📊中级计量：ARCH / TARCH / ARCH-M / Logit / VAR / 面板 / 空间计量全解析
type
Post
status
Published
date
Feb 21, 2026
slug
econometrics-arch-logit-var-panel-spatial
summary
系统梳理三类核心条件异方差模型（ARCH/TARCH/ARCH-M）、二元离散选择模型（Logit/Probit）、VAR模型、面板数据模型及空间计量模型，从方程、经济含义、检验、估计四维展开。
tags
文字
推荐
category
知行合一
icon
password
地点
本文系统梳理条件异方差模型、离散选择模型、VAR、面板数据及空间计量模型，含方程、经济含义、检验、估计方法四维解析。
一、基础概念总览
三类模型均属于条件异方差模型，核心用于刻画金融市场波动聚集特征（大波动跟随大波动），各自侧重点与适用场景不同，层层递进解决不同经济问题。
二、分模型详细解析
（一）ARCH模型
1. 模型方程
均值方程（刻画变量自身动态）：
y_t = c + phi_1·y_{t-1} + ... + phi_p·y_{t-p} + epsilon_t
方差方程（核心，刻画波动聚集）：
sigma_t^2 = omega + alpha_1·epsilon^2_{t-1} + alpha_2·epsilon^2_{t-2} + ... + alpha_q·epsilon^2_{t-q}
约束：omega > 0（方差非负），alpha_1,...,alpha_q >= 0，q 为 ARCH 阶数。
2. 经济含义
核心捕捉波动聚集效应：当期波动率由过去 q 期的意外冲击（误差项平方）决定。过去波动越大，当期波动越大，体现金融市场震荡持续、平稳持续的特征。
3. 检验方法
ARCH-LM 检验（Engle 检验）：对均值方程残差平方做辅助回归，构造 LM = n * R^2 统计量。原假设：无 ARCH 效应（所有 alpha = 0）。LM > chi^2(q) 临界值则拒绝原假设，存在 ARCH 效应。
4. 估计方法
极大似然估计（MLE）：最大化对数似然函数 ln L = -(n/2)ln(2pi) - (1/2) * sum[ln(sigma_t^2) + epsilon_t^2/sigma_t^2] 求解参数。
（二）TARCH 模型（Threshold ARCH，门限ARCH / GJR-GARCH）
TARCH 是 ARCH/GARCH 的扩展，核心解决非对称波动问题。
1. 模型方程
均值方程与 ARCH 模型一致，方差方程加入非对称项：
sigma_t^2 = omega + alpha_1·epsilon^2_{t-1} + gamma_1·epsilon^2_{t-1}·I(epsilon_{t-1}<0) + beta_1·sigma^2_{t-1}
- I(·) 为指示函数：epsilon_{t-1} < 0（利空消息）时 I=1；epsilon_{t-1} >= 0（利好消息）时 I=0
- beta_1 为 GARCH 项系数，衡量波动持续性
- gamma_1 为非对称项系数，刻画利好/利空消息的差异影响
2. 经济含义
核心捕捉杠杆效应：同等幅度的利空消息比利好消息引发更大的波动率。
若 gamma_1 > 0 且显著：
利空冲击影响 = alpha_1 + gamma_1
利好冲击影响 = alpha_1
说明杠杆效应存在，利空的冲击更大。
3. 检验方法
- ARCH-LM 检验：确认条件异方差存在
- 非对称项显著性检验：检验 gamma_1 的 P 值，P<0.05 则杠杆效应显著
4. 估计方法
极大似然估计（MLE）：方差方程加入非对称项与 GARCH 项，最大化似然函数估计所有参数（含 gamma_1、beta_1）。
（三）ARCH-M 模型（ARCH-in-Mean，均值ARCH）
核心改进是将波动率纳入均值方程，刻画风险与收益的联动关系。
1. 模型方程
均值方程（加入波动率项）：
y_t = c + delta·sigma_t^2 + phi_1·y_{t-1} + ... + phi_p·y_{t-p} + epsilon_t
delta 为风险溢价系数，sigma_t^2 直接作为解释变量纳入均值方程。
方差方程与 ARCH 模型一致（omega + alpha_1·epsilon^2_{t-1} + ... + alpha_q·epsilon^2_{t-q}）。
