Интерпретация для nlin_causality.test из пакета NlinTs в R

Question

Детали функции гласят:

Тест оценивает, вызывает ли второй временной ряд первый.Для выполнения теста оцениваются две искусственные нейронные сети MLP, одна с использованием только целевого временного ряда (ts1), а вторая с использованием обоих временных рядов

Я использую следующий код:

for (i in series[-5]) { 
    prueba = nlin_causality.test(ts1 = peru[,"gap_y"],ts2 = peru[,i],lag = 4,
                   LayersUniv = 1,LayersBiv = 1,iters = 10000,bias = F)
 og_nl[i,1] = round(prueba$Ftest,4)
 og_nl[i,2] = round(prueba$pvalue,4)
 }

и выводом является следующая таблица:

+-------------+-----------+----------+
|  Variable   |   F-stat  | P-value  |
+-------------+-----------+----------+
| Inflación   |   0.4468  |  0.7744  |
| Var.PBI     |   2.2039  |  0.0766  |
| Var.Emisión |   2.7633  |  0.0335  |
| gap_y       |   0.5546  |  0.6963  |
+-------------+-----------+----------+

Итак, из подробностей функции я понимаю, что нулевая гипотеза состоит в том, что ts2 вызывает ts1, поэтому, если у меня значение pvalue меньше, чем 0,05в моем случае я могу сказать, что ts2 не вызывает ts1?

Спасибо

Answer 1

интерпретация этого теста аналогична тесту причинности Грейнджера.В целом, p-значение теста - это вероятность наблюдать данный результат в предположении, что H0 истинно.Для этого теста H0 является гипотезой не-причинности.Таким образом, при использовании порогового значения, например, 5%, значение p_value больше 0,05 означает, что ts2 не вызывает ts1.

В качестве дополнительного замечания, размер скрытых слоев как для одномерной, так и для двумерной моделей является векторамине целые числа.Например, LayersUniv = c (1, 2), эквивалентно модели MLP с двумя скрытыми слоями, где первый содержит один нейрон, а второй - нейроны.

Бест, Юсеф