676 0.236
100 1000 75.288 -4.9616 0.103
200 1000 98.573 -6.6676 0.12
500 1000 381.437 -10.4831 0.022
DGP4 30 1000 14.737 -2.7889 0.373
50 1000 24.584 -3.4102 0.214
100 1000 47.667 -4.7205 0.097
200 1000 99.603 -6.702 0.06
500 1000 242.304 -10.5355 0.025
DGP5 30 1000 21.432 -2.6832 0.351
50 1000 36.972 -3.5609 0.17
100 1000 75.259 -4.9008 0.082
200 1000 153.385 -6.8021 0.035
500 1000 381.429 -10.7826 0.014
41
Para redondear la simulación del test de Kim y Perron (2009), se pueden

mencionar algunas cuestiones.
En primer lugar, los estadsticos t hallados tienden a aumentar la media a
medida que la muestra aumenta su tamaño (en menor escala para el caso de
break en media). Esto es una buena cualidad del test, ya que nos estara
indicando que el mismo es capaz de identificar que la serie es estacionaria (i.e.
que no tiene raz unitaria) correctamente. Probablemente requiera de una muestra
mayor a 30, para lograr este objetivo al 1% de confianza.
La media del break hallado se encuentra relativamente cerca a la verdadera
fecha del quiebre para el caso donde existe un break en la media, pero se
encuentra más lejos cuando el cambio estructural ocurre en la varianza. Por este
motivo es que la cantidad de veces que la estimación de la fecha de quiebre se
halla dentro del intervalo  5 es considerablemente mayor para el caso donde el
cambio en la serie ocurre en la media. De hecho, en el caso donde el quiebre se
da en la varianza, la cantidad de veces que la indicadora toma valor uno se va
haciendo cada vez menor a medida que aumenta la muestra. 12
A grandes rasgos entonces se puede remarcar que el test presenta buenas
caractersticas en cuanto a rechazar la hipótesis de raz unitaria, ya que se
obtienen en general estadsticos t en aumento a medida que se aumenta la
muestra. Con respecto a la fecha del quiebre estructural sugerido, cabe destacar
la discrepancia hallada entre los dos tipos de quiebres incluidos en este trabajo:
en media y varianza.
12
Para el caso donde no hubo quiebres en el DGP, la media de los breaks sugeridos se encuentra
cercana al valor T/2 pero este hecho se debe a que es justo la mitad de la serie y no porque los breaks
sugeridos se concentren alli. De hecho la dispersión es mayor que en el caso de la Tabla 11 por
ejemplo, ya que si suponemos por un momento que el "verdadero quiebre" se encontrara all y se
fabricara un intervalo para armar la variable indicadora, la misma se hace menor cantidad de veces uno
en la Tabla 10 que en la Tabla 11. Este intervalo ficticio no fue incluido en la Tabla del DGP sin quiebre.
42
4. Conclusiones generales sobre las simulaciones
En este captulo se ha realizado un sencillo ejercicio de simulación para

