Cointegración en series de tiempo

Cointegración es un concepto fundamental en el análisis de series temporales y la econometría que describe la relación de equilibrio a largo plazo entre dos o más series no estacionarias. Cuando las series individuales presentan tendencias estocásticas (como una caminata aleatoria) pero una combinación lineal de ellas resulta estacionaria, se dice que están cointegradas. Este fenómeno permite distinguir entre correlaciones espurias y relaciones económicas estructurales sólidas.

La importancia de la cointegración radica en su capacidad para modelar la dinámica conjunta de variables económicas, como los tipos de cambio, las tasas de interés o los precios de activos financieros. Sin este concepto, el análisis de datos económicos podría llevar a conclusiones erróneas, ya que dos series pueden moverse juntas por simple inercia estadística sin existir un mecanismo de ajuste subyacente que las mantenga vinculadas en el tiempo.

Definición y concepto

La cointegración se define como una propiedad matemática fundamental en el análisis de series de tiempo, aplicable cuando dos o más series comparten una tendencia estocástica común. Este concepto es esencial para comprender el comportamiento de variables económicas que, aunque individuales son no estacionarias, presentan una relación de equilibrio a largo plazo. Formalmente, si un conjunto de variables (X1,X2,…,Xk) están cada una integradas de orden d, se dice que están cointegradas si existe una combinación lineal de estas variables que resulta en una serie integrada de orden inferior, específicamente de orden 0.

Combinación lineal y estacionariedad

La condición técnica para la cointegración implica la existencia de coeficientes específicos, tales como a, b y c, que al multiplicar las variables correspondientes (por ejemplo, aX+bY+cZ), generan un residuo estacionario. Si las variables originales son procesos integrados de orden 1, denotados como I(1), la combinación lineal resultante debe ser un proceso integrado de orden 0, o I(0). Esta propiedad significa que, a pesar de que las series individuales pueden divergir con el tiempo debido a sus propias tendencias estocásticas, la distancia entre ellas permanece acotada alrededor de una media constante.

Esta definición formal permite distinguir la cointegración de la simple correlación o de la tendencia determinista. Mientras que las tendencias deterministas siguen una trayectoria fija (como una línea recta), las tendencias estocásticas implican que los shocks aleatorios tienen efectos permanentes sobre el nivel de la serie. La cointegración, por tanto, captura la dinámica donde estos shocks afectan a las series de manera conjunta, manteniendo una relación de equilibrio estadístico. La identificación de esta propiedad es crucial para evitar el fenómeno de la "regresión espuria" en la teoría econométrica, asegurando que las relaciones observadas entre variables macroeconómicas sean estadísticamente significativas y no meras coincidencias temporales.

¿Por qué las series económicas no son estacionarias?

Las series de tiempo económicas presentan comportamientos estadísticos complejos que desafían los supuestos tradicionales de la econometría clásica. Un obstáculo fundamental para el análisis riguroso de estas variables es la no estacionariedad. Una serie de tiempo se considera estacionaria cuando sus propiedades estadísticas, como la media y la varianza, permanecen constantes a lo largo del tiempo. Sin embargo, las variables macroeconómicas raras veces exhiben esta estabilidad, lo que genera problemas significativos en la inferencia estadística y puede conducir a resultados engañosos, conocidos comúnmente como regresiones espurias.

Evidencia empírica de Nelson y Plosser

El entendimiento moderno sobre la dinámica de las series económicas se vio transformado por el trabajo influyente de Charles Nelson y Charles Plosser, publicado en 1982. En su estudio seminal, estos investigadores proporcionaron evidencia estadística contundente de que numerosas series macroeconómicas de Estados Unidos, tales como el Producto Nacional Bruto (PNB), los salarios y el empleo, poseen tendencias estocásticas. Este hallazgo fue crucial porque demostró que las fluctuaciones en estas variables no son meras desviaciones temporales alrededor de una media fija, sino que contienen una componente aleatoria acumulativa que afecta su trayectoria a largo plazo.

