用EVIEWS计算格兰杰因果关系

格兰杰因果检验简要介绍格兰杰（Granger）因果性检验目前在计量经济学中应用比较多，不过我们当初学习计量并没有学这个检验方法，经济学专业的学生应该会学到吧。上次谭英平师姐给我们讲宏观经济统计分析课时曾经给我们介绍过，不过也只是很肤浅地说了说原理（这种教学有一定的危险性啊）。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：

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。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。格兰杰（Granger）因果性检验目前在计量经济学中应用比较多，不过我们当初学习计量并没有学这个检验方法，经济学专业的学生应该会学到吧。上次谭英平师姐给我们讲宏观经济统计分析课时曾经给我们介绍过，不过也只是很肤浅地说了说原理。

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。

我个人认为淘宝上的格兰杰经典10年之所以卖那么便宜，可能是因为他的酒不太好。

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。

广谱利率主要包括民间借贷利率，票据贴现利率，信托产品利率等。

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

这把枪需要做“枪手传”任务(陌生人)，击败埃米特·格兰杰后从尸体旁拾取。如果没有拾取的话之后无法通过其他途径获得。武器原型：柯尔特M1873单动式左轮手枪。背景设定美国，1899年。当警察开始打击残余亡命之徒的帮派时，蛮荒的西部时代迎来了最后的黄昏。不愿投降或是屈服的人，只有死路一条。亚瑟·摩根和范德林德帮众在黑水镇的一次抢劫行动遭遇了始料不及的意外，他们不得不逃离这个西部小镇。联邦侦探和全国顶尖的赏金猎人在他们的身后穷追不舍，亚瑟一行人必须在广袤蛮荒的美国腹地上四处劫掠、挣扎求生。而帮派内部的矛盾分化日渐加深，摆在亚瑟面前的将是他无法避免的抉择：究竟是选择自己的理想，还是选择效忠于抚养了自己的帮派。

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。

【答案】：正确格兰杰检验是对领先滞后关系和信息容量的一种检验，但它本身绝不表示通常意义上的因果关系。由于将来不能预测过去，所以如果变量X是变量Y的(格兰杰)原因，则X的变化应先于Y的变化。

能。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。

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。

晕~~一楼的，人家都说了不是艾玛……　赫敏·格兰杰(Hermione Jane Granger)，是英国作家乔安·凯瑟琳·罗琳的儿童奇幻小说《哈利·波特》系列中的人物。她是系列中的女主角，哈利和罗恩的好朋友。许多读者都喜欢她的自信和智慧。魔法学校里的高材生，和哈利、罗恩是学校里的三人组。事实上，她就是《哈利·波特》的作者J.K.罗琳在书中的影子。全名: 赫敏·简·格兰杰（Hermione·Jane·Granger）年龄：17生日:1980年１２月9日所在学院：格兰芬多 (Gryffindor )绰号：万事通（但许多学生更敬佩她的智力）以及问题多小姐(乌姆里奇教授这样说过)，十全十美小姐;一本正经小姐（小说中丽塔·斯基特曾提到过）特征：浓密蓬乱的褐发，只有用大量速顺滑发剂才能有所改善。直到四年级时她才除去自己的大板牙，但那是在一场魔咒事故之后。另外，她的眼睛是褐色的。血统：麻瓜出身家族：父母均是麻瓜牙医。现在争论焦点在于她是否还有个姐妹。JK罗琳说过她曾经想写但最终放弃了。由此可见她确实没有姐妹，她是家中的独生女。魔杖：葡萄藤木，内含龙的心弦，尺寸不详星座：射手座头发颜色：褐色 浓密眼睛颜色：褐色（巧克力色）宠物：克鲁克山（ Crookshanks）是一只相当奇妙的动物。它是一只姜黄色的大猫，有着压得扁扁的脸，和肥肥的、好像瓶刷子一样乍起的尾巴。克鲁克山有部分猫狸子血统，这也是它特别聪明、还能识别坏人的原因。最明显的例子是小矮星以老鼠斑斑的模样出现时，克鲁克山对它的态度（详见《哈利波特与阿兹卡班的囚徒》）。而且，当哈利和罗恩瞎编占卜课的答案时，从它瞪他们的样子就能看出，它也能识别出，并且不认同作弊的行为（详见《哈利波特与火焰杯》第14章）。小天狼星布莱克也曾说过“这只猫没有疯，它是我所见过最聪明的猫。”　专长：学习、逻辑推理 算术占卜 便携防水火焰 幻影移形最喜欢的科目：算术占卜最厌恶的科目：占卜守护神：水獭博格特（既最害怕的事）：麦格教授宣布其所有考试不及格唯一不是最优秀的科目：需要实践的黑魔法防御术（其实也是良好），占卜，飞行唯一不善长的脑力劳动:下巫师象棋首次提及：《哈利·波特与魔法石》第六章概述：赫敏于1980年降生在一个十分正常的麻瓜家庭。相信直到收到霍格沃兹来信之前她一直就读于麻瓜学校。许多资料可以说明这一点。大陆版的译名为“赫敏·格兰杰”，台湾版的译名是“妙丽·格兰杰”。

