granger滞后期的选择不是随便定的，需要在（Unrestricted）VAR（P）模型下确定合理的滞后阶数，综合用起来比较复杂

单纯依靠Granger因果检验，存在一些问题：首先需要变量都是平稳序列，才能检测变量之间的长期因果关系；其次，如果变量不是平稳序列，且变量间不具有协整关系，就需要将变量差分平稳化处理后，再检验因果关系。但这样变量的长期信息会因差分而丢失，检验出的只是短期因果关系。因此，传统的方法就难以同时检验变量间的长期和短期因果关系。

谢谢楼上的解答。

不过，我个人觉得诸如SC，AIC信息准则来判断滞后阶，本身只是提供了选择滞后阶的一个参考，并不能一定说AIC较小时的滞后阶就最好。

为了解决变量不平稳的问题，我在估计Granger因果检验时采用Bootstrap残差再抽样估计了检验统计量的临界值，然后比较从样本得到的统计量与临界值之间的关系。这样处理的好处是，即使变量是非平稳，样本较小，仍然可得到比较适当的结论。

现在我的问题是，滞后三阶时，Granger检验结果为A是B的Granger原因；

滞后一、二、四阶时，Granger检验结果为A不是B的Granger原因。

此时，我应当如何解释结论呢？

有必要一定要根据SC或其他准则来确定滞后阶，然后判断吗？

这样做是否会遗漏一些信息。

要知道，任何判断准则本身都是在大样本或理想状态下成立。

如果，我要分析1-4阶的所有情况，而且我已得到了以上结论，请问如何解释？

按照常规的Granger因果检验，如果A变量为I(0),B变量为I（1），是否需要将B差分或取对数已转换为平稳序列，然后再考察A与变换之后的B之间的关系呢？

如楼上所说的，变量的长期信息会因差分而丢失。

A与变换之后的B之间的关系能够代表原始A、B之间的关系呢？

当仅仅对B进行对数变换，答案是什么？

如果对B进行差分处理，答案又是什么？

什么样的变换会改变A、B之间的原始关系？

什么样的变换不会改变A、B之间的原始关系？

希望能一起探讨一下这个话题

补充一点，信息准则只是用于判断模型的优劣，在选取滞后阶时，信息准则实际上提供的是不同模型之间在解释变量个数和样本总数上的比较。个人觉得，在选取滞后阶时，完全根据AIC或SC准则来确定滞后阶，可能会得到错误的结论。

充分考虑1-5或更长滞后阶的不同情况才能充分比较A、B之间的可能关系。

Granger因果检验本身也不能体现A、B之间的逻辑上的因果关系。

Granger causality is a technique for determining whether one time series is useful in forecasting another.

Too many lags could not be helpful.

The researcher is often looking for a clear story, such as X granger-causes Y but not the other way around. In the real world, often, difficult results are found such as neither granger-causes the other, or that each granger-causes the other. Furthermore, Granger causality does not imply true causality. If both X and Y are driven by a common third process, but with a different lag, there would be Granger causality.

You could inference according to meanings of varibles in real world.