2. 经济含义
核心验证风险溢价假说：高风险对应高回报。
delta > 0 且显著：波动率越高，当期收益越高，存在正风险溢价。
delta <= 0：风险溢价不存在或为负。
3. 检验方法
- ARCH-LM 检验：确认条件异方差存在
- 风险溢价系数检验：检验 delta 的 P 值，P<0.05 则风险溢价效应显著
4. 估计方法
极大似然估计（MLE）：均值方程含波动率项，同时联动均值与方差方程构造似然函数，估计所有参数（含 delta）。
本文系统梳理条件异方差模型、离散选择模型、VAR、面板数据及空间计量模型，含方程、经济含义、检验、估计方法四维解析。
一、基础概念总览
三类模型均属于条件异方差模型，核心用于刻画金融市场波动聚集特征（大波动跟随大波动），各自侧重点与适用场景不同，层层递进解决不同经济问题。
二、分模型详细解析
（一）ARCH模型
1. 模型方程
均值方程（刻画变量自身动态）：
y_t = c + phi_1·y_{t-1} + ... + phi_p·y_{t-p} + epsilon_t
方差方程（核心，刻画波动聚集）：
sigma_t^2 = omega + alpha_1·epsilon^2_{t-1} + alpha_2·epsilon^2_{t-2} + ... + alpha_q·epsilon^2_{t-q}
约束：omega > 0（方差非负），alpha_1,...,alpha_q >= 0，q 为 ARCH 阶数。
2. 经济含义
核心捕捉波动聚集效应：当期波动率由过去 q 期的意外冲击（误差项平方）决定。过去波动越大，当期波动越大，体现金融市场震荡持续、平稳持续的特征。
3. 检验方法
ARCH-LM 检验（Engle 检验）：对均值方程残差平方做辅助回归，构造 LM = n * R^2 统计量。原假设：无 ARCH 效应（所有 alpha = 0）。LM > chi^2(q) 临界值则拒绝原假设，存在 ARCH 效应。
4. 估计方法
极大似然估计（MLE）：最大化对数似然函数 ln L = -(n/2)ln(2pi) - (1/2) * sum[ln(sigma_t^2) + epsilon_t^2/sigma_t^2] 求解参数。
（二）TARCH 模型（Threshold ARCH，门限ARCH / GJR-GARCH）
TARCH 是 ARCH/GARCH 的扩展，核心解决非对称波动问题。
1. 模型方程
均值方程与 ARCH 模型一致，方差方程加入非对称项：
sigma_t^2 = omega + alpha_1·epsilon^2_{t-1} + gamma_1·epsilon^2_{t-1}·I(epsilon_{t-1}<0) + beta_1·sigma^2_{t-1}
- I(·) 为指示函数：epsilon_{t-1} < 0（利空消息）时 I=1；epsilon_{t-1} >= 0（利好消息）时 I=0
- beta_1 为 GARCH 项系数，衡量波动持续性
- gamma_1 为非对称项系数，刻画利好/利空消息的差异影响
2. 经济含义
核心捕捉杠杆效应：同等幅度的利空消息比利好消息引发更大的波动率。
若 gamma_1 > 0 且显著：
利空冲击影响 = alpha_1 + gamma_1
利好冲击影响 = alpha_1
说明杠杆效应存在，利空的冲击更大。
3. 检验方法
- ARCH-LM 检验：确认条件异方差存在
- 非对称项显著性检验：检验 gamma_1 的 P 值，P<0.05 则杠杆效应显著
4. 估计方法
极大似然估计（MLE）：方差方程加入非对称项与 GARCH 项，最大化似然函数估计所有参数（含 gamma_1、beta_1）。
三、三类模型核心对比
ARCH → 方差=过去误差平方线性组合 → 波动聚集（对称） → ARCH-LM检验 → MLE
TARCH → 方差+非对称项（指示函数）+GARCH项 → 杠杆效应（利空>利好）→ ARCH-LM + gamma_1 → MLE
ARCH-M → 均值方程含波动率项 sigma_t^2 → 风险溢价（高风险高回报）→ ARCH-LM + delta → MLE
四、二元离散选择模型（Logit / Probit）
（一）核心模型方程
Logit 模型（逻辑分布）
概率表达式：
P(Y=1|X) = 1 / (1 + exp(-(a + b1*X1 + b2*X2 + b3*X3)))
优势比表达式：
