⼀⽂读懂Stata做格兰杰因果检验命令总结
在实证分析中，我们经常需要确定因果关系是x导致y，还是y导致x。对此，Granger提出了⼀种解决⽅法：如果x是y的原因，且不存在反向因果，则x过去值可以预测y未来值，反之则不然。具体来说，我们建⽴时间序列模型如下，并提出假设H0：βm=0，m=1,2…p。如果接受该假设，则意味着x过去值不能够预测y未来值；如果拒绝该假设，则可以，即x是y 的格兰杰因（Granger cause）。
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两个回归模型：
模型1
模型2
模型1是为了检验X对Y的影响，模型⼆是为了检验Y对X的影响。（其中⽩噪⾳u1t 和u2t假定为不相关的）
基本逻辑：
模型⼀中，如果模型α1，α2 , ... , αq 中只要存在⼀个系数显著为不零，那就认为X对Y有格兰杰因果关系，模型⼆类似；
1
格兰杰因果检验⽅法总结
格兰杰因果检验相关的stata命令可以有三种。
⽅法⼀：
•
•
•
•
•
regy 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。stata怎么发音
⽅法⼆：
•
•
•
•
•
•
sscinstall gcause （下载格兰杰因果检验程序gcause） gcause y x,lags(1) （滞后1 期） estatic （显⽰AIC 与BIC 取值，以便选择最佳滞后期） gcausey x,lags(2) （滞后2 期）estatic （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： vary 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
三： vary 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。2格兰杰因果检验应⽤案例1、导⼊数据 usehttp: //www.stata-press/data/imeus/ukrates, clear2、安装外部命令（安装gcause格兰杰因果检验程序） sscinstall gcause3、格兰杰检验 gcauser20 rs,
lags(1)estaticgcauser20 rs, lags(2)estatic依次对滞后⼀期、滞后两期等变量进⾏回归，根据AIC及BIC的取值确定最佳的滞后期。在本例中，我们发现p=q=3时AIC及BIC的值最⼩，因此我们将p和q都赋值为3。滞后三期回归结果如图所⽰： gcauser20 rs, lags(3)estatic我们发现F检验和卡⽅检验得出⼀致结论，接受原假设，即rs不是r20的格兰杰因。3格兰杰因果检验应⽤案例1、导⼊数据 use"C:UsersadminDesktoptsdata.dta"2、Granger causality: using OLSIf you regress ‘y’ on lagged va
lues of ‘y’ and ‘x’ and the coefficients of the lag of ‘x’ are statistically significantly different from 0, then you can argue that ‘x’ Granger-cause ‘y’, this is, ‘x’ can be used to predict ‘y’ (see Stock & Watson -2007-, Green -2008). regressunemp L(1/4).unemp L(1/4).gdp regressunemp L(1/4).unemp L(1/4).gdp我们不能拒绝原假设，因此gdp不是unemp的格兰杰原因。4格兰杰因果检验应⽤案例Granger causality: using VAR quietly varunemp gdp, lags(1/4)vargrangerThe null hypothesis is ‘var1 does not Granger-cause var2’. In both cases, we cannot reject the null that each variable does not Granger-cause the other