格兰杰（Granger）于 1969 年提出了一种基于“预测”的因果关系（格兰杰因果关系），后经西蒙斯（1972 ,1980）的发展，格兰杰因果检验作为一种计量方法已经被经济学家们普遍接受并广泛使用，尽管在哲学层面上人们对格兰杰因果关系是否是一种“真正”的因果关系还存在很大的争议。简单来说它通过比较“已知上一时刻所有信息，这一时刻X的概率分布情况”和“已知上一时刻除Y意外的所有信息，这一时刻X的概率分布情况”，来判断Y对X是否存在因果关系。（在发展和简化版本中：“所有信息”这个理论上的过强条件被减弱，比较概率分布这个困难的操作也被减弱）它的主要使用方式在于以此定义进行假设检验，从而判断X与Y是否存在因果关系。
eviews格兰杰检验不通过可以尝试调整格兰杰因果检验的滞后期，变小或者变大。可以尝试调整格兰杰因果检验的滞后期，变小或者变大，如果还是不行建议不做格兰杰因果检验。因为正如楼上所说，格兰杰因果检验只能验证数值上的因果，没有说必须要做，很多好的核心期刊的文章都没有做格兰杰因果检验。
平稳性检验就是单位根检验
先来看一下序列X是否平稳
Null Hypothesis: X has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=2)
t-Statistic Prob
Augmented Dickey-Fuller test statistic 9533462 10000
Test critical values: 1% level -2792154
5% level -1977738
10% level -1602074
原假设是存在单位根，序列是不平稳的。看是我们看ADF统计量值953，比10%水平下的值都要大，所以是接受原假设的，所以序列X是不平稳的。
再来看序列Y
t-Statistic Prob
Augmented Dickey-Fuller test statistic 3826736 09990
Test critical values: 1% level -2847250
5% level -1988198
10% level -1600140
同X一样，序列Y也是非平稳的。
协整检验就有点麻烦，先要对X和Y做差分，我这里是做了二阶差分才发现X，Y是平稳的，二阶差分后的序列定义为iix和iiy
对x和y序列做普通最小二乘回归
ls y c x
然后对残差序列做单位根检验
Null Hypothesis: E has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=2)
t-Statistic Prob
Augmented Dickey-Fuller test statistic -1236694 01853
Test critical values: 1% level -2792154
5% level -1977738
10% level -1602074
可以看出，检验统计量-124大于10%水平下的-16，可以认为残差序列为非平稳序列，所以x和y不具有协整关系。
最后来看格兰杰因果检验
Pairwise Granger Causalit
如果你的分析对象是原始变量，就对原始变量做因果检验，如果你是对差分变量做分析，就对差变量做因果检验，与变量是否平稳没有逻辑联系。格兰杰因果检验原理是基于预测的。如变量X和Y，如果对Y的预测精度因为考虑到Xt,Xt-1,Xt-2而提高的话，就是说X及其滞后变量对Y的预测有帮助，那么X就是Y的格兰杰原因，一般来说X是发生在Y之前的。需要注意的是，格兰杰因果并不是我们常说的因果关系。操作上如果是用Eviews软件，直接把要做检验的变量在同时打开，然后View下有“Granger test”。如果你要对滞后变量做，则需要先生成滞后变量，然后同样操作。
重新检查数据和假设条件。
格兰杰因果关系检验是用于检验两个变量之间是否存在因果关系的统计方法。如果检验不通过，说明样本数据不支持这两个变量之间存在显著的因果关系。为了解决这个问题，可以重新检查数据来源和采集方法是否准确、完备，以及验证假设条件是否符合实际情况。同时，也可以考虑采用其他的统计方法或者调整变量之间的关系，重新进行分析。
在实践中，检验结果并不总是绝对可靠的，需要结合具体情况和专业知识进行分析。此外，在提高数据质量、加强假设建立等方面也可以有效地避免因果关系检验不通过的情况。
以上就是关于格兰杰因果关系的介绍全部的内容，包括:格兰杰因果关系的介绍、eviews格兰杰检验不通过怎么办、格兰杰因果检验具体过程等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！
