格兰杰因果检验结果（怎么看格兰杰因果检验中在哪里设置显著性水平）

怎么看格兰杰因果检验中在哪里设置显著性水平

我用eviews做出的结果哪位高手能讲讲咋看格兰杰因果检验出来的结果啊，如何区分接受和拒绝原假设p值小于给定的显著性水平拒绝，一般p值小于0.05，特殊情况下可以放宽到0.1。f统计量大于分位点即可。一般看p值，F还要查表本人认为，格兰杰检验主要看P值即可。例如，若P值小于0.1，则拒绝原假设，变量间存在格兰杰因果关系。看结果p值1、如果p小于设定显著性水平（1%，5%，10%），则证明x不是y格兰杰原因的概率很小，拒绝这一假设，证明x是y的格兰杰因2、反之则反之看p值就好了 比较容易还容易记 通常和0.05、0.1比较 小于就比较显著 拒绝原假设格兰杰检验建议参考李子奈《计量经济学》，讲的相对详细。需要关注不同滞后阶数下AIC值，和LM（1）。设定的显著性水平怎么看?显著性水平是你根据实际情况自己设定的，可以是1%，5%，10%。如得出的结果p=0.03, 对于这个结果，如果你要求他在1%显著水平（精度要求较高），但由于0.03》1%,显然结果就不满足要求，即没法在1%条件下显著。但是如果从5%来看，则他满足这一要求了，因为0.03《5%。所以p=0.03满足了5%的显著水平，但满足不了1%的显著水平，但5%也挺可信了。最简单的方法j就是看P值，一般设定为0.05（也有0.1,0.01，要求严格一点就将比较标准设为0.01，不严格就设定为0.1），将P值与0.05比较，P》0.05,接受原假设，P《0.05，拒绝原假设，原假设就是，，，，不是，，，的原因

那进行完格兰杰检验之后，一个变量是另一个变量的格兰杰原因，能说明什么

说明残差平方和曲线拟合。

比如：

如果A是B的granger原因，说明A的变化是B变化的原因之一。我们可以解释，A对B的影响在一定程度上是积极的。

然而，这并不意味着A随着B的变化而变化，因为我们所有的格兰杰因果专业化都是基于大量的统计数据。所以只能说在一个相对长期累积的情况下，A的变化会导致B的变化。

曲线拟合：贝塞尔曲线与路径转化时的误差。值越大，误差越大；值越小，越精确。

扩展资料：

格兰杰因果关系问题

1．首先格兰杰因果关系检验是一种统计时间顺序，并不意味着存在因果关系，是否存在因果关系需要根据理论、经验和模型来确定。

2．其次格兰杰因果检验的变量应该是稳定的。如果单位根检验发现两个变量不稳定，则不能直接进行格兰杰因果检验。

3．协整结果仅表明变量之间存在长期均衡关系。由于变量不稳定，需要协整。因此，首先对变量求导。

4．长期均衡并不意味着分析结束，还应考虑短期波动，做误差修正检验。

协整的问题

1．格兰杰检验只能用于平稳序列，这是格兰杰检验的前提。因果关系不是我们通常理解的因果关系，而是早期x的变化可以有效地解释y的变化，因此被称为“格兰杰原因”。

2．伪回归很可能出现在非平稳序列中。协整的意义在于检验其回归方程所描述的因果关系是否为伪回归，即检验变量之间是否存在稳定的关系。因此，非平稳序列的因果检验是协整检验。

3．平稳性检验有三个功能：

（1）检查平稳性，若平稳性为平稳，则进行格兰杰检验；如果是非平稳的，做协同阳性试验。

（2）协整检验中各序列应使用的酉阶。

（3）判断时间学习列的数据生成过程。

跪求，坐等！！！！两组数据格兰杰因果检验结果怎么看

在5%显著性水平上，X不是Y的格兰杰原因，Y也不是X的格兰杰原因。

基于格兰杰检验原理和数据，得不出想要的结论，如果证明X可以影响Y，Y也可以影响X可以做VAR模型，Y对X的影响大于X对Y的影响，同理，PGDP不是SL的格兰杰原因的概率是0.3207，这个概率很大，超过置信度，所以，意思就是“PGDP不是SL的格兰杰原因”。

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。

多变量的VAR格兰杰因果检验结果具体怎么判断

比如第一条：SL不是PGDP的格兰杰原因的概率是0.0066，如果置信度为0.05，那么，0.0066小于0.05，于是，第一条的意思就是“SL是PGDP的格兰杰原因”。同理，PGDP不是SL的格兰杰原因的概率是0.3207，这个概率很大，超过置信度，所以，意思就是“PGDP不是SL的格兰杰原因”。下面的相同。

