Dos series pueden parecer relacionadas porque ambas conservan su propia historia. La persistencia hace que observaciones consecutivas se parezcan y reduce la información nueva que aporta cada dato. Este laboratorio conecta esa memoria con el problema de la regresión espuria: un ajuste convincente entre procesos que se generaron independientemente.

De la reversión a la media a la raíz unitaria

Un proceso autorregresivo de primer orden satisface:

Xt=c+ρXt−1+εt,εt∼iidN(0,1),t=1,…,250.X_t=c+\rho X_{t-1}+\varepsilon_t,\quad \varepsilon_t\overset{\mathrm{iid}}{\sim}N(0,1),\quad t=1,\ldots,250.

Fijamos c=0c=0 y X0=0X_0=0. Para ∣ρ∣<1|\rho|<1, el efecto de un shock decae como ρk\rho^k y la varianza converge a 1/(1−ρ2)1/(1-\rho^2). Con ρ<0\rho<0 la respuesta alterna de signo. Como el inicio es fijo, la trayectoria tiene un transitorio: no parte de la distribución estacionaria.

Cuando ρ=1\rho=1, obtenemos un paseo aleatorio. Sus shocks no se disipan:

Xt=∑j=1tεj,Var⁡(Xt∣X0=0)=t.X_t=\sum_{j=1}^t\varepsilon_j, \qquad \operatorname{Var}(X_t\mid X_0=0)=t.

La varianza crece linealmente, no exponencialmente. Una raíz unitaria es no estacionaria; se reserva habitualmente «explosivo» para ∣ρ∣>1|\rho|>1, que queda fuera de este experimento.

Persistencia y reversión a la median = 250 · c = 0 · σ² = 1 · X₀ = 0
Var(X₂₅₀ | X₀ = 0)
—
Varianza de largo plazo
—
Semilla de trayectoria
—

Mover ρ conserva las mismas innovaciones para aislar la persistencia. Una nueva trayectoria cambia la semilla. La escala vertical se mantiene al menos en −35…35 para comparar y se amplía si hace falta.

Paseos independientes, regresión engañosa

R²
—
Durbin–Watson (DW)
—
β̂₁
—
Semilla de paseos
—

R² > DW es una señal orientativa, no una prueba formal. No todas las muestras independientes la cumplen. No se seleccionan muestras para forzar el resultado; las semillas permiten reproducir cada realización.

Observaciones simuladas
tAR(1)XₜYₜ

Cuando el ajuste engaña

El segundo gráfico genera dos paseos independientes y ajusta Yt=α+βXt+etY_t=\alpha+\beta X_t+e_t. Como ambos acumulan shocks, pueden producir tendencias coincidentes, una pendiente aparente y un R2R^2 elevado sin un vínculo causal ni un mecanismo común.

Los residuos se mantienen en orden temporal para calcular Durbin–Watson:

DW=∑t=2250(et−et−1)2∑t=1250et2.DW=\frac{\sum_{t=2}^{250}(e_t-e_{t-1})^2}{\sum_{t=1}^{250}e_t^2}.

Residuos muy persistentes tienden a producir un DW pequeño. La comparación R2>DWR^2>DW, asociada a la discusión de Granger–Newbold, sirve aquí como señal orientativa. No es una prueba con un nivel de significación definido, no ocurre en todas las realizaciones y su ausencia tampoco valida la regresión.

Advertencia empírica. Antes de interpretar una regresión en niveles, investigá estacionariedad, tendencias determinísticas y posible cointegración. Diferenciar puede ayudar en algunos procesos, pero modifica la pregunta y no sustituye un diagnóstico. Las semillas cambian de forma reproducible: no se buscan muestras que garanticen una correlación vistosa.

Referencias: BYU–Idaho, ruido blanco y paseos aleatorios y statsmodels, definición de Durbin–Watson.