Odds = P(Y=1)/P(Y=0) = exp(a + b1*X1 + b2*X2 + b3*X3)
Probit 模型（正态分布）
P(Y=1|X) = Phi(a + b1*X1 + b2*X2 + b3*X3) Phi(.) 为标准正态 CDF
两者仅分布假设不同（Logit 用逻辑分布，Probit 用正态分布），实际结论通常相近。
（二）估计方法
两类模型均采用极大似然估计（MLE）：
构造对数似然函数 → 数值迭代（牛顿-拉夫逊法）最大化 → 估计 a, b1, b2, b3
MLE 优于 OLS：OLS 无法处理离散变量的非线性与异方差。
（三）模型优劣判断（10% 显著性水平）
- 系数显著性：核心变量 P<0.1 则显著，显著变量越多越优
- 拟合优度：McFadden 伪 R²（越接近 1 越优）；对数似然值绝对值越小越优
- LR 似然比检验：LR 越大、P 越小，模型整体越显著
- 系数符号一致性：须符合经济理论预期，无矛盾
（四）边际效应分析（AME）
系数无法直接体现对概率的边际影响，需计算平均边际效应（AME）：
Logit AME: AME_k = (1/n) * sum[ b_k * P_i * (1-P_i) ]
Probit AME: AME_k = (1/n) * sum[ b_k * phi(Z_i) ] （phi 为标准正态 PDF）
示例：X1（收入）的 AME=0.03 且显著 → 收入每增加 1 单位，目标事件发生概率平均上升 3 个百分点。
（五）预测准确性与基准原则
朴素原则（Naive Principle）
将全部样本预测为多数类，基准准确率 = 多数类占比。模型准确率须超越此值才有意义。
先验原则（Prior Principle）
基于理论/历史经验设定阈值（如收入>50 则预测 Y=1）。更有针对性，依赖先验信息质量。
AUC 评估标准：0.5=随机猜测，>0.7=较好，>0.8=优秀。结合混淆矩阵准确率综合判断预测效果。
五、工业化与城镇化 VAR 模型解析
向量自回归模型（VAR）是分析多变量时间序列动态关系的核心模型，适用于研究工业化与城镇化的相互联动效应。
（一）构建前提
变量间须存在长期均衡关系或显著动态联动关系，且均为平稳时间序列（或差分后平稳）。
若变量非平稳但存在协整关系 → 构建 VECM（向量误差修正模型）
若变量既非平稳也无协整 → 先差分（DeltaX_t = X_t - X_{t-1}）至平稳再建 VAR
否则会产生伪回归！
（二）最优滞后阶数确定
- 设定候选阶数范围（样本量大取 1~10，小取 1~5）
- 计算四类信息准则：AIC、SC、HQ、FPE
- 选择使准则值最小的阶数，优先选多数准则一致的阶数
AIC/HQ 偏向高阶，SC/FPE 偏向低阶。冲突时结合残差无自相关性要求综合判断。
（三）模型平稳性判断
核心标准：所有特征根的模均小于 1（落在单位圆内），则模型平稳。
- 所有根模 < 1：模型平稳，可进行脉冲响应/方差分解
- 根模 = 1：单位根过程，非平稳
- 根模 > 1：模型发散，需重构（调整阶数或差分变量）
Stata 中用 varstable 命令输出特征根及单位圆图直接判断。
（四）VAR(2) 模型方程示例
以工业化（X_t）与城镇化（Y_t）构建 VAR(2) 为例：
工业化方程：
X_t = c1 + a11*X_{t-1} + a12*X_{t-2} + b11*Y_{t-1} + b12*Y_{t-2} + epsilon_1t
城镇化方程：
Y_t = c2 + a21*X_{t-1} + a22*X_{t-2} + b21*Y_{t-1} + b22*Y_{t-2} + epsilon_2t
代入假设估计值示例：
X_t = 0.82 + 0.65*X_{t-1} + 0.12*X_{t-2} + 0.23*Y_{t-1} + 0.08*Y_{t-2} + epsilon_1t Y_t = 1.25 + 0.38*X_{t-1} + 0.09*X_{t-2} + 0.71*Y_{t-1} + 0.15*Y_{t-2} + epsilon_2t
经济含义：工业化受自身滞后 1 期影响最大（系数 0.65），同时受城镇化滞后 1 期正向驱动（0.23）；城镇化受自身滞后 1 期显著（0.71），受工业化滞后 1 期正向推动（0.38），体现二者相互促进的动态关系。
六、面板数据模型解析
面板数据（Panel Data）同时含截面维度（N 个个体）和时间维度（T 个时期），按个体效应设定分为三类模型。
