用于因果检验的方法很多,如传统的相关和回归分析,但它们不能检验变之间具体的影关系;随着计量经济学发展,更先进的方法应运而生,如格兰杰因果检验、Sims因验等,其中,由2003年诺贝尔经济获得者格兰杰提的格兰杰因果验,不但可以检验量之间长期定的因果关系,
格兰杰因果检验模型作为一种计量经济分析工具以从统计意义上检验变量之间的因果,对于经济现象中果关系不明确的事物,可通过这种方法进行统计意义上的检验.金剑、张帆运用格兰因检验模型国城市化与经济展水平关系进行了定量分析.岩,刘伟铭等[3]道路建设规模与通需求的因果关系进行格兰杰因果检.赵鹏、韩东林[4]运用兰杰因果关系检验模
格兰杰(Granger)从时间列的意义上来界定因果系,提出了因关系的计量经济定义:“欲判断X是否引起Y,则考察Y当前值大程度上以由Y的过去值解释,然后考察加入X的滞后值否能改善解释程度。如果X的滞后值有助改善对Y的解释程
1.1平稳性检验
当两个变量均为非稳时间序列时,对其进行的格兰杰因果关系检验得到能是假的果,因此应首先采用扩展迪基——富勒检验(ADF)对变
ADF的具体方法
?Yt?Yt?Yt?1????t?(??1)Yt?1???j?Yt?j?ut (1)
j?1p
式中:Yt为原始时序列;t为时间趋势项;Yt?1为滞后1期的原始时序; ?Yt为一阶差分时间序列;?Yt?j为滞后j期一阶差分时
βt、ρ、?j为回归系数;P为滞后阶数;ut为误差项。
1.2协整检验
如果两个序列是非平稳序列,么在回归之前要对其进差分,然而差分可能导致个序列之间关系的信息损失,所以EngleGranger提出了协整理变量的时间列进行回而不会造成错误的情况。笔者采用EG两步法进行协整
第一步,对同单整的序列Xt和Yt,用一个变量另一变
将模型的残差项用Xt和Yt表示:
?t?Yt????Xt (3)
式中: ?t为
第二步,对式(2)中的残差项?t进行ADF检验.若检验结果明?t为
1.3格兰杰
格兰因果关系检验要
Yt???iXt?i???iYt?i??1 (4)
i?1i?1
mmm
Xt???iYt?i???iXt?i??2 (5)
i?1i?1m
式(4)~式(5): Xt和Yt为X、Y原始序列当期值;Xt?i、Yt?iX、Y始序列滞后i期的值;αi、βi、λi、δi为回
格兰杰检验是通过构造F统计,利用F检验完成的.如针对X不是Y的格兰杰原这一假设,即针对式(4)中X滞项前的参整体为零假设,分别做包与不包含X滞项的回,记前者的残差平方和为RSSU,者的残差平方和
F?(RSSR?RSSu)?(N?2n?1)/RSSu?n (6)
式中:n为X的滞后项
如果计算的F值于给定显著水平α下F分布的响应的临界Fα(n,N-2n-1),则拒绝原假设,即
Granger关于因果关系的定义建立在X和Y都是稳定序列,即零阶单整的础上的,如果X和Y不是稳定序列,则无法用Granger方法验序列之因果关系。果X和Y一阶单整且不在协整的情况下,因果关系可通过一阶差分模型的标准F验来确定。即
(8))来检验变
Yt???i?Xt?i???i?Yt?i??1 (7)
i?1i?1
mmm
Xt???i?Yt?i???i?Xt?i??2 (8)
i?1i?1m
式(7)~
格兰杰因果检验
如何在STATA中
本文来自: 人大经济论
相关的stata
方法一:
reg y L.y L.x (滞后1 期)
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.x
estat ic (显示AIC 与BIC 取值,以便选择最佳滞后期)
……
根据信准则确定p, q ,
特别说明,此处pq的取值完全可以不同,而且应该不同,这样才能获得有说力的果,这也是该方法与其他两个方法相比的最大优,该方法缺
方法二:
ssc install gcause (下载格兰杰因果检验程序gcause)
gcause y x,lags(1) (滞后1 期)
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 (显示AIC 与BIC 取值,以便选择最佳滞后期)
特别说明,在选定滞后期后,对于因果系检验,该方法提供F检验和方检验。如果个检验结论不一致,原则上用F检验更好些。因为卡方检验是一个大本检验,证检验所能得的样本容量通常并不,如果采用的是大本,则以卡检验结果为准。不过,通常情下,大样本下个检验结论一致,所以
方法三:
var y x (向量自回归)
vargranger
注意:1、如果实际检过程中AIC和BIC越来越小,直到不能再滞后(时间序列长度限)。样的,可能数据确存在高阶自相关。在这种情况下,可以限制p取值,比如
2、回归结果中期系数显著性不同,有的不显著有的显著,实就以。最好全部汇报。不显著的期数可能意
本文来
http://www.pinggu.org/bbs/viewthread.php?tid=986738&page=1&fromuid=1336485
