格兰杰因果关系检验的结论是一种统计估计，它先假设时间序列之间没有因果关系， 然后检验能否否定，如果能否定这个检验，那么这就可以验证这份时间序列数据对想要预测的目标是有效的。

目标使用b预测a，a是要得出预测结果的序列：

from statsmodels.tsa.stattools import grangercausalitytests
import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randint(0, 100, size=(10, 2)), columns=['a', 'b'])
grangercausalitytests(df[['a', 'b']], maxlag=2)

得到结果：

ssr based F test:         F=1.8500  , p=0.2227  , df_denom=6, df_num=1
ssr based chi2 test:   chi2=2.7750  , p=0.0957  , df=1
likelihood ratio test: chi2=2.4188  , p=0.1199  , df=1
parameter F test:         F=1.8500  , p=0.2227  , df_denom=6, df_num=1

Granger Causality
number of lags (no zero) 2
ssr based F test:         F=0.5091  , p=0.6451  , df_denom=3, df_num=2
ssr based chi2 test:   chi2=2.7152  , p=0.2573  , df=2
likelihood ratio test: chi2=2.3377  , p=0.3107  , df=2
parameter F test:         F=0.5091  , p=0.6451  , df_denom=3, df_num=2

主要看p值（第二列），所有的p小于0.05才能证明b对a有效

有时可以把x与y的顺序调过来，说不定是x=f(y)：

grangercausalitytests(df[['b', 'a']], maxlag=2)

各项指标含义

number of lags (no zero) 1：当lags为1时的检测结果
ssr based F test：残差平方和F检验
ssr based chi2 test：残差平方和卡方检验
likelihood ratio test：似然比检验结果
parr F testamete：参数 F 检验结果