什么时候应该考虑使用GMM?


15

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?


GMM是一种半参数方法;与(完整信息)MLE相比,它也是一种部分信息方法。
Dimitris

3
GMM技术并不是计量经济学独有的-尽管其他统计学家也倾向于为相同的想法取其他名字。它们在您想进行统计推断但无法证明(或不希望使用)完整建模方法的任何地方都很流行-请参阅生物统计学,调查研究,社会科学等领域的应用程序。
2012年

请注意,标记 [gmm] 已应用于此线程,&应该仅保留在该线程上,以使其不会消失。标签本身含糊不清,一般不应使用;而不是特定的标签 [generalized-moments][gaussian-mixture-model]还是 [growth-mixture-model] 应该用于未来的线程。
gung-恢复莫妮卡

1
如果要在GMM下折叠TSLS,那么也可以对OLS说同样的话,因此说GMM是TSLS,而说GMM和TSLS有助于摆脱内生性,这很不切实际。这里的重点是“您为什么要麻烦一些专业的GMM模型?” 这可能是一个有效而深刻的问题,尤其是如果很难测试您尝试用来清除内生性的任何工具的强度或有效性时。

为什么要使用GMM?为什么要从其他模型迁移到GMM?

Answers:


6

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。


5

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。


好吧,您可以估计IV的很多方法,对吗?TSLS等。但是GMM可能是最灵活的。
Ari B. Friedman

4
TSLS是具有特殊加权矩阵的GMM。
mpiktas 2011年

这可能是挑剔的语义,但我将TSLS视为自己的过程,可以将其视为GMM的特例。仅仅因为您可以在GLM中运行OLS并不能使OLS:= GLM ....
Ari B. Friedman

历史上是。但是将TSLS视为GMM程序是很自然的。例如,参见Wooldridge的《横截面和面板数据的计量经济学分析》,第8章。我不确定,但是我认为GMM被认为是TSLS的概括,因此将其包含在GMM中似乎是谨慎的做法。
mpiktas 2011年

就像我说的...语义学。:-)但是+1是一个好的答案。
阿里·弗里德曼

2

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。


2
没错 我不知道您为什么认为这是部分答案。补充:假设1个矩条件足以识别参数,但是理论上提供了一组矩条件,所有这些条件都同样有效。在那种情况下,与其随机选择一个力矩条件,不如从直觉上讲更具吸引力,它是使与每个力矩条件的偏差的加权平均最小化。大致来说,这就是GMM估算器的工作。

嗯,我只是注意到您的问题所要求的不只是使用GMM的原因。

@Zermelo:精确;-)
Ari B. Friedman
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.