Granger因果检验
Granger 因果检验
Granger 因果验是用于检验个变量之间因果关系的一种常用方法。于 1969
⒈ 定义
给定一个信息集 t A ,它至少包 ()t t Y X , ,如果利用 t X 的去比不
⒉ 检验模型
如果 t X 、 t Y 为平稳过程,对于模型
???????+++=+++=∑∑∑∑==--==--p j q j t j t j j t j t p j q j t j t j j t j t X Y c Y Y X c X 11221111)
2() 1(μδγμβα 2, 1μμ为白噪声。存在下列情况:
⑴如果 ) , , 2, 1(0
q j j j ===δβ,则 t X 、 t Y 互相独立; ⑵如果 ) , , 2, 1(0
, 0q j j j =≠=δβ,则 t X 为 t Y 的原因; ⑶如果 ) , , 2, 1(0
, 0q j j j ==≠δβ,则 t Y 为 t X 的原因; ⑷如果 ) , , 2, 1(0
, 0q j j j =≠≠δβ,
⒊ F 检验
对于 ∑∑==--+++=p j q
j t j t j j t j t Y X c X 1111μβα
进行假设
:10 =≠=ββ
首先对模型用 OLS ,记残差平方和
=p
j t j t j t X c X 11εα应
用 OLS ,记残差平方和为 ) (p ESS 。构造统计量 ) 1, (~)
1/() , (/)) , () ((-------=q p n p F q p n p q ESS p p q ESS p ESS F
给定置信水 α,查临界值 αF ,
实际应用时,要对模型⑴、⑵同时检验,才能作判。在应用软件中给出了具体的 存
由于 0H 为“ t Y 不是 t X 的 Granger 原
⒋ 模型中 p 、 q 的确定
利用 Akaike 最终预测差(FPE )标准为基础确定最优滞后期。
⑴对 ∑=-++=m j t j t j t Y
Y 1εαα进行估计, 给定不同的 m 值, 得到使下列 ) (m FPE 最小的 *m
值,为 t Y 的最优滞后期,
n m ESS m n m n m FPE /) (1
1) (--++= n 为观测值总数。 ⑵
∑∑==--+++=*11m j t k
j j t j j t j t X Y Y εβαα
估计模
k 值,为 t X 的最优滞后期, n m k E S S m n m n m k F P E /) , (11) , (****
--++= ⒌ 说明
必须首先对 t X 、 t Y 进行 ADF 检验,如果不是平稳序列,经过 1次或多次差分使之 平稳化,然后对两个平稳化后的序
平稳化后序列的经济含义发生了化,
格兰杰因果检验
格兰杰因果关系检验
一、经济变量之
计量经济模型的建过程,本质上是用回归分析工具处理一个经济变量对其经济量的存性问题,但这并不是暗示这个经济变量与其他济变量间必
由于没有因果关系的量之间常常有很的回归拟合,把回归模型的解释变量与被解释量来也够拟合得很好,因此回归分析本身不能检验因果关系的存性,也无法
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,是GDP引M变化,或者两者间互影响都存在反馈,即M引起GDP的化,同时GDP也引起M变化。这些问题的实是在两个变量间存在时间上先后关系时,是否够从统计意上检验出性的方,即在统计上确定GDPM的因,还是M是GDP的因,或者M和GDP互为因
因果关系研究的有趣例子是回答“先有鸡还是先有蛋”的问。1988年有两位学者Walter N. Thurman和Mark E. Fisher用国1930——1983年鸡蛋产量(EGGS)和鸡的产量(CHICKENS)的年度,对此问题进行了计研究。他们运用格兰杰的方法检蛋之间的因果关系,结现,鸡生蛋的假设拒绝,而蛋生鸡的假设成立,因此,蛋为因,为果,也就先有蛋。们并建议其他诸如“谁笑在最后谁得最好”、“骄傲是失败之母”之类的格兰杰因果检
二、格兰杰
经济学家开拓了一种可以用来分析变之间的因果的办法,即格杰因果关系检。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)所创,用于分析济变量之间因果关系。他给因果关系的义为“依赖于用过去某些时点上所
在时间序列情形下,两个经济量X、Y之间的格兰杰果关系定义为:若在包含变量X、Y的过去信息的条件下,对量Y的效果要于只单独由Y的过信息对Y进的预测效,即变量X有助于解释变量Y的将
进行格兰杰因果关系检验的一个前条件是时间序列必须具有稳性,否则能会出现虚假回归题。因此在进行格兰杰因果关系检验之前先应对各时间序列平稳性进行单位根检(unit root test)。常用增广的迪基—勒检验(ADF检验)来分别对各
格兰杰因果关检验假设了有关y和x每一变量的预测信全部含在这些变量的时间序列之中。检
其中白
式(1)假当前y与y自身以及x的去