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。

通常格兰杰的因果检验只是样本的因果关系，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。

题主是否想询问“贵州茅台是中证白酒指数的原因”？中证白酒是一个指数基金。贵州茅台是中证白酒指数，是因为中证白酒是一个指数基金，里面纳入了所有可以进入该指数的上市公司白酒企业，当然，茅台是在里面的，它是证券市场里面白酒里面的其中一个指数而已，茅台和它没有什么直接的关系，这个指数里面所纳入的白酒企业都是被市场大多数人所认可的，就是在一个区域或者全国知名度很高的酒企。

格兰杰因果检验简要介绍 格兰杰（Granger）因果性检验目前在计量经济学中应用比较多，不过我们当初学习计量并没有学这个检验方法，经济学专业的学生应该会学到吧。上次谭英平师姐给我们讲宏观经济统计分析课时曾经给我们介绍过，不过也只是很肤浅地说了说原理（这种教学有一定的危险性啊）。 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“<”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)参考资料：baidu

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。

格兰杰因果检验简要介绍格兰杰（Granger）因果性检验目前在计量经济学中应用比较多，不过我们当初学习计量并没有学这个检验方法，经济学专业的学生应该会学到吧。上次谭英平师姐给我们讲宏观经济统计分析课时曾经给我们介绍过，不过也只是很肤浅地说了说原理（这种教学有一定的危险性啊）。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“<”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：

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。

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。

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。

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。

广谱利率是一系列利率指标，主要指央票利率、基准利率以及银行间拆借利率等。广谱利率是权益类全部工业品行业、固定收益类中期债券的格兰杰原因与同期原因，也是商品类资产的同期原因。而广谱利率对于固定收益类长期资产的影响更多表现为同期，体现在资产替代方面。流动性对资产收益的影响则较为简单，既是对周期性行业的权益类资产、固定收益类中期债务、商品类资产的格兰杰原因，又是同期原因。扩展资料：广谱利率影响：海外市场：美债收益率曲线短上长下。短端美债利率继续走高，长端美债利率有所回落。前期长端美债利率走高的原因主要有通胀预期抬升以及美国经济增长势头较强，而近期公布的4月非农数据就业、薪资增速不及预期，对通胀预期造成打压，TIPS指数回落，美债利率小幅走低。短端利率走高主要受到美联储加息、美元流动性等因素影响。5月FOMC会议按兵不动。会议声明中对通胀的描述由“继续低于2%”改为“接近2%”，显示美联储内部对通胀信心进一步增强。根据彭博WIRP，6月加息基本无悬念。国内市场：资金面先紧后松，降准释放资金改善流动性。受缴税等影响，资金面从4月18日开始异常收紧，且持续时间超过一周，至降准正式实施释放新增资金后才有所缓解两阶段行情明显，降准带来收益率陡峭下行，货币政策、监管政策、中美贸易战等多因素扰动下，下旬收益率震荡为主。4月17日，央行意外宣布对部分银行降准100bp，市场做多热情高涨，当日收益率快速下行近20bp。降准后，扰动市场的因素增多，包括资金面异常转紧，资管新规、大额风险暴露管理办法落地，短期机构行为受影响，中美贸易争端仍未解决，经济基本面走势存疑等，多因素扰动下债券收益率转为震荡。往后看，债市基本面等预期反应较为充分，贸易和信贷等高频数据不弱，银行理财等忙于整改，供给却在上量，中短端仍受益于资金面，中低等级信用利差风险有增无减。票据收益率下行。4月26日随降准资金逐步到位，资金面开始放松，进入五月资金仍较松，票据利率较两周前小幅下行。但票据利率仍显著高于可比资产如同业存单以及银行普通债收益率。理财收益率短下长升。市场在静待资管新规细则。资产端非标受限、债市收益率已经明显下降，产品端净值化，倒逼理财利率逐步下行。但被动拉长期限导致长期限理财利率下行缓慢。

