ESCUELA PROFESIONAL DE

ECONOMÍA

Cointegración y
causalidad

CURSO: MACROECONOMETRÍA
La ruta del modelo
Investigación (Problema, objetivo e hipótesis)

Marco téorico y metodología

Acopio de información y bases de datos (Series de tiempo) Var en Modelo VEC

diferencias

Análisis gráfico y estadístico Series NO

Cointegración
estacionarias

Series
´Definición del modelo econométrico estacionarias Modelo VAR
 La cointegración
• La cointegración muestra el equilibrio que tienen 2 series no estacionarias en el
largo plazo (evolucionan juntas en el tiempo)
• Las estimaciones de regresiones con variables no estacionarias son espureas
salvo que estas estén cointegradas.
• Si están cointegradas, sus residuos son estacionarios.
• Si los residuos son estacionarios, las estimaciones de variables no estacionarias son
consistentes

• Objetivo de la sección: Determinar una técnica que modele las relaciones entre series
no estacionarias y que a su vez no se generen regresiones espúreas (“equilibrio de
largo plazo”: relación que en promedio se mantiene a lo largo del tiempo).

Ejemplo mostrado en la sección anterior: Tasafed y Tasabono

 La cointegración

• Condiciones para comprobar que 2 series no estacionarias están cointegradas:

1. Ambas son integradas del mismo orden

• Por ejemplo si la serie 1 es I(1), la serie 2 debe ser I(1) también

2. Una combinación lineal de ambas debe ser una serie integrada de orden cero o
estacionaria, I(0):
• La serie de los errores de la regresión entre las 2 series

• Precisión: ¿Por que cointegrar series no estacionarias?.-

• En series estacionarias, I(0), el equilibrio de largo plazo es automático, pues
cualquier combinación lineal de las mismas resulta en otra serie estacionaria, I(0)
• En series no estacionarias (inestables), existe algún tipo de relación estable.
 La cointegración

• Sin embargo, cuando las series no estacionarias se diferencian para que se tornen
estacionarias, se pierde información que puede ser valiosa.

• Si existe una relación entre dos series tal que:

• La serie obtenida de la diferencia no será estacionaria si , es decir, la serie de los

errores no tendrá una media igual a cero.

• El vector se denomina “vector de cointegración”

 La cointegración: Ejercicio de demostración

Objetivo: cointegrar SERIES NO ESTACIONARIAS

- Análisis de series de tiempo: Datos USA

- Variables: tasa Prime, tasa FED
- Tasa Prime: Tasa preferencial mayoritaria promedio que cobran los bancos en
los préstamos a corto plazo a las empresas (tasa anual en porcentajes)
- Tasa FED: Tasa efectiva de los fondos federales (tasa anual en porcentajes)
- Número de observaciones 1086, serie diaria
Arbitraje de tasas de interés: PRIME - FED
Arbitraje de tasas de interés: LIBOR
Arbitraje de tasas de interés: FED – PRIME - LIBOR
 Política monetaria: Tasa de referencia

BCRP disminuyó la tasa, en marzo, a 1,25%

y luego, en abril, a un nivel mínimo histórico
de 0,25% (debido a la magnitud
extraordinaria de la contracción de la
actividad económica)

Fuente: BCRP
 Política monetaria: Tasa de referencia y resto de tasas

Fuerte vinculación entre

tasas del mercado y la
tasa de referencia
¿CÓMO SE LOGRA?

Fuente: BCRP
 1) Comprobando el orden de las variables: Test de raíz unitaria

• Test de raíz unitaria:

• Con la serie en vista
• Se accede a la opción de raíz unitaria
• Se elige el test ADF
• Se aplica el test a la serie en nivel
• Como la serie tiene tendencia
determinística y se recomienda
constante, se elige la opción de
ambos
• Por ahora se elige la selección
automática en el numero de rezagos
• Se realiza el test
 1) Comprobando el orden de Tasa Fed
Null Hypothesis: FED has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 8 (Automatic - based on SIC, maxlag=21)

• En la regresión auxiliar se muestra la dependiente

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.281362 0.4433

con sus respectivos rezagos y tendencia. Test critical values: 1% level
5% level
-3.966591
-3.413991
10% level -3.129086
• ANTES DE ANALIZAR EL TEST, verificar que no haya *MacKinnon (1996) one-sided p-values.
autocorrelación (Recomendable DW de 1.85 a 2.15).
• DW=1.99… No hay autocorrelación. Augmented Dickey-Fuller Test Equation
Dependent Variable: D(FED)
Method: Least Squares

• Eviews definió automáticamente 8 rezagos… el Date: 10/25/20 Time: 23:44

Sample (adjusted): 3/08/2000 10/21/2020
Included observations: 1077 after adjustments
último rezago es significativo. Variable Coefficient Std. Error t-Statistic Prob.

