Eviews第四讲：格兰杰因果
格兰杰因果关系检验.
格兰杰因果关系检验.格兰杰因果关系检验一、经济变量之间的因果性问题计量经济模型的建立过程，本质上是用回归分析工具处理一个经济变量对其他经济变量的依存性问题，但这并不是暗示这个经济变量与其他经济变量间必然存在着因果关系。
由于没有因果关系的变量之间常常有很好的回归拟合，把回归模型的解释变量与被解释变量倒过来也能够拟合得很好，因此回归分析本身不能检验因果关系的存在性，也无法识别因果关系的方向。
假设两个变量，比如国内生产总值GDP 和广义货币供给量M ，各自都有滞后的分量GDP （-1），GDP （-2）…，M （-1），M （-2），…，显然这两个变量都存在着相互影响的关系。
但现在的问题是：究竟是M 引起GDP 的变化，还是GDP 引起M 的变化，或者两者间相互影响都存在反馈，即M 引起GDP 的变化，同时GDP 也引起M 的变化。
这些问题的实质是在两个变量间存在时间上的先后关系时，是否能够从统计意义上检验出因果性的方向，即在统计上确定GDP 是M 的因，还是M 是GDP 的因，或者M 和GDP 互为因果。
因果关系研究的有趣例子是回答“先有鸡还是先有蛋”的问题。
1988年有两位学者Walter N. Thurman 和Mark E. Fisher 用美国1930——1983年鸡蛋产量（EGGS ）和鸡的产量（CHICKENS ）的年度数据，对此问题进行了统计研究。
他们运用格兰杰的方法检验鸡和蛋之间的因果关系，结果发现，鸡生蛋的假设被拒绝，而蛋生鸡的假设成立，因此，蛋为因，鸡为果，也就是先有蛋。
他们并建议作其他诸如“谁笑在最后谁笑得最好”、“骄傲是失败之母”之类的格兰杰因果检验。
二、格兰杰因果关系检验经济学家开拓了一种可以用来分析变量之间的因果的办法，即格兰杰因果关系检验。
该检验方法为2003年诺贝尔经济学奖得主克莱夫·格兰杰（Clive W. J. Granger）所开创，用于分析经济变量之间的因果关系。
格兰杰因果检验原理
格兰杰因果检验原理嘿，朋友们！今天咱来聊聊格兰杰因果检验原理。
这玩意儿啊，就像是生活中的一种奇妙关系探索器。
你想啊，在生活中，我们常常会琢磨一些事情之间是不是有某种特别的关联。
比如说，你发现每次你一打喷嚏，天就好像要下雨，那打喷嚏和下雨之间是不是有啥因果关系呢？格兰杰因果检验原理就像是个超级侦探，专门来探究这些关系。
它可不是随便看看就下结论的哦！它会仔细分析数据，从各种角度去研究。
比如说，A 事件发生在前，B 事件跟着就来了，那是不是 A 导致了 B 呢？但这可没那么简单，不能光看先后顺序呀，还得看它们之间是不是真的有那种内在的、稳定的联系。
好比说，你每天早上喝杯咖啡，然后就觉得精神特别好。
但到底是喝咖啡让你精神好呢，还是你本来就会精神好，喝咖啡只是个巧合呢？格兰杰因果检验原理就会去深入挖掘这些细节，试图找出真正的答案。
它就像是个严谨的裁判，不会轻易被表面现象迷惑。
它要的是确凿的证据，要确定这个因果关系是真的存在，而不是我们自己想象出来的。
再打个比方，你觉得自己每次穿红色衣服出门就会遇到好事，这真的是因为穿红色衣服导致的吗？也许只是巧合呢？格兰杰因果检验原理会帮你搞清楚这到底是怎么回事。
这原理在很多领域都大有用处呢！经济学里可以用它来看看不同经济变量之间的关系，医学里可以用它来研究某种治疗方法和康复效果之间有没有因果联系。
你说这格兰杰因果检验原理是不是特别神奇？它就像一把钥匙，能打开我们对事物之间关系认知的大门。
让我们能更准确地理解这个世界，知道什么是真正的因果，而不是被一些虚假的关联所误导。
总之，格兰杰因果检验原理是个非常有价值的工具，能帮助我们在复杂的世界中找到真正的因果关系。
它让我们不再盲目地相信一些表面的联系，而是用科学的方法去分析、去验证。
所以啊，大家可别小瞧了它哟！原创不易，请尊重原创，谢谢!。
格兰杰因果检验
格兰杰因果检验格兰杰因果检验在时间序列情形下，两个经济变量X、Y之间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y 的预测效果要优于只单独由Y的过去信息对Y进⾏的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因。
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)。
