广义矩估计

广义矩估计 (Generalized Method of Moments)

广义矩估计 (GMM) 是计量经济学和统计学中极为重要的参数估计方法，由诺贝尔奖得主拉尔斯·彼得·汉森在1982年系统地提出。核心思想：利用经济理论推导出的矩条件 (Moment Conditions)，使样本矩尽可能接近其理论值来估计未知参数。

GMM统一和推广了普通最小二乘法 (OLS)、工具变量法 (IV)，且在一定条件下与最大似然估计 (MLE) 等价。其半参数性质（不需完整分布假设）提供了稳健性。

核心概念：矩条件

总体矩条件：$E[g(W_i, \theta_0)] = \mathbf{0}$，其中 $\theta_0$ 为真实参数。例如估计均值 $\mu$：$E[X_i - \mu_0] = 0$，$g(X_i, \mu) = X_i - \mu$。

样本矩条件（基于大数定律和类比原则）：$\bar{g}(\theta) = \frac{1}{n} \sum_{i=1}^{n} g(W_i, \theta)$。

GMM估计量最小化关于样本矩的二次型：

其中 $W_n$ 为对称正定的权重矩阵。

三种识别状态：

• 恰好识别 ($R = K$)：唯一解使样本矩为零，等价于经典矩估计法
• 过度识别 ($R > K$)：GMM最常用场景，权重矩阵选择决定有效性
• 不可识别 ($R < K$)：存在识别问题

最优权重矩阵与两步GMM

最优权重矩阵：$W_{\text{opt}} = S^{-1}$，其中 $S = E[g(W_i, \theta_0)g(W_i, \theta_0)']$ 是样本矩的渐近方差-协方差矩阵。给方差小的矩条件更大权重。

两步GMM：

1. 用单位矩阵 $W_n = I$ 最小化得一致估计 $\hat{\theta}^{(1)}$
2. 用 $\hat{\theta}^{(1)}$ 估计 $\hat{S} = \frac{1}{n} \sum g(W_i, \hat{\theta}^{(1)}) g(W_i, \hat{\theta}^{(1)})'$，以 $\hat{W} = \hat{S}^{-1}$ 再最小化得两步有效GMM估计量

渐近性质与假设检验

• 一致性：$\hat{\theta}_{\mathrm{GMM}} \xrightarrow{p} \theta_0$
• 渐近正态性：$\sqrt{n}(\hat{\theta}_{\mathrm{GMM}} - \theta_0) \xrightarrow{d} N(0, V_{\mathrm{GMM}})$，最优权重下渐近方差为 $V_{\text{opt}} = (G' S^{-1} G)^{-1}$
• J检验（过度识别检验）：$J = n \cdot \bar{g}(\hat{\theta}_{\mathrm{GMM}})' \hat{S}^{-1} \bar{g}(\hat{\theta}_{\mathrm{GMM}}) \xrightarrow{d} \chi^2(R-K)$

J统计量大（p值小）则拒绝原假设，表明至少一个矩条件不成立，模型设定有问题。

GMM与其他估计方法的关系

• OLS：矩条件 $E[x_i(y_i - x_i'\beta)] = 0$，恰好识别
• IV/2SLS：矩条件 $E[z_i(y_i - x_i'\beta)] = 0$。同方差下GMM等价于2SLS；异方差下GMM更有效
• MLE：一阶条件（得分函数）的样本均值为零，可视为恰好识别的有效GMM

GMM以其理论深刻性、应用广泛性和框架灵活性，成为现代实证分析中不可或缺的工具。