文章目录
Granger
(格兰杰) 因果关系分析(Granger Causality Analysis)是一种用于检验时间序列变量之间因果关系的统计方法。该方法由诺贝尔经济学奖得主 Clive Granger 提出,被广泛应用于经济学、金融学、神经科学等领域,用于揭示两个或多个时间序列变量之间的因果关系。
一. Granger 因果关系的基本概念
Granger 的因果关系定义基于预测能力
,而非传统意义上的“原因-结果”关系。
在时间序列情形下,两个经济变量X、Y之间的格兰杰因果关系定义为:若在包含了变量X、Y的过去信息的条件下,对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果,即变量X有助于解释变量Y的将来变化,则认为变量X是引致变量Y的格兰杰原因。
举个例子:
要预测商品的销售额,使用 历史销售额 + 历史销售量 来预测,效果比只用历史销售额来预测未来销售额效果好,则说销售量Granger导致了销售额。
二. Granger 因果关系的数学表述
Granger 因果关系通常通过以下两个回归模型来检验:
X t = ∑ i = 1 p a i X t − i + ϵ 1 t X_t = \sum_{i=1}^{p} a_i X_{t-i} + \epsilon_{1t} Xt=i=1∑paiXt−i+ϵ1t
X t = ∑ i = 1 p a i X t − i + ∑ j = 1 q b j Y t − j + ϵ 2 t X_t = \sum_{i=1}^{p} a_i X_{t-i} + \sum_{j=1}^{q} b_j Y_{t-j} + \epsilon_{2t} Xt=i=1∑paiXt−i+j=1