K_DM Book
用語集
対象者 標準
対象者別の入口 →

対象者の設定はこのブラウザの中にだけ保存されます。

言語 JA

グレンジャー因果性の検定結果を棒グラフで

上級

04.8.2

グレンジャー因果性の検定結果を棒グラフで

最終更新 2020-10-11 読了時間 3 分
まとめ
グレンジャー因果性検定は、「y の過去だけで y を予測したモデル」と「y の過去に x の過去も加えたモデル」の残差二乗和を F 検定で比べ、x を加えて誤差が有意に減るかを調べる手法です。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。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import grangercausalitytests

rng = np.random.default_rng(29)
dates = pd.date_range("2020-01-01", periods=240, freq="D")
driver = np.sin(2 * np.pi * np.arange(len(dates)) / 20) + rng.normal(0, 0.8, len(dates))
series_x = pd.Series(driver, index=dates)
series_y = pd.Series(0.6 * driver + rng.normal(0, 1, len(dates)), index=dates)

test_data = pd.DataFrame({"y": series_y, "x": series_x})
maxlag = 6
results = grangercausalitytests(test_data[["y", "x"]], maxlag=maxlag, verbose=False)
p_values = [results[lag][0]["ssr_ftest"][1] for lag in range(1, maxlag + 1)]

fig, ax = plt.subplots(figsize=(6.5, 3.5))
ax.bar(range(1, maxlag + 1), p_values, color="#2563eb", alpha=0.8)
ax.axhline(0.05, color="#ef4444", linestyle="--", linewidth=1.2, label="有意水準 0.05")
ax.set_title("グレンジャー因果性検定の p 値(x → y)")
ax.set_xlabel("ラグ数")
ax.set_ylabel("p 値")
ax.set_xticks(range(1, maxlag + 1))
ax.legend()
ax.grid(alpha=0.3, axis="y")

fig.tight_layout()
fig.savefig("static/images/timeseries/granger_bar.svg")

グレンジャー因果性の検定結果を棒グラフでの図

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。