เมื่อใดที่ควรพิจารณาใช้ GMM


15

หนึ่งในสิ่งที่ทำให้เศรษฐมิติมีเอกลักษณ์คือการใช้เทคนิควิธีการทั่วไปในช่วงเวลา

ปัญหาประเภทใดที่ทำให้ GMM เหมาะสมกว่าเทคนิคการประมาณแบบอื่น ๆ การใช้ GMM ซื้อคุณในแง่ของประสิทธิภาพหรือลดอคติหรือการประมาณค่าพารามิเตอร์ที่เฉพาะเจาะจงมากขึ้นคืออะไร

ในทางกลับกันคุณสูญเสียอะไรจากการใช้ GMM ผ่าน MLE เป็นต้น


GMM เป็นวิธีกึ่งพารามิเตอร์ มันยังเป็นวิธีการข้อมูลบางส่วนเมื่อเทียบกับ (ข้อมูลเต็มรูปแบบ) MLE
Dimitris

3
เทคนิค GMM นั้นไม่ได้มีลักษณะเฉพาะกับเศรษฐมิติ แต่ถึงอย่างนั้นสถิติอื่น ๆ ก็มีแนวโน้มที่จะมีชื่ออื่นสำหรับความคิดเดียวกัน พวกเขาเป็นที่นิยมในทุกที่ที่คุณต้องการอนุมานเชิงสถิติ แต่ไม่สามารถปรับวิธีการสร้างแบบจำลองอย่างเต็มรูปแบบ (หรือไม่ต้องการ) - ดูแอปพลิเคชันในชีวสถิติการวิจัยเชิงสำรวจสังคมศาสตร์และอื่น ๆ
ผู้เข้าพัก

หมายเหตุแท็ก [gmm] ถูกนำไปใช้กับเธรดนี้ & ควรอยู่ในเธรดนี้เท่านั้นเพื่อที่จะไม่หาย แท็กเองไม่ชัดเจน & ไม่ควรใช้โดยทั่วไป แทนแท็กที่เฉพาะเจาะจง [generalized-moments] , [gaussian-mixture-model], หรือ [growth-mixture-model] ควรจะใช้สำหรับหัวข้อในอนาคต
gung - Reinstate Monica

1
ถ้าคุณต้องการที่จะพับ TSLS ภายใต้ GMM คุณก็อาจพูดเช่นเดียวกันกับ OLS ด้วยดังนั้นการบอกว่า GMM นั้นคือ TSLS และ GMM และ TSLS ช่วยกำจัดจุดอ่อนแบบ endogeneity จุดนี่คือ "ทำไมคุณต้องการที่จะไปที่ปัญหาพิเศษของ GMM รุ่นพิเศษบางอย่าง" นั่นอาจเป็นคำถามที่ถูกต้องและลึกซึ้งโดยเฉพาะอย่างยิ่งหากเป็นการยากที่จะทดสอบความแข็งแรงหรือความสมบูรณ์ของเครื่องมือใด ๆ ที่คุณอาจพยายามใช้เพื่อล้างความเป็น endogeneity

ทำไมเราต้องใช้ GMM ทำไมคุณควรโยกย้ายจากรุ่นอื่นไปที่ GMM

คำตอบ:


6

ความหมายของทฤษฎีเศรษฐศาสตร์มักจะถูกกำหนดขึ้นตามธรรมชาติในแง่ของการ จำกัด ช่วงเวลาตามเงื่อนไข (ดูตัวอย่างการประยุกต์ใช้การกำหนดราคาสินทรัพย์ดั้งเดิมของ LP Hansen) ซึ่งมีข้อ จำกัด ที่ไม่มีเงื่อนไขต่าง ๆ ซึ่งนำไปสู่การ overidentification แทนที่จะเลือกอย่างอิสระ "ซึ่งกำลังสองเพื่อลด" เพื่อตอบสนองชุดย่อยของข้อ จำกัด เหล่านั้นอย่างแน่นอนโดยใช้อะไรก็ตาม - LS, GMM ให้วิธีการรวมอย่างมีประสิทธิภาพทั้งหมด

MLE ต้องการข้อมูลจำเพาะที่สมบูรณ์ - ช่วงเวลาทั้งหมดของตัวแปรสุ่มทั้งหมดที่รวมอยู่ในแบบจำลองควรจับคู่ หากข้อ จำกัด เพิ่มเติมเหล่านี้มีความพึงพอใจในประชากรคุณจะได้รับการประมาณค่าที่มีประสิทธิภาพมากขึ้นโดยธรรมชาติอาจมีฟังก์ชั่นการทำงานที่ดีกว่า

