1

MODELOS ARIMA:

Anlisis de estacionariedad de una serie

INTRODUCCIN

Las etapas que habitualmente implica la estimacin de un modelo ARIMA son:

1. Anlisis de la estacionariedad de la serie:
a. Estacionariedad en media:
i. Deteccin: presencia de tendencias deterministas (no estacionariedad en media) por
observacin grfica
ii. Correccin: aplicacin de filtros de tendencia
b. Estacionariedad en varianza:
i. Deteccin: aplicacin de tests de Races Unitarias
ii. Correccin: integracin de la serie
2. Anlisis de la estacionalidad de la serie estacionaria y eventual filtrado de la estacionalidad
3. Identificacin de la estructura ARIMA para la serie estacionaria y (eventualmente filtrada de
estacionalidad)
4. Estimacin de los parmetros del modelo ARIMA
Este texto se centrar en el primero de los puntos entendiendo que la cuestin de la estacionalidad
ha sido ya analizada con anterioridad en asignaturas introductorias a la econometra y dejando las
cuestiones relativas a la identificacin y la estimacin para un tercer documento.

ESTACIONARIEDAD DE LAS SERIES I: Estacionariedad en MEDIA

El anlisis practico de la estacionariedad de las series temporales
Queda clara que la aproximacin a los procesos estocsticos con modelos AR o MA est
restringida, en trminos generales, a aquellos procesos estocsticos que cumplan, al menos de
forma dbil, la condicin de estacionariedad 1. As pues debemos analizar la estacionariedad de las
series temporales analizadas antes de proceder a la identificacin de la estructura del proceso
estocstico AR MA.

Cmo verificamos si la serie a analizar es estacionaria en media?

La no estacionariedad en media recibe vulgarmente el nombre de tendencia aunque,

tcnicamente, debera utilizarse el trmino tendencia determinista diferencindose de lo que ms
adelante denominaremos tendencia aleatoria. Identificar tendencias deterministas en las series
suele ser habitualmente muy sencillo: normalmente es suficiente observar el grfico de la serie para
diagnosticar si su valor medio se mantiene constante o, por el contrario, crece o decrece con el
tiempo.

1
La definicin de la estacionariedad se ha revisado en el documento previo Modelos ARIMA I Definiciones bsicas.
 2

Debe recordarse, no obstante, que cuado observamos la estacionariedad en media, nos interesa la
estabilidad de la serie en el medio plazo, independientemente de las variaciones de corto plazo
alrededor de esa tendencia. En este sentido, no debe considerarse como tendencia determinista un
cambio temporal en la media, una fluctuacin que parezca transitoria (Figura 1), sino un cambio
relevante y persistente en la serie que parezca dominar el valor a medio plazo de la media (Figura
2).

Figura1: Serie SIN tendencia determinista Figura 2: Serie con tendencia determinista
(Estacionaria en media ) (No estacionaria en media)

Para el analista, que necesita trabajar con series estacionarias en media, lo interesante es poder
aislar (conservar) esas variaciones eliminando exclusivamente el componente de cambio en la
media: a esta operacin se la denomina filtro de tendencia. En el grfico siguiente (en azul) puede
observarse como la serie original presenta una tendencia lineal creciente que puede ser estimada
(representada) con la lnea discontinua (tendencia); la serie corregida (filtrada) de tendencia
reproduce exactamente las mismas variaciones que la serie original pero sin mostrar tendencia
alguna.
Ejemplo de serie, estimacin de la tendencia y serie filtrada de tendencia
 3

Cmo se genera la serie filtrada de tendencia?

Para realizar un filtro de tendencia, asumiremos simplemente que la tendencia (T t) es un

componente que se agrega a la serie sin tendencia (YST t) generando la serie original (Yt): es decir,
en el grfico anterior, la serie original (en azul) es la suma de los valores de la serie sin tendencia
(en rojo) ms los valores de la tendencia (lnea discontinua):

y t Tt YSTt

Para computar los valores de la tendencia en cada perodo basta con efectuar una regresin simple
de la serie en funcin de una variable de tiempo t (1,2,3,4,): el residuo de esta regresin ser
la serie filtrada de tendencia. La nica decisin a considerar ser el tipo de funcin matemtica que
mejor ajusta la tendencia de la serie (lineal, parablica, exponencial ...) que sea ms conveniente;
trabajaremos con la serie del residuo, que entonces no mostrara tendencia y podremos decir que es
estacionaria en media.

Algunos ejemplos de series con distintos tipos de tendencia: representacin grfica y funcin matemtica
a estimar

y i a tib ui yi a bt ui

y i a b ln(t ) ui y i a b t b t 2 ui

Sobre la eleccin del modelo de tendencia, conviene tener en cuenta algunas cautelas:
 4

1. Debe priorizarse la sencillez en la seleccin del modelo de tendencia: sta debe slo centrarse
en la evolucin a medio plazo de la serie de modo que no es necesario que la tendencia
reproduzca exactamente cada movimiento a corto plazo. Un comportamiento oscilante podra
modelizarse, por ejemplo, con una funcin sinusoidal pero, si este movimiento se produce
alrededor de una media en sencilla progresin creciente, bastar con proponer un modelo
sencillo, montonamente creciente, manteniendo el componente oscilatorio de la serie.

Ajuste de Tendencia Correcto (serie oscilante Ajuste de Tendencia Incorrecto (tendencia

alrededor de una tendencia montonamente sobreparametrizada)
creciente)

2. Si existen dudas sobre el modelo de tendencia a utilizar, pueden probarse especificaciones

alternativas (lineal Vs logartmica, potencial Vs exponencial, por ejemplo) y utilizarse los
resultados de la regresin (R2, porcentaje de error absoluto medio, contrastes t para los
trminos incluidos en la regresin,.) con el fin de valorar cul de las especificaciones ajusta
mejor la evolucin de la serie

3. Las tendencias pueden ser compuestas, es decir, para un determinado perodo de anlisis
pueden combinarse distintos tipos de tendencias (primero lineal creciente, luego lineal
decreciente, por ejemplo)

4. Algunas tendencias pueden no ser lineales por lo que su estimacin con un modelo de
regresin lineal requerir la linealizacin previa de la funcin a estimar si no se conocen
mtodos de estimacin no lineales

5. En presencia de componentes estacionales conviene habitualmente eliminarlos antes de

proceder al anlisis de tendencia

En todo caso, una vez elegido el modelo de tendencia ms adecuado, el procedimiento de filtrado
es bien sencillo:
 5

1. Se estima, conforme al modelo elegido, la regresin de la serie en funcin del tiempo:

En el ejemplo grfico de la pgina 2 de este documento, el ajuste lineal por MCO implica
estimar:

yt a bTt U t

resultando de la estimacin los siguientes parmetros:

y t 150 5Tt

2. La tendencia se corresponde con la serie estimada ( y t ) en tanto que la serie filtrada es

simplemente el residuo de esta regresin, es decir, la serie original ( y t ) menos la

estimacin de la tendencia ( y t ):

YST et y t y t y t 150 5Tt

II.3.- ESTACIONARIEDAD DE LAS SERIES II: Estacionariedad en VARIANZA

Definicin de la no estacionariedad en varianza. Porqu las series deben corregirse de una

varianza no estacionaria: el concepto de tendencias estocsticas

La principal caracterstica que define al componente tendencial es la de presentar efectos

permanentes sobre una serie temporal yt. En el apartado previo vimos series con un componente
tendencial claro, perfectamente, matemticamente determinado, conocido, series que
denominamos con tendencia determinista.

Si observamos algunas series con tendencia, por ejemplo en economa, podramos caer en la
tentacin de calificarlas entre aquellas con tendencias deterministas como las anteriores; sin
embargo, desde la teora econmica sera muy difcil justificar una tendencia determinista: an
existiendo componentes tendenciales importantes desde el punto de vista terico,
seguramente estos no seran de naturaleza determinista, perfectamente conocidos.

Es muy posible, por ejemplo, que la productividad tienda a crecer de forma natural en la medida
en que, con el paso del tiempo, se va produciendo la mejora tecnolgica de los procesos
productivos. Tambin es natural que el valor aadido nominal en servicios tienda a crecer incluso
 6

de forma ligeramente exponencial, reemplazando la renta del sector primario, a medida que una
economa va alcanzando ciertos niveles de desarrollo. Sin embargo, ambos procesos tericos no
se producirn, con total seguridad, de una manera invariable, constante, predecible, determinista,
con el paso del tiempo.

