格兰杰因果关系检验 Granger Causality Test_格兰杰因果检验实例-CSDN博客

本文链接：https://blog.csdn.net/callingfriend/article/details/131294991

文章介绍了如何使用格兰杰因果关系检验来判断五粮液的收盘价是否有助于预测茅台的收盘价。首先对数据进行平稳性检验，然后构建AR(p)模型，接着加入五粮液收盘价的滞后项，最后通过F检验来确定五粮液的收盘价是否为茅台收盘价的格兰杰原因。如果F统计量大于临界值，则拒绝原假设，表明存在因果关系。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

简单思想与步骤

格兰杰因果关系检验，从某种意义上说，并不是真实的因果关系，而是在于判断一个时间序列对于另一个时间序列的预测是否有促进作用。

比如对于茅台和五粮液的收盘价数据，我们想判断五粮液的收盘价是否有助于预测茅台的收盘价，步骤如下
第一步，对数据进行平稳性检验，不平稳的话进行差分之后再检验；
第二步，找到一个关于茅台收盘价的最佳 $A R (p)$ 模型，假设 $ytmt=ϕ0+ϕ1yt−1mt+ϕ2yt−2mt+ϵty^{mt}_t=\phi_0+\phi_1y_{t-1}^{mt}+\phi_2y_{t-2}^{mt}+\epsilon_t$ ；
第三步，加入五粮液的收盘价数据的滞后项，比如 $ytmt=ϕ0+ϕ1yt−1mt+ϕ2yt−2mt+γ1yt−1wly+γ2yt−2wly+ϵty_t^{mt}=\phi_0+\phi_1y_{t-1}^{mt}+\phi_2y_{t-2}^{mt}+\gamma_1y_{t-1}^{wly}+\gamma_2y_{t-2}^{wly}+\epsilon_t$ ；
最后一步，利用F检验，判断是否显著，若拒绝原假设，则说明五粮液的收盘价是茅台收盘价的格兰杰原因(Granger Causal)

关于最后一步，还需要补充几点：

关于加入五粮液收盘的滞后项，要多换几次不同滞后项进行尝试
关于F检验的原假设与具体公式如下：
$H0:γ1=γ2=…=0H_0: \gamma_1=\gamma_2=\ldots=0$ ，即 $y_t^{wly}$ 不是 $y_t^{mt}$ 的格兰杰原因
$H_1:$ 至少有一个 $γi\gamma_i$ 不为0
$F=(SSErm−SSEum)/pSSEum/(n−k)∼F(p,n−k)F=\dfrac{(SSE_{rm}-SSE_{um})/p}{SSE_{um}/(n-k)}\sim F(p,n-k)$ 其中， $SSE_{rm}$ 为约束模型的残差平方和，在本例中即指 $ytmt=ϕ0+ϕ1yt−1mt+ϕ2yt−2mt+ϵty^{mt}_t=\phi_0+\phi_1y_{t-1}^{mt}+\phi_2y_{t-2}^{mt}+\epsilon_t$ 的残差平方和； $SSE_{um}$ 为无约束模型的残差平方和，在本例中即指 $ytmt=ϕ0+ϕ1yt−1mt+ϕ2yt−2mt+γ1yt−1wly+γ2yt−2wly+ϵty_t^{mt}=\phi_0+\phi_1y_{t-1}^{mt}+\phi_2y_{t-2}^{mt}+\gamma_1y_{t-1}^{wly}+\gamma_2y_{t-2}^{wly}+\epsilon_t$ 的残差平方和； $p$ 为 $y_t^{mt}$ 的滞后项数量， $n$ 为样本数， $k$ 为无约束模型中的待估参数个数
则在本例中， $F=(SSErm−SSEum)/2SSEum/(n−4−1)∼F(2,n−5)F=\dfrac{(SSE_{rm}-SSE_{um})/2}{SSE_{um}/(n-4-1)}\sim F(2,n-5)$
显然，当 $SSE_{rm}$ 比 $SSE_{um}$ 越大，说明无约束模型相比于有约束模型的预测效果越好，故当 $F>FαF>F_\alpha$ 时，拒绝 $H_0$ ， $y_t^{wly}$ 是 $y_t^{mt}$ 的格兰杰原因。