• Comparamos el “t” del ADF: -2,281362 con el valor crítico FED(-1) -0.004183 0.001834 -2.281362 0.0227
D(FED(-1)) -0.105390 0.030292 -3.479153 0.0005
del test al 5% (-3,413991) D(FED(-2)) -0.026859 0.030169 -0.890281 0.3735
D(FED(-3)) 0.064922 0.029692 2.186507 0.0290

Rechazo No rechazo
D(FED(-4)) 0.049006 0.029703 1.649878 0.0993
D(FED(-5)) 0.057562 0.029661 1.940631 0.0526
D(FED(-6)) 0.188951 0.029590 6.385554 0.0000
D(FED(-7)) 0.128320 0.030122 4.260028 0.0000
D(FED(-8)) 0.128151 0.029107 4.402758 0.0000
C 0.007343 0.008738 0.840361 0.4009
-3,413991 -2,281362 @TREND("1/05/2000") -5.70E-06 1.11E-05 -0.513520 0.6077

• Igual ocurre con el p-value=0.4433 > 0.05 R-squared

Adjusted R-squared
0.084386
0.075796
Mean dependent var
S.D. dependent var
-0.005274
0.098963
S.E. of regression 0.095139 Akaike info criterion -1.856798
 No se rechaza Ho…hay evidencia estadística suficiente Sum squared resid 9.648786 Schwarz criterion -1.805915
Log likelihood 1010.886 Hannan-Quinn criter. -1.837529
que indica que la serie tiene raíz unitaria F-statistic
Prob(F-statistic)
9.824550
0.000000
Durbin-Watson stat 1.997195
 1) Comprobando el orden de Tasa prime
Null Hypothesis: PRIME has a unit root
• En la regresión auxiliar se muestra la dependiente Exogenous: Constant, Linear Trend
Lag Length: 7 (Automatic - based on SIC, maxlag=21)

es tasa Prime, con sus respectivos rezagos y t-Statistic Prob.*

tendencia. Augmented Dickey-Fuller test statistic

Test critical values: 1% level
-2.177319
-3.966583
0.5013

5% level -3.413987
• ANTES DE ANALIZAR EL TEST, verificar que no haya 10% level -3.129084

autocorrelación (Recomendable DW de 1.85 a *MacKinnon (1996) one-sided p-values.

2.15): DW=2,01… No hay autocorrelación. Augmented Dickey-Fuller Test Equation

Dependent Variable: D(PRIME)
Method: Least Squares

• El retardo 7 incorporado es significativo Date: 10/25/20 Time: 23:55

Sample (adjusted): 3/01/2000 10/21/2020
Included observations: 1078 after adjustments

• Comparamos el “t” del ADF: -2,177319 con el valor Variable Coefficient Std. Error t-Statistic Prob.

crítico del test al 5% (- 3,413991) PRIME(-1)

D(PRIME(-1))
-0.003049
0.202836
0.001401
0.030000
-2.177319
6.761163
0.0297
0.0000
D(PRIME(-2)) -0.003999 0.030384 -0.131607 0.8953

Rechazo No rechazo D(PRIME(-3))

D(PRIME(-4))
-0.020761
0.106477
0.030208
0.030037
-0.687277
3.544819
0.4921
0.0004
D(PRIME(-5)) -0.011848 0.030206 -0.392229 0.6950
D(PRIME(-6)) 0.127579 0.030208 4.223418 0.0000
D(PRIME(-7)) 0.187523 0.029846 6.282958 0.0000