ilustrar cuatro importantes tests que permiten la discusión de quiebres
estructurales determinados de manera endógena, útiles a la hora de testear la
presencia de raz unitaria en una serie de tiempo.
La cuestión de quiebres estructurales es una parte muy importante a
determinar en el estudio de series temporales, y dentro de este tópico, el hecho
de endogeneizar la selección de potenciales quiebres estructurales es aún más
importante. Bajo esta idea es que se propusieron estudiar y contrastar los tests
de raz unitaria de Zivot y Andrews (1992) y de Kim y Perron (2009), y los tests de
quiebres propuestos por Bai y Perron (1998) y Hansen (2000). Todos ellos suman
una caracterstica importante y novedosa en el ámbito de breaks como se ha
mencionado en el segundo captulo del presente trabajo.
Para la tarea de contrastar dichos tests, se realizo un ejercicio de Monte
Carlo sobre cinco procesos generadores de los datos (DGP) distintos, de manera
de ejecutar las 1000 simulaciones de dicho ejercicio sobre los mismos DGP para
cada test y tener un punto de comparación.
Los procesos seleccionados fueron muy sencillos, modelos con variables
normales, modelos ARMA estacionarios y procesos con autocorrelación
(frecuentes en la literatura de series temporales).
Un punto de comparación es el del correcto rechazo (o no) de la hipótesis
nula de raz unitaria por parte de los tests de ZA y KP. El primero tiene un buen
desempeño a partir de N=100, donde rechaza en general unas 900 veces de las
1000 repeticiones (para N=30 en general rechaza alrededor del 70%). En
cambio, KP tiene valores crticos del estadstico t relativamente grandes (alrededor
de 2) incluso para las muestras más pequeñas, lo que puede estar representando
una pequeña ventaja del test KP al tener la posibilidad de tener un quiebre
estructural tanto bajo la nula como la alternativa.
Por otro lado, el otro punto de comparación es la correcta selección del
quiebre estructural (o al menos estar en un área cercana al mismo). En este
ámbito, parece correr con una ventaja por sobre los demás el test de BP, ya que
para un break, como para dos breaks, la media de los quiebres sugeridos tiende a
estar muy cercana a la verdadera. En el caso de Hansen, la media de los breaks
43
sugeridos se encuentra a mayor distancia que la que se encuentra en BP, con

grandes diferencias especficamente para los DGP 3, 4 y 5 (los que tienen los
componentes autorregresivos). Pero Hansen presenta el grave problema de que
si no acompañamos el test con otros tests, podemos concluir que no existe break
en la serie, cuando en realidad no existe quiebre estructural en el regresor, pero s
en la serie.
KP tiene buenos resultados en estimar el break para el caso de break en
media, pero la media de los breaks sugeridos se aleja del verdadero valor para el
caso de break en varianza (y la distancia no se tiende a reducir a medida que
aumenta la muestra, de hecho aumenta). ZA parece tener poco poder a la hora
de sugerir el quiebre, ya que para muestras grandes, menos del 10% de las
veces el break sugerido se halla en el intervalo  5 .
Claro que esta comparación es solamente en el ámbito de los DGP
seleccionados y varias extensiones posibles se deberan hacer para completar y
tener un mejor cuadro de la comparación de los tests. En primer lugar, se podra
pensar en incorporar otros tipos de DGP (como series con heterocedasticidad, o
para el caso de Hansen en particular, series con quiebres estructurales en los
regresores, o la distribución de los mismos mejor dicho)13.
Otra posible extensión es simular las series con un coeficiente auto
regresivo más cercano a la unidad (e.g. 0.8) en lugar de 0.5.
Por otro lado, los quiebres generados en general se ubicaron en la mitad de
la serie, o en los tercios (incluso en el 3/4 para BP), pero sera interesante añadir
quiebres en las colas (e.g. en las primeras o últimas observaciones) para ver la
potencia de los tests cuando el break ocurre muy temprano o muy tarde en el
perodo14.
Como conclusión final se puede mencionar que lo que este trabajo ilustra
es que todos los tests presentan sus ventajas y desventajas a la hora de que el
13
De hecho, Hansen estudia las propiedades de muestra finita del test en su paper con un AR bivariado
del siguiente estilo:
yi =  0  1 yi 1   2 yi 2  3 yi 3
 1 xi 1   2 xi 2  3 xi 3  ei
con N=50, 1 = 0.5 y 1 = 1 .

14
Kim y Perron mencionan en su trabajo que si se selecciona la fracción verdadera del break en 0.5, en
general los resultados no distan de aplicar el cambio estructural en 0.3 o 0.7. Ver Kim (2007) y Kim -
Perron (2009), p 14.
44
investigador intente determinar endogenámente si existe un cambio estructural

significativo en la serie a estudiar. Si se realiza esta estimación mediante una sola
metodologa se está cayendo en un trabajo con serios riesgos de estar
concluyendo erróneamente la presencia o no de un quiebre, as como la
estacionariedad o no de la serie. Es por eso, que al no conocerse los verdaderos
procesos que llevaron a generar la serie, es recomendable la complementación
de todos los tests mencionados. Es tarea del investigador intentar determinar que
DGP es mas factible de acuerdo a la serie en cuestión con la que se esté
trabajando, y as ponderar de distinta manera (y correctamente) los resultados de
los distintos tests15.
15
Como caso ilustrativo, se puede ver que si uno piensa que el proceso posee un cambio estructural en
el regresor, y testea sobre esta hipótesis, correctamente puede determinar que no existe quiebre en la
variable independiente. Pero puede incorrectamente concluir que no existe quiebre en toda la serie si
no acompaña el test con otro que asuma un DGP de quiebres estructurales diferente.
45
5. Referencias Bibliográficas
 Altissimo, F. and V. Corradi, (2003), "Strong rules for detecting the

number of breaks in a time series," Journal of Econometrics 117,
207-244.
 Andrews, D. W. K. (1993): "Tests for Parameter Instability and Structural
Change with Unknown Change Point". Econometrica 61.4, pp. 821–856.
 Andrews, D. W. K. (2003): "Tests For Parameter Instability and Structural
Change with Unknown Change Point: A Corrrigendum". Econometrica
71.1, pp. 395–397.
 Andrews, D. W. K. and W. Ploberger (1994): "Optimal Tests When a
Nuisance Parameter Is Present Only Under the Alternative".
Econometrica 62.6, pp. 1383–1414.
 Andrews, D. W. K., I. Lee, and W. Ploberger (1996): "Optimal Change
point Tests for Normal Linear Regression". Journal of Econometrics
70.1, pp. 9–38.
 Andrews, D. W. K., I. Lee, and W. Ploberger, (1996), "Optimal change
point tests for normal linear regression," Journal of Econometrics 70,
9-38.
 Bai, J. - Perron, P. (1998) “ Estimating and Testing Linear Models with
Multiple Structural Changes” , Econometrica, 66, 47-78.
 Bai, J. (1997): "Estimating multiple breaks one at a time". Econometric
Theory 13.3, pp. 315–352.
 Bai, J. and P. Perron, (2003a), "Critical values for multiple structural
change tests," Econometrics Journal 6, 72-78.
 Bai, J. and P. Perron, (2003b), "Computation and Analysis of Multiple
Structural Change Models," Journal of Applied Econometrics 18, 1-22.
 Bai, J. and P. Perron, (2006), "Multiple Structural Change Models: A
Simulation Analysis," in Econometric Theory and Practice: Frontier of
Analysis and Applied Research (Essays in Honor of Peter Phillips), ed.
by Corbae D., S. Durlauf and B.E. Hansen, Cambridge University Press.
 Bai, J., (1999), "Likelihood ratio tests for multiple structural changes,"
Journal of Econometrics 91, 299-323.
 Banerjee and Urga (2005) "Modelling structural breaks, long memory
46
and stock market volatily: an overview". Journal of Econometrics, p.