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=δ1=?=δs=0。
分四种情形讨论:
(1)x是引起y变化的因,即存在由xy的单向因果关系。若(1)中滞后的x的系数估计在统整体显著不为零,同式(2)中滞后的y的系数估计值在统计上整体显著为零,则
(2)y是引起x变化的因,即存在由yx的单向因果关系。若(2)中滞后的y的系数估计在统整体显著不为零,同式(1)中滞后的x的系数估计值在统计上整体显著为零,则
(3)x和y互为因关系,即存在由x到y的单向因果关系,同时也存在由y到x单因果关系。若式(1)中滞后的x的系数估计值在计上整体的
(2)中滞后y的系数估计值在统计上整体的著为
(4)x和y是独立的,或x与y间不存在果关系。若式(1)中滞后的x的系数估计值在计上整的显著零,同时式(2)中滞后的y的系数估计值在统计上整体的显为零,则称x
三、格兰杰因果
(1)将当前的y对所有的滞项y以及别的什么变(如果有的话)做回归,即y对y的滞后项yt-1,yt-2,?,yt-q及其他量的回归,但在一回归中没有滞后项x包括进来,这是一个受约束的回归。后从此回归得到
(2)做一个含滞后项x的回归,即在前面的回归式中加进滞项x,这一个无约束的回归,由此回归得到无约束
(3)零
(4)为了检验此假
它遵循自由度为q(n-k)的F分布。在这里,n是样本容量,q等滞后x的数,即有约束回归方程中待估参数的个数,k是约束回归
(5)如果在定的显著性水平α上计算的F值炒股临界Fα,则绝零假设,这样滞后x项就属于此回
(6)同,为了检验y是否是x的原,可
(5)。
格兰杰因果关系检验对于滞后期度的选择有时很敏感。原因可能是检验变量的平稳的影响,或是样本容量的长度的影响。同的滞后能会得到全不同的检验结果。因此,一般而,常进行同滞后期长度的检验,以检验模型中随干扰项不存在序列
格兰杰检验的点决定了它只能适用于时间序列数据型果性检验,无法检验只有横截面数
可以看出,我们所使用的Granger因果检与其最初的定义已经偏离甚远,削了很多条件(并且回归分析方法和F检验使用我们可以知道还增强了若干条件),这很可能会导致虚因果关系。,在使用这种法时,务必检查前提条件,量能够满足。此外,统计方法并非万的,评判一个对象,往需要多种角的观察。正所谓“听则,偏听则暗”。诚然
值得注意的是,格兰杰因果关系检验的论只是统计意义上的因果性,而不一定是正的因果关系。虽可以作为真正的因果关系的一种支持,但不能作肯定或否果关系的终根据。当然,即使格因果关系不等实际因果关,也并不妨碍其参考价值。因统计意义上的果关系也是有意义的,
由于假设检验的假设是不存在因果关系,在该假设下F统量从F分布,因此严格地说,该检验应该称
格兰杰因果性检验
15
10
5
-5
-10
-15
趋势线用收
两个变量中肯定有
Pairwise Granger Causality Tests Date: 05/25/16 Time: 11:34 Sample: 2005M01 2012M12 Lags: 2
Null Hypothesis:
Obs 94
F-Statistic 3.19579 2.50124
Prob. 0.0457 0.0877
SFZ does not Granger Cause PF PF does not Granger Cause SFZ
Pairwise Granger Causality Tests Date: 05/25/16 Time: 11:39 Sample: 2005M01 2012M12 Lags: 3
Null Hypothesis:
Obs 93
F-Statistic 3.81018 14.4630
Prob.
0.0129 1.E-07
SFZ does not Granger Cause PF PF does not Granger Cause SFZ
Pairwise Granger Causality Tests
Date: 05/25/16 Time: 11:41 Sample: 2005M01 2012M12 Lags: 4
Null Hypothesis:
Obs 92
F-Statistic 2.57672 9.86564
Prob. 0.0434 1.E-06
SFZ does not Granger Cause PF PF does not Granger Cause SFZ
Pairwise Granger Causality Tests Date: 05/25/16 Time: 11:42 Sample: 2005M01 2012M12 Lags: 5
Null Hypothesis:
Obs 91
F-Statistic 3.90164 8.51125
Prob.
0.0032 2.E-06
SFZ does not Granger Cause PF PF does not Granger Cause SFZ
括号值是概率
(其他括号:回归里是t值,VAR模里