علیت گرانجر منابع[ویرایش] مطالعه بیشتر[ویرایش] منوی ناوبریGranger causalityCausal inference in time series analysisو
میانگینمیانگین حسابیمیانگین هندسیمیانگین همسازمیانهمددامنهانحراف معیارضریب تغییراتصدکدامنه بین چارکیواریانسچولگیکشیدگیگشتاورال-گشتاورداده‌های گروه‌بندی‌شدهتوزیع فراوانیجدول پیشایندینمودار میله‌ایدونمودارهنمودار جعبه‌اینمودار کنترلهمبستگی‌نگارنمودار جنگلیبافت‌نگارنمودار Q-Qنمودار توالینمودار پراکنشنمودار ساقه و برگنمودار راداریاندازه تأثیرخطای استانداردتوان آماریتعیین اندازه نمونهطراحی آزمایشآزمایش تصادفیانتساب تصادفیتکرار آزمایشبلوک‌بندیآزمایش عاملیطراحی بهینهتوزیع نمونه‌گیریآماره بسندهفراتحلیلآماره ترتیبیآماره کاوشیمقدار رکوردکامل بودنخانواده نماییآزمون جایگشتیآزمون تصادفیدنتوزیع نمونه‌ایبوت‌استرپینگآماره Uکاراییآمار باثباتاحتمال بیزیاحتمال پیشیناحتمال پسینبازه مورد قبولعامل بیزبرآوردگر بیزیبرآوردگر بیشینه‌گر احتمال پسینضریب همبستگی پیرسونهمبستگی جزئیاختلاطضریب تشخیصرگرسیون ساده خطی(en)کمینه مربعات خطیمدل خطی عمومی(en)رگرسیون خطی بیزی(en)خانواده نماییرگرسیون لجستیکرگرسیون دوجمله‌ای(en)پواسونکاپای کوهنجدول پیشایندیمدل گرافیرگرسیون پواسونآزمون مک‌نمارتجزیهتخمین روندفرایند ماناتصحیح فصلی‌بودنهموارسازی نمایی(en)هم‌جمعیعلیت گرانجرآماره Q(en)آماره دوربین-واتسون(en)خودهمبستگیتابع خودهمبستگی جزئی(en)تابع خودهمبستگی تقاطعی(en)آرمامدل آریماگارچاتورگرسیو برداریتخمین طیفیتحلیل فوریهموجکتابع بقا(en)برآوردگر کاپلان-مه‌یرآزمون لگ‌رتبه‌ای(en)نرخ خرابیمدل خطرهای متناسب(en)مدل زمان خرابی شتابیده(en)بیوانفورماتیکزیست‌سنجشیکارآزمایی بالینیمطالعاتهمه‌گیرشناسیآمار پزشکیآکچوئریسرشماریآمار جرم(en)آمار جمعیت‌شناسی(en)اقتصادسنجیآمار ملی(en)آمار رسمی(en)جامعه آماریروان‌سنجی
تحلیل سری زمانیعلیت
آمارانگلیسیآزمون فرض آماریعلیتسری‌های زمانیمعناداریکلیو گرانجرجایزه نوبل اقتصادرگرسیون خطیمعناداریاتورگرسیو برداری
علیت گرانجر
پرش به ناوبری
پرش به جستجو
در آمار، علیت گرانجر (به انگلیسی: Granger causality) یک آزمون فرض آماری است برای تشخیص علیت میان سری‌های زمانی. این آزمون براساس این اصل است که «علت از نظر زمانی بر معلولش مقدم است.» بنابراین هرگاه مقادیر گذشتهٔ سری زمانی X(t)displaystyle X(t) در پیش‌بینی مقادیر آیندهٔ سری زمانی دیگر Y(t)displaystyle Y(t) به طرز معناداری کمک کند بیشتر از آنچه مقادیر گذشتهٔ خود Y(t)displaystyle Y(t) می‌تواند کمک کند گوییم فرآیند Xdisplaystyle X علت فرآیند Ydisplaystyle Y است در معیار گرانجر. علیت گرانجر حاصل کار کلیو گرانجر است که جایزه نوبل اقتصاد را برای او به ارمغان آورد.[۱]
در عمل برای تشخیص علیت گرانجر میان دو سری زمانی X و Y دو رگرسیون خطی انجام می‌گیرد:
- Y(t)=∑i=1LαiY(t−i)+ε1(t)displaystyle Y(t)=sum _i=1^Lalpha _iY(t-i)+varepsilon _1(t)
- Y(t)=∑i=1LαiY(t−i)+∑i=1LβiX(t−i)+ε2(t)displaystyle Y(t)=sum _i=1^Lalpha _iY(t-i)+sum _i=1^Lbeta _iX(t-i)+varepsilon _2(t)
اگر مدل دوم به طرز معناداری مدل بهتری برای پیش‌بینی سری زمانی Ydisplaystyle Y باشد، گوییم فرآیند Xdisplaystyle X علت فرآیند Ydisplaystyle Y است در معیار گرانجر. آزمون علیت گرانجر برای بیش از دو سری زمانی توسط مدل اتورگرسیو برداری انجام می‌گیرد.[۲]
منابع[ویرایش]
↑ Granger, C.W.J., 1969. "Investigating causal relations by econometric models and cross-spectral methods". Econometrica 37 (3), 424–438
