使用python做格兰杰因果检验

最新推荐文章于 2024-07-06 03:15:09 发布

呆萌的代Ma

最新推荐文章于 2024-07-06 03:15:09 发布

阅读量1.4w

点赞数 16

分类专栏：统计分析文章标签： python

本文为CSDN博主"呆萌的代Ma"原创文章，转载请注明博客链接：https://blog.csdn.net/weixin_35757704/

本文链接：https://blog.csdn.net/weixin_35757704/article/details/113031976

版权

统计分析专栏收录该内容

10 篇文章

订阅专栏

本文介绍了如何使用格兰杰因果性检验来判断两个时间序列变量间是否存在因果关系，通过实例展示了如何解读统计结果并确定变量b对a的有效预测。关键步骤包括设置检验、查看p值和选择合适的滞后阶数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

格兰杰因果关系检验的结论是一种统计估计，它先假设时间序列之间没有因果关系，然后检验能否否定，如果能否定这个检验，那么这就可以验证这份时间序列数据对想要预测的目标是有效的。

目标使用b预测a，a是要得出预测结果的序列：

from statsmodels.tsa.stattools import grangercausalitytests
import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randint(0, 100, size=(10, 2)), columns=['a', 'b'])
grangercausalitytests(df[['a', 'b']], maxlag=2)

得到结果：

ssr based F test:         F=1.8500  , p=0.2227  , df_denom=6, df_num=1
ssr based chi2 test:   chi2=2.7750  , p=0.0957  , df=1
likelihood ratio test: chi2=2.4188  , p=0.1199  , df=1
parameter F test:         F=1.8500  , p=0.2227  , df_denom=6, df_num=1

Granger Causality
number of lags (no zero) 2
ssr based F test:         F=0.5091  , p=0.6451  , df_denom=3, df_num=2
ssr based chi2 test:   chi2=2.7152  , p=0.2573  , df=2
likelihood ratio test: chi2=2.3377  , p=0.3107  , df=2
parameter F test:         F=0.5091  , p=0.6451  , df_denom=3, df_num=2

主要看p值（第二列），所有的p小于0.05才能证明b对a有效

有时可以把x与y的顺序调过来，说不定是x=f(y)：

grangercausalitytests(df[['b', 'a']], maxlag=2)

各项指标含义

number of lags (no zero) 1：当lags为1时的检测结果
ssr based F test：残差平方和F检验
ssr based chi2 test：残差平方和卡方检验
likelihood ratio test：似然比检验结果
parr F testamete：参数 F 检验结果