格兰杰因果关系检验精选文档.pptVIP

1格兰杰因果检验原理及其应用实例2一、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。3?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。4二、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。5?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。6?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”。7三、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；8–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