1-34.
 Banerjee, Lumsdaine, Stock (1992), "Recursive and Sequential Tests of
the Unit-Root and Trend-Break Hypotheses: Theory and International
Evidence", Journal of Business & Economic Statistics, Vol. 10, No. 3
(Jul., 1992), pp. 271-287
 Brown, R., J. Durbin, and J. Evans (1975): "Techniques for testing the
constancy of regression relationships over time". Journal of the Royal
Statistical Society B 37, pp. 149–163.
 Campos, J., N. R. Ericsson, and D. F. Hendry, (1996), "Cointegration
tests in the presence of structural breaks," Journal of Econometrics 70,
187-220.
 Chow, G. C. (1960): "Tests of Equality Between Sets of Coefficients in
Two Linear Regressions". Econometrica 28.3, pp. 591–605.
 Clemente, J., Montañes, A., and Reyes, M., (1998) Testing for a unit root
in variables with a double change in the mean. Economics Letters, Vol.
59, pp. 175-182.
 Clements, M.P., Hendry, D.F., (1996). "Intercept corrections and
structural change". Journal of Applied Econometrics 11, 475–494.
 Davies, R. B. (1977): "Hypothesis testing when a nuisance parameter is
present only under the alternative". Biometrika 64.2, pp. 247–254.
 Dickey, D. A. - Hasza, D. P. - Füller, W. A. (1984) “ Testing for Unit Roots
in Seasonal Time Series” , Journal of the American Statistical
Association, 79, 386, 355-367.
 Dickey, D. y W. Füller (1984). "Testing for unit roots in seasonal time
series". Journal of the American Statistical Associations79, pp. 355-367.
 Diebold, F. X. and C. Chen (1996): "Testing structural stability with
endogenous breakpoint: A size comparison of analytic and bootstrap
procedures". Journal of Econometrics 70.1, pp. 221–241.
 El-Shagi, M. (2010): "Small Sample Correction for the Alternative
CUSUM-Tests." mimeo.
 Engle, R. y Ng, V (1993). “ Measuring and Testing the impact of News in
Volatility” , The Journal of Finance, 48 (5): pp. 1749-1778.
 Gagliardini, P., Trojani, F., Urga, G., (2004), "Robust GMM tests for
structural breaks". Journal of Econometrics,
47
10.1016/j.jeconom.2004.09.006.
 Hamilton , J., D. (1994) ‘Time Series Analysis’ Princeton University
Press.
 Hansen, B. E. (1990): "Lagrange Multiplier Tests for Parameter Instability
in Non-Linear Models." University of Rochester.
 Hansen, B. E. (1992): "Testing for parameter instability in linear models".
Journal of Policy Modeling 14.4, pp. 517–533.
 Hansen, B. E. (1997): "Approximate asymptotic p-values for structural
change tests". Journal of Business and Economic Statistics 15.1, pp. 60–
67.
 Hansen, B. E. (2000): "Testing for structural change in conditional
models", Journal of Econometrics, Elsevier.
 Hansen, B. E. (2001): "The New Econometrics of Structural Change:
Dating Breaks in U.S. Labor Productivity". The Journal of Economic
Perspectives 15.4, pp. 117– 128.
 Harvey, D.I., Leybourne, S.J., Newbold, P., (2001). "Innovational outlier
unit root tests with an endogenously determined break in level". Oxford
Bulletin of Economics and Statistics 63, 559–575.
 Hawkins, D. (1987): "A test for a change point in a parametric model
based on a maximal Wald-type statistic". Sankhya: The Indian Journal of
Statistics 49.Series A, pp. 368–376.
 Hendry D. (1999), "On detectable and non-detectable structural change",
Structural Change and Economic Dynamic, Elsevier.
 Kim, C., J., Nelson, C., R. (1999) State Space Model with Regime
Switching: Classical and Gibbs-Sampling Approaches with Applications.
The MIT press.
 Kim, D., Perron, P., "Unit Root Tests Allowing for a Break in the Trend
Function at an Unknown Time under Both the Null and Alternative
Hypotheses", Journal of Econometrics (2009) 148, 1-13.
 Krishnaiah, P. R. and B. Q. Miao, (1988), "Review about Estimation of
Change Points," in Handbook of Statistics, Vol. 7, ed. By P. R. Krishnaiah
and C. R. Rao. New York: Elsevier.
 Lee, J., Strazicich, M., (2001). "Break point estimation and spurious
rejections with endogenous unit root tests". Oxford Bulletin of Economics
and Statistics 62, 535–558.
48
 Lin, C.-F., Terasvirta, T., (1994). "Testing the constancy of regression

