实验八 格兰杰因果关系检验
格兰杰因果关系检验
格兰杰因果关系检验因果关系的判断：因果关系的判断分成两类：一类是没有介入因素的情况，另一类是有介入因素的判断。
1. 没干预因素的推论步骤(1)第一步——判断因果关系的前提：行为人的行为给法益制造、升高了法所不允许风险。
(2)第二步——危害结果就是表明出现的结果。
刑法中因果关系中的实害结果，就是指现实出现的结果，不包含假设的结果。
假设的结果与犯罪行为之间的因果关系被称作假设(假设)的因果关系，这种因果关系不是表明的因果关系，不被接纳。
(3)第三步——危害结果是规范保护范围内的结果。
每一个罪名、罪状规范都在保护一种法益，防止一种实害结果。
(4)第四步——危害结果就是行为人统辖范围内的结果。
因果关系探讨的就是还结果，就是行为人统辖内的结果，即为行为人自己存有责任和义务避免出现的结果。
如果避免结果的出现就是他人的统辖范围，则该结果无法免责于行为人。
2. 有介入因素的判断步骤：两步走不异常：引起关系先前犯罪行为与结果存有因果关系介入因素导致(阻断关系)干预因素与否异常先前行为导致异常：单一制关系谁的危害引致结果二者共同导致(叠加关系)3. 干预因素的种类(1)自然时间(2)被害人的特定体质先前行为引发被害人疾病发作，死亡结果与先前行为有因果关系。
先前犯罪行为没引起被害人疾病发作，丧生结果与先前犯罪行为没因果关系。
(3)被害人自身的行为(4)第三人的犯罪行为(5)阻断救助的行为在救助犯罪行为具备救活的可能性时，丧生结果归属于切断救助的犯罪行为，而不归属于先前犯罪行为。
无法查明的案件一、行为人就是一个人(一)一个人实施一个行为这一犯罪行为可能将形成重罪，可能将形成刑事犯罪，可能将不构成犯罪，无法查明到底就是哪种事实。
对此根据难以确定时有助于被告原则，挑选有助于被告的事实予以判定。
(二)一个人实施两个行为二、行为人就是两个人(一)两个人构成共同犯罪根据“部分实行，全部负责管理”原则，无法查明，二人均与结果存有因果关系。
格兰杰因果关系检验
• 如果一个p阶自回归模型AR(p)生成的时间序列是 平稳的，则该p阶自回归模型AR(p)是平稳的。反 之，则不是平稳的。
• 在p阶自回归模型(5.4.3)中引入滞后算子L：
LX t X t1, L2 X t X t2 , , Lp X t X t p
2020/4/10
2、应用中需要注意的几个问题 ⑴滞后期长度选择问题 检验结果对于滞后期长度的选择比较敏感，不同的滞后期 得到的检验结果可能不同。一般而言，需要进行不同滞后 期长度下的检验，以得到比较稳健的结果，并根据模型中 随机干扰项不存在序列相关时的滞后期长度来选取滞后期。
2020/4/10
10
• ⑵时间序列的平稳性问题
• 结构向量自回归模型(SVAR)
• 结构向量自回归模型中包含了变量间的当期关系。变 量间的当期关系揭示了变量之间的相互影响，实质上 是对向量自回归模型施加了基于经济理论分析的限制 性条件，从而识别变量之间的结构关系。结构向量自 回归模型每个方程左边是内生变量，右边是自身的滞 后和其他内生变量的当期和滞后。
• 理论上格兰杰因果关系检验是针对平稳时间序列的， 但实践上也适用于同阶单整非平稳时间序列。
• ⑶样本容量问题
• 对于两个平稳序列而言，随着样本容量的增大，判断 出存在格兰杰因果关系的概率显著增大。为了提高检 验结果的可靠性，应尽可能使用较大的样本。
• ⑷格兰杰因果关系检验是必要性条件检验，而不是充 分性条件检验
2020/4/10
可见，滞 后4期检验 结果最显 著，说明 格兰杰因 果关系检 验时正确 选择滞后 期非常重 要!
