内容发布更新时间 : 2024/5/9 17:47:13星期一 下面是文章的全部内容请认真阅读。

Eviews做单位根检验和格兰杰因果分析

一，首先我根据ADF检验结果，来说明这两组数据对数情况下是否是同阶单整的（同阶单整即说明二者是协整的，这是一种协整检验的方法），我对你的两组数据分别作了单位根检验，结果如下：

1.LNFDI水平下的ADF结果：

Null Hypothesis: LNFDI has a unit root Exogenous: Constant

Lag Length: 2 (Automatic based on AIC, MAXLAG=3) Augmented Dickey-Fuller test statistic

t-Statistic Prob.*

-1.45226403166189 0.526994561264069 Test critical values:

1% level -4.00442492401717 5% level -3.09889640532337 10% level -2.69043949557234

*MacKinnon (1996) one-sided p-values.

Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 14

从上面的t-Statistic对应的值可以看到， -1.45226403166189大于下面所有的临界值，因此LNFDI在水平情况下是非平稳的。

然后我对该数据作了二阶，再进行ADF检验结果如下：

t-Statistic Prob.*

- 2.8606168858628 0.0770552989049772 Test critical values:

1% level -4.05790968439663 5% level -3.11990956512408

10% level -2.70110325490427

看到t-Statistic的值小于10% level下的-2.70110325490427，因此可以认为它在二阶时，有90%的可能性，是平稳的。

2.LNEX的结果：

它的水平阶情况与LNFDI类似，T统计值都是大于临界值的。因此水平下非平稳，但是二阶的时候，它的结果如下：

t-Statistic Prob.*

-4.92297051527175 0.00340857899403409

Test critical values:

1% level -4.20005563101359 5% level -3.17535190654929

10% level -2.72898502029817

即，T统计值-4.92297051527175小于1% level的值，因此认为，它在二阶的时候，是有99%的可能是平稳的。这样就可以认为两者LNFDI和LNEX是单阶同整的。即通过了协整检验。

二，GRANGER检验（因果关系检验） 这个就是为了看这两组数据是否存在因果关系。

我做了他们的二阶因果关系检验（因为他们在二阶时都平稳），结果如下：

Null Hypothesis: Obs F-Statistic Probability

LNEX does not Granger Cause LNFDI 15

7.47260684251629 0.0103529438201321 LNFDI does not Granger Cause LNEX

71.0713505999399 0.0103529438201321 看到，Probability下面对应的值，0.0103529438201321

和0.0103529438201321都是小于0.05的，因此我们可以认为这两组数据之间相互存在着因果关系。

Granger因果关系检验法的基本思想很简单：如果X的变化引起Y的变化，则X的变化应当发生在Y的变化之前。特别地，说“X是引起Y变化的原因”，则必须满足两个条件：第一，X应该有助于预测Y，即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的变量，它们既是引起X变化的原因，也是引起Y变化的原因。要检验这两个条件是否成立，我们需要检验一个变量对预测另一个变量没有帮助的原假设，例如，要想检验“X不是引起Y变化的原因”的原假设，我们把Y对Y的滞后值以及X的滞后进行回归（称为无限制条件模型UR），再将Y只对Y的滞后值（有限制条件模型R）进行回归。然后用联合检验F检验来确定X的滞后值是否对第一个回归的解释能力有显著的贡献。如果贡献显著，我们就能拒绝原假设，认为数据与X是Y的原因相一致。“Y不是引起X变化的原因”的假设也用同样的方法检验 。

要检验X是否为引起Y变化的原因的过程如下：首先，检验“X不是引起Y变化的原因”的原假设，对下列两个回归模型进行估计： 无限制条件回归UR: 公式XXX 有限制条件回归UR: 公式XXX

然后用各回归的残差平方和计算F统计量，检验系数 是否同时显著地不为0。如果是这样，我们就拒绝“X不是引起Y变化的原因”的原假设。 F联合检验XXX

然后，检验“Y不是引起X变化的原因”的原假设，做同样的回归估计，但是交换X与Y，检验Y

的滞后项是中显著地不为0。要得到X是引起Y变化的原因的结论，必须拒绝原假设“X不是引起Y变化的原因”，同时接受原假设“Y不是引起X变化的原因”。

单位根是否应该包括常数项和趋势项可以通过观察序列图确定，通过Quick-graph-line操作观察你的数据，若数据随时间变化有明显的上升或下降趋势，则有趋势项，若围绕0值上下波动，则没有趋势项；其二，关于是否包括常数项有两种观点，一种是其截距为非零值，则取常数项，另一种是序列均值不为零则取常数项。 第二，滞后阶数的问题。最佳滞后阶数主要根据AIC SC准则判定，当你选择好检验方式，确定好常数项、趋势项选择后，在lagged differences栏里可以从0开始尝试，最大可以尝试到7。你一个个打开去观察，看哪个滞后阶数使得结论最下方一栏中的AIC 和SC值最小，那么该滞后阶数则为最佳滞后阶数。

单位根检验、协整检验与格兰杰检验的关系

实证检验步骤：先做单位根检验，看变量序列是否平稳序列，若平稳，可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第i次差分时序列平稳，则服从i阶单整（注意趋势、截距不同情况选择，根据P值和原假设判定）。若所有检验序列均服从同阶单整，可构造VAR模型，做协整检验（注意滞后期的选择），判断模型内部变量间是否存在协整关系，即是否存在长期均衡关系。如果有，则可以构造VEC模型或者进行Granger因果检验，检验变量之间“谁引起谁变化”，即因果关系。

一、讨论一

1、单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。

2、当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。

3、当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有EG两步法和JJ检验

A、EG两步法是基于回归残差的检验，可以通过建立OLS模型检验其残差平稳性 B、JJ检验是基于回归系数的检验，前提是建立VAR模型（即模型符合ADL模式） 4、当变量之间存在协整关系时，可以建立ECM进一步考察短期关系，Eviews这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别

二、讨论二

1、格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。

2、非平稳序列很可能出现伪回归，协整的意义就是检验它们的回归方程所描述的因