格兰杰检验用原始数据还是对数数据还是差分数据（满足什么条件可以做格兰杰检验）
“社会科学中的数据可视化”第432篇推送
引言
在实证分析中，我们经常需要确定因果关系是x导致y，还是y导致x。对此，Granger提出了一种解决方法:如果x是y的原因，且不存在反向因果，则x过去值可以预测y未来值，反之则不然。具体来说，我们建立时间序列模型如下，并提出假设H0： βm=0，m=1,2…p。如果接受该假设，则意味着x过去值不能够预测y未来值；如果拒绝该假设，则可以，即x是y的格兰杰因（Granger cause）。
本次推送中，我们介绍如何在Stata中进行格兰杰因果检验。
基本命令
Stata中格兰杰因果检验有三种方法:前两种方法基本思路大致相同，它们均是先确定最佳滞后期，随后再进行格兰杰因果检验；第三种方法则是先拟合VAR模型，之后再进行检验。具体来说，第一种方法的基本命令为：
reg y l.y l.x
对滞后一期的变量进行回归，也就是说此时
式中p、q的值都为1。
estat ic
显示AIC 与BIC 取值，以便选择最佳滞后期。
reg y l.y l.x l2.y l2.xestat ic
再次显示AIC与BIC取值。
……
根据信息准则确定p, q后，检验所用的命令为test。值得注意的是，这种方法中p和q的取值可以是不同的，以便获得最有说服力的结果。
第二种方法的基本命令为：
ssc install gcause
下载格兰杰因果检验程序gcause
gcause y x, lags( 1)
对滞后一期的变量进行回归。
estat ic
显示AIC与BIC 取值，以便选择最佳滞后期
gcause y x, lags( 2)
滞后2期
estat ic
再次显示AIC与BIC取值，以便选择最佳滞后期。
在选定滞后期后，我们可以使用F检验或者卡方检验进行因果检验。
第三种方法的主要命令是：
vary x
进行向量自回归。
vargranger 操作实例
在这一部分中，我们以第二种方法为例，演示如何在stata中进行因果检验。首先我们在联网状态下导入数据，输入命令如下：
use http: //www.stata-press.com/data/imeus/ukrates, clear
安装gcause格兰杰因果检验程序
ssc install gcause
输出结果如下：
gcause r20 rs, lags( 1)estat icgcause r20 rs, lags( 2)estat ic
依次对滞后一期、滞后两期等变量进行回归，根据AIC及BIC的取值确定最佳的滞后期。在本例中，我们发现p=q=3时AIC及BIC的值最小，因此我们将p和q都赋值为3。滞后三期回归结果如图所示：
我们发现F检验和卡方检验得出一致结论，接受原假设，即rs不是r20的格兰杰因。
注：操作平台为Stata14.0
文章来源：格兰杰因果检验stata操作指南，部分文字进行删改。更多请点击“阅读原文”