KNOWECON WIKI

ARTICLE

GMM

GMM（广义矩估计，Generalized Method of Moments） 广义矩估计（GMM）是计量经济学中最为通用的参数估计框架之一，由 Lars Peter Hansen 于 1982 年在 Econometrica 上正式提出，并因此获得 2013 年诺贝尔经济学奖。GMM 的核心思想是：当经济理论给出一组总体矩条件（moment condit

浏览 0 更新 2025-11-08

GMM（广义矩估计，Generalized Method of Moments）

广义矩估计（GMM）是计量经济学中最为通用的参数估计框架之一，由 Lars Peter Hansen 于 1982 年在 Econometrica 上正式提出，并因此获得 2013 年诺贝尔经济学奖。GMM 的核心思想是：当经济理论给出一组总体矩条件（moment conditions）时，可以通过最小化样本矩的加权二次型来获得参数的一致估计。GMM 并不要求完全指定分布形式（如极大似然估计），因此具有极强的半参数特性和广泛的适用性。

基本框架与矩条件

设经济理论蕴含 rr 个总体矩条件：

E[ g(zi,θ0) ]=0\mathbb{E}[ \, g(\mathbf{z}_i, \boldsymbol{\theta}_0) \, ] = \mathbf{0}

其中 zi\mathbf{z}_i 为第 ii 个观测的随机向量，θ0∈Θ⊆Rk\boldsymbol{\theta}_0 \in \Theta \subseteq \mathbb{R}^k 为待估参数的真实值，g(⋅,⋅):Rdz×Θ→Rrg(\cdot, \cdot): \mathbb{R}^{d_z} \times \Theta \to \mathbb{R}^r 为矩函数向量。这 rr 个矩条件构成了识别和估计 θ\boldsymbol{\theta} 的基础。

根据 rr 与 kk 的关系，存在三种情形：

  • r<kr < k：参数不可识别（矩条件不足）。
  • r=kr = k：恰好识别，即为经典的矩法估计（Method of Moments）。
  • r>kr > k：过度识别（overidentified），这是 GMM 最有价值的场景——有比所需更多的矩条件可用，需要以最优方式加权组合。

估计原理

样本矩定义为：

gˉn(θ)=1n∑i=1ng(zi,θ)\bar{g}_n(\boldsymbol{\theta}) = \frac{1}{n} \sum_{i=1}^{n} g(\mathbf{z}_i, \boldsymbol{\theta})

由于在有限样本下 gˉn(θ)\bar{g}_n(\boldsymbol{\theta}) 不可能精确为零（尤其是 r>kr > k 时），GMM 通过最小化一个二次型来寻找估计量：

θ^GMM=arg⁡min⁡θ∈Θgˉn(θ)′ Wn gˉn(θ)\hat{\boldsymbol{\theta}}_{\text{GMM}} = \arg\min_{\boldsymbol{\theta} \in \Theta} \quad \bar{g}_n(\boldsymbol{\theta})' \, \mathbf{W}_n \, \bar{g}_n(\boldsymbol{\theta})

其中 Wn\mathbf{W}_n 是一个 r×rr \times r 的正定权重矩阵。不同的 Wn\mathbf{W}_n 产生不同的 GMM 估计量，但其一致性不依赖于 Wn\mathbf{W}_n 的具体形式（只要它依概率收敛到某个正定矩阵）。

最优权重矩阵与有效性

尽管任何正定 Wn\mathbf{W}_n 都产生一致估计，但估计量的渐近方差取决于 Wn\mathbf{W}_n 的选择。Hansen 最优权重为：

Wn∗=S^−1,S=lim⁡n→∞Var⁡ ⁣[n gˉn(θ0)]\mathbf{W}_n^* = \hat{\mathbf{S}}^{-1}, \quad \mathbf{S} = \lim_{n \to \infty} \operatorname{Var}\!\left[ \sqrt{n} \, \bar{g}_n(\boldsymbol{\theta}_0) \right]

即 S\mathbf{S} 是样本矩的长期方差-协方差矩阵（long-run covariance matrix）。使用最优权重后，GMM 估计量在渐近意义上达到最小方差，被称为最优 GMM 或有效 GMM。

实际操作中通常采用两步 GMM（two-step GMM）：

  1. 第一步：使用任意正定矩阵（如单位矩阵 Ir\mathbf{I}_r）获得初始一致估计 θ^(1)\hat{\boldsymbol{\theta}}^{(1)}。
  2. 第二步：用 θ^(1)\hat{\boldsymbol{\theta}}^{(1)} 一致估计 S\mathbf{S}，构造 W^n∗=S^−1\hat{\mathbf{W}}_n^* = \hat{\mathbf{S}}^{-1}，再求解最终估计 θ^(2)\hat{\boldsymbol{\theta}}^{(2)}。

此外，还有迭代 GMM（iterated GMM）和连续更新 GMM（continuously updated GMM, CUE），后者将权重矩阵视为参数的函数，在目标函数中同时优化。

渐近性质

在正则条件下（矩条件可微、参数可识别、中心极限定理适用），GMM 估计量具有如下渐近性质：

一致性：θ^GMM→pθ0\hat{\boldsymbol{\theta}}_{\text{GMM}} \xrightarrow{p} \boldsymbol{\theta}_0

渐近正态性：

n(θ^GMM−θ0)→dN(0,V)\sqrt{n} (\hat{\boldsymbol{\theta}}_{\text{GMM}} - \boldsymbol{\theta}_0) \xrightarrow{d} \mathcal{N}(\mathbf{0}, \mathbf{V})

其中渐近方差为：

V=(G′WG)−1G′WSWG(G′WG)−1\mathbf{V} = (\mathbf{G}' \mathbf{W} \mathbf{G})^{-1} \mathbf{G}' \mathbf{W} \mathbf{S} \mathbf{W} \mathbf{G} (\mathbf{G}' \mathbf{W} \mathbf{G})^{-1}

