タグ付けされた質問 「granger-causality」

2
グレンジャーとパールの因果関係フレームワークの主な違いは何ですか?
最近、グレンジャーの因果関係について言及しているいくつかの論文やオンラインリソースに出会いました。対応するWikipediaの記事を簡単に参照すると、この用語が時系列(または、より一般的には確率過程)の文脈における因果関係を指すという印象を受けました。さらに、この素敵なブログ投稿を読むと、このアプローチの見方にさらなる混乱が生じました。 概念の私のファジー理解が一部常識、で構成されていて、私は、因果関係についての人物知識が豊富でないことだ常識、といくつかの暴露潜在変数モデル化と構造方程式モデリング(SEM)とユダヤパールの仕事から少し上を読んで因果関係-彼の本ではなく、Pearl(2009)の興味深い概要論文に沿ったもので、なんらかの理由で、驚いたことに、グレンジャーの因果関係についてまったく言及していません。 この文脈では、グレンジャーの因果関係が時系列(確率的)フレームワークよりも一般的なものであるかどうか、そしてもしそうであれば、構造的因果モデルに基づいてパールの因果関係フレームワークとの関係(共通性と差異)は何ですか?私が理解している限りでは、SCM)は、直接非巡回グラフ(DAG)と反事実に基づいています。それは、グレンジャーの因果関係は次のように分類することができているようです一般的なアプローチに因果推論のための動的システムの存在を考慮すると、ダイナミックな因果モデリング(DCM)アプローチ(Chicharro&Panzeri、2014)。しかし、私の懸念は、確率的プロセス分析に基づいたものとそうでないものの2つのアプローチを比較することが可能かどうか(もしそうなら)についてです。 より一般的に、単一の包括的な因果関係フレームワーク内で現在存在するすべての因果関係理論を(異なる視点として)検討するための、理にかなった高レベルのアプローチ(可能であれば)とはどう思いますか?この質問は、主にChicharro and Panzeri(2014)による優れた包括的な論文を読み、カリフォルニア大学バークレー校(Petersen&Balzer、2014)の興味深い因果推論コースをレビューしようとする試みによって引き起こされます。 参照資料 Chicharro、D.、&Panzeri、S.(2014)。脳領域間の効果的な接続性の分析のための因果推論のアルゴリズム。ニューロインフォマティクスのフロンティア、8(64)。doi:10.3389 / fninf.2014.00064 http://journal.frontiersin.org/article/10.3389/fninf.2014.00064/pdfから取得 パール、J。(2009)。統計における因果推論:概要。統計調査、 3、96–146。doi:10.1214 / 09-SS057 http://projecteuclid.org/download/pdfview_1/euclid.ssu/1255440554から取得 Petersen、M.、&Balzer、L.(2014)。因果推論の紹介。カリフォルニア大学バークレー校。[ウェブサイト] http://www.ucbbiostat.comから取得

1
Granger因果関係テストの結果の解釈
私はグレンジャーの因果関係について自分自身を教育しようとしています。このサイトの投稿といくつかの優れた記事をオンラインで読みました。また、非常に便利なツールである二変量グレンジャー因果-無料統計計算機に出会いました。このツールを使用すると、時系列を入力してグレンジャー統計を計算できます。以下は、サイトに含まれるサンプルデータの出力です。また、結果の解釈に亀裂を入れました。 私の質問: 私の解釈は方向的に正しいですか? 見落としている重要な洞察は何ですか? また、CCFチャートの意味と解釈は何ですか?(CCFは相互相関であると仮定しています。) 私が解釈した結果とプロットは次のとおりです。 Summary of computational transaction Raw Input view raw input (R code) Raw Output view raw output of R engine Computing time 2 seconds R Server 'Herman Ole Andreas Wold' @ wold.wessa.net Granger Causality Test: Y = f(X) Model Res.DF Diff. DF F p-value Complete …

2
時系列計量経済学における微計量経済学の因果関係とグレンジャー因果関係
ミクロ経済学(特にIVまたは回帰の不連続性の設計)で使用される因果関係と、時系列計量経済学で使用されるグレンジャーの因果関係を理解しています。どうやって相互に関連付けるのですか?たとえば、パネルデータに両方のアプローチが使用されているのを見ました(たとえば、T = 20)。この点に関する論文への参照は歓迎されます。N=30N=30N=30T=20T=20T=20

