Тест Грейнджера на причинность: как проверить связь рядов

Когда в данных два ряда движутся вместе - продажи и реклама, инфляция и денежная масса, температура и заболеваемость - хочется сказать «одно вызывает другое». Но корреляция этого не доказывает. Тест Грейнджера предлагает операциональный, проверяемый ответ на более скромный вопрос: помогает ли прошлое одного ряда предсказывать будущее другого лучше, чем только собственное прошлое второго ряда. Это не философская причинность, а причинность в смысле предсказуемости. Разберём, как тест устроен, как читать его F-статистику и p-value и где он обманывает. Ниже соберите свой ряд и гипотезу - и получите готовый разбор.

Что значит причинность по Грейнджеру

Клайв Грейнджер (нобелевский лауреат 2003 года) предложил формализовать причинность через предсказание. Говорят, что ряд $X$ причиняет по Грейнджеру ряд $Y$, если прошлые значения $X$ содержат информацию, которая помогает предсказывать $Y$ точнее, чем предсказание по одному только прошлому $Y$.

Ключевые слова здесь - «прошлые значения» и «точнее предсказывать». Это сразу задаёт два ограничения. Во-первых, причина должна предшествовать следствию во времени: будущее не влияет на прошлое. Во-вторых, речь идёт именно о приросте качества прогноза, а не о физическом механизме воздействия. Поэтому корректнее говорить не «$X$ вызывает $Y$», а «$X$ улучшает прогноз $Y$».

Такое определение операционально: его можно проверить статистически на данных, не зная природы связи. Цена компромисса в том, что вывод теста - это утверждение о предсказуемости, а не о настоящей механической причине.

Как устроен тест: две регрессии

Технически тест Грейнджера сравнивает две регрессии для ряда $Y$. Ограниченная (restricted) модель объясняет $Y$ только его собственными лагами:

$$Y_t = \alpha_0 + \sum_{i=1}^{p} \alpha_i Y_{t-i} + \varepsilon_t$$

Полная (unrestricted) модель добавляет лаги ряда $X$:

$$Y_t = \alpha_0 + \sum_{i=1}^{p} \alpha_i Y_{t-i} + \sum_{j=1}^{p} \beta_j X_{t-j} + u_t$$

Здесь $p$ - выбранное число лагов. Если коэффициенты $\beta_j$ при лагах $X$ совместно значимо отличаются от нуля, значит, добавление прошлого $X$ улучшило объяснение $Y$ - то есть $X$ причиняет $Y$ по Грейнджеру.

Формально проверяется нулевая гипотеза о совместном равенстве нулю:

$$H_0: \beta_1 = \beta_2 = \dots = \beta_p = 0$$

Отвергаем $H_0$ - есть причинность по Грейнджеру; не отвергаем - нет оснований её утверждать. Логика та же, что в любом тесте на совместную значимость группы предикторов: мы спрашиваем, нужен ли вообще блок лагов $X$, или модель ничего без него не теряет.

Рассчитать для своей задачи

F-статистика и p-value

Сравнение двух моделей делает F-тест. Он смотрит, насколько сильно упала сумма квадратов остатков при переходе от ограниченной модели к полной:

$$F = \frac{(RSS_r - RSS_u) / p}{RSS_u / (n - 2p - 1)}$$

где $RSS_r$ и $RSS_u$ - суммы квадратов остатков ограниченной и полной моделей, $p$ - число добавленных лагов $X$, $n$ - число наблюдений. Чем больше прирост объяснённой вариации на один добавленный лаг, тем больше $F$ и тем убедительнее, что лаги $X$ работают.

По $F$ и числам степеней свободы $(p,\; n-2p-1)$ считается p-value. Правило стандартное: если $p\text{-value} < \alpha$ (обычно $\alpha = 0{,}05$), нулевую гипотезу отвергаем и заключаем, что $X$ причиняет $Y$ по Грейнджеру. Многие пакеты выдают эквивалентный результат через критерий $\chi^2$ - в больших выборках выводы совпадают.

Стационарность и выбор числа лагов

У теста есть жёсткое предусловие: ряды должны быть стационарны. Применять его к рядам с трендом нельзя - получится ложная причинность из-за общего тренда, а не из-за реальной связи. Поэтому сначала ряды проверяют на единичный корень - например расширенным тестом Дики - Фуллера - и при необходимости берут разности. Если ряды нестационарны, но коинтегрированы, тест строят уже на модели коррекции ошибок (VECM), а не на простых разностях: иначе разности уничтожат долгосрочную связь между уровнями рядов.

Второй чувствительный параметр - число лагов $p$. Слишком мало лагов - рискуете не уловить связь с большим запаздыванием. Слишком много - теряете степени свободы и ловите шум. Выбор делают по информационным критериям: AIC, BIC (он же SC) или HQ подбирают $p$, минимизирующий критерий на сетке значений. Результат теста может заметно зависеть от выбранного $p$, поэтому глубину лага всегда указывают в выводах.

Двусторонняя проверка и обратная связь

Причинность по Грейнджеру не симметрична. То, что $X$ причиняет $Y$, ничего не говорит о том, причиняет ли $Y$ ряд $X$. Поэтому тест почти всегда прогоняют в обе стороны и получают одну из четырёх картин:

• $X \to Y$ - однонаправленная причинность от $X$ к $Y$;
• $Y \to X$ - однонаправленная в обратную сторону;
• $X \leftrightarrow Y$ - двунаправленная (обратная связь, feedback);
• связи нет - ни в одну сторону $H_0$ не отвергается.

Двусторонняя картина - частый и важный результат: например, цены и объёмы торгов нередко причиняют друг друга. Когда переменных больше двух, причинность проверяют внутри векторной авторегрессии (VAR), где тест Грейнджера становится проверкой блока коэффициентов в системе уравнений. В многомерном случае важно помнить: значимость $X \to Y$ при контроле прочих переменных модели и без контроля может различаться, поэтому состав VAR влияет на вывод так же, как и число лагов.

Где тест обманывает

Главная ловушка - общая скрытая причина. Если третий фактор $Z$ влияет и на $X$, и на $Y$ с разными задержками, тест может показать «причинность» $X \to Y$, которой на деле нет: оба ряда просто отражают $Z$. Грейнджер-причинность не отличает прямую связь от опосредованной общим драйвером, если этот драйвер не включён в модель.

Рассчитать для своей задачи

Вторая проблема - частота данных. Если истинное воздействие происходит быстрее, чем шаг измерения (внутри одного периода), тест его не увидит или перепутает направление. Третья - нестационарность, замаскированная под слабый тренд: она раздувает F и даёт ложные срабатывания. Поэтому вывод теста корректно формулировать осторожно: «по Грейнджеру», «в смысле предсказуемости», с указанием числа лагов и проверки стационарности.

Частые ошибки

• Путают с настоящей причинностью. Грейнджер-причинность - про улучшение прогноза, а не про механизм. Формулируйте вывод как «помогает предсказывать», а не «вызывает».
• Применяют к нестационарным рядам. Без проверки на единичный корень и приведения к стационарности тест даёт ложную причинность из-за общего тренда.
• Берут произвольное число лагов. $p$ должно подбираться по AIC или BIC, а не «на глаз»; результат зависит от него и его обязательно указывают.
• Проверяют только одну сторону. Без обратного теста легко пропустить обратную связь $X \leftrightarrow Y$ и сделать однобокий вывод.
• Игнорируют скрытую общую причину. Значимый тест между двумя рядами может объясняться третьим фактором, не включённым в модель.

FAQ

Чем причинность по Грейнджеру отличается от обычной причинности? Обычная причинность - про механизм воздействия. Грейнджер-причинность - про предсказуемость: прошлое $X$ статистически улучшает прогноз $Y$. Это необходимое, но не достаточное условие настоящей причины: тест может сработать и при общей скрытой причине, и наоборот - пропустить мгновенное воздействие.

Какие данные нужны для теста? Два стационарных временных ряда одинаковой длины с регулярным шагом и достаточным числом наблюдений (на практике хотя бы несколько десятков, чтобы хватило степеней свободы при выбранных лагах). Нестационарные ряды предварительно приводят к стационарности разностями или строят VECM при коинтеграции.

Что делать, если ряды нестационарны? Сначала тест Дики - Фуллера на единичный корень. Если ряды интегрированы одного порядка и коинтегрированы - тест на причинность строят на модели коррекции ошибок (VECM). Если просто нестационарны без коинтеграции - берут первые разности и работают с ними.

Коротко

Тест Грейнджера проверяет не настоящую причину, а улучшает ли прошлое одного ряда прогноз другого. Технически это F-тест между регрессией $Y$ на собственные лаги и регрессией $Y$ на собственные лаги плюс лаги $X$: значимая совместная значимость лагов $X$ ($p\text{-value} < \alpha$) означает причинность по Грейнджеру. Обязательны стационарность рядов, обоснованный выбор числа лагов и проверка в обе стороны, а вывод формулируют осторожно - в смысле предсказуемости, помня про риск общей скрытой причины.