假设模型设定为
y = xb + e
通常,我们会假设 y 和 x 之间存在明确的因果关系,且模型设定是正确的,则会存在如下条件:
corr(x, e) = 0
也就是说,干扰项和解释变量不相关,否则就会出现所谓的内生性问题。
我想,上面的问题大家应该都清楚,这是学 OLS 时的一个最基本的假设条件。 矩估计就是利用了上面的条件来构造统计量的。我们可以把上面的条件改写为:
E(x'e) = 0 (更一般化的表述是 E(z'e) = 0, z 就是传说中的工具变量)
若将 e = y - xb 带入上式,即可得到:
E[x' (y-xb)] = 0
==> x'y - x'xb = 0
==> b = (x'x)^{-1} x'y
这是大家非常熟悉的 OLS 估计量,但它并不是用残差最小平方法得到的,而是采用上面的矩条件
E(x'e) = 0 得到的。 上面就是矩估计的基本思想。只要能找到类似于 E(x'e) = 0 的矩条件,我们便可以据此构造统计量。 至于 GMM,则称为广义矩估计。基本思想如下:
有些时候,我们所用于的矩条件很多,远远超过了待估参数的个数(有点类似解多元方程时的情况),此时很难保证没有矩条件都得到满足(等于0)。为此,我们需要把所有的矩条件融合起来,让他们整体上尽可能接近于 0。这时候就需要进行极小化求解了。因此,GMM 无法的保证没有矩条件都得到满足,但通过极小化的方式,让它们“尽可能”得到满足。
通过上面的介绍,你很容易理解如下表述:
其一,在矩估计中,z=x,因此,x 其实就是自己的工具变量。 其二,在GMM中,z 包含我们针对内生变量选择工具变量,以及外生变量。 本文来自: 人大经济论坛 统计软件培训班VIP答疑区 版,详细出处参考:http://www./bbs/viewthread.php?tid=928412&page=1&fromuid=768249 |
|
来自: yujuan8016 > 《计量学习》