精华内容
下载资源
问答
  • 格兰杰因果关系的思想: MSE:均方误差,对Y进行S期预测的均方误差,公式如下: 当以y为基础对y进行S期预测的均方误差=以y和x为基础对y进行S期预测的均方误差时,也就是: 此时认为x不能Granger引起y,也可以理解...

    格兰杰因果关系的思想:

    1. MSE:均方误差,对Y进行S期预测的均方误差,公式如下:
      在这里插入图片描述
    2. 当以y为基础对y进行S期预测的均方误差=以y和x为基础对y进行S期预测的均方误差时,也就是:
      在这里插入图片描述
      此时认为x不能Granger引起y,也可以理解为x外生于y。也就是说x对于未来的y没有线性影响。
      即使x可以格兰杰引起y,也不代表y一定是x的结果或效果,仅仅代表在统计的时间先后关系,x发生早于y。通过度量对y进行预测时x的前期信息对均方误差MSE的减少是否有贡献,并以此作为因果关系检验的基准。
    3. 在VAR(2)模型(二阶模型)中的应用:
      在这里插入图片描述
      当x的滞后项的系数(如下)全部为0时,变量x不能Granger引起y,等价于变量x外生于变量y。
      x的滞后项的系数
      如果y可以格兰杰引起x,而x不可以格兰杰引起y,则x与y之间有单向因果关系,在var(2)模型中单向因果关系也可以作为模型类的变量,认为其是类生的,不存在则一定应该剔除出模型。
    4. 格兰杰因果检验在论文中的呈现方式:
      在这里插入图片描述
      格兰杰检验结果受滞后阶数的影响非常大,因此一般给出多个。
      当prob足够小时,认为两者有格兰杰因果关系,如:上图中lag2中prob=0.013,表示LNMSH与DLNMJPY是有格兰杰因果关系的。
    5. 要点归纳:
      ①格兰杰因果关系并不是逻辑意义上的因果关系,而是统计上的因果关系(先后关系)。
      ②格兰杰检验要求序列平稳或者协调。
      ③格兰杰检验的结果与滞后期的选择有关。
      ④从统计意义上来说,如果变量之间没有格兰杰因果关系,应剔除出模型。
      ⑤单向因果仍可以进入模型。
      ⑥格兰杰因果关系可应用于研究政策时滞性。
    展开全文
  • "X is said to Granger-causeY if Y can be better predicted using the histories of bothX and Y than it can by using the history of Y alone."二、格兰杰因果检验格兰杰因果检验本质是对VAR模型的参数进行线性....

    一、格兰杰因果关系定义

    对于因变量,找到有助于预测的协变量。"X is said to Granger-causeY if Y can be better predicted using the histories of bothX and Y than it can by using the history of Y alone."

    二、格兰杰因果检验

    格兰杰因果检验本质是对VAR模型的参数进行线性约束的检验(一般为检验系数是否为0),它使用Wald检验。Wald检验有效,建立在统计量服从渐进卡方分布的假设下。如果该假设被破坏,则Wald检验非有效,格兰杰检验也非有效。

    那么在什么条件下假设会被破坏?比如某些变量是非平稳的;出现非线性约束时;预检验技术效力低...

    在这之前,我们回到一般步骤:数据预检验+建模格兰杰检验

    首先,数据预检验:单位根检验(ADF PP检验),协整检验(Johansen检验)

    其次,建模和格兰杰检验:以下有三种情况

    第一种情况:变量们都存在单位根(经济数据一般是一阶单位根,或者是在0~1之间的分数积整),且不存在协整关系,那么做一阶差分处理后,差分数据应用VAR建模,这样在对VAR系数进行检验时,传统渐进理论是有效的。

    第二种情况:都存在单位根,存在协整关系,在水平数据(没有经过差分的数据)上应用ECM建模,再进行系数检验。

    第三种情况:不管变量是否平稳,不管变量间是否存在协整关系,我们可以直接在水平数据上应用Wald检验来检验线性或非线性约束。这就是Toda Yamamoto 方法,简称TY-Granger方法。

    TY方法保证了统计量服从渐进卡方分布,保证了格兰杰因果检验的有效性。

    三、TY-granger方法步骤(E-Views)

    1、单位根检验:确定积整阶数。尽量进行交叉检验。令变量中最大的积整阶数为m(一般m=1)。单位根检验,只能一个一个变量地检验

    2、确定最佳的VAR滞后阶数:

