格兰杰因果检验是用原数据嘛（求教sas做格兰杰因果检验问题）

本文目录

• 求教sas做格兰杰因果检验问题
• 格兰杰因果检验的数据是用原始数据还是平稳后的数据
• 急问关于格兰杰因果检验
• 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！
• 格兰杰因果检验
• 变量没有取对数时有格兰杰原因，取了对数就没有格兰杰原因了做格兰杰可以不取对数吗
• 如何进行协整的恩格尔格兰杰两步法
• 关系的变量做格兰杰因果检验时是用原序列还是差

求教sas做格兰杰因果检验问题

1，原始数据不平稳，不能建立VAR模型，只能建立VEC模型。2，运用VAR模型或者VEC模型，一般都要做格兰杰检验，不然得不出有效的实证分析信息。3，顺序：单位根-平稳-VAR-格兰杰；单位根-不平稳-协整-VEC-格兰杰4，二阶差分协整应该还是用原始数据做吧，我个人认为是这样的，改天去问问老师去。

格兰杰因果检验的数据是用原始数据还是平稳后的数据

（一）、ADF是单位根检验，第一列数据y做ADF检验，结果如下Null Hypothesis: Y has a unit root Exogenous: C***tant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=10)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -3.820038 0.0213Test critical values: 1% level -4.098741 5% level -3.477275 10% level -3.166190 在1%水平上拒绝原假设，序列y存在单位根，为不平稳序列。但在5%、10%水平上均接受原假设，认为y平稳。对y进行一阶差分，差分后进行ADF检验：Null Hypothesis: Y has a unit root Exogenous: None Lag Length: 0 (Automatic based on SIC, MAXLAG=10)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -9.328245 0.0000Test critical values: 1% level -2.599934 5% level -1.945745 10% level -1.613633 可见，在各水平上y都是平稳的。因此，可以把原序列y看做一阶单整。第二列xADF检验如下：Null Hypothesis: X has a unit root Exogenous: C***tant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=10)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -3.216737 0.0898Test critical values: 1% level -4.098741 5% level -3.477275 10% level -3.166190 在1%、5%水平上拒绝原假设，序列x存在单位根，为不平稳序列。但在10%水平上均接受原假设，认为x是平稳的。对y进行一阶差分，差分后进行ADF检验：Null Hypothesis: X has a unit root Exogenous: None Lag Length: 0 (Automatic based on SIC, MAXLAG=10)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -7.627041 0.0000Test critical values: 1% level -2.599934 5% level -1.945745 10% level -1.613633 可见，在各水平上x都是平稳的。因此，可以把原序列x看做一阶单整。（二）、只有一阶单整的序列才可以进行协整检验：利用engle和granger提出的两步检验法：首先建立模型：y=ax+c+e，结果为Y = 0.720902361403*X + 788.046309221再对方程的残差进行ADF检验：Null Hypothesis: E has a unit root Exogenous: None Lag Length: 0 (Automatic based on SIC, MAXLAG=10)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -4.093534 0.0001Test critical values: 1% level -2.599413 5% level -1.945669 10% level -1.613677 从检验结果可以看出残差序列是平稳的，因此x和y之间存在协整关系。（三）、granger因果检验：Pairwise Granger Causality TestsDate: 03/13/11 Time: 14:15Sample: 1 69 Lags: 2 Null Hypothesis: Obs F-Statistic Prob. Y does not Granger Cause X 67 1.11304 0.3350 X does not Granger Cause Y 5.72061 0.0052从结果可知拒绝y不能granger x的假设，即y granger引起x；但是不能拒绝x不能g引起y，即接受x不能granger引起y。

急问关于格兰杰因果检验

如果你的分析对象是原始变量，就对原始变量做因果检验，如果你是对差分变量做分析，就对差变量做因果检验，与变量是否平稳没有逻辑联系。格兰杰因果检验原理是基于预测的。如变量X和Y，如果对Y的预测精度因为考虑到Xt,Xt-1,Xt-2..而提高的话，就是说X及其滞后变量对Y的预测有帮助，那么X就是Y的格兰杰原因，一般来说X是发生在Y之前的。需要注意的是，格兰杰因果并不是我们常说的因果关系。操作上如果是用Eviews软件，直接把要做检验的变量在同时打开，然后View下有“Granger test”。如果你要对滞后变量做，则需要先生成滞后变量，然后同样操作。

