格兰杰因果关系并非实际因果关系,格兰杰因果关系检验的重要...

格兰杰因果关系并非实际因果关系,格兰杰因果关系检验的重要作用在于(   )。如果X是Y变化的原因,那么X的...

格兰杰因果关系并非实际因果关系,格兰杰因果关系检验的重要作用在于( )。如果X是Y变化的原因,那么X的( )应该有助于预测Y的未来值,即在Y的自回归模型中添加X的( )作为解释变量后可以显著增加回归模型的解释能力。

预测;预测;预测;过去值;历史信息;过去值;滞后变量;过去值;过去值

两者不互为格兰杰因果关系说明了什么

两者不互为格兰杰因果关系说明了什么
不互为因果关系，说明这个后果跟前者没关系。

下面分享相关内容的知识扩展：

如果建立vec后残差自相关 还能做vec格兰杰检验吗

一般先做单位根检验，表明各个序列为同阶单整序列，则说明序列可以进行协整检验，建立回归模型用的是EG两步法，即对残差序列进行平稳性检验；建立VAR模型，用JJ检验法，即对相关系数检验；均可建立误差修正模型。如果建立的是VAR模型，协整检验用原始数据还是差分数据，是针对建立的模型的平稳性检验的结果是用的原始数据还是差分数据，如果模型用的是差分数据才平稳，那么协整检验用的就是差分数据，一般的先后顺序写做单位根检验，然后建立模型，协整检验，granger因果检验，模型分析。如果建立的是一元一次回归模型，一般先对两变量进行协整检验、granger因果检验、建立模型，模型的自相关、异方差修正、误差修正模型。

格兰杰因果检验和向量自回归（VAR）模型问题 急急！！

我已经做完格兰杰因果检验，结果如下。Pairwise Granger Causality Tests
Date: 05/07/12 Time: 12:55
Sample: 1990 2010
Lags: 2
Null Hypothesis:ObsF-StatisticProbability
SER02 does not Granger Cause SER0119 0.33516 0.72081
SER01 does not Granger Cause SER02 2.03279 0.16785
SER03 does not Granger Cause SER0119 8.32044 0.00416
SER01 does not Granger Cause SER03 3.83285 0.04704
SER04 does not Granger Cause SER0119 4.76461 0.02640
SER01 does not Granger Cause SER04 0.15004 0.86204
SER05 does not Granger Cause SER0119 4.81833 0.02557
SER01 does not Granger Cause SER05 1.76083 0.20791
SER03 does not Granger Cause SER0219 2.84640 0.09178
SER02 does not Granger Cause SER03 4.73175 0.02692
SER04 does not Granger Cause SER0219 1.83852 0.19545
SER02 does not Granger Cause SER04 0.10371 0.90218
SER05 does not Granger Cause SER0219 5.76340 0.01493
SER02 does not Granger Cause SER05 3.80248 0.04798
SER04 does not Granger Cause SER0319 4.71858 0.02714
SER03 does not Granger Cause SER04 0.51736 0.60706
SER05 does not Granger Cause SER0319 0.27672 0.76232
SER03 does not Granger Cause SER05 2.79020 0.09553
SER05 does not Granger Cause SER0419 0.21012 0.81299
SER04 does not Granger Cause SER05 4.59718 0.02919

他们有的相互之间存在因果关系，有的不存在。

那我下一步做VAR模型的时候如何选择外生变量啊。难道有的变量直接被抛弃？？不会选，求帮助。财富过后还可追加。
逻辑思路好像有问题。
VAR模型建立之后，再用granger 因果部分检验其合理性。
而VAR模型的建立（即滞后阶数的选取），不是依据granger因果关系是否成立的。
对于VAR模型，一般不选择外生变量。因为外生、内生很难界定（sims的观点）。当然若确实有理论基础或数据不够长时，也可采用外生变量，这时可以参考granger因果关系的结果。

“格兰杰因果”是经济学上的一个名词，有谁知道是什么意思吗？

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 *** ，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：