미시 경제학의 인과 관계 vs 시계열 경제학의 그레인저 인과 관계

저는 미시 경제학 (특히 IV 또는 회귀 불연속 설계)에서 사용되는 인과 관계와 시계열 계량 경제학에서 사용되는 Granger 인과 관계를 이해합니다. 서로를 어떻게 관련 시키는가? 예를 들어, 패널 데이터에 사용되는 두 가지 접근법 (예 : , ) 을 보았습니다 . 이와 관련하여 논문에 대한 언급은 인정 될 것이다. $N=30$ $T=20$

— 사용자 227710
소스

특히 패널 데이터의 경우 Dumitrescu / Hurlin (2012)의 Granger (비) 인과성 테스트 확장 : 이기종 패널의 Granger 비 인과성 테스트, Economic Modelling, 2012, vol. 29, 이슈 4, 1450-1460.

— Helix123

두 벡터가 말 그런 다음 하지 않습니다 그랜저 원인 경우 , 즉 예측에 도움이되지 수 . 용어 그레인저 "인과 관계가"다소 오해의 소지가되도록 가변 경우 때문에 예측에 유용 다른 변수 이 것을 의미하지는 않습니다 실제로 발생 . 예를 들어 Hansen (2014) 의 논의 (p. 319)를 참조하십시오.

\begin{aligned} F_{1, t} & = (y_{t}, y_{t - 1}, y_{t - 2}, . . .) \\ F_{2, t} & = (y_{t}, z_{t}, y_{t - 1}, z_{t - 1}, . . .) \end{aligned}

$\begin{align} F_{1,t} &= (y_t, y_{t-1}, y_{t-2},...) \newline F_{2,t} &= (y_t, z_t, y_{t-1}, z_{t-1},...) \end{align}$

z_{t}

$z_t$

y_{t}

$y_t$

E (y_{t} | F_{1, t - 1}) = E (y_{t} | F_{2, t - 1})

$E(y_t | F_{1,t-1}) = E(y_t | F_{2,t-1})$

z_{t}

$z_t$

y_{t}

$y_t$

A

$A$

B

$B$

A

$A$

B

$B$

어리석은 예를 들어, 해가 뜨기 직전의 아침에 수탉이 울다. 일련의 수탉 까마귀에 대해 Granger 인과성 테스트를 실행하고 해가 뜨면 수탉의 까마귀가 태양을 상승시킵니다. 그러나 이것이 실제로 인과 관계가 될 수는 없습니다. 이 예를 "멍청한"이라고 표시 한 이유는 Hao Ye의 깔끔한 설명에서 제공됩니다. 이 예제는 이벤트가 Granger가 다른 이벤트를 유발할 수 있지만 실제로는 미시 경제학자가 인과 관계를 이해한다는 의미에서 발생하지 않는 이유를 설명하는 데 유용합니다.

미시 경제학에서의 인과성 은 주로 도널드 루빈 (Donald Rubin)의 잠재적 결과 프레임 워크에 기초하고있다 ( Angerist, Imbens and Rubin (1996) 참조 ). 문제에서 대부분 무해한 계량 경제학을 읽은 것으로 보이므로 IV, 차이의 차이, 일치 또는 회귀 불연속 설계와 같은 다양한 방법이 어떤 인과 적 영향에 익숙한 것으로 가정합니다. 어느 쪽이든, 그랜저 인과 관계가 실제로 인과 관계가 아니라는 단순한 사실 때문에 인과 관계 효과를 추정하는 이러한 미시 경제적 방법과 그레인저 인과 관계 사이에는 직접적인 연관이 없습니다.

Dif (Differential-In-Differences)의 최근 응용에서 Granger 인과 관계라는 아이디어는 치료의 예상 효과 또는 지연 효과가 있는지 평가하는 데 사용됩니다. 대부분 무해한 계량 경제학에서 찾을 수있는 일반적인 DiD 모델 (5 장, 237 페이지) : 예에서 인덱스 , 및 는 식당, 주 및 시간에 대한 것이고 는 처리 후 통제 그룹 식당에 대한 것과 동일한 더미입니다. 가 다른 주에서 서로 다른 시간에 변경 되었다고 가정하면 과거

Y_{i s t} = γ_{s} + λ_{t} + β D_{s, t} + X_{i s t}^{'} π + ϵ_{i s t}

$Y_{ist} = \gamma_s + \lambda_t + \beta D_{s,t} + X'_{ist}\pi + \epsilon_{ist}$

i

$i$

s

$s$

t

$t$

D_{s t}

$D_{st}$

D_{s t}

$D_{st}$

D_{s t}

$D_{st}$ 미래 는 그렇지 않지만 결과를 예측하는 데 중요 합니다. 예상 효과가있는 경우 일반적인 DiD 설정에서 추정 된 치료 효과가 전체 효과를 과소 평가한다는 것입니다. 마찬가지로 시간이 지남에 따라 치료 효과가 사라지는 것도 흥미로울 수 있습니다. 모델에 각각 예측 및 지연 처리 효과를 포착하는 리드 및 지연을 포함하여이를 평가할 수 있습니다 . 이 응용 프로그램은 Autor (2003) 의 연구를 통해 다음 페이지의 교과서에 제공됩니다.