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。

格兰杰因果检验

格兰杰因果检验，即经济学家开拓的一种试图分析变量之间的格兰杰因果关系的办法。该检验方法为2003年诺贝尔经济学奖得主克莱夫·格兰杰所开创，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。” 相关背景： 格兰杰本人在其2003年获奖演说中强调了其引用的局限性，以及“很多荒谬论文的出现”。由于其统计学本质上是对平稳时间序列数据一种预测，仅适用于计量经济学的变量预测，不能作为检验真正因果性的判据。 进行格兰杰因果关系检验的一个前提条件是时间序列必须具有平稳性，否则可能会出现虚假回归问题。因此在进行格兰杰因果关系检验之前首先应对各指标时间序列的平稳性进行单位根检验。常用增广的迪基—富勒检验来分别对各指标序列的平稳性进行单位根检验。

变量没有取对数时有格兰杰原因，取了对数就没有格兰杰原因了做格兰杰可以不取对数吗

要平稳的序列才能做格兰杰因果检验，不论是原始数据还是取对数后的数据，都要先做单位根检验，只有检验结果是平稳的才能做格兰杰因果检验

如何进行协整的恩格尔格兰杰两步法

　　先做单位根检验，只有所有的变量都是同阶的，才可能存在协整，只有协整检验通过，才可以直接对原变量回归，否则可能存在伪回归。如果协整不通过，则需要对变量进行差分后再回归。格兰杰因果检验不是必须的检验步骤，它只是检验两组数据在数据上的因果关系，即说明X是Y的原因，还是Y是X的原因，或互为因果。但是必须注意如果检验不通过，并不代表他们不存在因果关系，只能说明仅从样本数据而言，它们没有发现因果关系。重要的是要从理论上判断他们的因果关系。　　个人觉得正确的顺序是：先对单变量进行单位根的DF或ADF检验，后者更佳；　　然后根据各变量的单整阶数进行如下操作：　　1、若各变量是平稳的，可直接进行Granger因果检验；　　2、若各变量是同阶单整的，进行EG或者Johansen协整检验；差分后进行Granger因果检验；　　3、若变量是不同阶单整的，考虑对高阶单整变量进行协整检验，看其之间是否存在协整关系，然后将存在协整关系的高阶单整降阶后与低阶单整再次进行协整检验；另有Pesaran关于不同阶协整的方法；　　4、若部分变量平稳，部分变量不平稳，可对平稳变量用T或F统计量进行Granger因果检验；对非平稳变量选择T统计量进行Granger因果检验；　　另外对学友们的答复提出几点意见：　　Granger因果检验并非只能在变量平稳的条件下进行，协整针对的必须是非平稳变量

