第四章极大似然估计、非线性估计和广义矩估计探索.ppt

作为目标函数，求出使该目标函数达到最小的 的值 ，就得到GMM估计量。 上式中， 为任意正定矩阵，称为权矩阵，假设它收敛于一个常数矩阵W，即， 权矩阵可能依赖于数据，但不是 的函数。权矩阵在某种意义上反映了诸矩条件在距离函数中所占的权重，因此可以考虑将它设定为一个对角矩阵，其对角线元素是各个矩的方差的倒数。 至此，我们将矩条件的个数大于参数的个数情况下参数的估计问题化为如下的最小化问题： 求解此最优化问题，得到的估计量就是广义矩估计量（GMM）估计量 。 尽管一般情况下我们无法得到它的解析解，但可以证明，在某些弱正则条件下，GMM估计量是一致和渐近正态估计量。实践中通常采用数值解法求解上式中的最小化问题得到GMM估计量。 不同的权矩阵 会导致不同的一致估计量，其渐近协方差矩阵不同。为了得到最小协方差矩阵，必须选择合适的权矩阵，我们称与此最小协方差矩阵对应的权矩阵为最优权矩阵，用 表示，在不存在自相关的情况下，它是样本矩的协方差矩阵的逆矩阵： 一般依赖于未知参数向量 ，因此在没有得到参数估计量 以前，这个权矩阵只是理论上的一个最优权矩阵。 在实际应用中为了得到最优权矩阵，我们采用下面的两步估计法。