格兰杰因果检验步骤（我现在数据做到二阶单整平稳序列，能说一下协整检验和格兰杰因果检验具体步骤吗）

本文目录

• 我现在数据做到二阶单整平稳序列，能说一下协整检验和格兰杰因果检验具体步骤吗
• Eviews5.0软件，格兰杰因果检验的详细步骤及如何看数据解说
• 如何进行协整的恩格尔格兰杰两步法
• 能不能指教一下多变量的格兰杰因果关系怎么检验
• 如何在STATA中做格兰杰因果关系检验
• 格兰杰因果检验理论是啥公式是什么怎样判断结果主要是公式和理论的说明，谢谢！
• 格兰杰因果检验具体过程
• 证明变量之间的因果关系用什么检验
• 有谁研究格兰杰因果关系能不能指教一下多变量的格兰杰因果关系怎么检验每一个时间点是向量的那种
• 有一组数据进行平稳性检验和格兰杰因果关系检验

我现在数据做到二阶单整平稳序列，能说一下协整检验和格兰杰因果检验具体步骤吗

协整检验：
1. 首先，检验必须要求数据是经过一阶或二阶平稳处理的。
2. 然后，从观测数据中构建协整检验模型，这个模型通常是一个拟合度较好的线性或非线性模型。
3. 然后，进行协整检验，这一步涉及使用一种称为协整检验统计量的统计量，来检验模型中的参数是否具有统计显著性。
4. 最后，如果协整检验统计量的p值小于某一阈值，则可以认为协整检验模型是可信的，这意味着观测数据之间存在某种程度的相关性。
格兰杰因果检验：
1. 首先，构建一个格兰杰因果检验模型，这个模型通常是一个线性或非线性模型。
2. 然后，运用格兰杰因果检验统计量来检验模型中的参数是否具有统计显著性。
3. 如果格兰杰因果检验统计量的p值小于某一阈值，则可以认为格兰杰因果检验模型是可信的，这意味着观测数据之间存在一种确定的因果关系。

Eviews5.0软件，格兰杰因果检验的详细步骤及如何看数据解说

（一）、ADF是单位根检验，第一列数据y做ADF检验，结果如下NullHypothesis:YhasaunitrootExogenous:C***tant,LinearTrendLagLength: (AutomaticbasedonSIC,MAXLAG= )t-StatisticProb.*AugmentedDickey-Fullerteststatistic- . . Testcriticalvalues: %level- . %level- . %level- . 在 %水平上拒绝原假设，序列y存在单位根，为不平稳序列。但在 %、 %水平上均接受原假设，认为y平稳。对y进行一阶差分，差分后进行ADF检验：NullHypothesis:YhasaunitrootExogenous:NoneLagLength: (AutomaticbasedonSIC,MAXLAG= )t-StatisticProb.*AugmentedDickey-Fullerteststatistic- . . Testcriticalvalues: %level- . %level- . %level- . 可见，在各水平上y都是平稳的。因此，可以把原序列y看做一阶单整。第二列xADF检验如下：NullHypothesis:XhasaunitrootExogenous:C***tant,LinearTrendLagLength: (AutomaticbasedonSIC,MAXLAG= )t-StatisticProb.*AugmentedDickey-Fullerteststatistic- . . Testcriticalvalues: %level- . %level- . %level- . 在 %、 %水平上拒绝原假设，序列x存在单位根，为不平稳序列。但在 %水平上均接受原假设，认为x是平稳的。对y进行一阶差分，差分后进行ADF检验：NullHypothesis:XhasaunitrootExogenous:NoneLagLength: (AutomaticbasedonSIC,MAXLAG= )t-StatisticProb.*AugmentedDickey-Fullerteststatistic- . . Testcriticalvalues: %level- . %level- . %level- . 可见，在各水平上x都是平稳的。因此，可以把原序列x看做一阶单整。（二）、只有一阶单整的序列才可以进行协整检验：利用engle和granger提出的两步检验法：首先建立模型：y=ax+c+e，结果为Y= . *X+ . 再对方程的残差进行ADF检验：NullHypothesis:EhasaunitrootExogenous:NoneLagLength: (AutomaticbasedonSIC,MAXLAG= )t-StatisticProb.*AugmentedDickey-Fullerteststatistic- . . Testcriticalvalues: %level- . %level- . %level- . 从检验结果可以看出残差序列是平稳的，因此x和y之间存在协整关系。（三）、granger因果检验：PairwiseGrangerCausalityTestsDate: / / Time: : Sample: Lags: NullHypothesis:ObsF-StatisticProb.YdoesnotGrangerCauseX . . XdoesnotGrangerCauseY . . 从结果可知拒绝y不能grangerx的假设，即ygranger引起x；但是不能拒绝x不能g引起y，即接受x不能granger引起y。

