Causalidad en microeconometría versus causalidad mayor en econometría de series temporales

Entiendo la causalidad como se usa en microeconomía (en particular, el diseño de discontinuidad IV o regresión) y también la causalidad de Granger como se usa en la econometría de series de tiempo. ¿Cómo me relaciono uno con el otro? Por ejemplo, he visto que ambos enfoques se utilizan para datos de panel (por ejemplo, , ). Cualquier referencia a los documentos a este respecto sería apreciada. $N=30$ $T=20$

— usuario227710
fuente

Específicamente para los datos del panel, hay una extensión de la prueba de causalidad de Granger (no) por Dumitrescu / Hurlin (2012): Prueba de no causalidad de Granger en paneles heterogéneos, Economic Modeling, 2012, vol. 29, número 4, 1450-1460.

— Helix123

Digamos que tienes dos vectores Entoncesno se Granger causasi, es decir,

\begin{aligned} F_{1, t} & = (y_{t}, y_{t - 1}, y_{t - 2}, . . .) \\ F_{2, t} & = (y_{t}, z_{t}, y_{t - 1}, z_{t - 1}, . . .) \end{aligned}

$\begin{align} F_{1,t} &= (y_t, y_{t-1}, y_{t-2},...) \newline F_{2,t} &= (y_t, z_t, y_{t-1}, z_{t-1},...) \end{align}$

z_{t}

$z_t$

y_{t}

$y_t$

E (y_{t} | F_{1, t - 1}) = E (y_{t} | F_{2, t - 1})

$E(y_t | F_{1,t-1}) = E(y_t | F_{2,t-1})$

z_{t}

$z_t$ no puede ayudar a pronosticar

. Así el término Granger "causalidad" es engañoso porque si algo una variable

es útil en la predicción otra variable

, esto no implica que

causa realmente

. Véase, por ejemplo, la discusión en Hansen (2014) (p. 319).

y_{t}

$y_t$

A

$A$

B

$B$

A

$A$

B

$B$

Como un ejemplo estúpido, en la mañana, justo antes de que salga el sol, el gallo cantará. Si ejecuta una prueba de causalidad Granger en una serie de cuervos de gallo y sale el sol, encontrará que el cuervo del gallo hace que salga el sol. Pero entonces esto no puede ser realmente una relación causal. La razón por la que califiqué este ejemplo como "estúpido" se proporciona en el aseado comentario de Hao Ye. El ejemplo es útil para ilustrar por qué un evento puede Granger causar otro, pero en realidad no lo causa en el sentido de que los microeconometristas entienden la causalidad.

La causalidad en microeconometría se basa principalmente en el marco de resultados potenciales de Donald Rubin (ver Angrist, Imbens y Rubin (1996) ). De la pregunta parece que ha leído la Econometría en su mayoría inofensiva, por lo que supongo que está familiarizado con qué tipo de efectos causales estiman los diferentes métodos como IV, diferencia en diferencias, coincidencia o diseños de discontinuidad de regresión. De cualquier manera, no existe un vínculo directo entre estos métodos microeconométricos para estimar los efectos causales y la causalidad de Granger por el simple hecho de que la causalidad de Granger no es realmente causalidad.

Y_{yo s t} = γ_{s} + λ_{t} + β {re}_{s, t} + X_{yo s t}^{'} π + ϵ_{yo s t}

$Y_{ist} = \gamma_s + \lambda_t + \beta D_{s,t} + X'_{ist}\pi + \epsilon_{ist}$

i

$i$

s

$s$

t

$t$

D_{s t}

$D_{st}$

D_{s t}

$D_{st}$

D_{s t}

$D_{st}$

D_{s t}

$D_{st}$

K

$K$

M

$M$

Y_{yo s t} = γ_{s} + λ_{t} + \sum_{metro = 0 0}^{METRO} β_{- metro} {re}_{s, t - metro} + \sum_{k = 1}^{K} β_{+ k} {re}_{s, t + k} + X_{yo s t}^{'} π + ϵ_{yo s t}

$Y_{ist} = \gamma_s + \lambda_t + \sum^{M}_{m=0}\beta_{-m} D_{s,t-m} + \sum^{K}_{k=1}\beta_{+k} D_{s,t+k} + X'_{ist}\pi + \epsilon_{ist}$ quienes evaluaron los efectos anticipados / rezagados del aumento de la protección del empleo en el uso de trabajadores temporales por parte de las empresas.

Esta idea retoma el argumento formulado en la respuesta de coffeinjunky. Cuando ya podemos afirmar de manera creíble que hay un efecto causal, podemos usar la idea de la causalidad de Granger para explorar más el efecto como lo hace Autor (2003). Sin embargo, no se puede usar para probarlo.

— Andy
fuente

Tengo que estar en desacuerdo con esta interpretación de la causalidad de Granger, ya que parece ser estrecha y no es lo que Granger tenía en mente. En (Granger 1980), señala que la variable causal hipotética debe tener información única sobre la variable dependiente. En su ejemplo, el amanecer puede predecirse sin los datos del gallo, por lo que el gallo no tiene información única y, por lo tanto, no es causal. Aquí, veo IV como una forma de abordar cómo aislar la información única en la variable causal hipotética.

— Hao Ye

@Andy: Gracias por la excelente explicación (y excelentes referencias). Esperaré otras respuestas antes de marcar su respuesta como aceptada.

— user227710

@HaoYe gracias por tu comentario. Ciertamente hay algo de mérito en la causalidad de Granger y el ejemplo fue llamado intencionalmente "estúpido" en mi nombre. Es demasiado simplista en aras de hacer un punto, pero estoy seguro de que hay mejores ejemplos para casos con causalidad de Granger sin una relación causal estructural. @ user227710: Encontré una aplicación de la causalidad de Granger en la literatura sobre los efectos del tratamiento. Actualicé la respuesta en consecuencia.

— Andy

Dado T = 20, creo que se omitirá el sesgo variable debido a ignorar la información a largo plazo (término de corrección de errores) si las series están cointegradas. Como en su ejemplo, si el tratamiento cambia en diferentes estados y en diferentes momentos y si este tratamiento se cointegra con el resultado, entonces obviamente su modelo dinámico adolece de sesgo variable omitido. La pregunta es si el tratamiento, dado que es una variable ficticia, puede considerarse I (1). Alternativamente, considera el tratamiento como una variable exógena en las ecuaciones de largo y corto plazo y obtiene un efecto causal (largo y corto plazo)

— Métricas

De acuerdo, pero eso es como decir que OLS es adecuado para la inferencia causal si tenemos los datos correctos, es decir, sin endogeneidad. Con datos ideales como los describe, GNC funciona perfectamente bien para este propósito. El problema es que rara vez tenemos este tipo de datos ideales, razón por la cual esos métodos microeconométricos para inferencia causal se desarrollaron en primer lugar. La definición de GNC aquí es la definición de libro de texto estándar y estoy hablando de ella como un método para la inferencia causal con supuestos mínimos en los datos.

— Andy

Estoy totalmente de acuerdo con Andy, y en realidad estaba pensando en escribir algo similar, pero luego comencé a preguntarme sobre este tema. Creo que todos estamos de acuerdo en que la causalidad de Granger en sí misma realmente no tiene mucho que ver con la causalidad tal como se entiende en el marco de resultados potenciales, simplemente porque la causalidad de Granger tiene más que ver con la precedencia de tiempo que con cualquier otra cosa. Sin embargo, supongamos que hay una relación causal entre $X_t$ y $Y_t$ en el sentido de que lo primero causa lo segundo, y supongamos que esto sucede a lo largo de una dimensión temporal con un retraso de un período, digamos. Es decir, podemos aplicar fácilmente el marco de resultados potenciales a dos series de tiempo y definir la causalidad de esta manera. El problema se convierte entonces en: mientras la causalidad de Granger no tiene "significado" para la causalidad como se define en el marco de resultados potenciales, ¿la causalidad implica la causalidad de Granger en el contexto de la serie de tiempo?

Nunca he visto una discusión sobre esto, pero creo que si usted o cualquier investigador quiere presentar un caso para esto, debe imponer alguna estructura adicional. Claramente, las variables deben reaccionar lentamente, es decir, la relación causal aquí no debe ser simultánea sino definida con un retraso. Entonces, creo, podría ser tranquilizador no rechazar la causalidad de Granger. Si bien esto claramente no es evidencia a favor de una relación causal, si fuera a reclamarlo, entonces tomaría la prueba de GNC como evidencia subjetiva.

— coffeinjunky
fuente