Eviews建立VAR模型，如果选择的指标之间不存在格兰杰因果关系，还能做VAR模型么？

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。

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。

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模型或进行Granger因果检验，检验变量之间“谁引起谁变化”，即三者之间的关系为因果关系。资料拓展：一、平稳性问题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（一般用EG两步法）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、协整性问题1、格兰杰检验只能用于平稳序列, 这是格兰杰检验的前提，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、格兰杰因果问题第一，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。第三，协整结果仅表示变量间存在长期均衡关系，因为变量不平稳才需要协整，所以先对变量进行差分，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。参考资料：百度百科-单位根检验

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Hausman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。

格兰杰因果关系检验不是检验逻辑上的因果关系，而是看变量间的先后顺序，是否存在一个变量的前期信息会影响到另一个变量的当期。格兰杰定理表明：存在协整关系的变量至少存在一个方向上的格兰杰因果关系。用eviews做也很方便，简单来说，先单位根检验——协整检验——格兰杰因果关系检验。找eviews的书慢慢学，当然我也可以教你

要做较为稳健的格兰杰因果检验。1、首先，确认y和x是否平稳；其次，通过单位根检验后，一般常将（x，y）构成一个二元VAR系统，在VAR的框架下进行格兰杰因果关系检验。2、其次依信息准则确认滞后阶数，可以估计VAR，估计VAR之后需采用varlmar、varstable、varnorm等命令检验VAR残差和系统是否稳定。3、最后通过以上检验后，才可以做较为稳健的格兰杰因果检验，即命令vargranger。

格兰杰因果检验，需要确定滞后阶数Lags，那么可以通过选择变量建立VAR模型，查看其中的最佳阶数，系统就会列出五大准则所判断的最佳滞后期数，若你需要服从AIC准则，那么直接查看AIC准则下的最佳滞后阶数就可以了。确定了最佳阶数，那么就可以进行格兰杰检验，格兰杰检验中主要是看F统计量的P值，P<0.05那么拒绝没有存在格兰杰因果关系的原假设，认为存在格兰杰因果关系格兰杰因果检验，需要确定滞后阶数Lags，那么可以通过选择变量建立VAR模型，查看其中的最佳阶数，系统就会列出五大准则所判断的最佳滞后期数，若你需要服从AIC准则，那么直接查看AIC准则下的最佳滞后阶数就可以了。确定了最佳阶数，那么就可以进行格兰杰检验，格兰杰检验中主要是看F统计量的P值，P<0.05那么拒绝没有存在格兰杰因果关系的原假设，认为存在格兰杰因果关系

1、首先，格兰杰因果检验的前提是两个变量之间存在因果关系。如果两个变量之间不存在因果关系，那么格兰杰因果检验就无法通过。2、其次，格兰杰因果检验的结果也受到样本大小和样本选择的影响。如果样本大小太小，那么格兰杰因果检验的结果可能不够准确。3、最后，格兰杰因果检验的结果也受到其他因素的影响，比如说测量误差、随机误差等。

【答案】：B格兰杰因果关系检验主要为了检验x是否是y的格兰杰原因。构建原假设为α1=α2=…=αk=0（x不是格兰杰y的原因）。

格兰杰因果检验不通过，说明样本数据不支持这两个变量之间存在因果关系的假设。针对这种情况，可以考虑以下几个方面：1、检查样本数据的质量和完整性：确保样本数据的收集过程中没有产生系统性偏差或遗漏，数据的有效性和真实性能够满足分析的要求。2、重新选择或增加变量：格兰杰因果检验是一种双变量检验方法，如果两个变量之间不存在因果关系，则可以考虑增加其他变量或选择其他相关变量进行分析。3、使用其他检验方法：格兰杰因果检验并不是检验因果关系的唯一方法，可以考虑使用其他更为适合的因果关系检验方法，如回归分析、结构方程模型等。

