เวรกรรมใน microeconometrics เทียบกับเวรกรรมของ granger ในเศรษฐมิติอนุกรมเวลา

ฉันเข้าใจถึงสาเหตุที่ใช้ในเศรษฐศาสตร์จุลภาค (โดยเฉพาะอย่างยิ่ง IV หรือการออกแบบความไม่ต่อเนื่องของการถดถอย) และสาเหตุของ Granger ที่ใช้ในเศรษฐมิติอนุกรมเวลา ฉันจะสัมพันธ์กับอีกวิธีหนึ่งได้อย่างไร ตัวอย่างเช่นฉันได้เห็นวิธีการทั้งสองที่ใช้สำหรับข้อมูลพาเนล (พูดว่า , ) การอ้างอิงถึงเอกสารใด ๆ ในเรื่องนี้จะได้รับการชื่นชมT = $N=30$$T=20$

สมมติว่าคุณมีเวกเตอร์สองตัว จากนั้นซีทีไม่เกรนเจอร์สาเหตุYTถ้าE(Yเสื้อ|F1,T-1)=E(Yเสื้อ|F2,t-1), คือz

$$\begin{align} F_{1,t} &= (y_t, y_{t-1}, y_{t-2},...) \newline F_{2,t} &= (y_t, z_t, y_{t-1}, z_{t-1},...) \end{align}$$ $z_t$$y_t$$E(y_t | F_{1,t-1}) = E(y_t | F_{2,t-1})$$z_t$ไม่สามารถช่วยเหลือในการคาดการณ์ที ดังนั้นคำว่าเกรนเจอร์ "เวรกรรม" จะค่อนข้างเข้าใจผิดเพราะถ้าตัวแปรจะเป็นประโยชน์ในการคาดการณ์อีกตัวแปรBนี้ไม่ได้หมายความว่าจริงทำให้เกิดB ดูตัวอย่างการสนทนาในHansen (2014) (หน้า 319)$y_t$$A$$B$$A$$B$

เป็นตัวอย่างที่โง่ในตอนเช้าก่อนพระอาทิตย์ขึ้นไก่จะขัน หากคุณใช้การทดสอบเวรกรรม Granger ในชุดของอีกาไก่และพระอาทิตย์ขึ้นคุณจะพบว่าอีกาของไก่ทำให้ดวงอาทิตย์ขึ้น แต่นี่ก็ไม่สามารถเป็นความสัมพันธ์เชิงสาเหตุอย่างแท้จริงได้ เหตุผลที่ฉันติดป้ายตัวอย่างนี้ในชื่อ "โง่" นั้นมีให้ในความคิดเห็นที่เรียบร้อยโดย Hao Ye ตัวอย่างมีประโยชน์ในการแสดงให้เห็นว่าเหตุใดเหตุการณ์ที่ Granger อาจทำให้เกิดเหตุการณ์อื่น แต่ไม่ทำให้เกิดความจริงในแง่ที่ว่า microeconometricians เข้าใจสาเหตุ

เวรกรรมใน microeconometrics ส่วนใหญ่จะขึ้นอยู่กับกรอบผลลัพธ์ที่เป็นไปได้โดย Donald Rubin (ดูAngrist, Imbens และ Rubin (1996) ) จากคำถามที่ดูเหมือนว่าคุณได้อ่านเศรษฐมิติที่ไม่เป็นอันตรายมากที่สุดดังนั้นฉันคิดว่าคุณคุ้นเคยกับชนิดของผลกระทบที่เกิดจากวิธีการต่าง ๆ เช่น IV, ความแตกต่างในความแตกต่าง, การจับคู่หรือการถดถอยแบบไม่ต่อเนื่อง ไม่มีวิธีเชื่อมโยงโดยตรงระหว่างวิธีการทางเศรษฐศาสตร์จุลภาค (microeconometric) เหล่านี้ในการประมาณค่าผลกระทบเชิงสาเหตุและความเป็นเหตุเป็นผลของ Granger สำหรับความจริงอย่างง่าย ๆ

