一句话定义：格兰杰因果（Granger Causality）是一种基于时间序列的统计检验方法，用来判断一件事的历史信息，是否有助于更准确地预测另一件事。注意，它检验的是"预测增益"，不是"谁导致了谁"。
它到底在算什么
思路非常朴素。假设你有一条时间序列 A（比如某关键词的搜索量）和一条 B（比如某品类的销量）。你先只用 B 自己的历史去预测 B 的下一步，得到一个误差；再把 A 的历史也加进模型里，得到另一个误差。如果第二个误差显著更小，就说明"A 的过去对预测 B 有用"，于是我们说 A 格兰杰因果于 B。统计上通常用一个检验去判断这个"误差变小"是不是偶然波动，同时还要选择看多少期历史，也就是滞后阶数（lag）。
打个比方
每天早上闹钟响，然后你起床洗漱赶地铁。用"闹钟响没响"去预测"你今天会不会迟到"，比只看过去几天的迟到记录要准得多。按格兰杰的说法，闹钟响"格兰杰因果"了迟到。但闹钟显然不是迟到的原因——真正的原因是起晚了、路上堵了、电梯排队。闹钟只是恰好提前发生、又携带信息的一个信号。这就是格兰杰因果的全部含义：时间上在先 + 对预测有增益，仅此而已。
和相邻概念的区别
| 概念 | 它问的问题 | 需要什么 |
|---|---|---|
| 相关性 | A 和 B 是否一起变动 | 观测数据即可 |
| 格兰杰因果 | A 的过去能否提升对 B 的预测 | 时间序列、平稳性等前提假设 |
| 干预意义的因果 | 我改变 A，B 会跟着变吗 | 随机对照实验，或带强假设的因果图模型 |
最后一行对应的是结构因果模型（Structural Causal Model, SCM）、do 演算这一套框架关心的问题。它和格兰杰因果几乎是两个世界：前者关心"动手改会怎样"，后者只关心"看历史能不能猜得准"。
三个常见坑
1. 平稳性。两条都在上涨的曲线（比如服务器请求量和某业务收入）几乎必然互相"格兰杰因果"，但这是趋势造成的假象，通常要先做差分等平稳化处理。
2. 遗漏变量。如果 A 和 B 都被第三个因素 C 驱动，检验往往判出 A→B 的方向，其实只是 C 的影子。
3. 对滞后阶数敏感。窗口取长了取短了，结论可能不一样，所以结果要结合业务常识看。
对从业者的实际意义
做时序预测、异常检测、监控告警根因定位时，格兰杰检验是个便宜好用的特征筛选与方向探测工具：它能告诉你"A 的这段历史对预测 B 有增量价值"。但对外汇报时，务必把结论写成"有助于预测"，而不是"导致"。真想回答因果问题，还是得靠 A/B 实验、干预数据，或者明确的因果图假设——具体方法和工具的实现细节，以官方文档为准。
一句话记住：格兰杰因果是预测意义上的因果，是嫌疑人的不在场证明，不是判决书。