그랜저 인과성(Granger Causality)은 통계학 및 계량경제학에서 두 시계열 간의 인과 관계를 분석하기 위한 방법론 중 하나이다. 이는 특정 변수의 과거 값이 다른 변수의 현재 값을 예측하는 데 유의미한 정보를 제공하는지를 평가함으로써 '예측적 인과성'(predictive causality)을 판단하는 데 목적이 있다.
개요
그랜저 인과성은 1969년 노벨 경제학상을 수상한 클라이브 그랜저(Clive W. J. Granger)에 의해 제안된 개념이다. 이 방법은 전통적인 인과관계와는 달리 인과 관계의 철학적 정의보다는 예측 가능성에 초점을 두며, 두 시계열 변수 X와 Y가 있을 때, X의 과거 값이 Y의 현재 값을 예측하는 데 유의미한 정보를 추가로 제공한다면 "X는 Y를 그랜저 인과한다"고 표현한다. 실제로는 일반적으로 회귀 분석 기반의 F-검정을 이용하여 X의 과거 값이 Y의 예측 모형에 포함되었을 때 통계적으로 유의미한 설명력을 추가하는지를 판단한다.
어원/유래
용어 ‘그랜저 인과성’은 경제학자 클라이브 그랜저의 이름에서 유래하였다. 그는 1969년 논문에서 이 개념을 처음 제안하였으며, 이후 계량경제학 및 시계열 분석 분야에서 널리 활용되었다. 그랜저는 이 외에도 비정상 시계열과 공적분(cointegration)에 관한 연구로도 유명하다.
특징
- 그랜저 인과성은 ‘인과성’이라는 용어를 사용하지만, 철학적 또는 메커니즘적 인과관계를 의미하지는 않는다. 오직 통계적 예측 가능성의 우월성에 기반한다.
- 두 변수가 모두 시계열 데이터여야 하며, 일반적으로 정상(stationary) 시계열을 전제로 한다. 비정상 시계열의 경우 차분이나 공적분 처리가 필요할 수 있다.
- 제3의 숨은 변수에 의해 인과성이 왜곡될 수 있으므로, 결과 해석에 주의가 필요하다.
- 단방향 인과성, 양방향 인과성, 혹은 인과성이 없음을 모두 판별할 수 있다.
- 최근에는 다변량 확장인 벡터 자기회귀(VAR) 모형과 결합하여 다수의 변수 간 인과 구조를 분석하는 데 사용된다.
- 신경과학, 생물정보학, 환경 과학 등 경제학 외 분야에서도 시계열 데이터 분석 도구로 응용되고 있다.
관련 항목
- 시계열 분석 (Time Series Analysis)
- 벡터 자기회귀 모형 (VAR, Vector Autoregression)
- 공적분 (Cointegration)
- 클라이브 그랜저 (Clive Granger)
- 인과 추론 (Causal Inference)
- 통계적 유의성 (Statistical Significance)