文档介绍：一、Granger因果关系
Granger指出：
如果一个变量X无助于预测另一个变量Y，则说X不是Y的原因；相反，若X是Y的原因，则必须满足两个条件：第一，X应该有助于预测Y，即在Y关于Y的过去值的回归中，添加X的过去值作为独立变量应当显著地增加回归的解释能力；第二，Y不应当有助于预测X，其原因是，如果X有助于预测Y，Y也有助于预测X，则很可能存在一个或几个其他变量，它们既是引起X变化的原因，也是引起Y变化的原因。
现在人们一般把这种从预测的角度定义的因果关系称为Granger因果关系。
第一页，共22页。
格兰杰检验的适用范围
只能适用于具有平稳性的时间序列数据模型的检验，无法检验只有横截面数据时变量间的关系。
原始的格兰杰因果性定义并没有规定变量必须是平稳的。在格兰杰重新回顾他的因果性定义的时候，对变量平稳性也没有再深入分析。但是目前有一点学术界是有定论的，就是如果变量是非平稳的，那么应用F统计量来做推断会产生问题。周建、李子奈运用蒙特卡洛模拟也得出当变量为非平稳时间序列时，任何无关的两个的变量间都很容易得出有因果性的结论。因此，在实证研究时，一般认为只有平稳变量才能应用F统计量进行推断，否则结论可能是不可靠的。
第二页，共22页。
二、Granger因果关系检验
变量X是否为变量Y的Granger原因，是可以检验的。
检验X是否为引起Y变化的Granger原因的过程如下：第一步，检验原假设“H0：X不是引起Y变化的Granger原因”。首先，估计下列两个回归模型：
无约束回归模型（u）：
有约束回归模型（r）：
式中，0表示常数项；p和q分别为变量Y和X的最大滞后期数，通常可以取的稍大一些；t为白噪声。
第三页，共22页。
然后，用这两个回归模型的残差平方和RSSu和RSSr构造F统计量：
检验原假设“H0：X不是引起Y变化的Granger原因”（等价于检验H0：1=2=…=q=0）是否成立。
如果F≥F（q，n-p-q-1）,则1、2、…、q显著不为0，应拒绝原假设“H0：X不是引起Y变化的Granger原因”；反之，则不能拒绝原假设“H0：X不是引起Y变化的Granger原因”。
其中，n为样本容量。
第四页，共22页。
第二步，将Y与X的位置交换，按同样的方法检验原假设“H0：Y不是引起X变化的Granger原因”。
第三步，要得到“X是Y的Granger原因”的结论，必须同时拒绝原假设“H0：X不是引起Y变化的Granger原因”和接受原假设“H0：Y不是引起X变化的Granger原因”。
第五页，共22页。
三、通过Eviews软件进行Granger因果关系检验
上述Granger因果关系检验，是建立在向量自回归（VAR：Vector Autoregression）模型技术基础之上的。但是，借助于Eviews软件，可以很方便地进行Granger因果关系检验。具体步骤为：
首先，建立工作文件，录入需检验是否存在Granger因果关系的变量Y和X的样本观测值；
第六页，共22页。
然后，在工作文件窗口中，同时选中序列Y和X，单击鼠标右键，在弹出的菜单中选择Open/as Group，生成一个群对象（Group）；
最后，在群对象观测值窗口的工具栏中选择 View / Granger Causality，在屏幕出现的对话框（ Lag Specification ）中Lags to include一栏后面输入最大滞后期数k（注意：在Eviews软件中进行Granger因果关系检验时，将Y的滞后期数p和X的滞后期数q取为相等。当然，关键是X的滞后期数），点击OK，即可得到格兰杰因果检验的结果。
第七页，共22页。
格兰杰因果检验结果
表中，最后一列的Probability是F统计量（F-Statistic）的相伴概率，表示拒绝第一列中的原假设（Null Hypothesis）犯第一类错误的概率，该概率越小，越应该拒绝原假设。Obs表示每个变量序列的观测值个数，等于n-k。
第八页，共22页。
实例介绍（三种不同情况）
第九页，共22页。
例1 下表是某水库1998年至2000年各旬的流量、降水量数据。试通过Eviews软件检验降水量是否流量的Granger原因。
第十页，共22页。