GMM学习笔记.pdfVIP

引入GMM 的目的和两大作用 参数估计方法主要有最小二乘法，极大似然估计法，矩估计法。 GMM 的引入有一定的意义。 首先，处理大样本数据时，如果不知道变量的分布，GMM 估计方法优于MLE。 1 2 极大似然估计法和广义矩估计法被用于大样本情况下模型参数的估计，它们在大样本 条件下显示了优良的性质。但是，使用极大似然估计法的前提是已知变量的分布，只是不知 道其参数。此时，分布的设定难免有人为的因素，一旦给出了错误的分布假定，MLE 估计量 通常是有偏的。而广义矩估计方法不需要对变量的分布进行假定，它只需要找到一些矩条件 而不是整个密度函数；基于模型实际参数满足一定的矩条件，GMM 估计量总是一致的。当 然，GMM 有时不能对样本中的全部信息进行有效利用。此外，只有当样本很大时，GMM 估计量才是渐近有效的。而在小样本中尽管也是一致的，但却不是有效的。其拥有十分良好 的大样本性质，它的小样本性质并不令人满意。 GMM 与MLE 的差别还在于，在某些情况下，GMM 的计算较MLE 方便。 其次，GMM 是对工具变量法的补充和完善。当解释变量存在内生性时，研究者是通过 寻找工具变量来解决此问题。当工具变量满足的矩条件个数大于待估计参数个数时