Değişkenler arasındaki nedensellik yapısını anlamak ekonomide önemli ve hala zor konulardan birisidir. Granger (1969)'da öngörülebilirliği bir kıstas olarak kullanarak nedenselliğe Granger Nedensellik tanımı getirmiş ve Wald istatistiğini kullanarak durağan değişkenler arasında Granger nedenselliği test etmiştir. Sims (1990)'da durağan olmayan zaman serilerinde, Wald istatistiğinin asimptotik olarak 2 dağılımına yakınsamadığını ve testin geçersiz olduğunu göstermiştir. Toda- Yamamoto (1995)'de önerdikleri yeni bir yaklaşım ile maksimum bütünleşme sırası kadar gecikme uzunluğu ekleyerek durağan olmayan sistemde Wald test istatistiğinin asimptotik olarak ki-kare ( 2 ) dağılımına yakınsadığını göstermiştir. Ancak test, yanlış belirlenebilecek maksimum bütünleşme sırasının testin sonucunu etkileyecek olması ve küçük örneklemlerde testin gücü azalırken, anlamlılık düzeyinden sapmalar göstermesi gibi sorunlar içermektedir. Bu çalışmada, bu sorunları bertaraf etmesi düşünülen bootstrap yöntemi ile Granger nedensellik testi incelenmiştir. Durağan olmayan zaman serilerinde Toda-Yamamoto ve bootstrap yöntemi kullanılarak Granger nedensellik testleri karşılaştırılmış, bu amaçla her iki testin Monte Carlo çalışmasıyla anlamlılık düzeyleri ve gücü hesaplanmıştır. Simülasyon çalışması sonucunda bootstrap yöntemiyle elde edilen anlamlılık düzeyleri nominal anlamlılık düzeyine daha yakın sonuç vermiştir. Ayrıca elde edilen sonuçlara göre bootstrap Granger nedensellik testinin gücü küçük örneklemlerde Toda- Yamamoto testinden daha yüksek çıkmıştır.

Testing causality among variables is one of the important and still difficult subjects in economics. Granger (1969) proposed causality using foreseeability as a criterion which is called Granger Causality. The wald statistic which is using in Granger causality test has 2 distribution if the series are stationary. Sims (1990) showed that if the series are nonstationary, the wald statistics does not converge 2 distribution and test is not valid. Toda and Yamamoto (1995) proposed Modified Wald test for the causality. They showed that Wald test statistic for Granger Causality has the standart asymptotic distribution. This method has some disadvantages: i-) the knowledge of the order of integration, ii-) size distortion and low power especially in small samples. This study propose bootstrap Granger Causality test without the pretest of integration. In addition, Toda-Yamamoto and bootstrap Granger Causality tests are compared using Monte Carlo in this study. Simulation results show that size of the bootstrap Granger causality test is closer to nominal size than Toda-Yamamoto test. Besides bootstrap test has higher power values for small samples