Nelson y Plosser mostraron que los procesos de raíz unitaria tienen propiedades estadísticas no estándar, lo que implica que los métodos convencionales de la teoría econométrica no se aplican directamente a ellos sin ajustes específicos. Esta distinción entre tendencias deterministas y estocásticas es fundamental para la modelización adecuada de los datos económicos, ya que determina la estrategia correcta para eliminar la no estacionariedad y extraer señales significativas del ruido estadístico.

Procesos integrados de orden 1 (I(1))

Las tendencias estocásticas identificadas por Nelson y Plosser se clasifican técnicamente como procesos unitarios o procesos integrados de orden 1, denotados como I(1). Formalmente, una variable aleatoria es I(1) si es necesaria exactamente una diferencia para convertir la serie en una serie estacionaria. Esto significa que, aunque la serie original pueda divergir con el tiempo debido a la acumulación de shocks aleatorios, sus cambios periodos a periodos (primeras diferencias) tienden a fluctuar alrededor de una media constante.

La identificación de una serie como I(1) es un paso previo esencial para aplicar técnicas avanzadas como la cointegración. Si dos o más series son I(1) y comparten una tendencia estocástica común, existe la posibilidad de que una combinación lineal de ellas sea estacionaria (I(0)). Este concepto permite a los economistas distinguir entre correlaciones temporales y relaciones de equilibrio a largo plazo entre variables económicas, superando así las limitaciones impuestas por la no estacionariedad individual de cada serie.

Historia y desarrollo teórico

El problema de las regresiones espurias

Antes de la formalización de la cointegración, el análisis econométrico de series de tiempo se enfrentaba a un desafío fundamental conocido como la regresión espuria. Este fenómeno ocurre cuando dos o más series de tiempo no estacionarias se relacionan estadísticamente, aunque no exista una conexión causal subyacente, generando un coeficiente de determinación (R2) engañosamente alto. Las propiedades estadísticas no estándar de los procesos de raíz unitaria hacían que los métodos convencionales de la teoría econométrica fueran a menudo inaplicables o produjeran resultados contradictorios, lo que generaba escepticismo sobre la validez de los modelos macroeconómicos tradicionales.

Contribuciones de Nelson y Plosser

Un punto de inflexión en este debate llegó con el trabajo de Charles Nelson y Charles Plosser en 1982. Estos procesos, también denominados procesos unitarios o procesos integrados de orden 1 (I(1)), demostraron que las variables económicas no vuelven automáticamente a una media constante, sino que derivan con el tiempo. Esta caracterización fue crucial para entender por qué las series parecían tener relaciones a largo plazo a pesar de su no estacionariedad individual.

Formalización por Engle y Granger

La solución teórica a estas inconsistencias fue desarrollada por Clive Granger y Robert Engle, quienes formalizaron el enfoque del vector de cointegración en 1987. Su trabajo estableció que si dos o más series de tiempo están integradas del mismo orden, puede existir una combinación lineal de estas series que sea de un orden de integración menor, típicamente estacionaria (orden 0). Esto implica que, aunque las variables individuales tengan tendencias estocásticas comunes, comparten una relación de equilibrio a largo plazo. Esta formalización permitió distinguir entre correlaciones temporales y relaciones estructurales profundas, sentando las bases del análisis contemporáneo de series temporales y validando el uso de modelos de corrección de errores en la econometría aplicada.

¿Cómo se prueba la cointegración?

La evaluación empírica de la cointegración requiere técnicas econométricas específicas para determinar si las relaciones a largo plazo entre variables no estacionarias son estadísticamente significativas. El enfoque más fundamental y ampliamente utilizado es el método de dos pasos propuesto por Engle y Granger, que transforma el problema de cointegración en una prueba de estacionariedad sobre los residuos de una regresión lineal.

