连老师, 请问您的pvar2因果检验思想是否与 Hurlin(2012) 的一致呢?
*-1.3.6 Granger 因果检验
pvar2 kstock invest mvalue, lag(3) granger
=============================
Granger Causality tests
=============================
Granger causality Wald tests for Panel VAR
+------------------------------------------------------------------+
| Equation Excluded | chi2 df Prob > chi2 |
|--------------------------------------+---------------------------|
| h_kstock h_invest | 52.221 3 0.000 |
| h_kstock h_mvalue | 9.0752 3 0.028 |
| h_kstock ALL | 118.88 6 0.000 |
|--------------------------------------+---------------------------|
| h_invest h_kstock | 15.613 3 0.001 |
| h_invest h_mvalue | 12.366 3 0.006 |
| h_invest ALL | 18.998 6 0.004 |
|--------------------------------------+---------------------------|
| h_mvalue h_kstock | 15.08 3 0.002 |
| h_mvalue h_invest | 2.7232 3 0.436 |
| h_mvalue ALL | 25.034 6 0.000 |
+------------------------------------------------------------------+
*-检验过程解析: invest 是否为 kstock 的 Granger 因?
local Eq "h_kstock" // 方程名称
local v "h_invest"
test [`Eq']L.`v' = [`Eq']L2.`v' = [`Eq']L3.`v' = 0
==============================================================
上面是连老师在之前的帖子中对pvar2程序中对面板数据granger因果检验的程序原理说明。我有以下两个问题。
1、在stata中test命令对面板数据和时间序列数据处理的过程是否是一样的,因为在对时间序列的test中,F检验量的公式是
其中RSS2为受限制条件(e.g. 原假设H0:β1=β2=β3)下,原方程ols估计的残差平方和,RSS1为无约束条件下的ols估计的残差平方和,K为自由度,N为样本容量。在连老师的解释中,用test [#]#=0语句等价于用了gcause,这点我也表示赞同(在vargranger的help里example中有介绍用test代替vargranger)。但是如果是这样,时间序列的test易理解,是一个序列的f统计量,或者如果输出结果是chi2的话就是F*K(http://www.stata.com/support/faqs/statistics/chi-squared-and-f-distributions)。但是面板数据的test [#]#=0的内在运算机制是什么呢?如果返回的是F,那么这个F值是不是等于面板数据中所有时间序列的F的平均值,返回的是chi2,那么这个chi2是所有序列的F平均值*K么?如果不是的话,那么连老师在pvar2程序中对granger检验的原理就与Christophe Hurlin 和 Baptiste Venet(2001、2003、2004)论文中说的有出入了。
2、假设stata针对面板数据的test [#]#=0运作机制符合Christophe Hurlin 和 Baptiste Venet(2001、2003、2004)论文中说的面板数据granger检验方法中的W统计值的方法一致,那么开头列出的stata产生的chi2只在T和N都趋向于无穷的时候才服从自由度为K的卡方分布,而实际工作中不可能有样本做到。在当T和N为固定值时,Christophe和Baptiste在论文中构造了一个W统计量(W=chi2/N)的渐进标准统计量Z~(Z~在满足一定条件时,即便T为固定值,也满足标准正态分布,但是对N要趋向于正无穷这一条件仍旧存在)
但是Z~在N,T都固定的情况下并不服从标准正态分布,这里Chris和Bap给出了两种方法计算Z~的分布,一是用Monte Carlo模拟,计算出真实的临界值;二是运用进标准统计量Z~计算给定N的相应的渐进临界值。
啰嗦了这么多,我的问题其实就是,如果2、开头的假设成立,那么在pvar2 #,lag(#) granger命令后产生的结果只有一个chi2值是否不够有说服力呢,毕竟现实中经常会碰到小型的面板数据(N小或者T小),如果加上chi2的标准统计量Z和渐进标准统计量Z~是否更好?(当然Z~的分布需要蒙特卡罗模拟产生)
其实最困扰我的是第一个问题,stata对面板数据回归后的test命令的内在统计量的运算机制是什么,是所有时间序列的统计量的平均值么?
(只是之前(﹃) 问过的问题, 无人解答, 所以请教连老师:)