这是个很好的问题。
若是追根溯源，平时用的 OLS 多数情况下都不能用 t 统计量进行统计推断，因为干扰项在多数情况下并不符合正态分布假设。我的意思是，计量理论文献中提及的很多检验方法在实证分析过程中都显得太理想化了。
当然，你提到“如果2、开头的假设成立，那么在pvar2 #,lag(#) granger命令后产生的结果只有一个chi2值是否不够有说服力呢，毕竟现实中经常会碰到小型的面板数据（N小或者T小），如果加上chi2的标准统计量Z和渐进标准统计量Z~是否更好？（当然Z~的分布需要蒙特卡罗模拟产生）” 我觉得这个或许能在一定程度上有所改进，但至于改进的程度有多大，还需要进行 Monte Carlo 模拟才能确定。不知你提到的几篇文章中是否做过这个工作。

stata 中的 test 命令得到的统计量就是传统教科书中的计算方法，它会针对原始模型中到底是使用 t 统计量还是 z 统计量而有所差别，前者对应 F 统计量，后者对应 chi2 统计量。详见 Stata 11 手册 [R], pp.1919；或 Stata12 电子手册 [R]pp.2184。

附件中是 Stata11 手册中的公式。

再问连老师， 在pvar2 kstock invest mvalue, lag(3) granger 中， kstock是invest的因 (chi=15.613, p=0.001),
但如果测试pvar2 kstock invest, lag(3) granger， kstock就不是invest的因了 （chi=3.6166, p=0.306),
什么时候可以加多个因变量， 什么时候应该用一个因变量呢？

我认为第一种情况下的结果比较靠谱。只有控制了那些关键的影响因素后再执行 Granger 因果检验，结果才是可信的。

再问连老师, 结果中的Chi2值是否可以单独取出(e.g.用 e() or r() )? 还是必须手动记录?

再问连老师, 结果中的Chi2值是否可以单独取出(e.g.用 e() or r() )? 还是必须手动记录?