Answers:
在经典的矩量法中，为需要估计的每个参数指定矩量条件。然后将得到的一组方程式“仅识别”。即使系统不是刚刚确定的，GMM仍希望找到解决方案。这个想法是通过找到使力矩条件尽可能接近零的参数估计来找到最小距离解。
有几种估计模型参数的方法。这是统计/计量经济学的核心部分。GMM（广义矩法）就是这样一种方法，它比其他几种方法更健壮（从统计和字面意义上（对于非统计受众））。
直观的估计过程涉及模型对数据的拟合程度。在执行此操作时，GMM使用的条件比普通模型更多。
（您已经提到了平均值和方差。我认为这是一个熟悉的主意）。平均值和方差是数据的一些基本指标。一个人对数据建模以了解其性质。一个完美的（假设模型）将不断解释数据。
让我们以对建筑物中所有人的高度建模为例。有两个指标，平均值和方差。平均值是第一级指标，方差是第二级指标。平均值是所有高度的总和，然后除以人数。它告诉您11英尺之类的东西很可笑。5英尺是明智的。
现在考虑方差，它将告诉附加信息层：6英尺并不是荒谬的（基于平均值），但是人的身高达到6英尺的可能性有多大。如果建筑物是一幢中学建筑物，那么可能性较小吗？如果是办公楼的可能性更大。
这些是技术上称为数据矩的示例（在解释了平均值和方差之后，应该理解吗？）。如果一个人的模型能够满足所观察到的平均值和方差的条件，那么它应该做得很好。除了平均值和方差，还有其他几个指标。
GMM适合这些较高指标（时刻）的模型。较简单的方法可以满足较小的指标。顾名思义，该名称是通用方法-尝试尽可能通用。