广义矩估计（GMM）在动态面板数据中的偏差校正方法.docxVIP

广义矩估计（GMM）在动态面板数据中的偏差校正方法

一、引言

在社会科学、公共卫生、环境科学等诸多领域的量化研究中，个体行为或状态的动态调整是研究者关注的核心问题——比如居民的消费习惯会影响当期消费支出，企业的投资决策存在路径依赖，公共政策的效果会存在跨期传导，这些场景下都需要在面板模型中引入被解释变量的滞后项，构建动态面板模型来捕捉这种动态关联。与静态面板相比，动态面板能够更精准地刻画现实中普遍存在的路径依赖与滞后效应，但也因为引入滞后被解释变量带来了棘手的内生性问题。

早期研究者曾尝试使用传统的固定效应、随机效应估计方法处理动态面板，但很快发现这类方法会因为滞后项与复合误差项中的个体固定效应存在相关性，产生系统性的估计偏差，也就是经典的尼克偏差，哪怕样本量很大也无法得到一致的估计结果（Nickell，1981）。为了解决这一问题，计量学者先后提出了差分广义矩估计、系统广义矩估计方法，通过引入滞后项作为工具变量构造矩条件，在大样本下能够得到动态面板系数的一致估计，迅速成为动态面板实证研究的主流方法（Arellano和Bond，1991；Blundell和Bond，1998）。

但随着应用范围的拓展，越来越多的研究发现，GMM方法的一致性是建立在“大样本、矩条件有效、工具变量强相关”等一系列理想假设之上的，在现实研究常见的有限样本场景下，GMM估计量往往存在不可忽视的有限样本偏差，