本文目录索引

• 1，谁有关于格兰杰因果关系检验的详细介绍啊？
• 2，请问，能教教我Eviews做单位根检验，协整分析和格兰杰因果关系检验吗
• 3，求教用Eviewss做单位根检验，协整检验，格兰杰因果检验大神帮帮忙啊
• 4，格兰杰因果检验和向量自回归（VAR）模型问题 急急！！
• 5，格兰杰因果关系检验的公式介绍

1，谁有关于格兰杰因果关系检验的详细介绍啊？

要探讨因果关系，首先当然要定义什么是因果关系。这里不再谈伽利略抑或休谟等人在哲学意义上所说的因果关系，只从统计意义上介绍其定义。从统计的角度，因果关系是通过概率或者分布函数的角度体现出来的：在宇宙中所有其它事件的发生情况固定不变的条件下，如果一个事件A的发生与不发生对于另一个事件B的发生的概率（如果通过事件定义了随机变量那么也可以说分布函数）有影响，并且这两个事件在时间上又先后顺序（A前B后），那么我们便可以说A是B的原因。

早期因果性是简单通过概率来定义的，即如果P(B|A)>P(B)那么A就是B的原因（Suppes，1970）；然而这种定义有两大缺陷：一、没有考虑时间先后顺序；二、从P(B|A)>P(B)由条件概率公式马上可以推出P(A|B)>P(A)，显然上面的定义就自相矛盾了（并且定义中的“>”毫无道理，换成“”改为了不等号“≠”，其实按照同样的推理，这样定义一样站不住脚）。

事实上，以上定义还有更大的缺陷，就是信息集的问题。严格讲来，要真正确定因果关系，必须考虑到完整的信息集，也就是说，要得出“A是B的原因”这样的结论，必须全面考虑宇宙中所有的事件，否则往往就会发生误解。最明显的例子就是若另有一个事件C，它是A和B的共同原因，考虑一个极端情况：若P(A|C)=1，P(B|C)=1，那么显然有P(B|AC)=P(B|C)，此时可以看出A事件是否发生与B事件已经没有关系了。

因此，Granger（1980）提出了因果关系的定义，他的定义是建立在完整信息集以及发生时间先后顺序基础上的。至于判断准则，也在逐步发展变化：

最初是根据分布函数（条件分布）判断，注意Ωn是到n期为止宇宙中的所有信息，Yn为到n期为止所有的Yt (t=1…n)，Xn+1为第n+1期X的取值，Ωn-Yn为除Y之外的所有信息。

F(Xn+1 | Ωn) ≠ F(Xn+1 | (Ωn − Yn)) - - - - - - - (1)

后来认为宇宙信息集是不可能找到的，于是退而求其次，找一个可获取的信息集J来替代Ω：

F(Xn+1 | Jn) ≠ F(Xn+1 | (Jn − Yn)) - - - - - - - (2)

再后来，大家又认为验证分布函数是否相等实在是太复杂，于是再次退而求其次，只是验证期望是否相等（这种叫做均值因果性，上面用分布函数验证的因果关系叫全面因果性）：

E(Xn+1 | Jn) ≠ E(Xn+1 | (Jn − Yn)) - - - - - - - (3)

也有一种方法是验证Y的出现是否能减小对Xn+1的预测误差，即：

σ2(Xn+1 | Jn) < σ2(Xn+1 | (Jn − Yn)) - - - - - - - (4)

最后一种方法已经接近我们最常用的格兰杰因果检验方法，统计上通常用残差平方和来表示预测误差，于是常常用X和Y建立回归方程，通过假设检验的方法（F检验）检验Y的系数是否为零。

可以看出，我们所使用的Granger因果检验与其最初的定义已经偏离甚远，削减了很多条件（并且由回归分析方法和F检验的使用我们可以知道还增强了若干条件），这很可能会导致虚假的因果关系。因此，在使用这种方法时，务必检查前提条件，使其尽量能够满足。此外，统计方法并非万能的，评判一个对象，往往需要多种角度的观察。正所谓“兼听则明，偏听则暗”。诚然真相永远只有一个，但是也要靠科学的探索方法。

2，请问，能教教我Eviews做单位根检验，协整分析和格兰杰因果关系检验吗

单位根检验、协整检验和格兰杰因果关系检验三者之间的关系


　　实证检验步骤：先做单位根检验，看变量序列是否平稳序列，若平稳，可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第i次差分时序列平稳，则服从i阶单整（注意趋势、截距不同情况选择，根据P值和原假设判定）。若所有检验序列均服从同阶单整，可构造VAR模型，做协整检验（注意滞后期的选择），判断模型内部变量间是否存在协整关系，即是否存在长期均衡关系。如果有，则可以构造VEC模型或者进行Granger因果检验，检验变量之间“谁引起谁变化”，即因果关系。
一、讨论一1、单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。

2、当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。

3、当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有EG两步法和JJ检验

A、EG两步法是基于回归残差的检验，可以通过建立OLS模型检验其残差平稳性

B、JJ检验是基于回归系数的检验，前提是建立VAR模型（即模型符合ADL模式）

4、当变量之间存在协整关系时，可以建立ECM进一步考察短期关系，Eviews这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别

二、讨论二
1、格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。

2、非平稳序列很可能出现伪回归，协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归，即检验变量之间是否存在稳定的关系。所以，非平稳序列的因果关系检验就是协整检验。

