格兰杰因果检验-基础概念

格兰杰因果关系的思想:

  1. MSE:均方误差,对Y进行S期预测的均方误差,公式如下:
    在这里插入图片描述
  2. 当以y为基础对y进行S期预测的均方误差=以y和x为基础对y进行S期预测的均方误差时,也就是:
    在这里插入图片描述
    此时认为x不能Granger引起y,也可以理解为x外生于y。也就是说x对于未来的y没有线性影响。
    即使x可以格兰杰引起y,也不代表y一定是x的结果或效果,仅仅代表在统计的时间先后关系,x发生早于y。通过度量对y进行预测时x的前期信息对均方误差MSE的减少是否有贡献,并以此作为因果关系检验的基准。
  3. 在VAR(2)模型(二阶模型)中的应用:
    在这里插入图片描述
    当x的滞后项的系数(如下)全部为0时,变量x不能Granger引起y,等价于变量x外生于变量y。
    x的滞后项的系数
    如果y可以格兰杰引起x,而x不可以格兰杰引起y,则x与y之间有单向因果关系,在var(2)模型中单向因果关系也可以作为模型类的变量,认为其是类生的,不存在则一定应该剔除出模型。
  4. 格兰杰因果检验在论文中的呈现方式:
    在这里插入图片描述
    格兰杰检验结果受滞后阶数的影响非常大,因此一般给出多个。
    当prob足够小时,认为两者有格兰杰因果关系,如:上图中lag2中prob=0.013,表示LNMSH与DLNMJPY是有格兰杰因果关系的。
  5. 要点归纳:
    ①格兰杰因果关系并不是逻辑意义上的因果关系,而是统计上的因果关系(先后关系)。
    ②格兰杰检验要求序列平稳或者协调。
    ③格兰杰检验的结果与滞后期的选择有关。
    ④从统计意义上来说,如果变量之间没有格兰杰因果关系,应剔除出模型。
    ⑤单向因果仍可以进入模型。
    ⑥格兰杰因果关系可应用于研究政策时滞性。
  • 1
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
格兰杰因果检验是一种用于分析时间序列数据中因果关系的方法。R语言中可以使用quantile-on-quantile approach进行格兰杰因果检验。该方法基于分位数回归分析,通过对两个时间序列的分位数进行回归,来判断其中一个序列是否对另一个序列有因果影响。以下是一个使用quantile-on-quantile approach进行格兰杰因果检验的例子[^3]: ```R library(quantreg) library(ggplot2) # 生成两个时间序列数据 set.seed(123) x <- arima.sim(model = list(ar = 0.7), n = 100) y <- arima.sim(model = list(ar = 0.5), n = 100) # 将数据分为训练集和测试集 train.x <- x[1:80] test.x <- x[81:100] train.y <- y[1:80] test.y <- y[81:100] # 使用quantile-on-quantile approach进行格兰杰因果检验 g.fit <- rq(test.y ~ test.x, tau = 0.9) g.coef <- coef(g.fit) # 绘制分位数回归图像 ggplot(data.frame(x = test.x, y = test.y), aes(x, y)) + geom_point() + geom_quantreg(mapping = aes(color = "quantile regression"), formula = y ~ x, tau = 0.9, size = 1.2) + geom_smooth(mapping = aes(color = "lowess"), method = "loess", size = 1.2) + geom_abline(mapping = aes(intercept = g.coef, slope = g.coef, color = "quantile-on-quantile"), size = 1.2) + scale_color_manual(name = "Regression", values = c("quantile regression" = "black", "lowess" = "gray40", "quantile-on-quantile" = "blue"), labels = c("Quantile regression", "Lowess", "Quantile-on-quantile")) + theme_minimal() ``` 上述代码中,首先生成了两个时间序列x和y,然后将数据分为训练集和测试集。接着,使用`rq()`函数进行quantile-on-quantile approach格兰杰因果检验,其中`tau`参数为分位数回归的分位数。最后,通过`ggplot2`包绘制了分位数回归图像,并用蓝色直线表示quantile-on-quantile approach的结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值