Обобщенный метод моментов - Generalized method of moments
В эконометрики и статистики , то обобщенный метод моментов ( ОММ ) является универсальным методом оценки параметров в статистических моделях . Обычно он применяется в контексте полупараметрических моделей , где интересующий параметр является конечномерным, тогда как полная форма функции распределения данных может быть неизвестна, и поэтому оценка максимального правдоподобия не применима.
Метод требует, чтобы для модели было указано определенное количество моментов . Эти моментные условия являются функциями параметров модели и данных, так что их математическое ожидание равно нулю при истинных значениях параметров. Метод ГММ затем минимизирует определенную норму образца средних от моментных условий, и , следовательно , можно рассматривать как частный случай из оценки минимального расстояния .
Известно, что оценщики GMM являются непротиворечивыми , асимптотически нормальными и эффективными в классе всех оценщиков, которые не используют никакой дополнительной информации, кроме той, которая содержится в моментных условиях. GMM был предложен Ларсом Питером Хансеном в 1982 году как обобщение метода моментов , введенного Карлом Пирсоном в 1894 году. Однако эти оценки математически эквивалентны оценкам, основанным на «условиях ортогональности» (Sargan, 1958, 1959) или «беспристрастности». оценивающие уравнения »(Huber, 1967; Wang et al., 1997).
Описание
Предположим, что доступные данные состоят из T наблюдений { Y t } t = 1, ..., T , где каждое наблюдение Y t является n- мерной многомерной случайной величиной . Мы предполагаем, что данные поступают из определенной статистической модели , определенной с точностью до неизвестного параметра θ ∈ Θ . Цель задачи оценивания - найти «истинное» значение этого параметра θ 0 или, по крайней мере, достаточно близкую оценку.
Общее предположение GMM состоит в том, что данные Y t генерируются слабо стационарным эргодическим случайным процессом . (Случай независимых и одинаково распределенных (iid) переменных Y t является частным случаем этого условия.)
Чтобы применить GMM, нам нужно иметь «моментные условия», то есть нам нужно знать вектор-функцию g ( Y , θ ) такую, что
где E обозначает ожидание , а Y t - общее наблюдение. Более того, функция m ( θ ) должна отличаться от нуля при θ ≠ θ 0 , иначе параметр θ не будет точечно- идентифицированным .
Основная идея GMM - заменить теоретическое ожидаемое значение E [⋅] его эмпирическим аналогом - выборочным средним:
а затем минимизировать норму этого выражения по θ . Минимизирующее значение θ - это наша оценка для θ 0 .
По закону больших чисел , для больших значений T , и поэтому мы этого ожидаем . Обобщенный метод моментов ищет число, которое было бы как можно ближе к нулю. Математически это эквивалентно минимизации определенной нормы (норма m , обозначенная как || m ||, измеряет расстояние между m и нулем). Свойства полученной оценки будут зависеть от конкретного выбора функции нормы, и поэтому теория GMM рассматривает все семейство норм, определяемых как
где W - положительно определенная матрица весов, а означает транспонирование . На практике весовая матрица W вычисляется на основе доступного набора данных, который будет обозначаться как . Таким образом, оценщик GMM можно записать как
При подходящих условиях эта оценка является непротиворечивой , асимптотически нормальной и при правильном выборе весовой матрицы также асимптотически эффективной .
Характеристики
Последовательность
Согласованность - это статистическое свойство оценщика, утверждающее, что, имея достаточное количество наблюдений, оценщик сойдется по вероятности к истинному значению параметра:
Достаточные условия для согласованности оценки GMM следующие:
- где W - положительно полуопределенная матрица ,
- только для
- Пространство возможных параметров является компактным ,
- непрерывна при каждом θ с вероятностью единица,
Второе условие здесь (так называемое условие глобальной идентификации ) часто особенно трудно проверить. Существуют более простые необходимые, но недостаточные условия, которые могут быть использованы для обнаружения проблемы неидентификации:
- Условие заказа . Размерность моментной функции m (θ) должна быть не меньше размерности вектора параметров θ .
- Локальная идентификация . Если g (Y, θ) непрерывно дифференцируемо в окрестности , то матрица должна иметь полный ранг столбца .
На практике эконометристы-прикладники часто просто предполагают, что глобальная идентификация имеет место, не доказывая ее на самом деле.
