Korelasi vs Kausalitas dalam Keuangan
Pisahkan asosiasi statistik dari efek kausal, termasuk confounding, kausalitas terbalik, seleksi, intervensi, kausalitas Granger, nonstasioneritas, regresi semu, dan desain riset keuangan
Jawaban langsung
Korelasi menggambarkan pergerakan bersama statistik antara variabel di bawah sampel dan transformasi tertentu. Kausalitas menanyakan bagaimana suatu outcome akan berubah di bawah intervensi atau perubahan kontrafaktual pada variabel lain. Korelasi dapat muncul dari efek kausal, tetapi juga dari penyebab bersama, arah terbalik, seleksi, tren, pengukuran, atau kebetulan. Asosiasi saja tidak mengidentifikasi penjelasan mana yang benar
Korelasi adalah sifat distribusi
Korelasi Pearson menstandarkan kovarians dan mengukur asosiasi linear; korelasi peringkat mengukur pengurutan monoton di bawah asumsi yang berbeda
Nilainya bergantung pada populasi, jendela, frekuensi, transformasi, pencilan, data hilang, dan variabel pengondisi
Korelasi nol tidak menyiratkan independensi kecuali pada keluarga khusus, sementara hubungan nonlinear dapat kuat dengan korelasi Pearson yang mendekati nol
Kausalitas memerlukan intervensi target
Pertanyaan kausal menentukan treatment atau tindakan, outcome, populasi, waktu, dan perbandingan antara keadaan potensial
Efek menaikkan suku bunga berbeda dari asosiasi antara suku bunga yang diamati dan return karena kebijakan merespons informasi tentang ekonomi
Identifikasi kausal memerlukan asumsi atau desain yang menghubungkan distribusi teramati dengan perbandingan kontrafaktual yang tidak teramati
Confounding dan seleksi menciptakan alternatif
Penyebab bersama dapat menggerakkan kedua variabel, kausalitas terbalik dapat membuat outcome memengaruhi penyebab yang diusulkan, dan umpan balik dapat bekerja di kedua arah
Mengondisikan common effect dapat menciptakan bias collider, sedangkan survivorship dan filter publikasi dapat menghasilkan asosiasi dalam sampel terpilih
Menambahkan kontrol tidak otomatis lebih aman: mengontrol mediator, collider, proxy berisik, atau variabel pascatreatment dapat memperbesar bias
Kausalitas Granger adalah kedahuluan prediktif
X Granger-causes Y ketika X masa lalu meningkatkan prediksi Y di luar himpunan informasi dan model yang dipilih untuk Y masa lalu
Ini adalah uji kandungan prediktif inkremental, bukan bukti bahwa intervensi pada X mengubah Y melalui mekanisme struktural
Variabel terlewat, berita bersama, agregasi, pilihan lag, nonstasioneritas, dan perubahan rezim dapat menciptakan atau menghapus temuan kausalitas Granger
Tren waktu dapat membuat asosiasi palsu
Seri persisten yang independen dapat menunjukkan R² tinggi dan regresi yang tampak signifikan karena tren stokastiknya bergerak bersama dalam satu sampel
Detrending atau differencing mengubah pertanyaan dan dapat menghapus informasi jangka panjang, sehingga harus mengikuti model seri, bukan perbaikan visual
Stasioneritas, unit root, perubahan struktural, dan kointegrasi harus didiagnosis sebelum menafsirkan korelasi atau regresi deret waktu
Mekanisme keuangan memerlukan desain yang kredibel
Eksperimen acak jarang untuk eksposur pasar luas, tetapi eksperimen natural, diskontinuitas, instrumen, panel, dan desain peristiwa dapat membantu
Setiap desain memiliki asumsi sendiri tentang antisipasi, eksklusi, tren paralel, interferensi, waktu, dan pengukuran yang stabil
Event study mengukur pergerakan abnormal di sekitar suatu tanggal; tanpa kontrafaktual yang valid dan waktu yang bersih, event study tidak otomatis mengidentifikasi efek peristiwa
Bukti harus memisahkan deskripsi dan intervensi
Laporkan asosiasi mentah dan kondisional, transformasi, jendela, aturan data hilang, stabilitas, serta diagram kausal atau mekanisme alternatif
Nyatakan estimand dan asumsi identifikasi, lalu jalankan pemeriksaan falsifikasi, placebo, pretrend, sensitivitas, dan out-of-sample yang sesuai dengan desain
Gunakan bahasa kausal hanya sejauh didukung desain; prediksi dapat bernilai tanpa mengklaim bahwa intervensi akan mereproduksi hubungan tersebut
Pertanyaan umum
Apakah korelasi tinggi berarti satu aset menyebabkan aset lain bergerak?
Tidak. Korelasi menunjukkan asosiasi kuat dalam data yang dipilih dan dapat mencerminkan faktor bersama, umpan balik, tren, seleksi, atau kebetulan
Apa itu kausalitas Granger?
Kausalitas Granger adalah kemampuan nilai masa lalu satu seri untuk meningkatkan prediksi seri lain di luar himpunan informasi dan model tertentu
Dapatkah regresi membuktikan kausalitas?
Tidak dengan sendirinya. Interpretasi kausal memerlukan desain atau asumsi yang dapat dipertahankan untuk mengidentifikasi efek kontrafaktual yang relevan
Mengapa korelasi keuangan dapat berubah cepat?
Eksposur, volatilitas, likuiditas, kebijakan, pelaku, pengukuran, dan rezim pasar semuanya dapat mengubah distribusi gabungan