Causalidade de Granger

O que o bloco faz

Testa se a série (ou as séries) da CAUSA ajuda a prever as demais do VAR, além do que as próprias demais já dizem sobre si. A hipótese nula é que a causa NÃO Granger-causa o resto.

Isto é PRECEDÊNCIA PREDITIVA: se o passado de X melhora a previsão de Y, X vem antes de Y e carrega informação útil. Não é causalidade estrutural. Uma precedência pode vir de uma terceira variável, de expectativas ou de um atraso de medição; rejeitar não prova que X produz Y.

Escolha o método pelo tipo de série:

• Wald (padrão): o F do próprio VAR. Pede séries ESTACIONÁRIAS. Com raiz unitária, o F não tem a distribuição nominal e o p-valor engana.
• Toda-Yamamoto: serve a séries em NÍVEL, integradas ou cointegradas. Reajusta o VAR com defasagens extras (a maior ordem de integração) e testa só as primeiras p. É o método seguro quando não se sabe se as séries são estacionárias.

O VECM não entra aqui: o bloco recebe o VAR em nível (series/var).

Antes de continuar

Termos que esta página usa, em poucas palavras. As definições completas estão no glossário.

Hipótese nula

A afirmação que o teste põe à prova, em geral a de que não há efeito ou diferença (médias iguais, ausência de tendência). O teste mede o quanto os dados são incompatíveis com ela; não rejeitá-la não prova que ela é verdadeira.

p-valor

A probabilidade de obter um resultado tão extremo quanto o observado, ou mais, se a hipótese nula fosse verdadeira. p-valor pequeno indica dados pouco compatíveis com a hipótese nula; ele não é a probabilidade de a hipótese nula ser verdadeira nem mede o tamanho do efeito.

Resíduo

A diferença entre o valor observado e o valor que o modelo ajustado prevê para aquela observação. É nos resíduos que se conferem os pressupostos do modelo: eles devem parecer ruído, sem padrão.

Nível

Cada valor que um fator assume no estudo: as doses 0, 50 e 100 kg/ha são três níveis do fator dose.

Estacionariedade

Uma série é estacionária quando média, variância e autocorrelação não mudam ao longo do tempo. Muitos modelos (como o ARIMA) a supõem; séries com tendência costumam ser diferenciadas até ficarem estacionárias.

Pressupostos

• Pelo método Wald, as séries são estacionárias: com raiz unitária o F não segue a distribuição nominal. Pelo Toda-Yamamoto, basta que a ordem de integração esteja bem estimada.

  Verificar:ADFKPSS

  Se falhar: use metodo = toda_yamamoto, que serve a séries em nível e integradas

• Os resíduos do VAR são ruído branco: a precedência só se lê se a dinâmica está bem capturada.

  Verificar:Portmanteau multivariado

  Se falhar: aumente as defasagens (series/var_select)

Parâmetros

• Causa — uma ou mais séries, separadas por vírgula. A hipótese testada é que elas não Granger-causam as DEMAIS séries do VAR, em conjunto.
• Método — Wald (séries estacionárias) ou Toda-Yamamoto (nível, integradas ou cointegradas).

Valor

Um teste (data/test) com H0 “causa não Granger-causa resto”, a estatística (F para Wald, qui-quadrado para Toda-Yamamoto) e o p-valor.

Exemplos

tr_flow(reg) |>
  tr_add("dax", "series/example", dataset = "EuStockMarkets$DAX") |>
  tr_add("cac", "series/example", dataset = "EuStockMarkets$CAC") |>
  tr_add("j", "series/join", nomes = "dax, cac", from = c("dax", "cac")) |>
  tr_add("v", "series/var", defasagens = 2L, from = "j") |>
  tr_add("g", "series/granger", causa = "dax", metodo = "toda_yamamoto", from = c(ajuste = "v"))