格兰杰因果检验操作案例
格兰杰因果检验(正式版)
一．北京的存款增长对北京的人均GDP增长的格兰杰因果检验（一）单根检验1.A1（北京的存款增长）的单根检验Null Hypothesis: A1 has a unit rootExogenous: ConstantLag Length: 0 (Automatic based on SIC, MAXLAG=6)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -4.218621 0.0029 Test critical values: 1% level -3.6998715% level -2.97626310% level -2.627420*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(A1)Method: Least SquaresDate: 10/25/11 Time: 10:04Sample (adjusted): 1983 2009Included observations: 27 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.A1(-1) -0.835841 0.198131 -4.218621 0.0003C 19.33463 5.072943 3.811324 0.0008R-squared 0.415844 Mean dependent var 0.105185 Adjusted R-squared 0.392477 S.D. dependent var 14.84304 S.E. of regression 11.56922 Akaike info criterion 7.805761 Sum squared resid 3346.172 Schwarz criterion 7.901749 Log likelihood -103.3778 F-statistic 17.79676 Durbin-Watson stat 2.021836 Prob(F-statistic) 0.0002822.A2（北京人均GDP增长）的单根检验（1）未滞后Null Hypothesis: A2 has a unit rootExogenous: ConstantLag Length: 0 (Automatic based on SIC, MAXLAG=6)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -2.648793 0.0960 Test critical values: 1% level -3.6998715% level -2.97626310% level -2.627420*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(A2)Method: Least SquaresDate: 10/25/11 Time: 10:08Sample (adjusted): 1983 2009Included observations: 27 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.A2(-1) -0.479685 0.181096 -2.648793 0.0138C 6.910332 2.804785 2.463765 0.0210R-squared 0.219143 Mean dependent var -0.148148 Adjusted R-squared 0.187909 S.D. dependent var 5.045590 S.E. of regression 4.546889 Akaike info criterion 5.937951 Sum squared resid 516.8550 Schwarz criterion 6.033939 Log likelihood -78.16234 F-statistic 7.016106 Durbin-Watson stat 1.735513 Prob(F-statistic) 0.013795（2）.A2(-1)单根检验Null Hypothesis: A2(-1) has a unit rootExogenous: ConstantLag Length: 0 (Automatic based on SIC, MAXLAG=6)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -2.962731 0.0519 Test critical values: 1% level -3.7114575% level -2.98103810% level -2.629906*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(A2(-1))Method: Least SquaresDate: 10/25/11 Time: 10:11Sample (adjusted): 1984 2009Included observations: 26 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.A2(-2) -0.540309 0.182368 -2.962731 0.0068C 8.050071 2.860246 2.814468 0.0096R-squared 0.267797 Mean dependent var -0.019231 Adjusted R-squared 0.237288 S.D. dependent var 5.099962 S.E. of regression 4.453969 Akaike info criterion 5.899272 Sum squared resid 476.1083 Schwarz criterion 5.996049 Log likelihood -74.69054 F-statistic 8.777775 Durbin-Watson stat 1.776754 Prob(F-statistic) 0.006779（3）.A2(-2)单根检验（效果不好）Null Hypothesis: A2(-2) has a unit rootExogenous: ConstantLag