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（Granger）于 1969 年提出了一种基于“预测”的因果关系（格兰杰因果关系），后经西蒙斯（1972 ,1980）的发展，格兰杰因果检验作为一种计量方法已经被经济学家们普遍接受并广泛使用，尽管在哲学层面上人们对格兰杰因果关系是否是一种“真正”的因果关系还存在很大的争议。简单来说它通过比较“已知上一时刻所有信息，这一时刻X的概率分布情况”和“已知上一时刻除Y意外的所有信息，这一时刻X的概率分布情况”，来判断Y对X是否存在因果关系。（在发展和简化版本中：“所有信息”这个理论上的过强条件被减弱，比较概率分布这个困难的操作也被减弱）它的主要使用方式在于以此定义进行假设检验，从而判断X与Y是否存在因果关系。

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”（Of course, many ridiculous papers appeared）。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。在时间序列情形下，两个经济变量X、Y之间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因。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(unit root test)。常用增广的迪基—富勒检验(ADF检验)来分别对各指标序列的平稳性进行单位根检验。

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。

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。

转载的：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。来自:

格兰杰因果关系是格兰杰因果检验的结果原假设为x不是y的格兰杰成因是为了说明x对y是否存在影响的一种检验方法前提是：x和y平稳或者是一阶协整可参考时间序列相关书籍

建立数组表，然后点最左上角的view，里边有个Granger Causality

格兰杰因果关系检验不是检验逻辑上的因果关系，而是看变量间的先后顺序，是否存在一个变量的前期信息会影响到另一个变量的当期。格兰杰定理表明：存在协整关系的变量至少存在一个方向上的格兰杰因果关系。用eviews做也很方便，简单来说，先单位根检验——协整检验——格兰杰因果关系检验。找eviews的书慢慢学，当然我也可以教你

这个是从人大经济论坛转来，请你去感谢作者吧：相关的stata命令可以有三种。 方法一：reg y L.y L.x （滞后1 期）estat ic （显示AIC 与BIC 取值，以便选择最佳滞后期）reg y L.y L.x L2.y L2.x estat ic （显示AIC 与BIC 取值，以便选择最佳滞后期）……根据信息准则确定p, q 后，检验 ；所用的命令就是test特别说明，此处p和q的取值完全可以不同，而且应该不同，这样才能获得最有说服力的结果，这也是该方法与其他两个方法相比的最大优点，该方法缺点是命令过于繁琐。 方法二：ssc install gcause （下载格兰杰因果检验程序gcause）gcause y x,lags(1) （滞后1 期）estat ic （显示AIC 与BIC 取值，以便选择最佳滞后期）gcause y x,lags(2) （滞后2 期）estat ic （显示AIC 与BIC 取值，以便选择最佳滞后期） 特别说明，在选定滞后期后，对于因果关系检验，该方法提供F检验和卡方检验。如果两个检验结论不一致，原则上用F检验更好些。因为卡方检验是一个大样本检验，而实证检验所能获得的样本容量通常并不大，如果采用的是大样本，则以卡方检验结果为准。不过，通常情况下，大样本下两个检验结论一致，所以不用担心。综上，F检验适用范围更广。 方法三：var y x （向量自回归）vargranger注意：1、如果实际检验过程中AIC和BIC越来越小，直到不能再滞后（时间序列长度所限）。这样的话，可能数据确实存在高阶自相关。在这种情况下，可以限制p的取值，比如取最大的 或 ， 。2、回归结果中各期系数显著性不同，有的不显著有的显著，如实汇报就可以。最好全部汇报。不显著的期数可能意味着那一期的自相关很弱。

格兰杰（Granger）于 1969 年提出了一种基于“预测”的因果关系（格兰杰因果关系），后经西蒙斯（1972 ,1980）的发展，格兰杰因果检验作为一种计量方法已经被经济学家们普遍接受并广泛使用，尽管在哲学层面上人们对格兰杰因果关系是否是一种“真正”的因果关系还存在很大的争议。 简单来说它通过比较“已知上一时刻所有信息，这一时刻X的概率分布情况”和“已知上一时刻除Y以外的所有信息，这一时刻X的概率分布情况”，来判断Y对X是否存在因果关系。（在发展和简化版本中：“所有信息”这个理论上的过强条件被减弱，比较概率分布这个困难的操作也被减弱） 它的主要使用方式在于以此定义进行假设检验，从而判断X与Y是否存在因果关系。这个评判方法只是从统计学意义上求证了两个有时间连续性事物之间的因果关系，而没有强调是正相关还是负相关，结果是两种可能性中的一种。

