时间序列分析实战(八):时序的格兰杰因果检验

简介: 时间序列分析实战(八):时序的格兰杰因果检验

1 目的

  为研究国民生产总值与货币供应量及利率的关系。现收集到1954年1月至1987年10月M1货币量对数序列log(M1),美国月度国民生产总值对数序列llog(GNP),以及短期利率和长期利率序列,部分数据见表1。该篇文章主要考察四个变量间的格兰杰因果关系。其数据处理方式、单整性检验及单序列的ARIMA模型构建见 时间序列分析实战(七):多个变量的ARIMA模型拟合,部分数据情况见表1所示。

表1 部分数据展示

2 变量间的互相关关系

  运行程序:

library(MSBVAR)
data1<-na.omit(data)          #去除空值
par(mfrow=c(1,3))
ccf(GNP,M1)
ccf(GNP,SF)
ccf(GNP,LF)

  运行结果:

3 格兰杰因果检验

  运行程序:

granger.test(data1[,2:5],p=1)  #Granger因果检验

  运行结果:

##                      F-statistic      p-value
## log.GNP. -> log.M1.   0.41454740 5.207960e-01
## 短期利率 -> log.M1.   7.87838611 5.767430e-03
## 长期利率 -> log.M1.   0.07608138 7.831144e-01
## log.M1. -> log.GNP.   2.71052650 1.020851e-01
## 短期利率 -> log.GNP. 27.52683485 6.064881e-07
## 长期利率 -> log.GNP.  5.78941757 1.751886e-02
## log.M1. -> 短期利率   1.58052304 2.109222e-01
## log.GNP. -> 短期利率  2.91622959 9.006134e-02
## 长期利率 -> 短期利率  0.02135744 8.840341e-01
## log.M1. -> 长期利率   0.62414250 4.309398e-01
## log.GNP. -> 长期利率  2.81318243 9.587727e-02
## 短期利率 -> 长期利率  7.44826240 7.222640e-03

  根据Granger检验结果,如果取α \alphaα=0.05,那么根据样本数据,我们可以得到:

  1.短期利率和长期利率可以认为是log(GNP)的Granger原因;

  2.l o g ( G N P ) log(GNP)log(GNP)与长期利率可以认为是短期利率的Granger原因;

  3.l o g ( G N P ) log(GNP)log(GNP)与短期利率可以认为是长期利率的Granger原因。


相关文章
时间序列分析实战(九):时序的协整关系检验
时间序列分析实战(九):时序的协整关系检验
时间序列分析实战(二):时序的ARMA模型拟合与预测
时间序列分析实战(二):时序的ARMA模型拟合与预测
|
9月前
|
vr&ar
时间序列分析实战(十):ARIMAX时序的协整动态模型
时间序列分析实战(十):ARIMAX时序的协整动态模型
|
9月前
|
数据可视化
【Eviews实战】——时序的平稳性检验
【Eviews实战】——时序的平稳性检验
|
9月前
|
数据处理
时间序列分析实战(一):时序平稳性和白噪声检验
时间序列分析实战(一):时序平稳性和白噪声检验
|
9月前
|
数据可视化 语音技术
时间序列分析实战(三):时序因素分解法
时间序列分析实战(三):时序因素分解法
时间序列分析实战(四):Holt-Winters建模及预测
时间序列分析实战(四):Holt-Winters建模及预测
|
9月前
|
机器学习/深度学习 数据可视化
R语言Stan贝叶斯回归置信区间后验分布可视化模型检验|附数据代码
R语言Stan贝叶斯回归置信区间后验分布可视化模型检验|附数据代码
|
9月前
|
机器学习/深度学习 Python
【视频】ARIMA时间序列模型原理和R语言ARIMAX预测实现案例
【视频】ARIMA时间序列模型原理和R语言ARIMAX预测实现案例
|
9月前
|
数据挖掘
R语言稀疏主成分分析、因子分析、KMO检验和Bartlett球度检验分析上市公司财务指标数据
R语言稀疏主成分分析、因子分析、KMO检验和Bartlett球度检验分析上市公司财务指标数据