Length: 0 (Automatic based on SIC, MAXLAG=5)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -2.862298 0.0642 Test critical values: 1% level -3.7240705% level -2.98622510% level -2.632604*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(A2(-2))Method: Least SquaresDate: 10/25/11 Time: 10:13Sample (adjusted): 1985 2009Included observations: 25 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.A2(-3) -0.505189 0.176498 -2.862298 0.0088C 7.816925 2.752981 2.839440 0.0093R-squared 0.262649 Mean dependent var 0.328000 Adjusted R-squared 0.230590 S.D. dependent var 4.881386 S.E. of regression 4.281757 Akaike info criterion 5.823222 Sum squared resid 421.6692 Schwarz criterion 5.920732 Log likelihood -70.79028 F-statistic 8.192747 Durbin-Watson stat 1.790508 Prob(F-statistic) 0.0088093.A3(A2的对数化)单根检验（1）未滞后Null Hypothesis: A3 has a unit rootExogenous: ConstantLag Length: 0 (Automatic based on SIC, MAXLAG=6)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -2.611346 0.1031 Test critical values: 1% level -3.6998715% level -2.97626310% level -2.627420*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(A3)Method: Least SquaresDate: 10/25/11 Time: 10:16Sample (adjusted): 1983 2009Included observations: 27 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.A3(-1) -0.533566 0.204326 -2.611346 0.0150C 1.387300 0.542896 2.555371 0.0171R-squared 0.214309 Mean dependent var -0.020242 Adjusted R-squared 0.182882 S.D. dependent var 0.372695 S.E. of regression 0.336896 Akaike info criterion 0.733104 Sum squared resid 2.837478 Schwarz criterion 0.829092 Log likelihood -7.896903 F-statistic 6.819130 Durbin-Watson stat 1.623005 Prob(F-statistic) 0.015031（2）A3(-1)单根检验Null Hypothesis: A3(-1) has a unit rootExogenous: ConstantLag Length: 0 (Automatic based on SIC, MAXLAG=6)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -3.411417 0.0198 Test critical values: 1% level -3.7114575% level -2.98103810% level -2.629906*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(A3(-1))Method: Least SquaresDate: 10/25/11 Time: 10:17Sample (adjusted): 1984 2009Included observations: 26 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.A3(-2) -0.662217 0.194118 -3.411417 0.0023C 1.756069 0.518899 3.384223 0.0025R-squared 0.326557 Mean dependent var -0.002080 Adjusted R-squared 0.298497 S.D. dependent var 0.367688 S.E. of regression 0.307960 Akaike info criterion 0.556109 Sum squared resid 2.276143 Schwarz criterion 0.652886 Log likelihood -5.229419 F-statistic 11.63777 Durbin-Watson stat 1.773706 Prob(F-statistic) 0.002292（二）格兰杰因果检验。
Eviews格兰杰因果关系检验结果说明
Eviews格兰杰因果关系检验结果说明一、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。
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。
Eviews格兰杰因果关系检验结果说明
