原理部分

代碼實(shí)現(xiàn)

步驟

#mermaid-svg-kEtkcqkpRzxjdoOv {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-kEtkcqkpRzxjdoOv .error-icon{fill:#552222;}#mermaid-svg-kEtkcqkpRzxjdoOv .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-kEtkcqkpRzxjdoOv .edge-thickness-normal{stroke-width:2px;}#mermaid-svg-kEtkcqkpRzxjdoOv .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-kEtkcqkpRzxjdoOv .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-kEtkcqkpRzxjdoOv .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-kEtkcqkpRzxjdoOv .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-kEtkcqkpRzxjdoOv .marker{fill:#333333;stroke:#333333;}#mermaid-svg-kEtkcqkpRzxjdoOv .marker.cross{stroke:#333333;}#mermaid-svg-kEtkcqkpRzxjdoOv svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-kEtkcqkpRzxjdoOv .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-kEtkcqkpRzxjdoOv .cluster-label text{fill:#333;}#mermaid-svg-kEtkcqkpRzxjdoOv .cluster-label span{color:#333;}#mermaid-svg-kEtkcqkpRzxjdoOv .label text,#mermaid-svg-kEtkcqkpRzxjdoOv span{fill:#333;color:#333;}#mermaid-svg-kEtkcqkpRzxjdoOv .node rect,#mermaid-svg-kEtkcqkpRzxjdoOv .node circle,#mermaid-svg-kEtkcqkpRzxjdoOv .node ellipse,#mermaid-svg-kEtkcqkpRzxjdoOv .node polygon,#mermaid-svg-kEtkcqkpRzxjdoOv .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-kEtkcqkpRzxjdoOv .node .label{text-align:center;}#mermaid-svg-kEtkcqkpRzxjdoOv .node.clickable{cursor:pointer;}#mermaid-svg-kEtkcqkpRzxjdoOv .arrowheadPath{fill:#333333;}#mermaid-svg-kEtkcqkpRzxjdoOv .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-kEtkcqkpRzxjdoOv .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-kEtkcqkpRzxjdoOv .edgeLabel{background-color:#e8e8e8;text-align:center;}#mermaid-svg-kEtkcqkpRzxjdoOv .edgeLabel rect{opacity:0.5;background-color:#e8e8e8;fill:#e8e8e8;}#mermaid-svg-kEtkcqkpRzxjdoOv .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-kEtkcqkpRzxjdoOv .cluster text{fill:#333;}#mermaid-svg-kEtkcqkpRzxjdoOv .cluster span{color:#333;}#mermaid-svg-kEtkcqkpRzxjdoOv div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-kEtkcqkpRzxjdoOv :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;}數(shù)據(jù)導(dǎo)入單位根檢驗(yàn)差分協(xié)整格蘭杰檢驗(yàn)

數(shù)據(jù)導(dǎo)入

數(shù)據(jù)使用開源數(shù)據(jù)集，便于實(shí)現(xiàn)

#數(shù)據(jù)集 import statsmodels.api as sm from statsmodels.tsa.stattools import grangercausalitytests import numpy as npdata = sm.datasets.macrodata.load_pandas() demo = data.data

穩(wěn)定性檢驗(yàn)

方法與通用的時(shí)間序列方法相同

demo[['realgdp','realcons']].plot()

from statsmodels.tsa.stattools import adfuller print(adfuller(demo['realgdp'])) (1.7504627967647173, 0.9982455372335032, 12, 190, {'1%': -3.4652439354133255, '5%': -2.8768752281673717, '10%': -2.574944653739612}, 2034.517123668382)

差分

demo['diff1_realgdp'] = demo['realgdp'].diff(1).fillna(0) demo['diff1_realcons'] = demo['realcons'].diff(1).fillna(0)demo[['diff1_realgdp','diff1_realcons']].plot()

再次檢驗(yàn)單位根

print(adfuller(demo['diff1_realgdp'])) print(adfuller(demo['diff1_realcons']))

(-6.287524437690158, 3.66693821207135e-08, 1, 201, {‘1%’: -3.4633090972761744, ‘5%’: -2.876029332045744, ‘10%’: -2.5744932593252643}, 2034.8610305811367)
(-4.206384895591229, 0.0006426930660370949, 3, 199, {‘1%’: -3.4636447617687436, ‘5%’: -2.8761761179270766, ‘10%’: -2.57457158581854}, 1793.118209620634)

協(xié)整檢驗(yàn)

from statsmodels.tsa.stattools import coint print(coint(demo['diff1_realgdp'], demo['diff1_realcons']))(-14.507179284872553, 5.182509395533684e-26, array([-3.95147899, -3.36654523, -3.0655127 ]))

p=5.182509395533684e-26 < 0.05,說(shuō)明在長(zhǎng)期是存在相關(guān)性的

格蘭杰檢驗(yàn)

Granger causality test的思想
如果使用時(shí)間序列X和Y的歷史值來(lái)預(yù)測(cè)Y的當(dāng)前值，比僅通過(guò)Y的歷史值來(lái)預(yù)測(cè)Y的當(dāng)前值得到的誤差更小，并且通過(guò)了F檢驗(yàn)，卡方檢驗(yàn)，則X對(duì)Y的預(yù)測(cè)是有一定幫助的。
了解了Granger causality test的思想之后會(huì)發(fā)現(xiàn)，其實(shí)Granger causality test最多能推斷出X對(duì)Y的預(yù)測(cè)是有一定幫助的，至于是否能說(shuō)X和Y是因果關(guān)系，則不一定。

from statsmodels.tsa.stattools import grangercausalitytests grangercausalitytests(demo[['realgdp','realcons']], maxlag=2)

Granger Causality
number of lags (no zero) 1
ssr based F test: F=0.1851 , p=0.6675 , df_denom=199, df_num=1
ssr based chi2 test: chi2=0.1879 , p=0.6646 , df=1
likelihood ratio test: chi2=0.1878 , p=0.6647 , df=1
parameter F test: F=0.1851 , p=0.6675 , df_denom=199, df_num=1

Granger Causality
number of lags (no zero) 2
ssr based F test: F=22.9218 , p=0.0000 , df_denom=196, df_num=2
ssr based chi2 test: chi2=47.0132 , p=0.0000 , df=2
likelihood ratio test: chi2=42.2456 , p=0.0000 , df=2
parameter F test: F=22.9218 , p=0.0000 , df_denom=196, df_num=2

函數(shù)解讀：
該方法接收一個(gè)包含2列的2維的數(shù)組作為主要參數(shù)：

• 第一列是當(dāng)前要預(yù)測(cè)未來(lái)值的序列A，第二列是另一個(gè)序列B,該方法就是看B對(duì)A的預(yù)測(cè)是否有幫助。該方法的零假設(shè)是：B對(duì)A沒有幫助。如果所有檢驗(yàn)下的P-Values都小于顯著水平0.05，則可以拒絕零假設(shè)，并推斷出B確實(shí)對(duì)A的預(yù)測(cè)有用。
• 第二個(gè)參數(shù)maxlag是設(shè)定測(cè)試用的lags的最大值。
  我們使用realgdp的數(shù)據(jù)集做預(yù)測(cè)，并利用Granger causality檢測(cè)“realcons”這個(gè)序列是否對(duì)數(shù)據(jù)集的預(yù)測(cè)用。

df_num=1 即滯后一階時(shí)，p>0.05，不能拒絕原假設(shè)
df_num=2即滯后二階時(shí)，P值小于0.05，通過(guò)檢驗(yàn)，也就是拒絕了realcons不是引起realgdp格蘭杰變化的原因，即realcons是引起realgdp格蘭杰變化的原因

同理可以查看
realgdp是否是引起realcons格蘭杰變化的原因

總結(jié)

以上是生活随笔為你收集整理的格兰杰因果检验_Python实现的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。