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。

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

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。

(Granger Causality)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有先后顺序（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于1967年提出了Granger因果关系的定义（均值和方差意义上的均值因果性） 并在1980年发展将其进行了扩展（分布意义上的全民因果性） ，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。从便于理解的角度上按照从一般到特殊的顺序讲：最一般的情况是根据分布函数（条件分布）判断。约定 是到n期为止宇宙中的所有信息， 为到n期为止所有的 (t=1…n)， 为第n+1期X的取值， 为除Y之外的所有信息。Y的发生影响X的发生的表达式为： 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： 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）： 也有一种方法是验证Y的出现是否能减小对 的预测误差，即比较方差是否发生变化：

问题一：趋势性检验中,进行单位根检验的意义是什么 对非平稳序列使用传统的估计方法时(像普通最小二乘估计OLS)，以及估计变量间的关系时会得出错误推断。正确的方法是在检验时间趋势之前，要先确定时间序列中是否存在单位根。如果变量不能拒绝有单位根，则认为是非平稳的。如果经过单位根检验得到所研究的序列是非平稳的，可以通过一次或多次差分变为平稳序列。 问题二：的单位根检验，我该选择哪一个 先做单位根 要做专业数据分析，看我的名字吧 问题三：单位根检验、协整、格兰杰因果检验有什么关系？ 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。 问题四：单位根检验 5分 投入为序列x，收入为序列y，导入数据后并选xy，open as group做散点图可以观察到数据有向上的趋势，随x的增加y也增加，说明数据有趋势 打开序列，选view，unit root test，单位根检验又称ADF检验，test type不需要改 主要需要注意的选项是 test for unit root in level表示对原序列进行单位根检验 1st difference 表示对一阶差分后的序列进行单位根检验 2nd difference 表示对二阶差分后的序列进行单位根检验 一般单位根检验都是对原序列，此处选 level include in test equation 下的三个选项分别是，截距项，截距项和趋势，none（针对平稳的时间序列来说是既无截距项又无趋势）由图可知数据存在趋势，此处选trend and intercept 请采纳答案，支持我一下。 问题五：关于计量统计学中时间序列和单位根检验的问题 收入相关的都要做unit root test。这个见的很多。算是约定俗成必须要做的。 汇率方面见的少，但不是没有。尤其最近实际汇率相关的，很多做unit root test的。 我的感觉是，做又不费功夫。顺手做一下呗。没人可以确定肯定不用做的情况。就是因为不确定，所以才要 test。 问题六：面板数据需要进行单位根及协整检验吗 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。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。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。 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。 问题七：进行单位根检验后发现所有的自变量都是平稳的，因变量是一阶单整，需要做怎样的处理才能进行回归分析 对因变量求一阶差分，然后做回归。 问题八：做单位根检验有数据量的要求吗？如最少需要多少年的数据？ 有要求，数据选择最少为20年。 问题九：建立面板数据先做单位根检验还是先建立模型 如果是微观面板模型就不用单位根检验，如果是宏观面板模型即时间比较长的，就得先做单位根检验，再建模。

不可以 要同阶差分为平稳序列 对X的对数取一阶差分做平稳性检验，若平稳则可以做后面的分析；若不平稳则对XY的对数再做二阶差分的平稳性检验，同时平稳后再做后面的分析。不用做三阶了，没意义。

