Nhân quả trong kinh tế lượng vi mô so với quan hệ nhân quả trong kinh tế lượng chuỗi thời gian


13

Tôi hiểu tính nhân quả như được sử dụng trong kinh tế vi mô (đặc biệt là IV hoặc thiết kế gián đoạn hồi quy) và cả nhân quả Granger như được sử dụng trong kinh tế lượng theo chuỗi thời gian. Làm thế nào để tôi liên hệ cái này với cái khác? Ví dụ, tôi đã thấy cả hai cách tiếp cận đang được sử dụng cho dữ liệu bảng (giả sử , ). Bất kỳ tài liệu tham khảo cho các giấy tờ về vấn đề này sẽ được đánh giá cao.T = 20N= =30T= =20


Cụ thể đối với dữ liệu bảng điều khiển, có một phần mở rộng của thử nghiệm quan hệ nhân quả Granger (không phải) của Dumitrescu / Hurlin (2012): Thử nghiệm cho Granger Phi nhân quả trong Bảng không đồng nhất, Mô hình kinh tế, 2012, tập. 29, số 4, 1450-1460.
Helix123

Câu trả lời:


16

Giả sử bạn có hai vectơ Sau đó không Granger nguyên nhân nếu , tức là không thể giúp dự báo . Vì vậy, các hạn Granger "nhân quả" được phần nào gây hiểu lầm bởi vì nếu một biến Một là hữu ích trong việc dự báo một biến khác B này không có nghĩa là một thực tế gây ra B . Xem ví dụ như cuộc thảo luận trong Hansen (2014) (trang 319). ZtytE(yt|F1,t-1)=E(yt|F2,

F1,t=(yt,yt1,yt2,...)F2,t=(yt,zt,yt1,zt1,...)
ztyt z t y t ABABE(yt|F1,t1)=E(yt|F2,t1)ztytABAB

Một ví dụ ngu ngốc, vào buổi sáng ngay trước khi mặt trời mọc, gà trống sẽ gáy. Nếu bạn thực hiện bài kiểm tra quan hệ nhân quả Granger trên một loạt gà gáy và mặt trời mọc, bạn sẽ thấy rằng tiếng gáy của gà trống khiến mặt trời mọc. Nhưng sau đó, đây không thực sự là một mối quan hệ nhân quả. Lý do tôi gắn nhãn ví dụ này là "ngu ngốc" được đưa ra trong bình luận gọn gàng của Hao Ye. Ví dụ này rất hữu ích để minh họa tại sao một sự kiện Granger có thể gây ra sự kiện khác nhưng không thực sự gây ra nó theo nghĩa là các nhà vi lượng học hiểu được nguyên nhân.

Nhân quả trong kinh tế lượng vi mô chủ yếu dựa trên khung kết quả tiềm năng của Donald Rubin (xem Angrist, Imbens và Rubin (1996) ). Từ câu hỏi có vẻ như bạn đã đọc Hầu hết các Kinh tế lượng vô hại, vì vậy tôi cho rằng bạn đã quen thuộc với loại tác động nhân quả nào của các phương pháp khác nhau như IV, ước tính khác biệt, so khớp, hoặc hồi quy ước tính. Dù bằng cách nào, không có mối liên hệ trực tiếp giữa các phương pháp vi mô này để ước tính tác động nhân quả và quan hệ nhân quả Granger vì thực tế đơn giản rằng nhân quả Granger không thực sự là nhân quả.

Trong các ứng dụng gần đây về sự khác biệt (DiD), ý tưởng về quan hệ nhân quả Granger được sử dụng để đánh giá liệu có tác dụng dự đoán hay độ trễ của điều trị. Đối với mô hình DiD thông thường mà bạn có thể tìm thấy trong Kinh tế lượng vô hại (chương 5, trang 237): trong đó trong ví dụ này, các chỉ số , và dành cho nhà hàng, tiểu bang và thời gian, trong khi là một hình nộm bằng với một nhà hàng nhóm kiểm soát sau khi điều trị. Cho rằng thay đổi tại các thời điểm khác nhau ở các trạng thái khác nhau, bạn có thể kiểm tra xem có quá khứ không i s t D s t D s t D s t D s t K M Y i s t = γ s + λ t + M m = 0

Yist=γs+λt+βDs,t+Xistπ+ϵist
istDstDstDstvấn đề trong việc dự đoán kết quả trong khi trong tương lai thì không. Ý tưởng là nếu có các hiệu ứng dự đoán, hiệu quả điều trị ước tính trong cài đặt DiD thông thường sẽ ước tính dưới mức tổng hiệu quả. Tương tự như vậy, việc làm mờ dần hiệu quả điều trị theo thời gian có thể rất thú vị. Bạn có thể đánh giá điều này bằng cách bao gồm các đạo trình và độ trễ sẽ thu được các hiệu ứng điều trị dự đoán và độ trễ tương ứng trong mô hình: Một ứng dụng này được cung cấp trong sách giáo khoa của bạn trên các trang sau bằng nghiên cứu của Autor (2003)DstKM
Yist=γs+λt+m=0MβmDs,tm+k=1Kβ+kDs,t+k+Xistπ+ϵist
người đã đánh giá các tác động dự đoán / tụt hậu của việc tăng cường bảo vệ việc làm đối với việc sử dụng lao động tạm thời của các công ty.