อย่างไรก็ตามในบริบทของการประมาณค่าแบบจำลองความไม่เชิงเส้นของฟังก์ชันความน่าจะเป็นได้แนะนำแหล่งที่มาของอคติเพิ่มเติมซึ่งทำให้การเปรียบเทียบกับ SMM มีความซับซ้อน


5

GMM เป็นวิธีการประมาณเดียวที่คุณสามารถใช้เมื่อคุณพบปัญหาเกี่ยวกับ endogeneity เนื่องจากสิ่งเหล่านี้มีความเฉพาะด้านเศรษฐมิติมากกว่าหรือน้อยกว่าสิ่งนี้จึงอธิบายถึงจุดเริ่มต้นของ GMM โปรดทราบว่าสิ่งนี้ใช้ได้หากคุณใช้วิธี IV ใน GMM ซึ่งเป็นสิ่งที่สมเหตุสมผลอย่างสมบูรณ์


คุณสามารถประมาณค่า IV ได้หลายวิธีใช่ไหม TSLS ฯลฯ ... แต่ GMM น่าจะยืดหยุ่นที่สุด
Ari B. Friedman

4
TSLS เป็น GMM พร้อมเมทริกซ์การถ่วงน้ำหนักแบบพิเศษ
mpiktas

นี่อาจเป็นความหมายของ nitpicky แต่ฉันคิดว่า TSLS เป็นกระบวนการของตัวเองซึ่งสามารถดูเป็นกรณีพิเศษของ GMM เพียงเพราะคุณสามารถเรียกใช้ OLS ใน GLM ไม่ได้ทำให้ OLS: = GLM ....
Ari B. Friedman

ในอดีตใช่ แต่การรักษา TSLS เป็นกระบวนการ GMM นั้นเป็นธรรมชาติมาก ดูตัวอย่างการวิเคราะห์เศรษฐมิติของ Wooldridge เกี่ยวกับการตัดขวางและข้อมูลพาเนลบทที่ 8 ฉันไม่รู้แน่ชัด แต่ฉันคิดว่า GMM คิดว่าเป็นลักษณะทั่วไปของ TSLS ดังนั้นการรวมเข้าไปใน GMM ดูเหมือนจะรอบคอบ
mpiktas

อย่างที่ฉันบอกว่า ... ความหมาย :-) แต่ +1 สำหรับคำตอบที่ดี
Ari B. Friedman

2

คำตอบบางส่วนดูเหมือนจะเป็นเช่นนั้น :

"ในแบบจำลองที่มีเงื่อนไขโมเมนต์มากกว่าพารามิเตอร์แบบจำลองการประเมินแบบ GMM เป็นวิธีที่ตรงไปตรงมาเพื่อทดสอบคุณสมบัติของแบบจำลองที่เสนอนี่เป็นคุณสมบัติที่สำคัญที่เป็นเอกลักษณ์ของการประมาณแบบจีเอ็มเอ็ม"

ดูเหมือนว่าจะมีความสำคัญ แต่ไม่เพียงพอที่จะอธิบายความนิยมของ GMM ในการวัดทั้งหมด


2
ถูกต้องแล้ว ฉันไม่รู้ว่าทำไมคุณคิดว่านี่เป็นคำตอบบางส่วน ในการเสริม: สมมติว่าเงื่อนไข 1 โมเมนต์จะเพียงพอสำหรับการระบุพารามิเตอร์ แต่ทฤษฏีจัดเตรียมชุดของช่วงเวลาซึ่งทั้งหมดนั้นใช้ได้อย่างเท่าเทียมกัน ในกรณีดังกล่าวแทนที่จะเลือกเงื่อนไขช่วงเวลาหนึ่งแบบสุ่มมันเป็นเรื่องที่น่าสนใจยิ่งขึ้นที่จะลดค่าเบี่ยงเบนเฉลี่ยจากการเปลี่ยนแปลงของแต่ละช่วงเวลา นี่คือการพูดโดยประมาณสิ่งที่เครื่องประเมิน GMM ทำ

อ่าฉันเพิ่งสังเกตเห็นว่าคำถามของคุณถามมากกว่าสาเหตุที่ใช้ GMM

@Zermelo: แม่นยำ ;-)
Ari B. Friedman
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.