statsmodel 包 grangercausalitytests 输出解释？答案

【问题标题】：statsmodel package grangercausalitytests output explanation?statsmodel 包 grangercausalitytests 输出解释？
【发布时间】：2020-02-19 14:49:37
【问题描述】：

我目前正在做一个项目，试图找到人类活动与全球变暖之间因果关系的证据。在对两个变量进行差分并检查单位根之后，我一直在尝试对全球温度的年排放量进行格兰杰因果关系检验。

test = pd.DataFrame({'temp':temperature,'emissions':emissions)
sm.tsa.stattools.grangercausalitytests(test,30)

有人可以帮助我更了解给出的输出吗？

Lag 11 和 14 的样本输出：

Granger Causality
number of lags (no zero) 11
ssr based F test:         F=1.1019  , p=0.3716  , df_denom=76, df_num=11
ssr based chi2 test:   chi2=15.7887 , p=0.1492  , df=11
likelihood ratio test: chi2=14.6493 , p=0.1991  , df=11
parameter F test:         F=1.1019  , p=0.3716  , df_denom=76, df_num=11

...
number of lags (no zero) 14
ssr based F test:         F=1.2862  , p=0.2394  , df_denom=67, df_num=14
ssr based chi2 test:   chi2=25.8004 , p=0.0274  , df=14
likelihood ratio test: chi2=22.8514 , p=0.0627  , df=14
parameter F test:         F=1.2862  , p=0.2394  , df_denom=67, df_num=14

卡方检验结果何时优于 F 检验？我的印象是滞后数较高时首选卡方，但原始样本量非常小（n = 100）。

如果检验的原假设不是格兰杰因果关系，我猜在卡方检验下，排放“格兰杰导致”全球变暖，95% CI 滞后 14？如果我错了，请纠正我。

【问题讨论】：

也许可以在 stats.stackexchange 上询问统计解释。

标签： python-3.x pandas statistics time-series statsmodels

【解决方案1】：

格兰杰因果关系的证据非常薄弱。

样本量很小，基于渐近分布的 chi2 Wald 检验可能会过度拒绝。使用 F 分布在许多情况下具有更好的小样本属性，但我不知道 Granger 因果检验是否也是这种情况，即向量自回归设置中的 Wald 检验。

此外，如果我们尝试几个不同的延迟，那么我们也会遇到多个测试问题。如果您运行许多测试，那么您可能会发现一个纯粹随机的，如果 p 值没有针对多次测试进行校正，那么它是显着的。

【讨论】：