چگونه آزمون علیت گرنجر تقدم پیش‌بینانه را می‌سنجد، نه اثرگذاری علی واقعی را

در سال ۱۹۶۹، در صفحات مجله اکونومتریکا، کلایو گرنجر، اقتصادسنجی‌دان بریتانیایی، یک راهکار ریاضی برای یکی از قدیمی‌ترین تله‌های فلسفی در آمار پیشنهاد کرد. این تله، غیرممکن بودن اثبات علیت واقعی از طریق داده‌های مشاهده‌ای بود. راهکار گرنجر تغییر دادن صورت مسئله بود. او به جای اینکه بپرسد آیا متغیر X به لحاظ فیزیکی باعث ایجاد متغیر Y می‌شود، پرسش محدودتر و بسیار مشخص‌تری را مطرح کرد: آیا دانستن تاریخچه X توانایی ما را در پیش‌بینی آینده Y بهبود می‌بخشد؟[1]

این مفهوم که گرنجر در ابتدا آن را «مرتبط از نظر زمانی» نامید، اما جامعه علمی گسترده‌تر به سرعت بر آن برچسب «علیت گرنجر» زد، به یکی از ارکان تحلیل سری‌های زمانی تبدیل شد. این روش یک راه ساده محاسباتی برای سنجش جریان اطلاعات بین دو توالی از نقاط داده با ترتیب زمانی فراهم کرد. با این حال، استفاده از کلمه «علیت» یک تله زبانی ایجاد کرد که دهه‌ها بعد همچنان دانشمندان داده، اقتصاددانان و پژوهشگران پزشکی را به دام می‌اندازد.[5][6]

برای درک اینکه چرا علیت گرنجر یک علیت واقعی نیست، باید به سازوکار خود این آزمون نگاه کرد. این رویه بر خودهمبستگی برداری (VAR) تکیه دارد. یک تحلیل‌گر ابتدا یک مدل محدود می‌سازد و تلاش می‌کند ارزش فعلی متغیر Y را تنها با استفاده از مقادیر گذشته خود آن پیش‌بینی کند؛ برای این کار بین ۱ تا ۱۰ گام زمانی قبلی که به عنوان وقفه (Lag) شناخته می‌شوند را آزمایش می‌کند. سپس یک مدل نامحدود می‌سازد که هم مقادیر گذشته Y و هم مقادیر گذشته متغیر X را در بر می‌گیرد.[3][4]

قضاوت ریاضی بر اساس یک آزمون اف (F-test) انجام می‌شود که دقت پیش‌بینی این دو مدل را با هم مقایسه می‌کند. اگر مدل نامحدود — یعنی مدلی که شامل تاریخچه X است — کاهش معناداری از نظر آماری در خطای پیش‌بینی ایجاد کند (که معمولاً در برابر آستانه استاندارد آلفا ۰/۰۵ سنجیده می‌شود)، آزمون فرض صفر را رد می‌کند. تحلیل‌گر نتیجه می‌گیرد که X علت گرنجری Y است. مقادیر گذشته X حاوی اطلاعات منحصربه‌فردی درباره آینده Y هستند که تاریخچه خود Y از پیش فاقد آن‌هاست.[4][6]

این گزاره‌ای درباره تقدم پیش‌بینانه است، نه یک سازوکار فیزیکی. استنتاج علی واقعی، همان‌طور که در اقتصادسنجی و همه‌گیرشناسی مدرن تعریف می‌شود، نیازمند شرایط خلاف واقع (Counterfactuals) است: اثبات اینکه مداخله‌ای که X را تغییر می‌دهد، به لحاظ فیزیکی مسیر Y را نیز دگرگون می‌کند. آزمون گرنجر به هیچ مداخله‌ای از این دست نیاز ندارد. این آزمون صرفاً توالی رویدادها را مشاهده می‌کند و همین امر آن را در برابر متغیرهای مخدوش‌کننده بسیار آسیب‌پذیر می‌سازد.[2][5]

رایج‌ترین حالت شکست زمانی رخ می‌دهد که یک متغیر سوم و مشاهده‌نشده، هر دو متغیر X و Y را اما با سرعت‌های متفاوت هدایت کند. سناریویی را تصور کنید که در آن یک بانک مرکزی مخفیانه تصمیم می‌گیرد نرخ بهره را افزایش دهد. بازارهای اوراق قرضه (متغیر X) ممکن است در عرض ۵۰ میلی‌ثانیه واکنش نشان دهند، در حالی که نرخ وام مسکن مصرف‌کننده (متغیر Y) بین ۱۴ تا ۲۱ روز زمان می‌برد تا تعدیل شود. آزمون علیت گرنجر با اطمینان اعلام می‌کند که نوسانات بازار اوراق قرضه «علت» افزایش نرخ وام مسکن است. در واقعیت، هر دو در حال واکنش به تصمیم پنهان بانک مرکزی هستند؛ مداخله برای دستکاری مصنوعی بازار اوراق قرضه، نرخ وام مسکن را مجبور به افزایش نخواهد کرد.[5][6]

دومین محدودیت عمده، علیت معکوس تاخیری است. این آزمون بررسی می‌کند که آیا وقفه‌های X متغیر Y را پیش‌بینی می‌کنند یا خیر، اما نمی‌تواند این احتمال را رد کند که پیکان علی واقعی از Y به X با تاخیری طولانی‌تر از آنچه تحلیل‌گر مدل‌سازی کرده است، جریان دارد. اگر Y به لحاظ فیزیکی باعث X شود، اما این اتفاق ۱۲ ماه زمان ببرد، و تحلیل‌گر تنها یک وقفه ۳ ماهه را آزمایش کند، آزمون ممکن است X را به عنوان پیش‌بینی‌کننده Y ثبت کند؛ صرفاً به این دلیل که X در حال واکنش به یک مقدار اولیه و اندازه‌گیری‌نشده از Y است که هنوز اثر خود را به طور کامل در سیستم نشان نداده است.[3][4]

علاوه بر این، اعتبار ریاضی این آزمون بر مفروضات سخت‌گیرانه‌ای درباره داده‌های پایه استوار است. هر دو سری زمانی باید ایستا باشند، به این معنی که ویژگی‌های آماری آن‌ها — مانند میانگین و واریانس — در طول زمان تغییر نکنند. اگر داده‌ها دارای روند یا چرخه‌های فصلی باشند، آزمون می‌تواند همبستگی‌های کاذب ایجاد کند و به اشتباه تقدم پیش‌بینانه‌ای را شناسایی کند که اصلاً وجود ندارد. تحلیل‌گران اغلب باید پیش از اجرای آزمون، از داده‌ها تفاضل‌گیری کنند — یعنی مقدار در زمان T-1 را از مقدار در زمان T کم کنند — تا به ایستایی برسند؛ گامی که می‌تواند روابط بلندمدت را مبهم سازد.[3][4]

با وجود این محدودیت‌ها، این آزمون زمانی که برای هدف اصلی و مورد نظر خود، یعنی انتخاب ویژگی در پیش‌بینی استفاده شود، همچنان ابزاری قدرتمند است. در حوزه‌هایی از پیش‌بینی کوتاه‌مدت اقتصاد کلان گرفته تا یادگیری ماشین، دانستن اینکه کدام متغیرها حاوی سیگنال‌های اولیه از یک نتیجه هدف هستند، صرف‌نظر از سازوکار فیزیکی زیربنایی، بسیار ارزشمند است.[5][6]

خطر تنها زمانی بروز می‌کند که خروجی یک فیلتر پیش‌بینی به عنوان یک اثبات همه‌گیرشناختی یا سیاستی ارائه شود. گرنجر در سخنرانی جایزه نوبل خود در سال ۲۰۰۳، با اشاره به مطالعاتی که فرض می‌کردند فیلتر آماری او سازوکارهای فیزیکی را اثبات می‌کند، خاطرنشان کرد: «البته مقالات مضحک بسیاری منتشر شدند.» واقعیت ریاضی بدون تغییر باقی می‌ماند: تقدم زمانی یک شرط لازم برای علیت واقعی است، اما هرگز یک شرط کافی نیست.[2][5]