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,tF2,t=(yt,yt−1,yt−2,...)=(yt,zt,yt−1,zt−1,...)
ztyt z t y t ABABE(yt|F1,t−1)=E(yt|F2,t−1)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+X′istπ+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)DstKMYist=γs+λt+∑m=0Mβ−mDs,t−m+∑k=1Kβ+kDs,t+k+X′istπ+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.