Bayes Granger Nedenselliği
Bayesian Granger Causality Analysis · Ayrıca şöyle bilinir: Bayesian Granger test, Bayesian predictive causality, BGC, Bayesian causality in mean
Bayes Granger nedenselliği, bir zaman serisinin geçmiş değerlerinin başka bir seriye ilişkin öngörüsel bilgi taşıyıp taşımadığını, hipotezi sıklıkçı p-değerleri yerine Bayes çıkarımı çerçevesinde ele alarak test eder. Vektör otoregresif (VAR) bir yapıyı katsayılar üzerindeki önsel dağılımlarla birleştirir ve nedensellik iddialarını sonsal olasılıklar veya Bayes faktörleri aracılığıyla değerlendirir; bu da klasik Granger testine olasılıksal ve nüanslı bir alternatif sunar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bayes Granger nedenselliğini, klasik p-değeri testlerinin küçük örneklemlerde aşırı reddettiği kısa veya orta uzunlukta zaman serileriyle çalıştığınızda, nedensel yön hakkında önsel ekonomik teoriyi dahil etmek istediğinizde veya ikili anlamlı/anlamsız bir yargı yerine kanıt gücünün nicel bir ölçüsüne ihtiyaç duyduğunuzda kullanın. Özellikle bir VAR sistemi boyunca birden fazla nedensel hipotezi aynı anda karşılaştırırken veya klasik birim kök-sonra-nedensellik boru hatlarının ön test yanlılığından kaçınırken değerlidir. Gerçek yapısal tanımlamanın yerine bir ikame olarak kullanmayın — Granger nedenselliği yapısal ekonomik nedenselliği değil, öngörüsel önceliği ölçer. MCMC'nin hesaplama maliyetinin engelleyici olduğu ve büyük, iyi davranan bir örneklemdeki klasik bir testin yeterli olacağı durumlarda kullanmaktan kaçının.
Güçlü yönler & sınırlılıklar
- Keyfi bir anlamlılık eşiği yerine sürekli bir kanıt ölçüsü (Bayes faktörü veya sonsal olasılık) sağlar.
- Önsel dağılımlar aracılığıyla katsayı tahminini doğal olarak düzenler, kısa örneklemlerde yapay nedensellik bulgularını azaltır.
- Tek bir gecikme seçimine bağlı kalmak yerine modeller üzerinden ortalama alarak gecikme uzunluğu hakkındaki belirsizliği ele alır.
- Nedensel yönler hakkında önsel teorik bilginin açıkça dahil edilmesine izin verir.
- Sıklıkçı AIC/BIC seçimi ve ardından test yapmaya kıyasla gecikme sırası yanlış belirtilmesine karşı dayanıklıdır.
- Sonuçlar önsel seçimine bağlıdır; kötü belirtilmiş önsel dağılımlar, özellikle küçük örneklemlerde sonsal nedensellik olasılıklarını güçlü bir şekilde etkileyebilir.
- Eşlenik olmayan önsel dağılımlar veya yüksek boyutlu VAR sistemleri için MCMC kullanıldığında hesaplama açısından yoğundur.
- Tüm Granger testleri gibi, yapısal nedenselliği değil, öngörüsel önceliği yakalar — karıştırıcılar ve dışarıda bırakılan değişkenler yapay bulgular üretebilir.
- Bayes faktörü ölçeği (örneğin, Jeffreys eşikleri) bir kural değil, resmi bir karar kuralı değildir ve farklı eşikler farklı pratik sonuçlara ulaşılmasına neden olabilir.
SSS
Bayesçi ve klasik Granger nedenselliği arasındaki fark nedir?
Klasik Granger nedenselliği, VAR katsayı kısıtlamaları üzerinde bir F-testi kullanır ve bir p-değeri döndürür; reddetme keyfi bir alfa düzeyine bağlıdır. Bayesçi Granger nedenselliği, önsel bilgiyi içeren ve küçük örneklem belirsizliğini doğal olarak ele alan sürekli, yorumlanabilir bir kanıt ölçüsü sağlayan bir sonsal nedensellik olasılığı ve bir Bayes faktörü hesaplar.
Bayes Granger nedenselliği durağan seriler gerektirir mi?
Standart VAR tabanlı kurulum, durağan serilerle en iyi şekilde çalışır. Entegre veya eşbütünleşik seriler için, yapay nedensellik bulgularından kaçınmak amacıyla Bayesçi VECM (vektör hata düzeltme modeli) uzantısı veya Bayesçi Toda-Yamamoto yaklaşımı (VAR'ı ek gecikmelerle dolduran) önerilir.
Bayes Granger nedenselliği için önseli nasıl seçerim?
Minnesota/Litterman önsel dağılımı en yaygın kullanılan varsayılan değerdir: kendi gecikme katsayılarını 1'e (rastgele yürüyüş) ve çapraz gecikme katsayılarını 0'a doğru küçültür. Sıkılık derecesini yöneten hiperparametreler çapraz doğrulama veya marjinal olabilirlik maksimizasyonu ile ayarlanabilir. Önemli olan, önselin yalnızca düz önsel sıklıkçı testi tekrarlamak yerine makul ekonomik inançları kodlamasıdır.
Hangi Bayes faktörü eşiği güçlü Granger nedenselliğini gösterir?
Jeffreys ölçeğini kullanarak: BF10 > 3 orta düzeyde kanıt, BF10 > 10 güçlü kanıt ve BF10 > 100 kesin kanıttır. Ancak bunlar gelenekseldir — ikili bir eşik kararı yerine tam Bayes faktörünü ve sonsal olasılığı raporlayın.
Bayes Granger nedenselliği çok sayıda değişkeni ele alabilir mi?
Evet, ancak büyük VAR sistemleri ya analitik sonsal dağılımlara sahip eşlenik önsel dağılımları ya da hesaplama açısından verimli MCMC'yi gerektirir. Minnesota önsel dağılımı gibi Bayesçi küçültme önsel dağılımları, aşırı uyumu ve yapay nedensellik iddialarını önlemek için yüksek boyutlu sistemlerde özellikle önemlidir.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Granger Causality Analysis. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-granger-causality
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır
- Bayesci Vektör Hata Düzeltme Modeli (Bayesian VECM)Ekonometri↔ karşılaştır
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- Panel Granger Nedensellik TestiEkonometri↔ karşılaştır
- Toda-Yamamoto Nedensellik TestiEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır