Тест на причинность: current причиняет velocity Granger Causality number of lags (no…
- User
Тест на причинность: current причиняет velocity
Granger Causality number of lags (no zero) 1 ssr based F test: F=0.5640 , p=0.4528 , df_denom=1255, df_num=1 ssr based chi2 test: chi2=0.5654 , p=0.4521 , df=1 likelihood ratio test: chi2=0.5652 , p=0.4522 , df=1 parameter F test: F=0.5640 , p=0.4528 , df_denom=1255, df_num=1
Granger Causality number of lags (no zero) 2 ssr based F test: F=0.3910 , p=0.6765 , df_denom=1252, df_num=2 ssr based chi2 test: chi2=0.7851 , p=0.6753 , df=2 likelihood ratio test: chi2=0.7848 , p=0.6754 , df=2 parameter F test: F=0.3910 , p=0.6765 , df_denom=1252, df_num=2
Granger Causality number of lags (no zero) 3 ssr based F test: F=0.3076 , p=0.8199 , df_denom=1249, df_num=3 ssr based chi2 test: chi2=0.9279 , p=0.8187 , df=3 likelihood ratio test: chi2=0.9276 , p=0.8188 , df=3 parameter F test: F=0.3076 , p=0.8199 , df_denom=1249, df_num=3
Granger Causality number of lags (no zero) 4 ssr based F test: F=0.3056 , p=0.8743 , df_denom=1246, df_num=4 ssr based chi2 test: chi2=1.2314 , p=0.8729 , df=4 likelihood ratio test: chi2=1.2308 , p=0.8730 , df=4 parameter F test: F=0.3056 , p=0.8743 , df_denom=1246, df_num=4
Granger Causality number of lags (no zero) 5 ssr based F test: F=0.4001 , p=0.8490 , df_denom=1243, df_num=5 ssr based chi2 test: chi2=2.0182 , p=0.8466 , df=5 likelihood ratio test: chi2=2.0166 , p=0.8468 , df=5 parameter F test: F=0.4001 , p=0.8490 , df_denom=1243, df_num=5
Granger Causality number of lags (no zero) 6 ssr based F test: F=0.4341 , p=0.8564 , df_denom=1240, df_num=6 ssr based chi2 test: chi2=2.6319 , p=0.8534 , df=6 likelihood ratio test: chi2=2.6291 , p=0.8537 , df=6 parameter F test: F=0.4341 , p=0.8564 , df_denom=1240, df_num=6
Granger Causality number of lags (no zero) 7 ssr based F test: F=0.4192 , p=0.8908 , df_denom=1237, df_num=7 ssr based chi2 test: chi2=2.9701 , p=0.8878 , df=7 likelihood ratio test: chi2=2.9666 , p=0.8881 , df=7 parameter F test: F=0.4192 , p=0.8908 , df_denom=1237, df_num=7
Granger Causality number of lags (no zero) 8 ssr based F test: F=1.3113 , p=0.2335 , df_denom=1234, df_num=8 ssr based chi2 test: chi2=10.6351 , p=0.2232 , df=8 likelihood ratio test: chi2=10.5902 , p=0.2260 , df=8 parameter F test: F=1.3113 , p=0.2335 , df_denom=1234, df_num=8
Тест на причинность: velocity причиняет current
Granger Causality number of lags (no zero) 1 ssr based F test: F=2.6067 , p=0.1067 , df_denom=1255, df_num=1 ssr based chi2 test: chi2=2.6129 , p=0.1060 , df=1 likelihood ratio test: chi2=2.6102 , p=0.1062 , df=1 parameter F test: F=2.6067 , p=0.1067 , df_denom=1255, df_num=1
Granger Causality number of lags (no zero) 2 ssr based F test: F=1.3550 , p=0.2583 , df_denom=1252, df_num=2 ssr based chi2 test: chi2=2.7208 , p=0.2566 , df=2 likelihood ratio test: chi2=2.7179 , p=0.2569 , df=2 parameter F test: F=1.3550 , p=0.2583 , df_denom=1252, df_num=2
