分块格兰杰因果关系和分块外因性检验
的gct
函数按块执行格兰杰因果检验通过接受时间序列数据集来表示测试中的“原因”和“结果”多元响应变量。gct
万博1manbetx支持在测试模型中包含可选的内生条件调节变量。
对完全指定的VAR模型(用a表示)的响应变量进行剔除一个、排除所有和逐块格兰杰因果关系检验varm
模型对象),参见gct
.
进行格兰杰因果检验,以评估M1货币供应是否对消费者价格指数(CPI)的预测分布有影响。
加载美国宏观经济数据集Data_USEconModel.mat
.
负载Data_USEconModel
数据集包括MATLAB®时间表数据表
其中包含从1947年第一季度到2009年第一季度测量的14个变量。M1SL
表变量是否包含M1货币供应量,和CPIAUCSL
是包含CPI的表变量。请输入描述
在命令行。
通过在同一图形中绘制它们,直观地评估级数是否平稳。
图;yyaxis左情节(DataTable.Time DataTable.CPIAUCSL) ylabel (“CPI”);yyaxis正确的情节(DataTable.Time DataTable.M1SL);ylabel (“货币供应量”);
两个级数都是非平稳的。
通过将它们转换为速率来稳定序列。
m1slrate = price2ret(dattable . m1sl);通货膨胀= price2ret(dattable . cpiaucsl);
假设VAR(1)模型是一个合适的比率多元模型。进行默认格兰杰因果检验,以评估M1货币供应量率是否格兰杰导致通货膨胀率。
H = gctest(m1slrate,膨胀)
h =逻辑1
测试决策h
是1
,这表明否定了零假设,即M1货币供应率不会引起格兰杰通货膨胀。
时间序列在Granger-cause过程中发生反馈。评估美国通货膨胀率和M1货币供应率是否经历反馈。
加载美国宏观经济数据集Data_USEconModel.mat
.将价格序列转换为回报。
负载Data_USEconModel通货膨胀= price2ret(dattable . cpiaucsl);m1slrate = price2ret(dattable . m1sl);
进行格兰杰因果检验,以评估通货膨胀率是否格兰杰导致M1货币供应率。假设一个潜在的VAR(1)模型适用于这两个系列。默认的重要程度 检验结果为0.05。由于本例进行两次测试,减少 每次测试减少一半,以达到0.05的家庭显著性水平。
hIRgcM1 = gctest(膨胀率,m1slrate,“阿尔法”, 0.025)
hIRgcM1 =逻辑1
测试决策hIRgcM1
=1
表示拒绝非因果性的零假设。有足够的证据表明,通货膨胀率格兰杰导致M1货币供应量率在0.025水平显著性。
进行另一个格兰杰因果检验,以评估M1货币供应量率是否格兰杰导致通货膨胀率。
hM1gcIR = gctest(m1slrate,膨胀率,“阿尔法”, 0.025)
hM1gcIR =逻辑0
测试决策hM1gcIR
=0
表明不应拒绝非因果关系的原假设。没有足够的证据表明M1货币供应率格兰杰导致通货膨胀率在0.025的显著水平。
因为没有足够的证据表明通货膨胀率格兰杰导致M1货币供应率,这两个系列没有反馈。
评估美国国内生产总值(GDP)的格兰杰原因CPI是否以M1货币供应为条件。
加载美国宏观经济数据集Data_USEconModel.mat
.