↑ Lütkepohl, Helmut (2006). New introduction to multiple time series analysis. Springer. ISBN 3540262393.|access-date=requires|url=(help).mw-parser-output cite.citationfont-style:inherit.mw-parser-output qquotes:"""""""'""'".mw-parser-output code.cs1-codecolor:inherit;background:inherit;border:inherit;padding:inherit.mw-parser-output .cs1-lock-free abackground:url("//upload.wikimedia.org/wikipedia/commons/thumb/6/65/Lock-green.svg/9px-Lock-green.svg.png")no-repeat;background-position:right .1em center.mw-parser-output .cs1-lock-limited a,.mw-parser-output .cs1-lock-registration abackground:url("//upload.wikimedia.org/wikipedia/commons/thumb/d/d6/Lock-gray-alt-2.svg/9px-Lock-gray-alt-2.svg.png")no-repeat;background-position:right .1em center.mw-parser-output .cs1-lock-subscription abackground:url("//upload.wikimedia.org/wikipedia/commons/thumb/a/aa/Lock-red-alt-2.svg/9px-Lock-red-alt-2.svg.png")no-repeat;background-position:right .1em center.mw-parser-output div[dir=ltr] .cs1-lock-subscription a,.mw-parser-output div[dir=ltr] .cs1-lock-limited a,.mw-parser-output div[dir=ltr] .cs1-lock-registration abackground-position:left .1em center.mw-parser-output .cs1-subscription,.mw-parser-output .cs1-registrationcolor:#555.mw-parser-output .cs1-subscription span,.mw-parser-output .cs1-registration spanborder-bottom:1px dotted;cursor:help.mw-parser-output .cs1-hidden-errordisplay:none;font-size:100%.mw-parser-output .cs1-visible-errorfont-size:100%.mw-parser-output .cs1-subscription,.mw-parser-output .cs1-registration,.mw-parser-output .cs1-formatfont-size:95%.mw-parser-output .cs1-kern-left,.mw-parser-output .cs1-kern-wl-leftpadding-left:0.2em.mw-parser-output .cs1-kern-right,.mw-parser-output .cs1-kern-wl-rightpadding-right:0.2em
مطالعه بیشتر[ویرایش]
- Anil Seth (2007) Granger causality. Scholarpedia, 2(7):1667., revision #91329
- M. Eichler (2012). Causal inference in time series analysis. In: C. Berzuini, A.P. Dawid, L. Bernardinelli (eds), Causality: Statistical Perspectives and Applications, Wiley, Chichester.
ردهها:
- تحلیل سری زمانی
- علیت
(window.RLQ=window.RLQ||[]).push(function()mw.config.set("wgPageParseReport":"limitreport":"cputime":"0.388","walltime":"0.509","ppvisitednodes":"value":2292,"limit":1000000,"ppgeneratednodes":"value":0,"limit":1500000,"postexpandincludesize":"value":322411,"limit":2097152,"templateargumentsize":"value":35553,"limit":2097152,"expansiondepth":"value":16,"limit":40,"expensivefunctioncount":"value":35,"limit":500,"unstrip-depth":"value":1,"limit":20,"unstrip-size":"value":3702,"limit":5000000,"entityaccesscount":"value":0,"limit":400,"timingprofile":["100.00% 360.433 1 -total"," 78.77% 283.926 15 الگو:Navbox"," 38.73% 139.607 1 الگو:آمار"," 37.27% 134.333 1 الگو:Navbox_with_collapsible_groups"," 36.71% 132.323 1 الگو:پانویس"," 33.81% 121.845 1 الگو:یادکرد_کتاب"," 18.13% 65.332 1 الگو:انگلیسی"," 16.34% 58.907 1 الگو:به_زبان_دیگر"," 15.36% 55.373 1 الگو:Lang"," 14.23% 51.294 1 الگو:گرداننده_رده"],"scribunto":"limitreport-timeusage":"value":"0.158","limit":"10.000","limitreport-memusage":"value":3019986,"limit":52428800,"cachereport":"origin":"mw1324","timestamp":"20190425232519","ttl":2592000,"transientcontent":false););"@context":"https://schema.org","@type":"Article","name":"u0639u0644u06ccu062a u06afu0631u0627u0646u062cu0631","url":"https://fa.wikipedia.org/wiki/%D8%B9%D9%84%DB%8C%D8%AA_%DA%AF%D8%B1%D8%A7%D9%86%D8%AC%D8%B1","sameAs":"http://www.wikidata.org/entity/Q2630107","mainEntity":"http://www.wikidata.org/entity/Q2630107","author":"@type":"Organization","name":"u0645u0634u0627u0631u06a9u062au200cu06a9u0646u0646u062fu06afu0627u0646 u067eu0631u0648u0698u0647u0654 u0648u06ccu06a9u06ccu200cu0645u062fu06ccu0627","publisher":"@type":"Organization","name":"Wikimedia Foundation, Inc.","logo":"@type":"ImageObject","url":"https://www.wikimedia.org/static/images/wmf-hor-googpub.png","datePublished":"2014-02-19T18:05:45Z","dateModified":"2014-02-19T19:27:41Z"(window.RLQ=window.RLQ||[]).push(function()mw.config.set("wgBackendResponseTime":103,"wgHostname":"mw1268"););