格兰杰因果检验只涉及2个变量间的因果检验，以序列x t、y t为例，包括3个关系：序列x 是y的原因，序列y是x的原因及⼆者互为因果，检验过程如下：x t=αiqi=1x t?i+βjqj=1y t?j+u1ty t=λisλ=1x t?i+δjsj=1y t?j+u2t其中?1t、?1t表⽰⽩噪声，a1i、b1i为系数，格兰杰因果关系检验假设了有关y和x每⼀变量的预测的信息全部包含在这些变量的时间序列之中。
检验要求估计以下的回归：（1）αα（2）其中⽩噪⾳u1t和u2t假定为不相关的。
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 ：δ1=δ2=…=δs=0。
分四种情形讨论：（1）x是引起y变化的原因，即存在由x到y的单向因果关系。
若式（1）中滞后的x的系数估计值在统计上整体的显著不为零，同时式（2）中滞后的y的系数估计值在统计上整体的显著为零，则称x是引起y变化的原因。
（2）y是引起x变化的原因，即存在由y到x的单向因果关系。
若式（2）中滞后的y的系数估计值在统计上整体的显著不为零，同时式（1）中滞后的x的系数估计值在统计上整体的显著为零，则称y是引起x变化的原因。
（3）x和y互为因果关系，即存在由x到y的单向因果关系，同时也存在由y到x的单向因果关系。
4格兰杰因果检验
宣称某两个变量间存在一种因果关系，也需
要给以经验上的支持。 Granger从预测的角度给出了因果关系的一 种定义。
Dept.of Economic,Huashang College GuangDong University of Business Studies
Granger因果关系检验
EViews操作： 1. View/Granger Causality/选择滞后期数； 2. Quick/Group Statisics/Granger Causality Test/输入“Y X” /选择滞后期数。
通过前面的学习：因果关系不同于相关 关系，虽说回归方程中解释变量是被解释变 量的原因，但是，这一因果关系通常是在回 归模型给定之前就要确定的。
Dept.of Economic,Huashang College GuangDong University of Business Studies
实际上，很多情况下，变量间的因果关 系并非一目了然；此外，就算某一经济理论
Dept.of Economic,Huashang College GuangDong University of Business Studies
Granger因果关系检验
滞后期一般选择5以下，选择具有技术性。 对于滞后期长度的选择有时很敏感。不同的 滞后期可能会得到完全不同的检验结果。 一般首先以模型随机误差项不存在序列相关 为标准选取滞后期，然后进行因果关系检验。 （第十章具体了解）
Dept.of Economic,Huashang College GuangDong University of Business Studies
Granger因果关系检验
两个假设被接受→两者之间不存在“因果关 系”，第三者或多个第三者才是它们的因。 两个假设被拒绝→X是Y的因，Y也是X的因 ，两者之间存在“双向因果关系”。 一个假设被拒绝，另一个假设被接受→才能 推断出其间存在Granger因果关系。
格兰杰因果检验解读
格兰杰因果检验解读格兰杰因果关系检验一、经济变量之间的因果性问题计量经济模型的建立过程，本质上是用回归分析工具处理一个经济变量对其他经济变量的依存性问题，但这并不是暗示这个经济变量与其他经济变量间必然存在着因果关系。
由于没有因果关系的变量之间常常有很好的回归拟合，把回归模型的解释变量与被解释变量倒过来也能够拟合得很好，因此回归分析本身不能检验因果关系的存在性，也无法识别因果关系的方向。
假设两个变量，比如国内生产总值GDP和广义货币供给量M，各自都有滞后的分量GDP（-1），GDP（-2）…，M（-1），M（-2），…，显然这两个变量都存在着相互影响的关系。
但现在的问题是：究竟是M引起GDP的变化，还是GDP引起M的变化，或者两者间相互影响都存在反馈，即M引起GDP的变化，同时GDP也引起M 的变化。
这些问题的实质是在两个变量间存在时间上的先后关系时，是否能够从统计意义上检验出因果性的方向，即在统计上确定GDP是M的因，还是M是GDP的因，或者M和GDP互为因果。
因果关系研究的有趣例子是回答“先有鸡还是先有蛋”的问题。
1988年有两位学者Walter N. Thurman和Mark E. Fisher用美国1930——1983年鸡蛋产量（EGGS）和鸡的产量（CHICKENS）的年度数据，对此问题进行了统计研究。
他们运用格兰杰的方法检验鸡和蛋之间的因果关系，结果发现，鸡生蛋的假设被拒绝，而蛋生鸡的假设成立，因此，蛋为因，鸡为果，也就是先有蛋。
