Trends and Random Walk in Macroeconomic Time Se-

ries, Nelson and Plosser, Journal of Monetary Economics

(1982)

Introduccin

Es usual descomponer a las variables macroeconmicas

en el componente ciclo y tendencia

Yt = Xt + Ct

donde Xt es la tendencia y Ct es el componente cclico

Si Yt representa el output, entonces Xt es visto en el

dominio de la teora del crecimiento siendo los principales
determinantes los factores reales como la acumulacin del
capital, crecimiento de la poblacin y cambio tecnolgico.
El componente cclico Ct se supone que es transitorio
(estacionario) y ms inuenciado por factores monetarios
(como primeras causas)

Las uctuaciones cclicas se suponen que desaparecen en

el tiempo, entonces cualquier movimiento permanente o
de largo plazo (no estacionario) es necesariamente atribudo
al componente tendencial.

Antes de los 80 estaba la idea que el componente ten-

dencial no uctuaba mucho en perodos cortos (ao o
trimestre), sino que se mova lenta y suavemente com-
parado al componente cclico. Esto condujo a la prc-
tica "detrending" de las series de tiempo mediante mod-
elos de regresin sobre la variable tiempo (lineales en t o
cuadrticos en t, etc).

Los residuos de las regresiones (por ejemplo ^ "t = yt

^ 0 ^ 1t ) eran interpretados como el componente cclico
a ser explicado por la teora del ciclo real (Lucas (1973);
Barro(1978); Sargent (1978), etc).
Qu es lo que cuestionan los autores en el paper?

La tendencia no tiene que ser modelada como una ten-

dencia determinstica. Por ejemplo el proceso random
walk es un proceso estocstico integrado que exhibe un
movimiento tendencial pero que no sigue un sendero de-
terminstico.

Entonces, si los movimientos tendenciales en las series

macroeconmicas son ms bien de naturaleza estocstica
en lugar de determinstica, luego los modelos que basaron
su anlisis en los residuos de un detrending determinstico
son inapropiados por la mala especicacin originada en
la estimacin del componente tendencial.

Entonces, esta mala especicacin del ciclo podra restarle

importancia a los factores reales como determinantes del
componente tendencial.

El trabajo investiga cul es la mejor caracterizacin de

una serie de tiempo macreconmica:
)uctuaciones estacionarias alrededor de una tendencia
determinstica

)proceso no estacionario sin reversin hacia una tenden-

cia determinstica

Testean ambas hiptesis para 14 series histricas de USA

(que comienzan desde 1860 a 1909 y terminan en 1970) y
no pueden rechazar la hiptesis de que la series testeadas
son procesos estocsticos no estacionarios sin reversin
hacia una tendencia determinstica.

En particular, ellos intentan cuestionar la tradicional prc-

tica de descomposicin de las series econmicas y argu-
mentan que si la serie es no estacionaria entonces el com-
ponente tendencial debera ser modelado como un pro-
ceso estocstico responsable de la no estacionariedad en
el largo plazo observada en la serie ya que el componente
cclico se asume que es transitorio. En palabras de los
autores:
"Since cyclical uctuations are assumed to dissipate over
time, any long-run or permanent movement (non-stationarity)
is necessarily attributed to the secular component"

Statistical Background

El tema estadstico bsico es la representacin apropiada

de una serie de tiempo econmica no estacionaria.

Se consideran dos clases diferentes de procesos no esta-

cionarios.

El primero consiste en aquellos que pueden ser expre-

sados como una funcin determinstica del tiempo, lla-
mado tendencia, ms un proceso estocstico estacionario
con media cero. Nos referimos a ellos como Proceso
Estacionario en Tendencia (TS). Se lo llama TS, trend-
stationary, porque cuando una le quita la tendencia (ej. +
t).el resultado es un proceso estacionario.
Se asume, adems de la tendencia lineal, que las desvia-
ciones con respecto a la tendencia tienen una representacin
ARMA estacionario e invertible.

El proceso TS tiene la siguiente forma:

yt = + t + ct (1)

donde ct sigue un proceso ARMA

(L)ct = (L)ut

(1 2 p 2
1L 2L :::: p L )ct = (1 1L 2L
q
:::: q L ) ut

con ut iid(0; 2) y el operador MA es invertible

La segunda clase de proceso no estacionario considerado
es aquella que la primera diferenciacin (o de mayor or-
den) da lugar a un proceso ARMA estacionario e invert-
ible. A este proceso nos referimos como Proceso Esta-
cionario en Diferencia (DS)

El proceso DS tiene la siguiente forma:

(1 L)yt = + dt (2)

(L)dt = (L)ut

con ut iid(0; 2)

El ejemplo ms simple de esta clase es el proceso Random

Walk with drift y dt = ut
Para ver la diferencia fundamental entre TS y DS, ex-
presamos yt en funcin de un punto de referencia en el
pasado (tiempo cero):

t
X
yt = y0 + t + dj (3)
j=1

Entonces los dos tipos de procesos pueden ser escritos

como una funcin lineal del tiempo ms una desviacin
con respecto a la tendencia. En (1) el intercepto est jo,
en cambio en (3) est en funcin de la historia pasada;
y las desviaciones con respecto a la tendencia en (1) son
estacionarias mientras que en (3) son acumulaciones de
cambios estacionarios. Y la acumulacin en (3) es no
estacionaria, la varianza incrementa sin cota a medida
que t se incrementa.

