统计百科 ·
Granger 因果检验 APA 报告怎么写 — 滞后阶、F 统计量、方向判断模板全解
统计百科：专攻"Granger 因果检验怎么写进论文"这一具体格式点——最优滞后阶选择、F 统计量与 chi² 写法、双向因果判断、块 F 检验 APA 格式，给出可直接套用的完整报告模板，盘点审稿人最常挑的错误。
时间序列论文里的 Granger 因果检验让人头疼，不在于跑统计，而在于格式细节：滞后阶要不要报告、F 统计量自由度怎么算、chi² 版本和 F 版本哪个写、方向判断怎么措辞、双向因果怎么在同一段里说清楚……这篇文章专攻"Granger 因果检验怎么规范写进论文"这一具体格式点，给出 APA 7th 所有场景的完整模板，并逐一盘点审稿人最常挑的格式错误。
你的 Granger 因果报告有这些问题吗？
审稿人或导师关于 Granger 因果检验报告最常见的反馈：
- "没有说明滞后阶如何确定，依据哪个信息准则？"
- "F 统计量自由度写成 F(1, N) 是错误的，分子自由度应为滞后阶数 p"
- "chi²(Wald) 版本和 F 版本混用，请统一"
- "方向判断结论措辞不规范，'A 导致 B' 表述过于因果化"
- "双向因果用了两段分开描述，格式冗余"
- "没有报告 AIC/BIC/HQIC 的最优滞后阶选择依据"
- "Granger 因果不等于真实因果，结论部分应加限定语"
这些错误集中在 APA 7th 关于时间序列与因果推断报告的多个细节，但专门针对 Granger 因果汇总的格式指南并不多。本文只讲一件事：Granger 因果检验到底怎么规范写进论文的每一种场景。
如果你还没看过姊妹篇 F 值的 APA 7th 报告写法，建议先读那篇，本文默认你已了解 F 统计量格式（F(df1, df2)）、p 值不加前导零（.032 而非 0.032）等基础规则，不再重复。
一、Granger 因果检验是什么，核心逻辑是什么
检验的直觉含义
Granger 因果检验（Granger Causality Test）回答的问题是：变量 X 的过去值，是否能改善对变量 Y 未来值的预测？
正式表述：在控制 Y 自身所有滞后值之后，若 X 的滞后值能显著提升对 Y 的预测精度，则称"X Granger-causes Y"（X 对 Y 存在 Granger 因果关系）。
$F = \frac{(RSS_{restricted} - RSS_{unrestricted}) / p}{RSS_{unrestricted} / (T - k)}$
- $RSS_{restricted}$：只含 Y 滞后值的受限模型残差平方和
- $RSS_{unrestricted}$：含 Y 滞后值和 X 滞后值的非受限模型残差平方和
- $p$：X 的滞后阶数（分子自由度）
- $T - k$：样本量减去参数个数（分母自由度）
重要限制：Granger 因果不等于真实因果关系。结论措辞应使用"Granger 意义上的先行关系"或"统计预测意义上的单向/双向关联"，不应直接写"X 导致 Y"。
检验与 VAR 模型的关系
Granger 因果检验通常在向量自回归（VAR）模型框架下进行，等价于对 VAR 方程中某个变量滞后项系数联合显著性的"块 F 检验"（Block F-test / Wald Test）。
| 版本 | 统计量 | 自由度 |
|---|---|---|
| F 检验（小样本推荐） | F(p, T-k) | df1 = 滞后阶 p，df2 = T-k |
| chi² 检验（Wald，大样本） | chi²(p) | df = 滞后阶 p |
| LR 检验（似然比） | chi²(p) | df = 滞后阶 p |
二、最优滞后阶选择：必须先报告这一步
信息准则对照表
| 准则 | 全称 | 特点 |
|---|---|---|
| AIC | Akaike Information Criterion | 倾向较多滞后，防欠拟合 |
| BIC（SIC） | Bayesian/Schwarz Information Criterion | 惩罚最重，倾向较少滞后 |
| HQIC | Hannan-Quinn Information Criterion | 介于 AIC 与 BIC 之间 |
| FPE | Final Prediction Error | 与 AIC 渐近等价 |
APA 格式要求：报告最优滞后阶时，必须说明依据哪个信息准则，并报告多准则结果（若存在分歧，说明取哪个及原因）。
滞后阶报告模板：
依据 Akaike 信息准则（AIC）和 Schwarz 信息准则（BIC），
VAR 模型的最优滞后阶数确定为 [p] 阶（AIC = -X.XX，BIC = -X.XX）。
三、APA 7th 格式规范：Granger 因果报告必须包含的要素