3、平稳性检验有3个作用：1）检验平稳性，若平稳，做格兰杰检验，非平稳，作协正检验。2）协整检验中要用到每个序列的单整阶数。3）判断时间学列的数据生成过程。
三、讨论三其实很多人存在误解。有如下几点，需要澄清：

第一，格兰杰因果检验是检验统计上的时间先后顺序，并不表示而这真正存在因果关系，是否呈因果关系需要根据理论、经验和模型来判定。

第二，格兰杰因果检验的变量应是平稳的，如果单位根检验发现两个变量是不稳定的，那么，不能直接进行格兰杰因果检验，所以，很多人对不平稳的变量进行格兰杰因果检验，这是错误的。

第三，协整结果仅表示变量间存在长期均衡关系，那么，到底是先做格兰杰还是先做协整呢？因为变量不平稳才需要协整，所以，首先因对变量进行差分，平稳后，可以用差分项进行格兰杰因果检验，来判定变量变化的先后时序，之后，进行协整，看变量是否存在长期均衡。

第四，长期均衡并不意味着分析的结束，还应考虑短期波动，要做误差修正检验。

3，求教用Eviewss做单位根检验，协整检验，格兰杰因果检验大神帮帮忙啊

实质上就是三个变量：现金占比、储蓄占比和股票占比。Eviews操作如下： 把以上三个变量输入到Eviews中； 分别打开做单位根检验，如果是同阶但整，则需做协整检验； 同时打开三个变量，做协整检验，选Johansen检验即可。 同时打开其中的两个变量做Granger因果检验即可。 如果实在不会建议看张晓峒老师计量课件中的相关部分（链接如下）： http://down.pinggu.org/html/20100601/14077.html

4，格兰杰因果检验和向量自回归（VAR）模型问题 急急！！

逻辑思路好像有问题。
VAR模型建立之后，再用granger 因果部分检验其合理性。
而VAR模型的建立（即滞后阶数的选取），不是依据granger因果关系是否成立的。
对于VAR模型，一般不选择外生变量。因为外生、内生很难界定（sims的观点）。当然若确实有理论基础或数据不够长时，也可采用外生变量，这时可以参考granger因果关系的结果。

5，格兰杰因果关系检验的公式介绍

格兰杰因果关系检验假设了有关y和x每一变量的预测的信息全部包含在这些变量的时间序列之中。检验要求估计以下的回归：（1）（2）其中白噪音u1t 和u2t假定为不相关的。式（1）假定当前y与y自身以及x的过去值有关，而式（2）对x也假定了类似的行为。对式（1）而言，其零假设H0 ：α1=α2=…=αq=0。对式（2）而言，其零假设H0 ：δ1=δ2=…=δs=0。分四种情形讨论：（1）x是引起y变化的原因，即存在由x到y的单向因果关系。若式（1）中滞后的x的系数估计值在统计上整体的显著不为零，同时式（2）中滞后的y的系数估计值在统计上整体的显著为零，则称x是引起y变化的原因。（2）y是引起x变化的原因，即存在由y到x的单向因果关系。若式（2）中滞后的y的系数估计值在统计上整体的显著不为零，同时式（1）中滞后的x的系数估计值在统计上整体的显著为零，则称y是引起x变化的原因。（3）x和y互为因果关系，即存在由x到y的单向因果关系，同时也存在由y到x的单向因果关系。若式（1）中滞后的x的系数估计值在统计上整体的显著不为零，同时式（2）中滞后的y的系数估计值在统计上整体的显著不为零，则称x和y间存在反馈关系，或者双向因果关系。（4）x和y是独立的，或x与y间不存在因果关系。若式（1）中滞后的x的系数估计值在统计上整体的显著为零，同时式（2）中滞后的y的系数估计值在统计上整体的显著为零，则称x和y间不存在因果关系。三、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）。格兰杰因果关系检验对于滞后期长度的选择有时很敏感。其原因可能是被检验变量的平稳性的影响，或是样本容量的长度的影响。不同的滞后期可能会得到完全不同 的检验结果。因此，一般而言，常进行不同滞后期长度的检验，以检验模型中随机干扰项不存在序列相关的滞后期长度来选取滞后期。格兰杰检验的特点决定了它只能适用于时间序列数据模型的检验，无法检验只有横截面数据时变量间的关系。可以看出，我们所使用的Granger因果检验与其最初的定义已经偏离甚远，削减了很多条件（并且由回归分析方法和F检验的使用我们可以知道还增强了若干 条件），这很可能会导致虚假的格兰杰因果关系。因此，在使用这种方法时，务必检查前提条件，使其尽量能够满足。此外，统计方法并非万能的，评判一个对象，往往需 要多种角度的观察。正所谓“兼听则明，偏听则暗”。诚然真相永远只有一个，但是也要靠科学的探索方法。值得注意的是，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，不能作为肯定或否定因果关系的根据。当然，即使格兰杰因果关系不等于实际因果关系，也并不妨碍其参考价值。因为在经济学中，统计意义上的格兰杰因果关系也是有意义的，对于经济预测等仍然能起一些作用。由于假设检验的零假设是不存在因果关系，在该假设下F统计量服从F分布，因此严格地说，该检验应该称为格兰杰非因果关系检验。