Eviews格兰杰因果关系检验结果说明一、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G DP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Wal ter N. Thurman和MarkE. Fisher用美国1930——1983年鸡蛋产量（EGGS）和鸡的产量（CHICKEN S）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。
r语言格兰杰因果关系检验
r语言格兰杰因果关系检验一、什么是格兰杰因果关系检验？格兰杰因果关系检验（Granger causality test）是一种时间序列分析方法，用于确定一个时间序列是否能够用来预测另一个时间序列。
它是由经济学家Clive Granger在1969年提出的，主要应用于经济学、金融学等领域。
二、格兰杰因果关系检验的原理格兰杰因果关系检验的原理基于两个假设：第一，如果一个时间序列能够对另一个时间序列进行有效的预测，则我们可以认为这两个时间序列之间存在因果关系；第二，如果两个时间序列之间存在因果关系，则它们之间应该存在一定的滞后效应。
具体来说，假设我们有两个时间序列X和Y。
如果X的过去值能够对Y的当前值进行有效的预测，而Y的过去值对X的当前值没有影响，则我们可以认为X对Y有因果作用。
反之亦然。
在实际中，我们需要通过统计方法来判断这种因果关系是否显著。
三、如何进行格兰杰因果关系检验？进行格兰杰因果关系检验需要以下步骤：1. 数据准备：首先需要准备好待分析的时间序列数据，通常需要满足平稳性和线性性的要求。
2. 模型设定：根据待分析的时间序列数据，选择合适的格兰杰因果关系模型。
常用的模型包括VAR模型和VECM模型等。
3. 模型估计：使用最大似然估计等方法对所选模型进行参数估计。
4. 显著性检验：通过F检验或t检验等方法对模型中格兰杰因果关系的显著性进行检验。
通常需要设定显著性水平（如0.05或0.01）。
5. 结论判断：如果经过显著性检验后发现格兰杰因果关系是显著的，则可以得出结论表明两个时间序列之间存在因果关系。
反之则不能得出结论。
四、如何在R语言中进行格兰杰因果关系检验？在R语言中进行格兰杰因果关系检验可以使用grangertest函数，该函数位于“lmtest”包中。
具体使用方法如下：1. 安装并加载“lmtest”包：install.packages("lmtest")library(lmtest)2. 准备待分析的时间序列数据，假设我们有两个变量X和Y：x <- rnorm(100)y <- rnorm(100)3. 使用grangertest函数进行格兰杰因果关系检验：grangertest(x ~ y, order = 2)其中，x ~ y表示我们对X和Y之间的因果关系进行检验，order = 2表示我们使用滞后阶数为2的模型。
格兰杰因果检验f统计量
格兰杰因果检验F统计量1. 引言格兰杰因果检验（Granger causality test）是一种经济学中常用的时间序列分析方法，用于判断一个时间序列是否能够预测另一个时间序列的变化。
该方法基于因果关系的概念，通过比较两个时间序列的预测误差方差来判断它们之间是否存在因果关系。
F统计量是格兰杰因果检验中常用的统计量，用于进行假设检验。
本文将详细介绍格兰杰因果检验和F统计量的原理、应用场景和步骤，并结合实例进行说明。
2. 格兰杰因果检验原理格兰杰因果检验的核心思想是通过比较两个时间序列模型在包含和不包含另一个时间序列变量时的预测误差方差来判断它们之间是否存在因果关系。
具体而言，假设我们有两个时间序列变量X和Y，我们可以建立以下两个模型：•模型1：只包含自变量X•模型2：同时包含自变量X和另一个变量Y然后，我们比较模型1和模型2的预测误差方差，如果模型2的预测误差方差较小，则可以认为X对Y具有因果关系。
格兰杰因果检验的核心统计量是F统计量，它是模型2的预测误差方差和模型1的预测误差方差之比。
F统计量的计算公式如下：F=(RSS1−RSS2)/p RSS2/(n−p−1)其中，RSS1是模型1的残差平方和，RSS2是模型2的残差平方和，p是模型2中包含的自变量个数，n是样本容量。
3. 应用场景格兰杰因果检验常用于经济学、金融学等领域，用于研究不同变量之间是否存在因果关系。
以下是一些常见的应用场景：3.1 经济学研究在经济学研究中，格兰杰因果检验可以用于分析不同经济指标之间是否存在因果关系。
例如，我们可以使用格兰杰因果检验来判断国内生产总值（GDP）是否能够预测消费水平。
3.2 金融学研究在金融学研究中，格兰杰因果检验可以用于分析不同金融市场之间是否存在因果关系。
例如，我们可以使用格兰杰因果检验来判断股票市场的波动是否能够预测货币市场的波动。
3.3 自然科学研究除了经济学和金融学，格兰杰因果检验还可以应用于自然科学领域。
格兰杰因果关系检验课件
如果股票价格变动是成交量变动的格兰杰原因，那么在投资决策中应更加关注股票价格的变动，以便更 好地预测市场走势。
实例二
01
总结词
经济增长和通货膨胀之间存在格兰杰因果关系，即经济增长是通货膨胀
变动的格兰杰原因。
02 03
详细描述
经济增长通常会导致需求增加和物价上涨，进而导致通货膨胀。通过格 兰杰因果关系检验，可以确定经济增长是否是通货膨胀变动的先决条件 。
根据需要选择滞后阶数 和模型类型，并查看输 出结果。
根据输出结果判断是否 存在格兰杰因果关系。
Eviews软件操作
打开Eviews软件，并导 入数据。
01
在方程对象窗口中输入 因变量和自变量，并选 择“Granger causality
test”。
03
根据输出结果判断是否 存在格兰杰因果关系。
05
格兰杰因果关系检验的未来发
06
展
算法优化
算法效率提升
通过改进算法和优化计算过程，减少计 算时间和资源消耗，提高格兰杰因果关 系检验的效率。
VS
算法可解释性增强
研究更直观、易于理解的方法，以便Leabharlann 好 地解释格兰杰因果关系检验的结果。
应用拓展
领域拓展
将格兰杰因果关系检验应用到更多领域，如金融、生物医学、环境科学等，以满足不同 领域的数据分析需求。
鉴。
谢谢聆听
复杂数据类型处理
研究如何处理非线性、非平稳、高维度等复杂数据类型，以拓展格兰杰因果关系检验的 应用范围。
跨学科融合
统计学与其他学科的融合
将格兰杰因果关系检验与相关学科的理论和 方法进行融合，以推动该领域的发展和创新 。
跨学科应用案例研究
格兰杰因果检验操作案例.
