📊 statistics

Seemingly Unrelated Cointegrating Regressions with Autoregressive Distributed Lag Dynamics: Estimation, Bounds Testing, and Cross-Equation Inference

Este artículo propone un marco de Modelos de Rezagos Distribuidos Autorregresivos y Aparentemente No Relacionados (SUR-ARDL) para paneles de N pequeña que mejora la eficiencia de la estimación y el poder de las pruebas de cointegración al aprovechar las correlaciones de error entre ecuaciones, evitando al mismo tiempo las distorsiones de muestra finita de los estimadores de la matriz de covarianza de largo plazo, tal como se demuestra mediante pruebas teóricas, simulaciones de Monte Carlo y una aplicación al nexo entre energía renovable y crecimiento en los países de la ASEAN.

Autores originales: Muhammad Afnan Arif, Fumitaka Furuoka

Publicado 2026-08-18

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Muhammad Afnan Arif, Fumitaka Furuoka

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La economía a menudo parece el estudio de islas aisladas. Cuando los investigadores analizan cómo crece la economía de un país, suelen construir un modelo para esa nación individual, tratando su historia como una historia que se desarrolla en el vacío. Se preguntan: ¿el aumento de la energía conduce a una mayor riqueza? ¿Abre el comercio la puerta a la prosperidad? Pero en el mundo real, las naciones no son islas. Son parte de un vasto y conectado archipiélago. Una sacudida en los precios del petróleo en Oriente Medio repercute en Asia; una crisis financiera en una capital envía temblores a sus vecinos; los patrones climáticos compartidos y las rutas comerciales unen sus destinos. Durante décadas, los estadísticos han luchado por capturar esta red de conexiones sin perder el carácter único de cada país. Las herramientas estándar a menudo obligaban a los investigadores a ignorar las conexiones entre naciones o a construir modelos tan complejos que colapsarían bajo su propio peso al aplicarse a un grupo pequeño de países.

Este es el problema que aborda un nuevo marco estadístico desarrollado por Muhammad Afnan Arif y Fumitaka Furuoka, de la Universidad de Malaya. Su trabajo se centra en un tipo específico de relación económica llamada cointegración. En términos sencillos, la cointegración describe un vínculo a largo plazo entre dos o más variables económicas que se mueven juntas a lo largo del tiempo, incluso si se separan en el corto plazo. Piense en un perro paseando con correa junto a su dueño. El perro puede adelantarse, quedarse atrás o dar vueltas, pero nunca se aleja demasiado porque la correa lo mantiene sujeto al dueño. En economía, variables como el consumo de energía y el producto interno bruto suelen comportarse de esta manera, derivando juntas a lo largo de las décadas a pesar de las fluctuaciones diarias. El desafío ha sido probar esta "correa" al observar un grupo de países simultáneamente, especialmente cuando los datos son desordenados y las conexiones entre los países son fuertes.

Los autores proponen una nueva forma de analizar estos datos, que llaman un sistema de "Autorregresión de Distribución de Retrasos de Apariencia No Relacionada" (Seemly Unrelated Autoregressive Distributed Lag). El nombre es difícil de pronunciar, pero el concepto es sencillo. Toman un método probado para analizar la historia económica de un solo país y lo expanden para manejar un grupo entero de países a la vez. La innovación clave es cómo manejan el "ruido" en los datos. En los métodos anteriores, intentar dar cuenta de las conexiones entre muchos países requería calcular un mapa masivo y pesado de cada posible relación, una tarea que a menudo conducía a errores matemáticos o resultados poco fiables, especialmente cuando el número de años de datos no era grande en comparación con el número de países. El nuevo enfoque simplifica esto centrándose únicamente en las conexiones inmediatas, del día a día, entre los errores económicos de los países, en lugar de intentar mapear cada posible efecto dominó a largo plazo. Esta reducción de la complejidad permite que el modelo se mantenga estable y preciso incluso con conjuntos de datos más pequeños, una realidad común en la investigación económica donde las décadas de datos son preciosas.

Para ver si esta nueva herramienta realmente funciona, los investigadores la sometieron a una serie rigurosa de pruebas utilizando simulaciones por computadora. Crearon miles de historias económicas falsas para grupos de países, sabiendo exactamente cuáles eran las relaciones reales, y luego pidieron a su nuevo modelo que las encontrara. Compararon los resultados contra los métodos antiguos y estándar. Los hallazgos fueron claros: el nuevo sistema era significativamente más preciso. Cuando los países del grupo estaban estrechamente vinculados, el nuevo método redujo el margen de error en sus estimaciones hasta en un ochenta por ciento en comparación con la vieja forma de observar cada país de forma aislada. También demostró ser mucho mejor detectando la "correa" de la cointegración. En muchos escenarios simulados donde el método antiguo no lograba ver una relación a largo plazo, el nuevo sistema la detectó de inmediato. Esta es una ventaja crucial porque significa que los investigadores tienen menos probabilidades de perderse vínculos económicos importantes simplemente porque estaban observando los datos un país a la vez.

