Granger检验定量拓展研究.docVIP

Granger检验定量拓展研究 　　摘 要:通过引入概率指数和因果关系强度指数,对Granger检验进行定量拓展后,可使得Granger检验的结果不但能够用于两个序列之间各种因果关系的静态对比,同时便于定量考察这些关系在不同样本区间的变化情况#65377; 　　关 键 词:Granger检验;概率指数;强度指数 ;定量拓展 　　中图分类号:F830 文献标识码:A文章编号:1006-3544(2007)03-0029-03 　　 　　一#65380;前 言 　　 　　在大多数经济计量模型的建立过程中,首先进行序列之间因果关系存在性的分析,是必不可少的一个环节,Granger 检验则是这类分析方法中应用比较广泛且行之有效的一种方法#65377;它的主要思想是:对于待分析的两个序列{xt}#65380;{yt}(t=0,1,…,T),先估计yt被其自身滞后值所能解释的程度,然后验证通过引入序列{xt}的滞后值是否可以提高yt的被解释程度,如果可以,则称序列{xt}是{yt}的Granger成因(在实际应用中,往往还会检验{yt}是否是{xt}的Granger成因),即检验如下方程的显著性: 　　yt=α0+α1yt-1+…+αkyt-k+β1xt-1+…+βkxt-k 　　(或xt=α0+α1xt-1+…+αkxt-k+β1yt-1+…+βkyt-k) 　　其中,k是最大滞后阶数#65377; 　　检验的原假设是:序列{xt}({yt})不是{yt}({xt})序列的Granger成因,即: 　　H0:β1=β2=…=βk=0(或:H0:α1=α2=…=αk=0) 　　已有不少软件包能给出该检验的F统计量及其相伴概率,人们可以方便地根据它们给出的相伴概率来确定两个序列之间是否具有Granger 因果关系#65377;但是,在通常的研究中,该检验的应用范围也就停留在静态地判断序列之间是否存在因果关系上,对于序列之间因果关系的动态变化,人们却没做更多的拓展分析#65377;而且,即使是在对因果关系存在性的判断上,也由于标准的不统一,往往出现对同一个问题给出不同结论的情况#65377; 　　比如,在当前应用比较广泛的统计计量软件Eviews中,对序列A和B,会预设两个原假设,并分别给出其相伴概率,即有 　　 　　其中,相伴概率表示拒绝原假设导致犯第一类错误(“犯第一类错误”指的是抛弃了正确的结论;相应地,“犯第二类错误”指的是接受伪结论)的概率,它们事实上也对应了原假设成立的概率#65377; 　　可是,即使给出了Pa和Pb,人们在判断序列A和B的因果关???时,还是会遇到以下问题: 　　(1)究竟Ps(s=a,b)为多少,才能说A和B存在或不存在因果关系? 　　(2)A#65380;B之间的因果关系不外乎以下四种:A单向引起B;B单向引起A;A#65380;B之间互为因果关系;A#65380;B之间无因果关系#65377;如何判断样本中的A#65380;B究竟属于哪种关系?两者之间各种因果关系的概率分布又是怎样的? 　　(3)有没有一种方法或标准,使得在不同区间之间进行因果关系程度的比较变为可能? 　　本文将以Eviews给出的Granger双向检验结果为基础,通过定量拓展,解决以上问题#65377; 　　 　　二#65380;Granger检验的定量拓展 　　 　　(一)相伴概率#65380;概率指数与概率分布 　　1.相伴概率 　　在Eviews程序包中,通常会给出Granger双向检验的相伴概率,比如对序列A和B,它给出的两个原假设及相伴概率分别为: 　　 　　为了考察上文中提到的四种因果关系的概率分布,我们可以引入概率指数的概念#65377; 　　2.概率指数及A#65380;B之间四种关系的概率指数分布 　　定义1:事件集I={i|i=A,B,AB,N},其中i=A#65380;B#65380;AB#65380;N分别表示“A单向引起B”#65380;“B单向引起A”#65380;“A#65380;B互为因果”#65380;“A#65380;B无因果”#65377; 　　定义2:事件i是两个因素(分别命名为i1#65380;i2)共同作用的结果;这两个因素成立的概率分别设为Pi1和Pi2#65377; 　　定义3:令概率指数PIi表示序列A和B以某种相互关系i存在时的概率大小,则PIi=Pi1×Pi2#65377; 　　对序列A和B,若Eviews给出的Granger检验的两个原假设及相伴概率分别为: 　　 　　显然,概率指数并不能反映A#65380;B之间相互关系的全部#65377;比如考虑“A单向引起B”: 　　情形一:1-Pa=0.4,Pb=0