格兰杰因果检验只适用于时间序列数据，所以截面数据是无法用格兰杰做因果检验的。

1,格兰杰因果检验没有长短期之分，只与滞后长度有关2，格兰杰原理是：如果基于数列Y得到的均方误差和基于X,Y得到的均方误差相同，那么两者不存在因果关系。否则相反。所以，如果在几十年中两者关系发生变化，检验结果可能将显示两者不存在因果关系。

平稳性检验就是单位根检验先来看一下序列X是否平稳Null Hypothesis: X has a unit root Exogenous: None Lag Length: 0 (Automatic based on SIC, MAXLAG=2) t-Statistic Prob.*Augmented Dickey-Fuller test statistic 9.533462 1.0000Test critical values: 1% level -2.792154 5% level -1.977738 10% level -1.602074 原假设是存在单位根，序列是不平稳的。看是我们看ADF统计量值9.53，比10%水平下的值都要大，所以是接受原假设的，所以序列X是不平稳的。再来看序列Yt-Statistic Prob.*Augmented Dickey-Fuller test statistic 3.826736 0.9990Test critical values: 1% level -2.847250 5% level -1.988198 10% level -1.600140 同X一样，序列Y也是非平稳的。协整检验就有点麻烦，先要对X和Y做差分，我这里是做了二阶差分才发现X，Y是平稳的，二阶差分后的序列定义为iix和iiy对x和y序列做普通最小二乘回归ls y c x然后对残差序列做单位根检验Null Hypothesis: E has a unit root Exogenous: None Lag Length: 0 (Automatic based on SIC, MAXLAG=2) t-Statistic Prob.*Augmented Dickey-Fuller test statistic -1.236694 0.1853Test critical values: 1% level -2.792154 5% level -1.977738 10% level -1.602074 可以看出，检验统计量-1.24大于10%水平下的-1.6，可以认为残差序列为非平稳序列，所以x和y不具有协整关系。最后来看格兰杰因果检验Pairwise Granger Causalit

用EVIEWS做。按住CRRL键，选中你要做格兰杰因果关系的两个变量，点右键，“open as a group”。然后点view/granger causality,然后选滞后阶数。顺便说声，格兰杰因果关系检验要求数据是平稳的，

　　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

列联表可以检验变量之间的因果关系。列联表检验是对列联表中两分类变量是否独立的检验，也是假设检验的一个重要内容，称为列联表分析或列联表检验。在统计实践中，人们经常需要对样本资料进行各种各样的分类，以便分析研究。如果对样本资料按照两个指标变量进行复合分组，其结果必然就是各种双向列联表。对于列联表资料，人们经常需要检验所依据分类的两个变量是否独立或相关。如在市场调查中，将被调查者对所拟推销商品的状态与被调查者的性别或年龄以及职业等指标变量进行双向复合分组，然后检验分类变量是否独立或相关，可发现和确定潜在的购买者群体，等等。这种对列联表中两分类变量是否独立的检验，也是假设检验的一个重要内容，称为列联表分析或列联表检验。因果关系检验。经济学家开拓了一种可以用来分析变量之间的因果的办法，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因果关系。①格兰杰因果关系检验只适用于时间序列数据，他的哲学思想是原因一定早先于结果发生;②检验结果对变量滞后期长度非常敏感，滞后期长度不同，结果可能截然相反。所以，有些时候，我们可能不得不采用赤池或施瓦茨信息准则来选择合适的滞后期长度;③进入检验的误差项必须是不相关的，若出现相关性，可能需要进行适当的变换;④被检验变量Y和X必须得是平稳的，非平稳的时间序列是没有太大预测价值的。

协整检验：1. 首先，检验必须要求数据是经过一阶或二阶平稳处理的。2. 然后，从观测数据中构建协整检验模型，这个模型通常是一个拟合度较好的线性或非线性模型。3. 然后，进行协整检验，这一步涉及使用一种称为协整检验统计量的统计量，来检验模型中的参数是否具有统计显著性。4. 最后，如果协整检验统计量的p值小于某一阈值，则可以认为协整检验模型是可信的，这意味着观测数据之间存在某种程度的相关性。格兰杰因果检验：1. 首先，构建一个格兰杰因果检验模型，这个模型通常是一个线性或非线性模型。2. 然后，运用格兰杰因果检验统计量来检验模型中的参数是否具有统计显著性。3. 如果格兰杰因果检验统计量的p值小于某一阈值，则可以认为格兰杰因果检验模型是可信的，这意味着观测数据之间存在一种确定的因果关系。