全名：赫敏·简·格兰杰(Hermione Jane Granger)年龄：18生日：1979年9月19日学校：霍格沃茨所在学院：格兰芬多(Gryffindor)绰号：万事通（但许多学生更敬佩她的智力）、问题多小姐（多洛雷斯·乌姆里奇教授这样说过）、十全十美小姐、一本正经小姐（小说中丽塔·斯基特曾提到过）特征：浓密蓬乱的褐发，只有用大量速顺滑发剂才能有所改善。直到四年级时她才除去自己的大板牙，但那是在一场魔咒事故之后。另外，她的眼睛是褐色的。血统：麻瓜出身家族：父母均是麻瓜牙医。大家争论焦点在于她是否还有个姐妹。J.K.罗琳说过她曾经想写但最终放弃了。由此可见她确实没有姐妹，她是家中的独生女。魔杖：葡萄藤木，内含龙的心弦，尺寸不详星座：处女座头发颜色：褐色 浓密眼睛颜色：褐色（琥珀色或巧克力色）宠物：克鲁克山(Crookshanks)是一只相当奇妙的动物。它是一只姜黄色的大猫，有着压得扁扁的脸，“好像曾经一头撞到了砖墙上”（引自原著），和肥肥的、好像瓶刷子一样乍起的尾巴。克鲁克山有部分猫狸子血统，这也是它特别聪明、还能识别坏人的原因。最明显的例子是小矮星彼得以老鼠斑斑的模样出现时，克鲁克山对它的态度（详见《哈利·波特与阿兹卡班的囚徒》）。而且，当哈利和罗恩瞎编占卜课的答案时，从它瞪他们的样子就能看出，它也能识别出，并且不认同作弊的行为（详见《哈利·波特与火焰杯》第14章）。小天狼星布莱克也曾说过“这只猫没有疯，它是我所见过最聪明的猫。”专长：学习、逻辑推理、算术占卜、便携防水火焰、幻影移形最喜欢的科目：算术占卜最厌恶的科目：占卜守护神：水獭（罗琳女士最喜欢的动物也是水獭，由此可以看出赫敏身上有罗琳的影子）博格特（既最害怕的事）：麦格教授宣布其所有考试不及格不是最优秀的科目：需要实践的黑魔法防御术（其实也是良好），占卜，飞行唯一不善长的脑力劳动：下巫师象棋首次提及：《哈利·波特与魔法石》第六章

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。

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。

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有先后顺序（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)

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。

阿萨德

晕~~一楼的，人家都说了不是艾玛……　赫敏·格兰杰(Hermione Jane Granger)，是英国作家乔安·凯瑟琳·罗琳的儿童奇幻小说《哈利·波特》系列中的人物。她是系列中的女主角，哈利和罗恩的好朋友。许多读者都喜欢她的自信和智慧。魔法学校里的高材生，和哈利、罗恩是学校里的三人组。事实上，她就是《哈利·波特》的作者J.K.罗琳在书中的影子。全名: 赫敏·简·格兰杰（Hermione·Jane·Granger）年龄：17生日:1980年１２月9日所在学院：格兰芬多 (Gryffindor )绰号：万事通（但许多学生更敬佩她的智力）以及问题多小姐(乌姆里奇教授这样说过)，十全十美小姐;一本正经小姐（小说中丽塔·斯基特曾提到过）特征：浓密蓬乱的褐发，只有用大量速顺滑发剂才能有所改善。直到四年级时她才除去自己的大板牙，但那是在一场魔咒事故之后。另外，她的眼睛是褐色的。血统：麻瓜出身家族：父母均是麻瓜牙医。现在争论焦点在于她是否还有个姐妹。JK罗琳说过她曾经想写但最终放弃了。由此可见她确实没有姐妹，她是家中的独生女。魔杖：葡萄藤木，内含龙的心弦，尺寸不详星座：射手座头发颜色：褐色 浓密眼睛颜色：褐色（巧克力色）宠物：克鲁克山（ Crookshanks）是一只相当奇妙的动物。它是一只姜黄色的大猫，有着压得扁扁的脸，和肥肥的、好像瓶刷子一样乍起的尾巴。克鲁克山有部分猫狸子血统，这也是它特别聪明、还能识别坏人的原因。最明显的例子是小矮星以老鼠斑斑的模样出现时，克鲁克山对它的态度（详见《哈利波特与阿兹卡班的囚徒》）。而且，当哈利和罗恩瞎编占卜课的答案时，从它瞪他们的样子就能看出，它也能识别出，并且不认同作弊的行为（详见《哈利波特与火焰杯》第14章）。小天狼星布莱克也曾说过“这只猫没有疯，它是我所见过最聪明的猫。”　专长：学习、逻辑推理 算术占卜 便携防水火焰 幻影移形最喜欢的科目：算术占卜最厌恶的科目：占卜守护神：水獭博格特（既最害怕的事）：麦格教授宣布其所有考试不及格唯一不是最优秀的科目：需要实践的黑魔法防御术（其实也是良好），占卜，飞行唯一不善长的脑力劳动:下巫师象棋首次提及：《哈利·波特与魔法石》第六章概述：赫敏于1980年降生在一个十分正常的麻瓜家庭。相信直到收到霍格沃兹来信之前她一直就读于麻瓜学校。许多资料可以说明这一点。大陆版的译名为“赫敏·格兰杰”，台湾版的译名是“妙丽·格兰杰”。

