多元序列与因果

互相关函数是回答"谁领先谁"最直接的工具。做法是把一条序列整体平移各种步数，每次算一次相关系数，然后看哪个平移量给出最大值。默认参数下真实滞后是 7，峰值也准确地落在 7。但这个工具有一个非常容易踩的坑：如果两条序列自身都有强自相关，互相关图会一片高，峰变得很宽很钝。把"x 自身的持续性"从 0.7 拖到 0.9 试试：峰的位置还在，但两侧的值也跟着抬起来了，如果噪声再大一点，你就分不出峰到底在 6、7 还是 8。标准的对策叫预白化：先给 x 拟合一个 AR 模型，把它变成白噪声，再用同一个滤波器处理 y，最后对这两组残差算互相关。这样得到的图峰会尖锐得多，置信带也才是正确的。另一个更大的坑：互相关完全不区分"领先"和"引起"。公鸡打鸣领先日出，冰淇淋销量领先溺水人数，这些序列的互相关都很漂亮。领先只是一个时间顺序上的事实，而因果需要额外的论证。下一个实验台会给出一个更严格（但仍然不够）的定义。

VAR 的想法非常朴素：让每个变量都对"所有变量的历史"做回归。两个变量、滞后一阶，就是两个方程、四个系数，用普通最小二乘分别估就行——读数前两行里估计值和真值贴得很紧，说明这件事不难。难的是怎么读懂它。四个系数本身不好解释，所以标准做法是画脉冲响应：假设某一期给 x 一个单位的意外冲击，然后让模型自己往前跑，看两个变量各自怎么反应。图上蓝线是 x 自己的衰减，橙线是这个冲击传到 y 身上的过程——注意它通常不是立刻最大，而是过几期才见顶，然后慢慢消退。这个"先升后降"的形状，正是宏观经济学里描述政策传导的标准语言：加息之后，通胀不会当月就下来，而是几个季度后见效。把"y 对 x 的影响"（第二个滑杆）从 0 拖到正数：反馈回路建立了起来，衰减会变慢，甚至出现来回震荡的响应。拖到足够大时系统会不稳定——对应的数学条件是 VAR 系数矩阵的特征值必须都在单位圆内，和差分方程那一页里的稳定性判据是同一件事。（要提醒的是：脉冲响应的解释依赖于"冲击是怎么定义的"。这里用的是最朴素的形式；实际研究中还要处理同期相关，这就是 Cholesky 分解、结构 VAR 之类做法的由来，而它们各自都需要额外的假设。）

格兰杰因果给了一个可以计算的定义：如果在预测 y 的时候，加上 x 的历史能显著降低误差，就说 x 格兰杰引起 y。做法是比较两个回归的残差平方和：只用 y 自己的历史，和同时用 y 与 x 的历史，然后做一个 F 检验。先把共同驱动因素调到 0，把影响强度设成 0.6。F(x→y) = 74.9，F(y→x) = 0.46——方向干干净净，正是我们希望看到的。再把影响强度设成 0：两个 F 都掉到 3 以下，也正确。现在把共同驱动因素拖到 0.9，同时把影响强度设回 0。x 和 y 之间根本没有直接联系，可是两个方向的 F 都显著了（8.7 和 14.1）。原因是那个看不见的 z：它有自相关，所以 x 的历史里含有关于 z 的信息，而 z 又影响着 y 的未来——于是 x 的历史"确实"能帮着预测 y。这就是格兰杰因果最重要的局限：它检验的是预测能力，不是因果。格兰杰本人非常清楚这一点，这个名字是后人叫开的。实践中的经验判据是：如果两个方向都显著，第一反应应该是"有没有共同驱动因素"，而不是"它们互为因果"。（另外两个常见的失手场景：序列不平稳时 F 检验的分布不对，要先差分或做协整检验；真实的因果延迟比你选的滞后阶数长时，检验会漏掉它。）

先选"完全独立的两条随机游走"，然后读那四个数。这两条序列在生成时没有任何联系，可是直接回归的平均 R² 是 0.24，而且有 16%–18% 的配对能跑出 R² > 0.5。如果你手上正好是这样一对，画出来的散点图会漂亮得让人想写论文。更要命的是：把序列长度从 100 加到 1000，这个比例几乎不变（18.5% → 15.8%）。这和一般的统计直觉正好相反——通常样本越多越可靠，而伪回归的问题不会随样本量消失。这就是 Granger 和 Newbold 1974 年那篇著名论文的结论。根源在于随机游走不平稳：它的方差随时间增长，没有均值可回归，于是"两条都在漂"这件事本身就会制造相关。差分之后一切正常：平均 R² 掉到 0.001，超过 0.5 的比例是 0%。现在换成"协整的一对"。这时两条序列各自仍然不平稳（都在乱走），但它们的某个线性组合是平稳的——差距被一根看不见的皮筋拉着。这种情况下直接对原序列回归反而是对的、有意义的，而机械地差分会把这个长期关系洗掉。所以正确的流程是：先检验平稳性，不平稳则检验协整，有协整用误差修正模型，没有协整才差分。"看到不平稳就差分"和"看到 R² 高就相信"，是两个方向相反的错误。