GMM估计中文讲义广义矩估计

GMM 估计中文讲义2

线性模型

1i x 是1k ⨯，2i x 是1r ⨯，l k r =+。如果没有其他约束，β的渐进有效估计量是OLS

估计。现在假设给定一个信息20β=，我们可以把模型写为，

11

i i i y x βε'=+，()0i i E x ε= 如何估计1β？一种就是OLS 估计。然而这种方法不是必然有效的，当在()0i i E x ε=方程中有l 个约束，然而1β的维数k l <，这种情况称为过渡识别。这里有r l k =-比自由参数多的矩约束，我们称r 是过渡约束识别个数。

让(,,,)g y z x β是1l ⨯个方程，参数β为1k ⨯，且k l <，有

0(,,,)0i i i Eg y z x β= （1）

0β是β

的真实值，在上面线性模型中有1

(,,)()g y x x y x ββ'=

-。在计量经济学里，这类模型称为矩条件模型。在统计学中，这称为估计方程。 另外，我们还有一个线性矩条件模型，

1i i i y z βε'=+，()0i i E x ε=

i z 和i x 的维数都是1k ⨯，且有1l ⨯，k l <，如果k l =则模型是恰好识别，否则是过

渡识别。变量i z 是i x 的一部分或是i x 的函数。模型（1）可以设置为，

0(,,,)()i i i g y z x x y z ββ'=- （2）

GMM 估计

模型（2）样本均值为

11111

()(())()n n n i i i i i i n n n

g g x y z X y X Z ββββ==='''=-=-∑∑ （3）

β的矩估计量就是设置()0n g β=。对于k l <个方程大于参数的情形，GMM 估计思

想就是设置()n g β近可能的接近于零。

对于l l ⨯加权矩阵W 0n >，让

这是向量()n g β长度的非负测度。例如，如果W n I =，则有

2

()()()()n n n n n n J g g g ββββ'=⋅=⋅。

GMM 估计就是最小化()n J β，即定义arg ()GMM n J β

ββ=。

注意，如果k l =，则()0ˆn g β

=，GMM 估计就是矩估计方法。GMM 估计的一阶条件为 则β的GMM 估计为 GMM 估计量的分布

假设W W>0p n −−

→，令)(i i Q E x z '= 和 2))((i i i i i E E x x g g ε=''Ω=

这里i i i g x ε=

，则11W W p

n Z X X Z Q Q n n ⎛⎫⎛⎫'''−−→ ⎪ ⎪⎝⎭⎝⎭

定理1：

ˆ)(0,)d N V ββ-−−→

为了使V 最小，最优加权矩阵1

0W -=Ω（证明留作练习）。这产生了最有效的GMM 估计量：

这时，我们有定理2：对于有效的GMM

11ˆ)(0,())d

N Q Q β

β--'-−−→Ω 实际上10W -=Ω是未知的，但它能一致估计。对于任何0W W p

n −−

→，我们仍然称ˆβ是有效的GMM 估计量，且有相同的渐进分布。

有效即意味着GMM 估计量有最小的渐进方差。当我们只考虑加权矩阵W n ，这是弱有效概念。然而Gary Chamberlain (1987)证明这个GMM 估计量是半参数有效的。 有效加权矩阵估计

对于给定的W >0n ，ˆβ的GMM 估计量是一致但不是有效的，例如W =n l I 。在线性模型，

一个较好的选择是1

W =()n X X -'

。给定第一步估计量，我们定义残差ˆi i i y z εβ'=-，矩方程 ˆˆˆ(,,,)i i i i i i g

x g y z x εβ==，构造 定义11

1111ˆW ˆi n n n i i n n i i i g g

n n g g g g --*==*⎛⎫⎛⎫

'''==- ⎪ ⎪⎝⎭⎝⎭

∑∑)) 那么有-10W =W p

n −−

→Ω，使用W n 得到的GMM 估计量是渐进有效的。 一个替代性选择是1

11ˆW ˆi n n i i g n g -=⎛⎫

'= ⎪⎝⎭

∑，使用非中心化的矩条件。因为0i Eg =，这两种估计量在正确的假设下是渐进相等的。然而，Alastair Hall (2000) 指出非中心化估计量是较

差的选择。当构造假设检验，备择假设下的矩条件是无效的，如0i Eg ≠，所以非中心化的估

计量包含着偏误项，以及对检验势的影响。

对于线性模型，有效的GMM 估计量可以这样计算，首先，设置1

W =()n X X -'

，使用此

加权矩阵估计ˆβ

，构造残差ˆˆi i i y z εβ'=-，矩方程ˆˆˆ(,,,)i i i i i i g x g y z x εβ==。则GMM 估计为

在多数例子中，当我们说“GMM ”时，其实我们就意味着是“有效GMM ”。当有效估计量比较容易计算时，有一点需要注意就是我们在使用非有效的GMM 估计量。

ˆβ

的渐进方差估计量为， 刚才给出的两阶段GMM 估计的一个重要替代估计方法，是L. Hansen, Heaton and Yaron

(1996)的continuously-updated GMM 估计。

即我们让加权矩阵是β的函数，则矩条件方程是，

定理311ˆ)(0,())d N G G ββ--'-−−→Ω，1(())i i E g g -'Ω=，

()i g G E ββ⎛∂⎫= ⎪'∂⎝⎭

。ˆβ的方差由11()G G --'Ω)))估计，1

i i

i n g g -**'Ω=∑)))，1()i i g G n ββ-∂='∂∑)

)。 过度识别检验

p

n i Eg g −−→，n g 可以用来评价0i Eg =假设是否正确。根据有效加权矩阵n W 的表达

式，参数估计量的准则函数是，

过度识别的J 检验是，2ˆ()d l k J J βχ-=−−→