El DS es puramente estocstico mientras que la clase TS

es fundamentalmente determinstico.
Con el n de distinguir an ms los dos procesos (distin-
cin expresada en trminos de las races del AR y MA),
si tomamos la primera diferencia de TS el resultado es

(1 L)yt = + (1 L)ct

(1 L)yt = + (1 L) (L) 1 (L)ut

(L)[(1 L)yt] = (L) + (1 L) (L)ut

(L)[(1 L)yt] = (L = 1) + (1 L) (L)ut

siendo (L = 1) una constante. Esta ltima ecuacin

nos muestra que una raz unitaria estar presente en la
parte MA del proceso ARMA que describe (1 L)yt:

Luego escribiendo el modelo de estacionariedad en difer-

encias en niveles tenemos que

(L)(1 L)yt = (L) + (L)dt

 (L)(1 L)yt = (L = 1) + (L)ut

con una raz unitaria en el proceso AR para la variable yt

Ambos modelos son diferentes, por lo tanto es importante

testear la hiptesis DS contra la hiptesis TS. Y esto se
hace testendo la presencia de raz unitaria. Desafortu-
nadamente, bajo la hiptesis nula existe considerable ev-
idencia que no es vlido la teora asinttica desarrollada
para los modelos ARMA estacionarios e invertibles.

En consecuencia, siguiendo a Dickey (1976) y Dickey y

Fuller(1979 y 1981), Nelson y Plosser emplean un test de
raz unitaria de Dickey-Fuller.

Los test de races unitarias planteados por Dickey (1976)

y Dickey y Fuller(1979 y 1981) en su versin ms simple
testean si la serie en cuestin se comporta bajo la hipte-
sis nula como un random walk ms un drift. Es decir,
considerando el siguiente modelo
yt = + y t 1 + ut

con ut iid(0; 2)

y queremos testear la hiptesis de existencia de raz uni-

taria, por lo tanto establecemos el siguiente test

H0 : =1

H1 : h1 (Integrada de orden cero)

La estrategia de Nelson y Plosser es confrontar ambas

hiptesis en un modelo comn.

Consideran la alternativa ms simple que es un proceso

TS con AR de primer orden con respecto a la desviacin y
un random walk con drift que ambos son casos especiales
de

yt = + t + (1 ut L)
o equivalentemente multiplicando por (1 L)

(1 L)yt = (1 L) + (1 L) t + ut

yt = yt + [(1 ) + ] + (1 ) t + ut

si la hiptesis TS es correcta entonces j j h1 y si la

hiptesis DS es correcta entonces = 1 y la ecuacin
anterior se reduce a

y t = yt + + ut

Entonces evaluan la serie de acuerdo a la siguiente regre-

sin

yt = + y t 1 + t + ut

y testean la hiptesis nula = 1 y = 0 que es equiva-

lente a lo anterior con = 1, lo que equivale a decir que
la serie es estacionaria en diferencia.
Dickey y Fuller tabularon la distribucin del parmetro
; pero Nelson y Plosser realizan simulaciones de Monte
Carlo para estudiar las propiedades de y simultnea-
mente cuando = 0 y 6= 0: Es decir los autores eligen
las ut utilizando un generador de nmeros aleatorios, gen-
eran una serie temporal y luego aproximan dichas ecua-
ciones por OLS y calculan el estadstico t. Este proced-
imiento se repite muchas veces (ellos realizan 500 replica-
ciones) y distribucin del estadstico t resultante, en vez
de ser simtrica respecto de cero, presenta un consider-
able sesgo hacia valores negativos. El 65% de las veces
el valor de este estadstico es menor que -1,96 (el valor
crtico de rechazo al 5%). Entonces si uno usara los val-
ores crticos habituales habria una tendencia a rechazar
la hiptesis nula de no estacionariedad, an cuando fuera
cierta

Pero en un test de Dickey-Fuller el estadstico t se com-

para no con la distribucin t standar sino con la distribu-
cin producida por el experimento Monte Carlo
Luego analizan las autocorrelaciones muestrales y testean
la existencia de raz unitaria en las 14 series de tiempo
y encuentran que la hiptesis nula de raz unitaria no
puede ser rechazada al 5% para la mayora de las series.
La nica exepcin es la tasa de desempleo.

Conclusin

En conclusin, Nelson y Plosser concluyen que la eviden-

cia presentada es consistente con la representacin DS de
las series de tiempo econmicas y que las uctuaciones
econmicas son mejor explicadas por movimientos en el
componente tendencial (causado principalmente por fac-
tores reales como cambios tecnolgicos) ms que el com-
ponente cclico. El argumento es que la mayor parte de

la uctuacin del producto debera ser atribudo a cam-

bios en el componente tendencial, en una descomposicin
tendencia vs ciclo.
Al descomponer el GDP de USA en un componente ten-
dencial (no estacionario) y en un componente cclico (esta-
cionario) concluyen que los shocks asociados a los fac-
tores reales contribuyen fuertemente a la variabilidad del
GDP y que los modelos que se basan en shocks mone-
tarios tienen severas limitaciones en explicar las uctua-
ciones del GDP.

Es decir, la existencia de raz unitaria lleva a inferir que

los movimientos en el producto son persistentes. Y el ar-
gumento es completado con la idea que los shocks mone-
tarios son necesariamente temporarios y por lo tanto solo
pueden afectar el componente cclico y que en el largo
plazo la economa es guiada por factores reales tales como
los tecnolgicos:

"We conclude that macroeconomic models that focus on

monetary disturbances as a source of purely transitory
(stationary) uctuations may never be successful in ex-
plaining a very large fraction of output uctuations and
that stochastic variation due to real factors is an essential
element of any model of economic uctuations".

Bibliografa

Hamilton James, 1994,Times Series Analysis, Princeton

University Press.

Nelson and Plosser, 1982, Trends and random walks in

macroeconomic time series, Journal of Monetary Eco-
nomics

Romer, David, 2001, Macroeconoma Avanzada, Segunda

Edicin, Mc Graw Hill.