如何进行协整的恩格尔格兰杰两步法

　　先做单位根检验，只有所有的变量都是同阶的，才可能存在协整，只有协整检验通过，才可以直接对原变量回归，否则可能存在伪回归。如果协整不通过，则需要对变量进行差分后再回归。格兰杰因果检验不是必须的检验步骤，它只是检验两组数据在数据上的因果关系，即说明X是Y的原因，还是Y是X的原因，或互为因果。但是必须注意如果检验不通过，并不代表他们不存在因果关系，只能说明仅从样本数据而言，它们没有发现因果关系。重要的是要从理论上判断他们的因果关系。
　　个人觉得正确的顺序是：先对单变量进行单位根的DF或ADF检验，后者更佳；
　　然后根据各变量的单整阶数进行如下操作：
　　1、若各变量是平稳的，可直接进行Granger因果检验；
　　2、若各变量是同阶单整的，进行EG或者Johansen协整检验；差分后进行Granger因果检验；
　　3、若变量是不同阶单整的，考虑对高阶单整变量进行协整检验，看其之间是否存在协整关系，然后将存在协整关系的高阶单整降阶后与低阶单整再次进行协整检验；另有Pesaran关于不同阶协整的方法；
　　4、若部分变量平稳，部分变量不平稳，可对平稳变量用T或F统计量进行Granger因果检验；对非平稳变量选择T统计量进行Granger因果检验；
　　另外对学友们的答复提出几点意见：
　　Granger因果检验并非只能在变量平稳的条件下进行，协整针对的必须是非平稳变量

能不能指教一下多变量的格兰杰因果关系怎么检验

格兰杰因果关系检验不是检验逻辑上的因果关系，而是看变量间的先后顺序，是否存在一个变量的前期信息会影响到另一个变量的当期。格兰杰定理表明：存在协整关系的变量至少存在一个方向上的格兰杰因果关系。用eviews做也很方便，简单来说，先单位根检验——协整检验——格兰杰因果关系检验。找eviews的书慢慢学，当然我也可以教你

如何在STATA中做格兰杰因果关系检验

这个是从人大经济论坛转来，请你去感谢作者吧：
相关的stata命令可以有三种。
方法一：
reg y L.y L.x （滞后1 期）
estat ic （显示AIC 与BIC 取值，以便选择最佳滞后期）
reg y L.y L.x L2.y L2.x
estat ic （显示AIC 与BIC 取值，以便选择最佳滞后期）
……
根据信息准则确定p, q 后，检验 ；所用的命令就是test
特别说明，此处p和q的取值完全可以不同，而且应该不同，这样才能获得最有说服力的结果，这也是该方法与其他两个方法相比的最大优点，该方法缺点是命令过于繁琐。
方法二：
ssc install gcause （下载格兰杰因果检验程序gcause）
gcause y x,lags(1) （滞后1 期）
estat ic （显示AIC 与BIC 取值，以便选择最佳滞后期）
gcause y x,lags(2) （滞后2 期）
estat ic （显示AIC 与BIC 取值，以便选择最佳滞后期）
特别说明，在选定滞后期后，对于因果关系检验，该方法提供F检验和卡方检验。如果两个检验结论不一致，原则上用F检验更好些。因为卡方检验是一个大样本检验，而实证检验所能获得的样本容量通常并不大，如果采用的是大样本，则以卡方检验结果为准。不过，通常情况下，大样本下两个检验结论一致，所以不用担心。综上，F检验适用范围更广。
方法三：
var y x （向量自回归）
vargranger
注意：1、如果实际检验过程中AIC和BIC越来越小，直到不能再滞后（时间序列长度所限）。这样的话，可能数据确实存在高阶自相关。在这种情况下，可以限制p的取值，比如取最大的 或 ， 。
2、回归结果中各期系数显著性不同，有的不显著有的显著，如实汇报就可以。最好全部汇报。不显著的期数可能意味着那一期的自相关很弱。

