广义矩估计（GMM estimator）和自举法（bootstraping） 模型

yuyang911220

广义矩估计
概念：广义矩估计，GMM（Generalizedmethod of momentsestimator），是基于模型实际参数满足一定矩条件而形成的一种参数估计方法，是矩估计方法的一般化。只要模型设定正确，则总能找到该模型实际参数满足的若干矩条件而采用GMM估计。
基本思想：在随机抽样中，样本统计量将依概率收敛于某个常数。这个常数又是分布中未知参数的一个函数。即在不知道分布的情况下，利用样本矩构造方程（包含总体的未知参数），利用这些方程求得总体的未知参数。


传统的计量经济学估计方法，例如普通最小二乘法、工具变量法和极大似然法等都存在自身的局限性。即其参数估计量必须在满足某些假设时，比如模型的随机误差项服从正态分布或某一已知分布时，才是可靠的估计量。（mark：离散选择模型的参数估计一般采用极大似然法）而GMM不需要知道随机误差项的准确分布信息，允许随机误差项存在异方差和序列相关，因而所得到的参数估计量比其他参数估计方法更有效。因此，GMM方法在模型参数估计中得到广泛应用。


自举法


自举法是在1个容量为n的原始样本中重复抽取一系列容量也是n的随机样本，并保证每次抽样中每一样本观察值被抽取的概率都是1/n(复置抽样)。这种方法可用来检查样本统计数θ的基本性质，估计θ的标准误和确定一定置信系数下θ的置信区间。