El método Engle-Granger de dos pasos

Este procedimiento se basa en la lógica de que si dos series temporales están integradas de orden uno, denotadas como I(1), y comparten una tendencia estocástica común, su combinación lineal debe resultar en una serie integrada de orden cero, es decir, estacionaria (I(0)). El primer paso consiste en estimar la ecuación de cointegración mediante el método de mínimos cuadrados ordinarios (MCO). Para dos variables X e Y, se estima la relación:

Yt=α0+β1Xt+εt

Donde εt representa el residuo en el tiempo t. Estos residuos capturan la desviación temporal entre las dos series. Si las series están cointegradas, los residuos no deberían divergir indefinidamente, sino que deberían oscilar alrededor de una media constante.

El segundo paso implica aplicar una prueba de estacionariedad a la serie de residuos εt obtenidos en el primer paso. La prueba más común es la prueba de raíz unitaria de Phillips-Pearson (PP) o la prueba aumentada de Dickey-Fuller (ADF). Si la prueba rechaza la hipótesis nula de raíz unitaria en los residuos, se concluye que los residuos son estacionarios (I(0)), lo que confirma la existencia de una relación de cointegración entre las variables originales.

Es crucial notar que la distribución de los estadísticos en la prueba de los residuos difiere de las distribuciones estándar debido a la no estacionariedad de las variables originales. Por lo tanto, los valores críticos deben ajustarse según el número de variables y la presencia de una constante o tendencia en la ecuación de cointegración.

Otros métodos de prueba

Aunque el método de dos pasos es intuitivo, presenta limitaciones cuando existen más de dos variables o múltiples vectores de cointegración. En estos casos, el método de Johansen ofrece un enfoque de máxima verosimilitud que permite probar la dimensión del espacio de cointegración mediante dos estadísticos principales: la traza y el valor propio máximo. Este método considera todas las variables simultáneamente dentro de un modelo de retardo estructural (VAR), proporcionando una prueba más robusta para sistemas multivariados complejos.

Adicionalmente, existen pruebas de cointegración basadas en la densidad espectral, como la prueba de Hansen y cointegración por medio de modelos de corrección de errores (VEC), que son útiles cuando se busca analizar tanto la dinámica de corto plazo como la relación de equilibrio a largo plazo. Sin embargo, la validación inicial mediante residuos estacionarios sigue siendo el pilar metodológico para identificar la propiedad de tendencia estocástica común descrita por Nelson y Plosser en sus estudios sobre series macroeconómicas.

Ejercicios resueltos

La comprensión práctica de la cointegración se facilita mediante ejemplos teóricos que ilustran cómo series no estacionarias pueden compartir una relación de equilibrio a largo plazo. A continuación, se presentan ejercicios que aplican la definición formal: si variables son integradas de orden 1, su combinación lineal puede ser estacionaria (orden 0).

Ejercicio 1: Relación entre precios de contado y futuros

Considere dos series de tiempo: el precio de contado (St) y el precio futuro (Ft) de un activo financiero. Supongamos que ambas series son procesos integrados de orden 1, denotados como St∼I(1) y Ft∼I(1). Esto implica que, por separado, presentan tendencias estocásticas y sus medias y varianzas cambian con el tiempo.

En un mercado eficiente, la diferencia entre el precio futuro y el precio de contado (el "spread" o prima) tiende a fluctuar alrededor de una media constante a largo plazo. Definimos la serie de residuos ϵt como:

ε t = F t − S t

Si la serie ϵt es estacionaria, es decir, ϵt∼I(0), entonces decimos que St y Ft están cointegrados. Esto significa que, aunque ambos precios pueden diverger temporalmente, existen fuerzas de mercado que los mantienen vinculados mediante una tendencia estocástica común.

Ejercicio 2: Verificación matemática de la combinación lineal

Dadas dos series Xt e Yt, ambas I(1), se desea probar si están cointegradas mediante el método de dos pasos. Primero, se estima la relación de equilibrio mediante regresión ordinaria de mínimos cuadrados (OLS):

Y t = α + β X t + ε t

Los residuos estimados son ϵ^t=Yt−(α^+β^Xt). Para confirmar la cointegración, se aplica una prueba de raíz unitaria (como la prueba de Dickey-Fuller aumentada) sobre ϵ^t. Si el estadístico de prueba rechaza la hipótesis nula de raíz unitaria, entonces ϵ^t∼I(0), lo que confirma que existe una combinación lineal estacionaria entre Xt e Yt.