    将所有变量划为1组,设定为group01.这个使得构造VAR很方便

    在原水平数据上进行VAR建模。滞后阶数设定为20(根据样本数量和变量数量自行设定)。

    对刚刚的VAR结构进行最佳阶数确定,其中阶数设定为12不同的标准得到的最佳滞后阶数不一样,选择大多数相同的,且偏大的。

    可以看到最佳的阶数在3和6。我们选择3作为暂时的最佳滞后阶数,后续来检验它。

    构建VAR使用最佳滞后阶数3。

    进行模型诊断,主要是残差的自相关检验,我们使用LM 检验。注意!这一步要看所有的阶数是否不显著。

    可以看到,在最佳滞后阶数3下,仍然存在自相关(需要所有阶数均不显著才算不存在自相关,可以看到第5阶是显著的)。我们从3开始,增大最佳滞后阶数,并进行VAR建模和模型诊断,发现,在阶数为6时,才不相关。故我们确定最终的最佳滞后阶数为6。说点别的:自相关检验在E-VIEWS中还有一个Portmantaue检验,这个检验结果特别严苛。

    3、重新估计VAR,伴有每个变量的一个额外阶数。Here is where we need to be careful if we're going to "trick" EViews into doing what we want when we test for causality shortly. Rather than declare the lag interval for the 2 endogenous variables to be from 1 to 7 (the latter beingp +m), I'm going to leave the interval at 1 to 6, and declare the extra (7th.) lag of each variable to be an "exogenous" variable. The coefficients of these extra lags will thennotbe included when the subsequent Wald tests are conducted. If I just specified the lag interval to be from 1 to 7, then the coefficients ofall sevenlags would be included in the Wald tests, and this would be incorrect. If I did that, the the Wald test statistic would not have its usual asymptotic chi-square null distribution.

    我们确定了最佳滞后阶数6,最大的单位根阶数1,重新构建VAR,所有变量滞后阶数都为7(最佳滞后阶数6+最大的单位根阶数1),区别的是,内生变量是1~6阶数,外生变量是所有变量的第7阶。令VAR(7)为滞后7阶的VAR方程,7阶均内生,令VAR(6)(-7)为滞后7阶的VAR方程,第7阶为外生。那么在EVIEWS估计结果中,VAR(7)和VAR(6)(-7) 并无不同。然而在后续的模型诊断中,即WALD检验中,区别就体现了,VAR(6)(-7)得到的granger检验是有效的。

    可以看到第7阶在最后的位置,这代表外生变量WALD结果,可看到自由度为6,在5%的显著性水平下都不显著,故二者均无法构成granger因果关系。

    需要注意的一些事项:在测试Granger非因果关系时,不要使用差分数据去构建VAR。

    如果将VAR模型用于其他目的,则如果序列为I(1)而不是协整的,则使用差分数据构建VAR。

    如果出于测试Granger非因果关系的目的将VAR模型用于其他目的,并且发现该系列是协整的,则可以估算VECM模型。

    考虑到作为回归函数进入模型的因变量的滞后性,当测试Granger因果关系时,通常的线性约束F检验无效。

    不要使用t-检验来选择VAR模型的最大滞后。如果数据是不平稳,检验统计量甚至不会渐进服从正态分布,并且还存在会影响真实显着性水平的预测试问题。

    如果你没有使用TY办法,或某些等效的程序,只是使用普通的Wald检验,你的因果检验的结果将是毫无意义的。

    如果所有时间序列都是平稳的,则m = 0,您将(正确)以“老式”方式测试非因果关系:估算VAR级并将Wald检验应用于相关系数。

    三、后续发展

    这三篇都是granger test的进一步改进。

    值得一提的是,Bauer & Maynard(2012) 提出了surplus-lag 格兰杰因果检验方法,这个方法更为一般,更为好用,它的优点如下,值得全文阅读。By extending this surplus lag approach to an infinite order VARX framework, we show that it can provide a highly persistence-robust Granger causality test that accommodates i.a stationary, nonstationary, local-to-unity, long-memory, and certain (unmodelled) structural break processes in the forcing variables within the context of a single χ 2null limiting distribution.