Ý tưởng này đưa ra lập luận đưa ra trong câu trả lời của coffeinjunky. Khi chúng ta có thể xác định một cách đáng tin cậy rằng có một hiệu ứng nhân quả, chúng ta có thể sử dụng ý tưởng về nhân quả Granger để khám phá thêm về hiệu ứng như Autor (2003). Nó không thể được sử dụng để chứng minh điều đó mặc dù.


2
Tôi phải không đồng ý với cách giải thích này về Granger Causality, vì nó có vẻ hẹp và hoàn toàn không phải là những gì Granger có trong tâm trí. Trong (Granger 1980), ông lưu ý rằng biến nhân quả được giả thuyết phải có thông tin duy nhất về biến phụ thuộc. Trong ví dụ của bạn, mặt trời mọc có thể được dự đoán mà không có dữ liệu gà trống, và vì vậy gà trống không có thông tin duy nhất và do đó không phải là nguyên nhân. Ở đây, tôi thấy IV là một cách để giải quyết cách cô lập thông tin duy nhất trong biến nhân quả được đưa ra giả thuyết.
Hao Ye

@Andy: Cảm ơn bạn đã giải thích tuyệt vời (và tài liệu tham khảo tuyệt vời). Tôi sẽ đợi câu trả lời khác trước khi đánh dấu câu trả lời của bạn là được chấp nhận.
dùng227710

1
@HaoYe cảm ơn bình luận của bạn. Chắc chắn có một số công đức trong quan hệ nhân quả Granger và ví dụ được gọi một cách có chủ đích là "ngu ngốc". Nó quá đơn giản vì mục đích đưa ra quan điểm nhưng tôi chắc chắn có những ví dụ tốt hơn cho các trường hợp có quan hệ nhân quả Granger mà không có mối quan hệ nhân quả cấu trúc. @ user227710: Tôi tìm thấy một ứng dụng của nhân quả Granger trong tài liệu về hiệu ứng điều trị. Tôi cập nhật câu trả lời cho phù hợp.
Andy

Cho T = 20, tôi nghĩ sẽ bỏ qua sai lệch biến vì bỏ qua thông tin dài hạn (thuật ngữ sửa lỗi) nếu chuỗi được hợp nhất. Như trong ví dụ của bạn, nếu điều trị thay đổi ở các trạng thái khác nhau và thời gian khác nhau và nếu điều trị này kết hợp với kết quả, thì rõ ràng mô hình động của bạn bị sai lệch biến thiên. Câu hỏi là liệu điều trị, vì nó là một biến giả, có thể được coi là I (1). Ngoài ra, bạn coi việc điều trị như một biến ngoại sinh trong các eqns dài hạn và ngắn hạn và có được hiệu quả nhân quả (dài hạn và ngắn hạn)
Số liệu

6
Được rồi, nhưng điều đó giống như nói rằng OLS phù hợp với suy luận nguyên nhân nếu chúng ta có dữ liệu đúng, tức là không có nội sinh. Với dữ liệu lý tưởng như bạn mô tả, GNC hoạt động hoàn toàn tốt cho mục đích này. Vấn đề là chúng ta hiếm khi có loại dữ liệu lý tưởng này, đó là lý do tại sao những phương pháp vi lượng hóa cho suy luận nguyên nhân được phát triển ngay từ đầu. Định nghĩa của GNC ở đây là định nghĩa sách giáo khoa tiêu chuẩn và tôi đang nói về nó như một phương pháp để suy luận nguyên nhân với các giả định tối thiểu về dữ liệu.
Andy

2

Tôi hoàn toàn đồng ý với Andy, và tôi thực sự đã nghĩ đến việc viết một cái gì đó tương tự, nhưng sau đó tôi bắt đầu tự hỏi về chủ đề này. Tôi nghĩ rằng tất cả chúng ta đều đồng ý rằng bản thân nhân quả Granger thực sự không liên quan nhiều đến nhân quả như được hiểu trong khuôn khổ kết quả tiềm năng, đơn giản là vì nhân quả Granger thiên về thời gian hơn bất kỳ điều gì khác. Tuy nhiên, giả sử có một mối quan hệ nhân quả giữa vàXtYttheo nghĩa là cái trước gây ra cái sau và giả sử rằng điều này xảy ra dọc theo chiều thời gian với độ trễ của một khoảng thời gian, nói. Đó là, chúng ta có thể dễ dàng áp dụng khung kết quả tiềm năng cho hai chuỗi thời gian và xác định quan hệ nhân quả theo cách này. Vấn đề sau đó trở thành: trong khi quan hệ nhân quả Granger không có "ý nghĩa" đối với quan hệ nhân quả như được định nghĩa trong khung kết quả tiềm năng, thì nhân quả có ngụ ý nhân quả Granger trong bối cảnh chuỗi thời gian không?

Tôi chưa bao giờ thấy một cuộc thảo luận về điều này, nhưng tôi nghĩ rằng nếu bạn hoặc bất kỳ nhà nghiên cứu nào muốn đưa ra một trường hợp cho điều này, bạn cần áp đặt một số cấu trúc bổ sung. Rõ ràng, các biến cần phải phản ứng chậm chạp, tức là mối quan hệ nhân quả ở đây không được đồng thời mà được xác định với độ trễ. Sau đó, tôi nghĩ, có thể yên tâm khi không từ chối nhân quả Granger. Mặc dù điều này rõ ràng không có bằng chứng ủng hộ mối quan hệ nhân quả, nhưng nếu bạn muốn tuyên bố như vậy, thì tôi sẽ lấy xét nghiệm GNC làm bằng chứng chủ quan.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.