Асимптотическая нормальность
Асимптотическая нормальность - полезное свойство, поскольку оно позволяет нам строить доверительные интервалы для оценщика и проводить различные тесты. Прежде чем мы сможем сделать утверждение об асимптотическом распределении оценки GMM, нам необходимо определить две вспомогательные матрицы:
Тогда при условиях 1–6, перечисленных ниже, оценка GMM будет асимптотически нормальной с предельным распределением :
Условия:
- согласован (см. предыдущий раздел),
- Множество возможных параметров является компактным ,
- непрерывно дифференцируема в некоторой окрестности N от с вероятностью единица,
- матрица невырожденная.
Эффективность
Пока мы ничего не сказали о выборе матрицы W , за исключением того, что она должна быть положительно полуопределенной. Фактически, любая такая матрица будет давать непротиворечивую и асимптотически нормальную оценку GMM, единственная разница будет заключаться в асимптотической дисперсии этой оценки. Можно показать, что взяв
приведет к наиболее эффективной оценке в классе всех асимптотически нормальных оценок. Эффективность в этом случае означает, что такая оценка будет иметь наименьшую возможную дисперсию (мы говорим, что матрица A меньше матрицы B, если B – A является положительно полуопределенным).
В этом случае формула для асимптотического распределения оценки GMM упрощается до
Доказательство того, что такой выбор весовой матрицы действительно является оптимальным, часто принимается с небольшими изменениями при установлении эффективности других оценок. Как показывает опыт, матрица взвешивания является оптимальной, когда она превращает «формулу сэндвича» для сжатия дисперсии в более простое выражение.
Доказательство . Мы рассмотрим разницу между асимптотической дисперсией с произвольным W и асимптотической дисперсией с. Если мы можем разложить эту разницу на симметричное произведение формы CC ' для некоторой матрицы C , то это будет гарантировать, что эта разность неотрицательно определена и, таким образом,будет оптимальной по определению. | |
где мы ввели матрицы A и B , чтобы немного упростить обозначения; I - единичная матрица . Мы можем видеть , что матрица B здесь симметрична и идемпотентная : . Это означает , что I-B является симметричным и идемпотентным , а также: . Таким образом, мы можем продолжить факторизацию предыдущего выражения как | |
Реализация
Одна из трудностей с реализацией описанного метода состоит в том, что мы не можем взять W = Ω −1, потому что по определению матрицы Ω нам нужно знать значение θ 0 , чтобы вычислить эту матрицу, а θ 0 - это именно та величина, которую мы не знают и пытаются оценить в первую очередь. В случае, когда Y t iid, мы можем оценить W как
Существует несколько подходов к решению этой проблемы, первый из которых является наиболее популярным:
-
Двухэтапный возможный GMM :
- Шаг 1. Возьмите W = I ( единичную матрицу ) или другую положительно определенную матрицу и вычислите предварительную оценку GMM . Эта оценка согласована для θ 0 , хотя и неэффективна.
- Шаг 2 : сходится по вероятности к Ω −1, и поэтому, если мы вычисляем с этой весовой матрицей, оценка будет асимптотически эффективной .
-
Итерированный GMM . По сути, та же процедура, что и двухэтапный GMM, за исключением того, что матрица пересчитывается несколько раз. То есть оценка, полученная на этапе 2, используется для вычисления весовой матрицы для этапа 3 и так далее, пока не будет выполнен некоторый критерий сходимости.
-
Постоянное обновление GMM (CUGMM или CUE). Оценка одновременно с оценкой весовой матрицы W :
Другая важная проблема в реализации процедуры минимизации заключается в том, что функция должна перебирать (возможно, многомерное) пространство параметров Θ и находить значение θ, которое минимизирует целевую функцию. Общих рекомендаций для такой процедуры не существует, это предмет отдельной области, численной оптимизации .
J -тест Саргана – Хансена
Когда количество моментов больше, чем размерность вектора параметров θ , модель считается переидентифицированной . Сарган (1958) предложил тесты для переопределения ограничений, основанные на оценках инструментальных переменных, которые распределяются в больших выборках как переменные хи-квадрат со степенями свободы, которые зависят от количества переопределенных ограничений. Впоследствии Хансен (1982) применил этот тест к математически эквивалентной формулировке оценок GMM. Обратите внимание, однако, что такая статистика может быть отрицательной в эмпирических приложениях, где модели указаны неправильно, и тесты отношения правдоподобия могут дать понимание, поскольку модели оцениваются как при нулевой, так и при альтернативной гипотезе (Bhargava and Sargan, 1983).