（一）混合 OLS 模型（Pooled OLS）
y_it = c + beta_1*X_1it + beta_2*X_2it + ... + beta_K*X_Kit + epsilon_it
设定：忽略个体异质性，所有个体共同截距 c。适用：个体异质性极弱，F 检验无法拒绝个体效应为 0 的原假设。
（二）固定效应模型（Fixed Effects, FE）
个体固定效应
y_it = c_i + beta_1*X_1it + ... + beta_K*X_Kit + epsilon_it
c_i = c + mu_i 为第 i 个个体的专属截距，捕捉个体固有差异（如地区资源禀赋）。
双向固定效应
y_it = c_i + lambda_t + beta_1*X_1it + ... + beta_K*X_Kit + epsilon_it
lambda_t 为时间固定效应，捕捉所有个体共同面临的时间冲击（如宏观政策）。
（三）随机效应模型（Random Effects, RE）
y_it = c + beta_1*X_1it + ... + beta_K*X_Kit + mu_i + epsilon_it
mu_i ~ N(0, sigma_mu^2) 为随机变量，且与解释变量 X 不相关（关键假设）。适用：个体为随机抽样，代表性强。
（四）模型选择三步检验
- F 检验：混合 OLS vs 固定效应。P<0.1 → 拒绝「无个体效应」→ 选固定效应
- Hausman 检验：固定效应 vs 随机效应。P<0.1 → mu_i 与 X 相关 → 选固定效应；P>=0.1 → 选随机效应
- 时间效应检验：判断是否需双向固定效应。时间虚拟变量联合显著则选双向
（五）示例：工业化与城镇化面板模型（个体固定效应）
Y_it = c_i + beta_1*X_1it + beta_2*X_2it + epsilon_it
代入假设估计（地区 1）：
Y_1t = 25.3 + 0.42*X_1it + 0.08*X_2it + epsilon_1t
经济含义：控制地区固有差异后，工业化水平每提高 1 个百分点，城镇化平均上升 0.42 个百分点（显著）；人均 GDP 每增 1 单位，城镇化上升 0.08 个百分点（显著）。
注意事项：面板数据常存在组内自相关、组间异方差，可用 Stata 的 xtgls 或 xtscc 命令修正，使估计更稳健。
七、空间计量模型全解析
空间计量模型核心解决截面/面板数据的空间相关性问题，通过引入空间权重矩阵 W 刻画地理/经济关联。
（一）七大空间模型分类
核心基础模型（3类）
SAR 模型（空间自回归）:
y = rho*Wy + X*beta + epsilon epsilon ~ N(0, sigma^2*I_N)
刻画被解释变量的空间溢出。rho>0 为正向溢出（相互促进），rho<0 为负向溢出（相互抑制）。
SLX 模型（空间滞后解释变量）:
y = X*beta + WX*theta + epsilon
仅纳入解释变量的空间滞后项 WX，刻画解释变量的空间溢出（A 地工业化影响 B 地城镇化）。
SEM 模型（空间误差）:
y = X*beta + mu mu = lambda*W*mu + epsilon
空间相关性存在于扰动项中，刻画未观测因素（如政策溢出）通过误差项传导的空间效应。
扩展组合模型（4类）
- SAC = SAR + SEM：同时刻画被解释变量+未观测因素的双重空间溢出
- SM（SARX）= SAR + SLX：被解释变量+解释变量双重溢出
- SDEM = SLX + SEM：解释变量+未观测因素双重溢出
- GNS = SAR + SLX + SEM：最灵活，可纳入多个空间权重矩阵，适配复杂场景
（二）空间相关性检验
事前检验：判断是否需用空间模型
全局莫兰指数（Moran's I）:
I = N * sum_ij[W_ij*(y_i-y_bar)*(y_j-y_bar)] / (sum_ij W_ij) * sum_i(y_i-y_bar)^2
I > 0 且显著：正空间自相关（高值区聚集，如发达地区集中）
I < 0 且显著：负空间自相关（高低值交替分布）
I = 0：无空间自相关（随机分布）
吉利尔指数（Geary's C）: 取值 [0,2]，与 1 对比：C<1 正相关，C>1 负相关，C=1 无相关。结合 Moran's I 双重确认。
事后检验：模型适用性与稳健性
- LM 检验：LM-lag 显著选 SAR，LM-error 显著选 SEM
