Terlihat bahwa teori Granger dilandasi atas asumsi sejumlah informasi yang memasukkan X dan Y saat ini dan semua informasi masa lalu. Katakanlah At adalah himpunan informasi yang telah tersedia dengan t =, -1, 0, 1, 2, Dengan lain, asumsi yang digunakan adalah A={(X, Y)}. X dan Y dianggap merupakan sepasang data runtut waktu yang memiliki kovarians linear yang stasioner (linear covariance-stationary time series). Oleh karena itu: (1) Yt = ai Yt-i + bj Xt-j + t (2) Xt = ci Xt-i + dj Yt-j + t di mana (t, t) adalah vektor random independen dengan rata-rata nol dan matriks kovarians terbatas. Persamaan 1 menunjukkan bahwa variabel Xt gagal menyebabkan Yt apabila dalam regresi Yt terhadap Y lag dan X lag, koefisien X lag sama dengan nol. Dengan kata lain, bila bj=0 (i=1, 2, .., k), maka Xt gagal menyebabkan Yt.
CM-->YG: 2.88 (0.16) MY-->YG: 0.22 (0.95) RD-->YG: 1.19 (0.43) SNY-->YG: 0.43 (0.81)
YG-->CM: 1.44 (0.38) YG-->MY: 5.73 (0.03) YG-->RD: 3.70 (0.08) YG-->SNY: 2.08 (0.18)
Lakukan berulang-ulang pada kotak Lag Specification memasukkan angka 2, 3 dan 4 hasilnya sebagai berikut:
Pairwise Granger Causality Tests Date: 06/30/06 Time: 14:46 Sample: 1995:01 1999:12 Lags: 2 Null Hypothesis: RPUS does not Granger Cause SBI SBI does not Granger Cause RPUS Pairwise Granger Causality Tests Date: 06/30/06 Time: 14:49 Sample: 1995:01 1999:12 Lags: 3 Null Hypothesis: RPUS does not Granger Cause SBI SBI does not Granger Cause RPUS Pairwise Granger Causality Tests Date: 06/30/06 Time: 14:51 Sample: 1995:01 1999:12 Lags: 4 Null Hypothesis: RPUS does not Granger Cause SBI SBI does not Granger Cause RPUS
dengan
Obs 58
Obs 57
Obs 56