3.2格兰杰因果关系检验(计量经济学-武汉大学刘伟)

（2）建立变量序列并输入样本数据。
在工作文件建立后，应创建待分析处理的数据序列。在主窗口 的菜单选项或者工作文件窗口的工具栏中选择Objects/New Object，并在屏幕出现的对象定义对话框（New Object）左侧 的Type of Object一栏选择Series，在右侧Name for Object一 栏分别输入vol和ra表示水库流量与降水量两个序列。然后在 工作文件（Workfile）窗口分别双击vol或ra，在屏幕出现的 Series窗口工具栏上选择Edit+/-按钮，进入编辑状态，可以输 入样本数据。录入数据完毕后再次点击Edit+/-按钮，恢复只读 状态。或者，也可以在Excel中先建立一个工作表，将有关变 量的数据录进去；然后在EViews的工作文件窗口选择 procs/Import/Read Text-lotus-Excel，将其读入Eviews。
格兰杰因果关系检验的结果
Pairwise Granger Causality Tests Date: 07/10/04 Time: 20:14 Sample: 1 78 Lags: 9
Null Hypothesis:
VOL does not Granger Cause RA RA does not Granger Cause VOL
（3）进行Granger因果关系检验。
在工作文件窗口中，同时选中序列vol和ra，单击鼠标右键，在 弹出的菜单中选择Open/as Group，生成一个群对象 （Group）；然后，在群对象观测值窗口的工具栏中选择View / Granger Causality，在屏幕出现的对话框（Lag Specification）中Lags to include一栏后面输入最大滞后期数 k=9，点击OK，即可得到格兰杰因果检验的结果。
– 然后，在工作文件窗口中，同时选中序列Y和X，单击 鼠标右键，在弹出的菜单中选择Open/as Group，生成 一个群对象（Group）；
– 最后，在群对象观测值窗口的工具栏中选择 View / Granger Causality，在屏幕出现的对话框（ Lag Specification ）中Lags to include一栏后面输入最大滞 后期数k（注意：在Eviews软件中进行Granger因果关系 检验时，将Y的滞后期数p和X的滞后期数q取为相等。 当然，关键是X的滞后期数），点击OK，即可得到格兰 杰因果检验的结果。
例 下表是某水库1998年至2000年各旬的流量、 降水量数据。试通过Eviews软件检验降水量是 否流量的Granger原因。
序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
流量 534 404 345 301 316 1088 638 477 399 412 370 346 208 202 212 211 206 209 309 242 537 377 422 574 676 546
第二节 格兰杰因果关系检验
• 所谓因果关系，是指变量之间的依赖性，作为结果 的变量是由作为原因的变量所决定的，原因变量的 变化引起结果变量的变化。
• 通过前面的学习，我们已经知道，因果关系不同于 相关关系；而且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。
– 虽然我们说回归方程中解释变量是被解释变量的原因， 但是，这一因果关系通常是先验设定的，或者是在回归 之前就已确定。
降水量 23 2 18 6 67 27 4 0 2 16 0 0 1 1 4 1 2 12 7 4 3 17 4 51 8 67
序号 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
流量 1287 696 790 5840 2100 2180 1180 864 570 735 1050 561 343 430 373 229 527 346 249 211 160 168 199 133 143 202
• 现在人们一般把这种从预测的角度定义的因果关 系称为Granger因果关系。
二、Granger因ຫໍສະໝຸດ 关系检验变量X是否为变量Y的Granger原因，是可以检验的。
检验X是否为引起Y变化的Granger原因的过程如下：
第一步，检验原假设“H0：X不是引起Y变化的
Granger原因”。首先，估计下列两个回归模型：
格兰杰因果检验结果
Null Hypothesis
Obs F-Statistic Probability