负载Data_USEconModel
的变量国内生产总值
而且GDPDEF
的数据表
分别是美国国内生产总值及其与2000年美元的平减指数。两个级数都是非平稳的。
将M1货币供应量和CPI换算成利率。将美国GDP换算为实际GDP。
m1slrate = price2ret(dattable . m1sl);通货膨胀= price2ret(dattable . cpiaucsl);rgdprate = price2ret(DataTable.GDP./ dattable . gdpdef);
假设VAR(1)模型是一个合适的比率多元模型。进行格兰杰因果检验,以评估实际GDP率是否对以M1货币供应为条件的通货膨胀率的预测分布有影响。包含一个条件变量的力gct
进行一步格兰杰因果检验。
H = gctest(rgdprate,膨胀,m1slrate)
h =逻辑0
测试决策h
是0
,这表明无法拒绝原假设,即当考虑M1货币供应率时,实际GDP率不是一个一级格兰杰原因的通货膨胀。
gct
在基础VAR(1)模型中包含M1货币供应量率作为响应变量,但在检验统计量的计算中不包括M1货币供应量。
再次进行测试,但不以M1货币供应率为条件。
H = gctest(rgdprate,膨胀)
h =逻辑0
检验结果与之前相同,表明在预测范围内的所有时期,无论是否在基础VAR(1)模型中考虑M1货币供应率,实际GDP率都不会引起格兰杰通货膨胀。
默认情况下,gct
假设所有指定的响应变量都有一个VAR(1)模型。然而,VAR(1)模型可能是数据的不恰当表示。例如,模型可能无法捕获变量中存在的所有序列相关性。
属性来指定更复杂的底层VAR模型,可以增加滞后次数“NumLags”
的名称-值对参数gct
.
考虑在中进行的格兰杰因果检验在变量条件下进行一步格兰杰因果检验.加载美国宏观经济数据集Data_USEconModel.mat
.将M1货币供应量和CPI换算成利率。将美国GDP换算为实际GDP。
负载Data_USEconModelm1slrate = price2ret(dattable . m1sl);通货膨胀= price2ret(dattable . cpiaucsl);rgdprate = price2ret(DataTable.GDP./ dattable . gdpdef);
通过删除所有缺失的观测值(由南
).
Idx = sum(isnan([m1slrate inflation rgdprate]),2) < 1;M1slrate = M1slrate (idx);通货膨胀=通货膨胀(idx);Rgdprate = Rgdprate (idx);T = number (m1slrate);总样本量
拟合时滞从1到4的VAR模型到实际GDP和通货膨胀率系列。通过指定前四个观察值初始化每个拟合。存储拟合的赤池信息标准(AIC)。
Numseries = 2;Numlags = (1:4)';Nummdls = nummel (numlags);%分区时间基数。Maxp = max(numlags);所需的最大预样响应数Idxpre = 1:maxp;idxest = (maxp + 1):T;%预先配置EstMdl(nummdls) = varm(numseries,0);Aic = 0 (nummdls,1);VAR模型适合数据。Y0 = [rgdprate(idxpre) inflation(idxpre)];% PresampleY = [rgdprate(idxest)通货膨胀(idxest)];估计样本为j = 1: numseries (numlags) Mdl = varm(numseries,numlags(j));Mdl。SeriesNames = [“rGDP”“通货膨胀”];EstMdl(j) =估计(Mdl,Y,“Y0”, Y0);结果= summary (EstMdl(j));aic(j) = results.AIC;结束P = numlag (aic == min(aic))
P = 3
VAR(3)模型得到最佳拟合。
评估实际GDP增长率是否会引起通货膨胀。gct
删除
从输入数据开始的观察结果来初始化底层VAR(
)模型进行估计。只在必需的前面写
= 3个预样本的估计样本。指定连接的序列作为输入数据。返回
-value测试的值。
rgdprate3 = [Y0((end - p + 1):end,1);Y (: 1)];inflation3 = [Y0((end - p + 1):end,2);Y (:, 2)];[h,pvalue] = gctest(rgdprate3,inflation3,“NumLags”, p)