Frente a la tendencia determinista surge por tanto la necesidad de definir un componente

tendencial, con efectos permanentes en la evolucin de la serie analizada, pero de naturaleza
estocstica. El caso ms simple de modelo con tendencia estocstica viene determinado por lo
que se conoce como un paseo aleatorio simple:

yt yt 1 t y t t

con t ruido blanco. La solucin a la anterior ecuacin2:

t
yt y0 i
i 1
expresin que permite comprobar que aunque el paseo aleatorio simple es un proceso
estacionario en media por definicin:

t

E yt E y0 i E y0 y0
i 1

presenta una varianza no constante, que se ampla con el paso del tiempo tendiendo a infinito a
medida que t tambin lo hace.

2 2
t
t
V yt E yt E yt E y0 i y0 E i
2

i 1 i 1

E 1 2 ..... 1 2 1 3 ..... E 1 2 .... t2 t 2
2 2 2 2

Lo ms interesante del paseo aleatorio, si se observa la ecuacin de su solucin recursiva, es que

se observa claramente como cada uno de los shocks t pasados que la serie recibi ( 0, 1, ...
t-1, t) tiene sobre el valor actual y futuro de la serie un efecto permanente, que no se
diluye, y, por tanto, tendencial, pero al tiempo, de naturaleza aleatoria.

El paseo aleatorio con deriva incorpora una constante a0 a la expresin del paseo simple:

yt a0 yt 1 t y t a0 t

2
Si se requiere un mayor detalle en todo lo referente a la formulacin y solucin de ecuaciones en diferencias de este
tipo, puede acudirse al documento Formulacin y solucin de ecuaciones lineales en diferencias con coeficientes
constantes en el contexto del anlisis de series temporales, Documento de Trabajo del Instituto L.R. Klein. Junio
1998, del mismo autor de este documento.
 7

La expresin deriva se aplica con mucho criterio ya que el proceso as definido experimentar una
variacin constante definida por el trmino a 0 dado que la solucin genrica a la anterior ecuacin responde a
la expresin:

t
yt y0 a0t i
i 1

Despus de t perodos, el valor de yt se ve influido por todos los shocks pasados y presentes a travs
t
del trmino de tendencia estocstica
i 1
t y , al mismo tiempo, de forma invariable, tambin permanente,

pero adems perfectamente conocida, por el trmino determinista a0t .

A diferencia del proceso aleatorio simple, la deriva incluida en este otro modelo supone que el
proceso no slo no ser estacionario en varianza sino tampoco en media.

t

E yt E y 0 a0 t i E y 0 a0 t y 0 a 0 t
i 1
2 2
t
t
V y t E y t E y t E y 0 a 0 t i y 0 a 0 t E i
2

i 1 i 1
2 2
2 2

E 1 2 ..... 1 2 1 3 .... E 1 2 .... t t 2
2

Como ya se vio en el tema relativo a la autocorrelacin, la utilizacin de series no estacionarias

incrementa el riesgo de regresiones espurias. Este fenmeno puede entenderse directamente, sin
conocimientos adicionales, si nos referimos a series con tendencia determinista; tras la explicacin previa,
puede entenderse tambin porqu el problema persiste cuando utilizamos series con tendencia aleatoria,
independientemente de si presentan tendencia determinista (cambio en la media) o no.

Cmo se comprueba si una serie es estacionaria en varianza? Orden de integracin

El anlisis grfico no es un instrumento vlido para la deteccin de tendencias estocsticas. Este tipo
de series no estacionarias en varianza, que pueden considerarse por tanto series con tendencia, no tienen
necesariamente una representacin grfica con cambios evidentes en la media, ya que hablamos de no
estacionariedad en varianza, no en media:

Ejemplo de representacin de un paseo aleatorio sin deriva

(serie con tendencia aleatoria)
 8

Puede decirse que, en lo que se refiere al anlisis de la estacionariedad en varianza, el anlisis

grfico slo nos servir para identificar series sin componentes autorregresivos claros, es decir, para
identificar series de progresin aleatoria. Este tipo de series no autocorrelacionadas cruzan constantemente la
media sin dibujar ningn tipo de oscilacin que ocupe varios perodos.

Ejemplo de serie sin componentes de autocorrelacin

Cuando encontramos este tipo de series, es muy probable que estemos ante una serie estacionaria en
varianza. Sin embargo, resulta arriesgado tratar de distinguir grficamente una serie con un claro componente
autorregresivo pero estacionario en varianza, es decir, un proceso AR(p) (Figura 1), de un proceso
autorregresivo no estacionario en varianza (Figura 2).

