极大似然估计和广义矩估计.ppt

矩条件的一般形式为：为了表述的方便，将上式写成第63页,共76页，星期六，2024年，5月其中表示有R个元素的向量函数，为K维未知参数向量，，和为模型中全部变量，如为解释变量向量，为工具变量向量。为了估计，我们考虑上式的样本对应物第64页,共76页，星期六，2024年，5月如果矩条件的个数R等于未知参数的个数K，则有可能令的R个元素等于0，解出的唯一解，得到一个一致估计量；若是的非线性函数，则可能得不到解析解；如果矩条件的个数小于参数的个数，则参数向量不可识别；如果矩条件的个数大于参数的个数，即，我们无法通过令等于0求得的唯一解，因为方程数目多于变量个数第65页,共76页，星期六，2024年，5月（一）广义矩估计方法概要

在矩条件的个数大于参数的个数（），如工具变量的个数多于原解释变量的数目的情况下，我们不能通过设定来唯一确定参数向量的估计量，为了充分利用个矩条件的信息，我们只能转而借助最优化方法的思路，选择使得样本矩向量从总体上尽可能接近于0的的估计量。这就是广义矩估计方法的思路。具体的做法是将下面的加权平方和（亦称为距离函数）第66页,共76页，星期六，2024年，5月作为目标函数，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。第67页,共76页，星期六，2024年，5月至此，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。第68页,共76页，星期六，2024年，5月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。第69页,共76页，星期六，2024年，5月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70页,共76页，星期六，2024年，5月第二步：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由下式给出：其中D是导数矩阵：第71页,共76页，星期六，2024年，5月与矩估计法一样，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。第72页,共76页，星期六，2024年，5月（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；第73页,共76页，星期六，2024年，5月（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。第74页,共76页，星期六，2024年，5月例4.4根据消费理论，消费具有惯性，即当期的消费不仅仅与当期收入有关，而且与前期消费也有关系，因此可将消费模型设定为：其中表示总消费（单位：亿元），表示国内生产总值（单位：亿元）。试用GMM法估计上述消费方程。