AI 詞彙表
人工智能完整詞典
格兰杰因果检验
由克莱夫·格兰杰开发的统计检验，用于确定一个时间序列是否包含对另一个未来时间序列的预测信息。该检验基于以下假设：了解变量X的过去值能够比仅使用Y的过去值更好地预测变量Y的未来值。
线性预测
一种预测方法，使用一个或多个变量的过去值的线性组合来估计未来值。经典格兰杰检验依赖于线性预测模型来评估时间序列之间的因果关系。
时间滞后
原因与其效应之间的时间延迟，用预测因果模型中未来值所使用的过去期数表示。滞后期的适当选择对格兰杰检验的有效性至关重要，可以通过AIC或BIC等信息准则来确定。
格兰杰F检验
格兰杰检验的特定版本，使用F统计量比较两个回归模型：一个受限模型（不含假设的因果变量）和一个非受限模型（包含该变量）。检验受限模型中因果变量系数为零的假设，与非受限完整模型中系数非零的备择假设相对。
单整
时间序列的单整阶数，记为I(d)，表示该序列需要差分多少次才能变得平稳。了解单整阶数对于正确应用格兰杰检验和避免伪回归至关重要。
多元因果检验
格兰杰检验在多变量情况下的扩展，使用VAR（向量自回归）模型分析复杂系统中的因果关系。该方法可以控制其他变量的影响，识别直接的因果关系。
瞬时格兰杰检验
一种因果检验，检验两个变量在同一时期的同步变化是否具有统计显著性，与经典格兰杰检验关注时间滞后不同。该检验对于高频数据尤为重要，因为瞬时效应可能很显著。
赤池信息准则（AIC）
一种用于选择格兰杰检验模型中最优滞后阶数的统计指标，平衡模型的拟合优度和复杂度。AIC对复杂度的惩罚比BIC更轻，倾向于选择参数更多的模型。
贝叶斯信息准则 (BIC)
用于确定格兰杰检验中最优滞后阶数的模型选择准则，相比AIC更强调简约性。BIC对额外参数施加更严厉的惩罚，从而降低因果模型中的过度拟合风险。
VAR模型（向量自回归模型）
一种计量经济学模型，其中每个变量都对自身的滞后值以及系统中其他变量的滞后值进行回归，是多元格兰杰因果检验的基础。VAR模型能够捕捉多个时间序列之间的动态相互依赖关系。
脉冲响应
格兰杰检验的补充分析方法，用于追踪VAR模型中特定变量受到冲击后各变量随时间的演变过程。该技术可量化格兰杰检验所识别因果效应的幅度和持续时间。
方差分解
一种统计方法，用于确定某变量预测误差方差中可归因于自身冲击和其他变量冲击的比例。该分析量化了格兰杰因果关系在解释变量变动中的相对重要性。
非线性检验
格兰杰检验向时间序列之间非线性关系的扩展，使用神经网络或区制转换模型等方法。这些检验能够发现经典线性检验可能遗漏的因果关系。
条件因果性
一种格兰杰检验，通过控制一组控制变量来评估两个变量之间的因果关系，从而分离出直接的因果效应。该方法有助于区分直接因果与通过其他变量中介的间接因果。
非线性格兰杰检验
格兰杰检验的变体，旨在检测时间序列之间的非线性预测关系，使用门限模型或核方法等技术。当经济关系呈现不对称性或区制变化时，该检验尤为有用。