Published January 1, 2017
| Version v1
Publication
Open
A Better Understanding of Granger Causality Analysis: A Big Data Environment
Description
We provide a better understanding of the causal structure in a multivariate time series by introducing a novel statistical procedure for testing indirect and spurious causal effects. In practice, detecting these effects is a complicated task, since the auxiliary variables that transmit/induce indirect/spurious causality are very often unknown. The availability of hundreds of economic variables makes this task even more difficult since it is generally infeasible to find the appropriate auxiliary variables among all the available ones. In addition, including hundreds of variables and their lags in a regression equation is technically difficult. We propose an efficient statistical procedure to test for the presence of indirect/spurious causality based on big data analysis. Furthermore, we suggest an identification procedure to find the variables that transmit/induce the indirect/spurious causality. Finally, we provide an empirical application where 135 economic variables were used to study a possible indirect causality from money/credit to income.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
نحن نقدم فهمًا أفضل للهيكل السببي في سلسلة زمنية متعددة المتغيرات من خلال تقديم إجراء إحصائي جديد لاختبار الآثار السببية غير المباشرة والزائفة. من الناحية العملية، يعد اكتشاف هذه التأثيرات مهمة معقدة، نظرًا لأن المتغيرات الإضافية التي تنقل/تحفز السببية غير المباشرة/الزائفة غالبًا ما تكون غير معروفة. إن توفر مئات المتغيرات الاقتصادية يجعل هذه المهمة أكثر صعوبة لأنه من غير الممكن عمومًا العثور على المتغيرات المساعدة المناسبة بين جميع المتغيرات المتاحة. بالإضافة إلى ذلك، فإن تضمين مئات المتغيرات وتأخرها في معادلة الانحدار أمر صعب من الناحية الفنية. نقترح إجراء إحصائي فعال لاختبار وجود سببية غير مباشرة/زائفة بناءً على تحليل البيانات الضخمة. علاوة على ذلك، نقترح إجراء تحديد الهوية للعثور على المتغيرات التي تنقل/تحفز السببية غير المباشرة/الزائفة. أخيرًا، نقدم تطبيقًا تجريبيًا حيث تم استخدام 135 متغيرًا اقتصاديًا لدراسة السببية غير المباشرة المحتملة من المال/الائتمان إلى الدخل.Translated Description (French)
Nous fournissons une meilleure compréhension de la structure causale dans une série temporelle multivariée en introduisant une nouvelle procédure statistique pour tester les effets causaux indirects et fallacieux. En pratique, la détection de ces effets est une tâche compliquée, car les variables auxiliaires qui transmettent/induisent une causalité indirecte/parasite sont très souvent inconnues. La disponibilité de centaines de variables économiques rend cette tâche encore plus difficile car il est généralement impossible de trouver les variables auxiliaires appropriées parmi toutes les variables disponibles. De plus, inclure des centaines de variables et leurs décalages dans une équation de régression est techniquement difficile. Nous proposons une procédure statistique efficace pour tester la présence de causalité indirecte/parasite basée sur l'analyse des mégadonnées. En outre, nous suggérons une procédure d'identification pour trouver les variables qui transmettent/induisent la causalité indirecte/fallacieuse. Enfin, nous fournissons une application empirique où 135 variables économiques ont été utilisées pour étudier une causalité indirecte possible de l'argent/crédit au revenu.Translated Description (Spanish)
Proporcionamos una mejor comprensión de la estructura causal en una serie temporal multivariante mediante la introducción de un nuevo procedimiento estadístico para probar los efectos causales indirectos y espurios. En la práctica, detectar estos efectos es una tarea complicada, ya que las variables auxiliares que transmiten/inducen causalidad indirecta/espuria son muy a menudo desconocidas. La disponibilidad de cientos de variables económicas dificulta aún más esta tarea, ya que generalmente es inviable encontrar las variables auxiliares adecuadas entre todas las disponibles. Además, incluir cientos de variables y sus retrasos en una ecuación de regresión es técnicamente difícil. Proponemos un procedimiento estadístico eficiente para probar la presencia de causalidad indirecta/espuria basada en el análisis de big data. Además, sugerimos un procedimiento de identificación para encontrar las variables que transmiten/inducen la causalidad indirecta/espuria. Finalmente, proporcionamos una aplicación empírica donde se utilizaron 135 variables económicas para estudiar una posible causalidad indirecta del dinero/crédito a los ingresos.Files
26764.pdf.pdf
Files
(500.4 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:98470f79be30c7d76b13fd96717c7de0
|
500.4 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- فهم أفضل لتحليل سببية جرانجر: بيئة البيانات الضخمة
- Translated title (French)
- Une meilleure compréhension de l'analyse de causalité de Granger : un environnement Big Data
- Translated title (Spanish)
- Una mejor comprensión del análisis de causalidad de Granger: un entorno de Big Data
Identifiers
- Other
- https://openalex.org/W4239338802
- DOI
- 10.2139/ssrn.2914997
References
- https://openalex.org/W1966220926
- https://openalex.org/W2000632882
- https://openalex.org/W2014165366
- https://openalex.org/W2063639998
- https://openalex.org/W2079563517
- https://openalex.org/W2088515074
- https://openalex.org/W2157400927
- https://openalex.org/W2159706540
- https://openalex.org/W2178225550
- https://openalex.org/W2233802987
- https://openalex.org/W2605751520
- https://openalex.org/W3023877248
- https://openalex.org/W3124863455
- https://openalex.org/W3125930404
- https://openalex.org/W4239338802
- https://openalex.org/W4254844166