Los investigadores también probaron el nuevo método con datos del mundo real, aplicándolo a seis naciones del sudeste asiático: Indonesia, Malasia, Filipinas, Singapur, Tailandia y Vietnam. Examinaron la relación entre el consumo de energía renovable y el crecimiento económico desde 1990 hasta 2024. Los resultados ofrecieron un ejemplo sorprendente del poder del método. Al utilizar el enfoque tradicional, los datos de Vietnam sugerían que no había un vínculo a largo plazo entre el uso de energía renovable y el crecimiento económico. Sin embargo, cuando el nuevo sistema analizó los seis países juntos, teniendo en cuenta cómo sus economías se influían entre sí, encontró una conexión fuerte y significativa para Vietnam que el método antiguo había pasado por alto. Del mismo modo, para Malasia, el nuevo método reveló que la velocidad a la que la economía se ajustaba a los cambios era estadísticamente significativa, mientras que el método anterior había dejado el resultado incierto.

Más allá de solo encontrar nuevas conexiones, el sistema permitió a los investigadores plantear preguntas que antes eran imposibles de responder. Ahora podían probar si la velocidad de ajuste económico era la misma en diferentes países. El análisis reveló un patrón distintivo: los países se dividieron en dos grupos. Los productores de combustibles fósiles ajustaban sus economías lentamente, mientras que los importadores de energía se ajustaban rápidamente. Este tipo de conocimiento, que depende de comparar el funcionamiento interno de diferentes naciones simultáneamente, era invisible para los investigadores que utilizaban las antiguas herramientas de un solo país. El estudio concluye que, al tratar a estas naciones como un sistema conectado en lugar de casos aislados, los economistas pueden construir una imagen más clara y precisa de cómo interactúan la energía y la riqueza en el mundo real. El método no ofrece solo una ligera mejora; abre la puerta para ver dinámicas económicas que antes estaban ocultas en el ruido del análisis aislado.

Resumen Técnico: Regresiones de Seemingly Unrelated Cointegrating con Dinámicas de Autoregressive Distributed Lag

Planteamiento del Problema
El artículo aborda la estimación e inferencia de relaciones de cointegración en entornos de datos de panel donde la dimensión transversal ( $N$ ) es pequeña en relación con la dimensión de la serie temporal ( $T$ ). Si bien la literatura ha desarrollado marcos de Regresión de Sistemas de Ecuaciones Simultáneas (SUR) para la cointegración —específicamente estimadores Completamente Modificados (FM) como FM-SOLS y FM-SUR (Park & Ogaki, 1991; Wagner et al., 2020) y FM-GLS (Lin & Reuvers, 2025)—, estos enfoques comparten una limitación práctica crítica: la "maldición de la dimensionalidad". Los métodos existentes requieren la estimación consistente de grandes matrices de covarianza de largo plazo de $2N \times 2N$ . Esto requiere métodos basados en kernels con selección de ancho de banda, lo que conduce a severas distorsiones en muestras finitas, altas tasas de fallo en la invertibilidad de la matriz (que superan el 50% en algunas simulaciones) y distorsiones significativas en el tamaño de las pruebas de hipótesis cuando $N$ aumenta en relación con $T$ .

Metodología
Los autores proponen un marco de Seemingly Unrelated Autoregressive Distributed Lag (SUR-ARDL). Este enfoque integra la especificación de error de corrección de ecuación única de Pesaran et al. (2001) dentro de un sistema SUR de Zellner (1962).

Especificación del Modelo: El marco modela un sistema de $N$ ecuaciones donde cada unidad $i$ sigue un proceso ARDL( $p_i, q_{1,i}, \dots, q_{K,i}$ ). El modelo se reparametriza en una forma de corrección de error condicional (ECM) que separa los parámetros de nivel de largo plazo de los ajustes dinámicos de corto plazo.
Estrategia de Estimación: A diferencia de los estimadores FM que dependen de correcciones semiparamétricas para la correlación serial y la endogeneidad, el enfoque SUR-ARDL utiliza la estructura de rezagos paramétricos del modelo ARDL para absorber estos problemas. En consecuencia, el estimador solo requiere la matriz de covarianza contemporánea de $N \times N$ ( $\Omega$ ), en lugar de la matriz de covarianza de largo plazo de $2N \times 2N$ ( $\Omega_{LR}$ ).
Mínimos Cuadrados Generalizados Factibles (FGLS): La estimación procede en dos pasos:
1. OLS ecuación por ecuación para obtener los residuales.
2. Construcción de la matriz de covarianza contemporánea estimada $\hat{\Omega}$ y aplicación de FGLS al sistema apilado.
Inferencia:
- Pruebas de Límites (Bounds Testing): El artículo deriva la distribución de nulidad asintótica del estadístico $F$ de límites basado en SUR. Demuestra que el estadístico hereda la "propiedad de límites" (valores críticos acotados entre los casos de puro $I(0)$ y puro $I(1)$ ) independientemente del orden de integración de los regresores.
- Inferencia entre Ecuaciones: El marco permite realizar pruebas Wald para hipótesis entre ecuaciones, incluyendo la comparabilidad de coeficientes (poolability), la igualdad de coeficientes de largo plazo y la homogeneidad de la velocidad de ajuste, utilizando la matriz de varianza-covarianza conjunta del sistema.