必报要素清单
| 要素 | 格式 | 示例 |
|---|---|---|
| 检验类型说明 | 基于 VAR(p) 的块 F 检验 | VAR(2) |
| 滞后阶及选择依据 | p 阶，据 AIC/BIC | p = 2，AIC |
| F 统计量（含两个 df） | F(p, T-k) = X.XX | F(2, 94) = 6.43 |
| p 值（精确三位小数） | p = .XXX 或 p < .001 | p = .002 |
| 方向判断 | X → Y 或 Y → X 或双向 | 单向 |
| 因果意义限定语 | Granger 意义上 | "X 对 Y 存在 Granger 因果关系" |
p 值与 F 值的精度要求
- F 值精确到两位小数：F = 6.43（不写 6.4 或 6.432）
- p 值精确到三位小数，不加前导零：p = .002（不写 p = 0.002）
- p = .000 → 改写为 p < .001
- chi² 版本同样精确到两位小数：chi²(2) = 12.87，p = .002
四、各场景完整 APA 报告模板
场景一：单向 Granger 因果（X → Y）
情形：月度数据，N = 100，VAR(2)，检验"货币供给量（M2）是否 Granger-causes GDP 增速"。
完整报告段落模板：
依据 AIC 和 BIC，确定 VAR 模型最优滞后阶数为 [p] 阶
（AIC = -X.XX，BIC = -X.XX）。
基于 VAR([p]) 的块 F 检验结果显示，
[变量X]对[变量Y]存在 Granger 因果关系，
F([p], [T-k]) = X.XX, p [值]，
表明在控制[变量Y]自身滞后值后，
[变量X]的过去值能显著改善对[变量Y]的预测（Granger，1969）；
反方向检验结果不显著，[变量Y]对[变量X]不存在 Granger 因果关系，
F([p], [T-k]) = X.XX, p = .XXX。
上述结果表明二者存在单向 Granger 因果关系（[变量X] → [变量Y]）。
填入数值的示例：
依据 AIC 和 BIC，确定 VAR 模型最优滞后阶数为 2 阶（AIC = -3.21，BIC = -2.97）。基于 VAR(2) 的块 F 检验结果显示，货币供给量（M2）对 GDP 增速存在 Granger 因果关系，F(2, 94) = 6.43，p = .002，表明在控制 GDP 增速自身滞后值后，M2 的过去两期值能显著改善对 GDP 增速的预测（Granger，1969）；反方向检验结果不显著，GDP 增速对 M2 不存在 Granger 因果关系，F(2, 94) = 0.87，p = .422。上述结果表明二者存在单向 Granger 因果关系（M2 → GDP 增速），即 M2 变动在统计意义上先行于 GDP 增速变动。
场景二：双向 Granger 因果（X ⇌ Y）
情形：季度数据，N = 80，VAR(3)，检验"出口增速"与"经济增速"的双向关系。
完整报告段落模板：
依据 HQIC，确定 VAR 模型最优滞后阶数为 [p] 阶（HQIC = -X.XX）。
块 F 检验结果显示，[变量X]对[变量Y]存在 Granger 因果关系，
F([p], [T-k]) = X.XX, p [值]；
[变量Y]对[变量X]亦存在 Granger 因果关系，
F([p], [T-k]) = X.XX, p [值]。
上述结果表明[变量X]与[变量Y]之间存在双向 Granger 因果关系，
提示两者相互预测、动态反馈，
但不排除共同驱动因素的潜在影响，解读时需谨慎。
填入数值的示例：
依据 HQIC，确定 VAR 模型最优滞后阶数为 3 阶（HQIC = -2.84）。块 F 检验结果显示，出口增速对经济增速存在 Granger 因果关系，F(3, 71) = 4.72，p = .005；经济增速对出口增速亦存在 Granger 因果关系，F(3, 71) = 3.89，p = .013。上述结果表明出口增速与经济增速之间存在双向 Granger 因果关系（出口 ⇌ 经济增速），提示两变量之间存在统计意义上的相互超前—滞后关系，动态反馈机制明显，但需注意 Granger 因果不等于真实因果，结论解读应结合经济理论审慎进行。
场景三：无 Granger 因果（结果不显著）
完整报告段落模板：
块 F 检验结果显示，[变量X]对[变量Y]不存在 Granger 因果关系，
F([p], [T-k]) = X.XX, p = .XXX（p > .05）；
[变量Y]对[变量X]亦不存在 Granger 因果关系，
F([p], [T-k]) = X.XX, p = .XXX。
上述结果表明在所选滞后阶下，
两变量之间不存在统计意义上的先行—滞后关系。
