Granger Nedensellik Testi
Granger Causality Test · Ayrıca şöyle bilinir: Granger test, GC test, predictive causality test, Granger non-causality test
Granger nedensellik testi, bir zaman serisinin geçmiş değerlerinin, kendi geçmişinin zaten açıkladığının ötesinde, başka bir zaman serisinin gelecekteki değerlerini tahmin etmeye yardımcı olup olmadığını belirleyen istatistiksel bir hipotez testidir. Clive Granger tarafından 1969'da tanıtılan bu test, VAR tabanlı zaman serisi analizinde tahmin edici nedenselliği değerlendirmek için standart yaklaşımdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+9 tane daha
Ne zaman kullanılır
İki veya daha fazla durağan zaman seriniz olduğunda ve bir değişkenin diğerine göre tahmin edici önceliğe sahip olup olmadığını belirlemek istediğinizde Granger nedensellik testini kullanın. Makroekonomik ve finansal araştırma soruları için uygundur, örneğin para arzının enflasyona yol açıp açmadığı veya işlem hacminin getirileri tahmin edip etmediği gibi. Durağan olmayan (bütünleşik) serilerde, önce farklarını almadan veya Toda-Yamamoto uzantısını uygulamadan kullanmayın; aksi takdirde yanıltıcı nedensellik sonuçları elde edilir. Örneklem boyutlarının çok küçük olduğu (yaklaşık 50 gözlemden az) durumlarda da uygun değildir, çünkü F-testinin sonlu örneklem özellikleri zayıftır ve yalnızca korelasyonu, ortak üçüncü bir değişken tarafından yönlendirilen gerçek ekonomik nedensellikten ayırt edemez.
Güçlü yönler & sınırlılıklar
- Açık, işlenebilir bir tahmin edici nedensellik tanımına ve resmi bir F-testine dayanır.
- Herhangi bir VAR çerçevesinde uygulaması basittir; istatistiksel yazılımlar tarafından yaygın olarak desteklenir.
- Karşılıklı test basittir: geri besleme döngülerini tespit etmek için testi her iki yönde de çalıştırın.
- Çok değişkenli ayarlara (tam bir VAR sisteminde blok Granger nedenselliği) kolayca genişletilebilir.
- Temel konsept sezgiseldir ve teknik olmayan kitlelere iletilebilir.
- Tahmin edici önceliği tespit eder, yapısal veya ekonomik nedenselliği değil; sonuçlar dahil edilen bilgi setine bağlıdır.
- Gecikme uzunluğu seçimine duyarlıdır: çok az gecikme ilgili dinamikleri göz ardı eder, çok fazlası gücü azaltır ve Tip I hatayı artırır.
- Durağan seriler gerektirir; bütünleşik değişkenlere düzeltme yapmadan uygulanması yanıltıcı sonuçlar verir.
- Doğrusal olmayan nedensel ilişkileri ele alamaz; doğrusal VAR eşik veya asimetrik etkileri kaçırabilir.
- Ortak neden karıştırması (her iki seriyi de yönlendiren üçüncü bir değişken) yanıltıcı Granger nedenselliği üretebilir.
SSS
Granger nedenselliği gerçek ekonomik nedensellik anlamına mı gelir?
Hayır. Granger nedenselliği, tahmin edici öncelik hakkında bir ifadedir — x değişkeni y'ye Granger neden olur, eğer x'in geçmiş değerleri y'nin kendi geçmişinin ötesinde y'nin geleceği hakkında bilgi içeriyorsa. Ortak üçüncü bir faktörden kaynaklanan yanıltıcı korelasyonu dışlamaz ve yapısal veya politika ile ilgili nedenselliği kurmaz.
Serilerim durağan değilse ne yapmalıyım?
Seriler bütünleşik ancak eşbütünleşik değilse, standart Granger testini çalıştırmadan önce durağanlık elde etmek için farklarını alın. Eşbütünleşik iseler, VECM tabanlı bir nedensellik testi veya entegrasyon ve eşbütünleşme derecesinden bağımsız olarak seviyelerde çalışan Toda-Yamamoto prosedürünü kullanın.
Gecikme uzunluğunu nasıl seçerim?
VAR sistemine uygulanan Akaike (AIC) veya Schwarz/Bayesian (BIC) gibi bir bilgi kriteri kullanın. BIC daha tutumlu modelleri seçme eğilimindedir; AIC daha uzun gecikmeleri seçebilir. Alternatif gecikme seçimleri altındaki sonuçları her zaman bir sağlamlık kontrolü olarak raporlayın.
Granger nedenselliği aynı anda her iki yönde de işleyebilir mi?
Evet. Karşılıklı Granger nedenselliği (geri besleme), x'in y'ye Granger neden olduğu ve y'nin eş zamanlı olarak x'e Granger neden olduğu zaman meydana gelir. Bu, makroekonomik sistemlerde yaygındır ve yalnızca her iki değişkenin de birbirleri hakkında tahmin edici bilgi içerdiği anlamına gelir.
Granger testi Toda-Yamamoto prosedüründen nasıl farklıdır?
Standart Granger testi durağan veri gerektirir ve seriler bütünleşik olduğunda asimptotik ki-kare/F dağılımını kaybeder. Toda-Yamamoto prosedürü, entegrasyonun maksimum derecesine eşit ek gecikmelerle zenginleştirilmiş seviyelerde bir VAR tahmin eder — ardından orijinal gecikme katsayılarına bir Wald testi uygular — bu, entegrasyon veya eşbütünleşme durumundan bağımsız olarak standart asimptotik teoriyi korur.
Kaynaklar
- Granger, C. W. J. (1969). Investigating Causal Relations by Econometric Models and Cross-spectral Methods. Econometrica, 37(3), 424–438. DOI: 10.2307/1912791 ↗
- Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press. ISBN: 978-0691042893
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Granger Causality Test. ScholarGate. https://scholargate.app/tr/econometrics/granger-causality-test
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA Modeli (Otokorelasyonlu Entegre Hareketli Ortalama)Ekonometri↔ karşılaştır
- Genişletilmiş Dickey-Fuller (ADF) Birim Kök TestiEkonometri↔ karşılaştır
- Toda-Yamamoto Nedensellik TestiEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır
- Vektör Hata Düzeltme Modeli (VECM)Ekonometri↔ karşılaştır