h =逻辑1
Pvalue = 7.7741e-04
的
-value近似为0.0008
,表明存在强有力的证据来拒绝非因果性的零假设,即三个实际GDP增长率滞后于通货膨胀率方程的共同为零。鉴于VAR(3)模型,有足够的证据表明,实际GDP增长率格兰杰导致至少一个未来的通货膨胀率值。
或者,您可以通过传递估计的VAR(3)模型来进行相同的测试varm
中的模型对象EstMdl (3)
),赋给对象函数gct
.指定一个分段测试和“原因”和“结果”系列名称。
h = gctest(EstMdl(3),“类型”,“基于块”,…“原因”,“rGDP”,“效应”,“通货膨胀”)
H0决定分布统计PValue CriticalValue ____________________________________________ ___________ ____________ _________ __________ _____________ " 排除通胀滞后rGDP方程”“否定H0”“Chi2(3)”16.799 0.00077741 7.8147
h =逻辑1
如果您正在测试格兰杰因果关系的综合系列,那么Wald检验统计量不遵循
或
分布,测试结果可能不可靠。但是,您可以在中实现格兰杰因果检验[5]函数指定系统中所有变量的最大积分顺序“集成”
名称-值对参数。
考虑在中进行的格兰杰因果检验在变量条件下进行一步格兰杰因果检验.加载美国宏观经济数据集Data_USEconModel.mat
然后取实际GDP和CPI的对数。
负载Data_USEconModelcpi = log(DataTable.CPIAUCSL);rgdp = log(dattable . gdp ./ dattable . gdpdef);
评估实际GDP是否granger导致CPI。假设级数是 ,或者o(-1)的积分。同样,指定一个底层的VAR(3)模型和 测试。返回测试统计量和 价值。
[h,pvalue,stat] = gctest(rgdp,cpi,“NumLags”3,…“集成”, 1“测试”,“f”)
h =逻辑1
Pvalue = 0.0031
Stat = 4.7557
的
值=0.0031
,表明存在强有力的证据来拒绝非因果性的零假设,即CPI方程中的三个实际GDP滞后共同为零。鉴于VAR(3)模型,有足够的证据表明,实际GDP格兰杰导致至少一个未来的CPI值。
在这种情况下,测试增加了附加延迟的VAR(3)模型。换句话说,该模型是一个VAR(4)模型。然而,gct
仅测试前三个滞后是否为0。
时间序列为块外生如果它们在多元系统中没有格兰杰引起的其他变量。测试有效联邦基金利率是否相对于实际GDP、个人消费支出和通货膨胀率是块外生的。
加载美国宏观经济数据集Data_USEconModel.mat
.将价格序列转换为回报。
负载Data_USEconModel通货膨胀= price2ret(dattable . cpiaucsl);rgdprate = price2ret(DataTable.GDP./ dattable . gdpdef);pcerate = price2ret(dattable . pcec);
通过进行增强迪基-富勒检验来检验联邦基金利率是否不稳定。指定替代模型具有漂移项和 测试。
h = adftest(数据表。FEDFUNDS,“模型”,“ard”)
h =逻辑0
测试决策h
=0
表示不应拒绝序列有单位根的原假设。
为了稳定联邦基金利率系列,对其应用第一个差值。
dfedfunds = diff(DataTable.FEDFUNDS);
假设四个系列有一个4-D VAR(3)模型。评估联邦基金利率是否与实际GDP、个人消费支出和通货膨胀率相关。进行 的Wald测试,并返回 -value、测试统计量和临界值。
原因=联邦基金;效果=[膨胀率];[hgc,pvalue,stat,cvalue] = gctest(cause,effects,“NumLags”2,…“测试”,“f”)
hgc =逻辑1
Pvalue = 4.1619e-10
Stat = 10.4383
Cvalue = 2.1426
测试决策hgc
=1
表明应拒绝联邦基金利率是块外生的零假设。这一结果表明,联邦基金利率至少是系统中其他变量之一的格兰杰原因。
要确定联邦基金利率格兰杰导致哪些变量,您可以运行一个排除一项测试。详情请参见gct
.
