格兰杰因果关系检验PPT

格兰杰因果检验原理及其应用实例一、Granger因果关系•Granger指出：–如果一个变量X无助于预测另一个变量Y，则说X不是Y的原因；相反，若X是Y的原因，则必须满足两个条件：第一，X应该有助于预测Y，即在Y关于Y的过去值的回归中，添加X的过去值作为独立变量应当显著地增加回归的解释能力；第二，Y不应当有助于预测X，其原因是，如果X有助于预测Y，Y也有助于预测X，则很可能存在一个或几个其他变量，它们既是引起X变化的原因，也是引起Y变化的原因。•现在人们一般把这种从预测的角度定义的因果关系称为Granger因果关系。•格兰杰检验的适用范围只能适用于具有平稳性的时间序列数据模型的检验，无法检验只有横截面数据时变量间的关系。•原始的格兰杰因果性定义并没有规定变量必须是平稳的。在格兰杰重新回顾他的因果性定义的时候，对变量平稳性也没有再深入分析。但是目前有一点学术界是有定论的，就是如果变量是非平稳的，那么应用F统计量来做推断会产生问题。周建、李子奈运用蒙特卡洛模拟也得出当变量为非平稳时间序列时，任何无关的两个的变量间都很容易得出有因果性的结论。因此，在实证研究时，一般认为只有平稳变量才能应用F统计量进行推断，否则结论可能是不可靠的。二、Granger因果关系检验变量X是否为变量Y的Granger原因，是可以检验的。检验X是否为引起Y变化的Granger原因的过程如下：第一步，检验原假设“H0：X不是引起Y变化的Granger原因”。首先，估计下列两个回归模型：无约束回归模型（u）：tqiitipiititXYY110有约束回归模型（r）：tpiititYY10式中，0表示常数项；p和q分别为变量Y和X的最大滞后期数，通常可以取的稍大一些；t为白噪声。•然后，用这两个回归模型的残差平方和RSSu和RSSr构造F统计量：)1,(~)1()(qpnqFqpnRSSqRSSRSSFuur检验原假设“H0：X不是引起Y变化的Granger原因”（等价于检验H0：1=2=…=q=0）是否成立。如果F≥F（q，n-p-q-1）,则1、2、…、q显著不为0，应拒绝原假设“H0：X不是引起Y变化的Granger原因”；反之，则不能拒绝原假设“H0：X不是引起Y变化的Granger原因”。其中，n为样本容量。•第二步，将Y与X的位置交换，按同样的方法检验原假设“H0：Y不是引起X变化的Granger原因”。•第三步，要得到“X是Y的Granger原因”的结论，必须同时拒绝原假设“H0：X不是引起Y变化的Granger原因”和接受原假设“H0：Y不是引起X变化的Granger原因”。三、通过Eviews软件进行Granger因果关系检验•上述Granger因果关系检验，是建立在向量自回归（VAR：VectorAutoregression）模型技术基础之上的。但是，借助于Eviews软件，可以很方便地进行Granger因果关系检验。具体步骤为：–首先，建立工作文件，录入需检验是否存在Granger因果关系的变量Y和X的样本观测值；–然后，在工作文件窗口中，同时选中序列Y和X，单击鼠标右键，在弹出的菜单中选择Open/asGroup，生成一个群对象（Group）；–最后，在群对象观测值窗口的工具栏中选择View/GrangerCausality，在屏幕出现的对话框（LagSpecification）中Lagstoinclude一栏后面输入最大滞后期数k（注意：在Eviews软件中进行Granger因果关系检验时，将Y的滞后期数p和X的滞后期数q取为相等。当然，关键是X的滞后期数），点击OK，即可得到格兰杰因果检验的结果。格兰杰因果检验结果NullHypothesisObsF-StatisticProbabilityXdoesnotGrangerCauseYYdoesnotGrangerCauseX表中，最后一列的Probability是F统计量（F-Statistic）的相伴概率，表示拒绝第一列中的原假设（NullHypothesis）犯第一类错误的概率，该概率越小，越应该拒绝原假设。Obs表示每个变量序列的观测值个数，等于n-k。实例介绍（三种不同情况）例1下表是某水库1998年至2000年各旬的流量、降水量数据。试通过Eviews软件检验降水量是否流量的Granger原因。