Статистическая концепция причинности, согласно которой переменная X является причиной по Грейнджеру для Y, если прошлые значения X улучшают предсказания будущих значений Y.Причинность по Грейнджеру — это статистическое понятие причинно-следственной связи, которое задаёт практический вопрос: помогает ли знание прошлого одной переменной предсказывать будущее другой, помимо того, что уже говорит собственное прошлое этой другой переменной? Если да, то говорят, что первая переменная «причинна по Грейнджеру» для второй. Речь идёт не о физической причинности в глубоком смысле — скорее, это инструмент для обнаружения предсказательного влияния в упорядоченных по времени данных, часто используемый в экономике, нейронауке и науках о климате.
Введено экономистом Клайвом Грейнджером в 1969 году; за эту работу он позже, в 2003 году, получил Нобелевскую мемориальную премию по экономическим наукам.
Идея проверяется с помощью регрессионных моделей. Сначала строится модель, которая предсказывает Y только по его собственным прошлым значениям. Затем строится вторая модель, добавляющая прошлые значения X. Если вторая модель существенно лучше предсказывает Y (обычно это оценивается с помощью F-теста или аналогичного критерия), то X является причиной по Грейнджеру для Y. Ключевой момент — информация о X должна предшествовать во времени результату Y, что обеспечивает временной порядок.
Используется в эконометрике для проверки того, помогает ли один экономический показатель (например, денежная масса) предсказывать другой (например, инфляцию), а в нейронауке — для выявления направленных влияний между областями мозга по временным рядам фМРТ или ЭЭГ.
Причинность по Грейнджеру может быть обманута третьей переменной, которая влияет и на X, и на Y: если её пропустить, можно ошибочно заключить, что X вызывает Y.