日元
- - - - - -表示格兰杰原因的响应变量的数据表示测试中的格兰杰原因的响应变量的数据,指定为numobs1
-by-1数值向量或anumobs1
——- - - - - -numseries1
数字矩阵。numobs1
观察的次数和numseries1
是时间序列变量的个数。
行t及时包含观察结果t时,最后一行为最新观测值。日元
必须有足够的行来初始化和估计底层VAR模型。gct
使用第一个NumLags
初始化模型进行估计的观测。
列对应不同的时间序列变量。
数据类型:双
|单
Y2
- - - - - -受格兰杰原因影响的响应变量的数据测试中受格兰杰原因影响的响应变量的数据,指定为numobs2
-by-1数值向量或anumobs2
——- - - - - -numseries2
数字矩阵。numobs2
数据中的观察数和numseries2
是时间序列变量的个数。
行t及时包含观察结果t时,最后一行为最新观测值。Y2
必须有足够的行来初始化和估计底层VAR模型。gct
使用第一个NumLags
初始化模型进行估计的观测。
列对应不同的时间序列变量。
数据类型:双
|单
的可选逗号分隔对名称,值
参数。名字
参数名称和价值
对应的值。名字
必须出现在引号内。您可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家
.
“阿尔法”,0.10,“NumLags”,2
指定一个0.10
测试的显著性水平,并对所有响应变量使用底层VAR(2)模型。
NumLags
- - - - - -滞后反应次数1
(默认)|非负整数要包含在所有响应变量的底层VAR模型中的滞后响应数,指定为由逗号分隔的对组成“NumLags”
和一个非负整数。由此产生的底层模型是一个VAR(NumLags
)模型。
例子:“NumLags”,2
数据类型:双
|单
常数
- - - - - -指示包含模型拦截的标志真正的
(默认)|假
标志,指示在底层VAR模型中包含模型拦截(常量),指定为由逗号分隔的对组成“不变”
和这个表中的一个值。
价值 | 描述 |
---|---|
真正的 |
基础VAR模型中的所有方程都有一个截距。gct 用所有其他可估计参数估计截距。 |
假 |
所有潜在的VAR模型方程都没有截距。gct 将所有拦截设置为0。 |
例子:“常数”,假的
数据类型:逻辑
趋势
- - - - - -指示包含线性时间趋势的标志假
(默认)|真正的
标志,指示在基础VAR模型中包含线性时间趋势,指定为逗号分隔的对,由“趋势”
和这个表中的一个值。
价值 | 描述 |
---|---|
真正的 |
VAR模型中的所有方程都具有线性时间趋势。gct 用所有其他可估计参数估计线性时间趋势系数。 |
假 |
所有潜在的VAR模型方程都不具有线性时间趋势。 |
例子:“趋势”,假的
数据类型:逻辑
X
- - - - - -预测数据基础VAR模型中回归组件的预测器数据,指定为逗号分隔的对,由“X”
和一个数字矩阵包含numpreds
列。numpreds
是预测变量的数量。
行t及时包含观察结果t,最后一行是最新的观察结果。gct
在预采样期间不使用回归组件。X
必须有至少和所使用的观测数量一样多的观测gct
预采样期后。具体地说,X
至少要有numobs
- - - - - -Mdl。P
的观察,numobs
=Min ([numobs1 numobs2 numobs3])
.如果你提供的行数比需要的多,gct
仅使用最新的观察结果。
列对应于单独的预测变量。gct
将预测因子视为外生的。所有预测变量都出现在每个响应方程的回归分量中。
默认情况下,gct
从所有方程中排除一个回归组件。
数据类型:双
|单
α
- - - - - -显著性水平0.05
(默认)|(0,1)中的数值标量测试的显著性级别,指定为逗号分隔的对,由“α”
和(0,1)中的数值标量。
例子:“阿尔法”,0.1
数据类型:双
|单
测试
- - - - - -在原假设下检验统计量分布“卡方”
(默认)|“f”
在原假设下检验统计量分布,指定为由逗号分隔的对组成“测试”
和这个表中的一个值。
价值 | 描述 |
---|---|
“卡方” |
gct 从操作中获得输出χ2测试。 |
“f” |
gct 从操作派生输出F测试。 |
有关检验统计形式,请参见[4].