- Hausman 检验（面板）：P<0.1 选固定效应空间模型
- 稳健性检验：更换空间权重矩阵（地理→经济），核心系数符号和显著性不变则模型稳健
- 残差空间检验：模型拟合后再检验残差 Moran's I，若无空间相关性说明模型已充分捕捉空间效应
（三）空间权重矩阵设计（4类）
- 二进制（0-1）权重：地理相邻=1，不相邻=0。简单直观，适合行政区邻接关系
- 地理距离权重：W_ij = 1/d_ij^2，距离越近权重越大。适合环境污染、人口流动
- 经济距离权重：W_ij = 1/|GDP_i - GDP_j|，经济水平越接近权重越大。适合产业协同、技术扩散
- 混合权重：W = alpha*W_地理 + (1-alpha)*W_经济。地理和经济关联均重要时使用
所有权重矩阵须行标准化（每行元素之和 = 1），消除规模效应。
（四）空间溢出效应：直接、间接、总效应
空间溢出效应通过偏微分方法计算，避免直接用系数解读（会低估真实影响）。
以 SAR 模型为例
y = rho*Wy + X*beta + mu + epsilon 整理为: y = (I - rho*W)^{-1} * X*beta + (I - rho*W)^{-1} * (mu + epsilon)
偏微分矩阵：partial_y/partial_X_k = (I - rho*W)^{-1} * diag(beta_k)
- 直接效应（DE）：对角线元素均值，X_ki 变化对 y_i 的平均影响（自身效应，含空间反馈）
- 间接效应（IE）：非对角线元素均值，X_kj 变化对 y_i 的平均影响（空间溢出效应）
- 总效应（TE）：TE = DE + IE
实例：工业化对城镇化的空间溢出（SAR 模型）
30 个省份、10 年面板，地理相邻权重（行标准化），估计结果：rho=0.32（P<0.01），beta=0.45（P<0.01）
直接效应 DE = 0.48：某省工业化率每升 1 个百分点，自身城镇化率平均升 0.48 个百分点
间接效应 IE = 0.16：某省工业化率每升 1 个百分点，相邻省份城镇化率平均升 0.16 个百分点
总效应 TE = 0.64：对自身及相邻省份城镇化的总影响为 0.64 个百分点
不同模型溢出效应判断
- SAR / SM / GNS：直接+间接效应均需偏微分计算
- SLX / SDEM：仅解释变量溢出，间接效应即 WX 系数 theta 的平均影响
- SEM：无直接/间接溢出，仅 lambda 反映未观测因素的空间关联
全文涵盖：ARCH / TARCH / ARCH-M / Logit / Probit / VAR / 面板数据（混合OLS / FE / RE）/ 空间计量（SAR / SLX / SEM / SAC / SM / SDEM / GNS）
核心主线：方程设定 → 经济含义 → 检验方法 → 估计方法（MLE 贯穿始终）
七、空间计量模型全解析
空间计量模型核心解决截面/面板数据的空间相关性问题，通过引入空间权重矩阵 W 刻画地理/经济关联。
（一）核心基础模型（3类）
SAR 模型（空间自回归 Spatial Autoregressive Model）
y = rho*Wy + X*beta + epsilon epsilon ~ N(0, sigma^2*I_N)
被解释变量的空间滞后项 Wy 纳入方程，刻画被解释变量的空间溢出。rho>0 为正向溢出，rho<0 为负向溢出。
SLX 模型（空间滞后解释变量 Spatial Lag of X Model）
y = X*beta + WX*theta + epsilon
仅纳入解释变量的空间滞后项 WX，刻画解释变量的空间溢出（如 A 地区工业化水平影响 B 地区城镇化）。
SEM 模型（空间误差 Spatial Error Model）
y = X*beta + mu mu = lambda*W*mu + epsilon
空间相关性存在于扰动项中，刻画未观测因素（如政策溢出）通过误差项传导的空间效应。
（二）扩展组合模型（4类）
- SAC = SAR + SEM：被解释变量 + 未观测因素双重空间溢出
- SM（SARX）= SAR + SLX：被解释变量 + 解释变量双重溢出
- SDEM = SLX + SEM：解释变量 + 未观测因素双重溢出
- GNS（广义嵌套）：最灵活，可纳入多个空间权重矩阵，同时嵌套 SAR+SLX+SEM，适配复杂空间关联场景
Loading...