非线性Granger因果关系发现的可解释稀疏神经网络模型
1、然而，加性模型可能会忽略预测因子之间重要的非线性相互作用，因此也可能无法检测到重要的Granger因果关系。为了解决这些挑战，我们提出了一个框架，以解释非线性格兰杰因果关系发现使用正则化神经网络。
2、说明残差平方和曲线拟合。比如：如果A是B的granger原因，说明A的变化是B变化的原因之一。我们可以解释，A对B的影响在一定程度上是积极的。
3、RNN递归神经网络引入不同类型的神经元——递归神经元。这种类型的第一个网络被称为约旦网络(Jordan Network)，在网络中每个隐含神经元会收到它自己的在固定延迟(一次或多次迭代)后的输出。除此之外，它与普通的模糊神经网络非常相似。
4、本文对线性格兰杰因果关系理论做了一个简单回顾，介绍了向量自回归模型(VAR)和含误差纠正项的自回归模型(ECM-VAR)两种检验方法。
什么是格兰杰原因
已经综合考虑Y的滞后值；如果影响不显著，那么称X不是Y的“Granger原因”（Granger cause），如果影响显著，那么称X是Y的“Granger原因”。
格兰杰因果关系检验对于滞后期长度的选择有时很敏感。其原因可能是被检验变量的平稳性的影响，或是样本容量的长度的影响。不同的滞后期可能会得到完全不同 的检验结果。
说明残差平方和曲线拟合。比如：如果A是B的granger原因，说明A的变化是B变化的原因之一。我们可以解释，A对B的影响在一定程度上是积极的。
如果A是B的granger原因，说明A的变化是B变化的原因之一。我们可以解释，A对B的影响在一定程度上是积极的。这并不意味着A随着B的变化而变化，因为我们所有的格兰杰因果专业化都是基于大量的统计数据。
①格兰杰因果关系检验只适用于时间序列数据，他的哲学思想是原因一定早先于结果发生；②检验结果对变量滞后期长度非常敏感，滞后期长度不同，结果可能截然相反。
格兰杰学术观的一个突出特征是，一贯注重理论的现实实用性。他一贯认为和倡导经济学应该像物理学那样，重视解决实际经济问题。
怎么样用excel进行Granger因果检验?
如果y5%，即F检验没有通过，即拒绝“A does not Granger cause B”，也就是说A是B的格兰杰因。如果y5%，即F检验通过了，就接受“A does not Granger cause B”，也就是说，A不是B的格兰杰因。
第二步：选菜单view，点选最后一项granger causalty test...得弹出窗，输入阶数，一般2或3即可，点OK，得结果。
列联表可以检验变量之间的因果关系。列联表检验是对列联表中两分类变量是否独立的检验，也是假设检验的一个重要内容，称为列联表分析或列联表检验。在统计实践中，人们经常需要对样本资料进行各种各样的分类，以便分析研究。
协整检验针对的是多个序列，以group的形式打开，在group窗口左上角依次view-cointegeation test，设定参数，点击确定。GRANGER因果检验与协整检验操作类似，依次view-Granger Causality Test，设定滞后阶数点击确定。
第一行，检验原假设：LNW不是引起LNCONS的原因 检验的F值为92071 临界值p为0.26021 0.260205，这说明了在5%的置信水平下检验的原假设是以比较大的概率发生的，所以可以认为接受原假设 以下解释类似。
是granger检验，不过检验的观察值太少了。
granger因果检验和回归
格兰杰因果检验，即经济学家开拓的一种试图分析变量之间的格兰杰因果关系的办法。该检验方法为2003年诺贝尔经济学奖得主克莱夫·格兰杰所开创，用于分析经济变量之间的格兰杰因果关系。
A如果granger cause B 的话，B 是因变量，A是自变量。A应该很显著。如果不显著，你看看是不是什么地方有错误。或者，你的模型里有一些其他变量，干扰了结果。granger causality已经不像以前那么流行了。
可以看出，我们所使用的Granger因果检验与其最初的定义已经偏离甚远，削减了很多条件（并且由回归分析方法和F检验的使用我们可以知道还增强了若干 条件），这很可能会导致虚假的格兰杰因果关系。
格兰杰因果检验操作案例
1、第二步：选菜单view，点选最后一项granger causalty test...得弹出窗，输入阶数，一般2或3即可，点OK，得结果。
2、最后一种方法已经接近我们最常用的格兰杰因果检验方法，统计上通常用残差平方和来表示预测误差，于是常常用X和Y建立回归方程，通过假设检验的方法（F检验）检验Y的系数是否为零。
3、如果y5%，即F检验没有通过，即拒绝“A does not Granger cause B”，也就是说A是B的格兰杰因。如果y5%，即F检验通过了，就接受“A does not Granger cause B”，也就是说，A不是B的格兰杰因。
4、从检验结果可以看出残差序列是平稳的，因此x和y之间存在协整关系。
5、协整检验，将同阶单整的变量group打开，quick-estimateequation，输入被解释变量，c，解释变量，确定，再点proc-makeresidualseries，出来残差序列，按ADF方法检验平稳性。
时间序列分析中,ADF检验,协整检验,granger检验的问题
非平稳序列很可能出现伪回归，协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归，即检验变量之间是否存在稳定的关系。所以，非平稳序列的因果关系检验就是协整检验。
adf检验就是单位根检验。指检验序列中是否存在单位根，因为存在单位根就是非平稳时间序列了。单位根就是指单位根过程，可以证明，序列中存在单位根过程就不平稳，会使回归分析中存在伪回归。
可见，在各水平上x都是平稳的。因此，可以把原序列x看做一阶单整。
进行假设检验，检验自回归模型中残差序列是否存在单位根。通过以上步骤，可以得到 ADF 检验的结果并对时间序列是否具有单位根进行检验。
ADF检验的局限性 虽然ADF检验是一种常用的时间序列分析工具，但它也有其局限性。首先，ADF检验只能用于检验一阶差分后的序列是否平稳。
消费就越高，这看上去两者存在长期的关系。协整检验常用的方法是Engle-Granger两步法和Johansen协整检验 Engle-Granger两步法步骤：（1）首先对变量进行平稳性检验。
