קלייב גריינג'ר

קלייב גריינג'ר: האיש ששבר את האקונומטריקה כדי לתקן אותה

בשנת 1974 פרסמו קלייב גריינג'ר (Clive Granger) ופול ניובולד (Paul Newbold) תוצאה שהייתה אמורה להיות משפילה עבור המקצוע שלהם. ביישום על סוג הנתונים שכלכלנים עובדים איתם בפועל, שיטות הרגרסיה הסטנדרטיות שכולם השתמשו בהן יכלו להצביע על קשרים חזקים ומשכנעים סטטיסטית בין משתנים שלא היה ביניהם שום קשר. כפי שניסחה זאת מאוחר יותר ועדת פרס נובל, גישות קונבנציונליות "עלולות להניב תוצאות מטעות לחלוטין כאשר הן מיושמות על ניתוח של נתונים לא-סטציונריים". חלק גדול מהכלכלה שפורסמה למעשה לא מדד דבר.

הילד שהמורה ויתר עליו

קלייב ויליאם ג'ון גריינג'ר (Clive William John Granger) נולד בסוונסי ב-4 בספטמבר 1934, למשפחה שעברה דירה לעיתים קרובות במהלך ילדותו. מורה בבית הספר היסודי קבע קביעה מייאשת לגבי סיכוייו - סוג השיפוט שבדרך כלל סוגר את העניין. זה לא קרה: בעידוד אביו וחבריו, הוא הלך לאוניברסיטה בכל זאת.

הוא למד מתמטיקה באוניברסיטת נוטינגהאם, סיים את התואר ב-1955 ונשאר ללימודי דוקטורט בהנחיית הארי פיט (Harry Pitt). התזה שלו, שהושלמה ב-1959, נקראה "בדיקה לאי-סטציונריות" (Testing for Non-stationarity), והבחירה בנושא הייתה אסטרטגית ולא מקרית. ניתוח סדרות עיתיות היה תחום שחשב שיש לפתחו, והוא נכנס אליו בכוונה. הוא הבטיח לעצמו משרת מרצה זוטר בנוטינגהאם בגיל עשרים ושלוש.

פרינסטון והסטייה הספקטרלית

שנת פוסט-דוקטורט בפרינסטון בין 1959 ל-1960 הפגישה אותו עם ג'ון טוקי (John Tukey), אחד הסטטיסטיקאים הגדולים של המאה העשרים, כשהוא עובד על ניתוח ספקטרלי - פירוק אות לתדרים המרכיבים אותו. זהו ארגז כלים של מהנדס ולא של כלכלן, וייבוא שלו לכלכלה הוא דוגמה מוקדמת טובה למה שגריינג'ר עשה באופן קבוע: לקחת טכניקה מתחום עם מתמטיקה טובה יותר ולכוון אותה לעבר נתונים כלכליים.

הוא חזר לנוטינגהאם, שם בילה יותר משני עשורים כפרופסור לסטטיסטיקה יישומית ואקונומטריקה, לפני שעבר לאוניברסיטת קליפורניה בסן דייגו, שם נשאר במשך שלושה עשורים ושיתף פעולה עם רוברט אנגל (Robert Engle).

סיבתיות גריינג'ר

מאמרו משנת 1969 בכתב העת Econometrica נתן לתחום את המושג שעדיין נושא את שמו. השאלה שבה הוא עוסק היא עתיקה וחמקמקה: מה זה אומר לומר שמשתנה כלכלי אחד מניע אחר? התשובה של גריינג'ר הייתה תפעולית ולא פילוסופית. אם ידיעת העבר של סדרה X משפרת את התחזית שלך לגבי סדרה Y מעבר למה שהעבר של Y כבר מספר לך, אזי נאמר ש-X גורם ל-Y ב"סיבתיות גריינג'ר". זוהי הגדרה הבנויה כולה על תוכן חיזויי, ויתרונה הוא שניתן לבחון אותה בפועל מול נתונים במקום להתווכח עליה.

THE FREE TEST
How high is yours?

Twenty questions, eight minutes on the clock, and a percentile measured against everyone who has taken it. No sign-up.

Take the IQ test →

בעיית הרגרסיה המדומה

המאמר מ-1974 עם פול ניובולד היה ההריסה. סדרות כלכליות - מחירים, תפוקה, היצע כסף - נוטות בדרך כלל להציג מגמה. הן לא-סטציונריות: התכונות הסטטיסטיות שלהן משתנות עם הזמן. הזן שתי סדרות כאלה לתוך רגרסיה קונבנציונלית והמנגנון יכריז לעיתים קרובות על קשר חזק היכן שאין כזה, מכיוון ששתיהן נסחפות והבדיקה לא בנויה להבחין בין סחיפה לתלות. גריינג'ר, בלשון ההספד, "חשף את תופעת הרגרסיה המדומה" (spurious regression), ובכך הטיל ספק בגוף גדול של עבודה אמפירית קיימת.

קריירות רבות נבנו על סוג כזה של תוצאה הרסנית. הייחוד של גריינג'ר הוא שהוא לא עצר שם.

