【Data Procession】格兰杰因果检验

最新推荐文章于 2024-09-28 20:56:59 发布

咸鱼鲸

最新推荐文章于 2024-09-28 20:56:59 发布

阅读量2.6k

点赞数 32

分类专栏： Data Procession 文章标签： python 开发语言

本文链接：https://blog.csdn.net/goldfisheye/article/details/135868936

版权

本文介绍了格兰杰因果检验的原理及其在Python中的应用，包括grangercausalitytests函数用法、判别因果性、绘制混淆矩阵以及相关函数的使用。重点强调了在数据处理中如何通过时序变量判断因果关系。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据处理方法汇总

第一章格兰杰因果检验(Granger causality test)

一、格兰杰因果测试是什么？

个人总结为：用于测试不同变量之间因果关系的测试方法（注意：重点指一个时序变量变化对另一个变量变化的影响）。
百度百科解释为：
格兰杰因果关系检验的基本思想是在包含过去信息的条件下，一个变量的预测能够提高另一个变量的预测效果，这表明第一个变量可能是第二个变量的格兰杰原因，即第一个变量的变化能解释第二个变量的未来变化。

二、Python代码实现

1.grangercausalitytests函数用法

grangercausalitytests(df[[A, B]], maxlag=2, verbose=False)

其中df为DataFrame，A和B为索引名称，maxlag指lag的最大值

# 引入库
from statsmodels.tsa.stattools import grangercausalitytests

# 对数据进行分析
df = pd.read_csv('###.csv', parse_dates=['date'])  #读取数据并指定那一列为时间数据
df['month'] = df.date.dt.month
grangercausalitytests(df[['value', 'month']], maxlag=