Ejercicio 3: Interpretación económica de la tendencia común

El hallazgo de Nelson y Plosser (1982) de que series como el PNB y los salarios son I(1) sugiere que, sin cointegración, las relaciones económicas podrían ser "relaciones espurias". Sin embargo, si el PNB (Gt) y los salarios (Wt) están cointegrados, existe una relación de largo plazo estable. La cointegración implica que desviaciones temporales entre estas variables son corregidas por mecanismos de ajuste, evitando que la diferencia entre ellas crezca indefinidamente. Esta propiedad es fundamental para la modelización de vectores de error (VECM) y para la política económica basada en datos de series temporales.

Aplicaciones en análisis de series temporales

La cointegración representa una herramienta fundamental en el análisis contemporáneo de series temporales, especialmente cuando se trabaja con conjuntos de datos de longitud limitada, una condición frecuente en la economía. Su importancia radica en la capacidad de capturar relaciones de equilibrio a largo plazo entre variables que, individualmente, pueden parecer no estacionarias. Esta propiedad permite a los economistas identificar si dos o más series comparten una tendencia estocástica común, lo que implica que, a pesar de sus fluctuaciones individuales, mantienen una relación estable a lo largo del tiempo. Esto es crucial para evitar conclusiones erróneas derivadas del análisis de series que, aunque correlacionadas, podrían divergir indefinidamente sin una fuerza restauradora subyacente.

Comparación con la diferenciación estándar

Antes del desarrollo de la teoría de la cointegración, el enfoque predominante para manejar series no estacionarias era la diferenciación estándar, a menudo aplicada dentro del marco de los mínimos cuadrados ordinarios (MCO). Este método consiste en restar el valor anterior de la serie para obtener una serie estacionaria. Sin embargo, este procedimiento puede resultar en una pérdida significativa de información sobre la relación de largo plazo entre las variables. Al diferenciar, se elimina la tendencia común, lo que puede llevar a la aparición del conocido problema de la "serie temporal espuria", donde las variables parecen tener una relación significativa estadísticamente, pero esta podría ser el resultado de sus tendencias individuales más que de una conexión estructural profunda.

La cointegración ofrece una alternativa más robusta. En lugar de simplemente diferenciar las series hasta alcanzar la estacionariedad, el método identifica una combinación lineal específica de las series que resulta estacionaria. Formalmente, si las series están integradas de orden 1, la existencia de coeficientes tales que la combinación lineal de estas series sea integrada de orden 0 indica cointegración. Este enfoque preserva la información de la relación de equilibrio a largo plazo mientras controla las fluctuaciones de corto plazo. Así, la cointegración permite a los analistas distinguir entre una correlación temporal y una relación estructural más profunda, mejorando la precisión de los modelos econométricos y la validez de las inferencias estadísticas en contextos de datos limitados.

¿Qué diferencia la cointegración de la correlación simple?

La distinción fundamental entre la cointegración y la correlación simple radica en la naturaleza de la relación subyacente entre las series de tiempo y su comportamiento a largo plazo. La correlación simple mide la fuerza de la relación lineal entre dos variables en un periodo dado, pero no garantiza que dicha relación se mantenga estable cuando las series presentan tendencias. En cambio, la cointegración identifica una relación de equilibrio estadístico que persiste a lo largo del tiempo, evitando así el problema de las "correlaciones espurias" que surgen cuando se analizan series no estacionarias sin considerar su estructura de raíz unitaria.

El problema de las tendencias estocásticas

Cuando dos series de tiempo, como el producto nacional bruto y los salarios, crecen debido a tendencias estocásticas comunes, pueden mostrar una alta correlación simple incluso si no existe una relación económica profunda entre ellas. Charles Nelson y Charles Plosser (1982) demostraron que muchas series macroeconómicas de los Estados Unidos son procesos integrados de orden 1, denotados como I(1). Esto significa que, aunque las series individuales son no estacionarias, sus diferencias primeras tienden a ser estacionarias. Sin embargo, si se aplica una regresión lineal simple entre dos series I(1) sin considerar su cointegración, los residuos de la regresión pueden seguir siendo no estacionarios, lo que lleva a resultados estadísticos engañosos, conocidos como correlaciones espurias.