ในการใช้งานล่าสุดของความแตกต่างในความแตกต่าง (DiD) ความคิดของสาเหตุ Granger ถูกนำมาใช้ในการประเมินว่ามีผลกระทบที่คาดการณ์ไว้หรือล้าหลังของการรักษา สำหรับปกติไม่รูปแบบที่คุณจะพบในส่วนใหญ่ไม่เป็นอันตรายเศรษฐมิติ (บทที่ 5, หน้า 237.) โดยที่ในตัวอย่างนี้ดัชนีi , sและtสำหรับร้านอาหาร, รัฐและเวลาในขณะที่

$$Y_{ist} = \gamma_s + \lambda_t + \beta D_{s,t} + X'_{ist}\pi + \epsilon_{ist}$$ $i$$s$$t$เป็นหุ่นเท่ากับหนึ่งสำหรับร้านอาหารกลุ่มควบคุมหลังการรักษา ระบุว่า D s Tการเปลี่ยนแปลงในช่วงเวลาที่แตกต่างกันในรัฐที่แตกต่างคุณสามารถทดสอบว่าที่ผ่านมา D s Tเรื่องในการทำนายผลในขณะที่อนาคต D s Tไม่ แนวคิดก็คือหากมีผลกระทบที่คาดการณ์ไว้ผลการรักษาโดยประมาณในการตั้งค่า DiD ปกติจะประเมินผลรวมต่ำกว่าที่คาดการณ์ไว้ ในทำนองเดียวกันการซีดจางของผลการรักษาเมื่อเวลาผ่านไปอาจเป็นเรื่องที่น่าสนใจ คุณสามารถประเมินสิ่งนี้ได้โดยรวมถึงโอกาสในการขาย Kและ Mล่าช้าซึ่งจะจับภาพผลการรักษาที่คาดการณ์ไว้และล้าหลังตามลำดับในโมเดล: $D_{st}$$D_{st}$$D_{st}$$D_{st}$$K$$M$ แอพลิเคชันนี้จะมีอยู่ในตำราเรียนของคุณในหน้าต่อไปโดยใช้การศึกษาโดยผู้เขียน (2003) $$Y_{ist} = \gamma_s + \lambda_t + \sum^{M}_{m=0}\beta_{-m} D_{s,t-m} + \sum^{K}_{k=1}\beta_{+k} D_{s,t+k} + X'_{ist}\pi + \epsilon_{ist}$$ ผู้ประเมินผลกระทบที่คาดหวัง / ล่าช้าของการคุ้มครองการจ้างงานที่เพิ่มขึ้นต่อการใช้งานของพนักงานชั่วคราว

ความคิดนี้หยิบอาร์กิวเมนต์ที่เกิดขึ้นในคำตอบของ coffeinjunky เมื่อเราสามารถชี้ให้เห็นอย่างชัดเจนว่ามีผลกระทบเชิงสาเหตุเราสามารถใช้แนวคิดของสาเหตุ Granger เพื่อสำรวจผลเช่นเดียวกับ Autor (2003) ไม่สามารถใช้เพื่อพิสูจน์ได้

$X_t$$Y_t$ในแง่ที่ว่าอดีตเป็นต้นเหตุของสิ่งหลังและสมมติว่าสิ่งนี้เกิดขึ้นตามมิติเวลาที่มีความล่าช้าหนึ่งช่วงเวลา นั่นคือเราสามารถใช้กรอบผลลัพธ์ที่เป็นไปได้กับอนุกรมเวลาสองชุดและกำหนดสาเหตุในลักษณะนี้ จากนั้นจะกลายเป็นปัญหา: ในขณะที่ Granger Causality ไม่มี "ความหมาย" สำหรับ Causality ตามที่กำหนดไว้ในกรอบผลลัพธ์ที่เป็นไปได้ Causality หมายถึง Granger causality ในบริบทอนุกรมเวลาหรือไม่?

ฉันไม่เคยเห็นการสนทนาเกี่ยวกับเรื่องนี้ แต่ฉันคิดว่าถ้าคุณหรือนักวิจัยคนใดต้องการที่จะทำเรื่องนี้คุณต้องกำหนดโครงสร้างเพิ่มเติมบางอย่าง เห็นได้ชัดว่าตัวแปรจำเป็นต้องตอบสนองช้าเช่นความสัมพันธ์เชิงสาเหตุที่นี่จะต้องไม่พร้อมกัน แต่ถูกกำหนดด้วยความล่าช้า จากนั้นฉันคิดว่ามันอาจจะทำให้มั่นใจได้ว่าจะไม่ปฏิเสธสาเหตุของ Granger แม้ว่านี่จะไม่มีหลักฐานชัดเจนว่ามีความสัมพันธ์เชิงสาเหตุ แต่ถ้าคุณจะอ้างเช่นนั้นฉันก็จะทำการทดสอบ GNC เป็นหลักฐานเชิงอัตวิสัย