1
グレンジャー因果関係テストのラグオーダー
私が開発しているARIMAXモデルに含める可能性があるいくつかの独立変数を検討しているとします。異なる変数をフィッティングする前に、グレンジャーテストを使用して逆因果関係を示す変数を選別します(他のgranger.test実装MSBVARも同様に機能すると思いますが、R のパッケージの関数を使用しています)。テストする必要のあるラグの数をどのように決定しますか? R関数は次のとおりgranger.test(y, p)です。yは、データフレームまたは行列で、pはラグです。 帰無仮説は、過去の値がYの値の予測に役立たないというものです。XpppXXXYYY ここで非常に高いラグを選択しない理由はありますか(観測の喪失を除く)? 依存する時系列の統合の順序に基づいて、データフレーム内のすべての時系列がすでに異なっていることに注意してください。(たとえば、従属時系列を差分すると、それが定常状態になりました。したがって、すべての「独立」時系列も一度差分しました。)

1
Rを使用したグレンジャー因果関係の解釈
私は3つのマクロ経済変数(ICS-消費者感情、ER-雇用率、DGO-耐久財注文)を持ち、Rでグレンジャー因果関係テストを実行しました。Grangerテストの結果を解釈する方法がわかりません。誰かが結果を理解する手助けをしてくれませんか? ある変数を使用して別の変数を予測できるかどうかを確認していることを知っています。それがtrueの場合、変数の1つに多少の遅れがあり、Grangerテストの順序は順序と関係があることを理解しています。2つのモデルがここで報告されているという事実を解釈する方法がわかりません。1つのモデルにはリグレッサ変数があり、もう1つのモデルにはリグレッサがないことがわかります。ラグベクトル1:3は、1、2、および3か月のラグをテストしていることを意味すると思います。 grangertest(ICS~ER, order = 3, data=modeling.mts) Granger causality test Model 1: ICS ~ Lags(ICS, 1:3) + Lags(ER, 1:3) Model 2: ICS ~ Lags(ICS, 1:3) Res.Df Df F Pr(>F) 1 258 2 261 -3 2.0352 0.1094 grangertest(ICS~DGO, order = 3, data=modeling.mts) Granger causality test Model 1: ICS ~ Lags(ICS, 1:3) …

2
Rの2因子反復測定ANOVA後の事後検定?
Rで2因子(両方とも被験者内)のANOVAを繰り返し測定した後、事後テスト(Tukey HSD)を実行する方法に関する解決策を見つけるのに問題があります。ANOVAには、aov -functionを使用しました。 summary(aov(dv ~ x1 * x2 + Error(subject/(x1*x2)), data=df1)) 他の質問への回答を読んだ後、他の機能(lmeなど)を使用してANOVAを再実行する必要があることを知りました。これが私が思いついたものです。 Lme.mod <- lme(dv ~ x1*x2, random=list(subject=pdBlocked(list(~1, pdIdent(~x1-1), pdIdent(~x2-1)))), data=df1) anova(Lme.mod) 主な効果はどちらも有意でしたが、相互作用の効果はありませんでした。次に、これらの関数を事後比較に使用しました。 summary(glht(Lme.mod, linfct=mcp(x1="Tukey"))) summary(glht(Lme.mod, linfct=mcp(x2="Tukey"))) しかし、いくつかの問題がありました: まず、Rヘルプファイルには、「双方向ANOVAまたはANCOVAモデル(...)multcompバージョン1.0-0以降で対象のパラメーターを定義する場合、mcp関数は注意して使用する必要があります。主な効果の比較が生成されます。のみ、共変量と交互作用を無視します(古いバージョンは交互作用項で自動的に平均化されました)警告が表示されます。そして確かに、私は次の警告メッセージを受け取りました: Warning message: In mcp2matrix(model, linfct = linfct) : covariate interactions found -- default contrast might be inappropriate もう1つの不可解な点は、両方の主要な効果は有意でしたが、要因の1つ(x1)の事後比較に有意差はなかったということです。これに出会ったことはありません。スクリプト/分析は正しい/適切ですか、それとも欠けているものはありますか?どんな助けでも大歓迎です!
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.