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。

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

格兰杰因果检验用于检验一组时间序列是否为另一组时间序列的原因。如果说A是B的格兰杰原因，则说明A的变化是引起B变化的原因之一。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。再通俗一点，就是说，目标是预测Y的变化，加上X的预测结果要比只有Y的预测结果好，那么就说，X和Y之间存在格兰杰因果关系。也就是说，X的变化可以解释Y的变化。1

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。

　赫敏（Hermione Granger）是英国作家乔安妮·凯瑟琳·罗琳(J.K.罗琳）的儿童奇幻小说《哈利·波特》系列中的人物。她是系列中的女主角，哈利·波特和罗恩·韦斯莱的好朋友，是个很有爱心和正义感的女孩，属光明的一派，同时有很高的天赋。许多读者都喜欢她的自信，智慧，聪明勇敢。霍格沃茨魔法学校里的高材生，和哈利、罗恩是学校里的三人组重要的一部分。事实上，她就是《哈利·波特》的作者J.K.罗琳在书中的影子。[编辑本段]【具体信息】　　全名：赫敏·简·格兰杰(Hermione Jean Granger)　　年龄：从哈1开始时的年龄是11岁。到哈7最后一本时的年龄是17岁。　　生日：1981年9月19日　　学校：霍格沃茨绰号：万事通（但许多学生更敬佩她的智力）、问题多小姐（多洛雷斯·乌姆里奇教授这样说过）、十全十美小姐、一本正经小姐（小说中丽塔·斯基特曾提到过）　　中文昵称：赫赫、小赫、Hr（主要是贴吧和论坛上用到的昵称）　　特征：浓密蓬乱的褐发，只有用大量速顺滑发剂才能有所改善。直到四年级时她才除去自己的大板牙，但那是在一场魔咒事故之后。另外，她的眼睛是褐色的。　　血统：麻瓜出身　　家族：父母均是麻瓜牙医。现在争论焦点在于她是否还有个姐妹。J.K.罗琳说过她曾经想写但最终放弃了。由此可见她确实没有姐妹，她是家中的独生女。　　魔杖：葡萄藤木，内含龙的心弦，尺寸不详　　星座：处女座　　头发颜色：褐色 浓密　　眼睛颜色：褐色（琥珀色或巧克力色）　　宠物：克鲁克山(Crookshanks)是一只相当奇妙的动物。它是一只姜黄色的大猫，有着压得扁扁的脸，和肥肥的、好像瓶刷子一样乍起的尾巴。克鲁克山有部分猫狸子血统，这也是它特别聪明、还能识别坏人的原因。最明显的例子是小矮星彼得以老鼠斑斑的模样出现时，克鲁克山对它的态度（详见《哈利·波特与阿兹卡班的囚徒》）。而且，当哈利和罗恩瞎编占卜课的答案时，从它瞪他们的样子就能看出，它也能识别出，并且不认同作弊的行为（详见《哈利·波特与火焰杯》第14章）。哈利·波特的教父——小天狼星·布莱克也曾说过“这只猫没有疯，它是我所见过最聪明的猫。”　　　专长：学习、逻辑推理、算术占卜、便携防水火焰、幻影移形 、黑魔法防御术、研究女孩心理、调制魔药、组织能力　　最喜欢的科目：算术占卜　　最厌恶的科目：占卜　　守护神：水獭（罗琳女士最喜欢的动物也是水獭，由此可以看出Hermione身上有罗琳的影子）　　博格特（即最害怕的事）：麦格教授宣布其所有考试不及格　　不是最优秀的科目：需要实践的：黑魔法防御术（其实也是良好），飞行，占卜　　（注：赫敏的黑魔法防御术并不是最好的，O.W.Ls中得了E，她自己也说（对哈利）：我只是靠书本，再加上一点小聪明——其实你在三年级时就超过我了（指黑魔法防御术），遇到了一位懂行的老师（卢平）。P.S.赫敏三年级期末考试时被伪装成麦格的博格特吓到了，它说她考试不及格。对于飞行，赫敏也不是很拿手，学校的扫帚听到她说起来，只是打了个滚，而暑假时玩魁地奇赫敏和哈利对罗恩、金妮，罗琳评价说很公平，因为赫敏玩得很糟糕。）　　（注：大陆版的译名为“赫敏·格兰杰”，台湾版的译名是“妙丽·格兰杰”。）

