Nhân quả Granger là gì? Cách đọc và chạy trong SPSS
Nhân quả Granger là gì
Bạn có hai chuỗi thời gian, chẳng hạn lạm phát và tăng trưởng tín dụng, rồi muốn biết giá trị quá khứ của chuỗi này có giúp dự báo chuỗi kia hay không. Nhân quả Granger là kiểm định cho câu hỏi đó. Nếu các độ trễ của X giúp dự báo Y tốt hơn mô hình chỉ dùng các độ trễ của Y, ta nói X có quan hệ nhân quả Granger với Y trong phạm vi mô hình và khoảng thời gian đang xét.
Cụm từ “nhân quả” ở đây cần đọc cẩn thận. Kiểm định này cho thấy khả năng dự báo theo thứ tự thời gian, chưa đủ để khẳng định X là nguyên nhân duy nhất của Y theo nghĩa thực nghiệm. Một biến thứ ba, cách chọn độ trễ, xu hướng chung hoặc sai đặc tả mô hình vẫn có thể làm kết quả thay đổi.
Với hai chuỗi X và Y, bạn thường chạy hai phương trình dạng VAR:
- Y được giải thích bởi các độ trễ của chính Y và các độ trễ của X.
- X được giải thích bởi các độ trễ của chính X và các độ trễ của Y.
Kiểm định được thực hiện theo từng hướng. X có thể Granger-cause Y, Y có thể Granger-cause X, cả hai hướng cùng có ý nghĩa, hoặc không có hướng nào có ý nghĩa. Vì vậy, đừng gộp hai chuỗi thành một kết luận duy nhất khi bảng output đang báo hai kiểm định riêng.
Nếu đề tài của bạn có dữ liệu theo tháng, quý hoặc năm, hãy đặt bài này cạnh các nội dung trong chủ đề Thống kê. Trước khi kiểm định, bạn cũng nên hiểu kiểm định ADF là gì, vì tính dừng của chuỗi ảnh hưởng trực tiếp đến cách xây dựng mô hình.
Ý nghĩa của nhân quả Granger trong nghiên cứu định lượng
Giá trị thực tế của kiểm định nằm ở quyết định về hướng dự báo. Ví dụ, nếu cung tiền có nhân quả Granger đối với lạm phát, thông tin về các giá trị trễ của cung tiền có thể cải thiện dự báo lạm phát trong mẫu nghiên cứu. Điều này có thể hỗ trợ bạn xây dựng mô hình dự báo hoặc lập luận về mối liên hệ động giữa các biến.
Bạn cần phân biệt ba khái niệm. “Có tương quan” chỉ nói hai biến biến động cùng nhau. “Có quan hệ nhân quả Granger” nói dữ liệu quá khứ của một biến cung cấp thông tin dự báo cho biến còn lại sau khi đã đưa các độ trễ liên quan vào mô hình. “Có quan hệ nhân quả theo lý thuyết” còn đòi hỏi lập luận lý thuyết, thiết kế nghiên cứu và kiểm soát các nguyên nhân thay thế.
Kiểm định thường phù hợp với câu hỏi có dạng: “Các biến trễ của X có cải thiện khả năng giải thích hoặc dự báo Y không?” Nó thường xuất hiện trong kinh tế lượng chuỗi thời gian, tài chính, năng lượng, thương mại và các đề tài dùng dữ liệu theo thời gian. Nó không phải lựa chọn mặc định cho bảng hỏi Likert của vài trăm người trả lời tại một thời điểm.
Trước khi chạy, bạn cần kiểm tra tần suất quan sát và thứ tự thời gian. Dữ liệu tháng phải được sắp xếp theo tháng, dữ liệu quý phải có thứ tự quý rõ ràng. Nếu bạn trộn các quan sát theo thứ tự bảng tính, phần mềm vẫn có thể chạy lệnh nhưng kết luận không còn ý nghĩa.
Độ trễ là phần quyết định của kiểm định. Chọn quá ít độ trễ có thể bỏ sót động học của dữ liệu. Chọn quá nhiều độ trễ làm giảm bậc tự do và khiến mô hình nặng hơn. Bạn có thể xem thêm cách chọn độ trễ tối ưu là gì, sau đó ghi rõ tiêu chí chọn trong chương phương pháp.