Granger Causality number of lags (no zero) 3 ssr based F test: F=1.1396 , p=0.3319 , df_denom=1249, df_num=3 ssr based chi2 test: chi2=3.4380 , p=0.3289 , df=3 likelihood ratio test: chi2=3.4333 , p=0.3295 , df=3 parameter F test: F=1.1396 , p=0.3319 , df_denom=1249, df_num=3
Granger Causality number of lags (no zero) 4 ssr based F test: F=0.9394 , p=0.4402 , df_denom=1246, df_num=4 ssr based chi2 test: chi2=3.7848 , p=0.4359 , df=4 likelihood ratio test: chi2=3.7791 , p=0.4367 , df=4 parameter F test: F=0.9394 , p=0.4402 , df_denom=1246, df_num=4
Granger Causality number of lags (no zero) 5 ssr based F test: F=0.7523 , p=0.5844 , df_denom=1243, df_num=5 ssr based chi2 test: chi2=3.7946 , p=0.5793 , df=5 likelihood ratio test: chi2=3.7889 , p=0.5802 , df=5 parameter F test: F=0.7523 , p=0.5844 , df_denom=1243, df_num=5
Granger Causality number of lags (no zero) 6 ssr based F test: F=0.8200 , p=0.5544 , df_denom=1240, df_num=6 ssr based chi2 test: chi2=4.9713 , p=0.5475 , df=6 likelihood ratio test: chi2=4.9615 , p=0.5488 , df=6 parameter F test: F=0.8200 , p=0.5544 , df_denom=1240, df_num=6
Granger Causality number of lags (no zero) 7 ssr based F test: F=0.8603 , p=0.5374 , df_denom=1237, df_num=7 ssr based chi2 test: chi2=6.0952 , p=0.5287 , df=7 likelihood ratio test: chi2=6.0804 , p=0.5304 , df=7 parameter F test: F=0.8603 , p=0.5374 , df_denom=1237, df_num=7
Granger Causality number of lags (no zero) 8 ssr based F test: F=0.8239 , p=0.5815 , df_denom=1234, df_num=8 ssr based chi2 test: chi2=6.6818 , p=0.5713 , df=8 likelihood ratio test: chi2=6.6640 , p=0.5733 , df=8 parameter F test: F=0.8239 , p=0.5815 , df_denom=1234, df_num=8 выводы
- Assistant
Гра́нжер-тест на причинность позволяет тестировать взаимное влияние временных рядов (в данном случае — текущего и скорости) для определения наличия причинно-следственных связей между ними.
Рассмотрим результаты двух тестов:
- Тест на причинность: current причиняет velocity
- Тест на причинность: velocity причиняет current
Выводы по результатам тестов:
-
Current причиняет velocity:
- Все значения p-уровней значимости (p-values) для всех наборов лагов значимо превышают стандартный порог значимости 0.05. Это означает, что ни при одном из рассмотренных лагов (от 1 до 8) гипотеза о том, что current причиняет velocity, не может быть отвергнута.
-
Velocity причиняет current:
- Аналогично с первым набором тестов, все значения p-уровней значимости по всем наборам лагов также превышают порог значимости 0.05. Это говорит о том, что гипотеза о том, что velocity причиняет current, также не может быть отвергнута.
Итог:
- На основании проведенных Гра́нжер-тестов на причинность, можно сделать вывод, что ни current не является причиной для velocity, ни velocity не является причиной для current в рамках проверенных данных. Обе гипотезы о причинности отвергнуты с высокой степенью уверенности.
Таким образом, нет статистически значимых доказательств причинно-следственных связей между временными рядами current и velocity в любом направлении, согласно результатам этих тестов.
- User
Тест на причинность: current причиняет velocity Granger Causality number of lags (no zero) 50 ssr based F test: F=1.4051 , p=0.0349 , df_denom=1108, df_num=50 ssr based chi2 test: chi2=76.6574 , p=0.0090 , df=50 likelihood ratio test: chi2=74.3253 , p=0.0144 , df=50 parameter F test: F=1.4051 , p=0.0349 , df_denom=1108, df_num=50
Тест на причинность: velocity причиняет current Granger Causality number of lags (no zero) 50 ssr based F test: F=1.3979 , p=0.0371 , df_denom=1108, df_num=50 ssr based chi2 test: chi2=76.2685 , p=0.0098 , df=50 likelihood ratio test: chi2=73.9594 , p=0.0154 , df=50 parameter F test: F=1.3979 , p=0.0371 , df_denom=1108, df_num=50 выводы
- Assistant
На основе представленных обновленных данных рассмотрим результаты двух тестов:
- Тест на причинность: current причиняет velocity
- Тест на причинность: velocity причиняет current
Выводы по результатам тестов:
1. Тест на причинность: current причиняет velocity
- SSR-based F test: F=1.4051, p=0.0349
- Chi-square test: chi2=76.6574, p=0.0090
- Likelihood ratio test: chi2=74.3253, p=0.0144
- Parameter F test: F=1.4051, p=0.0349
Анализ:
- P-values для всех тестов < 0.05: Это означает, что при 50 лагах гипотеза о том, что "current" не причиняет "velocity", отвергается.
- Следовательно, есть статистически значимые доказательства того, что "current" причиняет "velocity".
2. Тест на причинность: velocity причиняет current
- SSR-based F test: F=1.3979, p=0.0371
- Chi-square test: chi2=76.2685, p=0.0098
- Likelihood ratio test: chi2=73.9594, p=0.0154
- Parameter F test: F=1.3979, p=0.0371
Анализ:
- P-values для всех тестов < 0.05: Это означает, что при 50 лагах гипотеза о том, что "velocity" не причиняет "current", отвергается.
- Следовательно, есть статистически значимые доказательства того, что "velocity" причиняет "current".
Итог:
- При проверке на лаге 50, оба направления причинности (current -> velocity и velocity -> current) оказываются статистически значимыми.
- Это означает, что имеется двусторонняя причинность между текущим и скоростью на уровне значимости 0.05.
- User
чем больше лагов тем хуже или нет?
- Assistant
Увеличение числа лагов в анализе причинной связи Гра́нжера может давать более полное представление о временных зависимостях между рядами, но при этом сопровождается несколькими потенциальными проблемами:
Плюсы увеличения числа лагов:
- Более полное моделирование: Увеличение числа лагов может помочь захватить более дальнодействующие зависимости между временными рядами.
- Улучшение предсказательной силы: В некоторых случаях включение большого числа лагов может улучшить предсказательную силу модели за счет использования большего количества исторических данных.
Минусы увеличения числа лагов:
- Переобучение: Включение слишком большого числа лагов может приводить к переобучению модели, когда она слишком хорошо подстраивается под шум в данных, теряя обобщающую способность.
- Снижение эффективности: Модели с большим числом параметров (лагов) могут стать вычислительно более сложными и менее эффективными.
- Меньшее число степеней свободы: Увеличение числа лагов уменьшает число степеней свободы в модели, что может ухудшить статистическую значимость результатов.
- Интерпретация: Модели с большим числом лагов могут быть сложны для интерпретации, так как становится трудно понять, какие именно лаги влияют на зависимую переменную.
Заключение:
- Оптимальный баланс: Как и во многих методах статистического анализа, важно найти баланс между количеством лагов и качеством получаемой модели. Использование критериев информации (например, AIC или BIC) может помочь в выборе оптимального числа лагов.
- Практика: Часто выбор количества лагов определяется эмпирическим путем на основе анализа данных, тестирования различных спецификаций модели и сравнения их предсказательной силы и статистической значимости.
В данном случае, при лаге 50 результаты тестов показывают наличие причинной связи, но стоит помнить о вышеуказанных недостатках при увеличении числа лагов. Также рекомендуется дополнительно использовать критерии информации для проверки оптимальности выбранного числа лагов.