24
17
• 例5.4.3 根据表5.1.1中1980-2013年中国居民实际 总消费支出和实际可支配收入数据进行格兰杰因 果关系检验，验证“消费拉动经济增长，经济增 长增加居民可支配收入，居民可支配收入增加推 动消费增长”的理论观点。
格兰杰因果检验原理
格兰杰因果检验原理嘿，朋友们！今天咱来聊聊格兰杰因果检验原理。
这玩意儿啊，就像是生活中的一种奇妙关系探索器。
你想啊，在生活中，我们常常会琢磨一些事情之间是不是有某种特别的关联。
比如说，你发现每次你一打喷嚏，天就好像要下雨，那打喷嚏和下雨之间是不是有啥因果关系呢？格兰杰因果检验原理就像是个超级侦探，专门来探究这些关系。
它可不是随便看看就下结论的哦！它会仔细分析数据，从各种角度去研究。
比如说，A 事件发生在前，B 事件跟着就来了，那是不是 A 导致了 B 呢？但这可没那么简单，不能光看先后顺序呀，还得看它们之间是不是真的有那种内在的、稳定的联系。
好比说，你每天早上喝杯咖啡，然后就觉得精神特别好。
但到底是喝咖啡让你精神好呢，还是你本来就会精神好，喝咖啡只是个巧合呢？格兰杰因果检验原理就会去深入挖掘这些细节，试图找出真正的答案。
它就像是个严谨的裁判，不会轻易被表面现象迷惑。
它要的是确凿的证据，要确定这个因果关系是真的存在，而不是我们自己想象出来的。
再打个比方，你觉得自己每次穿红色衣服出门就会遇到好事，这真的是因为穿红色衣服导致的吗？也许只是巧合呢？格兰杰因果检验原理会帮你搞清楚这到底是怎么回事。
这原理在很多领域都大有用处呢！经济学里可以用它来看看不同经济变量之间的关系，医学里可以用它来研究某种治疗方法和康复效果之间有没有因果联系。
你说这格兰杰因果检验原理是不是特别神奇？它就像一把钥匙，能打开我们对事物之间关系认知的大门。
让我们能更准确地理解这个世界，知道什么是真正的因果，而不是被一些虚假的关联所误导。
总之，格兰杰因果检验原理是个非常有价值的工具，能帮助我们在复杂的世界中找到真正的因果关系。
它让我们不再盲目地相信一些表面的联系，而是用科学的方法去分析、去验证。
所以啊，大家可别小瞧了它哟！原创不易，请尊重原创，谢谢!。
格兰杰因果关系检验
许多经济变量有着相互旳影响关系
GDP
消费
问题：当两个变量在时间上有先导——滞后关系 时，能否从统计上考察这种关系是单向旳还是双 向旳？
即:主要是一种变量过去旳行为在影响另一种变
量旳目前行为呢？还是双方旳过去行为在相互影
响着对方旳目前行为？
1
格兰杰因果关系检验（GRANGER TEST OF CAUSALITY ）
也能够在主菜单栏直接点击
6
k
k
Yt 1 iYti i X ti u1t
i 1
i 1
措施1：
检验X是否为Y 旳Granger原因
reg y L.y L.x (滞后1期)
estat ic (显示AIC与BIC取值,以拟定最佳滞后期)
reg y L.y L.x L2.y L2.x (滞后2期)
estat ic
……
检验H0 : 1 2 k 0
test L.x=L2.x=…=0
GRANGER因果关系检验在STATA中旳操 作
措施2： var y x1 x2 [, lag(1,2,3,…)] (做向量自回归VAR)
vargranger （VAR措施经过把系统中每一种内生变量,作为系统
中全部内生变量旳滞后值旳函数来构造模型）
滞后期长度旳选择： varsoc y x1 x2 (全部旳内生变量)
针对
k
k
Yt 1 iYti i X ti u1t
i 1
i 1
中X滞后项前旳参数整体为零旳假设(X不是Y旳格兰杰原因)
分别做包括与不包括X滞后项旳回归，记前者与后者旳
残差平方和分别为RSSU、RSSR；再计算F统计量：
F (RSSR RSSU ) / m
格兰杰因果关系检验的步骤
格兰杰因果关系检验的步骤（1)将当前的y对所有的滞后项y以及别的什么变量（如果有的话）做回归，即y对y 的滞后项yt—1，yt-2,…，yt-q及其他变量的回归，但在这一回归中没有把滞后项x包括进来，这是一个受约束的回归。
然后从此回归得到受约束的残差平方和RSSR。
（2）做一个含有滞后项x的回归，即在前面的回归式中加进滞后项x,这是一个无约束的回归，由此回归得到无约束的残差平方和RSSUR。
（3)零假设是H0：α1=α2=…=αq=0，即滞后项x不属于此回归。
（4)为了检验此假设，用F检验，即：它遵循自由度为q和（n-k）的F分布。
在这里，n是样本容量，q等于滞后项x的个数，即有约束回归方程中待估参数的个数，k是无约束回归中待估参数的个数。
（5）如果在选定的显著性水平α上计算的F值超过临界值Fα，则拒绝零假设，这样滞后x项就属于此回归，表明x是y的原因。
（6）同样,为了检验y是否是x的原因，可将变量y与x相互替换，重复步骤(1)～（5）。
首先将选定指标（xxx,xxx)对上证指数收益率及标志性股票收益率进行格兰杰因果检验，确定指标与收益率之间是否有因果关系,并以此作为筛选指标的标准。
为了排除其他其他有效变量对残差的影响，将股票收益率预测的几个常用指标(波动率，var，市净率,巴拉巴拉）加入通过格兰杰因果检验的市场情绪指标，一并进行主成分分析(选择主成分分析的原因是这些常用市场预测指标与市场情绪有符合常识的相关性),并选出解释度高的主成分，推算出关于选定指标的回归方程。
即为情绪指标的预测模型。
将预测模型对一千天的数据进行回顾测试,用方差分析检验二者之间是否存在显著差异；再选择市场情绪发生重大波动的特殊时段进行测试，方差分析检验二者是否存在显著差异。
若存在显著差异，考虑滞后影响和变量形态(比如变量的平方），进一步调整模型,直到得到满意的结果（比如置信度99。
99%）。
格兰杰因果关系检验的步骤
格兰杰因果关系检验的步骤1.收集数据：首先需要收集两个时间序列的数据，分别记为X和Y。
这两个时间序列可以是连续的，也可以是离散的，但要求它们均为平稳的时间序列。
2. 拟合模型：接下来，需要为X和Y拟合合适的模型。
常用的模型包括自回归模型（Autoregressive model, AR）、移动平均模型（Moving Average model, MA）和自回归移动平均模型（Autoregressive Moving Average model, ARMA）。
根据数据的特性进行模型的选择。