关系的变量做格兰杰因果检验时是用原序列还是差

步骤一：分析数据的平稳性（单位根检验）按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归（spuriousregression）。他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，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模式：既有趋势又有截距、只有截距、以上都无。因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。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是否含有趋势项和（或）截距项，从而为进一步的单位根检验的检验模式做准备。单位根检验方法的文献综述：在非平稳的面板数据渐进过程中,LevinandLin(1993)很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。后来经过Levinetal.(2002)的改进,提出了检验面板单位根的LLC法。Levinetal.(2002)指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(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。Imetal.(1997)还提出了检验面板单位根的IPS法,但Breitung(2000)发现IPS法对限定性趋势的设定极为敏感,并提出了面板单位根检验的Breitung法。MaddalaandWu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。由上述综述可知，可以使用LLC、IPS、Breintung、ADF-Fisher和PP-Fisher5种方法进行面板单位根检验。其中LLC-T、BR-T、IPS-W、ADF-FCS、PP-FCS、H-Z分别指Levin,LinChut*统计量、Breitungt统计量、lmPesaranShinW统计量、ADF-FisherChi-square统计量、PP-FisherChi-square统计量、HadriZ统计量，并且Levin,LinChut*统计量、Breitungt统计量的原假设为存在普通的单位根过程，lmPesaranShinW统计量、ADF-FisherChi-square统计量、PP-FisherChi-square统计量的原假设为存在有效的单位根过程，HadriZ统计量的检验原假设为不存在普通的单位根过程。有时，为了方便，只采用两种面板数据单位根检验方法，即相同根单位根检验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）的单位根检验方法则常用ADF检验），如果在两种检验中均拒绝存在单位根的原假设则我们说此序列是平稳的，反之则不平稳。如果我们以T（trend）代表序列含趋势项，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模式。但基于时序图得出的结论毕竟是粗略的，严格来说，那些检验结构均需一一检验。具体操作可以参照李子奈的说法：ADF检验是通过三个模型来完成，首先从含有截距和趋势项的模型开始，再检验只含截距项的模型，最后检验二者都不含的模型。并且认为，只有三个模型的检验结果都不能拒绝原假设时，我们才认为时间序列是非平稳的，而只要其中有一个模型的检验结果拒绝了零假设，就可认为时间序列是平稳的。此外，单位根检验一般是先从水平（level）序列开始检验起，如果存在单位根，则对该序列进行一阶差分后继续检验，若仍存在单位根，则进行二阶甚至高阶差分后检验，直至序列平稳为止。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。步骤二：协整检验或模型修正情况一：如果基于单位根检验的结果发现变量之间是同阶单整的，那么我们可以进行协整检验。协整检验是考察变量间长期均衡关系的方法。所谓的协整是指若两个或多个非平稳的变量序列，其某个线性组合后的序列呈平稳性。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：如果变量个数多于两个，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，则必须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。如果只含有两个解释变量，则两个变量的单整阶数应该相同。也就是说，单整阶数不同的两个或以上的非平稳序列如果一起进行协整检验，必然有某些低阶单整的，即波动相对高阶序列的波动甚微弱（有可能波动幅度也不同）的序列，对协整结果的影响不大，因此包不包含的重要性不大。而相对处于最高阶序列，由于其波动较大，对回归残差的平稳性带来极大的影响，所以如果协整是包含有某些高阶单整序列的话（但如果所有变量都是阶数相同的高阶，此时也被称作同阶单整，这样的话另当别论），一定不能将其纳入协整检验。协整检验方法的文献综述：(1)Kao(1999)、KaoandChiang(2000)利用推广的DF和ADF检验提出了检验面板协整的方法,这种方法零假设是没有协整关系,并且利用静态面板回归的残差来构建统计量。(2)Pedron(1999)在零假设是在动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)Larssonetal(2001)发展了基于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。通过了协整检验，说明变量之间存在着长期稳定的均衡关系，其方程回归残差是平稳的。因此可以在此基础上直接对原方程进行回归，此时的回归结果是较精确的。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）。但如果变量之间不是协整（即非同阶单整）的话，是不能进行格兰杰因果检验的，不过此时可以先对数据进行处理。引用张晓峒的原话，“如果y和x不同阶，不能做格兰杰因果检验，但可通过差分序列或其他处理得到同阶单整序列，并且要看它们此时有无经济意义。”下面简要介绍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，即是通过概率或者分布函数的角度体现出来的：在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X的发生与不发生对于另一个事件Y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有先后顺序（A前B后），那么我们便可以说X是Y的原因。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Y（在统计的意义下，且已经综合考虑了Y的滞后值；如果影响不显著，那么称X不是Y的“Granger原因”（Grangercause）；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）。Eviews好像没有在POOL窗口中提供Grangercausalitytest，而只有unitroottest和cointegrationtest。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。你如果想对面板数据中的某些合成序列做因果检验的话，不妨先导出相关序列到一个组中(POOL窗口中的Proc/MakeGroup)，再来试试。情况二：如果如果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平稳而有些序列不平稳，此时不能进行协整检验与直接对原序列进行回归。但此时也不要着急，我们可以在保持变量经济意义的前提下，对我们前面提出的模型进行修正，以消除数据不平稳对回归造成的不利影响。如差分某些序列，将基于时间频度的绝对数据变成时间频度下的变动数据或增长率数据。此时的研究转向新的模型，但要保证模型具有经济意义。因此一般不要对原序列进行二阶差分，因为对变动数据或增长率数据再进行差分，我们不好对其冠以经济解释。难道你称其为变动率的变动率？步骤三：面板模型的选择与回归面板数据模型的选择通常有三种形式：一种是混合估计模型（PooledRegressionModel）。如果从时间上看，不同个体之间不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异，那么就可以直接把面板数据混合在一起用普通最小二乘法（OLS）估计参数。一种是固定效应模型（FixedEffectsRegressionModel）。如果对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计回归参数。一种是随机效应模型（RandomEffectsRegressionModel）。如果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服从正态分布，则固定效应模型就变成了随机效应模型。在面板数据模型形式的选择方法上，我们经常采用F检验决定选用混合模型还是固定效应模型，然后用Hau**an检验确定应该建立随机效应模型还是固定效应模型。检验完毕后，我们也就知道该选用哪种模型了，然后我们就开始回归：在回归的时候，权数可以选择按截面加权（cross-sectionweights）的方式，对于横截面个数大于时序个数的情况更应如此，表示允许不同的截面存在异方差现象。估计方法采用PCSE（PanelCorrectedStandardErrors，面板校正标准误）方法。Beck和Katz(1995)引入的PCSE估计方法是面板数据模型估计方法的一个创新，可以有效的处理复杂的面板误差结构，如同步相关，异方差，序列相关等，在样本量不够大时尤为有用。