Nếu các biến có quan hệ dài hạn, bạn cũng cần xem xét đồng liên kết thay vì chỉ chạy Granger trên sai phân hoặc mức gốc một cách máy móc. Khái niệm này được giải thích rõ hơn trong bài đồng liên kết là gì.
Nhân quả Granger bao nhiêu là đạt
Câu hỏi “nhân quả Granger bao nhiêu là tốt” thường xuất phát từ một ô p-value trong bảng output. Với kiểm định này, không có một giá trị Granger duy nhất để bạn so với một ngưỡng cố định. Bạn đọc thống kê kiểm định, bậc tự do và p-value theo hướng giả thuyết đang xét.
Giả thuyết H0 của hướng X sang Y thường là: các hệ số của các độ trễ X trong phương trình Y đồng thời bằng 0. H1 là: ít nhất một hệ số của các độ trễ X khác 0, nên các độ trễ X có thêm thông tin dự báo Y.
Bảng dưới đây là quy tắc diễn giải minh họa cho p-value. Đây không phải bảng “điểm đạt” của bản thân nhân quả Granger. Khi viết luận văn, bạn cần dùng mức ý nghĩa đã đăng ký trong phương pháp, chẳng hạn 5%, thay vì chọn mức có lợi sau khi nhìn kết quả.
| p-value trong kiểm định | Cách đọc thống kê | Cách kết luận minh họa |
|---|---|---|
| Nhỏ hơn mức ý nghĩa đã chọn | Có bằng chứng chống lại H0 | Bác bỏ H0, dữ liệu ủng hộ quan hệ nhân quả Granger theo hướng đang kiểm định |
| Lớn hơn hoặc bằng mức ý nghĩa đã chọn | Chưa đủ bằng chứng chống lại H0 | Chưa bác bỏ H0, chưa có bằng chứng về quan hệ nhân quả Granger theo hướng đang kiểm định |
| Gần mức ý nghĩa đã chọn | Kết quả nhạy với cách làm tròn và đặc tả | Báo cáo p-value đầy đủ, kiểm tra lại độ trễ, tính dừng và độ bền mô hình |
Ví dụ, p-value bằng 0.032 ở hướng X sang Y và mức ý nghĩa bạn chọn là 5% cho phép bác bỏ H0 ở hướng đó. Cùng lúc, nếu p-value ở hướng Y sang X bằng 0.418, bạn chưa bác bỏ H0 ở chiều ngược lại. Kết luận phù hợp là có bằng chứng một chiều trong mẫu, không phải hai chiều.
Không nên viết “X chắc chắn gây ra Y” chỉ từ kết quả này. Cách viết an toàn hơn là “các kết quả cho thấy X có quan hệ nhân quả Granger với Y trong mẫu nghiên cứu và đặc tả mô hình được sử dụng”.
Cách đọc nhân quả Granger trên output
Tên bảng có thể khác nhau tùy phần mềm và gói lệnh. Trong SPSS, nhân quả Granger không phải một hộp thoại cơ bản giống Cronbach's Alpha hay hồi quy tuyến tính. Nhiều sinh viên phải chạy VAR bằng syntax, mở rộng công cụ hoặc dùng phần mềm kinh tế lượng khác. Vì vậy, trước tiên hãy xác định bạn đang có output của Wald test, F-test hay bảng kiểm định Granger từ một tiện ích bên ngoài.
Dưới đây là bảng số liệu minh họa. Các con số chỉ để chỉ cách đọc, không phải kết quả của một nghiên cứu thật.
| Hướng kiểm định | Null Hypothesis | Test statistic | df | p-value | Quyết định ở mức 5% |
|---|---|---|---|---|---|
| X does not Granger Cause Y | Các độ trễ của X không giải thích thêm Y | 4.862 | 2 | 0.008 | Bác bỏ H0 |
| Y does not Granger Cause X | Các độ trễ của Y không giải thích thêm X | 0.931 | 2 | 0.396 | Chưa bác bỏ H0 |
| X does not Granger Cause Z | Các độ trễ của X không giải thích thêm Z | 2.114 | 3 | 0.098 | Chưa bác bỏ H0 ở mức 5% |
Ở dòng đầu, p-value là 0.008. Nếu mức ý nghĩa đã chọn là 5%, bạn kết luận có bằng chứng cho hướng X sang Y. Ở dòng thứ hai, p-value là 0.396, nên chưa có bằng chứng cho hướng Y sang X. Dòng thứ ba nhắc bạn không nên đổi mức ý nghĩa sang 10% chỉ để biến một kết quả chưa đạt 5% thành kết luận chính mà không giải thích trước.