3. 确定滞后阶数：通过计算自相关函数（Autocorrelation Function, ACF）和偏自相关函数（Partial Autocorrelation Function, PACF），可以确定X和Y的滞后阶数。
滞后阶数表示因果关系所涉及的时间间隔。
4. 拟合向量自回归模型：通过将X和Y的滞后值作为自变量，建立一个向量自回归模型（Vector Autoregressive model, VAR）。
公式形式为：Y = c + A1*Y(lag1) + ... + An*Y(lagN) + B1*X(lag1) + ... +Bn*X(lagN) + ε，其中c为常数项，Ai和Bi为系数矩阵，N为滞后阶数。
5.检验格兰杰因果关系：对于VAR模型，可以通过计算向量自回归残差的协方差矩阵来检验X对Y的格兰杰因果关系。
设VAR模型的残差为e，如果存在一个时间滞后，称之为k，使得滞后残差e(k)与Y的现值Y(t)相关显著，那么就可以认为X对Y具有格兰杰因果关系。
6.计算p值：通过计算格兰杰因果关系检验的统计量，可以得到一个p值。
如果p值小于设定的显著性水平（通常为0.05），则可以拒绝原假设，认为X对Y具有格兰杰因果关系。
7.解释结果：根据检验结果，可以解释变量X对Y的因果关系的方向和强度。
如果X对Y具有正向影响且显著，可以认为X的变动可以导致Y的变动。
格兰杰因果关系检验-资料
检验结果
从2阶滞后期开始，检验模型都拒绝了“X不是Y的格兰杰原因”的假 设，而不拒绝“Y不是X的原因”的假设。
滞后阶数为2或3时，两类检验模型都不存在序列相关性。 由赤池信息准则，发现滞后2阶检验模型拥有较小的AIC值。 可判断：可支配收入X是居民消费支出Y的格兰杰原因，而不是相反， 即国民收入的增加更大程度地影响着消费的增加。
从检验模型随机干扰项1阶序列相关的LM检验看，以Y为被解释变量 的模型的LM=0.897，对应的伴随概率P= 0.343，表明在5%的显著性水平 下，该检验模型不存在序列相关性；但是，以X为被解释变量的模型的 LM=11.37，对应的伴随概率P= 0.001，表明在5%的显著性水平下，该检 验模型存在严重的序列相关性。
3、例
检验1978~2019年间实际可支配收入（X）与居 民实际消费总支出(Y)之间的因果关系。
数据
选择Granger检验
选择检验的序列
确定滞后阶数（1阶）
检验结果
由相伴概率知，在5%的显著性水平下，既拒绝“X不是Y的格兰杰原 因”的假设,也拒绝“Y不是X的格兰杰原因”的假设。因此，从1阶滞后 的情况看，可支配收入X的增长与居民消费支出Y增长互为格兰杰原因 。
–如果双方的过去行为在相互影响着对方的当前行为， 存在双向关系。
• 向量自回归分布滞后模型可以用于变量间关系 的检验。
2、格兰杰因果关系检验
m
Yt iXti iYti 1t
i1
i1
m
m
Xt iYti iXti 2t
i1
i1
格兰杰因果关系检验 Granger Test of Causality
1、原理
• 自回归分布滞后模型揭示：某变量的变化受其 自身及其他变量过去行为的影响。
var格兰杰因果关系检验
var格兰杰因果关系检验【原创实用版】目录一、格兰杰因果关系检验的定义与背景二、格兰杰因果关系检验的方法三、格兰杰因果关系检验的应用领域四、格兰杰因果关系检验的局限性正文一、格兰杰因果关系检验的定义与背景格兰杰因果关系检验（Granger Causality Test）是一种用于分析经济变量之间因果关系的统计方法，该方法由 2003 年诺贝尔经济学奖得主克莱夫·格兰杰（Clive W.J.Granger）所开创。
格兰杰因果关系检验并不是检验逻辑上的因果关系，而是关注变量间的先后顺序，即一个变量的前期信息是否会影响到另一个变量的当期。
二、格兰杰因果关系检验的方法格兰杰因果关系检验主要包括以下几个步骤：1.单位根检验：检验变量序列是否稳定，若存在单位根，则需进行差分处理。
2.协整检验：检验变量间是否存在长期的均衡关系，若存在协整关系，则可以进行格兰杰因果关系检验。
3.格兰杰因果关系检验：根据协整关系，利用最小二乘法对变量进行预测，并计算预测误差的方差。
若某个变量的预测误差方差显著小于另一个变量的预测误差方差，则可以认为前者是后者的格兰杰原因。
三、格兰杰因果关系检验的应用领域格兰杰因果关系检验广泛应用于经济学、金融学、生物信息学、机器学习和数据挖掘等领域。
在经济学领域，格兰杰因果关系检验可用于分析不同经济变量之间的因果关系，如国内生产总值（GDP）与通货膨胀率（CPI）之间的关系等。
在生物信息学领域，格兰杰因果关系检验可用于分析基因与疾病之间的关联性。
四、格兰杰因果关系检验的局限性尽管格兰杰因果关系检验在分析变量间因果关系方面具有一定的优势，但该方法也存在一定的局限性：1.格兰杰因果关系检验只能检验变量间的先后关系，无法确认因果关系的具体方向。
2.该方法受到样本量和数据质量的影响较大，当样本量较小或数据质量较低时，检验结果可能存在偏误。
格兰杰因果检验详细步骤
格兰杰因果检验详细步骤
嘿，朋友们！今天咱来聊聊格兰杰因果检验的详细步骤，这可有意思啦！
你想想看，就像我们在生活中找原因一样，格兰杰因果检验就是帮我们在一堆数据里找出谁是因谁是果。
那到底咋弄呢？
首先啊，咱得有数据，这就好比做饭得有食材呀！把相关的数据都准备好，整整齐齐地放那。
然后呢，开始计算啦！看看这些数据之间有没有啥特别的关系。
这就好像侦探在找线索，一点点地分析。
接下来，要进行统计检验咯！这就像是给这些线索做个鉴定，看看是不是真的靠谱。
再然后呀，根据检验的结果来判断啦！如果通过了，那就说明可能有因果关系哦。
举个例子吧，就好比说你发现每次下雨前家里的湿度都会升高，那是不是可以说下雨是湿度升高的原因呢？当然啦，这只是个简单的类比，实际的格兰杰因果检验可比这复杂多啦！
但咱别怕呀，一步一步来，就像爬山一样，慢慢往上爬，总能到山顶的。
在这个过程中，可能会遇到一些小挫折，数据不太听话啥的，可别灰心！就当是和数据玩个小游戏，斗智斗勇呗。
而且哦，学会了这个格兰杰因果检验，那可牛啦！你就能在很多领域大显身手啦，经济呀、统计呀，都能用上。
总之呢，格兰杰因果检验虽然有点复杂，但只要咱有耐心，有决心，肯定能把它拿下！大家加油呀！。
格兰杰因果关系检验.
