excel表格怎么看因果检验

1.怎么样用excel进行Granger因果检验

原理：

如果一个事件A的发生与不发生对于另一个事件B的发生的概率（如果通过事件定义了随机变量那么也可以说分布函数）有影响，并且这两个事件在时间上又先后顺序（A前B后），那么我们便可以说A是B的原因。

F统计值 Probability

A dose not Granger cause B x y

B dose not Granger cause A z w

granger因果关系检验又可以称为granger非因果关系检验。

在上表中，x与y是对应的，z与w是相互对应的。y与w是eviews软件根据x与z值计算出来的概率值，这样可以省去了查表的麻烦。即根据x或是y值来判断A是不是B的granger因都是可以的。

那么，在5%的显著性水平下，我们只要看看y和w的值与5%的关系就可以了。如果y5%，即F检验通过了，就接受“A does not Granger cause B”，也就是说，A不是B的格兰杰因。同样的方法可以分析w与5%的关系。

如果y和w都小于5%，那么A与B就互为因果关系。

实现的具体方法：

在EXCEL中通过选择菜单： 工具--。原理：

如果一个事件A的发生与不发生对于另一个事件B的发生的概率（如果通过事件定义了随机变量那么也可以说分布函数）有影响，并且这两个事件在时间上又先后顺序（A前B后），那么我们便可以说A是B的原因。

F统计值 Probability

A dose not Granger cause B x y

B dose not Granger cause A z w

granger因果关系检验又可以称为granger非因果关系检验。

在上表中，x与y是对应的，z与w是相互对应的。y与w是eviews软件根据x与z值计算出来的概率值，这样可以省去了查表的麻烦。即根据x或是y值来判断A是不是B的granger因都是可以的。

那么，在5%的显著性水平下，我们只要看看y和w的值与5%的关系就可以了。如果y5%，即F检验通过了，就接受“A does not Granger cause B”，也就是说，A不是B的格兰杰因。同样的方法可以分析w与5%的关系。

如果y和w都小于5%，那么A与B就互为因果关系。

实现的具体方法：

在EXCEL中通过选择菜单： 工具--加载宏--分析工具库，就加载了数据分析的功能。

通过选择菜单：工具--数据分析--回归，对两列数据分别做为X和Y做两次回归，就可得到F值，及相应的P值。

2.怎么样用excel进行Granger因果检验?求答案

F统计值因果关系检验又可以称为granger非因果关系检验。

在上表中，x与y是对应的，z与w是相互对应的。y与w是eviews软件根据x与z值计算出来的概率值，这样可以省去了查表的麻烦。

即根据x或是y值来判断A是不是B的granger因都是可以的。那么，在5%的显著性水平下，我们只要看看y和w的值与5%的关系就可以了。

如果y<5%，即F检验没有通过，即拒绝AdoesnotGrangercauseB，也就是说A是B的格兰杰因。如果y5%，即F检验通过了，就接受AdoesnotGrangercauseB，也就是说，A不是B的格兰杰因。

同样的方法可以分析w与5%的关系。如果y和w都小于5%，那么A与B就互为因果关系。

实现的具体方法：在EXCEL中通过选择菜单：工具--加载宏--分析工具库，就加载了数据分析的功能。

3.怎么分析granger检验的结果

1.CR 不是M2 的格兰杰原因 0.26008(F-sat) 0.28505（显著性）M2 不是CR 的格兰杰原因 0.77290 0.754212.GDP 不是CR 的格兰杰原因 2.18306 1.09659CR 不是GDP 的格兰杰原因 0.34843 0.093513.GDP 不是M2 的格兰杰原因 2.04672 2.24195M2 不是GDP 的格兰杰原因 0.14872 0.12563他们分析得到：表3 中的显著性水平表示接受零假设的概率，数字越小，说明白变量预测因变量的能力越强。

第一组检验表明CR 与M2 之间不存在格兰杰因果关系，说明在我国货币渠道和信用渠道之间相关性很小，二者之间联系较少，不存在明显的相互影响。第二组和第三组检验表明，信用渠道在9.351%的显著性水平上是我国货币政策的传导原因，而货币渠道在12.563%的显著性水平上是我国货币政策传导的原因，因此与货币渠道相比，信用渠道在我国货币政策传导中具有明显的相对重要性。

同时，GDP 在14.872%的显著性水平上是M2 的原因，在34.843%的显著性水平上是CR 的原因，表明货币供应在我国具有较强的内生性，而信用规模的内生性则相对较小。而在我看来，这三对变量之间没有granger因果关系，或者有也只能说是很微弱。

