什么时候应该考虑使用GMM？

使计量经济学与众不同的一件事是使用广义矩法。

哪些类型的问题使GMM比其他估算技术更合适？从效率，减少偏差或更具体的参数估计的角度来看，使用GMM有什么好处？

相反，通过在MLE上使用GMM等会丢失什么？

经济理论的涵义通常是自然地根据有条件的时限限制（例如参见LP Hansen的原始资产定价应用程序）表达的，该条件嵌套了各种无条件的限制，从而导致过度识别。GMM提供了一种有效地组合所有限制的方法，而不是随意选择“最小化哪个平方”来完全满足使用any-LS限制的子集。

MLE需要完整的规范-模型中包含的所有随机变量的所有矩都应匹配。如果总体中满足了这些其他限制，则您自然会得到一个更高效的估计器，也许会有一个更好的行为目标函数进行优化。

但是，在仿真估计的背景下，似然函数的非线性会引入额外的偏差源，从而使与SMM的比较变得复杂。

当遇到内生性问题时，GMM实际上是唯一可以使用的估计方法。由于这些在计量经济学中或多或少是独一无二的，因此可以解释GMM的吸引力。请注意，如果您将IV方法包含在GMM中，则此方法适用，这是完全明智的做法。

一个部分答案 似乎是：

“在力矩条件比模型参数更多的模型中，GMM估计提供了一种直接的方法来测试所提出模型的规格。这是GMM估计所独有的重要功能。”

这似乎很重要，但不足以完全解释GMM在度量标准中的受欢迎程度。