格蘭傑因果檢驗的解釋[重複]

我想澄清格蘭傑因果關係如何/應該在實踐中使用，以及如何解釋測試給出的統計意義。

另外，我想用“我們不知道”之類的東西來填寫這張表，或者如果我們知道一些事情，我們知道什麼（肯定不是因果關係，但可能是其他的東西？）。

                       X Granger cause Y sig.   X Granger cause Y not 
Y Granger cause X sig.                     ...                     ... 
Y Granger cause X not                      ...                     ...

首先，您添加的來源幾乎具有熟悉格蘭傑（非）因果關係概念所需的一切（儘管我更喜歡學術百科的文章）。最關鍵的是，G-因果關係在實踐中尋找答案：會變有用的預測變量，這意味著包含在變量中的信息最多滯後具有統計學意義。因此，G 因果關係純粹是數據的統計特性，儘管可能得到理論上合理假設的支持。

---

一些實際的考慮：

1. 如果您有兩個以上的固定信號，則它們可能必須由向量自回歸模型 ( VAR ) 聯合描述。因此，成對的 G 因果關係可能會產生誤導，因為您忽略了來自其他變量的影響。
2. 建議在 ：對於瞬時library(vars)和?causalityG 因果關係，當你有兩個以上的變量並且 VAR 似乎有意義時（好吧，它確實是一個單獨的答案，一些想法也與 G 因果關係概念有關）。
3. 與成對案例 library(lmtest)和相比，先前的建議在多變量案例中更好?grangertest。另一方面，當您必須僅使用兩個變量時，可以選擇成對情況。即使在多變量情況下，您仍然可能grangertest只是為了標記可能有用的協變量或決定統計可能的內生性問題。我通常在沒有時間的情況下這樣做，因為識別 VAR 模型的變量子集和超參數（滯後順序）選擇不是那麼快的任務。因此，為了快速檢測包含有用預測信息的變量，可以成對進行（但不要停止這個結果，它們只是輔助性的）。
4. 請注意，在零假設下，您確實測試了非 G 因果關係，因此值將標記 G 因果關係。
5. G 因果檢驗的結論是“我們知道，如果G-原因統計上顯著，因此它包含有助於預測未來值的有用信息“。但是，如果我們得出相同的結論（反饋效應）這意味著和既是內生的，又需要模型的 VAR 類型。您還可以得出結論，如果沒有一個變量 G 導致另一個變量，則這是不需要 VAR 規範的跡象之一。您可能會選擇單獨的 ARMA 模型（請注意，您的變量必須是固定的才能正確執行 G 因果關係測試）。
6. 歡迎來自社區的任何其他建議，@zik 你可以嘗試gretl作為替代實施格蘭傑因果檢驗。

引用自：https://stats.stackexchange.com/questions/9155