i y t i + i xt i + u1t
i 1 i 1
1
k
k
如有必要，常数项，趋势项，季节虚拟变量等都可以包括在上式中。
格兰杰（Granger）因果性检验
则检验 xt 对 yt 不存在格兰杰因果关系的零假设是 H0: 1 = 2 = …= k = 0 显然如果 xt 的滞后变量的回归参数估计值全部不存在显著性， 则上述 假设不能被拒绝。换句话说，如果 xt 的任何一个滞后变量的回归参数 的估计值存在显著性，则结论应是 xt 对 yt 存在格兰杰因果关系。上 述检验可用 F 统计量完成。
5பைடு நூலகம்
格兰杰（Granger）因果性检验
下面做关于滞后 2 期的 SZt 是否是 SHt 的 Granger 因果性原因的检验。 分别估计非约束回归式和约束回归式如下： SHt = 14.9303 + 0.5341 SHt-1+ 0.3464 SHt-2 +1.9696 SZt-1 - 0.1600 SZt-2 (3.1) (10.7) (7.3) (-13.0) (-10.1) R2 = 0.996, SSEu = 308501.0, T= 659 SHt = 10.1411 + 0.9991 SHt-1- 0.0045 SHt-2 (2.0) (25.5) (-0.1) R2 = 0.995, SSEr = 391044.3, T= 659 计算 F 统计量的值， F=
击View键，选Granger Causility功能。在随后打开的对话框口中填上滞后 期数2，点击OK键，即可得到图11.20的检验结果。
用滞后5, 10, 15, 20, 25期的检验式分别检验，结果见下表：
excel格兰杰因果检验
excel格兰杰因果检验【实用版】目录I.引言II.格兰杰因果检验的概念与原理A.格兰杰因果关系的定义B.格兰杰因果检验的基本原理III.Excel 中进行格兰杰因果检验的方法A.准备数据B.利用 Excel 进行格兰杰因果检验IV.格兰杰因果检验的局限性与应用场景V.结论正文I.引言在实证分析中，我们经常需要确定因果关系是 X 导致 Y，还是 Y 导致 X。
针对这一问题，诺贝尔经济学奖得主克莱夫·格兰杰（CliveW.J.Granger）提出了一种解决方法——格兰杰因果检验。
本文将介绍格兰杰因果检验的概念与原理，并在 Excel 中进行实际操作演示。
II.格兰杰因果检验的概念与原理A.格兰杰因果关系的定义格兰杰因果关系指的是一个变量（X）是否能够预测另一个变量（Y）的未来变化。
若 X 能够预测 Y 的未来变化，则认为 X 是 Y 的格兰杰原因。
需要注意的是，格兰杰因果关系并不意味着 X 直接导致 Y 的变化，而是通过影响其他变量间接地影响 Y。
B.格兰杰因果检验的基本原理格兰杰因果检验的基本原理是：如果一个变量 X 是另一个变量 Y 的格兰杰原因，那么包含 X 的历史信息将有助于提高对 Y 的未来变化的预测精度。
通过比较包含 X 的历史信息和不包含 X 的历史信息的预测效果，可以判断 X 是否是 Y 的格兰杰原因。
III.Excel 中进行格兰杰因果检验的方法A.准备数据在进行格兰杰因果检验之前，需要准备两组时间序列数据：一组是自变量 X，另一组是因变量 Y。
X 和 Y 的数据应具有相同的时间跨度。
B.利用 Excel 进行格兰杰因果检验1.打开 Excel，将 X 和 Y 的数据分别输入到两列中，并将数据按时间顺序排列。
2.选中数据区域，点击“数据”选项卡，选择“数据分析”。
3.在弹出的“数据分析”对话框中，选择“回归”选项，然后点击“确定”。
4.在“回归”对话框中，分别设置“因变量区域”和“自变量区域”，并选中“标签”选项，以便在结果中显示变量名称。
[20]格兰杰因果分析及检验 - 论文选读：应用格兰杰因果检验界定垄断竞争与寡占
![[20]格兰杰因果分析及检验 - 论文选读：应用格兰杰因果检验界定垄断竞争与寡占](https://img.taocdn.com/s3/m/e76fe419a8114431b90dd862.png)
论文选读：应用格兰杰因果检验界定垄断竞争与寡占-- H省装载机市场案例分析樊明安书伟樊明：河南财经学院市场经济研究所所长，资源与环境科学系主任，经济学教授美国北伊利诺大学（Northern Illinois University）经济学博士（Ph.D.）应用格兰杰因果检验界定垄断竞争与寡占-- H省装载机市场案例分析樊明安书伟摘要垄断竟争和寡占是实际经济中最常见的市场结构。
但要实际界定垄断竞争与寡占有一定困难。
主要在于，如何界定厂商之间决策上的相互影响。
格兰杰因果检验可以帮助界定两个变量之间的因果关系。
应用格兰杰因果检验可以界定两个厂商价格之间是否存在格兰杰因果关系。
在存在n个厂商的市场，如果厂商间的价格基本不存在格兰杰因果关系，则市场一般可界定为垄断竞争。
如果主要厂商之间在价格上存在显著的格兰杰因果关系，则可界定为寡占。
本文以H省装载机市场为例具体应用了上述方法界定了其市场结构，得出基本是寡占的判断。
关键词格兰杰因果检验垄断竟争寡占市场结构装载机市场一、引言产业组织理论界定四种基本市场结构：完全竞争、垄断竞争、寡占和垄断，每一种结构都有相应的假设前提。
完全竞争假定市场上有多个买者和卖者，无差异产品、进出自由等。
和完全竞争相比，垄断竞争改变了无差异产品的假定，假定为差异产品，从而延伸出厂商的市场影响力以及厂商面对向下倾斜的需求线。
而寡占改变了多个卖者的假定，假定为少量卖者，从而延伸出厂商间决策相互影响。
垄断特征明显，最显著的是市场唯一卖者。
事实上，完全竞争更多的具有理论上的意义，而非一个和实际经济接近的理论模型。
垄断也不是常见的市场结构。
最常见的市场结构是垄断竞争和寡占。
然而，如何在实际市场结构分析、而非在假设前提上区分垄断竞争和寡占这两种市场结构仍然是一个难题。
曼昆（1998）有感，当计算企业数量时，没有一个能区分“很多”和“很少”的魔法数字，也没有一个确切的方法可以确定什么时候产品是有差别的。
格兰杰因果检验
