Testing for causality with Wald tests under nonregular conditions

Das Kausalitaetskonzept von Granger und die Impuls-Antwort-Analyse sind zwei Konzepte, die haeufig verwendet werden, um kausale Beziehungen zwischen zwei Variablen in vektorautoregressiven (VAR) Modellen zu untersuchen. Wenn das VAR Modell mehr als zwei Variablen umfasst, besteht eine Erweiterung des Standard Granger Kausalitaetskonzepts darin, Kausalitaet an hoeheren Prognosehorizonten zu messen. Die Kausalitaetsbeziehungen unter diesem erweiterten Granger Kausalitaetskonzept werden mit denen bei Standard Granger Kausalitaet (Ein-Schritt-Prognose) und mit Kausalitaet im Sinne der Impuls-Antwort-Analyse verglichen. Es wird insbesondere dargestellt, inwiefern das erweiterte Granger Kausalitaetskonzept als Verallgemeinerung der letztgenannten Konzepte aufgefasst werden kann. Wenn Kausalitaet an Prognosehorizonten groesser als eins gemessen wird und das VAR Modell mehr als zwei Variablen umfasst, impliziert die Nullhypothese, dass eine Variable nicht kausal fuer eine andere Variable sei, nichtlineare Restriktionen auf die VAR Koeffizienten. (In nichtstationaeren VAR Modellen treten nichtlineare Restriktionen sogar schon unter dem Standard Granger Kausalitaetskonzept auf.) Aufgrund der speziellen Form der Restriktionen kann es vorkommen, dass die Standard Wald Statistik nicht mehr die uebliche, asymptotische Chiquadrat-Verteilung hat. Dieses Problem wird im allgemeinen in der Praxis ignoriert. Beispiel 4.1, Proposition 4.1 und Korollar 4.1 zeigen jedoch, dass dieses Problem nicht irrelevant ist. Zwei Loesungen werden in Proposition 5.1 und Proposition 5.2 in Form eines randomisierten Wald Tests sowie eines Wald Tests mit verallgemeinerter Inverse angeboten. In einer anschliessenden kleinen Simulationsstudie werden Groesse und Macht dieser modifizierten Wald Tests relativ zu der des Standard Wald Tests untersucht fuer verschiedene stationaere trivariate VAR(1)-Modelle. In einem kurzen Ueberblick werden zudem Vor- und Nachteile alternativer Testverfahren (Bootstrap, sequentielle Tests) zusammengefasst.