关于GMM模型常规渐近性的一种新的检验统计量的讨论.docxVIP

引言 在常规渐近理论意义下关于GMM模型(Hansen，1982)．【1】的一个关键 假设就是模型能被很好地识别，也就是矩条件在真值处有唯一的零解，具有满秩阶 梯阵．然而当这个假设条件不成立，或者近似不成立时，对于估计量和检验统计量 实际的样本分布，常规正态渐近理论只能给出一个很差的近似。特别是在广泛应用 的线性Ⅳ模型中，这里识别条件要求工具变量与内生变量是相关的．当识别条件 很弱时，常规渐近性的缺失已经在很多研究文献中被论证．也有学者比如Hansen (1996){21、Wright(2000)[31、Newey(2009)f4】等相应地提出一些近似替代的渐 近理论． 在最近的十年，针对识别条件缺失(或者几乎缺失的)的GMM模型的统计推 断的方法得到了很大的进展．在没有识别的前提下，想得到一个相合的点估计是当 然不可能的事情，所以这些新近发展起来的方法几乎一致地放弃了点估计。它们都 是通过构造结构参数的假设检验来完成的，而在这里关于检验统计量的渐近分布是 否建立在模型被很好的识别的情形往往被忽略．这样的检验的置信集合一般都是接 受域的转置，在某种意义下，它们是稳健的．这样的置信集合已经被很多学者成功 地建立起来，如Wright(2000)，Kleibergen(2002)[51，Otsu(2006)16]，Newey (2008)【7】等等． 考察近年来的这方面文献会发现，更多的文章都是围绕模型被稳健识别的前提 下来研究置信集合。由于在识别条件缺失(或者说欠识别)的情况下，常规正态渐 近理论已很难发挥作用，这时要想得到—个相合的点估计几乎是不可能的．基于这 种原因，点估计方面的讨论并不是很多，但是从事经验样本研究的学者却更喜欢倾 向于点估计的探求，部分原因是当参数数量非常大的时候，稳健识别下置信集合往 往难于描述和把握．那么顺理成章的，关于所讨论的模型的识别条件是否足够稳健 的判别手段的研究就将变得非常有帮助了． 关于识别的检验已被大量地建立起来．这其中最简单的就是first—stage F检 验，它对线性IV模型的识别条件是否缺失的问题进行检验。但是仅仅通过Yoga， (2005)[sl的例证就可看出，first—stage F统计量的引入并不意味着关于弱工具 变量的讨论可以被忽视．在Stock和Y090的例证中，在常规渐近理论运转极差的 零假设情况下，他们构造了F检验的临界值．Hahn和Hausman(2002)[91给出了 模型被很好识别的零假设的检验，而在其后续的研究(Hausman 2005)1101中， 发现这个检验对于弱识别的备择假设只具有很小的势． 关于模型是否被很好识别的假设检验问题，Jonathan H．Wright[11]于2010年 提出—个新的检验L，而本文就是来介绍讨论这个检验统计量L．它可以应用于矩 条件个数多于参数个数的—般GMM模型问题，检验常规正态渐近理论的充分性． 这个统计量是通过比较两个置信集合的体积来得到的，检验零假设为模型被很好地 识别，备择假设为模型的识别非常弱(常规正态渐近理论已不能很好地提供样本统 计量分布的极限分布)．作者指出这个检验统计量不仅仅适用于线性IV模型，更可 以推广到一般的GMM模型问题的讨论． 为了更好地讨论这个统计量，本文共分三个部分展开，第一部分对GMM模型 以及一些相关背景知识作了阐述，对于L统计量的介绍引入放在第二部分，在最后 的部分就L检验统计量的95％临界值给出计算并对L统计量进行了模拟和讨论． 2 第一章 GMM模型及相关背景知识的介绍 §1．1 GMM模型和孓集合 广义矩方法(generalized method of moments简称GMM)包括我们在回归模 型中发展起来的各种方法．关于线性模型的GMM估计成为很多文献关注的重点， 本章首先介绍GMM模型及相关背景知识，然后给出后文要用到的其他一些概念． 设 {肌)圣1是一个可观测的时间序列，目为7／,X 1的参数向量，设其真值为 ％，在紧参数空间0内有下面矩条件成立 且眵(玑，eo)】=0 其中咖(·，．)为k维向量函数，且k≥佗；且【．]表示基于时间t的信息集合中变量 的条件期望．则p的GMM估计为 口=arg呼ns(口) 其中s(p)=矿(目)’w}毋+(臼)，矿(口)=J丁-1／2∑：1咖(玑，目)I，Wr为k×k对称正 定权矩阵，并一致收敛到一个非随机正定矩阵W． GMM模型有以下标准假设： 假设1：矿(p)关于任意的口∈O是二阶连续可微的； 假设2： 『T-1／2∑：1西(玑，日)l譬E眵(纨，口)]和 卜乳棚]警譬E(警) 在0处一致成立5 假设3：T-V2∑：l[西‰，伊)～E(qb(yt，曰))]三N(o，A(p))，其中A(目)=E(O(yt，目)咖(玑，目)’)； 假设