קו-אינטגרציה

התשובה הבנאית הגיעה ב-1987, במאמר ב-Econometrica שנכתב עם רוברט אנגל. התובנה היא ששתי סדרות לא-סטציונריות עשויות בכל זאת להיות קשורות זו לזו, נודדות בנפרד אך לעולם לא מתרחקות יותר מדי - חולקות מגמה משותפת, כך ששילוב כלשהו שלהן הוא יציב. גריינג'ר כינה סדרות כאלה "קו-אינטגרטיביות" (cointegrated), והמאמר סיפק את המנגנון לבדיקת התנאי ולמידול הקשר כראוי כאשר הוא מתקיים.

זה פתר את הבעיה שהמאמר מ-1974 יצר. היכן שלפני כן הבחירה הייתה בין שיטה שמשקרת לבין חוסר שיטה בכלל, כלכלנים יכלו כעת להבחין בין קשר ארוך טווח אמיתי לבין צירוף מקרים של מגמות. התברר שזה חל הרבה מעבר לפיננסים: גריינג'ר הדגים את הרלוונטיות שלו למחירי סחורות, ריביות, ביקוש לחשמל, בירוא יערות, הצפות נהרות וכתמי שמש.

בשנת 2003 הוא ואנגל חלקו את פרס בנק שוודיה למדעי הכלכלה לזכר אלפרד נובל, בהוקרה על תרומתם לניתוח נתונים של סדרות עיתיות; החצי שלו הוענק ספציפית "עבור שיטות לניתוח סדרות עיתיות כלכליות עם מגמות משותפות (קו-אינטגרציה)". הוא קיבל תואר אבירות ב-2005. נוטינגהאם הקימה את מרכז גריינג'ר לאקונומטריקה של סדרות עיתיות ב-2006. הוא נפטר בסן דייגו ב-27 במאי 2009, בגיל שבעים וארבע, והותיר אחריו את אשתו פטרישיה ושני ילדים.

מדוע קלייב נקרא גאון

היכולת המסוימת כאן קלה להגדרה ונדירה למציאה: גריינג'ר הבחין שהליך שנחשב למהימן באופן אוניברסלי שבור, ואז בנה את הדבר שתיקן אותו. כל מחצית לבדה הייתה בונה קריירה משמעותית. זיהוי רגרסיה מדומה דרש חשדנות של מתמטיקאי כלפי תוצאה שכולם מצאו נוחה - הנכונות לשאול האם בדיקה שממשיכה להחזיר ממצאים משמעותיים מזהה אמת או מייצרת אותה. בניית קו-אינטגרציה דרשה את המזג ההפוך: עבודה בונה וסבלנית, שלוש עשרה שנים מאוחר יותר, על הבעיה הספציפית שהביקורת שלו עצמו חשפה. מעט מאוד אנשים ששוברים תחום נשארים לתקן אותו.

יש גם עניין של מה הוא בחר לעבוד עליו. בגיל עשרים ושלוש הוא בחר בניתוח סדרות עיתיות כי שפט את התחום כלא מפותח מספיק, ובילה חמישים שנה בייבוא כלים מדיסציפלינות מאובזרות טוב יותר - שיטות ספקטרליות של טוקי ביניהן - לתוך תחום עם נתונים מבולגנים ומתמטיקה חלשה. זוהי אינטליגנציה אסטרטגית לגבי היכן מאמץ ישתלם, שאינה זהה לכישרון גולמי ואפשר לטעון שהיא נדירה יותר.

מקרה הנגד אמיתי וגריינג'ר עשה את רובו בעצמו. בזיכרונותיו מהנובל הוא תיאר את עצמו כ"בר-מזל מטבעו", עם כישרון למציאת מידע שימושי - לא דיוקן עצמי של אדם שחשב שהוא גאון. המילה לא מופיעה בציטוטים; המנהל של המרכז הקרוי על שמו בחר ב"כישרון עצום" ו"נדיבות רוח", שזהו שבח מסוג אחר. כל אחת מתוצאות המפתח שלו משותפת: רגרסיה מדומה עם ניובולד, קו-אינטגרציה עם אנגל, הפרס עצמו חולק לשניים. ותרומותיו הן מתודולוגיות. גריינג'ר לא הפיק תיאוריה על איך כלכלות עובדות; הוא הפיק מכשירים לבירור, מה שאומר שהשפעתו עצומה אך מתווכת כולה על ידי האנשים שהשתמשו בהם היטב או רע.

מורשת

הכלים של גריינג'ר מוטמעים כעת בכלכלה אמפירית עד כדי כך שהשימוש בהם הוא עניין שבשגרה, וזו הצורה החזקה ביותר של השפעה העומדת לרשות מתודולוג. קו-אינטגרציה ומידול תיקון שגיאות הם ציוד סטנדרטי לכל מי שחוקר ריביות, שערי חליפין או צריכה; מבחני סיבתיות גריינג'ר מופיעים בתחומים רחוקים מהכלכלה, כולל מדעי המוח ומדעי האקלים. הוא גם השאיר למשמעת לקח קבוע בהיגיינה אינטלקטואלית: שהליך סטטיסטי שמחזיר תשובות בטוחות אינו בהכרח מחזיר תשובות נכונות, ושהנטל נופל על החוקר לדעת איזה מהם הוא. המרכז של נוטינגהאם על שם גריינג'ר נושא את שמו של אדם שמורה בבית הספר שפט פעם כמי שסביר שלא יגיע להישגים גדולים.