Концептуально мы можем проверить, достаточно ли близко к нулю, чтобы предположить, что модель хорошо соответствует данным. Затем метод GMM заменил задачу решения уравнения , которое выбирает точное соответствие ограничениям, расчетом минимизации. Минимизацию всегда можно провести, даже если такого не существует . Это то, что делает J-test. J-тест также называется тестом на переопределение ограничений .
Формально мы рассматриваем две гипотезы :
- ( нулевая гипотеза о том, что модель «действительна»), и
- ( альтернативная гипотеза о том, что модель «недействительна»; данные не подходят для соответствия ограничениям)
Согласно гипотезе следующая так называемая J-статистика имеет асимптотическое распределение хи-квадрат с k – l степенями свободы. Определите J как:
- под
где - оценка параметра GMM , k - количество моментов (размерность вектора g ), а l - количество оцениваемых параметров (размерность вектора θ ). Матрица должна сходиться по вероятности к эффективной матрице взвешивания (обратите внимание, что ранее мы требовали только, чтобы W была пропорциональна, чтобы оценка была эффективной; однако для проведения J-теста W должно быть точно равно , а не просто пропорционально).
Согласно альтернативной гипотезе J-статистика асимптотически неограничена:
- под
Для проведения теста мы вычисляем значение J из данных. Это неотрицательное число. Мы сравниваем его с (к примеру) на 0,95 квантиль в распределении:
- отклоняется с доверительной вероятностью 95%, если
- не может быть отклонен с доверительной вероятностью 95%, если
Объем
Многие другие популярные методы оценки могут быть применены с точки зрения оптимизации GMM:
-
Обычный метод наименьших квадратов (OLS) эквивалентен GMM с моментными условиями:
-
Взвешенный метод наименьших квадратов (WLS)
-
Регрессия инструментальных переменных (IV)
-
Нелинейный метод наименьших квадратов (NLLS):
-
Оценка максимального правдоподобия (MLE):
Реализации
Смотрите также
- Метод максимального правдоподобия
- Обобщенное эмпирическое правдоподобие
- Оценка Ареллано – Бонда
- Приближенное байесовское вычисление
использованная литература
дальнейшее чтение
- Хубер, П. (1967). Поведение оценок максимального правдоподобия в нестандартных условиях. Труды Пятого симпозиума Беркли по математической статистике и вероятности 1, 221-233.
- Ньюи В., Макфадден Д. (1994). Оценка большой выборки и проверка гипотез , Справочник по эконометрике, глава 36. Elsevier Science.
- Имбенс, Гвидо В .; Spady, Ричард Х .; Джонсон, Филипп (1998). "Теоретико-информационные подходы к выводу в моделях моментных состояний" (PDF) . Econometrica . 66 (2): 333–357. DOI : 10.2307 / 2998561 . JSTOR 2998561 .
- Сарган, JD (1958). Оценка экономических отношений с использованием инструментальных переменных. Econometrica, 26, 393-415.
- Сарган, JD (1959). Оценка взаимосвязей с автокоррелированными остатками с использованием инструментальных переменных. Журнал Королевского статистического общества B, 21, 91-105.
- Ван, CY, Ван, С., и Кэрролл, Р. (1997). Оценка при выборке на основе выбора с ошибкой измерения и бутстрап-анализом. Журнал эконометрики, 77, 65-86.
- Бхаргава А. и Сарган Дж. Д. (1983). Оценка динамических случайных эффектов на основе панельных данных за короткие периоды времени. Econometrica, 51, 6, 1635–1659.
- Хаяси, Фумио (2000). Эконометрика . Принстон: Издательство Принстонского университета. ISBN 0-691-01018-8.
- Хансен, Ларс Питер (2002). «Метод моментов». В Смелсере, штат Нью-Джерси ; Бейтс, ПБ (ред.). Международная энциклопедия социальных и поведенческих наук . Оксфорд: Пергамон.
- Холл, Аластер Р. (2005). Обобщенный метод моментов . Продвинутые тексты по эконометрике. Издательство Оксфордского университета. ISBN 0-19-877520-2.
- Faciane, Кирби Адам младший (2006). Статистика для эмпирических и количественных финансов . Статистика для эмпирических и количественных финансов. ХК Бэрд. ISBN 0-9788208-9-4.
- Специальные выпуски журнала Business and Economic Statistics: vol. 14, вып. 3 и т. 20, нет. 4 .