Figura1: Figura 2:
Proceso AR(2) estacionario en varianza Proceso AR(2) no estacionario en varianza

Sin duda alguna, el test ms sencillo y habitualmente utilizado a la hora de determinar la

estacionariedad de una serie temporal es el test de DickeyFuller (Test DF) o su versin ampliada Dickey-
Fuller Ampliado (Test ADF). Se trata de un contraste de No estacionariedad, es decir, en el que la hiptesis
nula es precisamente la presencia de una raz unitaria 3 en el proceso generador de datos de la serie analizada.

El test DF trata de verificar si una determinada serie y t sigue un paseo aleatorio no estacionario o
alternativamente un proceso autorregresivo estacionario de orden uno:

H0: a1=1 yt a0 yt 1 t (yt No estacionaria en varianza)

3
Ms adelante se explica el origen de este trmino de raz unitaria.
 9

H1: a1<1 yt a0 a1 yt 1 t (yt Estacionaria en varianza)

Se trata, por tanto, de contrastar si el coeficiente a 1 es igual a la unidad o menor que uno. Debe
observarse que las series no estacionarias conforme a un paseo aleatorio, presentan una raz (solucin)
unitaria en su polinomio de retardos. Efectivamente, en la expresin anterior, correspondiente a la hiptesis
nula, el polinomio de retardos resulta ser:

yt yt 1 t yt yt 1 t yt 1 L t
L 1 L

Cuya nica raz es, precisamente la unidad:

L 0 1 L 0 L 1

Esta es la razn por la que habitualmente decimos que las series no estacionarias en varianza son
series con races unitarias. Debe advertirse que, en el caso de procesos autorregresivos de mayor orden, las
series pueden presentar ms de una raz unitaria, lo que se corresponde con la idea de que sus polinomios de
retados (de orden superior a 1) tengan ms de una nica raz igual a la unidad. Por ejemplo, en el caso de un
AR(2), el polinomio de retardos es:

yt 1 yt 1 2 yt 2 t yt 1 yt 1 2 yt 2 t yt 1 1 L 2 L2 t
L 1 1 L 2 L2

De modo que recordando la expresin genrica de las soluciones de un polinomio de grado 2

tenemos un polinomio de retardos:

L 1 1 L 2 L2

cuyas races son:

1 4 2 1 42
2 2

r1 1 y r1 1
22 22

De donde puede deducirse que si los valores de 1 y 2 suman la unidad, ambas races del polinomio
de retardos seran iguales a la unidad:

1 12 42
1 1 42 22 1 1 42 22 1
2 2 2
r1
22
1 42 42 1 412 42 42 412 0 42 (1 2 1 ) 0
2 2 2 2

(1 2 1 ) 0 2 1 1

Para contrastar la nulidad del coeficiente a 1 en el test ADF se realiza primero una sencilla
transformacin del modelo autorregresivo tratando de transformar la hiptesis nula a 1=1 en una hiptesis
clsica t de nulidad del coeficiente.

As, del modelo: yt a0 yt 1 t

pasamos al transformado:
 10

yt yt 1 a0 a1 yt 1 yt 1 t
y t a0 (a1 1) yt 1 t
y t a0 yt 1 t

Donde, por tanto, la hiptesis nula inicial H 0:a1=1 se transforma ahora en H0: =0 frente a H1: <0.
Decir que es nulo es lo mismo que decir que a 1=1, o sea, que existe una raz unitaria, decir que es menor
que cero equivale a decir que a1 es menor que la unidad (proceso autorregresivo estacionario) 4.

Una vez estimado el modelo previo, podramos suponer que el p-value correspondiente al contraste
t de Student sobre el parmetro servira para aceptar o rechazar la hiptesis de nulidad; sin embargo,
Dickey y Fuller demostraron que no podemos utilizar el contraste t habitual sobre la ratio del
parmetro MCO entre su desviacin estndar. La estimacin de a1 en y t a1 y t 1 t ser siempre
consistente pero, sin embargo, su distribucin variar segn los valores que tome la estimacin. Utilizando
las palabras de Novales (1993), la distribucin de probabilidad asinttica del estimador de MCO del modelo
AR(1) presenta una discontinuidad cuando a 1=1 y, como sustituto, debern utilizarse las distribuciones
derivadas de forma emprica mediante un procedimiento de Montecarlo realizado por Dickey (1976). Ms
recientemente, MacKinnon (1991) realiz un nmero mayor de simulaciones que las tabuladas por Dickey y
Fuller. Adems, MacKinnon estim la superficie de respuesta usando los resultados de la simulacin, lo que
permite calcular los valores crticos del test DF para cualquier tamao muestral y cualquier nmero de
variables en el lado derecho de la ecuacin.