    它的方法也非常简洁,但是引用的文章很少,网上没有代码。懂得原理可以轻易实现。它把驱动的协变量x整个当作外生变量,并在其加入了额外阶数,WALD检验即可。需要注意的是,我们不可能像在TY方法一样同时检验许多驱动变量,对于每一个驱动变量,我们要重新构造单个的方程,重新找最佳滞后阶数和进行granger检验。

    四、参考文献和代码Toda Yamamoto,1995 原文

    R软件实现的TY代码:https://christophpfeiffer.org/2012/11/07/toda-yamamoto-implementation-in-r/​christophpfeiffer.orghttps://stats.stackexchange.com/questions/159420/how-do-i-perform-a-wald-test-with-multivariate-granger-causality-analysis/269790​stats.stackexchange.comhttp://www.reynaldosenra.com/granger-causality-non-stationary-series-code-for-the-toda-yamamoto-1995-procedure/​www.reynaldosenra.com

    4、此外还有matlab stata中实现的,没有很大必要。

    禁止转载,自用,谢谢,欢迎交流。

    展开全文
  • 格兰杰检验流程

    千次阅读 2020-12-20 12:01:51
    单位根检验、协整检验格兰杰因果关系检验三者之间的关系 实证检验步骤:先做单位根检验,看变量序列是否平稳序列,若平稳,可构造回归模型等经典计量经济学模型;若非平稳,进行差分,当进行到第i次差分时序列平稳...

    单位根检验、协整检验和格兰杰因果关系检验三者之间的关系 实证检验步骤:先做单位根检验,看变量序列是否平稳序列,若平稳,可构造回归模型等经典计量经济学模型;若非平稳,进行差分,当进行到第i次差分时序列平稳,则服从i阶单整(注意趋势、截距不同情况选择,根据P值和原假设判定)。若所有检验序列均服从同阶单整,可构造VAR模型,做协整检验(注意滞后期的选择),判断模型内部变量间是否存在协整关系,即是否存在长期均衡关系。如果有,则可以构造VEC模型或者进行Granger因果检验,检验变量之间“谁引起谁变化”,即因果关系。&lt/p&gt一、讨论一1、单位根检验是序列的平稳性检验,如果不检验序列的平稳性直接OLS容易导致伪回归。&lt/p&gt2、当检验的数据是平稳的(即不存在单位根),要想进一步考察变量的因果联系,可以采用格兰杰因果检验,但要做格兰杰检验的前提是数据必须是平稳的,否则不能做。&lt/p&gt3、当检验的数据是非平稳(即存在单位根),并且各个序列是同阶单整(协整检验的前提),想进一步确定变量之间是否存在协整关系,可以进行协整检验,协整检验主要有EG两步法和JJ检验&lt/p&gtA、EG两步法是基于回归残差的检验,可以通过建立OLS模型检验其残差平稳性&lt/p&gtB、JJ检验是基于回归系数的检验,前提是建立VAR模型(即模型符合ADL模式)&lt/p&gt4、当变量之间存在协整关系时,可以建立ECM进一步考察短期关系,Eviews这里还提供了一个Wald-Granger检验,但此时的格兰杰已经不是因果关系检验,而是变量外生性检验,请注意识别&lt/p&gt 二、讨论二1、格兰杰检验只能用于平稳序列!这是格兰杰检验的前提,而其因果关系并非我们通常理解的因与果的关系,而是说x的前期变化能有效地解释y的变化,所以称其为“格兰杰原因”。&lt/p&gt2、非平稳序列很可能出现伪回归,协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归,即检验变量之间是否存在稳定的关系。所以,非平稳序列的因果关系检验就是协整检验。&lt/p&gt3、平稳性检验有3个作用:1)检验平稳性,若平稳,做格兰杰检验,非平稳,作协正检验。2)协整检验中要用到每个序列的单整阶数。3)判断时间学列的数据生成过程。&lt/p&gt 三、讨论三其实很多人存在误解。有如下几点,需要澄清:第一,格兰杰因果检验是检验统计上的时间先后顺序,并不表示而这真正存在因果关系,是否呈因果关系需要根据理论、经验和模型来判定。&lt/p&gt第二,格兰杰因果检验的变量应是平稳的,如果单位根检验发现两个变量是不稳定的,那么,不能直接进行格兰杰因果检验,所以

    展开全文
  • 【Stata教程】格兰杰因果检验

    千次阅读 2020-12-20 12:01:50
    原标题:【Stata教程】格兰杰因果检验“社会科学中的数据可视化”第432篇推送引言在实证分析中,我们经常需要确定因果关系是x导致y,还是y导致x。对此,Granger提出了一种解决方法:如果x是y的原因,且不存在反向因果...