场景四：chi²（Wald 检验）版本报告
当使用 chi² 统计量（大样本或软件默认输出 Wald 统计量）时：
完整报告段落模板：
基于 VAR([p]) 的 Wald 检验结果显示，
[变量X]对[变量Y]存在 Granger 因果关系，
chi²([p]) = X.XX, p [值]；
反方向不显著，chi²([p]) = X.XX, p = .XXX。
注意：同一篇论文中，F 检验版本和 chi² 版本不可混用，在方法章节明确说明使用哪种版本。
场景五：多变量系统（VAR 多方程同时检验）
情形：三变量 VAR 系统（X、Y、Z），依次检验所有方向。
完整报告表格格式（可置于结果章节的表格说明中）：
表X
Granger 因果检验结果汇总（VAR(2)，N = 100）
因果方向 F(2, 91) p
---
X → Y 6.43 .002 **
Y → X 0.87 .422
X → Z 3.12 .049 *
Z → X 1.24 .294
Y → Z 4.89 .010 **
Z → Y 0.53 .591
注：* p < .05，** p < .01。VAR 最优滞后阶数依据 AIC 确定（AIC = -3.21）。
→ 表示"Granger-causes"（在统计预测意义上先行）。
五、方向判断的规范措辞
Granger 因果的结论措辞有严格的学术规范，以下对照表列出正确与错误写法：
| 场景 | 错误写法（过于因果化） | 正确写法（APA 规范） |
|---|---|---|
| X 显著 → Y | X 导致 Y 增加 | X 对 Y 存在 Granger 因果关系；X 的过去值能显著预测 Y |
| 单向 X → Y | X 是 Y 的原因 | 二者存在单向 Granger 因果关系（X → Y） |
| 双向 X ⇌ Y | X 和 Y 互为因果 | 二者存在双向 Granger 因果关系，提示相互预测的动态关联 |
| 不显著 | X 与 Y 无关 | 在 VAR(p) 框架下，X 对 Y 不存在 Granger 因果关系（p > .05） |
关键限定语（方法章节或结果章节必须包含其中之一）：
"需要注意的是，Granger 因果检验仅能反映变量间的统计预测关系（时间先行性），而非真实的经济/因果机制，结论解读需结合理论框架审慎进行（Granger，1969；Sims，1980）。"
六、在 ChatSRS 一句话获得规范 Granger 因果报告
打开 chatsrs.com，上传数据后输入：
"对月度数据中的 M2 增速和 GDP 增速进行 Granger 因果检验：先用 AIC 和 BIC 选择 VAR 最优滞后阶数（最大滞后阶设为 6）；分别检验双向 Granger 因果，输出 F 统计量（含两个自由度）和 p 值；给出符合 APA 7th 格式的完整报告段落，并注明 Granger 因果的统计预测含义限制。"
ChatSRS 依托 VAR/时间序列模块（var/time_series 68）自动完成滞后阶选择、双向检验和 APA 格式输出，结果可直接复制进论文结果章节。
如需多变量系统（三变量及以上）的 Granger 因果矩阵，在指令中说明变量列表，ChatSRS 自动输出所有方向的汇总表格。
七、方法章节怎么描述 Granger 因果检验
标准方法章节描述
采用 Granger 因果检验（Granger，1969）考察变量间的统计先行关系。
检验在向量自回归（VAR）模型框架下进行，通过对 VAR 方程中
目标变量滞后项系数的块 F 检验（Block F-test）评估因果方向；
VAR 最优滞后阶数依据 Akaike 信息准则（AIC）和
Schwarz 信息准则（BIC）联合确定。
所有变量在检验前经 ADF 单位根检验确认平稳性
（或经差分处理后纳入模型）。
显著性水平设为 alpha = .05。
统计分析使用 ChatSRS（R 引擎 vars 包）。
需要注意的是，Granger 因果检验仅反映变量间的统计预测关系，
而非真实因果机制，结论解读需结合理论框架进行。
八、常见错误对照表
| 常见错误 | 正确写法 | 违反的规则 |
|---|---|---|
| F = 6.43（无自由度） | F(2, 94) = 6.43 | df 须写入括号（df1 = 滞后阶 p） |
| F(1, 94) = 6.43（df1 写成 1） | F(2, 94) = 6.43（df1 = 滞后阶数） | df1 = p，不是 1 |
| p = .000 | p < .001 | .000 是舍入假值 |
| p = 0.032 | p = .032 | APA 不加前导零 |
| F 和 chi² 混用 | 全篇统一用 F 或统一用 chi² | 统一报告形式 |