G=E[∂g(zi,θ0)/∂θ′]\mathbf{G} = \mathbb{E}[\partial g(\mathbf{z}_i, \boldsymbol{\theta}_0) / \partial \boldsymbol{\theta}'] 是期望梯度矩阵。当使用最优权重 W=S−1\mathbf{W} = \mathbf{S}^{-1} 时，方差简化为 V=(G′S−1G)−1\mathbf{V} = (\mathbf{G}' \mathbf{S}^{-1} \mathbf{G})^{-1}，即为半参数效率界。

过度识别检验：J 检验

当 r>kr > k 时，可以利用过度识别约束来检验模型设定的正确性。Hansen 的 J 统计量（也称 Sargan-Hansen 检验）定义为：

J=n⋅gˉn(θ^)′ S^−1 gˉn(θ^)→dχr−k2J = n \cdot \bar{g}_n(\hat{\boldsymbol{\theta}})' \, \hat{\mathbf{S}}^{-1} \, \bar{g}_n(\hat{\boldsymbol{\theta}}) \xrightarrow{d} \chi^2_{r - k}

在原假设"所有矩条件均正确成立"下，JJ 渐近服从自由度为 r−kr-k 的卡方分布。显著的 JJ 值意味着至少部分矩条件被数据拒绝，暗示模型设定可能存在问题。该检验是 GMM 框架下模型诊断的核心工具。

与其它估计方法的联系

GMM 框架具有极强的包容性——许多经典估计量都可视为 GMM 的特例：

  • 普通最小二乘法（OLS）：在经典线性回归 yi=xi′β+εiy_i = \mathbf{x}_i'\boldsymbol{\beta} + \varepsilon_i 中，矩条件 E[xi(yi−xi′β)]=0\mathbb{E}[\mathbf{x}_i (y_i - \mathbf{x}_i'\boldsymbol{\beta})] = \mathbf{0} 导出的 GMM 估计量恰为 OLS。当 r=kr = k 时权重矩阵无关。
  • 工具变量（IV / 2SLS）：当 E[xiεi]≠0\mathbb{E}[\mathbf{x}_i \varepsilon_i] \neq \mathbf{0} 但存在工具变量 zi\mathbf{z}_i 满足 E[ziεi]=0\mathbb{E}[\mathbf{z}_i \varepsilon_i] = \mathbf{0} 时，矩条件 E[zi(yi−xi′β)]=0\mathbb{E}[\mathbf{z}_i (y_i - \mathbf{x}_i'\boldsymbol{\beta})] = \mathbf{0} 导出的 GMM 即为两阶段最小二乘法（2SLS）。
  • 极大似然估计（MLE）：MLE 的一阶条件 E[∂ln⁡f(zi,θ)/∂θ]=0\mathbb{E}[\partial \ln f(\mathbf{z}_i, \boldsymbol{\theta}) / \partial \boldsymbol{\theta}] = \mathbf{0} 本身就是矩条件，因此 MLE 可视为使用得分函数（score）作为矩函数的恰好识别 GMM。

应用领域

GMM 在现代实证经济学中无处不在：

  1. 宏观经济学：估计 Euler 方程（消费平滑）、实际经济周期模型中的结构性参数。Hansen 和 Singleton（1982）使用 GMM 估计基于消费的资产定价模型，是最早的经典应用之一。
  2. 金融学：估计资产定价模型中的风险溢价参数、随机贴现因子的矩条件。
  3. 劳动经济学：处理内生性问题的面板数据 GMM，尤其是动态面板模型。
  4. 产业组织：需求估计中处理价格内生性（BLP 方法的内层循环）。

差分 GMM 与系统 GMM

在面板数据分析中，Arellano 和 Bond（1991）提出的差分 GMM 是 GMM 框架的重要扩展。对于动态面板模型：

yit=αyi,t−1+xit′β+ηi+εity_{it} = \alpha y_{i,t-1} + \mathbf{x}_{it}'\boldsymbol{\beta} + \eta_i + \varepsilon_{it}

其中 ηi\eta_i 为不可观测的个体固定效应。一阶差分消除 ηi\eta_i 后，Δyi,t−1\Delta y_{i,t-1} 与 Δεit\Delta \varepsilon_{it} 相关，可使用滞后水平值作为差分方程的工具变量。Blundell 和 Bond（1998）进一步提出系统 GMM，将水平方程和差分方程联合估计，显著提高了效率，尤其在 α→1\alpha \to 1（单位根附近）时具有更好的有限样本表现。

注意事项与局限

尽管 GMM 功能强大，但在实际应用中也需谨慎：

  • 弱工具变量问题：当工具变量与内生变量相关性较弱时，GMM 估计量可能严重有偏，且 J 检验的功效降低。Stock 和 Yogo（2005）提供了弱工具变量的诊断标准。
  • 过多矩条件：过多的矩条件会降低有限样本下的估计精度（"many instruments"问题），需要权衡信息量与估计精度。
  • 权重矩阵估计：在有限样本下，最优权重矩阵 S\mathbf{S} 的估计不确定性可能影响推断，CUE 估计量对此具有一定稳健性。
  • 局部识别问题：当目标函数在参数空间中出现多个局部最小值时，需要适当的全局优化策略。

GMM 方法论的出现深刻改变了实证经济学的研究范式，使研究者能够基于经济理论给出的有限矩约束（而非完整的分布假设）来估计模型参数并进行统计推断。时至今日，它仍然是计量经济学最活跃的研究领域之一，其扩展——包括经验似然（Empirical Likelihood）、广义经验似然（GEL）等——持续推动着半参数推断方法的前沿。