格兰杰因果关系检验一、经济变量之间的因果性问题计量经济模型的建立过程，本质上是用回归分析工具处理一个经济变量对其他经济变量的依存性问题，但这并不是暗示这个经济变量与其他经济变量间必然存在着因果关系。
由于没有因果关系的变量之间常常有很好的回归拟合，把回归模型的解释变量与被解释变量倒过来也能够拟合得很好，因此回归分析本身不能检验因果关系的存在性，也无法识别因果关系的方向。
假设两个变量，比如国内生产总值GDP 和广义货币供给量M ，各自都有滞后的分量GDP （-1），GDP （-2）…，M （-1），M （-2），…，显然这两个变量都存在着相互影响的关系。
但现在的问题是：究竟是M 引起GDP 的变化，还是GDP 引起M 的变化，或者两者间相互影响都存在反馈，即M 引起GDP 的变化，同时GDP 也引起M 的变化。
这些问题的实质是在两个变量间存在时间上的先后关系时，是否能够从统计意义上检验出因果性的方向，即在统计上确定GDP 是M 的因，还是M 是GDP 的因，或者M 和GDP 互为因果。
因果关系研究的有趣例子是回答“先有鸡还是先有蛋”的问题。
1988年有两位学者Walter N. Thurman 和Mark E. Fisher 用美国1930——1983年鸡蛋产量（EGGS ）和鸡的产量（CHICKENS ）的年度数据，对此问题进行了统计研究。
他们运用格兰杰的方法检验鸡和蛋之间的因果关系，结果发现，鸡生蛋的假设被拒绝，而蛋生鸡的假设成立，因此，蛋为因，鸡为果，也就是先有蛋。
他们并建议作其他诸如“谁笑在最后谁笑得最好”、“骄傲是失败之母”之类的格兰杰因果检验。
二、格兰杰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。
他给因果关系的定义为“依赖于使用过去某些时点上所有信息的最佳最小二乘预测的方差。
r语言格兰杰因果关系检验
r语言格兰杰因果关系检验格兰杰因果关系检验（Granger causality test）是一种用于分析时间序列数据的方法，用于确定两个变量之间是否存在因果关系。
该方法基于因果关系的定义，即一个变量的变化是否能够在未来预测另一个变量的变化。
本文将介绍格兰杰因果关系检验的原理、步骤以及相关实现方法。
格兰杰因果关系检验的原理基于时间序列的因果关系理论。
该理论认为，如果一个时间序列能够显著地预测另一个时间序列的变化，那么可以认为这两个序列之间存在因果关系。
格兰杰因果关系检验通过统计方法来判断这种关系的显著性。
格兰杰因果关系检验的步骤如下：1. 确定时间序列数据：首先需要确定需要研究的时间序列数据，并将其表示为向量。
通常情况下，这两个时间序列被称为Y和X。
2. 拟合线性回归模型：对于每个时间点，使用历史数据对Y和X分别进行线性回归分析。
即对于每个时间点t，使用t之前的历史数据来估计Y的回归方程和X的回归方程。
3. 检验Y是否能够预测X：根据拟合的回归模型，计算残差序列ε_Y和ε_X。
然后使用统计方法检验Y的回归模型对于X的预测能力是否显著。
常用的统计检验方法有F检验和t检验。
4. 检验X是否能够预测Y：类似地，根据拟合的回归模型，计算残差序列ε_X和ε_Y。
然后使用统计方法检验X的回归模型对于Y的预测能力是否显著。
5. 判断因果关系：通过比较上述两个检验的结果，可以得出结论是否存在因果关系。
如果Y的回归模型对于X的预测显著，而X的回归模型对于Y的预测不显著，则可以认为Y对于X有因果关系。
在R语言中，可以使用“vars”包进行格兰杰因果关系检验。
首先，需要安装并加载该包：```install.packages("vars")library(vars)```接下来，假设我们有两个时间序列数据Y和X，可以使用以下代码进行格兰杰因果关系检验：```# 将时间序列数据转换为矩阵形式data <- cbind(Y, X)# 构建VAR模型model <- VAR(data)# 进行格兰杰因果关系检验granger.test(model, p = 2)```这里的参数p表示使用的滞后阶数，可以根据实际情况进行调整。
var格兰杰因果关系检验
var格兰杰因果关系检验摘要：1.VAR 模型与格兰杰因果关系检验2.格兰杰因果关系检验的方法3.格兰杰因果关系检验的应用4.格兰杰因果关系检验的局限性正文：一、VAR 模型与格兰杰因果关系检验格兰杰因果关系检验（Granger Causality Test）是一种用于分析经济变量之间因果关系的统计方法，它是由2003 年诺贝尔经济学奖得主克莱夫·格兰杰（Clive W.J.Granger）所开创。
格兰杰因果关系检验方法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。
VAR（Vector Autoregression）模型是一种用于时间序列数据分析的统计模型，它可以用来研究多个变量之间的相互影响关系。
在VAR 模型中，我们通常通过建立回归方程，来研究一个变量与其他变量的关系。
而格兰杰因果关系检验则是在VAR 模型的基础上，进一步研究变量之间的因果关系。
二、格兰杰因果关系检验的方法格兰杰因果关系检验的方法可以分为以下几个步骤：1.单整检验：首先对各个变量进行单整检验，以确保它们是平稳序列或者存在同阶单整的协整关系。
2.协整检验：在单整检验的基础上，进行协整检验，以确定哪些变量之间存在协整关系。
协整关系意味着这些变量之间存在长期的稳定关系。
3.格兰杰因果关系检验：在协整关系的基础上，进行格兰杰因果关系检验。
这一步包括两个部分：一是建立回归方程，二是进行假设检验。
建立回归方程的目的是研究一个变量与其他变量的关系；假设检验的目的是检验回归系数是否显著不为零。
如果某个变量的回归系数显著不为零，则说明该变量与其他变量存在格兰杰因果关系。
三、格兰杰因果关系检验的应用格兰杰因果关系检验在经济学、金融学、生物信息学、机器学习和数据挖掘等领域都有广泛应用。
在经济学领域，格兰杰因果关系检验可以用来研究价格、利率、产出等经济变量之间的关系；在金融学领域，可以用来研究股票价格、汇率等金融变量之间的关系；在生物信息学领域，可以用来研究基因与疾病之间的关联关系；在机器学习和数据挖掘领域，可以用来研究特征变量与目标变量之间的关系。
格兰杰因果分析及单位根检验解读
格兰杰因果分析及单位根检验解读格兰杰因果分析及单位根检验一，首先我根据ADF检验结果，来说明这两组数据对数情况下是否是同阶单整的（同阶单整即说明二者是协整的，这是一种协整检验的方法），我对你的两组数据分别作了单位根检验，结果如下：1.LNFDI水平下的ADF结果：Null Hypothesis: LNFDI has a unit rootExogenous: ConstantLag Length: 2 (Automatic based on AIC, MAXLAG=3 Augmented Dickey-Fuller test statistict-Statistic Prob.*-1.45226403166189 0.526994561264069Test critical values:1% level -4.004424924017175% level -3.0988964053233710% level -2.69043949557234*MacKinnon (1996 one-sided p-values.Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 14 从上面的t-Statistic对应的值可以看到， -1.45226403166189大于下面所有的临界值，因此LNFDI在水平情况下是非平稳的。
然后我对该数据作了二阶，再进行ADF检验结果如下：t-Statistic Prob.*- 2.8606168858628 0.0770552989049772Test critical values:1% level -4.057909684396635% level -3.1199095651240810% level -2.70110325490427看到t-Statistic的值小于10% level下的-2.70110325490427，因此可以认为它在二阶时，有90%的可能性，是平稳的。