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。
格兰杰因果关系检验matlab
格兰杰因果关系检验1. 引言在统计学和数据分析中，因果关系的判断一直是一个重要的问题。
格兰杰因果关系检验（Granger causality test）是一种常用的方法，用于判断两个时间序列之间是否存在因果关系。
该方法基于时间序列的自回归模型，通过比较包含和不包含某个时间序列的延迟项来评估其对另一个时间序列的预测能力。
在本文中，我们将介绍格兰杰因果关系检验的原理、使用场景以及如何在MATLAB中进行实现。
2. 格兰杰因果关系检验原理格兰杰因果关系检验基于向量自回归模型（Vector Autoregressive Model, VAR），假设我们有两个时间序列X和Y，可以表示为：X(t) = a0 + a1 * X(t-1) + a2 * X(t-2) + … + ap * X(t-p) + e1(t)Y(t) = b0 + b1 * Y(t-1) + b2 * Y(t-2) + … + bq * Y(t-q) + e2(t)其中，a0, a1, …, ap 和b0, b1, …, bq 是未知参数，e1(t) 和 e2(t) 是误差项。
如果我们想要判断X对Y是否具有因果关系，我们可以比较两个模型：Model 1: Y(t) = c0 + c1 * Y(t-1) + c2 * Y(t-2) + … + cq * Y(t-q) + e2(t)Model 2: Y(t) = c0 + c1 * Y(t-1) + c2 * Y(t-2) + … + cq * Y(t-q) + d1 * X(t-1) + d2 * X(t-2) + … + dp * X(t-p) + e2(t)如果Model 2的误差项e2(t)比Model 1的误差项e2(t)更小，那么我们可以认为X对Y具有因果关系。
格兰杰因果关系检验的核心思想是通过比较模型的残差平方和来判断因果关系的强度。
在实际计算中，我们需要进行一些统计假设检验来确定是否存在因果关系。
非参数分位数格兰杰因果检验模型
非参数分位数格兰杰因果检验模型非参数分位数格兰杰因果检验模型是一种常用于因果推断的统计方法。
与传统的因果分析方法不同，该模型通常不需要强制建立任何分布假设或线性关系假设。
因此，它适用于具有高度复杂性、非线性关系、非正态分布等情形的数据分析。
该模型基于分位数回归的概念，利用分位数回归方法进行因果效应估计。
其基本思路是，在时间序列数据的基础上，将一个变量 X 延迟τ 时间，作为因变量 Y，然后利用分位数回归方法，分别从位于 p1 和 p2 两个分位数位置的点处，估计出 X 对 Y 的因果效应。
具体而言，设 Yt 和 Yt-τ 分别表示时间 t 和时间 t - τ 的 Y 值，Xt 表示时间t 的 X 值，则模型可以写成如下形式：Yt - Yt-τ = β1 · [Xt-τ,p1 - Xt-τ] + β2 · [Xt-τ,p2 - Xt-τ] + et其中，[a,b] 表示区间 [a,b] 内的所有值，p1 和 p2 分别为待估计的两个分位数位置，β1 和β2 分别为相应的因果效应估计值，et 表示残差误差。
在该模型中，我们通常假定τ 为某个固定值，而不是一个可估计的参数。
此外，我们还需要对两个分位数位置进行设定。
通常情况下，我们建议选择接近中位数的位置，例如 p1 = 0.25， p2 = 0.75.该模型的优势之一是，由于其非参数的性质，因此可以避免传统的线性回归模型中存在的估计偏差和方差过大的问题。
此外，由于其基于分位数回归的思想，因此对于稳健性和离群值的处理能力也相较于传统的回归模型更强大。
不过，该模型也存在一些限制和缺点。
首先，该模型相对于传统线性回归模型而言相对复杂，需要较强的数学和统计背景。
其次，由于分位数回归本身也存在一些局限和偏差，因此在实际应用中需谨慎使用，并避免将其作为唯一的数据分析方法。
综上所述，非参数分位数格兰杰因果检验模型是一种常用于因果推断的统计方法。
格兰杰因果实例-概述说明以及解释
格兰杰因果实例-概述说明以及解释1.引言1.1 概述格兰杰因果实例是指一种特殊的因果关系示例，其名称源于英国统计学家格兰杰（Francis Galton）。
在社会科学研究中，格兰杰因果实例被广泛用于探究变量之间的因果关系。
通过分析观察数据和统计模型，研究者可以揭示出变量之间的相互影响和原因与结果之间的因果关系。
格兰杰因果实例的核心思想是基于因果关系的非随机性观察。
传统的统计分析方法往往默认变量之间是独立的，并未考虑可能存在的因果关系。
然而，在现实生活中，变量之间往往是相互关联的，并存在着相互影响的因果关系。
格兰杰因果实例通过将观察数据与统计模型相结合，能够揭示出变量之间潜在的因果关系。
在格兰杰因果实例中，研究者首先选择一个主要的结果变量，然后观察其他可能影响该结果的变量。
通过对这些变量进行分析并建立统计模型，可以确定哪些变量对结果产生了显著的因果影响，从而揭示出潜在的因果关系。
格兰杰因果实例的应用非常广泛。
它可以用于解答各种实际问题，例如探究教育投入对学生学业成绩的影响、分析广告投放对销售额的影响、研究环境因素对健康状况的影响等。
通过运用格兰杰因果实例，可以帮助决策者更好地理解变量之间的因果关系，为决策制定提供科学的依据。
总而言之，格兰杰因果实例是一种有效的研究方法，通过分析观察数据和统计模型，揭示出变量之间的因果关系。
其应用范围广泛，可以帮助决策者做出科学合理的决策。
在本文中，我们将深入探讨几个格兰杰因果实例，通过详细分析这些实例，展示格兰杰因果实例在实际问题中的应用和影响。
1.2 文章结构文章结构部分主要是对整个文章的结构进行介绍，以便读者能够清晰了解文章的组成和逻辑。
以下是文章结构部分的内容：文章结构为了更好地展示格兰杰因果实例的相关信息，本文将按照以下结构组织内容：1. 引言：在引言部分，我们将对格兰杰因果实例进行一个概述，介绍其背景和相关概念，以及本文的目的。
2. 正文：正文部分将呈现两个关于格兰杰因果实例的具体案例。
格兰杰因果关系检验实验实例
1970～1991年美国制造业固定厂房设备投资Y 和销售量X 的相关数据如下表所示。
单位：10 亿美元(1)假定销售量对厂房设备支出有一个分布滞后效应，使用4期滞后和2次多项式去估计此分布滞后模型；(2)检验销售量与厂房设备支出的格兰杰因果关系，使用直至6期为止的滞后并评述你的结果。
（1）设要估计的分布滞后模型为：t t t t t t t X X X X X Y μβββββα++++++=----443322110 根据阿尔蒙变换，令)4,3,2,1,0(2210=++=i i i i αααβ 或t t t t W W W Y μαααα++++=221100其中：4321243211432101694432------------+++=+++=++++=t t t t t t t t t t t t t t t t X X X X W X X X X W X X X X X W在EVIEWS 软件下，可通过选择Quick\Generate Series …,在出现Generate Series 阶段by Eq …窗口分别输入“t W 0=X+X （-1）+X （-2）+X （-3）+X （-4）；t W 1=X(-1)+2*X(-2)+3*X(-3)+4*(X-4); t W 2=X(-1)+4*X(-2)+9*X(-3)+16*X(-4) 生成三个序列t W 0、t W 1、t W 2然后做Y 关于t W 0、t W 1、t W 2的OLS 回归，估计结果如下：1125.0;1551.0;0117.0;3174.0;8324.0,8255.3043210-=-=-===-=∧∧∧∧∧∧βββββαα步骤：1 建立工作文件并录入数据，如图1所示图 12 使用4期滞后2次多项式估计模型在工作文件中，点击Quick\Estimate Equation …，然后在弹出的对话框中输入：Y C PDL(X,4,2)，点击OK ，得到如图2所示的回归分析结果。
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。
Eviews格兰杰因果关系检验结果说明
Eviews格兰杰因果关系检验结果说明一、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strengthen the sense of responsibility, work to solve the lack of decent occupation explain away, conduct problems. To establish theoverall concept, eliminate departmentalism. Strict assessment and accountability, to solve the spiritual slack, nianqingpazhong, status quo, and other issues. To establish and perfect the muddle along Bureau staff conduct work regulations, standardize the behavior of personnel. 2. To strengthen the responsibility system. One is the in-depth study and implement the "Hunan provincial Party and government leading cadres Interim Provisions on the work safety of a pair of > (Hunan Officeissued 2013 No. 5)," Hunan province safety supervision and management responsibilities of the provisions on the production (Hunan Zhengban made 2013 No. 4) And resolutely implement the safety production of the party with responsibility, a pair of responsibility. "Two is issued safety production administration and inspection to promote the responsibilities bear safety production supervision departments strictly and effectively assumed responsibility. The three is to establish risk self correction self reporting system for safety in production enterprises, promote the enterprises to implement the mainresponsibility for production safety is introduced. Four strengthen the county safety production supervision ability construction work, promote safe production responsibility to the grassroots. 