格兰杰因果检验主要用于判断一个时间序列的历史信息，是否能够提高对另一个时间序列的预测能力。例如研究消费与收入、货币供应量与物价、投资与经济增长之间的动态关系时，都可能使用这一方法。需要注意的是，格兰杰因果关系强调的是“预测上的先后关系”，不能直接等同于现实中的真正因果关系。进行“EViews格兰杰因果检验怎么做EViews格兰杰因果检验结果如何判断”时，还必须先处理平稳性和滞后阶数，否则即使软件给出了结果，结论也可能缺乏可靠性。

　　一、EViews格兰杰因果检验怎么做

　　EViews中的格兰杰因果检验操作并不复杂，但不能直接导入数据后立即检验。时间序列是否平稳、变量是否存在协整关系以及滞后阶数是否合理，都会影响最终结果。

　　1、先检查变量的平稳性

　　格兰杰因果检验通常建立在平稳时间序列基础上。如果两个变量本身存在明显趋势，直接使用水平值进行检验，容易出现伪回归和错误判断。

　　①将时间序列数据导入EViews，打开需要检验的变量序列。

　　②在序列窗口中点击【查看】→【单位根检验】，选择ADF等单位根检验方法。

　　③根据检验结果判断序列是否平稳。如果水平序列不平稳，可以对变量进行一阶差分，再检查差分后的序列。

　　单位根检验一般关注原假设“存在单位根”。当P值小于设定的显著性水平，例如0.05时，可以拒绝原假设，认为序列在当前形式下基本平稳。

　　如果两个变量都是同阶单整序列，还应进一步考虑是否存在协整关系。存在长期协整关系时，单纯对差分变量进行普通格兰杰因果检验可能损失长期信息，此时可以结合误差修正模型进一步分析。

　　2、确定合适的滞后阶数

　　格兰杰因果检验本质上是比较加入另一个变量的历史值以后，当前变量的解释或预测能力有没有明显提高，因此滞后阶数非常重要。

　　滞后阶数过小，可能遗漏真正起作用的历史信息；设置过大，又会消耗自由度，并引入大量没有意义的滞后变量。

　　①将两个需要分析的变量建立为组，或者建立包含相关变量的VAR模型。

　　②通过VAR模型中的【查看】→【滞后结构】→【滞后长度准则】检查不同阶数。

　　③结合AIC、SC、HQ等信息准则选择滞后阶数，同时参考样本量和具体经济背景。

　　不同信息准则有时会给出不同结果，不需要机械采用某一个指标。样本较少时，使用过多滞后项尤其容易造成参数数量过多。实际分析中，可以先确定一个主要阶数，再使用相邻阶数进行稳健性比较。

　　3、执行格兰杰因果检验

　　确认变量处理方式和滞后阶数以后，就可以进入正式检验。

　　①在工作文件窗口中按住Ctrl键选中两个变量，右键打开为组。

　　②在组窗口中点击【查看】→【格兰杰因果关系】，进入成对格兰杰因果检验设置。

　　③在滞后阶数中输入前面确定的阶数，点击【确定】，EViews会输出两条方向相反的检验结果。

　　例如使用变量X和Y进行检验，一般会得到：

　　“X does not Granger Cause Y”

　　以及：

　　“Y does not Granger Cause X”。

　　这两行代表两个独立的原假设，需要分别判断，不能只看其中一行，也不能因为其中一个方向显著，就直接认为两个变量互为因果。

　　二、EViews格兰杰因果检验结果如何判断

　　EViews输出结果通常包括观测值数量、F统计量和Prob.，实际判断时最重要的是每一个方向对应的原假设和P值。

　　1、先看原假设表示什么

　　假设输出中出现：

　　“X does not Granger Cause Y”