格兰杰因果关系检验
Dept.of Economic,Huashang College GuangDong University of Business Studies
（接上页数据表）
地
湖南 广东 广西 海南 重庆 四川 贵州 云南 西藏 陕西 甘肃 青海 宁夏 新疆
区
城市居民家庭平均每人每 年消费支出(元)Y
Dept.of Economic,Huashang College GuangDong University of Business Studies
3、基本思想 如果X的变化引起Y的变化，则X的变化 应发生在Y的变化之前。
如果“X是引起Y变化的原因”，则应满足： ①X应有助于预测Y ②Y不应有助于预测X 用F检验来确定X的滞后值是否对第一个回归 到解释能力有显著,Huashang College GuangDong University of Business Studies
5、注意几点：
①滞后量m的选取：任意的，一般来说，要多试几 个不同的m值。 ②不足之处：无法检验第三方影响变量 ③易误会之处：Granger检验仅从数值上作判断， 最终的判断还要看实际的经济意义上。
Dept.of Economic,Huashang College GuangDong University of Business Studies
4、检验方法：
原假设 备择假设
①检验：“X不是引起Y变化的原因” 作两个回归模型进行估计 无限制条件回归： = a Y + b X + μ Yt ∑ i t −i ∑ i t −i t 有限制条件回归： = a Y + μ Yt ∑ i t −i t
Dept.of Economic,Huashang College GuangDong University of Business Studies
格兰杰因果检验原假设
格兰杰因果检验是一种统计方法，用于检验两个变量之间是否存在因果关系。
原假设是指两个变量之间不存在因果关系，即变量A不会对变量B产生影响。
在格兰杰因果检验中，首先需要收集关于变量A和变量B的数据。
然后，通过计算相关系数来衡量两个变量之间的相关性。
如果相关系数接近于0，说明两个变量之间没有明显的相关性，支持原假设。
如果相关系数远离0，说明两个变量之间存在相关性，拒绝原假设。
需要注意的是，格兰杰因果检验只能提供相关性的信息，不能确定因果关系的存在与否。
因果关系需要通过其他研究设计和方法来进行验证。
1。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验八格兰杰因果关系检验一、因果关系等同于相关关系吗？从一个回归关系式我们并不能确定变量之间是否具有因果关系。
二、Granger因果检验X是Y的原因，必须满足两个条件（1）X应该有助于预测Y（2）Y不应当有助于预测X【实验目的】掌握格兰杰因果检验的基本思想【实验数据】序号SZ SH序号SZ SH序号SZ SH序号SZ SH1 336.56 1125.82 201 430.46 1465.23 401 604.01 1950.66 601 638.7 2161.342 334.89 1119.97 202 434.75 1471.38 402 607.58 1959.31 602 635.83 2146.243 338.3 1132.59 203 432.44 1464.03 403 612.17 1972.04 603 637.37 2140.984 339.18 1137.73 204 428.28 1450.15 404 615.67 1979.1 604 636.78 2146.545 349.84 1168.81 205 426.02 1443.91 405 613.2 1988.94 605 644.91 2150.276 351.11 1172.81 206 426.97 1450.33 406 612.99 1979.51 606 643.8 2179.627 346.44 1158.87 207 426.65 1451.54 407 603.26 1978.43 607 633.43 2169.018 344.1 1148.15 208 422.05 1431.32 408 588.98 1946.75 608 626.48 2136.459 342.69 1148.66 209 429.92 1462.79 409 594.84 1903.15 609 619.54 2112.2610 339.64 1137.31 210 436.87 1482.45 410 590.08 1922.29 610 611.51 2094.0111 344.87 1153.12 211 432.85 1468.47 411 584.44 1907.31 611 577.88 2065.7312 346.93 1158.55 212 431.06 1464.59 412 578.93 1891.98 612 566.51 1956.8213 345.06 1151.37 213 431.51 1462.99 413 583.16 1875.91 613 587.29 1920.3214 347.83 1158.5 214 429.5 1454.58 414 590.71 1887.83 614 578.44 1986.9315 348.77 1162.35 215 426.35 1444.24 415 583.1 1914.09 615 579.37 1957.0316 343.95 1148.12 216 427.21 1444.51 416 590.37 1889.29 616 557.51 1958.717 340.75 1138.21 217 423.82 1435.47 417 592.91 1910.16 617 564.14 1882.1318 343.85 1146.49 218 423.94 1434.97 418 600.14 1915.35 618 562.03 1903.9319 340.78 1140.98 219 428.42 1447.12 419 598.11 1942.15 619 572.81 1895.1720 340.69 1134.67 220 424.36 1435.84 420 595.18 1933.73 620 580.95 1924.5921 337.68 1120.53 221 424.67 1437.23 421 593.63 1926.32 621 581.39 1955.0422 338.81 1125.01 222 422.26 1427 422 589.51 1917.92 622 575.42 1955.123 335.59 1116.87 223 422.7 1428.26 423 591.25 1902.81 623 578.36 1939.5424 330.09 1103.5 224 421.04 1424.85 424 597.07 1909.49 624 570.53 1947.3625 322.76 1081.44 225 418.81 1416.73 425 592.62 1922.85 625 570.62 1919.6426 316.56 1065.82 226 423.3 1428.94 426 602.25 1913.42 626 575.34 192427 324.22 1090.09 227 419.42 1417.11 427 606.6 1947.46 627 578.48 1934.4928 327.84 1097.98 228 422.25 1422.26 428 607.21 