格兰杰因果检验理论是啥公式是什么怎样判断结果主要是公式和理论的说明，谢谢！

虽然因果关系这个概念存在哲学或者其他概念上的困难，但在实际应用中通常采用格兰杰(Granger)因果关系检验（Granger causality test）。考虑最简单的形式，Granger检验是运用F-统计量来检验X的滞后值是否显著影响Yt （在统计的意义下），已经综合考虑Y的滞后值；如果影响不显著，那么称X不是Y的“Granger原因”（Granger cause），如果影响显著，那么称X是Y的“Granger原因”。同样，这也可以用于检验Y是X的“原因”，检验Y的滞后值是否影响X（已经考虑了X的滞后对X自身的影响）。检验由Y关于自己的滞后值和X滞后值的回归构成；如果X的滞后值影响不显著，那么X不是Y的Granger原因；同样，当检验Y是X的原因时，可以将X关于自己的滞后值和Y的滞后值回归，用F-检验法莱检验Y滞后值的影响。需要进行两个回归：
在第一个方程中检验假设H0X ：βj=0，对所有j；在第二个方程中检验假设H0Y：αj=0，对所有j。如果前者没有被拒绝，那么X不是Y的Granger原因；如果后者没有被拒绝，那么Y不是X的Granger原因。这里没有一个明显的方法来确定滞后长度k。显然，存在四种可能的结果：X和Y都不是对方的Granger原因（H0X和H0Y都不被拒绝）；X和Y是对方的Granger原因（H0X和H0Y都被拒绝）；X是Y的Granger原因但Y不是X的Granger原因（H0X被拒绝但H0Y不被拒绝）；Y是X的Granger原因但X不是Y的Granger原因（H0X不被拒绝但H0Y被拒绝）。注意到，第一个回归中没有出现X的现值，在第二个回归中没有出现Y的现值。

格兰杰因果检验具体过程

平稳性检验就是单位根检验
先来看一下序列X是否平稳
Null Hypothesis: X has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=2)
t-StatisticProb.*
Augmented Dickey-Fuller test statistic9.5334621.0000
Test critical values:1% level-2.792154
5% level-1.977738
10% level-1.602074
原假设是存在单位根，序列是不平稳的。看是我们看ADF统计量值9.53，比10%水平下的值都要大，所以是接受原假设的，所以序列X是不平稳的。
再来看序列Y
t-StatisticProb.*
Augmented Dickey-Fuller test statistic3.8267360.9990
Test critical values:1% level-2.847250
5% level-1.988198
10% level-1.600140
同X一样，序列Y也是非平稳的。
协整检验就有点麻烦，先要对X和Y做差分，我这里是做了二阶差分才发现X，Y是平稳的，二阶差分后的序列定义为iix和iiy
对x和y序列做普通最小二乘回归
ls y c x
然后对残差序列做单位根检验
Null Hypothesis: E has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=2)
t-StatisticProb.*
Augmented Dickey-Fuller test statistic-1.2366940.1853
Test critical values:1% level-2.792154
5% level-1.977738
10% level-1.602074
可以看出，检验统计量-1.24大于10%水平下的-1.6，可以认为残差序列为非平稳序列，所以x和y不具有协整关系。
最后来看格兰杰因果检验
Pairwise Granger Causalit

