本文目录
- 格兰杰因果检验不显著可以解释吗
- 协整检验、格兰杰因果检验怎么做啊，急求
- granger因果检验和回归
- eviews格兰杰检验不通过怎么办
- 为什么我的格兰杰因果关系检验不通过
- 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！
- 格兰杰因果检验结果分析
格兰杰因果检验不显著可以解释吗
格兰杰因果检验用于检验一组时间序列是否为另一组时间序列的原因。如果说A是B的格兰杰原因，则说明A的变化是引起B变化的原因之一。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。再通俗一点，就是说，目标是预测Y的变化，加上X的预测结果要比只有Y的预测结果好，那么就说，X和Y之间存在格兰杰因果关系。也就是说，X的变化可以解释Y的变化。1
协整检验、格兰杰因果检验怎么做啊，急求
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 rootExogenous: NoneLag Length: 0 (Automatic based on SIC, MAXLAG=2) t-Statistic Prob.* Augmented Dickey-Fuller test statistic 9.533462 1.0000Test 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-Statistic Prob.* Augmented Dickey-Fuller test statistic3.826736 0.9990Test 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 rootExogenous: NoneLag Length: 0 (Automatic based on SIC, MAXLAG=2) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -1.236694 0.1853Test 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 Causality TestsDate: 06/06/12 Time: 09:20Sample: 1999 2010Lags: 2 Null Hypothesis:Obs F-StatisticProb. Y does not Granger Cause X 10 0.608440.5801 X does not Granger Cause Y 0.831180.4879可以看出F统计量是不显著的，X、Y不存在格兰杰成因。
granger因果检验和回归
A如果granger cause B 的话，B 是因变量，A是自变量。A应该很显著。如果不显著，你看看是不是什么地方有错误。或者，你的模型里有一些其他变量，干扰了结果。
granger causality已经不像以前那么流行了。因为，granger causality通过的一些模型，有不少是所谓 spurious model，也就是虚假的模型。而某些很明显有相关经济学含义的变量，GC却根本检查不出来。
GC已经不像以前那么流行了。GC只是统计学上的因果检验，不是经济学意义上的因果检验。你去regress 年度上海大盘指数，on 年度上海人平均身高，一样能得到很强的GC结果。但这两个根本没有经济学关系。所以，就算变量之间不是GC，不意味着没必要做回归。一般劳动力素质（一般用教育来衡量）和经济发展的GC就很弱，但不意味着劳动力素质对经济没影响。
eviews格兰杰检验不通过怎么办
eviews格兰杰检验不通过可以尝试调整格兰杰因果检验的滞后期，变小或者变大。可以尝试调整格兰杰因果检验的滞后期，变小或者变大，如果还是不行建议不做格兰杰因果检验。因为正如楼上所说，格兰杰因果检验只能验证数值上的因果，没有说必须要做，很多好的核心期刊的文章都没有做格兰杰因果检验。
为什么我的格兰杰因果关系检验不通过
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。
格兰杰因果检验结果分析
在0.18283以上的显著性水平下，dlgf是dlgs的格兰杰原因，这个基本上算是没通过检验吧dlgs引起dlgf的方向0.9几，更是完全没通过检验probability那列越小越好，小于0.1你就可以说在alpha=0.1的显著性水平下，如何如何小于0.05你就可以说在alpha=0.05的显著性水平下，如何如何小于0.01你就可以说在alpha=0.05的显著性水平下，如何如何你这个都0.18了，基本没啥价值了