1958.94 628 569.93 1938.8829 328.79 1100.92 229 429.84 1451.06 429 611.4 1956.34 629 571.36 1903.4530 336.12 1128.74 230 424.28 1434.87 430 606.29 1977.25 630 566.13 1902.9931 336.54 1128.95 231 419.38 1419.55 431 607.89 1967.67 631 547.27 1886.832 339.76 1132.36 232 412.35 1395.5 432 609.51 1967.41 632 552.45 1827.2533 342.75 1142.11 233 409.75 1387.51 433 605.02 1973.58 633 553.88 1843.3934 341.35 1136.94 234 403.8 1369.46 434 609.49 1961.29 634 549.69 1847.5435 340.46 1132.74 235 399.35 1355.37 435 611.77 1977.36 635 548.48 1839.6436 346.64 1149.93 236 395.69 1345.35 436 611.37 1984.26 636 543.39 1834.1437 349.13 1158.7 237 396.33 1348.82 437 614.03 1981.63 637 557.57 1817.1938 350.59 1164.64 238 399.22 1356.93 438 614.87 1991.17 638 558.62 1862.3639 350.26 1166.93 239 402.18 1366.58 439 618.67 1997.08 639 556.46 1868.2740 347.89 1159.1 240 414.69 1406.37 440 625.71 2012.91 640 538.97 1861.5641 344.67 1151.99 241 415.96 1409.68 441 629.56 2032.48 641 552.28 1808.8542 351.03 1172.93 242 433.06 1463.94 442 636.59 2047.46 642 552.98 1856.5343 351.47 1172.74 243 449.16 1516.6 443 640.37 2070.79 643 545.77 1863.7844 351.5 1170.95 244 458.73 1545.11 444 640.18 2085.12 644 542.91 1852.6145 350.72 1169.03 245 439.99 1479.78 445 645.28 2081.91 645 534.8 1839.9146 346.39 1156.85 246 427.94 1438.02 446 643.98 2095.98 646 521.57 1818.3947 347.58 1161.12 247 425.15 1424.44 447 645.82 2093.24 647 525.95 1784.6148 350.89 1169.49 248 420.47 1408.85 448 644.73 2101.39 648 532.93 1798.6349 346.35 1157.51 249 427.46 1433.33 449 652.58 2097.98 649 531.04 1822.750 348.24 1158.05 250 427.82 1426.62 450 654.37 2113.3 650 526.29 1818.4251 350.38 1168.5 251 434.06 1440.72 451 633.4 2119.44 651 522.48 1807.0252 353.39 1184.4 252 441.42 1466.86 452 633.33 2053.37 652 521.43 1794.9653 356.29 1194.47 253 443.72 1465.09 453 642.33 2049.67 653 514.44 1793.8954 356.76 1199.6 254 451.78 1477.34 454 638.17 2079.4 654 512.96 1767.8255 357.19 1201.63 255 451.85 1476.51 455 639.22 2067.5 655 512.98 1764.9456 356.14 1202.47 256 453.58 1481.12 456 642.75 2070.61 656 501 1764.8857 355.08 1205.14 257 460.74 1506.77 457 647.41 2081.84 657 506.74 1726.5458 351.44 1195.34 258 469.65 1535 458 645.98 2092.14 658 488.71 1744.6459 347.77 1178.19 259 512.24 1673.94 459 638.93 2091.67 659 475.35 1686.6260 349.55 1181.52 260 514.89 1670.67 460 635.89 2075.63 660 488.66 1638.3361 344.78 1170.62 261 527.11 1693.11 461 637.24 2075.04 661 484.45 1691.3362 342.71 1166.24 262 509.79 1640.65 462 627.63 2073.1663 342.06 1159.47 263 518.96 1668.09 463 632.69 2046.0864 345.08 1171.6 264 521.71 1677.14 464 632.55 2059.0565 339.14 1144.07 265 504.62 1632.29 465 631.64 2056.1266 337.77 1137.16 266 490.95 1594.93 466 628.82 2051.0867 342.37 1140 267 504.82 1634.31 467 630.28 2039.3668 337.01 1112.79 268 503.97 1631.58 468 630.91 2044.5569 329.59 1091.7 269 526.18 1704.86 469 637.07 2049.0370 327.51 1091.09 270 524.64 1714.58 470 637.57 2071.2771 333.76 1116.41 271 523.83 1697.74 471 634.92 2076.8972 336.3 1120.93 272 532.14 1738.02 472 632.91 2069.7773 334.28 1111.76 273 511.43 1681.09 473 635.08 2068.1774 335.02 1116.93 274 517.99 1694.8 474 628.51 2076.2775 338.43 1128.22 275 526.79 1726.03 475 629.9 2058.2476 335.05 1120.74 276 526.57 1732.35 476 635.73 2053.777 319.53 1071.93 277 519.34 1705.05 477 644.66 2073.4878 326.01 1095.4 278 528.34 1728.88 478 649.75 2103.4779 325.8 1100 279 517.18 1685.35 