连续更新GMM

连续更新GMM（Continuously Updated GMM，CUE-GMM）是广义矩估计（GMM）框架中的一种重要估计策略，由汉森（Hansen）、希顿（Heaton）和亚龙（Yaron）于1996年系统提出。与标准的两步GMM不同，连续更新GMM的核心特征在于将权重矩阵视为待估参数的函数，在最小化过程中对权重矩阵与参数向量同时进行连续迭代，直至收敛。这一方法在有限样本性质、弱识别情境下的稳健性以及数值稳定性方面具有独特优势，成为现代计量经济学工具箱中的重要组成部分。

估计原理与构造

在标准GMM框架中，设$g_t(\theta)$为$m$维矩条件向量，满足总体矩条件$E[g_t(\theta_0)] = 0$。GMM估计量通过最小化以下目标函数获得：

在两步GMM中，权重矩阵$W_T$的选取分两步完成：首先使用一个初始权重矩阵（如单位矩阵）获得一致但非有效的估计量$\tilde{\theta}$，然后基于$\tilde{\theta}$计算最优权重矩阵$\hat{W}_T = \hat{S}^{-1}$（其中$\hat{S}$是矩条件的协方差矩阵的一致估计），最后以此固定权重矩阵重新估计$\theta$。

连续更新GMM则取消了这一分步程序：它将权重矩阵直接构造为参数$\theta$的函数$W_T(\theta) = \hat{S}(\theta)^{-1}$，其中$\hat{S}(\theta)$是在给定$\theta$下对矩条件长期协方差矩阵的估计。目标函数变为：

估计量$\hat{\theta}_{\text{CUE}}$通过直接最小化上述目标函数得出。在数值实现上，这一最小化通常需要借助迭代优化算法，因为参数$\theta$同时出现在样本矩和权重矩阵之中，目标函数不再具有简单的二次型结构。

渐近性质

连续更新GMM估计量在标准正则条件下具有与最优两步GMM相同的渐近分布。具体而言，$\hat{\theta}_{\text{CUE}}$是$\sqrt{T}$-一致估计量，且满足：

其中$G = E[\partial g_t(\theta_0)/\partial \theta']$为矩条件的期望导数矩阵，$S = \lim_{T \to \infty} \text{Var}(\sqrt{T} \bar{g}_T(\theta_0))$为矩条件的渐近方差协方差矩阵。这一结果表明，CUE在渐近意义下与最优两步GMM具有相同的效率，两者均达到半参数效率下界。

然而，CUE在有限样本中的表现往往显著优于两步GMM。这一优势主要源于两个方面：其一，CUE的目标函数对参数估计的误差更为"平滑"，避免了两步估计中因权重矩阵的随机波动而产生的额外变异性；其二，CUE对矩条件的等距变换具有不变性，而两步GMM缺乏这一理想性质。

弱识别情境下的优势

连续更新GMM最引人注目的优势体现在弱识别（weak identification）情境中。当矩条件对参数的识别力度较弱时（即导数矩阵$G$接近秩亏缺），两步GMM的有限样本性质急剧恶化：估计量可能出现严重偏误，置信区间覆盖率远低于名义水平，过度识别检验的尺寸扭曲严重。相比之下，CUE在这一情境下表现出明显的稳健性。

这一差异的直觉在于：在弱识别条件下，两步GMM的权重矩阵估计误差与样本矩的波动相互耦合，导致目标函数在参数空间中产生虚假的最小值。而CUE通过将权重矩阵内生化于目标函数中，有效抑制了这种耦合效应。Stock和Wright（2000）以及Kleibergen（2005）的研究表明，基于CUE的识别检验（如Kleibergen的K统计量）在弱识别下具有正确的渐近尺寸，而标准的两步GMM过度识别检验则存在严重的尺寸扭曲。

与广义经验似然的关系

连续更新GMM与广义经验似然（Generalized Empirical Likelihood, GEL）估计量家族之间存在深刻的联系。GEL类估计量包括经验似然（Empirical Likelihood, EL）、指数倾斜经验似然（Exponential Tilting, ET）和连续更新GMM本身。事实上，CUE可被视为GEL框架中采用二次型准则函数的一个特例。Newey和Smith（2004）在统一的GEL框架下系统比较了这些估计量的高阶渐近性质，发现CUE在偏差项中不包含由矩条件非线性程度引起的额外成分，这一性质使其在某些情境下具有比经验似然更优的高阶偏差表现。

计算问题与发展

CUE在计算上面临比两步GMM更大的挑战。目标函数$Q_T^{\text{CUE}}(\theta)$可能具有多个局部极小值，且在弱识别区域中目标函数可能非常平坦，这对全局优化算法提出了较高要求。实际应用中通常采用以下策略：使用多个起始值进行全局搜索；结合两步GMM估计量作为初始值；利用剖面似然技巧降低优化维度。

近年来，连续更新GMM在资产定价、宏观经济学和劳动经济学等领域得到了广泛应用。在资产定价中，CUE常用于估计随机贴现因子模型的参数，因为这类模型通常面临矩条件众多而识别强度不足的问题；在宏观经济学中，CUE被应用于估计结构性消费资本资产定价模型和货币政策的泰勒规则。此外，CUE的思想也已拓展至面板数据模型和动态结构模型的估计中，成为处理弱识别问题的标准工具之一。

有限样本表现的比较

大量蒙特卡洛模拟研究对连续更新GMM与两步GMM的有限样本表现进行了系统比较。在矩条件数目较多而样本量有限的情形中，两步GMM的有限样本偏误随矩条件数量的增加而迅速增大，这一现象被称为"矩条件偏误"。CUE由于避免了权重矩阵的预估计误差积累，其偏误增长幅度明显更小。此外，在重尾分布或存在异常值的数据环境中，CUE的目标函数对极端观测值的敏感度较低，因而表现出更强的稳健性。