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

原理：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。F统计值 Probability A dose not Granger cause B x yB dose not Granger cause A z wgranger因果关系检验又可以称为granger非因果关系检验。在上表中，x与y是对应的，z与w是相互对应的。y与w是eviews软件根据x与z值计算出来的概率值，这样可以省去了查表的麻烦。即根据x或是y值来判断A是不是B的granger因都是可以的。那么，在5%的显著性水平下，我们只要看看y和w的值与5%的关系就可以了。如果y<5%,即F检验没有通过，即拒绝“A does not Granger cause B”，也就是说A是B的格兰杰因。如果y>5%，即F检验通过了，就接受“A does not Granger cause B”，也就是说，A不是B的格兰杰因。同样的方法可以分析w与5%的关系。如果y和w都小于5%，那么A与B就互为因果关系。 实现的具体方法：在EXCEL中通过选择菜单： 工具--加载宏--分析工具库，就加载了数据分析的功能。通过选择菜单：工具--数据分析--回归，对两列数据分别做为X和Y做两次回归，就可得到F值，及相应的P值。

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。

ctrl选中你要的多变量数据 ，右键open as group， 单击出现窗口的view，选择 granger causality，就ok啦

格兰杰因果关系检验通常会涉及到滞后阶数的选择。一般来说，滞后阶数的选择需要依据实际问题的需求和数据特点来确定。在实际应用中，可以尝试使用一些经验法则来选择滞后阶数。例如，可以先进行几轮初步的分析，然后根据残差自相关函数和偏自相关函数图像，选择一个能够较好地解释残差序列特征的滞后阶数。另外，还可以利用一些信息准则，如AIC、BIC等，在不同的滞后阶数下，比较模型拟合程度和参数数目，从而选择一个较优的滞后阶数。需要注意的是，不同的滞后阶数选择方法可能会得出不同的结论，因此选择滞后阶数时应该综合考虑多方面因素，并且结合实际情况来确定。

可以放入var模型中，格兰杰、脉冲响应分析、variancedecompositions是分析var的三种方式而已。a是b的grangercausality，只是说a的过去值对b现在的值有影响。希望能帮到其他人。

格兰杰因果检验不通过的原因如下：1、确保样本数据的收集过程中没有产生系统性偏差或遗漏，数据的有效性和真实性能够满足分析的要求。2、格兰杰因果检验是一种双变量检验方法，如果两个变量之间不存在因果关系，则可以考虑增加别的变量或选择别的相关变量进行分析。

两个，格兰杰要求两个变量间是协整，不协整则需要通过差分等方法使其协整再分析。协整检验对于变量数没有具体要求，甚至对于非独立变量个数也没限制。

eviews格兰杰检验不通过可以尝试调整格兰杰因果检验的滞后期，变小或者变大。可以尝试调整格兰杰因果检验的滞后期，变小或者变大，如果还是不行建议不做格兰杰因果检验。因为正如楼上所说，格兰杰因果检验只能验证数值上的因果，没有说必须要做，很多好的核心期刊的文章都没有做格兰杰因果检验。

如何用Eviews做格兰杰因果关系检验？具体步骤 第一步：选定两序列，以group打开（点右键，选open as group)得弹出窗如图： 第二步：选菜单view，点选最后一项granger causalty test....得弹出窗，输入阶数，一般2或3即可，点OK，得结果。 Eviews5.0软件，格兰杰因果检验的详细步骤及如何看数据解说 导入数据，选定两个序列，右键，open as group，view，最下面granger causality。点击就OK了。 如何用Eviews做格兰杰因果关系检验 把两个时间序列导入eviews然后点击granger就可以进行格兰杰因果检验啦 格兰杰因果关系检验能有具体步骤吗？如何选定两列 选两列的办法是，先单击选定一列，再按住control键，单击另一列，这样就选定了两列。 如何用Eviews做格兰杰因果关系检验 views里面有选项的 如何用stata进行格兰杰因果检验，需要具体操作步骤。 20分 在进行var估计后 输入vargranger 如：var y x,lags(1/2) vargranger 详细地，help vargranger查看 如何用Eviews做格兰杰因果关系检验 格兰杰因果关系检验不是检验逻辑上的因果关系，而是看变量间的先后顺序，是否存在一个变量的前期信息会影响到另一个变量的当期。格兰杰定理表明：存在协整关系的变量至少存在一个方向上的格兰杰因果关系。用eviews做也很方便，简单来说，先单位根检验——协整检验——格兰杰因果关系检验。找eviews的书慢慢学，当然我也可以教你 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......>>