479 647.36 2123.980 322.17 1088.86 280 520.03 1681.47 480 648.67 2117.4181 313.27 1063.28 281 495.32 1607.53 481 640.19 2125.382 311.97 1065.56 282 512.42 1658.6 482 638.75 2102.0683 310.65 1059.87 283 527.35 1699.25 483 645.53 2101.1484 325.71 1109.09 284 531.53 1710.32 484 643.32 2125.6185 335.39 1147.71 285 536.25 1720.45 485 638.64 2119.1486 338.95 1168.72 286 545.11 1747.24 486 617.39 2104.7587 352.9 1213.65 287 540.71 1730.5 487 620.33 2032.4488 349.31 1202.89 288 557.4 1775.91 488 617.19 2045.8989 358.77 1236.05 289 561.24 1791.44 489 618.46 2034.5890 372.16 1283.02 290 558.63 1788.81 490 626.18 2043.1191 370.49 1277.15 291 565.36 1810.98 491 609.62 2065.6192 370.87 1279.33 292 560.99 1800.23 492 604.77 2008.0393 380 1311.59 293 557.93 1801 493 599.51 1995.3294 374.68 1287.93 294 545.43 1760.69 494 582.43 1979.9495 370.14 1268.32 295 549.83 1771.2 495 590.34 1930.1496 378.04 1285.58 296 561.67 1809.14 496 589.86 1956.9797 389.32 1326.52 297 566.02 1819.9 497 591.36 1961.2298 392.21 1333.64 298 569.97 1826.06 498 591.85 1963.5399 397.35 1348.61 299 568.87 1821.17 499 586.78 1963.2 100 402.36 1364.34 300 563.85 1807.33 500 585.68 1946.48 101 407.01 1370.39 301 569.56 1831.55 501 591.31 1941.96 102 422.7 1427.71 302 569.1 1833.67 502 587.29 1967.55 103 406.27 1387.59 303 556.39 1795.06 503 570.96 1953.22 104 428.56 1460.17 304 562.07 1813.5 504 568.26 1909.33 105 440.84 1501.01 305 565.46 1828.71 505 575.81 1907.26 106 443.88 1498.92 306 569.22 1847.03 506 583.44 1936.35 107 460.18 1546.41 307 565.27 1841.06 507 586.25 1954.69 108 467.9 1564.44 308 562.36 1837.4 508 585.41 1962.04 109 481.05 1606.5 309 562.72 1833.47 509 589.22 1959.18 110 498 1654.11 310 562.68 1832.78 510 595.52 1965.12 111 479.85 1593.86 311 555.45 1806.83 511 595.12 1985.11 112 512.75 1693.16 312 566.93 1836.32 512 596.29 1984.2 113 525.14 1739.2 313 567.48 1836.64 513 597.3 1990.06114 507.59 1689.43 314 559.41 1806.64 514 601.62 1991.18 115 466.63 1560.79 315 540.75 1752.69 515 606.75 2000.9 116 485.59 1613.53 316 529.32 1724.05 516 608.86 2011.66 117 475.94 1581.82 317 529.26 1720.61 517 604.36 2012.55 118 455.2 1517.25 318 522.22 1704.59 518 610.5 1998.7 119 470.64 1568.65 319 529.91 1724.54 519 612.54 2018.62 120 476.1 1577.99 320 530.03 1725.4 520 613.34 2022.6 121 478.83 1584.75 321 542.42 1758.54 521 619.65 2020.24 122 471.52 1559.73 322 550.84 1777.83 522 624.63 2036.62 123 456.11 1524.82 323 565.57 1824.74 523 629.72 2045.79 124 468.93 1559.52 324 566 1832.08 524 635.24 2066.39 125 465.38 1549.34 325 572.18 1855.49 525 623.55 2087.53 126 454.15 1519.74 326 579.72 1880.7 526 634.18 2053.54 127 438.27 1479.08 327 580.33 1879.62 527 641.94 2089.88 128 469.07 1574.6 328 586.5 1898.75 528 642.05 2107.26 129 477.14 1609.81 329 579.7 1877.47 529 638.2 2106.87 130 457.92 1550.73 330 584.21 1894.55 530 642.12 2101.66 131 467.23 1585.98 331 587.31 1903.49 531 645.03 2112.78 132 472.3 1602.03 332 591.4 1916.25 532 642.16 2125.08 133 469.58 1590.71 333 584.96 1899.09 533 631.9 2123.05 134 472.87 1597.2 334 594.59 1925.54 534 640.05 2090.72 135 472.44 1595.86 335 596.89 1935.03 535 638.66 2112.6 136 473.19 1601.46 336 591.36 1925.21 536 641.7 2108.61 137 479.09 1616.28 337 584.16 1900.79 537 645.32 2117.37 138 480.26 1626.84 338 586.61 1912.56 538 645.96 2128.48 139 485.27 1649.13 339 594 1938.67 539 646.52 2131.4 140 484.8 1653.54 340 592.03 1932.29 540 648.66 2134.8 