格兰杰因果检验

这个方法是做什么的

回答一个纯预测性的问题：把 X 的历史值加进 Y 的自回归方程，预测误差有没有显著下降。原假设是“X 的全部滞后项系数同时为 0”，也就是 X 对 Y 没有增量预测力；拒绝它才说存在格兰杰因果。方向是不对称的，K 个变量会产生 K×(K−1) 个有向检验，每一对都单独跑。

报告的重心在两头。卡① 是前提：逐序列 ADF（非平稳会直接产生伪因果）、VAR 信息准则的定阶依据（AIC/BIC/HQIC/FPE 各推荐几阶）、以及每个待估参数摊到多少观测。卡④ 是稳健性：Cohen's f²=(SSR_受限−SSR_非受限)/SSR_非受限，即加入原因变量滞后项后残差被削减的相对比例，它与 F 同源但不随样本量放大；同时给 Bonferroni 与 BH-FDR 两套校正后的 p 值。读这份报告的着眼点是：主结果表印的是未校正 p，判断稳健性必须翻到卡④ 看校正列，方向越多这两列差得越远。

需要准备什么数据

放入[定量]时间序列变量：2~20 个，定量变量（数值）

数据要求

数据表至少 30 行。
单列缺失率不超过 20%。
不接受取值全都一样的列（零方差列没有可分析的变异）。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

判断某个先行指标是不是真的“领先”，能不能进入预测模型
多条宏观或业务序列之间做方向性筛查，看谁能预测谁
为 VAR 建模挑选值得纳入的变量
已知两条序列相关，想区分是同步共变还是有时间先后

前提是各序列平稳、共享同一条时间轴、等间隔。这个模块没有时间列拖拽区，同一行必须是同一时点的观测，行的先后就是唯一的时间信息。至少 30 行——29 行会被直接拦下；但 30 行只是技术下限，样本量应当明显大于待估参数个数（每对检验要估 2×滞后阶+1 个参数），卡① 会直接给出实测的“每参数可用观测数”。滞后阶数由控件指定，默认 1 阶。

什么时候不要用它

序列非平稳且同阶单整：直接做格兰杰检验会得到伪因果。分两种问题走：长期均衡是你要的，先用「协整检验」确认，再用「ECM模型」在误差修正框架下讨论方向；只要短期领先关系，改用「时间因果模型」——它的“非平稳时自动一阶差分”开关默认打开，这类数据直接就能跑，代价是结论说的是变化量之间的领先关系，长期均衡信息被差掉了。
想要的是冲击的传导路径与各变量的贡献占比：用「VAR向量自回归模型」，它给脉冲响应与方差分解。
变量较多、希望自动定阶并同时拿到效应量：用「时间因果模型」，它按信息准则选阶并给 Geweke 度量与部分 R²。
你只想知道两条序列错开几期对得最齐：用「互相关分析」，它直接给出峰值滞后。
你要的是真正的因果效应而不是预测增量：靠研究设计而不是时序检验，用「双重差分(DID)」「断点回归(RD)」或「倾向得分匹配 (PSM)」。

容易误读的地方

“格兰杰因果”不是因果，这是它名字带来的最大误导。 它只说明加入 X 的历史值能显著改善对 Y 的预测。存在共同驱动的第三变量时，两个都被第三方带动的序列会互为格兰杰原因；真实因果的时滞若小于采样间隔（比如日内传导用月度数据去测），也会完全测不到。演示里的显著方向是“先行指标 → 工业增加值增速”，这句话的正确读法是“先行指标的历史有预测价值”，不是“先行指标推动了工业增加值”。
结论对滞后阶高度敏感，而默认值只有 1 阶。 演示数据在 1 阶下 F(1,136)=47.492，改成 6 阶后变成 F(6,121)=7.035——方向结论没变，但统计量差了近七倍。卡① 的信息准则表就是给这件事用的：AIC/BIC/HQIC/FPE 在演示数据上一致指向 1 阶，与设定相符才算有依据。规范做法是至少在建议阶与相邻阶各跑一遍，报告结论是否一致。
主结果表是未校正的，方向一多就必须看校正列。 3 个变量就有 6 个方向，5 个变量有 20 个。卡④ 同时给 Bonferroni（控 FWER，最保守）与 BH-FDR（控错误发现率，检出力更高），两者的适用场景不同：确证性研究用前者，探索性筛查用后者。只引用卡② 的星号而不说明校正方式，是这个模块最常见的报告缺陷。
两个方向都不显著，不等于两条序列无关。 格兰杰检验只看“历史能不能预测未来”，完全看不到同期（瞬时）相关。两条序列可能在同一期紧密同步却互不领先，此时该看的是同期相关系数或 VAR 的残差协方差，而不是宣布它们无关。
f² 和 p 回答的是两个问题，不要用 p 的星号去说效应大小。 演示里显著方向的 f²=0.3492（按 Cohen 基准介于中等与大之间），不显著方向的 f²=0.0024（极小）。样本一大，很小的 f² 也能显著；样本一小，中等的 f² 也可能不显著。论文里两个都要报。

**概念图1 前提检验不显著不等于前提成立**
检验只能拒绝原假设，不能证明它成立。p = 0.42 既可能是真的没有差别，也可能是样本量不够、差别没被检出来，两者从这个 p 值上分不开。规范的写法是「没有证据表明……」；要论证「两者确实相当」，需要另做等价性检验。

**概念图2 相关不等于因果**
看到 r = 0.62，X 导致 Y、Y 导致 X、第三个变量同时影响两者、纯属巧合这四种情况都可能，相关系数本身分不清它们。能分清的是研究设计——随机化、工具变量、断点，而不是往模型里多塞几个控制变量。

报告里有什么

输出结果一：数据概览与前提检验
输出结果二：格兰杰因果检验主结果
输出结果三：格兰杰因果关系可视化
输出结果四：效应量与多重比较校正
输出结果五：结论与学术表述

**图1 格兰杰因果关系P值热力图**
热力图的 Y 轴为「原因」变量、X 轴为「结果」变量，格内数值为该方向的未校正 p 值；颜色越绿 p 越小（越显著），对角线为自身对自身，不参与检验。

**图2 格兰杰因果显著性排序（前 2 个方向，−log₁₀ p）**
条形图按 −log₁₀(p) 从大到小排列各有向关系，红色虚线为 α=0.05 对应的阈值线；柱子越高，该方向的格兰杰因果证据越强。