04.8.2
グレンジャー因果性の検定結果を棒グラフで
statsmodels.tsa.stattools.grangercausalitytests に 2 列の DataFrame と maxlag を渡すと、ラグ 1 から maxlag までの検定結果がまとめて返ります。このページでは ssr_ftest の p 値をラグごとに棒グラフにし、有意水準 0.05 の破線と比べて「どのラグまで x が y の予測に効くか」を読み取ります。読み終えると、p 値の棒が 0.05 を下回るラグの意味と、逆方向(y → x)も検定すべき理由を説明できるようになります。VAR モデルの多変量予測 で「複数系列を同時にラグで回帰する」考え方を先に押さえておくと、この検定が VAR の係数の有意性を調べていることが分かりやすくなります。
グレンジャー因果性検定は、ある系列の過去が別の系列の予測に寄与するかを調べる手法です。
直感 #
気温(x)とアイスの売上(y)を毎日記録したとします。明日の売上を予測するとき、過去の売上だけを使うモデルと、過去の売上に加えて過去の気温も使うモデルを作り、後者の方が誤差が小さければ「気温は売上を予測するのに役立つ」と言えます。これがグレンジャーの意味での因果性で、哲学的な原因ではなく「予測の改善に寄与するか」だけを問います。検定の中身は、x の係数をすべて 0 に制限したモデルと制限しないモデルの残差二乗和(SSR)を F 統計量で比べることです。F 統計量(ssr_ftest)が大きいほど x を入れた効果が大きく、p 値が小さくなります。
Python でラグごとの p 値を棒グラフにする #
次のコードは、周期 20 日の正弦波にノイズを足した系列 x と、その 0.6 倍にさらにノイズを足した系列 y を 240 日分作り、grangercausalitytests でラグ 1〜6 の p 値を求めて棒グラフにします。y は x と同じ時点で連動する作りなので、x の過去がどのラグまで y に効くかが見どころです。
| |
実行結果の読み方 #
y は x の同時点の値から作っているので、ラグ 1 の時点で x の過去 1 期が y の予測に強く効き、p 値はほぼ 0 になります。ラグを 2、3 と増やしても driver の正弦波は滑らかに続くため、過去の x は引き続き y の情報を持ち、棒は 0.05 の線より下にとどまります。もし棒がすべて 0.05 を超えていたら、x の過去は y の予測に寄与しないと判断します。
使いどころと落とし穴 #
p 値が 0.05 を下回ったラグは「x の過去がそのラグまで y の予測に役立つ」と読みますが、これは予測への寄与であって、x が y の原因だという証明ではありません。第三の系列 z(気温など)が x と y の両方を動かしているときも p 値は 0.05 を下回ります。ラグを maxlag=20 のように大きくすると推定する係数が増えて自由度が下がり、本来は効いているラグでも p 値が 0.05 を超えることがあるので、上限ラグは週や月などデータの周期から先に決めておきます。もう一つ忘れやすいのが逆方向の検定で、test_data[["x", "y"]] と列を入れ替えて y → x も調べ、両方向で有意なら「相互にフィードバックしている」、片方向だけなら「先行・遅行の関係がある」と区別します。系列が非定常(トレンドや単位根あり)だと見せかけの有意が出やすいので、ADF 検定で定常性を確かめてから、必要なら差分を取って検定にかけます。
- VAR モデルの多変量予測 — 複数系列の相互依存を考慮した予測
- 自己相関関数 (ACF) — ラグごとの相関強度を棒グラフで確認
- ARIMA モデル — 差分・自己回帰・移動平均を組み合わせた古典的予測