例子:“测试”、“f”
数据类型:字符
|字符串
pvalue
- - - - - -p价值p-value,作为数字标量返回。
统计
-测试统计量测试统计量,作为数字标量返回。
cvalue
—临界值显著性水平的临界值α
,作为数字标量返回。
的格兰杰因果检验统计假设是否检验,即评估一组的过去和现在的值米1=numseries1
时间序列变量y1,t,称为“原因”变量,影响一组不同的预测分布米2=numseries2
时间序列变量y2,t,称为“效应”变量。的预测均方误差(MSE)的减少y2,t.如果过去的值y1,t影响y2,t+h,然后y1,t是一个h一步一步Granger-cause的y2,t.换句话说,y1,tGranger-causesy2,t如果y1,t是一个h一步一步Granger-cause的y2,t对所有h≥1。
考虑一个平稳VAR (p)模型对于[y1,ty2,t]:
假设以下条件:
未来值不能通知过去值。
y1,t独特的通知y2,t(没有其他变量有信息通知y2,t).
如果Φ21日,1=…= Φ21,p= 0米1,米2,然后y1,t不是基于块格兰杰原因y2,t+h,对所有人h≥1,其中为0米2,米1是一个米2——- - - - - -米1零矩阵。同时,y1,t块是外生的吗y2,t.因此,分块格兰杰因果检验假设为:
H1暗示至少有一个h≥1存在于y1,t是一个h一步一步Granger-cause的y2,t.
gct
进行χ2的或F基于Wald测试(参见“测试”
).有关检验统计形式,请参见[4].
截然不同的调节内生变量y3.t可以包含在系统中(参见Y3
).在这种情况下,VAR(p)模型为:
gct
不测试与条件变量相关的参数。测试只评估是否y1,t是一步格兰杰的原因y2,t.
一个向量自回归(VAR)模型平稳多元时间序列模型是否由米方程米不同的响应变量作为滞后响应和其他术语的线性函数。
一个VAR (p)模型差分方程的符号而在简化型是
yt是一个numseries
-by-1向量的值对应于numseries
时间响应变量t,在那里t= 1,…,T.结构系数是单位矩阵。
c是一个numseries
常数的-by-1向量。
Φj是一个numseries
——- - - - - -numseries
自回归系数矩阵,其中j= 1,…,p和Φp不是一个只包含0的矩阵。
xt是一个numpreds
-by-1向量的值对应于numpreds
外生预测变量。
β是一个numseries
——- - - - - -numpreds
回归系数矩阵。
δ是一个numseries
线性时间趋势值的-by-1向量。
εt是一个numseries
-by-1的随机高斯变换向量,每个均值为0,加起来为anumseries
——- - - - - -numseries
协方差矩阵Σ。为t≠年代,εt而且ε年代是独立的。
这个系统是用延迟运算符表示的
在哪里
Φ(l)yt多元自回归多项式,和我是numseries
——- - - - - -numseries
单位矩阵。
例如,包含两个响应序列和三个外生预测变量的VAR(1)模型,其形式为:
[1]格兰杰,C. W. J。用计量经济学模型和交叉光谱方法调查因果关系费雪.卷37,1969,第424-459页。
[2]汉密尔顿,詹姆斯D。时间序列分析.普林斯顿,新泽西州:普林斯顿大学出版社,1994。
[3]多拉多,J. J.和H. Lütkepohl。《让Wald检验适用于协整VAR系统》计量经济学评论.第15卷,1996,第369-386页。
[4]Lutkepohl,赫尔穆特。多重时间序列分析新导论.纽约州纽约:斯普林格出版社,2007年。
[5]户田,H. Y.和T.山本。向量自回归与可能整合过程的统计推论计量经济学杂志.第66卷,1995年,第225-250页。
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。万博1manbetx
您也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。