他们并建议作其他诸如“谁笑在最后谁笑得最好”、“骄傲是失败之母”之类的格兰杰因果检验。
二、格兰杰因果关系检验经济学家开拓了一种可以用来分析变量之间的因果的办法，即格兰杰因果关系检验。
该检验方法为2003年诺贝尔经济学奖得主克莱夫·格兰杰（Clive W. J. Granger）所开创，用于分析经济变量之间的因果关系。
他给因果关系的定义为“依赖于使用过去某些时点上所有信息的最佳最小二乘预测的方差。
格兰杰因果检验步骤
格兰杰因果检验步骤格兰杰因果检验是一种用于判断两个二分类变量之间是否存在因果关系的统计方法。
它可以帮助我们确定一个变量是否能够预测另一个变量的状态，并且排除其他变量的干扰。
下面将介绍格兰杰因果检验的步骤。
1. 确定研究问题和变量在进行格兰杰因果检验之前，首先需要明确研究问题和要分析的变量。
例如，我们想要研究某种药物对于治疗某种疾病的效果，那么药物的使用与疾病的发展就是我们要分析的两个变量。
2. 收集数据接下来，我们需要收集关于这两个变量的数据。
数据可以通过实验、调查或观察等方式获得。
确保数据的收集过程严谨可靠，以保证后续的分析结果的可靠性。
3. 构建列联表格兰杰因果检验需要基于二分类变量的列联表进行计算。
列联表是一种将两个变量的不同取值组合成的表格，用于描述两个变量之间的关系。
表格的行表示一个变量的不同取值，列表示另一个变量的不同取值，交叉点则表示两个变量同时取某个值的频数。
4. 计算列联表的卡方值格兰杰因果检验使用卡方检验来判断两个变量之间是否存在因果关系。
卡方值是通过计算观察频数与期望频数之间的差异而得到的。
观察频数是指在实际数据中两个变量同时取某个值的频数，而期望频数是指在假设没有因果关系的情况下，两个变量同时取某个值的频数。
5. 计算自由度和临界值计算完卡方值后，需要根据列联表的自由度和显著性水平来确定临界值。
自由度是指列联表中独立的自由变量的个数。
临界值是在给定显著性水平下，用于判断卡方值是否显著的参考值。
6. 比较卡方值和临界值将计算得到的卡方值与临界值进行比较。
如果卡方值大于临界值，则可以得出结论：两个变量之间存在因果关系。
反之，如果卡方值小于临界值，则不能得出因果关系的结论。
7. 解释结果根据比较的结果来解释两个变量之间的关系。
如果卡方值大于临界值，说明药物的使用与疾病的发展之间存在因果关系。
如果卡方值小于临界值，则说明药物的使用与疾病的发展之间不存在因果关系。
同时，还可以进一步分析其他变量对于药物治疗效果的影响，以获得更全面的结论。
格兰杰因果关系检验的步骤
格兰杰因果关系检验的步骤1.收集数据：首先需要收集两个时间序列的数据，分别记为X和Y。
这两个时间序列可以是连续的，也可以是离散的，但要求它们均为平稳的时间序列。
2. 拟合模型：接下来，需要为X和Y拟合合适的模型。
常用的模型包括自回归模型（Autoregressive model, AR）、移动平均模型（Moving Average model, MA）和自回归移动平均模型（Autoregressive Moving Average model, ARMA）。
根据数据的特性进行模型的选择。
3. 确定滞后阶数：通过计算自相关函数（Autocorrelation Function, ACF）和偏自相关函数（Partial Autocorrelation Function, PACF），可以确定X和Y的滞后阶数。
滞后阶数表示因果关系所涉及的时间间隔。
4. 拟合向量自回归模型：通过将X和Y的滞后值作为自变量，建立一个向量自回归模型（Vector Autoregressive model, VAR）。
公式形式为：Y = c + A1*Y(lag1) + ... + An*Y(lagN) + B1*X(lag1) + ... +Bn*X(lagN) + ε，其中c为常数项，Ai和Bi为系数矩阵，N为滞后阶数。
5.检验格兰杰因果关系：对于VAR模型，可以通过计算向量自回归残差的协方差矩阵来检验X对Y的格兰杰因果关系。
设VAR模型的残差为e，如果存在一个时间滞后，称之为k，使得滞后残差e(k)与Y的现值Y(t)相关显著，那么就可以认为X对Y具有格兰杰因果关系。
6.计算p值：通过计算格兰杰因果关系检验的统计量，可以得到一个p值。
如果p值小于设定的显著性水平（通常为0.05），则可以拒绝原假设，认为X对Y具有格兰杰因果关系。
7.解释结果：根据检验结果，可以解释变量X对Y的因果关系的方向和强度。
如果X对Y具有正向影响且显著，可以认为X的变动可以导致Y的变动。
格兰杰因果检验
