广义距估计下Wald检验有限样本性质的改进doc.doc

摘要 由于广义距估计 Generalized Method of Moments，GMM 的众多优点，GMM在金融学、宏观经济学、微观经济学等实证问题研究中被广泛使用。相对于极大然估计 Maximum Likelihood Estimation，MLE ，GMM无需对数据的分布特征进行假设，且GMM的计算量相对来说较小。在GMM估计中，Wald检验经常被用来行使假设检验，来检验模型中参数的性质。这是因为相对于似然比检验 Likelihood-ratio Test 统计量和测试成绩检验 Score Test 统计量，Wald检验统计量的计算最为简便。但是，近来大量文章指出，GMM估计和假设检验在有限样本下有严重的偏差问题。在有限样本下，估计量严重地偏离了其真实值，且在原假设成立情况下包括Wald在内的检验统计量被过多地拒绝。就此，1996年7月Journal of Business Economic Statistic发表了关于这方面问题专刊的文章，同时大量的方案被提出用来改进GMM的有限样本性质。其中，Burnside和Eichenbaum 1996 指出基于GMM的Wald检验的有限样本性质问题主要是由协方差矩阵（权重矩阵）估计的偏差引起的。本文试图通过压缩估计方法（Shrinkage Method 来减少协方差矩阵的估计误差，进而改进Wald检验的有限样本性质。此方法有助于我们更好地对投资组合进行的均值方差分析 Mean-variance Analysis ，比较不同投资组合的夏普指数 Sharpe Ratio 进而更准确地选择出有效投资组合。 本文首先通过公式推导证明，得出矩阵的压缩估计方法，并证明其一致性 Consistency 。接着，利用蒙特卡罗模拟实验来提出问题，指出问题的所在，并解决问题。实验的数据主要是基于一个简单的高斯 Gaussian 数据生成过程，本文指出Wald检验的有限样本问题主要是协方差矩阵估计偏差造成的；其次，作者通过利用压缩估计方法来提高协方差矩阵的估计精度，并在一定程度上改善了Wald 检验的有限样本性质；另外，实验结果显示，本文的方法相对于Burnside和Eichenbaum 1996 的方法（直接利用原假设和数据特称的信息）具有优越性。 最后，在实证应用部分，我们利用Fama-French投资组合的历史数据，得出利用样本协方差矩阵来构造有效边界组合有时是不对的，而利用本文的方法来检验比较不同投资组合的夏普指数，并采用压缩方法估计量来计算Wald检验统计量能让我们更好地判断投资组合的有效性。 关键词：协方差矩阵；压缩估计方法；Wald检验 Abstract Generalized method of moments GMM estimation developed by Hensen 1982 has become one of the most widely used methods of estimation for models in economics and finance, and simple Wald-type tests are commonly used to test the models’ implications for the parameters in GMM procedure. The reasons to believe that GMM-based Wald test is a popular test for restrictions of the parameters are not only that GMM estimation has advantages in terms of robustness of its distributional assumptions, but also that Wald statistic can be easily computed. In comparison with Maximum Likelihood approaches, GMM need not to completely specify the data’s distributional properties. From a computational point of view, it is less demanding than Maximum Likelihood approaches. Thus there is a wide adoption of GMM method in the real study; least squared method and two stage least square meth