Misalkan saya sedang mempertimbangkan beberapa variabel independen untuk kemungkinan inklusi dalam model ARIMAX yang saya kembangkan. Sebelum memasang variabel yang berbeda, saya ingin menyaring variabel yang menunjukkan kausalitas terbalik dengan menggunakan tes Granger (saya menggunakan granger.test
fungsi dari MSBVAR
paket dalam R, meskipun, saya percaya penindasan lain bekerja dengan cara yang sama). Bagaimana cara menentukan berapa banyak keterlambatan yang harus diuji?
Fungsi R adalah:, di granger.test(y, p)
mana y
ada bingkai data atau matriks, dan p
merupakan kelambatan.
Hipotesis nol bahwa masa lalu nilai-nilai tidak membantu dalam memprediksi nilai .X Y
Apakah ada alasan untuk tidak memilih kelambatan yang sangat tinggi di sini (selain hilangnya pengamatan)?
Perhatikan bahwa saya telah membedakan setiap deret waktu dalam kerangka data saya, berdasarkan urutan integrasi deret waktu bergantung saya. (Misalnya, membedakan deret waktu dependen saya membuatnya stasioner. Oleh karena itu, saya juga membedakan deret waktu "independen" satu kali.)
sumber
Jawaban:
Kausalitas Granger harus selalu diuji dalam konteks beberapa model. Dalam kasus spesifik
granger.test
fungsi dalam R, model memiliki nilai p lalu dari masing-masing dua variabel dalam uji bivariat. Jadi model yang digunakannya adalah:granger.test
Hanya kata tambahan - karena uji Granger bergantung pada model, bias variabel yang dihilangkan mungkin menjadi masalah bagi kausalitas Granger. Anda mungkin ingin memasukkan semua variabel dalam model Anda, dan kemudian gunakan kausalitas Granger untuk mengecualikan blok mereka daripada menggunakan
granger.test
fungsi yang hanya melakukan tes berpasangan.sumber