Granger因果性

同義語:グレンジャー因果性Granger因果Granger causality

概要

Granger因果性(Granger causality)とは、時系列 $y$ の将来の最良線形予測が、$y$ 自身の過去に時系列 $x$ の過去を加えると真に改善されるとき「$x$ は $y$ を Granger 因果する」という、予測可能性による関係である。安定なベクトル自己回帰モデルで誤差の共分散行列が正定値なら、因果しないことは $x$ のラグの係数がすべて $0$ であること、インパルス応答の対応する区画が $0$ であることと同値で、1 期先で因果しなければ何期先でも因果しない。予測の改善を表すだけで、介入の効果としての因果とは別であり、共通の原因や情報集合の選び方で現れも消えもする。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: 定常過程, ARMAモデル, Hilbert空間の射影定理

2 つの時系列 $x$ と $y$ があるとき、$y$ の将来を予測するのに $y$ 自身の過去だけを使う場合と、$x$ の過去も加えて使う場合とを比べることができる。$x$ の過去を加えると予測の平均 2 乗誤差が真に小さくなるなら、$x$ は $y$ を Granger 因果する という。経済学の時系列分析で、たとえば金融政策の指標が生産の予測に役立つか、のような問いを統計的に扱うのに使われる。定義は Gra69 による。
これは予測の改善についての概念であり、介入したときの効果を表す 因果推論 の因果とは別のものである(下の反例の表を参照)。この記事では、線形予測による定義、ベクトル自己回帰(VAR)モデルでの係数による特徴づけと完全な証明、予測の改善の大きさを測る量、検定の手順、成り立たない場合の例を扱う。単位根をもつ系列の扱いは 単位根検定、長期の均衡関係は 共和分 で扱い、ここでは Granger 因果性との関わりだけを述べる。記法は ARMAモデル にそろえ、$B$ を時刻を 1 つ戻す作用素とする。

定義

以下、確率変数はすべて平均 $0$ で 2 乗可積分とし、内積 $\langle U,V\rangle=E[UV]$ の Hilbert空間 $L^2$ の中で考える。$z_t=(y_t^{\mathsf T},x_t^{\mathsf T})^{\mathsf T}$($y_t\in\mathbb R^k$、$x_t\in\mathbb R^m$、$t\in\mathbb Z$)を弱定常過程とし(定常過程 の定義「強定常と弱定常」)、

  • $H_t$:$z_s$($s\le t$)の成分すべてが張る閉部分空間($y$ と $x$ の時刻 $t$ までの線形な過去)
  • $H^y_t$:$y_s$($s\le t$)の成分だけが張る閉部分空間
    とおく。$H^y_t\subset H_t$ である。確率変数のベクトル $V$ と閉部分空間 $H$ について、$P(V\mid H)$ を成分ごとの 直交射影 とする。これは $H$ の元の中で平均 2 乗誤差を最小にする予測である(Hilbert空間の射影定理)。
Granger 因果性

$h\ge1$ を整数とする。すべての $t$ について
$$ P(y_{t+h}\mid H_t)=P(y_{t+h}\mid H^y_t) $$
が成り立つとき、$x$ は $y$ を $h$ 期先で Granger 因果しない という。すべての $h\ge1$ で Granger 因果しないとき、単に Granger 因果しない という。そうでないとき、$x$ は $y$ を Granger 因果する という。$x$ が $y$ を、$y$ が $x$ を互いに Granger 因果するとき、フィードバック があるという。

$P(y_{t+h}\mid H^y_t)$ を $H_t$ へ射影し直しても変わらないので、等式は「$x$ の過去を足しても最良線形予測が変わらない」ことを意味する。予測誤差の共分散行列で言い換えると次のようになる。

