格兰杰因果检验：关系的变量做格兰杰因果检验时是用原序列还是差

一、关系的变量做格兰杰因果检验时是用原序列还是差

格兰杰因果检验：关系的变量做格兰杰因果检验时是用原序列还是差

1、步骤一：剖析数据的颠簸性（单位根检验）

2、依照正轨顺序，面板数据模型在回归前需检验数据的颠簸性。李子奈曾指出，一些非颠簸的经济时间序列往往表现出共同的变化趋向，而这些序列间自身不一定有直接的关联，此时，对这些数据停止回归，虽然有较高的R平方，但其结果是没有任何实践意义的。这种状况称为称为虚伪回归或伪回归（spurious regression）。他以为颠簸的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋向以后，剩余的序列为零均值，同方差，即白噪声。因此单位根检验时有三种检验形式：既有趋向又有截距、只要截距、以上都无。因此为了防止伪回归，确保估量结果的有效性，我们必需对各面板序列的颠簸性停止检验。而检验数据颠簸性最常用的方法就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线能否含有趋向项和（或）截距项，从而为进一步的单位根检验的检验形式做预备。单位根检验方法的文献综述：在非颠簸的面板数据渐进进程中,Levin andLin(1993)很早就发现这些估量量的极限散布是高斯散布,这些结果也被运用在有异方差的面板数据中,并树立了对面板单位根停止检验的早期版本。后来经过Levin et al.(2002)的改良,提出了检验面板单位根的LLC法。Levin et al.(2002)指出,该方法允许不同截距和时间趋向,异方差和高阶序列相关,适宜于中等维度(时间序列介于25～250之间,截面数介于10～250之间)的面板单位根检验。Im et al.(1997)还提出了检验面板单位根的IPS法,但Breitung(2000)发现IPS法对限定性趋向的设定极为敏感,并提出了面板单位根检验的Breitung法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。

3、由上述综述可知，可以运用LLC、IPS、Breintung、ADF-Fisher和PP-Fisher5种方法停止面板单位根检验。其中LLC-T、BR-T、IPS-W、ADF-FCS、PP-FCS、H-Z区分指Levin, Lin Chu t*统计量、Breitung t统计量、lm Pesaran Shin W统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量、Hadri Z统计量，并且Levin, Lin Chu t*统计量、Breitung t统计量的原假定为存在普通的单位根进程，lm Pesaran Shin W统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量的原假定为存在有效的单位根进程， Hadri Z统计量的检验原假定为不存在普通的单位根进程。有时，为了方便，只采用两种面板数据单位根检验方法，即相反根单位根检验LLC（Levin-Lin- Chu）检验和不同根单位根检验Fisher-ADF检验（注：对普通序列（非面板序列）的单位根检验办规律常用ADF检验），假设在两种检验中均拒绝存在单位根的原假定则我们说此序列是颠簸的，反之则不颠簸。假设我们以T（trend）代表序列含趋向项，以I（intercept）代表序列含截距项，TI代表两项都含，N（none）代表两项都不含，那么我们可以基于前面时序图得出的结论，在单位根检验中选择相应检验形式。但基于时序图得出的结论毕竟是粗略的，严厉来说，那些检验结构均需逐一检验。详细操作可以参照李子奈的说法：ADF检验是经过三个模型来完成，首先从含有截距和趋向项的模型末尾，再检验只含截距项的模型，最后检验二者都不含的模型。并且以为，只要三个模型的检验结果都不能拒绝原假定时，我们才以为时间序列是非颠簸的，而只需其中有一个模型的检验结果拒绝了零假定，就可以为时间序列是颠簸的。此外，单位根检验普通是先从水平（level）序列末尾检验起，假设存在单位根，则对该序列停止一阶差分后继续检验，若仍存在单位根，则停止二阶甚至高阶差分后检验，直至序列颠簸为止。我们记I(0)为零阶单整，I(1)为一阶单整，依次类推，I(N)为N阶单整。

4、状况一：假设基于单位根检验的结果发现变量之间是同阶单整的，那么我们可以停止协整检验。协整检验是调查变量间临时平衡关系的方法。所谓的协整是指若两个或多个非颠簸的变量序列，其某个线性组合后的序列呈颠簸性。此时我们称这些变量序列间有协整关系存在。因此协整的要求或前提是同阶单整。但也有如下的宽限说法：假设变量个数多于两个，即解释变量个数多于一个，被解释变量的单整阶数不能高于任何一个解释变量的单整阶数。另当解释变量的单整阶数高于被解释变量的单整阶数时，则必需至少有两个解释变量的单整阶数高于被解释变量的单整阶数。假设只含有两个解释变量，则两个变量的单整阶数应该相反。也就是说，单整阶数不同的两个或以上的非颠簸序列假设一同停止协整检验，肯定有某些低阶单整的，即动摇相对高阶序列的动摇甚微弱（有能够动摇幅度也不同）的序列，对协整结果的影响不大，因此包不包括的重要性不大。而相对处于最高阶序列，由于其动摇较大，对回归残差的颠簸性带来极大的影响，所以假设协整是包括有某些高阶单整序列的话（但假设一切变量都是阶数相反的高阶，此时也被称作同阶单整，这样的话另当别论），一定不能将其归入协整检验。

5、协整检验方法的文献综述：(1)Kao(1999)、Kao and Chiang(2000)应用推行的DF和ADF检验提出了检验面板协整的方法,这种方法零假定是没有协整关系,并且应用静态面板回归的残差来构建统计量。(2)Pedron(1999)在零假定是在静态多元面板回归中没有协整关系的条件下给出了七种基于残差的面板协整检验方法。和Kao的方法不同的是,Pedroni的检验方法允许异质面板的存在。(3)Larsson et al(2001)开展了基于Johansen(1995)向量自回归的似然检验的面板协整检验方法，这种检验的方法是检验变量存在共同的协整的秩。我们主要采用的是Pedroni、Kao、Johansen的方法。经过了协整检验，说明变量之间存在着临时动摇的平衡关系，其方程回归残差是颠簸的。因此可以在此基础上直接对原方程停止回归，此时的回归结果是较准确的。这时，我们或许还想进一步对面板数据做格兰杰因果检验（因果检验的前提是变量协整）。但假设变量之间不是协整（即非同阶单整）的话，是不能停止格兰杰因果检验的，不过此时可以先对数据停止处置。援用张晓峒的原话，“假设y和x不同阶，不能做格兰杰因果检验，但可经过差分序列或其他处置失掉同阶单整序列，并且要看它们此时有无经济意义。”下面简明引见一下因果检验的含义：这里的因果关系是从统计角度而言的，即是经过概率或许散布函数的角度表现出来的：在一切其它事情的发作状况固定不变的条件下，假设一个事情X的发作与不发作关于另一个事情Y的发作的概率（假设经过事情定义了随机变量那么也可以说散布函数）有影响，并且这两个事情在时间上又有先后顺序（A前B后），那么我们便可以说X是Y的缘由。思索最复杂的方式，Granger检验是运用F-统计量来检验X的滞后值能否清楚影响Y（在统计的意义下，且曾经综合思索了Y的滞后值；假设影响不清楚，那么称X不是Y的“Granger缘由”（Granger cause）；假设影响清楚，那么称X是Y的“Granger缘由”。异样，这也可以用于检验Y是X的“缘由”，检验Y的滞后值能否影响X（曾经思索了X的滞后对X自身的影响）。 Eviews似乎没有在POOL窗口中提供Granger causality test，而只要unit root test和cointegration test。说明Eviews是无法对面板数据序列做格兰杰检验的，格兰杰检验只能针对序列组做。也就是说格兰杰因果检验在Eviews中是针对普通的序列对(pairwise)而言的。你假设想对面板数据中的某些分解序列做因果检验的话，无妨先导出相关序列到一个组中(POOL窗口中的Proc/Make Group)，再来试试。

6、状况二：假设假设基于单位根检验的结果发现变量之间是非同阶单整的，即面板数据中有些序列颠簸而有些序列不颠簸，此时不能停止协整检验与直接对原序列停止回归。但此时也不要着急，我们可以在坚持变量经济意义的前提下，对我们前面提出的模型停止修正，以消弭数据不颠簸对回归形成的不利影响。如差分某些序列，将基于时间频度的相对数据变成时间频度下的变化数据或增长率数据。此时的研讨转向新的模型，但要保证模型具有经济意义。因此普通不要对原序列停止二阶差分，由于对变化数据或增长率数据再停止差分，我们不好对其冠以经济解释。难道你称其为变化率的变化率？

7、面板数据模型的选择通常有三种方式：一种是混合估量模型（Pooled Regression Model）。假设从时间上看，不同集体之间不存在清楚性差异；从截面上看，不同截面之间也不存在清楚性差异，那么就可以直接把面板数据混合在一同用普通最小二乘法（OLS）估量参数。一种是固定效应模型（Fixed Effects Regression Model）。假设关于不同的截面或不同的时间序列，模型的截距不同，则可以采用在模型中添加虚拟变量的方法估量回归参数。一种是随机效应模型（Random Effects Regression Model）。假设固定效应模型中的截距项包括了截面随机误差项和时间随机误差项的平均效应，并且这两个随机误差项都听从正态散布，则固定效应模型就变成了随机效应模型。在面板数据模型方式的选择方法上，我们经常采用F检验决议选用混合模型还是固定效应模型，然后用Hausman检验确定应该树立随机效应模型还是固定效应模型。检验终了后，我们也就知道该选用哪种模型了，然后我们就末尾回归：在回归的时分，权数可以选择按截面加权（cross- section weights）的方式，关于横截面个数大于时序个数的状况更应如此，表示允许不同的截面存在异方差现象。估量方法采用PCSE（Panel Corrected Standard Errors，面板校正规范误）方法。Beck和Katz(1995)引入的PCSE估量方法是面板数据模型估量方法的一个创新，可以有效的处置复杂的面板误差结构，似乎步相关，异方差，序列相关等，在样本量不够大时尤为有用。

二、格兰杰因果检验名词解释

1、经济学家开拓了一种试图剖析变量之间的格兰杰因果关系的方法，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，用于剖析经济变量之间的格兰杰因果关系。他给格兰杰因果关系的定义为“依赖于运用过去某些时点上一切信息的最佳最小二乘预测的方差”。

2、格兰杰因果关系检验关于滞前期长度的选择有时很敏感。其缘由能够是被检验变量的颠簸性的影响，或是样本容量的长度的影响。不同的滞前期能够会失掉完全不同的检验结果。因此，普通而言，常停止不同滞前期长度的检验，以检验模型中随机搅扰项不存在序列相关的滞前期长度来选取滞前期。

3、格兰杰检验的特点决议了它只能适用于时间序列数据模型的检验，无法检验只要横截面数据时变量间的关系。

4、可以看出，我们所运用的Granger因果检验与其最后的定义曾经偏离甚远，增添了很多条件（并且由回归剖析方法和F检验的运用我们可以知道还增强了若干条件），这很能够会招致虚伪的格兰杰因果关系。因此，在运用这种方法时，务必反省前提条件，使其尽量可以满足。此外，统计方法并非万能的，评判一个对象，往往需求多种角度的观察。正所谓“兼听则明，偏听则暗”。固然真相永远只要一个，但是也要靠迷信的探求方法。

5、值得留意的是，格兰杰因果关系检验的结论只是一种预测，是统计意义上的“格兰杰因果性“，而不是真正意义上的因果关系，不能作为一定或否认因果关系的依据。当然，即使格兰杰因果关系不等于实践因果关系，也并不阻碍其参考价值。由于在经济学中，统计意义上的格兰杰因果关系也是有意义的，关于经济预测等依然能起一些作用。

6、由于假定检验的零假定是不存在因果关系，在该假定下F统计量听从F散布，因此严厉地说，该检验应该称为格兰杰非因果关系检验。

标签：