Question

我使用带有两个变量（f，m）的VAR（1）模型，每个变量有59个观测值; 我已经看过R帮助和几本关于这个主题的书籍，但无法想象df2 = 108。

library(vars)
var.causal.m <- causality(ajustVAR1FM, cause = "m")
> var.causal.m
$Granger

    Granger causality H0: m do not Granger-cause f

data:  VAR object ajustVAR1FM 
F-Test = 5.9262, df1 = 1, df2 = 108, p-value = 0.01656

Answer 1

如果您看到包manual，则会清楚地写出测试分布为F(pK1k2, KT-n*)，其中K = k1 + k2且n *等于上述VAR中的参数总数（ p）（包括确定性回归量）。此外，对于测试，内生变量yt的向量被分成两个子向量y1t和y2t，其中维度为（K1×1）和（K2×1），其中K = K1 + K2。

您还可以在控制台中键入causality并查看以下内容：

df1 <- p * length(y1.names) * length(y2.names)
  df2 <- K * obs - length(PI)

示例：使用加拿大数据

library(vars)
var.2c <- VAR(Canada, p = 2, type = "const") 
causality(var.2c, cause = "e") 
> dim(Canada)
[1] 84  4



Causality(var.2c, cause = "e")
$Granger

Granger causality H0: e do not Granger-cause prod rw U

data:  VAR object var.2c 
F-Test = 6.2768, df1 = 6, df2 = 292, p-value = 3.206e-06

原因变量是1所以k1 = 1，k2 = 3（4-1）其中4是变量总数，T是有效观测数（这里是84-2（滞后= 2））= 82，n * = 36（4个方程式，每个9个参数）。所以，df1 = 2 * 1 * 3 = 6而df2 = 4 * 82-36 = 292

注意：在你的情况下滞后p = 1，n * = 8（你估计两个模型，每个模型有4个参数（我怀疑你也有趋势所以它应该是4），obs（有效59-1（滞后p = 1））= 58，k1 = 1，k2 = 1，K = 2.因此，df1 = 1 * 1 * 1 = 1，df2 = 2 * 58-8 = 108。

如何在因果关系中得到df2（）在R中进行格兰杰检验

1 个答案: