Métodos dependientes de datos para la selección longitudinal de retrasos en pruebas de raíz unitarias con cambio estructural.

• Autores: Quineche Uribe, Ricardo, Rodríguez , Gabriel
• Formato: documento de trabajo
• Fecha de Publicación: 2015
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.pucp.edu.pe:20.500.14657/52503
• Enlace del recurso: http://repositorio.pucp.edu.pe/index/handle/123456789/52503
• Nivel de acceso: acceso abierto
• Materia: Criterios de Información; Detrending por GLS; Estadísticos de Raíz Unitaria; Método Secuencial de lo General a lo Específico t-sig; Rezago; http://purl.org/pe-repo/ocde/ford#5.02.00

En este documento se analiza la elección del rezago (truncación) que se utiliza en la aplicación de estadísticos de raíz unitaria tales como el ADFGLS y los tests MGLS propuestos por Elliott et al. (1996) y Ng y Perron (2001) y extendidos al contexto de cambio estructural por Perron y Rodríguez (2003). Dos modelos son considerados: uno que admite un cambio estructural en la pendiente y el otro que admite un cambio estructural en pendiente e intercepto, Se usan simulaciones de Monte Carlo usando varios métodos para seleccionar el largo del rezago: AIC, BIC, MAIC, MBIC. También se incluye y analiza la performance de la propuesta híbrida sugerida por Perron y Qu (2007) la cual usa MCO en lugar de MCG para eliminar los componentes determinísticos cuando se construyen los criterios de información. Todos estos métodos se comparan con el método secuencial t-sig que está basado en la significancia de los rezagos adicionales que se incluyen en la regresión ADF. Los resultados muestran que los estadísticos MGLS presentan valores (negativos) explosivos asociados con elevados valores del rezago seleccionado cuando AIC, AICOLS y t-sig son utilizados. Los valores son tan negativos que implican un sobre rechazo de la hipótesis nula de una raíz unitaria. En el lado opuesto, seleccionar la longitud del rezago usando MAIC, MAICOLS, MBIC, MBICOLS conduce a valores muy pequeños de los estadísticos M lo que implica resultados muy conservadores, es decir, no rechazo de la hipótesis nula. Estos problemas de potencia no son observados en el caso del estadístico ADFGLS por lo cual es muy recomendable.