　　它的含义不是“X导致Y”，而是原假设：

　　X不是Y的格兰杰原因。

　　因此判断逻辑正好需要反过来理解。

　　当P值小于0.05时，在5%的显著性水平下拒绝原假设，可以认为X是Y的格兰杰原因。

　　当P值大于0.05时，不能拒绝原假设，目前没有足够统计证据认为X是Y的格兰杰原因。

　　这里建议使用“不能拒绝”或“没有足够证据”，而不要简单写成“证明X不是Y的原因”。统计检验没有拒绝原假设，并不代表已经严格证明原假设成立。

　　2、根据两个方向判断关系类型

　　由于检验结果包含两个方向，所以通常存在四种情况。

　　假设检验结果为：

　　X does not Granger Cause Y：P=0.012

　　Y does not Granger Cause X：P=0.326

　　第一项P值小于0.05，第二项大于0.05，因此可以认为X是Y的单向格兰杰原因，而暂时没有证据认为Y是X的格兰杰原因。

　　如果两个方向的P值都小于0.05，可以认为存在双向格兰杰因果关系。

　　如果两个方向的P值都大于0.05，则在当前样本、滞后阶数和模型设定下，没有发现明显的格兰杰因果关系。

　　如果结果接近0.05，例如0.048和0.056，则不宜只根据一个固定界限做过强结论，可以同时报告1%、5%和10%显著性水平，并结合其他滞后阶数结果进行判断。

　　3、F统计量和P值怎么配合看

　　格兰杰检验实际上是在检查某一组滞后项的系数是否整体为零。EViews会给出F统计量以及与它对应的概率值。

　　日常分析中通常直接根据Prob.判断即可。

　　例如：

　　F-Statistic=4.637

　　Prob.=0.013

　　如果采用5%的显著性水平，因为0.013＜0.05，因此拒绝“X不是Y的格兰杰原因”这一原假设。

　　如果Prob.=0.214，则不能拒绝原假设。

　　不能因为F统计量数值“看起来很大”就自行判断显著，因为F统计量还受到自由度等因素影响，最终应结合对应P值进行判断。

　　三、格兰杰因果检验容易出现哪些判断偏差

　　格兰杰检验的菜单操作比较简单，真正容易出问题的部分通常发生在检验之前和结果解释阶段。特别是研究报告或论文中，只放一张格兰杰检验表，而没有说明变量处理和滞后阶数来源，结论往往不够完整。

　　1、不要把格兰杰因果关系直接写成现实因果关系

　　如果检验发现X是Y的格兰杰原因，只能说明在当前模型中，加入X的历史信息后能够改善对Y的预测。

　　这并不能直接证明“X在现实中导致Y发生变化”。

　　两个变量之间可能受到第三个变量共同影响，也可能因为模型遗漏变量、结构变化或数据频率问题形成统计上的领先关系。因此写结果时，更严谨的表达是“X是Y的格兰杰原因”或“X对Y具有统计上的预测作用”。

　　2、检查不同滞后阶数下结论是否稳定

　　格兰杰结果对滞后阶数比较敏感。如果滞后1期显著，滞后2期完全不显著，结论就需要谨慎解释。

　　①在主要滞后阶数完成检验后，再测试相邻的1—2个合理滞后阶数。

　　②比较因果方向和显著性是否发生明显变化。

　　③如果结果高度不稳定，应重新检查样本数量、变量平稳性、模型设定和是否存在结构变化。

　　此外，如果变量存在协整关系，还应考虑使用向量误差修正模型分析短期和长期关系，不能完全依赖简单的成对格兰杰检验。

　　总结

　　处理“EViews格兰杰因果检验怎么做EViews格兰杰因果检验结果如何判断”时，真正关键的并不是最后点击一次检验菜单，而是先确认变量平稳性，再合理确定滞后阶数，最后逐条判断两个方向的原假设。P值小于显著性水平时，可以拒绝“不是格兰杰原因”的原假设；P值较大时，只能说明当前证据不足。同时应注意，格兰杰因果关系属于时间序列预测意义上的关系，不能直接等同于现实中的因果机制。希望本文对大家理解和使用EViews格兰杰因果检验有所帮助，如需进一步了解，可联系咨询。