予測誤差による言い換え

$e^{\mathrm f}_t:=y_{t+h}-P(y_{t+h}\mid H_t)$、$e^{\mathrm r}_t:=y_{t+h}-P(y_{t+h}\mid H^y_t)$ とおく(f は full、r は restricted)。このとき
$$ \mathrm{Cov}(e^{\mathrm r}_t)=\mathrm{Cov}(e^{\mathrm f}_t)+\mathrm{Cov}(d_t),\qquad d_t:=P(y_{t+h}\mid H_t)-P(y_{t+h}\mid H^y_t) $$
である。したがって $\mathrm{Cov}(e^{\mathrm r}_t)-\mathrm{Cov}(e^{\mathrm f}_t)$ は半正定値で、これが $0$ であることと $x$ が $y$ を $h$ 期先で(時刻 $t$ において)Granger 因果しないこととは同値である。特に、平均 2 乗誤差 $E\lvert e^{\mathrm r}_t\rvert^2$ と $E\lvert e^{\mathrm f}_t\rvert^2$ が等しいことと同値である。

$e^{\mathrm r}_t=e^{\mathrm f}_t+d_t$ である。$d_t$ の成分は $H_t$ に属し、$e^{\mathrm f}_t$ の成分は $H_t$ と直交するので、$E[e^{\mathrm f}_td_t^{\mathsf T}]=0$ である。よって共分散は和に分かれる。$\mathrm{Cov}(d_t)$ は半正定値で、これが $0$ であることは $E\lvert d_t\rvert^2=\operatorname{tr}\mathrm{Cov}(d_t)=0$、すなわち $d_t=0$ と同値である。平均 2 乗誤差は共分散行列の跡なので、最後の主張も同じ式から従う。$\square$

使える条件は次のとおりである。

  • (i) 情報集合を明示する:Granger 因果性は、予測に使う変数の組(ここでは $y$ と $x$)に相対的な概念である。第 3 の変数を加えると結論が変わりうる(ex-gc-horizon、反例の表)。
  • (ii) 線形予測と 2 次の積率:この記事の定義は線形予測と弱定常性による。条件付き分布で定義する版もあり、両者は一般に一致しない(反例の表の 4 行目)。
  • (iii) 予測の改善であって介入の効果ではない:共通の原因が時間差で 2 つの系列に効くと、介入の効果がなくても Granger 因果が現れる(ex-gc-common-cause)。

公式の表

$z_t=\sum_{i=1}^pA_iz_{t-i}+\varepsilon_t$ を下の def-gc-var の VAR($p$) 過程とし、行列を $y$ と $x$ の成分に合わせて
$$ A_i=\begin{pmatrix}A_i^{yy}&A_i^{yx}\\A_i^{xy}&A_i^{xx}\end{pmatrix},\qquad \varepsilon_t=\begin{pmatrix}\varepsilon^y_t\\\varepsilon^x_t\end{pmatrix} $$
と分ける。$\Psi_j$ は $z_t=\sum_{j\ge0}\Psi_j\varepsilon_{t-j}$ の係数である。

量・条件式使える条件根拠
Granger 因果しないこと(係数)$A_i^{yx}=0$($i=1,\dots,p$)安定な VAR、$\Sigma$ が正定値thm-gc-var
Granger 因果しないこと(インパルス応答)$\Psi_j^{yx}=0$($j\ge1$)同上thm-gc-var
1 期先と全期先1 期先で因果しなければ全期先で因果しない同上($z$ が $y$ と $x$ だけからなる)thm-gc-var
1 期先の最良線形予測$\sum_i(A_i^{yy}y_{t+1-i}+A_i^{yx}x_{t+1-i})$、誤差の共分散 $\Sigma_{yy}$同上prf-gc-var
Granger 因果の大きさ$F_{x\to y}=\log\dfrac{\det\Sigma^{\mathrm r}_y}{\det\Sigma_{yy}}\ge0$、等号は因果しないとき同上cor-gc-geweke
検定統計量(1 変数の $y$)$\dfrac{(\mathrm{RSS}_{\mathrm r}-\mathrm{RSS}_{\mathrm u})/(pm)}{\mathrm{RSS}_{\mathrm u}/(T-p-pm-1)}$定常、大標本で近似rem-gc-test

VAR モデルでの特徴づけ

安定な VAR 過程

$A_1,\dots,A_p$ を $(k+m)$ 次の実正方行列、$(\varepsilon_t)$ を $E[\varepsilon_t\varepsilon_t^{\mathsf T}]=\Sigma$、$E[\varepsilon_s\varepsilon_t^{\mathsf T}]=0$($s\ne t$)を満たす平均 $0$ のベクトル値の白色雑音とし、$\Sigma$ は正定値とする。弱定常過程 $z$ が
$$ z_t=\sum_{i=1}^pA_iz_{t-i}+\varepsilon_t\qquad(t\in\mathbb Z) $$
を満たし、$\sum_j\|\Psi_j\|< \infty$ なる行列 $\Psi_j$ によって $z_t=\sum_{j\ge0}\Psi_j\varepsilon_{t-j}$($L^2$ の収束)と書けるとき、$z$ を 安定な VAR($p$) 過程 という。

$\det(I-\sum_iA_i\zeta^i)\ne0$ が $\lvert\zeta\rvert\le1$ で成り立てば、この形の解がただ 1 つある(1 変数の場合は ARMAモデル の定理「定常解の存在と根の位置」で、行列の場合も同じ議論が通る)。$z_t$ を代入して係数を比べると、次の漸化式(以下「係数の漸化式」)を得る。
$$ \Psi_0=I,\qquad \Psi_j=\sum_{i=1}^{\min(j,p)}A_i\Psi_{j-i}\quad(j\ge1) $$
である。$\varepsilon_t=z_t-\sum_iA_iz_{t-i}$ の成分は $H_t$ に属し、$z_s$ は $\varepsilon_r$($r\le s$)の級数なので、$\varepsilon_{t+1}$ の成分は $H_t$ と直交する。

革新による座標

def-gc-var の $z$ について、$E_t$ を $\varepsilon_s$($s\le t$)の成分が張る閉部分空間とすると $H_t=E_t$ である。さらに $H_t$ の各元 $V$ は、2 乗総和可能な $\mathbb R^{k+m}$ のベクトルの列 $(c_s)_{s\le t}$ によって
$$ V=\sum_{s\le t}c_s^{\mathsf T}\varepsilon_s $$
とただ一通りに書け、$c_s=\Sigma^{-1}E[V\varepsilon_s]$ である。特に $V\in H_{t-n}$ なら $s>t-n$ で $c_s=0$ である。

$z_s=\sum_j\Psi_j\varepsilon_{s-j}$ から $H_t\subset E_t$、$\varepsilon_s=z_s-\sum_iA_iz_{s-i}$ から $E_t\subset H_t$ である。$\xi_s:=\Sigma^{-1/2}\varepsilon_s$ の成分は、$s$ と成分の番号をすべて動かすと正規直交系になり、$E_t$ を張る。よって $V\in E_t$ は $V=\sum_{s\le t}b_s^{\mathsf T}\xi_s$($b_s=E[V\xi_s]$、$\sum\lvert b_s\rvert^2=\|V\|^2$)と展開でき、$c_s:=\Sigma^{-1/2}b_s=\Sigma^{-1}E[V\varepsilon_s]$ とおけば求める形になる。一意性:$\sum_sc_s^{\mathsf T}\varepsilon_s=0$ なら、$\varepsilon_r$ との共分散をとって $c_r^{\mathsf T}\Sigma=0$、$\Sigma$ は正則なので $c_r=0$ である。$V\in H_{t-n}$ で $s>t-n$ なら $\varepsilon_s\perp H_{t-n}$ なので $E[V\varepsilon_s]=0$ である。$\square$

VAR モデルの Granger 因果性

$z=(y,x)$ を def-gc-var の安定な VAR($p$) 過程とする。次の 4 つは同値である。

  1. $A_i^{yx}=0$($i=1,\dots,p$)。
  2. $\Psi_j^{yx}=0$($j\ge1$)。
  3. $x$ は $y$ を 1 期先で Granger 因果しない。
  4. $x$ は $y$ を Granger 因果しない(すべての $h\ge1$ で)。
    このとき $y$ の 1 期先の最良線形予測の誤差は $\varepsilon^y_{t+1}$ で、その共分散は $\Sigma$ の $y$ の部分 $\Sigma_{yy}$ である。
右上の区画が 0 の行列は積で閉じる

行列の右上の区画($y$ の行と $x$ の列)が $0$ であることを「下三角型」と呼ぶ。下三角型の行列の和と積は下三角型である。
1 ⇒ 2。 係数の漸化式で $\Psi_0=I$ は下三角型で、$A_i$ がすべて下三角型なら帰納法で $\Psi_j$ もそうである。
2 ⇒ 1。 形式的冪級数 $\Psi(\zeta)=\sum_j\Psi_j\zeta^j$、$A(\zeta)=I-\sum_iA_i\zeta^i$ について、係数の漸化式は $A(\zeta)\Psi(\zeta)=I$ を意味する。定数項が $I$ の形式的冪級数は逆元をもち、左逆元と右逆元は一致するので $A(\zeta)=\Psi(\zeta)^{-1}$ である。逆元の係数 $C_0=I$、$C_j=-\sum_{i=1}^jC_{j-i}\Psi_i$ は帰納法で下三角型になる。よって $A_i=-C_i$ は下三角型である。
1 かつ 2 ⇒ 4。 1 から $\varepsilon^y_t=y_t-\sum_iA_i^{yy}y_{t-i}$ なので、$\varepsilon^y_s$ の成分は $H^y_s$ に属する。2 から $y_t=\sum_{j\ge0}\Psi_j^{yy}\varepsilon^y_{t-j}$ である。$h\ge1$ について
$$ y_{t+h}=\sum_{j=0}^{h-1}\Psi_j^{yy}\varepsilon^y_{t+h-j}+\sum_{j\ge h}\Psi_j^{yy}\varepsilon^y_{t+h-j} $$
と分けると、第 1 項の成分は $H_t$ と直交し、第 2 項の成分は $H^y_t$ に属する(閉部分空間の中の収束級数)。よって第 2 項は $y_{t+h}$ の $H_t$ への射影であり、$H^y_t\subset H_t$ に属するので $H^y_t$ への射影でもある。
4 ⇒ 3 は明らかである。
3 ⇒ 1。 $\varepsilon_{t+1}\perp H_t$ だから
$$ P(y_{t+1}\mid H_t)=\sum_{i=1}^p\bigl(A_i^{yy}y_{t+1-i}+A_i^{yx}x_{t+1-i}\bigr) $$
で、誤差は $\varepsilon^y_{t+1}$ である(定理の最後の主張)。3 を仮定すると、これが $P(y_{t+1}\mid H^y_t)$ に等しい。したがって

  • (a) $w_t:=\sum_iA_i^{yx}x_{t+1-i}$ の成分は $H^y_t$ に属する。
  • (b) すべての $s$ で $\varepsilon^y_s=y_s-P(y_s\mid H^y_{s-1})$ であり、$\varepsilon^y_s$ の成分は $H^y_s$ に属し、$H^y_{s-1}$ と直交する。
    $G_t$ を $\varepsilon^y_s$($s\le t$)の成分が張る閉部分空間とする。$H^y_t=G_t$ を示す。(b) から $G_t\subset H^y_t$ である。また (b) から $H^y_s$ は $H^y_{s-1}$ と $\varepsilon^y_s$ の成分の張る空間との直交和である。$V\in H^y_t$ が $G_t$ と直交するとすると、$V\perp\varepsilon^y_t$ から $V\in H^y_{t-1}$、さらに $V\in H^y_{t-2}$、と続き、すべての $n$ で $V\in H^y_{t-n}\subset H_{t-n}$ となる。lem-gc-innov の係数はすべての $s$ で $0$ になるので $V=0$ である。よって $H^y_t=G_t$ である。
    (a) と合わせると、$w_t$ の各成分は $\sum_{s\le t}d_s^{\mathsf T}\varepsilon^y_s=\sum_{s\le t}(d_s^{\mathsf T},0)\,\varepsilon_s$ の形に書ける。つまり lem-gc-innov の係数の $x$ の部分がすべて $0$ である。一方、$A^{yx}_i$ のどれかが $0$ でないとして、そのような最小の $i$ を $i_0$ とする。$x_{t+1-i}=\sum_j\Psi_j^{x\cdot}\varepsilon_{t+1-i-j}$($\Psi_j^{x\cdot}$ は $\Psi_j$ の $x$ の行、$\Psi_0^{x\cdot}=(0,I_m)$)を代入すると、$w_t$ の $\varepsilon_{t+1-i_0}$ の係数行列に寄与するのは $i=i_0$、$j=0$ の項だけで、それは $A^{yx}_{i_0}(0,I_m)=(0,A^{yx}_{i_0})$ である。係数の一意性から $A^{yx}_{i_0}=0$ となり、矛盾する。よって 1 が成り立つ。$\square$

証明の最後の段で $\Sigma$ が正定値であることを使った。$\Sigma$ が退化すると、係数が $0$ でなくても Granger 因果しないことがある(反例の表の 1 行目)。また 3 ⇒ 4 は、予測の対象 $y$ と加える変数 $x$ だけで $z$ ができている場合の主張である。第 3 の変数を情報集合に入れると、1 期先では因果しないが 2 期先では因果する例がある(ex-gc-horizon)。

因果の大きさ

予測誤差の比による尺度

thm-gc-var の状況で、$\Sigma^{\mathrm r}_y:=\mathrm{Cov}\bigl(y_{t+1}-P(y_{t+1}\mid H^y_t)\bigr)$ とおき
$$ F_{x\to y}:=\log\frac{\det\Sigma^{\mathrm r}_y}{\det\Sigma_{yy}} $$
と定める。$F_{x\to y}\ge0$ であり、$F_{x\to y}=0$ は $x$ が $y$ を Granger 因果しないことと同値である。

$\Sigma_{yy}$ は正定値行列 $\Sigma$ の主小行列なので正定値である。prop-gc-mse と thm-gc-var の最後の主張から $\Sigma^{\mathrm r}_y=\Sigma_{yy}+M$($M=\mathrm{Cov}(d_t)$ は半正定値)である。$N:=\Sigma_{yy}^{-1/2}M\Sigma_{yy}^{-1/2}$ の固有値を $\lambda_l\ge0$ とすると
$$ \frac{\det\Sigma^{\mathrm r}_y}{\det\Sigma_{yy}}=\det(I+N)=\prod_l(1+\lambda_l)\ge1 $$
で、等号はすべての $\lambda_l$ が $0$、すなわち $M=0$ のときに限る。$M=0$ は prop-gc-mse により 1 期先で因果しないことと同値で、thm-gc-var により因果しないことと同値である。$\square$

この尺度は Gew82 による。同時点の相関($\Sigma$ の非対角の区画)だけがある場合は $F_{x\to y}=0$ である(反例の表の 5 行目)。

検定

検定の手順

$y$ が 1 変数($k=1$)の場合を述べる。観測 $z_1,\dots,z_{T+p}$ から、$y_t$ を定数項と $y_{t-1},\dots,y_{t-p}$、$x_{t-1},\dots,x_{t-p}$ に回帰した 最小二乗法 の残差平方和を $\mathrm{RSS}_{\mathrm u}$、$x$ のラグを除いて回帰した残差平方和を $\mathrm{RSS}_{\mathrm r}$ とする(どちらも $T$ 個の式)。帰無仮説 $A_1^{yx}=\dots=A_p^{yx}=0$ を、公式の表の $F$ 統計量で検定する。説明変数に $y$ 自身のラグが入るので、誤差が正規分布でも $F$ 分布はちょうどには成り立たない。実際には、$pm$ 倍した統計量(あるいは同じ係数についての Wald検定 の統計量)を自由度 $pm$ の カイ二乗分布 と比べる大標本の近似として使う。この近似の正当化には最小二乗推定量の漸近分布の理論が要り、この記事では扱わない。

  • 次数 $p$ は情報量規準などで先に決める。$p$ が真の次数より小さいと残差に系列相関が残り、検定の大きさが名目の水準からずれる。
  • 単位根:$z$ が単位根をもつと $z$ は弱定常でなく、上の $\chi^2$ 近似の前提から外れる。単位根をもつ線形時系列モデルでの推測は SSW90 が、和分しているかもしれない過程の VAR での推測は H. Y. Toda と山本拓(TY95)が扱っている。単位根の有無の判定そのものは 単位根検定 を使う。

共和分系での注意

共和分 の定理「誤差修正モデルの解の表現」の 2 変数の誤差修正モデル $\Delta z_t=\alpha\beta^{\mathsf T}z_{t-1}+\varepsilon_t$($\beta=(1,-b)^{\mathsf T}$、$b\ne0$、$\alpha=(\alpha_y,\alpha_x)^{\mathsf T}\ne0$)は、VAR(1) の形 $z_t=(I+\alpha\beta^{\mathsf T})z_{t-1}+\varepsilon_t$ に書ける。その非対角の係数は $A_1^{yx}=-\alpha_yb$、$A_1^{xy}=\alpha_x$ で、$\alpha\ne0$ なのでどちらか一方は $0$ でない。つまり共和分している 2 変数では、少なくとも一方向の係数の制約が満たされない。この系は定常でないので thm-gc-var はそのままは使えず、係数の検定の $\chi^2$ 近似も前提から外れる。差分 $\Delta z$ だけの VAR で検定すると、誤差修正の項 $\alpha\beta^{\mathsf T}z_{t-1}$ を通じた予測の改善を見落とす。

例題

2 変数の VAR(1) での因果の大きさ

$y_t=0.5y_{t-1}+0.4x_{t-1}+\varepsilon^y_t$、$x_t=0.5x_{t-1}+\varepsilon^x_t$、$\Sigma=I_2$ とする。$x$ は $y$ を Granger 因果するか。$y$ は $x$ を Granger 因果するか。$F_{x\to y}$ を求めよ。
使う公式:thm-gc-var、cor-gc-geweke、ARMAモデル の命題「最良線形予測」。
答え:$A_1^{yx}=0.4\ne0$ なので $x$ は $y$ を因果し、$A_1^{xy}=0$ なので $y$ は $x$ を因果しない。$y$ だけによる 1 期先予測の誤差分散は $\sigma^2_{\mathrm r}\approx1.20202$ で、$F_{x\to y}=\log\sigma^2_{\mathrm r}\approx0.184000$ である。

途中の計算を開く

$(1-0.5B)^2y_t=0.4\varepsilon^x_{t-1}+(1-0.5B)\varepsilon^y_t=:v_t$ である。$v$ は MA(1) で、自己共分散は $\gamma_v(0)=0.16+1+0.25=1.41$、$\gamma_v(1)=-0.5$、$\lvert k\rvert\ge2$ で $0$ である。$v_t=\eta_t+\theta\eta_{t-1}$($\lvert\theta\rvert< 1$)と書くと $\theta/(1+\theta^2)=-0.5/1.41$ から $\theta\approx-0.415968$、$\sigma_\eta^2=\gamma_v(1)/\theta\approx1.20202$ である。$(1-0.5B)^2$ は因果的に逆に解けるので $y$ と $v$ の線形な過去は一致し、$\eta_t$ が $y$ だけによる予測の誤差である。

共通の原因

$w,u,e$ を互いに独立な分散 $1$ の白色雑音とし、$x_t=w_{t-1}+u_t$、$y_t=w_{t-2}+e_t$ とする。$y$ を決める式に $x$ は現れないので、$x$ の値を外から変えても $y$ は変わらない。それでも $x$ は $y$ を Granger 因果することを示せ。
使う公式:def-gc-main、prop-gc-mse。
答え:$y_s$ は $s$ ごとに独立なので $P(y_{t+1}\mid H^y_t)=0$、誤差分散は $2$ である。$y_{t+1}=w_{t-1}+e_{t+1}$ と $x_t=w_{t-1}+u_t$ の共分散は $1$ なので、$\frac12x_t\in H_t$ による予測の誤差分散は $2-\frac12=1.5$ である。最良線形予測の誤差分散はこれ以下なので $2$ より小さく、$x$ は $y$ を Granger 因果する。

1 期先では因果せず 2 期先で因果する

$a,b\ne0$ とし、$x_t=e^x_t$、$w_t=bx_{t-1}+e^w_t$、$y_t=aw_{t-1}+e^y_t$($e^x,e^w,e^y$ は互いに独立な分散 $1$ の白色雑音)とする。$(y,w)$ を情報集合に入れたうえで、$x$ を加えたときの $y$ の予測を比べよ。
使う公式:def-gc-main。
答え:1 期先では、$y_{t+1}=aw_t+e^y_{t+1}$ の最良線形予測はどちらの情報集合でも $aw_t$ で、$x$ を加えても変わらない。2 期先では $y_{t+2}=abx_t+ae^w_{t+1}+e^y_{t+2}$ で、$x$ を含む過去による予測は $abx_t$(誤差分散 $a^2+1$)、$(y,w)$ の過去だけによる予測は $0$(誤差分散 $a^2b^2+a^2+1$)である。$x_t$ は $(y,w)$ の時刻 $t$ までの値と無相関(それらは $x_s$、$s\le t-1$ と雑音だけで決まる)だからである。予測の対象は $y$ だけで、加えた変数の組 $(y,w)$ が $y$ と一致しないので、thm-gc-var の 3 ⇒ 4 は使えない。

使える条件と反例

各行は、対応する主張の条件を 1 つだけ外したものである。

外す条件反例成り立たなくなること
thm-gc-var の $\Sigma$ の正定値性$e$ を分散 $1$ の白色雑音、$x_t=0.5x_{t-1}+e_t$、$y_t=x_t$。VAR(1) として $A_1=\begin{pmatrix}0&0.5\\0&0.5\end{pmatrix}$、$\varepsilon_t=(e_t,e_t)^{\mathsf T}$$A_1^{yx}=0.5\ne0$ なのに $x$ は $y$ を Granger 因果しない(3 ⇒ 1 が成り立たない)
thm-gc-var で、$z$ が $y$ と $x$ だけからなることex-gc-horizon(情報集合に $w$ を加える)1 期先で因果しないのに 2 期先で因果する(3 ⇒ 4 が成り立たない)
介入の効果と読むための、共通の原因がないことex-gc-common-cause$x$ を変えても $y$ は変わらないのに、$x$ は $y$ を Granger 因果する
線形予測で定義すること(条件付き分布で定義する版との一致)$x,e$ を独立な標準正規分布の独立同分布の列、$y_t=x_{t-1}e_t$線形の意味では因果しないが、$y_{t+1}$ の条件付き分散 $x_t^2$ は $x$ の過去で決まり、条件付き分布の意味では因果する
def-gc-main で加える $x$ が時刻 $t$ までの過去であること$(y_t,x_t)$ が独立同分布で、平均 $0$、分散 $1$、相関 $\rho$($0< \lvert\rho\rvert< 1$)の 2 次元正規分布に従う$x$ は $y$ を Granger 因果しないのに、同時点の $x_{t+1}$ を加えると $y_{t+1}$ の予測誤差の分散が $1$ から $1-\rho^2$ に下がる
反例の確かめ
確かめを開く

1 行目:$y_t=x_t=0.5x_{t-1}+e_t=0.5y_{t-1}+e_t$ なので、$z_t=A_1z_{t-1}+\varepsilon_t$ が成り立ち、$\det(I-A_1\zeta)=1-0.5\zeta$ は $\lvert\zeta\rvert\le1$ で $0$ にならない。$\Sigma=\begin{pmatrix}1&1\\1&1\end{pmatrix}$ は退化している。$y$ と $x$ の過去は同じなので $H_t=H^y_t$ で、定義の等式は自明に成り立つ。同じ過程を $A_1'=\begin{pmatrix}0.5&0\\0&0.5\end{pmatrix}$ でも表せ、係数は一意に決まらない。

2 行目と 3 行目は例題で確かめた。

4 行目:$s\le t$ について $E[y_{t+1}x_s]=E[e_{t+1}]E[x_tx_s]=0$、$E[y_{t+1}y_s]=E[e_{t+1}]E[x_tx_{s-1}e_s]=0$ なので、$y_{t+1}$ は $H_t$ と直交し、どちらの情報集合でも最良線形予測は $0$ である。一方、過去を与えたときの $y_{t+1}$ の条件付き分布は $N(0,x_t^2)$ で、$y$ の過去だけでは $x_t$ は決まらない($y_s$ は $x_t$ と独立)。

5 行目:$y_{t+1}$ は $z$ の時刻 $t$ までの値と独立なので、どちらの情報集合でも最良線形予測は $0$、誤差の分散は $1$ で、$x$ は $y$ を Granger 因果しない。$y_{t+1}-\rho x_{t+1}$ は $x_{t+1}$ とも $z$ の過去とも直交するので、$x_{t+1}$ を加えた予測は $\rho x_{t+1}$ で、誤差の分散は $1-\rho^2$ である。

よくある誤り

誤り正しくはなぜ
Granger 因果を「$x$ が $y$ を引き起こす」と読む予測が改善することを述べるだけex-gc-common-cause
2 変数で調べた結論を、変数を足しても保たれるとする情報集合に相対的で、変数を足すと現れも消えもするex-gc-horizon、使える条件 (i)
1 期先で因果しなければ、何期先でも因果しないとする予測の対象と加える変数だけで系ができているときに限るthm-gc-var の 3 ⇒ 4、ex-gc-horizon
単位根をもつ系列の水準で、そのまま $F$ 検定・$\chi^2$ 検定をする弱定常でないので $\chi^2$ 近似の前提から外れる。単位根検定 で単位根を確かめてから方法を選ぶrem-gc-test
共和分している系列を差分だけの VAR で検定する誤差修正の項を落とす節「共和分系での注意」
同時点の相関を Granger 因果に数える同時点の相関は $\Sigma$ の非対角に現れ、過去による予測の改善とは別def-gc-main、cor-gc-geweke の後の段落

補足

関連する概念

一般の定義。 条件付き分布の言葉で「$y_{t+1}$ と $x$ の過去が、$y$ の過去を与えたもとで条件付き独立」とする定義もある。正規過程では条件付き期待値が線形予測に一致するので線形の定義と一致するが、一般には一致しない(反例の表の 4 行目)。モデルとの関係。 VAR モデルでの検定はインパルス応答の $\Psi_j^{yx}=0$ と同値であり(thm-gc-var)、$x$ の革新が $y$ に伝わらないことを意味する。介入の効果を推定するには、構造方程式や潜在結果を使う 因果推論 の枠組みが要る。

関連項目

参考文献

[1]
John Geweke, Measurement of Linear Dependence and Feedback between Multiple Time Series, Journal of the American Statistical Association 77 (1982), no. 378, 304–313, 1982
[2]
Hiro Y. Toda; Taku Yamamoto, Statistical inference in vector autoregressions with possibly integrated processes, Journal of Econometrics 66 (1995), no. 1–2, 225–250, 1995
[3]
C. W. J. Granger, Investigating Causal Relations by Econometric Models and Cross-spectral Methods, Econometrica 37 (1969), no. 3, 1969
[4]
Christopher A. Sims; James H. Stock; Mark W. Watson, Inference in Linear Time Series Models with some Unit Roots, Econometrica 58 (1990), no. 1, 1990

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する