Staram się kształcić na temat przyczynowości Granger. Przeczytałem posty na tej stronie i kilka dobrych artykułów online. Natknąłem się również na bardzo pomocne narzędzie, Bivariate Granger Causality - darmowy kalkulator statystyczny , który umożliwia wprowadzanie szeregów czasowych i obliczanie statystyk Granger. Poniżej znajduje się wynik z przykładowych danych zawartych na stronie. Zaskoczyłem też interpretację wyników.
Moje pytania:
- Czy moja interpretacja jest poprawna pod względem kierunkowym?
- Jakie kluczowe spostrzeżenia przeoczyłem?
- Jakie jest znaczenie i interpretacja wykresów CCF? (Zakładam, że CCF to korelacja krzyżowa).
Oto wyniki i wykresy, które zinterpretowałem:
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 model 356
Reduced model 357 -1 17.9144959720894 2.94360540545316e-05
Granger Causality Test: X = f(Y)
Model Res.DF Diff. DF F p-value
Complete model 356
Reduced model 357 -1 0.0929541667364279 0.760632773377753
Moja interpretacja:
- Test oparto na 357 punktach danych i przeprowadzono z wartością opóźnienia 1
- Wartość p 0,0000294 oznacza, że mogę odrzucić hipotezę zerową, że x nie powoduje y dla Y = f (x).
- Wartość p wynosząca 0,76 pozwala mi zaakceptować wartość zerową dla X = f (Y)
- Dobrze, że pierwsza hipoteza została odrzucona, a druga zaakceptowana
- Jestem trochę zardzewiały na teście F, więc na razie nie mam nic do powiedzenia na ten temat.
- Nie jestem również pewien, jak interpretować wykres CCF.
Naprawdę to doceniam, jeśli ktoś z was dobrze zorientowany w przyczynowości Grangera mógłby dać mi znać, czy interpretuję to poprawnie, a także wypełnić niektóre puste pola.
Dzięki za pomoc.
źródło