| 没有报告滞后阶选择依据 | 说明 AIC/BIC 及具体值 | 可重复性要求 |
| "X 导致 Y 增加" | "X 对 Y 存在 Granger 因果关系" | 避免过强因果表述 |
| 只报告单向，遗漏反向结果 | 双向均需报告（含不显著方向） | 完整性要求 |
| 未说明平稳性处理 | 方法章节注明 ADF 检验结果 | 前提假设透明度 |
常见 FAQ
Q：Granger 因果检验的 F 统计量分子自由度是什么？
A：分子自由度（df1）等于所检验变量的滞后阶数 p，不是 1。例如 VAR(3) 中检验变量 X 对 Y 的 Granger 因果，则 df1 = 3，写作 F(3, T-k)。分母自由度 df2 = T - k，T 为有效观测数，k 为非受限模型的参数总数。这是 Granger 因果报告中最常见的错误——很多人将 df1 错写为 1，混淆了"单个系数检验"和"联合显著性（块 F）检验"的区别。
Q：用 chi²（Wald）还是 F 检验？哪个更规范？
A：两者均可，但选用逻辑不同。F 检验适用于小样本（T < 100），属于有限样本精确检验，结果更保守。chi² Wald 检验是大样本渐近检验，T 较大时与 F 检验结果接近。APA 7th 并未规定必须使用哪种，但要求全篇统一，不可混用。在中国社会科学期刊中，Stata 和 EViews 默认输出 chi²（Wald），而 R 的 vars 包默认输出 F，选择时参照目标期刊惯例或软件默认即可，在方法章节注明即可。
Q：变量不平稳怎么处理，还能做 Granger 检验吗？
A：标准 Granger 因果检验（基于 VAR 水平方程）要求变量平稳。若变量非平稳（存在单位根）：(1) 对变量取一阶差分后检验；(2) 若变量存在协整关系，可在 VECM（向量误差修正模型）框架下做因果检验；(3) Toda-Yamamoto 方法可在含单位根的 VAR 水平值中进行因果检验，无需差分（适合协整关系不明确时）。方法章节必须说明平稳性检验结果（ADF/PP 检验）及对应的处理方式。
Q：Granger 因果显著，可以在结论里说"X 导致 Y"吗？
A：不可以。Granger 因果的本质是"统计预测先行性"——X 的历史值能改善对 Y 的预测，但这不等于 X 在机制上导致 Y。两者的混淆是经济学和社会科学论文中的高频审稿意见。正确措辞是："X 对 Y 存在 Granger 因果关系"、"X 在统计意义上先行于 Y"、"存在从 X 到 Y 的单向 Granger 先行关系"。若要主张真实因果，需要额外的工具变量、DID 或自然实验等因果识别策略。
Q：ChatSRS 能同时输出 ADF 检验 + Granger 因果检验吗？
A：可以。在 ChatSRS 指令中一并说明，例如："先对所有变量做 ADF 单位根检验（含截距项和趋势项），确认平稳性处理方式；再用 AIC 选定 VAR 最优滞后阶数，完成双向 Granger 因果检验，输出 APA 格式报告段落。"ChatSRS 会按流程依次输出平稳性检验结果、滞后阶选择依据和 Granger 因果检验结果，格式可直接嵌入论文结果章节。
快速参考：Granger 因果报告格式速查卡
[滞后阶报告]
依据 AIC 和 BIC，VAR 最优滞后阶数为 p 阶（AIC = -X.XX，BIC = -X.XX）。
[单向 Granger 因果（F 检验版）]
X 对 Y：F(p, T-k) = X.XX, p = .XXX（显著/不显著）
Y 对 X：F(p, T-k) = X.XX, p = .XXX（显著/不显著）
结论：存在单向/双向/无 Granger 因果关系（X → Y / X ⇌ Y / 无）
[单向 Granger 因果（chi² Wald 版）]
X 对 Y：chi²(p) = X.XX, p = .XXX
Y 对 X：chi²(p) = X.XX, p = .XXX
[多变量系统汇总表]
表 X：Granger 因果检验结果（VAR(p)，N = T）
因果方向 | F(p, T-k) | p | 结论
---
注：* p < .05，** p < .01，*** p < .001
[方向措辞]
显著：X 对 Y 存在 Granger 因果关系
不显著：X 对 Y 不存在 Granger 因果关系（p > .05）
双向：二者存在双向 Granger 因果关系（X ⇌ Y）
相关阅读
- F 值的 APA 7th 报告写法 — F(df1,df2)格式、效应量 eta 平方、报告模板全解
- AI VAR 向量自回归分析 — 脉冲响应与方差分解实操
- APA 格式 VAR 脉冲响应报告写法
- AI 时间序列分析 — ARIMA、趋势检验、预测实操
本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。