两个变量做协整需要同阶单整，两个以上要保重被解释变量的阶数不高于解释变量的阶数，且必须至少有两个解释变量的单整阶数大于被解释变量的单整阶数。在张晓峒老师的计量经济学基础里面提到过。同时EG两步法要求同阶单整，但Johansen没有（我记得Applied econometrics里面有写？）而且用软件做单位根检验有一定误差，如果不是显而易见的平稳，或者是计量重要理论，可以先做了再看。

撒， 有人发了飞我也发一份吧 我也想要

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。

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AR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，即是否存在均衡关系。如果有，则可以构造EC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，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AR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，看变量是否存在均衡。第四，均衡并不意味着的结束，还应考虑短期波动，要做误差修正检验。

同求

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 u2212 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 u2212 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 u2212 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 u2212 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。

原理：如果事件A不发生与另一个事件B的概率不发生时（如果随机变量由事件定义的，也可以说，该分布函数）的影响，并在时间上两个事件和测序（B经过前期A），那么我们可以说，A是B的原因。 />剂量 F统计量的概率 <br没有格兰杰原因B XY B组份不格兰杰引起一个ZW 格兰杰因果关系检验，并可以称为格兰杰非因果关系检验。 在上面的表中，x和y分别对应，Z和W彼此对应。 y和瓦特是根据软件EVIEWS x和z的值的概率值的？计算的查找表可以被省略，这样的麻烦。即，根据判断的B值x或y是不是A格兰杰的结果是可能的。 所以，在5％的显着性水平下，我们只有看的y的值和w与它的关系的5％。如果y 5％，即F-测试通过，接受“一个不Granger原因B”，即A不是B Granger原因。同样的方法可以分析用5％（重量）的关系。 如果y和w分别小于5％，那么A和对因果关系乙级。 具体实现方法如下：在EXCEL中通过选择菜单：工具 - 加载项 - 分析工具库，加载数据分析功能。 通过选择菜单：工具 - 数据分析 - 回归，两个数据的两倍，X和Y不回来，你可以得到的F值，以及相应的P值。

在《哈利波特与死亡圣器》里罗恩由于各种原因气愤离开赫敏和哈利以后赫敏总是有一种坐立不安的感觉，所以赫敏应该是喜欢罗恩的。而且赫敏在那时候可以算得上一个女强人，如果赫敏不喜欢罗恩的话那他俩是不可能在一起的。