X does not Granger Cause Y
Y does not Granger Cause X
表中，最后一列的Probability是F统计量（FStatistic）的相伴概率，表示拒绝第一列中的原假设 （Null Hypothesis）犯第一类错误的概率，该概率 越小，越应该拒绝原假设。Obs表示每个变量序列的 观测值个数，等于n-k。
• 上述Granger因果关系检验，是建立在向量自回归 （VAR：Vector Autoregression）模型技术基础之 上的。但是，借助于Eviews软件，可以很方便地 进行Granger因果关系检验。具体步骤为：
– 首先，建立工作文件，录入需检验是否存在Granger因 果关系的变量Y和X的样本观测值；
降水量 13 27 40 144 53 64 16 8 26 41 39 4 24 8 19 26 9 3 1 2 1 0 7 7 1 4
序号 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78
流量 220 381 342 286 255 481 725 932 1370 635 926 514 578 264 5789 1782 2293 1230 937 1340 4838 5296 1014 552 430 241
Obs F-Statisti c
69 1.19176 3.23064
Probability
0.32100 0.00366
• 从检验结果不难看出，当取最大滞后期数 k=9时，拒绝原假设“VOL does not Granger Cause RA”犯第一类错误的概率 高达0.32100，而拒绝原假设“RA does not Granger Cause VOL”犯第一类错误 的概率仅为0.00366。所以，降水量确实是 水库流量的Granger原因。
• 第二步，将Y与X的位置交换，按同样的方法检验 原假设“H0：Y不是引起X变化的Granger原因”。
• 第三步，要得到“X是Y的Granger原因”的结论， 必须同时拒绝原假设“H0：X不是引起Y变化的 Granger原因”和接受原假设“H0：Y不是引起X 变化的Granger原因”。
三、通过Eviews软件进行Granger因 果关系检验
降水量 20 5 5 15 8 15 41 23 39 5 47 30 28 81 137 35 41 31 57 18 93 67 1 15 10 9
解：（1）建立工作文件。
由于本例数据的时间间隔为旬，Eviews没有提供相应的时 期度量，故应利用鼠标左键单击主菜单选项File，在打开 的下拉菜单中选择New/Workfile，并在工作文件定义对话 框（Workfile Range）的Workfile frequency一栏选择 Undated or irregular项。在起止项中分别输入1和78，表 示每个序列的观测值个数为78个。
p
q
无约束回归模型（u）：Y Y X
t 0 i1 i t i i1 i t i t
有约束回归模型（r）： Y
p
Y
t 0 i1 i t i t
式中，0表示常数项；p和q分别为变量Y和X的最大滞后期 数，通常可以取的稍大一些；t为白噪声。
• 然后，用这两个回归模型的残差平方和RSSu和RSSr 构造F统计量：
(RSS RSS ) q
F
r
u ~ F(q, n p q 1)
其中，n为样
RSS (n p q 1)
本容量。
u
检验原假设“H0：X不是引起Y变化的Granger原因” （等价于检验H0：1=2=…=q=0）是否成立。
如果F≥F（q，n-p-q-1）,则1、2、…、q显著不 为0，应拒绝原假设“H0：X不是引起Y变化的 Granger原因”；反之，则不能拒绝原假设“H0：X 不是引起Y变化的Granger原因”。
•
实际上，在许多情况下，变量之间的因果关系
并不总象农作物产量和降雨量之间的关系那样一目
了然，或者没有充分的知识使我们认清变量之间的
因果关系。此外，即使某一经济理论宣称某两个变
量之间存在一种因果关系，也需要给以经验上的支
持。
• Granger从预测的角度给出了因果关系的一种定义。
一、Granger因果关系
• Granger指出：
– 如果一个变量X无助于预测另一个变量Y，则说X不是Y 的原因；相反，若X是Y的原因，则必须满足两个条件： 第一，X应该有助于预测Y，即在Y关于Y的过去值的回 归中，添加X的过去值作为独立变量应当显著地增加回 归的解释能力；第二，Y不应当有助于预测X，其原因 是，如果X有助于预测Y，Y也有助于预测X，则很可能 存在一个或几个其他变量，它们既是引起X变化的原因， 也是引起Y变化的原因。