-3,413991 -2,177319
C 0.014372 0.010136 1.417843 0.1565
@TREND("1/05/2000") -3.60E-06 8.30E-06 -0.434409 0.6641

• Igual ocurre con el p-value=0.5013 > 0.05 R-squared

Adjusted R-squared
S.E. of regression
0.140612
0.133370
0.071836
Mean dependent var
S.D. dependent var
Akaike info criterion
-0.005102
0.077166
-2.419619

No se rechaza Ho…hay evidencia estadística Sum squared resid

Log likelihood
5.511374
1314.175
Schwarz criterion
Hannan-Quinn criter.
-2.373396
-2.402115
F-statistic 19.41609 Durbin-Watson stat 2.012929
suficiente que indica que la serie tiene raíz unitaria Prob(F-statistic) 0.000000
 1) Raiz unitaria de tasa FED t PRIME en primeria diferencia
Null Hypothesis: D(FED) has a unit root Null Hypothesis: D(PRIME) has a unit root
Exogenous: None Exogenous: None
Lag Length: 7 (Automatic - based on SIC, maxlag=21) Lag Length: 6 (Automatic - based on SIC, maxlag=21)

t-Statistic Prob.* t-Statistic Prob.*

Augmented Dickey-Fuller test statistic

Test critical values: 1% level
-7.031896
-2.567111
0.0000 • Ambas son I(1) Augmented Dickey-Fuller test statistic
Test critical values: 1% level
-7.402414
-2.567109
0.0000

5% level -1.941117 5% level -1.941117

10% level -1.616501 10% level -1.616502

*MacKinnon (1996) one-sided p-values. *MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Augmented Dickey-Fuller Test Equation

Dependent Variable: D(FED,2) Dependent Variable: D(PRIME,2)
Method: Least Squares Method: Least Squares
Date: 10/15/21 Time: 21:26 Date: 10/15/21 Time: 21:26
Sample (adjusted): 3/08/2000 10/21/2020 Sample (adjusted): 3/01/2000 10/21/2020
Included observations: 1077 after adjustments Included observations: 1078 after adjustments

Variable Coefficient Std. Error t-Statistic Prob. Variable Coefficient Std. Error t-Statistic Prob.

D(FED(-1)) -0.511690 0.072767 -7.031896 0.0000 D(PRIME(-1)) -0.407821 0.055093 -7.402414 0.0000
D(FED(-1),2) -0.591831 0.071659 -8.258993 0.0000 D(PRIME(-1),2) -0.386796 0.055070 -7.023770 0.0000
D(FED(-2),2) -0.616340 0.069959 -8.809995 0.0000 D(PRIME(-2),2) -0.389617 0.051796 -7.522204 0.0000
D(FED(-3),2) -0.549568 0.066384 -8.278641 0.0000 D(PRIME(-3),2) -0.409714 0.048523 -8.443716 0.0000
D(FED(-4),2) -0.499390 0.061167 -8.164417 0.0000 D(PRIME(-4),2) -0.302548 0.043480 -6.958407 0.0000
D(FED(-5),2) -0.441406 0.054264 -8.134421 0.0000 D(PRIME(-5),2) -0.314297 0.037223 -8.443609 0.0000
D(FED(-6),2) -0.252493 0.043769 -5.768750 0.0000 D(PRIME(-6),2) -0.186557 0.029848 -6.250213 0.0000
D(FED(-7),2) -0.125315 0.029111 -4.304677 0.0000
R-squared 0.421475 Mean dependent var 6.07E-19
R-squared 0.560211 Mean dependent var -4.64E-05 Adjusted R-squared 0.418234 S.D. dependent var 0.094333
Adjusted R-squared 0.557331 S.D. dependent var 0.143257 S.E. of regression 0.071951 Akaike info criterion -2.419177
S.E. of regression 0.095314 Akaike info criterion -1.855886 Sum squared resid 5.544585 Schwarz criterion -2.386821
Sum squared resid 9.711548 Schwarz criterion -1.818880 Log likelihood 1310.936 Hannan-Quinn criter. -2.406924
Log likelihood 1007.395 Hannan-Quinn criter. -1.841872 Durbin-Watson stat 2.011965
Durbin-Watson stat 1.996457
 2) Hallando los errores de la regresión tasa Prime con tasa Fed
OPCIÓN MCO: Contraste de Phillips-Oularis