    原标题:【Stata教程】格兰杰因果检验

    “社会科学中的数据可视化”第432篇推送

    引言

    在实证分析中,我们经常需要确定因果关系是x导致y,还是y导致x。对此,Granger提出了一种解决方法:如果x是y的原因,且不存在反向因果,则x过去值可以预测y未来值,反之则不然。具体来说,我们建立时间序列模型如下,并提出假设H0: βm=0,m=1,2…p。如果接受该假设,则意味着x过去值不能够预测y未来值;如果拒绝该假设,则可以,即x是y的格兰杰因(Granger cause)。

    本次推送中,我们介绍如何在Stata中进行格兰杰因果检验。

    基本命令

    Stata中格兰杰因果检验有三种方法:前两种方法基本思路大致相同,它们均是先确定最佳滞后期,随后再进行格兰杰因果检验;第三种方法则是先拟合VAR模型,之后再进行检验。具体来说,第一种方法的基本命令为:

    reg y l.y l.x

    对滞后一期的变量进行回归,也就是说此时

    式中p、q的值都为1。

    estat ic

    显示AIC 与BIC 取值,以便选择最佳滞后期。

    reg y l.y l.x l2.y l2.xestat ic

    再次显示AIC与BIC取值。

    ……

    根据信息准则确定p, q后,检验所用的命令为test。值得注意的是,这种方法中p和q的取值可以是不同的,以便获得最有说服力的结果。

    第二种方法的基本命令为:

    ssc install gcause

    下载格兰杰因果检验程序gcause

    gcause y x, lags( 1)

    对滞后一期的变量进行回归。

    estat ic

    显示AIC与BIC 取值,以便选择最佳滞后期

    gcause y x, lags( 2)

    滞后2期

    estat ic

    再次显示AIC与BIC取值,以便选择最佳滞后期。

    在选定滞后期后,我们可以使用F检验或者卡方检验进行因果检验。

    第三种方法的主要命令是:

    vary x

    进行向量自回归。

    vargranger 操作实例

    在这一部分中,我们以第二种方法为例,演示如何在stata中进行因果检验。首先我们在联网状态下导入数据,输入命令如下:

    use http: //www.stata-press.com/data/imeus/ukrates, clear

    安装gcause格兰杰因果检验程序

    ssc install gcause

    输出结果如下:

    gcause r20 rs, lags( 1)estat icgcause r20 rs, lags( 2)estat ic

    依次对滞后一期、滞后两期等变量进行回归,根据AIC及BIC的取值确定最佳的滞后期。在本例中,我们发现p=q=3时AIC及BIC的值最小,因此我们将p和q都赋值为3。滞后三期回归结果如图所示:

    我们发现F检验和卡方检验得出一致结论,接受原假设,即rs不是r20的格兰杰因。

    注:操作平台为Stata14.0

    文章来源:格兰杰因果检验stata操作指南,部分文字进行删改。更多请点击“阅读原文” 返回搜狐,查看更多

    责任编辑:

    展开全文
  • 如何用格兰杰检验、协整对数据进行分析_格兰杰因果检验协整概念:非平稳的时间序列,由x、y变量构成的线性组合也可能是平稳的,这是称变量x、y是协整的。为什么要做协整检验?经典模型是建立在平稳数据之上,当数据...
  • 来源:http://dss.princeton.edu/training/,部分资源整理自:百度文库、CDA数据分析师、社会科学中的数据可视化在实证分析中,我们经常需要确定...具体来说,我们建立时间序列模型如下,并提出假设H0:βm=0,m=1...
  • 格兰杰因果检验_R实现

    千次阅读 2020-06-10 16:01:11
    若所有检验序列均服从同阶单整,可构造VAR模型,做协整检验(注意滞后期的选择),判断模型内部变量间是否存在协整关系,即是否存在长期均衡关系。 如果有,则可以构造VEC模型或者进行Granger因果检验,检验变量之间...
  • 格兰杰因果检验-Eviews实现

    千次阅读 2021-04-22 13:43:40
    一共分为两步,数据导入或因果检验 首先新建一个workfile 选择数据类型,一般会根据时间...在group中选择格兰杰因果检验。 输入滞后阶数得到结果。 分析:此处prob为0.0444,说明xcfk1011可以granger引起ycfk1011
  • Stata:时间序列中的格兰杰因果检验

    千次阅读 2020-11-13 15:31:41
    时间序列中Stata的格兰杰因果检验 在实证分析中,因果关系经常需要判断。对此,Granger提出了一种解决方法:如果x是y的原因,且不存在反向因果,则x过去值可以预测y未来值,反之则不然。具体即建立时间序列的滞后回归...
  • 格兰杰因果关系检验的局限性

    万次阅读 2018-08-08 17:19:59
    好久没有写博客了,今天翻译一篇描述格兰杰因果关系检验局限性的文章,前面关于格兰杰因果关系检验的介绍来自我个人的经验,原文看这里:Limits of Granger Causality。 一. 格兰杰因果关系 格兰杰因果关系是由...
  • 格兰杰因果关系检验