141 483.18 1646.59 341 594.19 1942.29 541 655.24 2145.4 142 479.15 1628.84 342 590.42 1926.94 542 656.51 2168.06 143 471.8 1602.15 343 589.01 1915.21 543 654.3 2176.68 144 465.18 1583.4 344 584.87 1895.35 544 653.35 2172.56 145 463.28 1575.64 345 592.47 1913.13 545 647.58 2172.87 146 461.55 1571.9 346 593.11 1913.9 546 645.35 2152.34 147 456.46 1560.07 347 600.58 1939.63 547 649.03 2150.43 148 460.81 1576.41 348 606.55 1948.64 548 636.05 2166.17 149 460.8 1581.93 349 606.91 1942.9 549 631.94 2119.18 150 477.74 1637.74 350 607.63 1947.48 550 635.05 2105.06 151 474.98 1628.93 351 606.14 1937.26 551 636.32 2115.11 152 477.86 1645 352 602.06 1928.11 552 641.86 2119.18 153 479.97 1648.47 353 591.04 1895.64 553 641.27 2137.99 154 473.25 1625.77 354 596.71 1907.93 554 644.12 2132.89 155 475.71 1638.23 355 596.2 1909.19 555 645.82 2147.28 156 476.19 1633.9 356 594.15 1902.55 556 650.6 2155.41 157 471.78 1619.04 357 601.67 1932.79 557 653.33 2178.47158 474.43 1627.12 358 605.69 1948.02 558 656.11 2191.06 159 466.07 1599.55 359 609.56 1960.54 559 653.54 2199.51 160 469.94 1611.96 360 612.35 1973.37 560 656.88 2194.65 161 464.33 1587.89 361 613.32 1979.2 561 660 2203.37 162 458.3 1560.68 362 615.14 1987.19 562 659.56 2213.6 163 459.39 1562.79 363 610.26 1982.48 563 655.82 2210.34 164 462.57 1571.6 364 614.32 1993.99 564 656.14 2197.6 165 490.46 1675.12 365 615.01 1998.43 565 655.22 2198.3 166 486.08 1659.93 366 614.24 1991.56 566 650.64 2193.58 167 489.93 1670.14 367 615.39 1996.34 567 649.91 2179.7 168 490.58 1672.89 368 613.02 1989.24 568 658.48 2180.28 169 486.19 1662.8 369 614.99 1996.58 569 659.36 2211.2 170 482.5 1645.51 370 619.24 2012.32 570 659.64 2214.26 171 483 1648.56 371 619.63 2012.35 571 658.64 2219.59 172 477.74 1633.84 372 621.52 2012.79 572 660.09 2226.78 173 476.7 1625.59 373 624.9 2023.54 573 663.78 2234.99 174 475.74 1617.06 374 625.75 2028.15 574 660.28 2238.5 175 471.91 1604.2 375 627.02 2030.68 575 658.29 2229.81 176 476.33 1619.33 376 630.16 2036.3 576 656.3 2223.07 177 472.05 1602.16 377 625.48 2026.36 577 659.3 2214.62 178 468.77 1591.43 378 629.23 2039.42 578 664.85 2222.96 179 467.09 1584.95 379 633.51 2049.92 579 653.64 2242.42 180 464.74 1570.7 380 635.03 2061.18 580 657.46 2202.4 181 455.75 1534.52 381 634.5 2065.94 581 645.23 2210.97 182 452.33 1522.48 382 634.14 2062.67 582 646.75 2167.65 183 455.94 1537.8 383 637.96 2076.3 583 643.96 2170.45 184 447.29 1507.42 384 638.43 2076.82 584 650.7 2163.12 185 445.02 1508.73 385 638.72 2083.47 585 656.36 2189.15 186 455.46 1543.8 386 639.37 2091.59 586 662.47 2206.07 187 443.51 1501.67 387 643.85 2090.18 587 663.11 2230.2 188 432.71 1470.9 388 632.99 2108.69 588 662.04 2233.59 189 436 1485.83 389 627.16 2074.7 589 658.34 2229.83 190 425.82 1458.53 390 631.01 2057.92 590 658.27 2219.25 191 438.26 1497.46 391 636.46 2071.16 591 654.17 2218.03 192 430.75 1468.27 392 639.92 2086.7 592 655.51 2205.99 193 435.96 1482.67 393 642.55 2100.59 593 653.42 2211.83 194 451.58 1536.82 394 635.14 2105.48 594 646.71 2202.06 195 444.94 1514.53 395 617.42 2076.14 595 643.03 2181.66 196 442.07 1504.56 396 611.53 2021.2 596 643.41 2170.52 197 437.46 1493.1 397 616.55 1999.86 597 650.35 2169.66 198 436.58 1487.47 398 604.52 2010.6 598 643.68 2189.79 199 434.25 1475.68 399 593.73 1963.79 599 643.6 2168.74 200 430.1 1464.83 400 601.74 1925.91 600 642.69 2165.49【实验步骤】（1）创建一个1-661的截面序列工作文件，创建变量，并输入数据。