📊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）
Loading...