Korelasi berbanding Kausaliti dalam Kewangan
Asingkan perkaitan statistik daripada kesan kausal, termasuk pengeliruan, kausaliti songsang, pemilihan, intervensi, kausaliti Granger, ketakpegunan, regresi palsu, dan reka bentuk penyelidikan kewangan
Jawapan terus
Korelasi menerangkan pergerakan bersama statistik antara pemboleh ubah di bawah sampel dan transformasi yang ditetapkan. Kausaliti bertanya bagaimana hasil akan berubah di bawah intervensi atau perubahan kontrafaktual pada pemboleh ubah lain. Korelasi boleh berpunca daripada kesan kausal, tetapi juga daripada punca bersama, arah songsang, pemilihan, trend, pengukuran, atau kebetulan. Perkaitan sahaja tidak mengenal pasti penjelasan yang benar
Korelasi ialah sifat sesuatu taburan
Korelasi Pearson mempiawaikan kovarians dan mengukur perkaitan linear; korelasi kedudukan mengukur susunan monoton di bawah andaian yang berbeza
Nilainya bergantung pada populasi, tetingkap, kekerapan, transformasi, pencilan, data yang hilang, dan pemboleh ubah yang disyaratkan
Korelasi sifar tidak bermaksud kebebasan kecuali dalam keluarga khas, manakala hubungan bukan linear boleh menjadi kuat dengan korelasi Pearson hampir sifar
Kausaliti memerlukan intervensi sasaran
Soalan kausal menetapkan rawatan atau tindakan, hasil, populasi, masa, dan perbandingan antara keadaan berpotensi
Kesan menaikkan kadar berbeza daripada perkaitan antara kadar yang diperhatikan dengan pulangan kerana dasar bertindak balas terhadap maklumat tentang ekonomi
Pengenalpastian kausal memerlukan andaian atau reka bentuk yang menghubungkan taburan yang diperhatikan dengan perbandingan kontrafaktual yang tidak diperhatikan
Pengeliruan dan pemilihan mencipta penjelasan alternatif
Punca bersama boleh menggerakkan kedua-dua pemboleh ubah, kausaliti songsang boleh menyebabkan hasil mempengaruhi punca yang dicadangkan, dan maklum balas boleh beroperasi dalam kedua-dua arah
Mengondisikan pada kesan bersama boleh menghasilkan bias collider, manakala survivorship dan penapis penerbitan boleh mendorong perkaitan dalam sampel yang dipilih
Menambah kawalan tidak semestinya lebih selamat: mengawal mediator, collider, proksi bising, atau pemboleh ubah selepas rawatan boleh meningkatkan bias
Kausaliti Granger ialah keutamaan ramalan
X menyebabkan Y secara Granger apabila X masa lalu meningkatkan ramalan Y melebihi set maklumat dan model yang dipilih untuk Y masa lalu
Ini ialah ujian kandungan ramalan tambahan, bukan bukti bahawa campur tangan pada X mengubah Y melalui mekanisme struktur
Pemboleh ubah yang tertinggal, berita bersama, pengagregatan, pilihan lag, ketakpegunan, dan rejim yang berubah boleh mencipta atau menghapuskan dapatan kausal Granger
Trend masa boleh menghasilkan perkaitan palsu
Siri berterusan yang bebas boleh menunjukkan R² tinggi dan regresi yang kelihatan signifikan kerana trend stokastiknya bergerak bersama dalam satu sampel
Menghapuskan trend atau mengambil beza mengubah soalan dan mungkin membuang maklumat jangka panjang, jadi ia mesti mengikuti model siri dan bukannya pembaikan visual
Ketakpegunan, punca unit, pecahan struktur, dan kointegrasi perlu didiagnosis sebelum korelasi atau regresi siri masa ditafsirkan
Mekanisme kewangan memerlukan reka bentuk yang boleh dipercayai
Eksperimen rawak jarang berlaku untuk pendedahan seluruh pasaran, tetapi eksperimen semula jadi, ketakselanjaran, instrumen, panel, dan reka bentuk peristiwa boleh membantu
Setiap reka bentuk memerlukan andaian tersendiri tentang jangkaan awal, pengecualian, trend selari, gangguan, masa, dan pengukuran yang stabil
Kajian peristiwa mengukur pergerakan tidak normal sekitar sesuatu tarikh; tanpa kontrafaktual yang sah dan masa yang bersih, ia tidak secara automatik mengenal pasti kesan peristiwa itu
Bukti perlu memisahkan penerangan daripada intervensi
Laporkan perkaitan mentah dan bersyarat, transformasi, tetingkap, peraturan data hilang, kestabilan, serta rajah kausal atau mekanisme alternatif
Nyatakan estimand dan andaian pengenalpastian, kemudian jalankan pemeriksaan pemalsuan, plasebo, trend awal, kepekaan, dan luar sampel yang sesuai dengan reka bentuk
Gunakan bahasa kausal hanya sejauh yang disokong oleh reka bentuk; ramalan boleh bernilai tanpa mendakwa bahawa intervensi akan menghasilkan semula hubungan itu
Soalan lazim
Adakah korelasi tinggi bermaksud satu aset menyebabkan aset yang lain bergerak?
Tidak. Ia menunjukkan perkaitan yang kuat dalam data yang dipilih dan boleh mencerminkan faktor bersama, maklum balas, trend, pemilihan, atau kebetulan
Apakah kausaliti Granger?
Ia ialah keupayaan nilai masa lalu satu siri untuk meningkatkan ramalan siri yang lain melebihi set maklumat dan model yang dinyatakan
Bolehkah regresi membuktikan kausaliti?
Bukan dengan sendirinya. Tafsiran kausal memerlukan reka bentuk atau andaian yang boleh dipertahankan untuk mengenal pasti kesan kontrafaktual yang berkaitan
Mengapakah korelasi kewangan boleh berubah dengan cepat?
Pendedahan, volatiliti, kecairan, dasar, peserta, pengukuran, dan rejim pasaran semuanya boleh mengubah taburan bersama
Sumber dan bacaan lanjut
Semakan pantas
Sudah membaca panduan? Uji diri dengan 3 soalan
Soalan 01
Pernyataan manakah yang paling tepat untuk panduan ini — Korelasi ialah sifat sesuatu taburan?
Pilih jawapan untuk melihat penjelasan
Glosari opsyen
A function that joins marginal distributions into a joint distribution while isolating their dependence structure; equal correlation need not imply equal joint tails.
Baca panduan terperinciCointegrationThe existence of a stationary linear combination among nonstationary series, implying a shared long-run equilibrium restriction under a specified model.
Baca panduan terperinciAt the moneyA call or put whose strike is near the underlying price; it has little intrinsic value and often substantial sensitivity to time and volatility.
Baca panduan terperinci