D_{s t}

$D_{st}$

K

$K$

M

$M$

Y_{i s t} = γ_{s} + λ_{t} + \sum_{m = 0}^{M} β_{- m} D_{s, t - m} + \sum_{k = 1}^{K} β_{+ k} D_{s, t + k} + X_{i s t}^{'} π + ϵ_{i s t}

$Y_{ist} = \gamma_s + \lambda_t + \sum^{M}_{m=0}\beta_{-m} D_{s,t-m} + \sum^{K}_{k=1}\beta_{+k} D_{s,t+k} + X'_{ist}\pi + \epsilon_{ist}$ 기업의 임시 근로자 사용에 대한 고용 보호 강화의 기대 / 지연 효과 평가.

이 아이디어는 coffeinjunky의 답변에서 얻은 주장을 선택합니다. 이미 인과 관계 효과가 있음을 확실하게 지적 할 수 있다면, 그랜저 인과 관계라는 개념을 사용하여 Autor (2003)와 같은 효과를 더 탐구 할 수 있습니다. 그것을 증명하는 데 사용할 수 없습니다.

— 앤디
소스

나는 Granger Causality에 대한 이러한 해석에 동의하지 않아야한다. Granger가 생각했던 것과는 달리 좁고 전혀 보이지 않기 때문이다. (Granger 1980)에서 그는 가정 된 인과 변수가 종속 변수에 대한 고유 한 정보를 가져야한다고 지적했다. 귀하의 예에서 수탉 데이터없이 일출을 예측할 수 있으므로 수탉에는 고유 한 정보가 없으므로 인과 관계가 없습니다. 여기서 IV는 가정 된 인과 변수에서 고유 한 정보를 분리하는 방법을 다루는 방법이라고 생각합니다.

— Hao Ye

@Andy : 훌륭한 설명과 훌륭한 참고에 감사드립니다. 다른 답변을 기다렸다가 답변을 수락 된 것으로 표시합니다.

— user227710

귀하의 의견에 감사합니다. 확실히 Granger 인과 관계에는 약간의 장점이 있으며이 예는 의도적으로 "어리 석음"이라고 불렀습니다. 포인트를 만들기 위해 지나치게 단순하지만 구조적 인과 관계가없는 Granger 인과 관계가있는 경우에 대한 더 좋은 예가 있다고 확신합니다. @ user227710 : 처리 효과 문헌에서 Granger 인과 관계를 한 가지 발견했습니다. 이에 따라 답변을 업데이트했습니다.

— Andy

T = 20이라고 가정하면 시리즈가 공적분되면 장기 정보 (오류 수정 항)를 무시하기 때문에 가변 바이어스가 생략 될 것이라고 생각합니다. 귀하의 예에서와 같이, 치료가 다른 상태와 시간에 따라 변하고이 치료가 결과와 공적분되면, 동적 모델은 가변적 인 편향이 생략됩니다. 문제는 더미 변수이기 때문에 치료가 I (1)로 간주 될 수 있는지 여부입니다. 또는 장기 및 단기 방정식

— Metrics

그러나, 그것은 우리가 올바른 데이터를 가지고 있다면, 즉 내 생성이없는 경우에 OLS가 인과 추론에 적합하다고 말하는 것과 같습니다. 이상적인 데이터를 통해 GNC는 이러한 목적에 완벽하게 작동합니다. 문제는 우리가 이런 종류의 이상적인 데이터를 거의 가지고 있지 않기 때문에 인과 추론을위한 미시 경제적 방법이 처음에 개발 된 이유입니다. 여기서 GNC의 정의는 표준 교과서 정의이며 데이터에 대한 최소한의 가정으로 인과 추론의 방법으로 이야기하고 있습니다.

— Andy

나는 앤디에게 전적으로 동의하고, 실제로 비슷한 것을 쓰는 것을 생각하고 있었지만이 주제에 대해 스스로 궁금해하기 시작했습니다. 그레인저 인과 관계 자체가 잠재적 결과 프레임 워크에서 이해되는 인과 관계와는 관련이 없다고 생각합니다. 단순히 그레인저 인과 관계가 다른 것보다 시간 우선 순위이기 때문입니다. 그러나 와 사이에 인과 관계가 있다고 가정 $X_t$ $Y_t$ 전자가 후자를 유발한다는 점에서, 이는 한주기의 지연으로 시간적 차원을 따라 발생한다고 가정하자. 즉, 잠재적 결과 프레임 워크를 두 개의 시계열에 쉽게 적용하고 이러한 방식으로 인과 관계를 정의 할 수 있습니다. 그 결과 문제는 다음과 같습니다. Granger 인과 관계는 잠재적 인 결과 프레임 워크에 정의 된 인과 관계에 대한 "의미"가 없지만 시계열 맥락에서 인과 관계는 Granger 인과 관계를 의미합니까?

나는 이것에 대해 토론을 본 적이 없지만, 당신이나 연구원이 이것을 원한다면 추가 구조를 강요해야한다고 생각합니다. 분명히 변수는 느리게 반응해야합니다. 즉, 여기서의 인과 관계는 동시 적이어야하지만 지연으로 정의되어야합니다. 그런 다음 Granger 인과 관계를 거부하지 않으면 안심할 수 있습니다. 이것이 인과 관계에 유리한 증거는 아니지만, 그러한 주장을한다면 GNC 테스트를 주관적인 증거로 삼을 것입니다.

— 커피 피
소스