En todo caso, el procedimiento de contraste sigue siendo aparentemente sencillo:

1.- Se estima el modelo y t a0 yt 1 t

2.- Se calcula la ratio habitual
DT
3.- Se compara el valor calculado con las distribuciones de DF o MacKinnon para un determinado
nivel de confianza.

4.- Si la ratio calculada supera el valor crtico de tablas, se rechaza la hiptesis de nulidad de , es
decir, se rechaza la hiptesis de presencia de races unitarias (hiptesis de no estacionariedad)

Sin embargo, este procedimiento estndar presenta en este caso algunas peculiaridades. Quiz la ms
importante es que los valores crticos de las tablas DF o MacKinnon dependen de la presencia en el modelo
de trminos deterministas (trmino constante o tendencia determinista). De ese modo, antes de proceder a
contrastar el valor de debe optarse por una de las tres especificaciones siguientes:

(a).- Con tendencia y trmino independiente. y t a0 a1t yt 1 t

(b).- Con trmino independiente. y t a0 yt 1 t
(c).- Sin trminos deterministas. y t yt 1 t

Dolado et al. (1990) y Perron (1990) propusieron, entre otros autores, seguir un proceso en etapas a
fin de garantizar el xito en la eleccin del modelo de referencia en el mayor nmero de ocasiones:

- En primer lugar se estimara el modelo menos restringido (con trmino constante y tendencia
determinista).

- Dado que el principal error de esta tctica inicial consistira en la escasa potencia del contraste
para el rechazo de la hiptesis nula por inclusin de variables irrelevantes, si los valores crticos
indican rechazo (ausencia de raz unitaria), terminaramos el procedimiento.

4
No se considera el caso de procesos autorregresivos explosivos en que a1>1
 11

- En el caso de no rechazarse la hiptesis nula de presencia de una raz unitaria, es decir, en el caso
en que admitamos la presencia de una raz unitaria (H 0: =0) pasaramos ahora a examinar la
significatividad del parmetro tendencial determinista a 1. Dado que, en este punto, estaramos
bajo la hiptesis ya admitida de que =0, utilizaramos el valor de referencia de las tablas DF
para el trmino tendencial (denominado generalmente )5 e incluso, para mayor seguridad,
tambin el contraste conjunto denominado 3 (a1==0).

- Si el trmino tendencial resulta significativo (a 10) contrastaremos de nuevo la presencia de una

raz unitaria (H0: =0) pero utilizando entonces las tablas de una normal estandarizada. Sea cual
sea el resultado del test con las nuevas tablas finalizaramos aqu el contraste admitiendo o
rechazando la presencia de una raz unitaria.

- Si el trmino tendencial es no significativo, deber replantearse el modelo inicialmente estimado

pasndose a examinar otro con trmino constante pero sin esta tendencia determinista. Con este
modelo se vuelve a analizar la presencia de una raz unitaria (=0).

- En el caso en que, nuevamente, se sostenga la presencia de una raz unitaria, se contrastar

entonces la adecuacin del trmino independiente a 0 bien con el contraste , bien con el
contraste conjunto denominado 1 (a0==0) 6. Si el trmino independiente resulta significativo
usamos de nuevo las tablas de una normal para contrastar la presencia de la raz unitaria,
concluyendo de nuevo aqu el contraste.

- Slo si entonces la constante a 0 es no significativa se utiliza el modelo ms simple como modelo

de referencia contrastndose, de nuevo, la presencia de raz unitaria. En este caso, no tiene
cabida el uso de la distribucin normal estandarizada.

