概念卡：Granger 因果 Granger Causality
概念卡：Granger 因果 Granger Causality
一句话定义
Granger 因果检验判断一个时间序列的过去值是否能帮助预测另一个时间序列。
它解决什么问题
它用于分析时间序列之间的预测先后关系，但不是严格哲学或实验意义上的因果。
典型使用场景
- 经济变量关系。
- 系统指标之间的预测关系。
- 多变量时间序列分析。
需要知道的关键词
- Lag
- Prediction
- Time Series
- VAR
- Causality Warning
和导师方向的关系
复杂系统中常有多个变量共同演化，Granger 因果是分析时间先后预测关系的常见工具。
交流时可以怎么说
Granger 因果更准确地说是预测意义上的因果，不能直接等同于真正机制因果。
如果 X 的过去值能显著提升对 Y 的预测，可以说 X Granger-causes Y。
可以追问的问题
- 序列是否平稳？
- 滞后阶数如何选择？
- 是否存在遗漏变量导致假关系？
给 AI 的提示词
请解释 Granger 因果和普通因果推断的区别。要求说明适用条件、局限、时间序列前提和报告表达。
我的理解边界
- 已理解：Granger 因果是预测意义上的因果。
- 还不确定：VAR 模型。
- 下次需要补：滞后阶数选择。