Estacionariedad de los residuos y equilibrio a largo plazo

La cointegración resuelve este problema al exigir que exista una combinación lineal de las series I(1) que resulte en una serie estacionaria, es decir, integrada de orden 0 (I(0)). Formalmente, si las variables X, Y y Z son I(1), y existen coeficientes tales que la combinación aX + bY + cZ es I(0), entonces las variables están cointegradas. Esta propiedad implica que, aunque las variables puedan desviarse temporalmente entre sí, existen fuerzas de ajuste que las devuelven a una relación de equilibrio a largo plazo. Clive Granger y Robert Engle formalizaron este enfoque en 1987, estableciendo que la cointegración no solo describe la relación estadística, sino que también proporciona una base teórica para el análisis econométrico de series de tiempo con tendencias estocásticas.

Implicaciones metodológicas

La identificación de la cointegración permite el uso de métodos como el de Engle-Granger de dos pasos, que prueba la estacionariedad de los residuos de la relación de equilibrio. A diferencia de la correlación simple, que puede ser volátil y sensible a cambios estructurales, la cointegración ofrece una medida más robusta de la relación subyacente entre variables económicas. Esto es crucial en el análisis contemporáneo de series temporales, donde la distinción entre tendencias deterministas y estocásticas determina la validez de las inferencias estadísticas. La cointegración, por tanto, no solo evita las correlaciones espurias, sino que también proporciona un marco para modelar dinámicas de ajuste de largo plazo en datos macroeconómicos.

Preguntas frecuentes

¿Qué significa que dos series están cointegradas?

Significa que, aunque cada serie individual puede tener una tendencia propia y no volver a la media (no estacionaria), existe una combinación lineal específica de ambas que sí es estacionaria. Esto indica que las series no se alejan indefinidamente una de la otra, manteniendo una relación de equilibrio a largo plazo.

¿Por qué es importante la cointegración en economía?

Es crucial porque permite identificar relaciones de equilibrio duraderas entre variables económicas. Ayuda a evitar el problema de la "regresión espuria", donde dos series parecen correlacionadas simplemente porque ambas crecen con el tiempo, cuando en realidad podrían estar gobernadas por diferentes factores fundamentales.

¿Cuál es la diferencia entre correlación y cointegración?

La correlación mide la relación lineal entre las variaciones de dos series en un periodo dado, mientras que la cointegración mide si existe una relación de equilibrio estable a largo plazo. Dos series pueden estar altamente correlacionadas pero no cointegradas (la relación se rompe con el tiempo), o estar cointegradas con una correlación moderada.

¿Cómo se prueba si dos series están cointegradas?

Las pruebas más comunes son la prueba de Engle-Granger y la prueba de Johansen. La primera es útil para pares de series, analizando los residuos de la regresión entre ellas. La segunda permite analizar múltiples series simultáneamente mediante el análisis de valores propios de la matriz de la matriz de transición del proceso.

¿Qué es una regresión espuria?

Es un fenómeno estadístico donde dos series temporales no estacionarias parecen tener una relación significativa (alto R-cuadrado) en una regresión simple, aunque no exista una relación causal real entre ellas. La cointegración ayuda a determinar si la relación observada es real o simplemente un artefacto estadístico debido a las tendencias comunes.

Resumen

La cointegración es una propiedad estadística clave en el análisis de series temporales que identifica relaciones de equilibrio a largo plazo entre variables no estacionarias. A diferencia de la correlación simple, que puede ser engañosa en datos económicos con tendencias, la cointegración asegura que las variables no se alejen indefinidamente una de la otra. Su desarrollo teórico, impulsado por economistas como Engle y Granger, ha transformado la econometría, permitiendo modelos más robustos para la predicción y la inferencia causal en finanzas y macroeconomía.

Véase también

Referencias

#Estadística #economía #series de tiempo #Engle-Granger