一、格兰杰因果关系定义
对于因变量,找到有助于预测的协变量。
"X is said to Granger-causeY if Y can be better predicted using the histories of bothX and Y than it can by using the history of Y alone."
二、格兰杰因果检验
格兰杰因果检验本质是对VAR模型的参数进行线性约束的检验(一般为检验系数是否为0),它使用Wald检验。Wald检验有效,建立在统计量服从渐进卡方分布的假设下。如果该假设被破坏,则Wald检验非有效,格兰杰检验也非有效。
那么在什么条件下假设会被破坏?比如某些变量是非平稳的;出现非线性约束时;预检验技术效力低...
在这之前,我们回到一般步骤:数据预检验+建模格兰杰检验
首先,数据预检验:单位根检验(ADF PP检验),协整检验(Johansen检验)
其次,建模和格兰杰检验:以下有三种情况
第一种情况:变量们都存在单位根(经济数据一般是一阶单位根,或者是在0~1之间的分数积整),且不存在协整关系,那么做一阶差分处理后,差分数据应用VAR建模,这样在对VAR系数进行检验时,传统渐进理论是有效的。
第二种情况:都存在单位根,存在协整关系,在水平数据(没有经过差分的数据)上应用ECM建模,再进行系数检验。
第三种情况:不管变量是否平稳,不管变量间是否存在协整关系,我们可以直接在水平数据上应用Wald检验来检验线性或非线性约束。这就是Toda Yamamoto 方法,简称TY-Granger方法。
TY方法保证了统计量服从渐进卡方分布,保证了格兰杰因果检验的有效性。
三、TY-granger方法步骤(E-Views)
1、单位根检验:确定积整阶数。尽量进行交叉检验。令变量中最大的积整阶数为m(一般m=1)。
2、确定最佳的VAR滞后阶数:
将所有变量划为1组,设定为group01.