5
Por simplicidad expositiva, hemos utilizado en clase para el contraste del trmino tendencial determinista, de forma
aproximada, el valor del p-value correspondiente a la t de Student asumiendo el carcter aproximado del resultado.
En todo caso, la presencia de trminos tendenciales deterministas debera poder observarse grficamente con relativa
sencillez de modo que podra haberse filtrado la serie con carcter previo al anlisis de races unitarias.
6
Nuevamente en este caso, al igual que en el de la tendencia determinista, hemos utilizado en clase para el contraste
del trmino independiente el valor del p-value correspondiente a la t de Student asumiendo el carcter aproximado
del resultado.
 12

En el caso de encontrar una raz unitaria en la serie analizada, cabe preguntarse qu transformacin
requiere la serie para convertirse en una serie estacionaria en varianza. Observando el caso de un paseo
aleatorio simple utilizado en la hiptesis nula, parece sencillo intuir que, si la serie original presenta una raz
unitaria, la serie en primeras diferencias ser una transformada estacionaria en varianza:

yt a0 yt 1 t yt a0 t

Las series que requieren una transformacin en diferencias (integracin) para convertirse en
series estacionarias en varianza se denominan series Integradas de Orden 1, y se representan como
I(1). Si de una serie se dice que es I(0) es evidente que no son necesarias diferencias para lograr la
estacionariedad, es decir, que la serie original ya es estacionaria en varianza.

Puede una serie ser I(2) I(3)?. Es decir, puede una serie tener ms de una raz unitaria?.
Efectivamente, ya vimos anteriormente que en procesos autorregresivos de orden superior a uno cabe la
posibilidad de que exista ms de una raz unitaria. As pues, una vez detectada la primera raz de una serie,
debe repetirse de nuevo el test DF sobre la serie diferenciada una vez, con el fin de localizar una segunda
raz. En el caso de que el test DF detectase esa segunda raz, la serie sera entonces I(2), es decir, necesitara
ser diferenciada 2 veces para convertirse en estacionaria en varianza:

yt I (1) yt I (0)
yt I (2) yt I (1) yt 2 yt I (0)

Efectivamente, cuando una serie que sigue un proceso AR(2), por ejemplo:

yt 1 yt 1 2 yt 2 t

presenta dos races unitarias, su polinomio de retardos puede descomponerse factorialmente en:

L 1 1 L 2 L2 L 1 L 1 L

De modo que la serie original Yt:

yt 1 yt 1 2 yt 2 t
puede representarse como una serie estacionaria mediante la expresin:

Yt L a0 t

o lo que es igual,
yt L a0 t y y 1 L 1 L a0 t 2 yt a0 t
La presencia de ms de una raz unitaria en una serie exige que el proceso generador de datos sea de
orden superior a uno dado que de otra forma el polinomio de retardos slo puede tener una nica raz; sin
embargo, el test DF slo contempla la posibilidad de una modelo AR(1) frente aun paseo aleatorio (de orden
1). Para dar cabida a modelos de orden superior (tanto en la hiptesis nula como en la alternativa), se
propone una versin extendida del test DF que se conoce como test ADF. Para ilustrar el modelo de
contraste del test ADF, supongamos un modelo AR(2) como base del proceso autorregresivo del que se desea
analizar la estacionariedad:

yt a1 yt 1 a2 yt 2 t

En este caso, vimos anteriormente como la presencia de races unitarias se corresponda con la
situacin en la que:

a2 a1 1
 13

de modo que lo que debemos ahora contrastar con el test DF no es ya el valor de uno de los dos
coeficientes sino el de la suma de ambos. Es decir, en este caso, las hiptesis nula y alternativa se definen del
siguiente modo:

H0: a1+ a2=1 yt a0 a1 yt 1 a2 yt 2 t (yt No Estacionaria en varianza)

H0: a1+ a2<1 yt a0 a1 yt 1 a2 yt 2 t (yt Estacionaria en varianza)

Una vez ms, para adaptar el test a una hiptesis clsica de nulidad de un coeficiente, se propone la
expresin:
p
yt a0 yt 1 i yt i1 t
i2
Donde nuevamente, la hiptesis nula a contrastar es H0: =0 frente a H1: <0 dado que no resulta
complejo demostrar que el coeficiente es:

p

1 ai
i 1
siendo:
p
i a j
j 1

As pues, como puede observarse, la presencia de ms de una raz unitaria en una serie exigir aadir
a la regresin del test simple DF trminos retardados de la endgena yt i 1 lo que, por otro lado, servir
para corregir la regresin de contraste de posibles problemas de autocorrelacin.