parameters against continuous structural change". Journal of
Econometrics 62, 211–228.
 Lin, C.-F., Terasvirta, T., (1999). "Testing parameter constancy in linear
models against stochastic stationary parameters". Journal of
Econometrics 90, 193–213.
 Liu, J., S. Wu, and J. V. Zidek, (1997), "On Segmented Multivariate
Regression," Statistica Sinica 7, 497-525.
 Montañes, A., Olloqui, I., Calvo, E., (2004). "Selection of the break in
Perron-type tests". Journal of Econometrics, 10.1016
/j.jeconom.2004.09.003.
 Nelson, C.R., Plosser, C.I., (1982). "Trends and random walks in
macroeconomic time series". Journal of Monetary Economics 10, 139–
162.
 Nunes, L. Kuan, CM ., Newbold, P. , (1995) "Spurious break",
Econometric Theory- Cambridge University Press
 Nyblom, J. (1989): "Testing for the constancy of parameters over time".
Journal of the American Statistical Association 84.405, pp. 223–230.
 Perron, P. (1989) “ Testing For A Unit Root In A Time Series With A
Changing Mean” , Journal of Business and Economic Statistics, 8, 2,
153-162.
 Perron, P. (1989) “ The great crash, the oil price shock and the unit root
hypothesis” , Econometrica, 57, 1361-1401.
 Perron, P. (2006): "Dealing with Structural Breaks." Palgrave Handbook
of Econometrics.Ed. by T. Mills and K. Patterson. Vol. 1. Palgrave
Macmillan, pp. 278–352.
 Perron, P., Vogelsang, T.J., (1992). "Testing for a unit root in a time
series with a shift in mean, corrections and extensions". Journal of
Business and Economic Statistics 10, 467–470.
 Pesaram, H. and A. Timmermann, (2000), "Model instability and the
choice of observations window," Mimeo, UCSD and University of
Cambridge.
 Quandt, R. (1960), "Tests of the hypothesis that a linear regression
system obeys two separate regimes", Journal of the American statistical
Association, 55, 324-330.
49
 Rappoport, P., Reichlin, L., (1989). "Segmented trends and

nonstationary time series". The Economic Journal 99 (Conference
Volume), 168–177.
 Sen, A. (2003) “ Limiting behaviour of Dickey-Fuller t-tests under the
crash model alternative” , Statistics and Probability Letters, 55, 3,
257-268.
 Sen, A. (2003). "On unit root tests when the alternative is a trend break
stationary process", Journal of Business and Economic Statistics21, pp.
174-184.
 Stock, J. H. and M. W. Watson (1996): "Evidence on Structural Instability
in Macroeconomic Time Series Relations". Journal of Business &
Economic Statistics 14.1, pp. 11–30.
 Vogelsang, T.J., Perron, P., (1998). "Additional tests for unit root allowing
the possibility of breaks in the trend function". International Economic
Review 39, 1073–1110.
 Zeileis, A. (2005): "A Unified Approach to Structural Change Tests Based
on ML Scores, F Statistics, and OLS Residuals". Econometric Reviews
24.4, pp. 445–466.
 Zeileis, A., A. Shah, and I. Patnaik (2010): "Testing, monitoring, and
dating structural changes in exchange rate regimes". Computational
Statistics & Data Analysis 54.6, pp. 1696–1706.
 Zeileis, A., C. Kleiber, W. Krämer, and K. Hornik (2003): "Testing and
Dating of Structural Changes in Practice". Computational Statistics &
Data Analysis 44.1–2, pp. 109–123.
 Zivot, E. y D. Andrews (1992). "Further Evidence on the Great Crash, the
Oil-Price Shock and the Unit-Root Hypothesis", Journal of Business and
Economic Statistics, 10(3), 251-270.
50

QuiebresEstructurales Delbianco

Cargado por

Copyright:

Formatos disponibles

QuiebresEstructurales Delbianco

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

QuiebresEstructurales Delbianco

Cargado por

Copyright:

Formatos disponibles

Resumen

En este trabajo se hace un breve repaso de la literatura de quiebres estructurales,

Desde Chow (1960) en la introducción de su trabajo, cuando menciona

en algún punto del periodo muestral.