3, strictaccountability and target management. Adhere to the" who is in charge, who is responsible for the pipe industry must be safe, Guan Sheng production and operation must be safe, pipe business must controlsecurity "principle, the implementation of safety The production of "cure." stagnation supervision and leadership responsible system. The safety production of key towns, key enterprises and key problems, by the township government and the Department responsible for the stagnationled the lump sum, to tackle tough. To further increase the production safety index assessment, strictly implement the safety production of the "one vote veto" and the reward system, strengthen the safety incentive and restraint mechanism. (six) the implementation of the work force is not strong. The documents, meeting, long work arrangement, check and supervise the implementation of small, poor implementation of the system, the work is not effective. Some leading cadres sense of purpose, consciousness of the masses is not strong, the ruling " For the people "," the interests of the masses no matter "concept understanding is not in place. The specific work treats with the deployment, a few leading cadres complain that work is too complicated, too much responsibility, the pressure is too large, too much emphasis on the difficulty of the work, such as underground mines to avoid the disaster of" six systems "construction and construction of mechanical ventilation to file the form, forwarding arrangements work, no in-depth mining enterprises to promote the specific work, the increase in the number of files, but the effect is not good, not according to the actual situation of non coal mines in the county, to engage in" across the board ", and the quality 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。
- 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)。
SZ
SH 2000
600
400
4
格兰杰（Granger）因果性检验
首先做关于滞后 2 期的 SHt 是否是 SZt 的 Granger 非因果性原因的检验。 估计非约束模型和约束模型两个回归式如下： SZt = 4.3186 + 1.0468 SZt-1 + 0.0056 SZt-2 – 0.0286 SHt-1 + 0.0105 SHt-2 (2.6) (19.7) (0.1) (-1.6) (0.6) R2 = 0.995, SSEu = 38153.33, T= 659 SZt = 2.8977 + 0.9926 SZt-1 + 0.0023 SZt-2 (1.9) (25.4) (0.1) R2 = 0.995, SSEr = 38460.94, T= 659 计算 F 统计量的值， F=
700 S henz hen s t oc k 600
500
400
300 100 200 300 400 500 600
滞后阶数 0 阶自回归模型 1 阶自回归模型 2 阶自回归模型 3 阶自回归模型 4 阶自回归模型
AIC 12.1481 6.9093 6.9137 4.0791 6.9142
SC 12.1549 9.9229 6.9341 4.1064 6.9483
k=10 1.36 23.4
k=15 1.21 15.9
受 拒绝
1.08 43.9
结论都是上海综指不是深圳成指变化的Granger原因，但深圳成指是上 海综指变化的Granger原因。
8
【例】深证成指序列（1999.1.4-2001.10.15, file: 5stock）
(SSE r SSE u ) k (391044.3 308501.0) 2 = = 87.4929 308501.0 (659 5) SSEu (T kN )