我就是不明白“信用渠道在9.351%的显著性水平上是我国货币政策的传导原因，而货币渠道在12.563%的显著性水平上是我国货币政策传导的原因，”这句话，明明是拒绝原假设，为什么还能说信用渠道是货币政策的原因呢？？？哪位大侠给解释一下可好？？？？。

4.Eviews5.0软件,格兰杰因果检验的详细步骤及如何看数据解说

（一）、ADF是单位根检验，第一列数据y做ADF检验，结果如下NullHypothesis::Constant,LinearTrendLagLength: (AutomaticbasedonSIC,MAXLAG= )t-StatisticProb.*AugmentedDickey-Fullerteststatistic- . . Testcriticalvalues: %level- . %level- . %level- . 在 %水平上拒绝原假设，序列y存在单位根，为不平稳序列。

但在 %、%水平上均接受原假设，认为y平稳。对y进行一阶差分，差分后进行ADF检验：NullHypothesis::NoneLagLength: (AutomaticbasedonSIC,MAXLAG= )t-StatisticProb.*AugmentedDickey-Fullerteststatistic- . . Testcriticalvalues: %level- . %level- . %level- . 可见，在各水平上y都是平稳的。

因此，可以把原序列y看做一阶单整。第二列xADF检验如下：NullHypothesis::Constant,LinearTrendLagLength: (AutomaticbasedonSIC,MAXLAG= )t-StatisticProb.*AugmentedDickey-Fullerteststatistic- . . Testcriticalvalues: %level- . %level- . %level- . 在 %、%水平上拒绝原假设，序列x存在单位根，为不平稳序列。

但在 %水平上均接受原假设，认为x是平稳的。对y进行一阶差分，差分后进行ADF检验：NullHypothesis::NoneLagLength: (AutomaticbasedonSIC,MAXLAG= )t-StatisticProb.*AugmentedDickey-Fullerteststatistic- . . Testcriticalvalues: %level- . %level- . %level- . 可见，在各水平上x都是平稳的。

因此，可以把原序列x看做一阶单整。（二）、只有一阶单整的序列才可以进行协整检验：利用engle和granger提出的两步检验法：首先建立模型：y=ax+c+e，结果为Y= . *X+ . 再对方程的残差进行ADF检验：NullHypothesis::NoneLagLength: (AutomaticbasedonSIC,MAXLAG= )t-StatisticProb.*AugmentedDickey-Fullerteststatistic- . . Testcriticalvalues: %level- . %level- . %level- . 从检验结果可以看出残差序列是平稳的，因此x和y之间存在协整关系。

（三）、granger因果检验：: / / Time: : Sample: Lags: NullHypothesis:ObsF-StatisticProb.YdoesnotGrangerCauseX . . XdoesnotGrangerCauseY . . 从结果可知拒绝y不能grangerx的假设，即ygranger引起x；但是不能拒绝x不能g引起y，即接受x不能granger引起y。

5.急

通径分析（Path Analysis）是研究变量间相互关系、自变量对因变量作用方式、程度的多元统计分析技术。

在市场研究中，自变量间的关系往往比较复杂，有些自变量间的关系为相关关系，而有些自变量间的关系却是因果关系。一般地，我们称受其他变量影响的变量为内生变量，而影响其他变量的变量为外生变量，显然，因变量y为内生变量，各自变量都以自己不同的方式影响因变量y。

一般而言，通径分析以多元线性回归分析为基础，通过对标准化变量的偏回归系数进一步分析、分解，对各自变量的作用方式、途径给出了一个科学、合理、定量的解释。

6.granger因果检验和回归

1. A如果granger cause B 的话，B 是因变量，A是自变量。A应该很显著。如果不显著，你看看是不是什么地方有错误。或者，你的模型里有一些其他变量，干扰了结果。

2. granger causality已经不像以前那么流行了。因为，granger causality通过的一些模型，有不少是所谓 spurious model，也就是虚假的模型。而某些很明显有相关经济学含义的变量，GC却根本检查不出来。

3. GC已经不像以前那么流行了。GC只是统计学上的因果检验，不是经济学意义上的因果检验。你去regress 年度上海大盘指数，on 年度上海人平均身高，一样能得到很强的GC结果。但这两个根本没有经济学关系。所以，就算变量之间不是GC，不意味着没必要做回归。一般劳动力素质（一般用教育来衡量）和经济发展的GC就很弱，但不意味着劳动力素质对经济没影响。