序号流量降水量序号流量降水量序号流量降水量153423271287135322020240422869627543815334518297904055342543016305840144562861553166731210053572558610882732218064584811576384331180165972541847703486486093223939923557026611370391041216367354162635511370037105039639264712346038561464514301320813934324655782814202140430866264811521244137319675789137162111422292668178235172062435279692293411820912443463701230311930974524917193757202424462112721340182153734716017348389322377174816807452966723422449199775101412457451501337765521525676851143177430102654667522024782419解：（1）建立工作文件。由于本例数据的时间间隔为旬，Eviews没有提供相应的时期度量，故应利用鼠标左键单击主菜单选项File，在打开的下拉菜单中选择New/Workfile，并在工作文件定义对话框（WorkfileRange）的Workfilefrequency一栏选择Undatedorirregular项。在起止项中分别输入1和78，表示每个序列的观测值个数为78个。（2）建立变量序列并输入样本数据。在工作文件建立后，应创建待分析处理的数据序列。在主窗口的菜单选项或者工作文件窗口的工具栏中选择Objects/NewObject，并在屏幕出现的对象定义对话框（NewObject）左侧的TypeofObject一栏选择Series，在右侧NameforObject一栏分别输入vol和ra表示水库流量与降水量两个序列。然后在工作文件（Workfile）窗口分别双击vol或ra，在屏幕出现的Series窗口工具栏上选择Edit+/-按钮，进入编辑状态，可以输入样本数据。录入数据完毕后再次点击Edit+/-按钮，恢复只读状态。或者，也可以在Excel中先建立一个工作表，将有关变量的数据录进去；然后在EViews的工作文件窗口选择procs/Import/ReadText-lotus-Excel，将其读入Eviews。（3）进行Granger因果关系检验。在工作文件窗口中，同时选中序列vol和ra，单击鼠标右键，在弹出的菜单中选择Open/asGroup，生成一个群对象（Group）；然后，在群对象观测值窗口的工具栏中选择View/GrangerCausality，在屏幕出现的对话框（LagSpecification）中Lagstoinclude一栏后面输入最大滞后期数k=9，点击OK，即可得到格兰杰因果检验的结果。格兰杰因果关系检验的结果PairwiseGrangerCausalityTestsDate:07/10/04Time:20:14Sample:178Lags:9NullHypothesis:ObsF-StatisticProbabilityVOLdoesnotGrangerCauseRA691.191760.32100RAdoesnotGrangerCauseVOL3.230640.00366•从检验结果不难看出，当取最大滞后期数k=9时，拒绝原假设“VOLdoesnotGrangerCauseRA”犯第一类错误的概率高达0.32100，而拒绝原假设“RAdoesnotGrangerCauseVOL”犯第一类错误的概率仅为0.00366。降水量确实是水库流量的Granger原因。例二经过Eviews进行格兰杰检验结果如下可以看出在滞后期为2的情况下，两者互为原因，不符合格兰杰因果检验。例三经过Eviews进行格兰杰检验结果如下可以看出在滞后期为2的情况下，两者互不为原因。四、格兰杰因果检验的评价•格兰杰的统计学本质上是对平稳时间序列数据一种预测，格兰杰因果关系检验的结论只是一种预测，是统计意义上的格兰杰因果性，而不是真正意义上的因果关系，不能作为肯定或否定因果关系的根据。•把可获得的信息看作信息集J，把所有的信息看作宇宙信息集Ω。在信息集J中X的信息可以改善对Y的预测，则相对于信息集J，X构成Y的有初步证据的因果性。我们无法确定是否在现有信息集J以外还有其他变量会对Y产生影响，也就无法确定X是否是真正的原因,因为这时我们的信息集是不完整的。实际应用中多数是两个变量之间检验，很容易出现遗漏重要相关变量的情形。因为我们无法采用宇宙中所有的信息，在有限的信息集中只有保证不遗漏重要的相关变量，才能称之为因果性。四、格兰杰因果检验的评价•除了前面提到的种种定义以外，包括相关性分析、普通的回归分析都与因果性的概念有联系，因果性分析应该是计量经济学分析的基础考虑。总之，格兰杰因果性检验并非发现因果性也不是唯一途径。连格兰杰本人也承认，当从理论上相信变量之间有因果性的时候，这种检验可以增强对因果性的信心。但是如果你不相信这种因果性的定义，也不必强求。这应该是对格兰杰因果性的准确定位。谢谢观看！