R 中包 NlinTs 对 nlin_causality.test 的解释

Interpretation for nlin_causality.test from the package NlinTs in R

函数的详细信息:

测试评估第二个时间序列是否导致第一​​个时间序列。评估两个 MLP 人工神经网络以执行测试,一个仅使用目标时间序列 (ts1),第二个使用两个时间序列

我正在使用以下代码:

for (i in series[-5]) { 
    prueba = nlin_causality.test(ts1 = peru[,"gap_y"],ts2 = peru[,i],lag = 4,
                   LayersUniv = 1,LayersBiv = 1,iters = 10000,bias = F)
 og_nl[i,1] = round(prueba$Ftest,4)
 og_nl[i,2] = round(prueba$pvalue,4)
 }

输出如下table:

+-------------+-----------+----------+
|  Variable   |   F-stat  | P-value  |
+-------------+-----------+----------+
| Inflación   |   0.4468  |  0.7744  |
| Var.PBI     |   2.2039  |  0.0766  |
| Var.Emisión |   2.7633  |  0.0335  |
| gap_y       |   0.5546  |  0.6963  |
+-------------+-----------+----------+

因此,根据函数的详细信息,我了解到零假设是 ts2 确实导致 ts1,所以如果我的 pvalue 低于我的 0.05,我可以说 ts2 不会导致 ts1?

谢谢

这个检验的解释类似于格兰杰因果检验。 通常,检验的 p 值是在假设 H0 为真的情况下观察到给定结果的概率。对于此检验,H0 是非因果关系假设。 因此,例如,通过使用 5% 的阈值,p_value 大于 0.05 意味着 ts2 不会导致 ts1.

附带说明一下,单变量和双变量模型的隐藏层大小都是向量而不是整数。例如,LayersUniv = c(1, 2),相当于具有两个隐藏层的 MLP 模型,其中第一个包含一个神经元,第二个包含两个神经元。

最好的, 优素福