Beijesa Grangera cēloņsakarība
Beijesa Grangera cēloņsakarība pārbauda, vai viena laika rindas pagātnes vērtības nes informāciju, kas prognozē citu laika rindu, formulējot hipotēzi, izmantojot Beijesa inferenci, nevis frekventistiskus p-vērtības. Tā apvieno vektorautoregresijas (VAR) struktūru ar koeficientu iepriekšējām sadalījumiem un novērtē cēloņsakarības apgalvojumus, izmantojot posteriorās varbūtības vai Beijesa faktorus, piedāvājot probablistisku un niansētu alternatīvu klasiskajam Grangera testam.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Granger Causality Analysis. ScholarGate. https://scholargate.app/lv/econometrics/bayesian-granger-causality
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesiešu VAR modelis (BVAR)Ekonometrija↔ compare
- Beijesa vektora kļūdu korekcijas modelis (Beijesa VECM)Ekonometrija↔ compare
- Grindžera koincidences testsEkonometrija↔ compare
- Grindera koeficientālās pārbaudes panelimEkonometrija↔ compare
- Toda-Yamamoto Kauzalitātes testsEkonometrija↔ compare
- Vektora autoregresija (VAR)Ekonometrija↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →