Comparing cointegration regression estimators: Some additional Monte Carlo results

This paper compares the finite sample performance of two recently proposed cointegrating vector estimators: the canonical cointegration regression estimator (Park [6]) and Stock and Watson's [9] dynamic ordinary least squares estimator (DOLS). The set up for the Monte Carlo experiment is the same used by Inder [3]. The results show that the canonical cointegration regression estimator has smaller bias and mean square root error than the OLS and the fully modified estimator. In addition, Stock and Watson's estimator performs systematically better than the CCR estimator. Este trabajo compara las propiedades en pequeñas muestras de dos estimadores de vectores de cointegración propuestos recientemente en la literatura: el estimador de la regresión de cointegración canónica (CCR)(Park (1992)) y el llamado estimador dínamico por mímimos cuadrados propuesto por Stock y Watson (1993). El estudio de Monte-CarIo se basa en el proceso generador utilizado por Inder (1993). Los resultados muestran que el estimador de la regresión de cointegración canónica tiene un sesgo y un error cuadrático medio menores que el estimador por mínimos cuadrados y el estimador conocido como "ful1y modified". Además, la simulación permite comprobar que el estimador propuesto por Stock y Watson (1993) tiene un sesgo menor que el estimador CCR para todos los modelos examinados.