怎么分析granger检验的结果

1.CR 不是M2 的格兰杰原因 0.26008（F-sat） 0.28505（显著性）M2 不是CR 的格兰杰原因 0.77290 0.754212.GDP 不是CR 的格兰杰原因 2.18306 1.09659CR 不是GDP 的格兰杰原因 0.34843 0.093513.GDP 不是M2 的格兰杰原因 2.04672 2.24195M2 不是GDP 的格兰杰原因 0.14872 0.12563他们分析得到：表3 中的显著性水平表示接受零假设的概率，数字越小，说明白变量预测因变量的能力越强。第一组检验表明CR 与M2 之间不存在格兰杰因果关系，说明在我国货币渠道和信用渠道之间相关性很小，二者之间联系较少，不存在明显的相互影响。第二组和第三组检验表明，信用渠道在9．351％的显著性水平上是我国货币政策的传导原因，而货币渠道在12．563％的显著性水平上是我国货币政策传导的原因，因此与货币渠道相比，信用渠道在我国货币政策传导中具有明显的相对重要性。同时，GDP 在14．872％的显著性水平上是M2 的原因，在34．843％的显著性水平上是CR 的原因，表明货币供应在我国具有较强的内生性，而信用规模的内生性则相对较小。而在我看来，这三对变量之间没有granger因果关系，或者有也只能说是很微弱。我就是不明白“信用渠道在9．351％的显著性水平上是我国货币政策的传导原因，而货币渠道在12．563％的显著性水平上是我国货币政策传导的原因，”这句话，明明是拒绝原假设，为什么还能说信用渠道是货币政策的原因呢？？？哪位大侠给解释一下可好？？？？

格兰杰因果检验名词解释

经济学家开拓了一种试图分析变量之间的格兰杰因果关系的办法，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格兰杰因果关系。他给格兰杰因果关系的定义为“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。

格兰杰因果检验结果分析

在0.18283以上的显著性水平下，dlgf是dlgs的格兰杰原因，这个基本上算是没通过检验吧dlgs引起dlgf的方向0.9几，更是完全没通过检验probability那列越小越好，小于0.1你就可以说在alpha=0.1的显著性水平下，如何如何小于0.05你就可以说在alpha=0.05的显著性水平下，如何如何小于0.01你就可以说在alpha=0.05的显著性水平下，如何如何你这个都0.18了，基本没啥价值了

请问格兰杰因果关系如何检验，谢谢

是granger检验，不过检验的观察值太少了。检验的结果可以看出：第一行，检验原假设：LNW不是引起LNCONS的原因检验的F值为1.92071临界值p为0.260210.26021》0.05，这说明了在5%的置信水平下检验的原假设是以比较大的概率发生的，所以可以认为接受原假设以下解释类似。。。希望对你有帮助

格兰杰因果检验理论是啥公式是什么怎样判断结果主要是公式和理论的说明，谢谢！

虽然因果关系这个概念存在哲学或者其他概念上的困难，但在实际应用中通常采用格兰杰(Granger)因果关系检验（Granger causality test）。考虑最简单的形式，Granger检验是运用F-统计量来检验X的滞后值是否显著影响Yt （在统计的意义下），已经综合考虑Y的滞后值；如果影响不显著，那么称X不是Y的“Granger原因”（Granger cause），如果影响显著，那么称X是Y的“Granger原因”。同样，这也可以用于检验Y是X的“原因”，检验Y的滞后值是否影响X（已经考虑了X的滞后对X自身的影响）。检验由Y关于自己的滞后值和X滞后值的回归构成；如果X的滞后值影响不显著，那么X不是Y的Granger原因；同样，当检验Y是X的原因时，可以将X关于自己的滞后值和Y的滞后值回归，用F-检验法莱检验Y滞后值的影响。需要进行两个回归：在第一个方程中检验假设H0X ：βj=0，对所有j；在第二个方程中检验假设H0Y：αj=0，对所有j。如果前者没有被拒绝，那么X不是Y的Granger原因；如果后者没有被拒绝，那么Y不是X的Granger原因。这里没有一个明显的方法来确定滞后长度k。显然，存在四种可能的结果：X和Y都不是对方的Granger原因（H0X和H0Y都不被拒绝）；X和Y是对方的Granger原因（H0X和H0Y都被拒绝）；X是Y的Granger原因但Y不是X的Granger原因（H0X被拒绝但H0Y不被拒绝）；Y是X的Granger原因但X不是Y的Granger原因（H0X不被拒绝但H0Y被拒绝）。注意到，第一个回归中没有出现X的现值，在第二个回归中没有出现Y的现值。