格兰杰因果检验1. 简介格兰杰因果检验（Granger Causality Test）是一种用来评估一组变量之间因果关系的统计方法。
该方法建立在自回归模型（Autoregressive Model）的基础上，通过比较不同模型的预测能力来判断变量之间是否存在因果关系。
格兰杰因果检验可以用于时间序列数据分析、经济学研究、金融市场分析等领域。
其核心思想是通过观察一个变量的历史数据是否对另一个变量的未来值的预测有额外的信息增益，从而判断两个变量之间是否存在因果关系。
2. 原理格兰杰因果检验的原理基于自回归模型。
自回归模型是一种时间序列模型，它假设当前时刻的观测值与过去时刻的观测值相关。
自回归模型可以表示为以下形式：X(t) = a0 + a1 * X(t-1) + a2 * X(t-2) + ... + an * X(t-n) + e(t)其中，X(t)表示时间t的观测值，X(t-1)等表示相应的历史观测值，a0, a1, …, an 为系数，e(t)为误差项。
格兰杰因果检验的关键是比较两个模型：一个包含了待测变量的历史观测值作为预测变量，另一个只包含已知历史观测值的模型。
通过比较两个模型的预测准确度，可以判断待测变量的历史观测值是否对目标变量的预测有额外的信息。
具体而言，格兰杰因果检验的步骤如下：1.确定待测变量和目标变量；2.构建自回归模型，选择合适的滞后阶数n；3.利用已知的历史观测值进行模型的参数估计；4.比较两个模型的预测能力，利用一定的统计指标（如均方根误差、F-统计量）来评估预测准确度；5.根据统计指标的结果，判断待测变量是否对目标变量的预测有额外的信息，从而判断两个变量之间是否存在因果关系。
3. 实例分析为了更好地理解格兰杰因果检验的应用，下面我们以一个具体的实例来说明。
假设我们有两个时间序列变量：A和B，其中A表示每个月的平均气温，B表示每个月的销售额。
我们想要判断气温是否影响销售额。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据非平稳
模型及步骤： 1. 单位根检验，得出数据平稳I(1)或I(2) 2.协整检验 （3. 格兰杰因果检验） 4. VAR (误差修正模型)--数据不平稳
一般我们要做的VAR有两种区分： 一类是做脉冲响应和方差分析； 另一类是做vecm。 如果要做脉冲响应和方差分析, 要求变量是 平稳的; 如果是vecm，需要用johansen检验变量是否 有协整关系，有的话就可做vecm
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。
数据平稳
模型及步骤： 1. 单位根检验，得出数据平稳I(0) 2. 格兰杰因果检验 3. 平稳数据可进行OLS/ VAR（脉冲反应/ 方差分解）
如何得到平稳序列
1. 差分法 首先对时间序列进行单位根检验，若序列是一 阶单整：Y—I(1), X—I(1)，则通过一阶差分使 得序列平稳 Eviews里可以通过命令： genr dY=D(Y) genr dX=D(X)
若序列是二阶单整：Y—I(2), X—I(2) Eviews里可以通过命令： genr dY=D(Y) genr dX=D(X) genr ddY=D(DY) genr dX=D(DX)
格兰杰因果检验
得到平稳的序列X,Y后，我们开始进行格 兰杰因果检验 1. 选定变量Y,X，open—as group 2. view---Granger causality
格兰杰因果检验表格的形成
关于协整和格兰杰检验
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）。
格兰杰因果分析
在进行单位根和协整分析后，可对协整 变量之间的因果关系进行探索 如果一对时间序列是协整的，则至少在 某一方面存在Granger原因 格兰杰因果检验的前提条件：平稳序列
格兰杰因果检验的操作
直接用Eviews可操作得出结果 步骤： 1.单位根检验数据平稳性 1.ctrl+变量名，同时选择GDP和GINI，右击 open—as group 2.在打开的group窗口点击View--- granger causality，输入滞后项后确定 （最优滞后阶数由AIC准则确定）
2. H-P法（卡曼-滤波法）
首先打开序列Y，单击工具栏中的proc--Hodrick-Prescott Filter，可以得到一个对 话框，见下图
然后对趋势项和周期进行命名，可以生成 新的Y变量的趋势序列和周期序列来自生成新的Y变量平稳序列
genr gini2=gini-ginit (原数据减去趋势项） 对gini2 进行单位根检验(ADF)