证明变量之间的因果关系用什么检验

因果关系检验。

经济学家开拓了一种可以用来分析变量之间的因果的办法，即格兰杰因果关系检验。该检验方法为2003年诺贝尔经济学奖得主克莱夫·格兰杰（Clive W． J． Granger）所开创，用于分析经济变量之间的因果关系。

①格兰杰因果关系检验只适用于时间序列数据，他的哲学思想是原因一定早先于结果发生；

②检验结果对变量滞后期长度非常敏感，滞后期长度不同，结果可能截然相反。所以，有些时候，我们可能不得不采用赤池或施瓦茨信息准则来选择合适的滞后期长度；

③进入检验的误差项必须是不相关的，若出现相关性，可能需要进行适当的变换；

④被检验变量Y和X必须得是平稳的，非平稳的时间序列是没有太大预测价值的。

扩展资料

相关背景：

格兰杰本人在其2003年获奖演说中强调了其引用的局限性，以及“很多荒谬论文的出现”(Of course, many ridiculous *****s appeared)。由于其统计学本质上是对平稳时间序列数据一种预测,仅适用于计量经济学的变量预测,不能作为检验真正因果性的判据。

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。

进行格兰杰因果关系检验的一个前提条件是时间序列必须具有平稳性，否则可能会出现虚假回归问题。因此在进行格兰杰因果关系检验之前首先应对各指标时间序列的平稳性进行单位根检验(unit root test)。常用增广的迪基—富勒检验(ADF检验)来分别对各指标序列的平稳性进行单位根检验。

有谁研究格兰杰因果关系能不能指教一下多变量的格兰杰因果关系怎么检验每一个时间点是向量的那种

要探讨因果关系，首先当然要定义什么是因果关系。这里不再谈伽利略抑或休谟等人在哲学意义上所说的因果关系，只从统计意义上介绍其定义。从统计的角度，因果关系是通过概率或者分布函数的角度体现出来的：在宇宙中所有其它事件的发生情况固定不变的条件下，如果一个事件A的发生与不发生对于另一个事件B的发生的概率（如果通过事件定义了随机变量那么也可以说分布函数）有影响，并且这两个事件在时间上又先后顺序（A前B后），那么我们便可以说A是B的原因。
早期因果性是简单通过概率来定义的，即如果P(B|A)》P(B)那么A就是B的原因（Suppes，1970）；然而这种定义有两大**：一、没有考虑时间先后顺序；二、从P(B|A)》P(B)由条件概率公式马上可以推出P(A|B)》P(A)，显然上面的定义就自相矛盾了（并且定义中的“》”毫无道理，换成“《”照样讲得通，后来通过改进，把定义中的“》”改为了不等号“≠”，其实按照同样的推理，这样定义一样站不住脚）。
事实上，以上定义还有更大的**，就是信息集的问题。严格讲来，要真正确定因果关系，必须考虑到完整的信息集，也就是说，要得出“A是B的原因”这样的结论，必须全面考虑宇宙中所有的事件，否则往往就会发生误解。最明显的例子就是若另有一个事件C，它是A和B的共同原因，考虑一个极端情况：若P(A|C)=1，P(B|C)=1，那么显然有P(B|AC)=P(B|C)，此时可以看出A事件是否发生与B事件已经没有关系了。
因此，Granger（1980）提出了因果关系的定义，他的定义是建立在完整信息集以及发生时间先后顺序基础上的。至于判断准则，也在逐步发展变化：
最初是根据分布函数（条件分布）判断，注意Ωn是到n期为止宇宙中的所有信息，Yn为到n期为止所有的Yt (t=1…n)，Xn+1为第n+1期X的取值，Ωn-Yn为除Y之外的所有信息。
F(Xn+1 | Ωn) ≠ F(Xn+1 | (Ωn − Yn)) - - - - - - - (1)
后来认为宇宙信息集是不可能找到的，于是退而求其次，找一个可获取的信息集J来替代Ω：
F(Xn+1 | Jn) ≠ F(Xn+1 | (Jn − Yn)) - - - - - - - (2)
再后来，大家又认为验证分布函数是否相等实在是太复杂，于是再次退而求其次，只是验证期望是否相等（这种叫做均值因果性，上面用分布函数验证的因果关系叫全面因果性）：
E(Xn+1 | Jn) ≠ E(Xn+1 | (Jn − Yn)) - - - - - - - (3)
也有一种方法是验证Y的出现是否能减小对Xn+1的预测误差，即：
σ2(Xn+1 | Jn) 《 σ2(Xn+1 | (Jn − Yn)) - - - - - - - (4)
最后一种方法已经接近我们最常用的格兰杰因果检验方法，统计上通常用残差平方和来表示预测误差，于是常常用X和Y建立回归方程，通过假设检验的方法（F检验）检验Y的系数是否为零。
可以看出，我们所使用的Granger因果检验与其最初的定义已经偏离甚远，削减了很多条件（并且由回归分析方法和F检验的使用我们可以知道还增强了若干条件），这很可能会导致虚假的因果关系。因此，在使用这种方法时，务必检查前提条件，使其尽量能够满足。此外，统计方法并非万能的，评判一个对象，往往需要多种角度的观察。正所谓“兼听则明，偏听则暗”。诚然真相永远只有一个，但是也要靠科学的探索方法。

