10.2、因果分析—零基础入门教程

Eviews 统计分析从入门到精通（视频+数据+课件）------------------------------- 点击获取

点击上方链接可以查看完整版视频教程

因果分析是一种研究变量之间因果关系的方法。它旨在确定一个变量的变化是否直接导致另一个变量的变化，而不仅仅是相关或同时发生。因果分析通常使用实验设计或观察数据来推断因果关系。它可以帮助我们理解事件、政策或干预措施对结果的影响，并帮助做出更明智的决策。因果分析的方法包括随机对照试验、断点回归设计、差分处理等。然而，因果分析也面临着许多挑战，如隐变量、反向因果关系和混淆因素等。因此，在进行因果分析时需要谨慎考虑数据的可靠性和研究设计的合理性。

因果分析

单方程模型结果的分析绝大部分考虑其参数估计值就可以，而VAR模型结果的分析则需要借助格兰杰因果分析、脉冲响应函数、方差分解等多种工具。本节将重点介绍Granger因果分析、IRF.与方差分解的操作。

1..格兰杰因果检验

从计量经济学发展的历史看，格兰杰因果关系 (Granger    Causality) 的概念要早于VAR模型。但是，格兰杰因果关系实质上是利用了VAR 模型来进行一组系数显著性检验。格兰杰因果关系可以用来检验某个变量的所有滞后项是否对另一个或几个变量的当期值有影响。如果影响显著,说明该变量对另一个变量或几个变量存在格兰杰因果关系；如果影响不显著,   说明该变量对另一个变量或几个变量不存在格兰杰因果关系。格兰杰因果关系检验的原假设是被检验变量不是因变量的因果关系，如果检验的概率P-值小于设定的置信水平(通常为5%),则认为被检验变量构成因变量的因果关系；反之，认为被检验变量不是因变量的因果关系。

2.IRF脉冲响应函数

由于系数只是反应了一个局部的动态关系，并不能捕捉全面复杂的动态关系；而研究者往往关注一个变量变化对另一个变量的全部影响过程，在这种情况下通过绘制 IRF 脉冲响应函数可以比较全面地反应各个变量之间的动态影响。

3.方差分解

一般情况下，脉冲响应函数捕捉的是一个变量的冲击对另一个变量的动态影响路径，而方差分解可以将VAR模型系统内一个变量的方差分解到各个扰动项上。因此方差分解提供了关于每个扰动项因素影响VAR模型内各个变量的相对程度。

操作简述

1.View菜单的打开

Granger因果分析、IRF与方差分解都是在VAR估计结果窗口中的View菜单中进行的。

在案例中VAR估计结果窗口中选择View命令，打开如图所示的View菜单。

View菜单是进行VAR模型检验和分析的最主要的操作选择界面。View菜单中各个选项的含义参见图的标示，其中除Impulse Response Function(脉冲响应函数)、Variance Decomposition(方差分解)、Lag Structure(滞后期结构)、Cointegration.Test(协整检验)之外其他的选项与一般回归模型结果中的View菜单含义是一致的。

2.Lag Structure滞后期结构

View菜单下的-Lag Structure可以用于分析VAR模型的稳定性、格兰杰因果关系检验和滞后期选择。选择Lag Structure可以打开如图所示的下拉列表。

●AR Roots Table

单击AR Roots Table按钮，弹出如图所示的VAR Stability Condition Check结果。

对于滞后期长度为M且有K个内生变量的VAR模型，特征根多项式有M×K个特征根。 本案例中有2个内生变量且滞后长度为4,因此共有8个特征根。当VAR模型的所有的特征根的倒数的模小于1(位于单位圆内),则VAR模型是稳定的；如果有一个特征根的倒数的模等于1(位于单位圆上),则VAR模型不稳定需要重新设定。

上图所示的Root表示VAR模型的特征根的倒数，而Modulus表示特征根倒数的模。 就图中所示的单位根倒数的模而言，所有模都小于1,表示本案例中建立的VAR模型稳定。

●AR Roots Graph

单击AR Roots Graph按钮，弹出如图所示的Inverse Roots of AR Characteristic Polynominal结果。

下图单位圆中的点表示的是AR特征根的倒数的模，如果这些点都落在单位圆内表示VAR模型平稳，反之表示VAR模型不平稳。该检验结果与AR Roots Table一致，但是要比AR Roots Table更加直观。

●Granger Causality/Block Exogeneity Tests

Granger Causality/Block Exogeneity Tests表示对VAR模型中的变量之间进行格兰杰因果关系检验。单击Granger Causality/Block Exogeneity Tests按钮，弹出如图所示的 AR Granger Causality/Block Exogeneity Wald Tests结果。

VAR模型的因果关系检验给出了每个内生变量相对于其他内生变量的Granger Causality检验结果。从图可见，CPI方程中CPI作为被解释变量对其他解释变量M进行格兰杰因果检验，货币供给增长率M的联合统计量值是7.628547且在10%的水平(概率值为0.1062)上构成对通货膨胀率CPI的格兰杰因果关系；但是在M方程中通货膨胀率CPI的概率值为0.7352,因此不构成对货币供给增量率的格兰杰因果关系。这个检验结果是符合经济理论和经验的，因为货币供给的增加会导致过多的货币追逐有限的商品，进而导致通货膨胀，而很难想象通货膨胀会影响货币供给。

其中，ALL表示所有解释变量的联合格兰杰因果关系检验，同样是通过显著概率P值来判断所有解释变量是否联合构成被解释变量的格兰杰因果关系。

菜单中的Lag Exclusion Tests和Lag Length   Criteria选项用于选择VAR模型的最佳滞后期，选择的原理是AIC和SC最小化原则，在此不做详细介绍。

3.Impulse Response Function脉冲响应函数

View菜单下的Impulse Response Function可以用于生成基于VAR模型的脉冲响应函数图，并用于分析VAR模型的变量之间的动态影响关系，是VAR模型的主要分析工具。选择Impulse Response Function可以打开如图所示的Impulse Responses对话框。

Impulse Responses对话框是设定脉冲响应函数的主窗口。其中，Display选项卡用于设定脉冲响应函数的冲击项、响应项、输出格式等；Impulse   Definition选项卡用于设定残差协方差矩阵的分解方法和冲击排序。

如果上述教程没有解决您的问题，可以联系分析师获取支持：

分析师服务（24小时在线）

如果您需要代做服务，可选择下方服务选项：

‍1、问卷设计、问卷调查：点击联系

2、数据分析、实证分析：点击联系‍

3、科研配图、论文配图：点击联系

4、文章指导、润色美化：点击联系

5、数据查找、代查代下：点击联系

6、数据修改、调整合理：点击联系‍

7、职称评审、课题申报：点击联系

8、格式排版、文章翻译：点击联系‍