[论文解读] Sampling distribution for single-regression Granger causality estimators

Aaron J. Gutknecht, Lionel Barnett|arXiv (Cornell University)|Nov 21, 2019

Control Systems and Identification参考文献 39被引用 5

一句话总结

本文首次推导出单回归格兰杰因果关系估计量的抽样分布，表明在原假设下其收敛于广义卡方分布，且可被伽马分布良好近似。作者推导了该分布的显式参数，并提出了一种渐近有效的奈曼-皮尔逊检验，使得在模型阶数未知或无限的情况下，仍可在时域与频域实现稳健的统计推断。

ABSTRACT

We show for the first time that, under the null hypothesis of vanishing Granger causality, the single-regression Granger-Geweke estimator converges to a generalised $χ^2$ distribution, which may be well approximated by a $Γ$ distribution. We show that this holds too for Geweke's spectral causality averaged over a given frequency band, and derive explicit expressions for the generalised $χ^2$ and $Γ$-approximation parameters in both cases. We present an asymptotically valid Neyman-Pearson test based on the single-regression estimators, and discuss in detail how it may be usefully employed in realistic scenarios where autoregressive model order is unknown or infinite. We outline how our analysis may be extended to the conditional case, point-frequency spectral Granger causality, state-space Granger causality, and the Granger causality $F$-test statistic. Finally, we discuss approaches to approximating the distribution of the single-regression estimator under the alternative hypothesis.

研究动机与目标

• 为解决长期以来对单回归格兰杰因果关系估计量在无因果性原假设下的抽样分布理解不足的问题。
• 在自回归模型阶数未知或可能无限的现实场景中，实现可靠的统计检验。
• 为时域与谱格兰杰因果关系中的改进假设检验提供基础，尤其针对双回归估计量存在偏差与方差权衡的问题。
• 将分析扩展至条件性、点频带、状态空间及F统计量形式的格兰杰因果关系。
• 开发实用方法以近似备择假设下的抽样分布。

提出的方法

• 将单回归估计量视为完整VAR模型最大似然估计量的连续函数，应用二阶Delta方法。
• 采用状态空间谱分解法（Wilson, 1972；Hannan and Deistler, 2012），将约简模型参数表示为全模型参数的函数。
• 推导出渐近分布为广义卡方分布，其参数以底层VAR模型参数显式表达。
• 提出一种奈曼-皮尔逊检验，考虑原假设分布对真实参数的依赖性，确保渐近有效性。
• 采用重标度与迭代算法，生成具有指定谱半径、广义相关性及总体格兰杰因果值的随机VAR模型。
• 使用二分查找与指数加权方法，校准模型系数以实现期望的谱半径与总体GC值。

实验结果

研究问题

• RQ1 在无因果性原假设下，单回归格兰杰因果关系估计量的渐近抽样分布为何？
• RQ2 如何从底层VAR模型参数显式推导广义卡方分布的参数？
• RQ3 尽管原假设分布依赖于未知真实参数，是否仍可构建有效的奈曼-皮尔逊检验？
• RQ4 在原假设下，对频带平均的谱格兰杰因果关系估计量的抽样分布如何表征？
• RQ5 可采用哪些实用方法近似备择假设下的抽样分布？

主要发现

• 在无因果性原假设下，单回归格兰杰因果关系估计量的分布收敛于广义卡方分布。
• 广义卡方分布可被伽马分布良好近似，其参数以VAR模型参数显式推导得出。
• 渐近原假设分布依赖于真实底层参数，因此需要提出一种新型奈曼-皮尔逊检验以考虑此依赖性。
• 相同的渐近分布结果也适用于对频带平均的Geweke谱因果关系估计量。
• 所提出的奈曼-皮尔逊检验具有渐近有效性，并在模型阶数未知或无限时仍能保持正确的第一类错误控制。
• 开发了一种实用的模拟方案，可生成具有指定谱半径、广义相关性及总体格兰杰因果值的VAR模型，从而实现稳健的实证验证。