Cointegración
• Realizando una regresión MCO a las dos series no
estacionarias:
• Respecto al set de coeficientes (vector de cointegración), el
estimador MCO sigue presentando buenas propiedades (esto
solo se cumple si las variables presentan relación de equilibrio).
• La estimación MCO de un vector de cointegración es
“superconsistente”, pues el estimador se aproxima
asintóticamente a su verdadero valor.
• Se crea la serie de los residuos
(también con: genr error=resid)
 2) Comprobando el orden de error: Test de raíz unitaria
OPCIÓN MCO: Contraste de Phillips-Oularis

• Test de raíz unitaria a los errores:

• Con la serie en vista
• Se accede a la opción de raíz unitaria
• Se elige el test ADF
• Se aplica el test a la serie en nivel y
sin intercepto
• Por ahora se elige la selección
automática en el numero de rezagos
• Se realiza el test
 2) Comprobando el orden de error: Test de raíz unitaria
OPCIÓN MCO: Contraste de Phillips-Oularis

• Se cumple que no hay autocorrelación y los

indicadores son estadísticamente significativos
• Comparamos el “t” del ADF: -6,892426 con el valor
crítico del test de Phillips-Outliaris al 5%: -3,37

Rechazo No rechazo
-6,892426 -3,37
• Igual ocurre con el p-value=0.000<0.05
• Se rechaza la Ho (hay evidencia estadística
suficiente que la serie NO tiene raíz unitaria al
95% de confianza), es decir, es estacionaria.
(Si Ho se aceptara, la regresión es espuria)

• Esto confirma que ambas series están

cointegradas (La regresión no es espuria)
 2) Comprobando el orden de error: Test de raíz unitaria
OPCIÓN MCO: Contraste de Phillips-Oularis

Cuando se evalúa raíz unitaria a una serie de errores,

los valores críticos adecuados para una prueba de
cointegración se muestran en la tabla a continuación
(Time Series Analysis James D. Hamilton, 1994):
Nota: No se deben usar los que resulten del test ADF

Hay tres conjuntos de valores críticos. Depende de si

los residuos se derivan de la ecuación de regresión:
- Caso 1: sin un término constante

- Caso 2: con un término constante

- Caso 3: con un término constante y una tendencia

temporal.
 2) Efectuando una regresión de cointegración
OPCIÓN COINTREG

Estimación de la relación y
contraste de cointegración
Siguiendo a Engle, R. y C.
Granger (1987) “Co-integration
and Error Correction:
Representation, Estimation, and
Testing,” Econometrica, 55, 251-
276

3 posibles formas de estimar el vector de

cointegración (casos de endogeneidad,
autocorrelación, inercia):
- DOLS (Mínimos cuadrados dinámicos)
- FMOLS (Mínimos cuadrados
completamente modificados).
- CCR (Regresión cointegrada canónica)
 2) Efectuando una regresión de cointegración
OPCIÓN COINTREG

Estimación de la relación y
contraste de cointegración

4 opciones:
- Hansen instability:
Estabilidad de parámetros
- Park added variables:
Variables redundantes
- Phillips Ouliaris: Series no
están cointegradas
2) Efectuando una regresión de cointegración
OPCIÓN COINTREG
Prueba:
-Ho: Series no están cointegradas (no hay
relación de largo plazo)
-Ha: Series si están cointegradas
Regla de decisión:
-Prob.de tau: p_valor>0.05 : No rechazo Ho
-Prob.de tau: p_valor<0.05 : Rechaza Ho

Se rechaza la Ho

Esto confirma que ambas series están cointegradas (La

regresión no es espuria)

