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
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