Hãy kiểm tra tên biến, số độ trễ và số quan sát ngay trên output. Một p-value đẹp nhưng đi kèm sai tần suất thời gian, thiếu quan sát hoặc độ trễ chọn tùy tiện vẫn là kết quả đáng nghi. Lưu riêng output của từng cấu hình để biết kết luận thay đổi từ đâu.
Cách viết vào luận văn: “Kiểm định nhân quả Granger cho thấy giả thuyết H0 về việc [X không Granger-cause Y] bị bác bỏ, với p-value = [giá trị] < [mức ý nghĩa]. Do đó, nghiên cứu ghi nhận bằng chứng về quan hệ nhân quả Granger theo hướng [X đến Y] trong mẫu gồm [số quan sát] quan sát, với độ trễ [k]. Ở chiều ngược lại, p-value = [giá trị], nên chưa đủ cơ sở kết luận [Y đến X].”
Khi nhân quả Granger không đạt thì xử lý thế nào
Nếu p-value không đạt mức ý nghĩa, bước đầu tiên là giữ nguyên kết luận: chưa có đủ bằng chứng thống kê cho hướng đang xét. Đừng xóa biến chỉ vì một hướng Granger không có ý nghĩa, và cũng đừng chạy lại nhiều lần cho tới khi xuất hiện p-value nhỏ.
Kiểm tra tính dừng của chuỗi
Xem lại kết quả ADF ở mức gốc và sau sai phân. Chuỗi không dừng có thể tạo ra quan hệ giả, trong khi sai phân quá mức có thể làm mất thông tin dài hạn. Nếu các chuỗi có quan hệ dài hạn, mô hình phù hợp có thể cần kết hợp phần hiệu chỉnh sai số thay vì chỉ dùng VAR ở sai phân.
Kiểm tra độ trễ và cấu trúc mô hình
Đối chiếu độ trễ đã chọn với AIC, SIC hoặc tiêu chí bạn nêu trong phương pháp. Khi đổi độ trễ, hãy ghi lại kết quả và lý do. Bạn có thể xem thêm hồi quy GMM là gì nếu đề tài có nội sinh và dữ liệu bảng, nhưng GMM không phải cách sửa trực tiếp cho mọi kết quả Granger không có ý nghĩa.
Kiểm tra chất lượng dữ liệu
Tìm ô trống, giá trị nhập sai, thay đổi đơn vị đo và các khoảng thời gian bị thiếu. Nếu một chuỗi dùng dữ liệu tháng còn chuỗi kia dùng dữ liệu quý mà bạn ghép theo số dòng, kết quả không còn đại diện cho cùng một thời điểm.
Giải thích kết quả theo giới hạn mẫu
Kết quả không đạt vẫn là một kết quả có thể báo cáo. Có thể thông tin quá khứ của X thực sự không cải thiện dự báo Y trong giai đoạn đó, hoặc mẫu chưa đủ dài để phát hiện hiệu ứng. Nếu cần dữ liệu mới, hãy trao đổi về khả năng bổ sung quan sát trước khi chỉnh mô hình theo hướng có lợi.
Phân biệt nhân quả Granger với tương quan và đồng liên kết
Tương quan đo mức độ hai biến cùng biến động, thường không đặt câu hỏi về thứ tự thời gian. Nhân quả Granger kiểm tra thông tin quá khứ của một biến có cải thiện dự báo biến kia hay không. Đồng liên kết tập trung vào quan hệ cân bằng dài hạn giữa các chuỗi không dừng.
Một cặp biến có thể có đồng liên kết nhưng không cho cùng một kết luận đơn giản về Granger ở dữ liệu sai phân. Ngược lại, có thể quan sát quan hệ dự báo ngắn hạn mà không có quan hệ cân bằng dài hạn. Vì vậy, ba khái niệm này bổ sung cho nhau, không thay thế nhau.