Cointegración equilibrio de largo plazo

A corto plazo pueden haber desequilirios

 La cointegración
Cointegración: El largo plazo
• Dado que tasa prime y tasa fed
cointegran en el largo plazo.
• Corresponde interpretar la relación:
• Dado el signo (+) del coeficiente de tasafed,
así como su significancia:
Ante un incremento de 1% en tasafed, tasaprime
aumenta en 0.97%
• Una tasa está afectada por la otra
• Ecuación de largo plazo: View/representations
• Nota 1: En el largo plazo la autocorrelación no es un
problema
• Nota 2: Que se haya encontrado que tasafed es
significativa para explicar a tasaprime, no implica que
tasafed causa a tasabono (Ver causalidad)
 La cointegración
Cointegración: El corto plazo La instrucción de regresión sería
La ecuación de corto plazo se realiza con la dos entonces:
variables en primera diferencia y la serie de errores ls d(Y) c d(X) error(-1)
rezagada en 1 periodo, pues debe capturar los Los resultados deben confirmar:
desajustes entre el largo y corto plazo • El coeficiente de las explicativas
Ecuación de largo plazo: significativo
• El coeficiente de los errores,
significativo (indica que los
Rezagando el error desajustes son corregidos en xx%) y
representa la velocidad de
convergencia entre le corto y el largo
Ecuación de corto plazo plazo
• Ausencia de autocorrelación
• En el corto plazo la
autocorrelación si es un problema
 La cointegración
Cointegración: El corto plazo
La ecuación de corto plazo se realiza con la
dos variables en primera diferencia y la serie
de errores rezagada, pues debe capturar los
desajustes entre el largo y corto plazo

Los resultados deben confirmar:

• El coeficiente de tasafed (+), significativo
• El residuo es un vector de corrección de corto
plazo. El coeficiente de los errores, significativo, Ecuación de corto plazo: View/representations
que indica que los desajustes son corregidos en
31,7%. Si un día prime esta por encima del
promedio, al día siguiente se corrigen en 31.7%
• Ausencia de autocorrelación
• Nota: En el corto plazo la autocorrelación si es un problema
 La cointegración: Proyección

Pronóstico de proyección de error

Con: Forescast

Genera una serie Primef

 La cointegración: Proyección

Comparación de las dos series

Prime
Primef
 La cointegración

Resumen de ecuaciones
(View …. Representaciones)

Largo plazo Corto plazo

(Vector de corrección de errores)
 La cointegración: Causalidad a la Granger (Opción 1)
¿Cómo están cointegradas?
Si efectuamos las regresiones siguientes
podemos tener una primera respuesta:
1->
2->
-Dependientes: Tasa prime y tasa fed en diferencia
-Independiente: error_mco en primer rezago
¿Que significancia tiene el coeficiente de la
independiente?
- Significativo en tasa prime
- Significativo en tasa fed
Entonces hay doble causalidad, tasa fed
determinaría a tasa prime y viceversa
(eso dicen los datos)
 La cointegración: Causalidad a la Granger (Opción 2)
El Test de causalidad
• La correlación no implica necesariamente causalidad en ningún sentido significativo
de esa palabra (puede haber correlación positiva entre los salarios y el consumo de
alcohol, o entre la tasa de mortalidad y la proporción de matrimonios religiosos).
• El enfoque de Granger (1969) es evaluar si Y está caudado por X y por valores
pasados de Y. Si eso ocurre se dice que Y es causado-Granger por X, de forma que X
ayuda en la predicción de Y, o equivalentemente, si los coeficientes del rezago son
estadísticamente significativos.
• La causalidad puede ser bidireccional; X causa-Granger a Y y Y causa-Granger a X.
• Es importante tener en cuenta que la afirmación “causa-Granger" no implica que Y
sea el efecto o el resultado de X.
• La causalidad de Granger mide la precedencia y el contenido de la información, pero
no indica por sí misma la causalidad en el uso más común del término.
 La cointegración: Causalidad a la Granger (Opción 2)
El Test de causalidad
• EViews ejecuta regresiones bivariadas de la forma para todos los pares posibles de
(X,Y) series en el grupo :

• Las estadísticas F reportadas son las estadísticas de Wald para la hipótesis conjunta:

• La hipótesis nula es que X no causa-Granger a Y en la primera regresión y que Y no

causa-Granger a X en la segunda regresión.
• Si el p-valor se rechaza la hipótesis de que una variable no causa a la otra
• Si el p-valor se acepta la hipótesis de que una variable no causa a la otra
 La cointegración: Causalidad a la Granger (Opción 2)
El Test de causalidad
• Las pruebas de la Opción 1 se confirman
con el test de causalidad.
• El test se realiza a las variables en
diferencia (estacionarias)
• El test pone a prueba dos hipótesis:
• Tasa fed no causa a tasa prime
• Tasa prime no causa a tasa fed

Como el p-valor≤ 0.05, ambas hipótesis se

rechazan:
Tasa fed causa Granger a tasa prime y viceversa