R语言panelvar包pVAR建模后如何用pgrangertest做格兰杰因果检验

1. 公式项的适配规则 #

pgrangertest本身是针对面板结构的单向因果Wald检验，公式逻辑和pVAR的核心设定完全匹配：

• 公式左侧填入待检验的被解释内生变量（和pVAR的dependent_vars列表保持一致）
• 公式右侧填入待检验的格兰杰原因变量
• 不需要手动写入滞后项、固定效应项：函数会自动按指定阶数为右侧变量生成滞后项，同时匹配面板个体维度的残差修正逻辑，和pVAR采用前向正交离差（fod）剥离固定效应的处理逻辑适配，不需要手动添加额外的变换项。
• 前置要求：传入函数前需要先通过pdata.frame()为数据集定义面板索引，否则函数无法识别个体、时间维度，会触发报错。

2. order参数的取值标准 #

order参数必须和pVAR模型通过Andrews_Lu_MMSC准则筛选得到的最优滞后阶数完全一致。
原因是pVAR框架下的MMSC-BIC、MMSC-AIC指标，本身就是针对GMM估计的面板VAR模型，在平衡模型拟合度、自由度、残差自相关水平下得到的最优阶数。如果此处手动设置和pVAR不一致的阶数，会导致检验的动态结构和前期拟合的pVAR模型错配，检验结果无法对应pVAR系统的真实因果关系，失去参考价值。比如如果pVAR筛选得到最优滞后阶为1，order就填1L，不能随意设置为2L。

3. 三变量系统的检验次数与代码合理性 #

针对y、x、z三个存在互动机理的变量，确实需要完成6次单向检验。格兰杰检验的原假设是“变量A的滞后项对变量B无显著影响”，属于单向检验逻辑，不能双向替代，因此需要覆盖“x→y、y→x、x→z、z→x、y→z、z→y”全部6条单向路径。
最初编写的6行两变量检验代码存在两个核心问题：

• 未提前定义数据集的面板属性，函数无法正常运行
• 未对系统内的第三个变量进行控制，检验结果会被变量间的传导路径扭曲

4. 三变量系统的变量控制方法 #

原生pgrangertest仅支持双变量的基础检验，如果直接跑两变量检验，当三个变量存在传导关系时（比如模拟数据中x影响z、z影响y），两变量下的检验结果会被第三个变量的中介效应污染，存在估计偏误。
实操中的适配调整方案：

• 在公式的右侧手动加入需要控制的第三个变量，函数会自动对所有右侧变量按指定阶数生成滞后项，完成“控制其他变量滞后影响后，核心检验变量的滞后项对被解释变量是否有联合显著影响”的联合Wald检验，这一逻辑和pVAR系统下的单方程系数检验是完全等价的。
• 调整后的可运行参考代码如下（假设最优滞后阶为1）：

# 先定义面板属性
panel_pdata <- pdata.frame(panel, index = c("country", "year"))

# 控制第三变量后的全路径检验
pgrangertest(y ~ x + z, data = panel_pdata, order = 1L)
pgrangertest(y ~ z + x, data = panel_pdata, order = 1L)
pgrangertest(x ~ z + y, data = panel_pdata, order = 1L)
pgrangertest(x ~ y + z, data = panel_pdata, order = 1L)
pgrangertest(z ~ x + y, data = panel_pdata, order = 1L)
pgrangertest(z ~ y + x, data = panel_pdata, order = 1L)

注意：公式右侧解释变量的先后顺序不影响检验结果，函数会自动对所有解释变量的滞后项做联合显著性检验。

内容的提问来源于stack exchange，提问作者Miranda