Contribuciones Clave
El artículo realiza cinco contribuciones específicas a la literatura de cointegración SUR:

Teoría Asintótica: Establece que el estimador FGLS de SUR-ARDL logra una distribución límite de normalidad mixta libre de términos de sesgo de segundo orden, ya que la estructura de rezagos ARDL elimina paramétricamente los sesgos sin necesidad de correcciones semiparamétricas.
Validez de las Pruebas de Límites: Demuestra que el estadístico $F$ de límites de SUR retiene la propiedad de límites de Pesaran et al. (2001) y es monótonamente creciente en la correlación entre ecuaciones, proporcionando una base formal para las ventajas de potencia de las pruebas basadas en sistemas.
Pruebas de Hipótesis entre Ecuaciones: Desarrolla pruebas Wald de chi-cuadrado para la comparabilidad de coeficientes y la igualdad de coeficientes entre ecuaciones, capacidades ausentes en los métodos de ecuación única.
Reducción de Dimensionalidad: Al reducir la estimación de parámetros molestos de covarianzas de largo plazo de $O(N^2)$ a covarianzas contemporáneas de $O(N^2)$ (específicamente $N \times N$ frente a $2N \times 2N$ ), el método elimina la principal fuente de distorsión en muestras finitas encontrada en los enfoques FM-SUR y FM-GLS.
Evidencia de Simulación Exhaustiva: Un estudio de Monte Carlo (7 experimentos, 5,000 replicaciones) valida las propiedades de muestra finita, mostrando una estimación de covarianza fiable con cero fallos de invertibilidad incluso en configuraciones donde el FM-SUR falla.

Resultados
Las simulaciones de Monte Carlo y la aplicación empírica arrojan los siguientes resultados:

Eficiencia: El estimador SUR-ARDL logra reducciones del Error Cuadrático Medio (RMSE) del 15 al 80% para el parámetro de corrección de error ( $\lambda$ ) en comparación con el OLS de ecuación única, con ganancias que aumentan en $N$ , $T$ y la correlación entre ecuaciones ( $\rho$ ).
Tamaño y Potencia: La prueba de límites exhibe un buen tamaño cuando se utilizan valores críticos de bootstrap, aunque los valores críticos tabulados de PSS pueden ser liberales para $N \geq 5$ con una correlación fuerte. La prueba demuestra ganancias sustanciales de potencia (hasta 30 puntos porcentuales) sobre los métodos de ecuación única, particularmente en la detección de cointegración cuando la velocidad de ajuste es moderada.
Estimación de la Covarianza: La matriz de covarianza contemporánea de $N \times N$ es estimable de forma fiable con cero fallos de invertibilidad en todas las configuraciones, contrastando marcadamente con las altas tasas de fallo en la estimación de la covarianza de largo plazo de los marcos FM-SUR existentes.
Aplicación Empírica: Aplicado al nexo entre energía renovable y crecimiento económico en seis países de la ASEAN (1990–2024), el enfoque SUR-ARDL:
- Redujo los errores estándar entre un 17 y un 41% en comparación con OLS.
- Detectó cointegración en Vietnam donde los métodos de ecuación única fallaron.
- Reveló una estructura de dos clústeres de velocidades de ajuste (productores de combustibles fósiles de ajuste lento frente a importadores de energía de ajuste rápido) mediante pruebas de hipótesis entre ecuaciones.

Significancia y Reclamaciones
El artículo afirma que el marco SUR-ARDL extiende la aplicabilidad práctica del análisis de cointegración basado en sistemas a entornos donde $T$ es moderado en relación con $N$ , un régimen en el que los métodos FM-SUR existentes suelen ser inviables debido a problemas de invertibilidad de matrices. Al aprovechar la eficiencia paramétrica de la especificación ARDL, el método evita la necesidad de una estimación semiparamétrica de la covarianza de largo plazo, eliminando así la principal fuente de distorsión en muestras finitas de la literatura actual de cointegración SUR. Los autores enfatizan que el enfoque ofrece una alternativa robusta para paneles de $N$ pequeño, proporcionando tanto ganancias de eficiencia en la estimación como la capacidad única de probar restricciones entre ecuaciones que son imposibles de testear en análisis de ecuación por ecuación.

El artículo señala limitaciones, específicamente que los errores estándar del método delta para los coeficientes de largo plazo (razones de parámetros) pueden ser poco fiables en muestras pequeñas o cuando la velocidad de ajuste es débil, sugiriendo la necesidad de procedimientos de inferencia alternativos como conjuntos de confianza de Fieller o bootstrapping en trabajos futuros. También reconoce que, si bien el método maneja $N$ pequeño a moderado, podrían requerirse estimadores de contracción (shrinkage) para $N$ más grande.

Más como este