概述
格兰杰因果关系检验（granger causality test）是一种假设检定的统计方法，检验一组时间序列x是否为另一组时间序列y的原因[1] 。
基本观念
基本观念：未来的事件不会对目前与过去产生因果影响，而过去的事件才可能对现在及未来产生影响。也就是说，如果我们试图探讨变数x 是否对变数y 有因果影响，那么只需要估计x 的滞后值是否会影响y的现在值，因为x 的未来值不可能影响的现在值。假如在控制了y 变数的过去值以后，x 变数的过去值仍能对y 变数有显著的解释能力，我们就可以称x能“Granger 影响”（Granger-cause）y[2] 。
与自回归模型的关系
Granger因果关系检验是基于回归分析的自回归模型的。在此之前，回归分析通常只能得出不同变量间的同期相关性，自回归模型只能得出同一变量前后期的相关性。自回归模型是假设是线性关系的条件下，用x的过去值去预测x的模型，而Clive Granger于1969年论证在自回归模型中透过一系列的检定进而揭示不同变量之间的时间落差相关性是可行的，因此Granger因果关系检验，解决了不同变量间前后期的相关性的问题。
原理
局限性
格兰杰本人在其2003年获奖演说中强调了其引用的局限性，以及“很多荒谬论文的出现”（Of course, many ridiculous papers appeared）。格兰杰因果关系检验的结论只是一种统计估计，不是真正意义上的因果关系，不能作为肯定或否定因果关系的根据。同时，格兰杰因果关系检验也有一些不足之处，如并未考虑干扰因素的影响，也未考虑时间序列间非线性的相互关系。
最初版的格兰杰因果测试，有时候无法发现真正的因果关系。因为虽然对于认定因果关系而言，理论上还必须控制其他可能的干扰因素，但在 Granger 最初提出这套因果测试的版本中，并未纳入干扰变数的分析，而是假设其他可能解释变数的资讯包含在y 的滞后值中。如果事实上带来因果关系的是第三变数（干扰变数），亦即若事实上操控 x 并无法改变 y ，格兰杰因果关系的零假设仍然可能被拒绝。因此标准版的格兰杰因果测试结果可能会产生误导性。
承继著回归模型的基本性质，格兰杰因果关系分析也假设实际值与预测值之间的误差呈正态分布，若实际现象不呈正态分布将严重影响推论的有效性。
参考文献
[1] Granger causality https://en.wikipedia.org/wiki/Granger_causality
[2] 刘孟奇，张其禄，卢敬植. 警力增加能导致窃盗犯罪率降低吗？ - 台湾县市1998-2007 动态追踪资料之Granger 因果分析 (PDF).公共行政学报. 2010: 1–27 [2015-04-20].
参阅：因果分析