因为 F = 87.4929 F(2, 654) = 3.00，所以拒绝原假设。SZt 是 SHt 变化的 Granger 原因。 6
2
格兰杰（Granger）因果性检验
注意：
（1）“格兰杰因果性”的正式名称应该是“格兰杰非因果 性”。只因口语都希望简单，所以称作“格兰杰因果性”。
（2）为简便，通常总是把xt-1 对yt存在（或不存在）格兰杰 因果关系表述为xt（去掉下标 -1）对yt存在（或不存在）格兰 杰因果关系（严格讲，这种表述是不正确的）。 （3）格兰杰因果关系与哲学意义的因果关系还是有区别的。 如果说“xt 是yt的格兰杰原因”只是表明“xt中包括了预测yt 的有效信息”。 （4）这个概念首先由格兰杰（Granger）在1969年提出。
3
格兰杰（Granger）因果性检验
例11.8： 以661天（1999年1月4日至2001年10月5日）的上证 综指（SHt）和深证成指（SZt）数据为例，进行双向的 Granger非因果性分析。两个序列存在高度的相关关系，那 么两个序列间可能存在双向因果关系，也有可能存在单向因 果关系。
2500 700 600 500 400 300 100 200 300 400 500 600 1500 1000
HQ
12.1507 6.9146 6.9216 1.9937 6.9274
EViews 6，7 输出结 果
注：AIC 和 SC（BIC）的值可以在 EViews 回归输出结果中找到。
14 12 10 8 6 4 2 0 0 1 2 3 4 AIC SC HQ
（补充内容，教材中没有）
从图中可以清晰看出建立 3 阶自回归模型最合理。
格兰杰（Granger）因果性检验
以 2 变量为例，定义格兰杰非因果性检验如下： 如果由 yt 和 xt 滞后值所决定的 yt 的条件分布与仅由 yt 滞后值所决定的 条件分布相同，即 ( yt yt -1, …, xt -1, …) = ( yt yt -1, …) 则称 xt -1 对 yt 不存在格兰杰因果性关系。 格兰杰因果性的另一种表述是其他条件不变， 若加上 xt 的滞后变量后 对 yt 的预测精度不存在显著性改善，则称 xt -1 对 yt 不存在格兰杰因果 性关系。根据以上定义，格兰杰因果性检验式如下： yt =
( SSEr SSEu ) k F= SSEu (T 2k )
其中 SSEr 表示施加约束（零假设成立）条件后模型的残差平方和。 SSEu 表示不施加约束条件下模型的残差平方和。k 表示最大滞后期。 T 表示样本容量。 在零假设成立条件下， F 统计量渐近服从 F( k, T - 2k ) 分 布。用样本计算的 F 值如果落在临界值以内，接受原假设，即 xt 对 yt 不存在格兰杰因果关系。
10
(SSE r SSE u ) k (38460.94 38153.33) 2 = = 2.63643 38153.33 (659 5) SSEu (T kN )
因为 F = 2.63643 F(2, 654) = 3.00，所以接受原假设。SHt 不是 SZt 变化的 Granger 原因。
格兰杰（Granger）因果性检验
通过EViews计算的Granger因果性检验的两个F统计量的值 见图。SHt 和SZt之间存在单向因果关系。即SZt是SHt变化 的Granger原因，但SHt 不是SZt变化的Granger原因。
7
格兰杰（Granger）因果性检验
Granger非因果性检验的EViews操作是，打开SHt和SZt的数剧组窗口，点
i y t i + i xt i + u1t
i 1 i 1
1
k
k
如有必要，常数项，趋势项，季节虚拟变量等都可以包括在上式中。
格兰杰（Granger）因果性检验
则检验 xt 对 yt 不存在格兰杰因果关系的零假设是 H0: 1 = 2 = …= k = 0 显然如果 xt 的滞后变量的回归参数估计值全部不存在显著性， 则上述 假设不能被拒绝。换句话说，如果 xt 的任何一个滞后变量的回归参数 的估计值存在显著性，则结论应是 xt 对 yt 存在格兰杰因果关系。上 述检验可用 F 统计量完成。
击View键，选Granger Causility功能。在随后打开的对话框口中填上滞后 期数2，点击OK键，即可得到图11.20的检验结果。
用滞后5, 10, 15, 20, 25期的检验式分别检验，结果见下表：
k=5
H0：上海综指不是深圳成指变化的Granger原因 H0：深圳成指不是上海综指变化的Granger原因
格兰杰（Granger）因果性检验
注意： （1）滞后期 k 的选取是任意的。实质上是一个判断性问题。以 xt 和 yt 为例，如果 xt-1 对 yt 存在显著性影响，则不必再做滞后期 更长的检验。如果 xt-1 对 yt 不存在显著性影响，则应该再做滞后 期更长的检验。一般来说要检验若干个不同滞后期 k 的格兰杰 因果关系检验，且结论相同时，才可以最终下结论。 （2）当做 xt 是否为导致 yt 变化的格兰杰原因检验时，如果 zt 也是 yt 变化的格兰杰原因，且 zt 又与 xt 相关，这时在 xt 是否为 导致 yt 变化的格兰杰因果关系检验式的右端应加入 zt 的滞后项。 （3）不存在协整关系的非平稳变量之间不能进行格兰杰因果关 系检验。
5
格兰杰（Granger）因果性检验
下面做关于滞后 2 期的 SZt 是否是 SHt 的 Granger 因果性原因的检验。 分别估计非约束回归式和约束回归式如下： SHt = 14.9303 + 0.5341 SHt-1+ 0.3464 SHt-2 +1.9696 SZt-1 - 0.1600 SZt-2 (3.1) (10.7) (7.3) (-13.0) (-10.1) R2 = 0.996, SSEu = 308501.0, T= 659 SHt = 10.1411 + 0.9991 SHt-1- 0.0045 SHt-2 (2.0) (25.5) (-0.1) R2 = 0.995, SSEr = 391044.3, T= 659 计算 F 统计量的值， F=