LR tests para cambios estructurales basados en estimadores de GMM.

Las simulaciones que se realizaran estarán enfocadas en cuatro tests, dos

2. Tests con quiebres estructurales1

En esta sección se detallarán algunos de los tests con quiebres

2.1. Zivot y Andrews (ZA)

El test clásico de Dickey-Fuller (ADF) con sus tres diferentes

ZA no es un test de quiebres estructurales per se. Es, como se mencionó,

2.1.1. Perron (1989)

• Modelo (A): yt =   dD(Tb )t  yt 1  et

• Modelo (B): yt = 1  yt 1  (2  1 ) DUt  et

• Modelo (C): yt = 1  yt 1  dD(Tb )t  (2  1 ) DUt  et

donde D(Tb )t = 1 si t = Tb y es igual a cero de otra manera; DUt = 1 si t > Tb ,

• Modelo (A): yt = 1  t  (2  1 ) DUt  et

• Modelo (B): yt =   1t  ( 2  1 ) DT   et

• Modelo (C): yt = u  1t  (2  1 ) DU  ( 2  1 ) DT   et

donde DTt = t  Tb si t > Tb , o de otra manera.

Un estadstico que se computa es t ^ i ( ), i = A, B, C. Este estadstico depende

de la fracción (donde se encuentra el quiebre)  , que es el ratio Tb/T . De esta

donde  ( ) hace referencia al size de la distribución asintótica de un 

2.1.2. Zivot y Andrews (1992)

La hipótesis nula que ZA plantean para los tres modelos es:

De esta manera se considera que bajo H 0 la serie es integrada sin

inf t i ( ) <  inf

con  inf , como el size  crtico (hacia la cola izquierda de la distribución

del estadstico) de la distribución asintótica de inf t i ( ) . Aqu, ZA afirman que, por

2.1.3. Clemente, Montañes y Reyes (1998)

H 0 : yt = yt 1  1DTB1,t   2 DTB2,t  t (2.1.10)

mientras que la alternativa tiene la siguiente forma:

H1 : yt =   d1DU1t  d 2 DU2,t  et (2.1.11)

yt =   yt 1  1DTB1,t   2 DTB2,t  d1DU1t  d 2 DU2,t ik=1 ci yt 1  et (2.1.12)

El método de testeo es minimizando el valor de un pseudo t ratio6.

y el testeo de  se realiza sobre

El trabajo contiene las propiedades finitas y los valores crticos de los

2.2. Bai Perron (BP)

Bai Perron (1998) consideran el siguiente modelo:

yt = xt'   zt' 1  ut , t = 1,...,T1 , (2.2.0)

La variable dependiente, observada en el momento t, es y t .Los vectores

La meta del test es estimar los puntos de quiebre, de manera de minimizar

Bai Perron (2003) incorpora los siguientes tests: un test de no quiebres

2.2.1. Tests "doble máximo"

Este test permite la hipótesis nula de la no existencia de quiebre estructural

2.2.2. Test de  versus   1 breaks

Aqu, el test de  versus   1 quiebres estructurales (Bai, 1999) se denota

Considerando el siguiente modelo,

yni = x'ni  ni  eni ; i = 1,2,...,n ; = E (eni2 ) <  (2.3.1)

el trabajo de Hansen (2000) se motiva en las diferencias conceptuales de

Con t0 en el intervalo (t1 , t2 ) indicando el momento del quiebre y  n la

con  fijo cuando n  .

El test de Wald, como se mencionó en la introducción, necesita que se

con 1/(t2  t1 ) a cada entero t  (t1 , t2 ). Finalmente, hace mención a Nyblom

2.3.1. "Fixed Regressor Bootstrap"

Hansen (2000) demuestra en su trabajo que la no estacionariedad o un

2.4. Kim - Perron (KP)

Con respecto al test de Zivot y Andrews, Kim y Perron (2009) dicen en su

information is not exploited to improve the power of the test."7