Sağlam Granger Nedensellik Testi
Robust Granger Causality Test · Ayrıca şöyle bilinir: bootstrap Granger causality, heteroscedasticity-robust Granger causality, non-asymptotic Granger causality test, RGC
Sağlam Granger nedenselliği, klasik Granger nedensellik çerçevesini, asimptotik ki-kare tabloları yerine bootstrap tabanlı veya heteroskedastisiteye dayanıklı kritik değerler kullanarak genişletir. Bu, testi sonlu örneklemlerde ve verilerin normallikten uzaklaşma, heteroskedastisite veya birim köke yakınlık sergilediği, standart F- veya Wald tabanlı testin aşırı reddetme eğiliminde olduğu durumlarda güvenilir kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Standart asimptotik kritik değerlerin güvenilmez olduğundan şüphelendiğinizde sağlam Granger nedenselliğini kullanın: küçük veya orta büyüklükteki örneklemler (T < 100), ARCH etkileri veya normallikten uzaklaşma gösteren artıklar veya birim köke yakın seriler (açık eşbütünleşme olmadan birim köke yakın). Ayrıca, artırılmış sistem hala normalden uzak veya heteroskedastik hatalar gösterdiğinde Toda-Yamamoto artırımı sonrasında tercih edilen seçenektir. Yapısal veya politika anlamında nedensel bir tanımlama aracı olarak kullanmayın — Granger nedenselliği kesinlikle bir tahmin konseptidir, mekanizma kanıtı değildir; yapısal nedensellik için araç değişkenleri veya yapısal VAR kullanın.
Güçlü yönler & sınırlılıklar
- Standart ki-kare yaklaşımının bozulduğu sonlu örneklemlerde doğru test boyutunu korur.
- Parametrik hata dağılımı varsayımlarına gerek kalmadan VAR artıklarının heteroskedastisitesine ve normallikten uzaklaşmasına karşı dayanıklıdır.
- Toda-Yamamoto artırım stratejisiyle birleştirildiğinde, bütünleşik veya birim köke yakın verilerle uyumludur.
- Standart yazılımlarda (R paketleri 'vars', 'tsDyn'; Stata kullanıcı komutları) VAR tahmin edildikten sonra uygulaması kolaydır.
- Birim kök veya eşbütünleşme için ön test yapmaya gerek kalmadan güvenilir çıkarım sağlar.
- Bootstrap çıkarımı, basit bir F-testinden hesaplama açısından daha ağırdır, ancak ek maliyet tipik makro/finans örneklem boyutları için mütevazıdır.
- Test hala doğru gecikme uzunluğu seçimini gerektirir; yetersiz uydurulmuş bir VAR hem nokta tahminlerini hem de bootstrap dağılımını bozabilir.
- Granger nedenselliği, yapısal veya karşı-olgusal nedenselliği değil, tahmin edilebilir önceliği tespit eder — Granger nedenselliği bulgusu, gerçek bir mekanizma kanıtı yerine ortak bir sürücü veya bir beklenti etkisini yansıtabilir.
- Çok sayıda değişken olduğunda VAR yüksek boyutlu hale gelir, serbestlik derecelerini tüketir ve bootstrap'ı daha az güvenilir hale getirir; bu durumlarda iki değişkenli veya faktörle artırılmış spesifikasyonları düşünün.
SSS
Sağlam Granger nedenselliği standart Granger nedenselliğinden nasıl farklıdır?
Her iki test de aynı sıfır hipotezini paylaşır — X'in geçmiş değerlerinin Y için ek tahmin gücü taşımadığı — ve her ikisi de bir VAR'dan bir Wald istatistiği hesaplar. Fark, standart testin istatistiği, küçük veya heteroskedastik örneklemlerde yanlış olabilen asimptotik bir ki-kare kritik değeriyle karşılaştırmasıdır. Sağlam sürüm, bu kritik değerleri artıkların bootstrap'ı ile üretilenlerle değiştirerek, daha zayıf varsayımlar altında doğru test boyutunu korur.
Yeterli bootstrap tekrar sayısı nedir?
Genel bir tavsiye, %5 anlamlılık düzeyi için 1.000 tekrar ve %1 düzeyi için 5.000'dir. Daha fazla tekrar, p-değeri tahminindeki Monte Carlo gürültüsünü azaltır ancak hesaplama süresini artırır; uygulamalı çalışmalar için genellikle 1.000 yeterlidir.
Wild bootstrap mu yoksa iid bootstrap mı kullanmalıyım?
Wild bootstrap (örneğin, Rademacher veya Mammen ağırlıkları), VAR artıklarının heteroskedastik olduğu durumlarda tercih edilir, çünkü her sözde örneklemde heteroskedastisite yapısını korur. Daha basit iid bootstrap yalnızca artıklar ARCH etkileri göstermiyorsa kabul edilebilirdir.
Değişkenler I(1) veya eşbütünleşik olduğunda bu testi uygulayabilir miyim?
Evet. Toda-Yamamoto (1995) stratejisi — VAR'ı maksimum bütünleşme derecesine eşit ek gecikmelerle artırmak — bütünleşik değişkenlerle bile orijinal gecikme bloğu üzerindeki standart Wald testlerine izin verir ve bu artırıma bootstrap kritik değerleri eklemek tam olarak sağlam bir prosedür sağlar.
Granger nedensellik sonucu ekonomik nedensellik anlamına mı gelir?
Hayır. Granger nedenselliği, tahmin edilebilir öncelik hakkında bir ifadedir: X, Y'yi Granger-nedenlerse, X'in geçmişi Y'nin tahminlerini iyileştirir. Ortak bir üçüncü faktör veya piyasa beklentisi, X'i Y'ye bağlayan doğrudan bir mekanizma olmadan aynı istatistiksel sonucu üretebilir. Tahmin edilebilir nedensellikten ekonomik nedenselliğe geçmek için ekonomik teori ve yapısal tanımlama kullanın.
Kaynaklar
- Hacker, R. S., & Hatemi-J, A. (2006). Tests for causality between integrated variables using asymptotic and bootstrap distributions: Theory and application. Applied Economics, 38(13), 1489–1500. DOI: 10.1080/00036840500405763 ↗
- Granger, C. W. J. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica, 37(3), 424–438. DOI: 10.2307/1912791 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Granger Causality Test. ScholarGate. https://scholargate.app/tr/econometrics/robust-granger-causality
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- Toda-Yamamoto Granger Nedensellik TestiEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR) ModeliEkonometri↔ karşılaştır