Przyczynowość w sensie Grangera – co naprawdę pokazuje test?

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 2 listopada 2026

Co to jest przyczynowość w sensie Grangera?

Przyczynowość w sensie Grangera (ang. Granger causality) to własność dwóch szeregów czasowych: X „powoduje w sensie Grangera” Y, jeśli przeszłe wartości X poprawiają prognozę Y ponad to, co daje sama przeszłość Y. Granger (1969) zaproponował testowalne definicje przyczynowości i sprzężenia zwrotnego właśnie w kategoriach prognozy. Seth i in. (2015) nazywają to predykcyjnym pojęciem przyczynowości: przyczyna poprzedza skutek i pomaga go przewidzieć.

Jak działa test

Porównuje się dwa modele regresji Y na jego własnych opóźnieniach: bez opóźnień X i z nimi. Test F (lub Walda) sprawdza, czy współczynniki przy opóźnieniach X są łącznie zerowe. Liczbę opóźnień wybiera się z góry albo kryterium AIC lub BIC. Oba szeregi powinny być stacjonarne – sprawdź to np. testem Dickeya–Fullera, a w razie potrzeby zróżnicuj dane. Test wykonuje się w obu kierunkach, bo możliwe jest też sprzężenie zwrotne.

To nie jest przyczynowość kontrfaktyczna

Pomimo nazwy test mówi o pierwszeństwie w czasie i przydatności do prognozy, a nie o tym, co stałoby się z Y po zmianie X. Seth i in. (2015) podkreślają, że opisuje on zależności w danych, a nie fizyczny mechanizm. Jeśli obie zmienne zależą od trzeciej, która wpływa na X szybciej niż na Y, X „wyprzedzi” Y bez żadnego wpływu – to klasyczna zmienna zakłócająca. Granger (1969) zwracał uwagę, że wnioski zależą od tego, jak szeroki zestaw możliwych przyczyn uwzględniono. Szerzej o tej różnicy piszemy w haśle korelacja a przyczynowość i w poradniku o grafach przyczynowych (DAG).

Przykład

Zasymulowaliśmy w R 200 pomiarów, w których wspólny czynnik Z wpływa na X po jednym okresie, a na Y po dwóch; X nie wpływa na Y. Test z dwoma opóźnieniami wskazał „przyczynowość” X → Y: F = 19.74, p < .001 (w drugą stronę F = 1.58, p = .21). Po dodaniu przeszłości Z do modelu efekt zniknął: F = 0.89, p = .411.

Jak opisać w pracy

suppressPackageStartupMessages(library(lmtest))
set.seed(4471)
n <- 200
z <- as.numeric(arima.sim(list(ar = 0.5), n))   # wspólna przyczyna
x <- y <- numeric(n)
for (t in 3:n) {
  x[t] <- 0.3 * x[t - 1] + 0.8 * z[t - 1] + rnorm(1)
  y[t] <- 0.3 * y[t - 1] + 0.8 * z[t - 2] + rnorm(1)  # x nie wpływa na y
}
d <- data.frame(x, y, z)[-(1:2), ]
wynik <- function(g) c(F = round(g$F[2], 2), p = signif(g$`Pr(>F)`[2], 2))
rbind(x_do_y = wynik(grangertest(y ~ x, order = 2, data = d)),
      y_do_x = wynik(grangertest(x ~ y, order = 2, data = d)))
# kontrola z: czy przeszłość x poprawia prognozę y, gdy w modelu jest przeszłość z?
L <- function(v, k) c(rep(NA, k), head(v, -k))
d2 <- with(d, data.frame(y, y1 = L(y, 1), y2 = L(y, 2), z1 = L(z, 1), z2 = L(z, 2),
                         x1 = L(x, 1), x2 = L(x, 2)))[-(1:2), ]
m0 <- lm(y ~ y1 + y2 + z1 + z2, d2)
m1 <- lm(y ~ y1 + y2 + z1 + z2 + x1 + x2, d2)
a <- anova(m0, m1); c(F = round(a$F[2], 2), p = round(a$`Pr(>F)`[2], 3))

           F       p
x_do_y 19.74 1.6e-08
y_do_x  1.58 2.1e-01
    F     p 
0.890 0.411 

Najczęstsze pytania

Czy przyczynowość w sensie Grangera dowodzi wpływu przyczynowego?

Nie. Pokazuje, że przeszłość X poprawia prognozę Y. Taki wynik daje też wspólna przyczyna działająca na X wcześniej niż na Y albo pominięta zmienna.

Ile opóźnień wybrać w teście Grangera?

Tyle, ile uzasadnia rytm zjawiska i częstość pomiaru, albo według AIC lub BIC. Wynik bywa wrażliwy na tę decyzję, więc podaj go dla kilku rozsądnych wartości.

Czy test Grangera można liczyć na danych z trendem?

Lepiej nie. Niestacjonarne szeregi łatwo dają pozorne zależności. Najpierw sprawdź stacjonarność i w razie potrzeby zróżnicuj dane albo usuń trend.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@article{granger1969investigating, author={Granger, C. W. J.}, title={{Investigating causal relations by econometric models and cross-spectral methods}}, journal={Econometrica}, year={1969}, volume={37}, number={3}, pages={424--438}, doi={10.2307/1912791}}

@article{seth2015granger, author={Seth, Anil K. and Barrett, Adam B. and Barnett, Lionel}, title={{Granger causality analysis in neuroscience and neuroimaging}}, journal={The Journal of Neuroscience}, year={2015}, volume={35}, number={8}, pages={3293--3297}, doi={10.1523/jneurosci.4399-14.2015}}