格兰杰因果关系检验实现.pdf

格格兰兰杰杰因因果果关关系系检检验验实实现现方方法法详详解解

一一、、基基本本概概念念与与原原理理

格兰杰因果关系检验（GrangerCausalityTest）是计量经济中用于分析时间序列变量间预测关系的重要方法，由诺贝尔经济

奖得主CliveGranger于1969年提出。该方法的核心思想是：若变量X的滞后项能够显著改善对变量Y的预测精度，则称X是Y

的格兰杰原因。需要注意的是，这种因果关系并非哲意义上的真正因果，而是基于统计预测有效性的概念。

检验的理论基础建立在向量自回归（VAR）模型框架下，主要依赖以下基本假设：1.时间序列平稳性：要求检验变量满足平

稳性条件或存在协整关系2.信息完整性：所有相关变量都应包含在模型中3.线性关系假设：默认变量间存在线性影响关系4.

无隐藏变量：模型应包含所有可能影响系统的变量

二二、、数数建建模模基基础础

设两个平稳时间序列{X_t}和{Y_t}，建立双变量VARp)模型：

Y_t=α_0+Σ_{i=1}^pα_iY_{t-i}+Σ_{i=1}^pβ_iX_{t-i}+ε_tX_t=γ_0+Σ_{i=1}^pγ_iX_{t-i}+Σ_{i=1}^pδ_iY_{t-i}+η_t

检验X是否为Y的格兰杰原因时，原假设H0为：β_1=β_2=...=β_p=0对应的备择假设H1为：至少存在某个β_i≠0

检验统计量构造采用F检验形式：F=[RSS_rRSS_ur)/p]/[RSS_ur/T-2p-1)]其中RSS_r表示受限模型（不含X滞后项）的残

差平方和RSS_ur表示非受限模型（包含X滞后项）的残差平方和p为滞后阶数，T为样本容量

三三、、检检验验实实施施步步骤骤

（（一一））数数据据预预处处理理

1.平稳性检验：使用ADF检验、PP检验等方法验证序列平稳性

2.差分处理：对非平稳序列进行差分直至平稳

3.协整检验（非必需）：当原始序列非平稳但存在协整关系时可直接检验

（（二二））模模型型设设定定

1.滞后阶数选择：信息准则法：通过AIC、BIC、HQIC等准则确定最优滞后阶数似然比检验：比较不同滞后阶数模型的显

著性经验法则：通常取季度数据滞后4阶，月度数据滞后12阶

2.模型形式确认：确定是否包含趋势项、截距项处理季节性因素（如有必要）

（（三三））假假设设检检验验流流程程

1.构建受限模型（RestrictedModel）：Y_t=α_0+Σ_{i=1}^pα_iY_{t-i}+ε_t

2.构建非受限模型（UnrestrictedModel）：Y_t=α_0+Σ_{i=1}^pα_iY_{t-i}+Σ_{i=1}^pβ_iX_{t-i}+ε_t

3.计算残差平方和：分别估计两个模型得到RSS_r和RSS_ur

4.构造F统计量：根据前文公式计算检验统计量

5.显著性判断：将计算的F值与临界值比较或通过p值判断（常用5%显著性水平）

（（四四））结结果果解解释释

1.若拒绝原假设，则认为X是Y的格兰杰原因

2.需同时检验Y对X的因果关系，可能存在四种结果：单向因果关系双向因果关系无因果关系独立关系

四四、、Python实实现现示示例例

importnumpyasnp

importpandasaspd

fromstatsmodels.tsa.stattoolsimportgrangercausalitytests

#生成模拟数据

np.random.seed(123)

n=200

x=np.random.normal(size=n)

y=0.5*x.sift(1)+np.random.normal(scale=0.5,size=n)

data=pd.DataFrame({X:x,Y:y}).dropna()

#执行格兰杰检验

max_lag=4#最大滞后阶数

test_result=grangercausalitytests(data[[Y,X]],maxlag=max_lag)

#结果解读

forlaginrange(1,max_lag+1):

print(f\nLag{lag}:)

p_value=test_result[lag][0