グレンジャー因果性検定とは？時系列データの因果関係を統計的に検証する手法

グレンジャー因果性検定とは

グレンジャー因果性検定（Granger Causality Test）は、ある時系列データが別の時系列データの将来の値の予測に統計的に有用かどうかを検証する手法です。イギリスの経済学者クライブ・グレンジャー（Clive W.J. Granger）が1969年に提唱し、2003年にはこの業績でノーベル経済学賞を受賞しました。

「XがYの原因である」という哲学的な因果関係を主張するのではなく、「Xの過去値がYの予測に統計的に有意な情報を追加するか」という予測因果性（Predictive Causality）を検定する点が特徴です。

構成要素

グレンジャー因果性検定は、2つの回帰モデルの比較に基づきます。

モデル	説明	数式（概略）
制限モデル	Yの過去値のみでYを予測	Y(t) = a1Y(t-1) + a2Y(t-2) + …
非制限モデル	Yの過去値とXの過去値でYを予測	Y(t) = a1Y(t-1) + … + b1X(t-1) + …

2つのモデルの予測精度をF検定で比較し、Xの過去値の追加が統計的に有意な改善をもたらすかを判定します。

前提条件

グレンジャー因果性検定を適用するには、以下の前提を満たす必要があります。

データが定常性を持つこと（平均・分散が時間によって変化しない）
適切なラグ次数が選択されていること
線形関係を仮定していること（標準的な検定の場合）

実践的な使い方

ステップ1: データの定常性を確認する

ADF検定（拡張ディッキー・フラー検定）やKPSS検定で時系列データの定常性を確認します。非定常の場合は差分をとるか、共和分検定を経てから分析に進みます。定常性の確認は分析の前提条件であり、省略してはなりません。

ステップ2: ラグ次数を決定する

予測に使用する過去のデータのラグ次数（何期前まで遡るか）を決定します。AIC（赤池情報量規準）やBIC（ベイズ情報量規準）を用いて最適なラグ次数を選択します。ラグ次数の選択は結果に大きな影響を与えます。

ステップ3: グレンジャー因果性検定を実行する

制限モデルと非制限モデルを推定し、F検定を行います。p値が有意水準（通常0.05）を下回れば、「XはYをグレンジャー因果する」と判定します。双方向の検定（XからYとYからX）を行うことで、因果の方向性も確認します。

活用場面

マーケティング施策と売上の時間的な因果関係の検証
マクロ経済指標間の予測関係の分析
広告費と来客数の時系列的な関連性の分析
サプライチェーンにおける需給データの予測関係の把握
株価や金融指標間の先行・遅行関係の検証

注意点

予測因果と真の因果を混同しない

グレンジャー因果性は「予測に有用である」ことを示すのであり、「真の原因である」ことを証明するものではありません。第三の変数（交絡因子）が両方に影響を与えている場合でも、グレンジャー因果が検出されることがあります。

非線形関係には対応できない

標準的なグレンジャー因果性検定は線形関係を前提としています。非線形の因果関係を検証したい場合は、非線形グレンジャー因果性検定やトランスファーエントロピーなどの拡張手法を検討してください。

多変量への拡張を検討する

2変数間のみの分析では、重要な変数が見落とされるリスクがあります。VARモデル（ベクトル自己回帰モデル）を用いた多変量のグレンジャー因果性分析により、複数の変数間の関係を同時に検証できます。

まとめ

グレンジャー因果性検定は、時系列データにおける予測的な因果関係を統計的に検証する手法です。「Xの過去がYの未来の予測に役立つか」というシンプルな問いに対し、F検定による明確な判定を提供します。予測因果と真の因果の区別を正しく理解した上で活用すれば、データに基づく意思決定の強力なツールとなります。

参考資料

Granger causality - Wikipedia - Wikipedia（グレンジャー因果性の包括的解説）
Granger causality - Scholarpedia - Scholarpedia（学術的な定義と理論的背景）
Granger Causality: A Review and Recent Advances - PMC（最新の手法拡張を含むレビュー論文）
Introduction to Granger Causality - Aptech（実装方法を含む入門解説）

グレンジャー因果性検定とは？時系列データの因果関係を統計的に検証する手法