[数学]GMM——参考资料.pptVIP

第七章 GMM估计 问题的引入 线性模型中的GMM 非线性模型中的GMM GMM的大样本特性 假设检验 GMM的应用 §7.1 问题的引入Introduction 一、矩估计(Method of Moment, MM) 例：对于总体均值，?=E(X)，这时g(X)=X 对于总体方差，?2=E(X-?)2，这时g(X)=(X-?)2 总体均值称为总体的1阶原点矩，总体方差称为总体的2阶中心矩。 矩法可用于估计总体的参数 例1. 设{Xi}是从某一服从指数分布的总体 f(X,?)=?exp(-?X)， X0 中抽出的。 二、OLS作为一个矩问题 对模型 Y=X?+? 假设模型的设定是正确的，则有E(X’?)=0， 从而有矩条件：M(?)=E[X’(Y-X?)]=0 根据矩法（类比法），相应的样本矩为： m(?)= (1/n)X’(Y-X?) 三、工具变量(IV)作为一个矩问题 四、非线性模型的矩估计法 对非线性回归模型 Yt=h(Xt;?)+?t ?t~iid(0,?2) 或 Y=h(X;?)+ ? ?~iid(0,?2I) 五、MM估计的性质 1、bMM具有一致性 与NLS估计中bNLS 的一致性相似，对MM估计方法，当参数?渐近可识别时，bMM具有一致性。 2、bMM具有渐近正态性 类似于bNLS渐近正态性的讨论，bMM也具有渐近正态性。 3、渐近有效性 称(*)式为n1/2(bMM - ?0)的渐近方差，bMM的渐近方差为 (1/n)?2plim(n-1X0’PZX0)-1 于是： X0’X0-X0’PZX0=X0’MZX0 =(MZX0)’(MZX0)=半正定矩阵 §7.2 线性模型中的GMMGMM Estimators for Linear Regression Models 一、广义矩估计的基本原理 在上述线性模型工具变量法的估计中，尽管我们假设工具变量的个数不小于参数的个数，l?K，但实际上在选取工具变量时，只取了l=K=k+1。即工具变量矩阵Z的列数等于X的列数。这主要是由于寻找的总体矩条件的个数等于未知参数的个数。 三种解决思路： 第一种思路不是最优的，因为舍弃了相关信息。 权矩阵(W)l?l的选择，可根据每个样本矩条件估计的精确程度来设置（用方差来度量），如： 对估计较精确的矩条件给予较大的权重，对估计较不精确的矩条件给予较小的权重。 或者说： W应是[Var(Z’?)]-1的一致估计。 对广义矩估计中的最小化问题 min Q(b)=[Z’(Y-Xb)]’W[Z’(Y-Xb)] 当l?K时，Z’X是一个列满秩于K的矩阵。从而(X’ZWZ’X)K?K非奇异，于是有： bGMM=(X’ZWZ’X)-1X’ZWZ’Y 讨论2种情形： (1) l=K，这时Z’X为K?K方阵且可逆。于是： b=(Z’X)-1W-1(X’Z)-1X’ZWZ’Y =(Z’X)-1Z’Y §6.3 非线性模型中的GMMGMM Estimators for Nonlinear Regression Models 二、GMM和正交性条件 GMM主要是在一组总体的正交性矩条件下进行的。这组矩条件往往由经济理论或先验信息给出。它们可以是参数的线性函数，也可以是参数的非线性函数。更一般地可记为 E[g(Yt,Xt,?)]=0 其中，g(?)是数据(Yt,Xt)及参数?的连续函数。 该约束条件意味着：t+s期的消费与(资产)储蓄等于当期的劳动收入加资产收入。 求解上述最大化问题的效用函数是困难的，但仍可考虑如下极值条件：当期一个货币单位消费的边际效用，应等于该单位货币储蓄到下期所带来的边际消费效用： Et+1[?U’(Ct+1)(1+rt+1)]=U’(Ct) 这就是一矩条件，可用来估计消费效用函数U(C)中的未知参数。Zt即为一工具变量向量，原则上可以包括时期t及之前的任何信息。 假设消费的效用函数为如下幂函数形式： U(C)=C1-?/(1-?)