如何根据格兰杰因果检验估计最优模型？
How to estimate the optimal model, following from the granger causality test?
假设我 运行 GC 测试：
grangercausalitytests(np.vstack((df['target'], df['feature'])).T, maxlag=5)
我可以选择 "feature" 变量的滞后，这很可能是格兰杰导致 "target" 变量的原因。
- 但是 "target" 变量在这个模型中有多少滞后？
- 此外，我如何估计这个 ADL 模型（一些自回归滞后 + 一些自变量滞后）？我在某处看到，ADL 应该在 Python 中替换为 OLS/FGLS，因为没有 ADL 包。但是我不明白该怎么做
- 我发现模型，对应于每个特定的数字
GC 测试中的滞后已经适合并包含在
测试 return。输出看起来很乱，但它就在那里。
- 不幸的是，
Python 中似乎还没有能力估计 ADL 模型
:(
假设我 运行 GC 测试：
grangercausalitytests(np.vstack((df['target'], df['feature'])).T, maxlag=5)
我可以选择 "feature" 变量的滞后，这很可能是格兰杰导致 "target" 变量的原因。
- 但是 "target" 变量在这个模型中有多少滞后？
- 此外，我如何估计这个 ADL 模型（一些自回归滞后 + 一些自变量滞后）？我在某处看到，ADL 应该在 Python 中替换为 OLS/FGLS，因为没有 ADL 包。但是我不明白该怎么做
- 我发现模型，对应于每个特定的数字 GC 测试中的滞后已经适合并包含在 测试 return。输出看起来很乱，但它就在那里。
- 不幸的是， Python 中似乎还没有能力估计 ADL 模型 :(