(Granger Causality Test)上面因果关系的最后一种表达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。

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。

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。

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0.26021 0.26021>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

因果关系检验。经济学家开拓了一种可以用来分析变量之间的因果的办法，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因果关系。①格兰杰因果关系检验只适用于时间序列数据，他的哲学思想是原因一定早先于结果发生；②检验结果对变量滞后期长度非常敏感，滞后期长度不同，结果可能截然相反。所以，有些时候，我们可能不得不采用赤池或施瓦茨信息准则来选择合适的滞后期长度；③进入检验的误差项必须是不相关的，若出现相关性，可能需要进行适当的变换；④被检验变量Y和X必须得是平稳的，非平稳的时间序列是没有太大预测价值的。扩展资料相关背景：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”(Of course, many ridiculous papers appeared)。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。在时间序列情形下，两个经济变量X、Y之间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因。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(unit root test)。常用增广的迪基—富勒检验(ADF检验)来分别对各指标序列的平稳性进行单位根检验。参考资料来源：百度百科-因果关系检验

不可以。格兰杰因果检验对滞后期特别敏感，不同的滞后期可能得出截然相反的结论。格兰杰（Granger）于1969年提出了一种基于预测的因果关系（格兰杰因果关系），后经西蒙斯（1972，1980）的发展，格兰杰因果检验作为一种计量方法已经被经济学家们普遍接受并广泛使用。

格兰杰因果关系检验不是检验逻辑上的因果关系，而是看变量间的先后顺序，是否存在一个变量的前期信息会影响到另一个变量的当期。格兰杰定理表明：存在协整关系的变量至少存在一个方向上的格兰杰因果关系。用eviews做也很方便，简单来说，先单位根检验——协整检验——格兰杰因果关系检验。找eviews的书慢慢学，当然我也可以教你

因果关系检验。经济学家开拓了一种可以用来分析变量之间的因果的办法，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因果关系。①格兰杰因果关系检验只适用于时间序列数据，他的哲学思想是原因一定早先于结果发生；②检验结果对变量滞后期长度非常敏感，滞后期长度不同，结果可能截然相反。所以，有些时候，我们可能不得不采用赤池或施瓦茨信息准则来选择合适的滞后期长度；③进入检验的误差项必须是不相关的，若出现相关性，可能需要进行适当的变换；④被检验变量Y和X必须得是平稳的，非平稳的时间序列是没有太大预测价值的。扩展资料相关背景：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”(Of course, many ridiculous papers appeared)。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。在时间序列情形下，两个经济变量X、Y之间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因。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(unit root test)。常用增广的迪基—富勒检验(ADF检验)来分别对各指标序列的平稳性进行单位根检验。参考资料来源：百度百科-因果关系检验

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（spurious regression）。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,Levin andLin(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Levin et al. (2002)的改进,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。Im et al. (1997) 还提出了检验面板单位根的IPS 法,但Breitung(2000) 发现IPS 法对限定性趋势的设定极为敏感,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。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, 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统计量的原假设为存在普通的单位根过程，lm Pesaran Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量的原假设为存在有效的单位根过程， Hadri Z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)、Kao and Chiang(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)Larsson et al(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”（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）。 Eviews好像没有在POOL窗口中提供Granger causality test，而只有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/Make Group)，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（Pooled Regression Model）。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（Fixed Effects Regression Model）。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（Random Effects Regression Model）。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Hausman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- section weights）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（Panel Corrected Standard Errors，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。

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“<”照样讲得通，后来通过改进，把定义中的“>”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 61 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 61 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 61 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 61 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。

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。”