Bạn cũng nên phân biệt Granger với biến công cụ. Biến công cụ là gì liên quan đến cách xử lý nội sinh trong thiết kế ước lượng. Granger dựa trên khả năng dự báo của độ trễ, nên tên gọi của nó không tự động biến một biến trễ thành biến công cụ hợp lệ.
Lỗi thường gặp
Gọi p-value là “hệ số nhân quả”. Output thường cho test statistic và p-value, chứ không có một hệ số nhân quả duy nhất. Hãy viết rõ hướng kiểm định, giả thuyết H0, độ trễ và p-value.
Chỉ chạy một chiều X sang Y. Granger là kiểm định có hướng. Nếu câu hỏi nghiên cứu cho phép, bạn cần chạy cả Y sang X và báo cáo hai dòng kết quả.
Dùng dữ liệu bảng hỏi chéo cho kiểm định chuỗi thời gian. Hai trăm người trả lời trong cùng một tháng không tạo thành chuỗi thời gian dài 200 tháng. Hãy xác định đơn vị quan sát trước khi chọn phương pháp.
Bỏ qua ADF và đồng liên kết. Đây là lỗi thường bị hỏi khi bảo vệ. Bạn cần giải thích vì sao dùng mức gốc, sai phân, VAR hoặc một mô hình khác.
Đổi độ trễ sau khi thấy kết quả. Nếu có nhiều cấu hình hợp lý, hãy báo cáo tiêu chí chọn và kiểm tra độ bền. Không nên chỉ giữ cấu hình cho p-value nhỏ nhất.
Viết kết luận nhân quả tuyệt đối. Hãy giới hạn kết luận trong mẫu, giai đoạn, độ trễ và đặc tả mô hình. Đó là cách tránh nói quá bằng chứng.
Câu hỏi thường gặp
Nhân quả Granger có phải là nhân quả thật không?
Không nên hiểu theo nghĩa tuyệt đối. Kiểm định cho thấy quá khứ của X có thêm khả năng dự báo Y trong một đặc tả cụ thể. Kết luận nhân quả rộng hơn cần lý thuyết, thiết kế nghiên cứu và kiểm soát các yếu tố gây nhiễu.
Nhân quả Granger bao nhiêu là tốt?
Bạn không đánh giá bằng một “hệ số Granger” duy nhất. Hãy xem p-value của từng hướng, mức ý nghĩa đã chọn, số độ trễ và điều kiện của chuỗi. p-value nhỏ hơn mức ý nghĩa cho phép bác bỏ H0 ở hướng tương ứng, nhưng không chứng minh quan hệ nhân quả tuyệt đối.
Có thể chạy nhân quả Granger trong SPSS không?
Có thể thực hiện bằng syntax, tiện ích mở rộng hoặc quy trình VAR tùy phiên bản và cấu hình SPSS. Tuy nhiên, giao diện SPSS cơ bản không phải lúc nào cũng có sẵn nút Granger Causality như các phần mềm chuyên về kinh tế lượng. Nếu output của bạn đến từ phần mềm khác, hãy ghi đúng tên phần mềm và loại kiểm định trong luận văn.
Dữ liệu cần bao nhiêu quan sát để chạy Granger?
Không có một con số duy nhất áp dụng cho mọi mô hình. Số quan sát phải đủ so với số biến, số độ trễ và số tham số cần ước lượng, đồng thời phải phản ánh được tần suất thời gian của đề tài. Bạn nên ghi rõ cỡ mẫu, tần suất, khoảng thời gian và cách xử lý dữ liệu thiếu.
Nếu ADF không đạt thì có chạy Granger được không?
Bạn cần xử lý tính dừng trước khi kết luận. Có thể kiểm tra sai phân, quan hệ đồng liên kết và mô hình phù hợp với cấu trúc dữ liệu. Không nên chạy trên chuỗi không dừng rồi bỏ qua cảnh báo chỉ vì bảng p-value đang có ý nghĩa.
Mở lại file dữ liệu, kiểm tra thứ tự thời gian, chạy ADF và lập một bảng ghi rõ hai hướng X sang Y, Y sang X cùng độ trễ đã chọn. Nếu bạn cần chạy phân tích trên chính file .sav hoặc .csv và giữ lại toàn bộ quyết định để viết chương kết quả, xem module M4 phân tích dữ liệu của DoThesis.