    千次阅读 2020-02-13 16:53:22
    进行格兰杰因果关系检验的一个前提条件是时间序列必须具有平稳性,否则可能会出现虚假回归问题。 因此在进行格兰杰因果关系检验之前首先应对各指标时间序列的平稳性进行单位根检验(unit root test)。 常用增广的迪基...
  • 检查序列平稳性可以看序列自相关图或者用单位根检验,但是一般都用单位根检验,而单位根检验用的最多就是ADF检验。 操作 打开序列,查看序列是否存在时间趋势或者截距项(之后会用到,先记住结果): 查看 其中:...
  • VAR模型格兰杰因果检验——基于tushare平台的数据 数据来源 tushare平台的数据库,网站如下tushare大数据社区 该数据平台拥有丰富的数据内容,如股票、基金、期货、数字货币等行情数据,公司财务、基金经理等基本...
  • 主要介绍了时间序列向量自回归模型的基本性质和格兰杰因果关系检验的表述和实现方法。
  • 实证检验步骤\quad先做单位根...若所有检验序列均服从同阶单整,可构造VAR模型,做协整检验(注意滞后期的选择),判断模型内部变量间是否存在协整关系,即是否存在长期均衡关系。如果有,则可以构造VEC模型或者进行G
  • 传统的 Granger 因果检验考察的是变量之间的线性因果关系,而且, 由于传统的 Granger 因果检验隐含假定潜在的数据生成过程( DGP)是线性的, 因此在实际的应用分析中常常是在 VAR 分析框架下,借助 F 检验来对变量间...
  • 格兰杰因果关系检验(原理及Python实例)

    万次阅读 热门讨论 2016-01-03 22:14:15
    格兰杰因果检验是计量经济学中一种用于推断要素间相关影响关系的重要方法,由诺贝尔经济学奖得主克莱夫·格兰杰提出。它以向量自回归(VAR,Vector Auto regression)模型为基础,结合统计推断中的F统计量,发展而来...
  • 一、格兰杰因果检验 1. 因果情况讨论 (1) (2) 式(1)假定当前y与y自身以及x的过去值有关,而式(2)对x也假定了类似的行为。 对式(1)而言,其零假设H0 :α1=α2=…=αq=0。 对式(2)而言,其零假设H0 :...
  • 基于江浙沪1990~2011年能源消费与地区国内生产总值的面板数据,运用小样本自举(bootstrap)面板格兰杰因果检验和向量自回归模型等方法研究了江浙沪能源消费与经济增长之间的关系。自举面板因果检验结果表明:江苏地区...
  • "X is said to Granger-causeY if Y can be better predicted using the histories of bothX and Y than it can by using the history of Y alone."二、格兰杰因果检验格兰杰因果检验本质是对VAR模型的参数进行线性....
  • Stata: 面板 Granger 因果检验

    万次阅读 2019-08-04 10:36:45
    DH 的面板因果检验允许每个截面单元的回归系数是可变的(即在同一时间上,系数在个体之间不同)。假设滞后阶数 k k k 对于所有个体是相同的,并且面板必须是平稳的。 类似于 Granger 因果检验,DH 检验也是通过 ...
  • ②向量之间存在一定数量关系(统计意义上的因果关系-格兰杰因果检验)。而满足以上两点的条件则是数据平稳,否则会发生伪回归,且无法进行格兰杰因果检验。因此,构建VAR模型的第一步是检验数据平稳性,常用检验方法为...
  • 实证检验步骤:先做单位根...若所有检验序列均服从同阶单整,可构造VAR模型,做协整检验(注意滞后期的选择),判断模型内部变量间是否存在协整关系,即是否存在长期均衡关系。如果有,则可以构造VEC模型或者进行Gra...
  • 时间序列进行分析之前应该先检验是否存在单位根,如是,则需要进行差分转换,否则可以直接进行var(vector autoregression),这里不讨论arma(Autoregressive moving average model,自回归滑动平均模型)。...
  • 如果想知道一个序列是否对预测另一个序列有用,可以用Granger causality test(格兰杰因果检验)。 Granger causality test的思想 如果使用时间序列X和Y的历史值来预测Y的当前值,比仅通过Y的历史值来预测Y的当前值...
  • 格兰杰因果关系检验(原理及R语言应用实例)

    万次阅读 多人点赞 2010-05-14 13:00:00
    诺贝尔经济学奖获得者,计量经济学大师克莱夫·格兰杰(Clive Granger)从预测的角度给出了因果关系的一种描述性定义,这就是我们现在所熟知的Granger因果关系...格兰杰因果关系检验是计量经济方法中常用的一种检验方法

空空如也

空空如也

1 2 3 4 5 ... 8
收藏数 143
精华内容 57
关键字:

var模型的格兰杰因果检验