第四章极大似然估计、非线性估计和广义矩估计技术分析.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。 第一步：先选择一个与参数向量 无关的权矩阵，例如单位矩阵，得到 的一个一致估计量 ，然后用 得到最优权矩阵的一致估计值： 第二步：得到一致有效的（最优）GMM估计量 其渐近分布由下式给出： 式中渐近协方差矩阵为： 其中D是 导数矩阵： 与矩估计法一样，广义矩法也提供了一种具有包容性的框架，绝大多数估计方法，如普通最小二乘法、极大似然估计法和工具变量法等，都可以看作是广义矩方法的特例。 （二）GMM法的优点 与其它估计法相比，GMM法有下列几个显著的优点： （1）它无需规定正态分布之类的有关分布的假设，GMM估计量的一致性仅取决于矩条件的正确设定； （2）它为很多类似估计量，如OLS、IV等的分析提供了一个统一的框架； （3）它为那些传统估计方法计算很困难特别是模型无法解析求解的情况提供了一种方便的方法； (4) 它允许研究人员规定经济上有意义的一组矩，或者据信是对经济或统计模型的误设定不灵敏的一组矩。 其中 等于扰动项 u 与一阶泰勒展开余项之和， 通过估计此线性模型的参数，可以计算出CES生产函数模型的参数估计值。但由于 包含扰动项与泰勒展开余项，所以可能无法确定参数估计量的性质。 我们可以将上述做法推广为下面的更一般的线性化回归方法。 二、线性化回归 我们将非线性模型用矩阵形式写成 其中： 如果函数 在参数向量 附近连续可微，将 在参数向量 附近进行一阶泰勒展开。记梯度向量 则 其中， 为 一阶泰勒展开余项。 则模型（4-34）可写成： 令 则 其中 为可观测向量。扰动项 包含了扰动项 u和进行线性泰勒近似所带来的误差 。这是一个线性化模型，给定参数向量 的值，便能计算 ，然后按线性模型进行估计。 三、非线性最小二乘法（NLS） 假设有n组观测值 ，非线性模型为 问题是找出一组参数估计值 ，使得残差平方和最小。 残差平方和为 参数向量 的最小二乘估计量是使残差平方和 达到最小的 ，即 因为是非线性模型，我们称此方法为非线性最小二乘法(NLS)。 线性模型参数最小二乘估计的一阶条件仍是参数的线性方程，只要解释变量不取常数，即可求得其解析解。而非线性模型有很大不同，其一阶条件是 即 上式实际是由m 个方程组成的方程组： 称为正规方程组。 一般情况下，非线性模型的一阶条件仍为估计参数的非线性函数，很难求得其解析解。 例4.5 一元非线性模型 其NLS估计的残差平方和为 参数的NLS估计的一阶条件为 此方程组没有解析解。 第五节NLS 估计量的计算与假设检验 ? 由于NLS估计残差平方和 不是 的二次函数，一阶