有一组数据进行平稳性检验和格兰杰因果关系检验

转载的：
单位根检验、协整检验和格兰杰因果关系检验三者之间的关系
　　实证检验步骤：先做单位根检验，看变量序列是否平稳序列，若平稳，可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第i次差分时序列平稳，则服从i阶单整（注意趋势、截距不同情况选择，根据P值和原假设判定）。若所有检验序列均服从同阶单整，可构造VAR模型，做协整检验（注意滞后期的选择），判断模型内部变量间是否存在协整关系，即是否存在长期均衡关系。如果有，则可以构造VEC模型或者进行Granger因果检验，检验变量之间“谁引起谁变化”，即因果关系。
一、讨论一
1、单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。
2、当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。
3、当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有EG两步法和JJ检验
A、EG两步法是基于回归残差的检验，可以通过建立OLS模型检验其残差平稳性
B、JJ检验是基于回归系数的检验，前提是建立VAR模型（即模型符合ADL模式）
4、当变量之间存在协整关系时，可以建立ECM进一步考察短期关系，Eviews这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别
二、讨论二
1、格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。
2、非平稳序列很可能出现伪回归，协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归，即检验变量之间是否存在稳定的关系。所以，非平稳序列的因果关系检验就是协整检验。
3、平稳性检验有3个作用：1）检验平稳性，若平稳，做格兰杰检验，非平稳，作协正检验。2）协整检验中要用到每个序列的单整阶数。3）判断时间学列的数据生成过程。
三、讨论三
其实很多人存在误解。有如下几点，需要澄清：
第一，格兰杰因果检验是检验统计上的时间先后顺序，并不表示而这真正存在因果关系，是否呈因果关系需要根据理论、经验和模型来判定。
第二，格兰杰因果检验的变量应是平稳的，如果单位根检验发现两个变量是不稳定的，那么，不能直接进行格兰杰因果检验，所以，很多人对不平稳的变量进行格兰杰因果检验，这是错误的。
第三，协整结果仅表示变量间存在长期均衡关系，那么，到底是先做格兰杰还是先做协整呢？因为变量不平稳才需要协整，所以，首先因对变量进行差分，平稳后，可以用差分项进行格兰杰因果检验，来判定变量变化的先后时序，之后，进行协整，看变量是否存在长期均衡。
第四，长期均衡并不意味着分析的结束，还应考虑短期波动，要做误差修正检验。
来自: