AI 词汇表
人工智能完整词典
滞后变量
时间序列中先前时期观测到的数值，在格兰杰因果模型中被用作解释变量。最优滞后数量至关重要，通常通过AIC或BIC等信息准则确定。
向量自回归
一种计量经济学模型，其中每个变量都由其自身过去值以及系统中其他变量的过去值来解释。VAR模型构成了多个时间序列之间格兰杰因果关系分析的参考框架。
恩格尔-格兰杰检验
检验两个时间序列之间协整关系的两步程序，首先估计长期关系，然后检验残差的平稳性。该检验对于确定变量之间是否存在长期因果关系至关重要。
脉冲响应函数
表示一个变量的冲击对VAR系统中所有变量未来演变影响的图形表示。脉冲响应函数可用于分析因果关系随时间的走向和强度。
方差分解
分析确定一个变量预测误差方差中由自身冲击和其他变量冲击解释的比例。该技术量化了变量之间因果关系的相对重要性。
赤池信息准则
用于选择VAR模型或格兰杰因果检验中最优滞后数量的统计指标。AIC平衡了模型拟合度与简洁性，对添加不必要变量进行惩罚。
贝叶斯信息准则
与AIC类似的模型选择准则，但对复杂性惩罚更严格，倾向于选择更简洁的模型。BIC在大样本中特别有用，可避免过拟合。
双变量因果检验
仅涉及两个时间序列的格兰杰因果关系分析，其中每个变量都对其自身滞后项和另一个变量的滞后项进行回归。如果存在影响因果关系的遗漏变量，该检验可能出现偏差。
Toda-Yamamoto检验
对时间序列积分阶数稳健的因果关系检验程序，避免了平稳性或协整预检验的必要性。该方法使用一个增广VAR模型，包含序列的最大积分阶数加上一个额外的滞后项。
误差修正模型
针对协整序列的VAR模型扩展，包含一个误差修正项来表示向长期均衡的调整。VECM允许区分协整变量之间的短期因果关系和长期因果关系。
非因果关系假设
格兰杰因果关系检验中的零假设，规定变量X的过去值对变量Y的预测不增加任何显著的信息。拒绝该假设表明存在从X到Y的因果关系。
一阶差分回归
在应用因果关系检验之前，将非平稳时间序列转换为一阶差分以获得平稳性。这种方法消除了确定性趋势，但可能丢失变量间长期关系的信息。
瞬时因果关系检验
检验一个变量的同期变化是否与另一个变量的变化相关，超出滞后效应。瞬时因果关系表明变量关系中存在变量遗漏或同时性。