(2)L=K,即工具变量的个数等于未知参数的个数时,矩条件方程唯一解,参数恰好识别。
估计量为:
19
如前所述,OLS估计量和IV估计都是这种情况下的特殊形式。
(3)L>K,即工具变量的个数大于未知参数的个数时,采用不同的矩方程可以得到不同的解,因此,矩方程具有多个解。
1.2.2秩条件与阶条件
从(17)式得到的矩条件方程为:
可以看出,要使得β有解,。
如果,则存在唯一解;如果,则无解;,则存在多个解。
要得到的唯一解,矩阵的转置必须存在。
而为阶矩阵,因此,β有唯一解的充分条件是,称之为工具变量的秩条件。
秩条件暗含的另外一个假定是L≥K,即工具变量的个数大于内生解释变量的个数。
称之为工具变量的阶条件。
如果L>K,称为过度识别;如果L=K,则称为恰好识别。
1.2.3GMM估计及渐进特征
当L>K时,秩条件不成立,MM方法存在多个解。
这时,可以采用两种方法。
其一,将多个工具变量组合成为K个工具变量。
这即是2SLS。
在2SLS中的第一阶段,用每一个内生变量对L个工具变量回归,得到K个拟合值;然后,用这K个拟合值作为工具变量进行LS回归。
第二种方法即是GMM估计。
后面将会看到,TSLS方法是GMM方法在同方差假定下的特例。
GMM方法即是解决L>K情况下的一般方法。
GMM方法完全是根据矩条件来估计参数,因此对扰动项的分布形式没有任何假定,这一点使GMM估计成为稳健性分析中的重要应用。
1.GMM估计
广义矩方法即是处理过度识别情况的一般方法。
首先来看一下如何将MM估计推广到GMM估计。
设模型为
y=f(x,β)+u
x中包含K个变量,L个工具变量表示为z。
在MM估计中,利用K个工具变量估计K个未知参数,需要构建K个矩方程。
每个矩条件表示为ml(l=1,2,…,K)。
K个矩方程为
等价于解方程:
。
A
当存在L>K个工具变量时,共有L个矩方程,而只有K个未知参数。
因此,根据MM方法,共有个组合,可以得到的矩估计量的个数为。
这时,每个组合得到的MM估计量都不能满足A式,即A式不会恰好为0。
但可以考虑将各种不同的估计结果综合起来,使A式最小化。
比如,
20
即使得L个矩条件的平方和最小。
因为不同矩的方差不同,因此更科学的方法是使用加权的平方和,
21
Wt可以是任意的正定矩阵(可以依赖于数据,但不包含未知参数)。
事实上(20)式是(21)式的一个特例,即Wt=I。
GMM估计量是求下式的最优解:
22
括号中的Wt表示GMM估计量取决于Wt,不同的权数矩阵会得到不同的估计量。
根据一阶条件
便可以得到GMM估计量。
令为(L×K)矩阵,第(i,j)元素表示第i个矩条件对第j个参数的导数。
比如,在线性模型y=xβ+u中,令表示参数β的GMM估计。
则矩条件为
目标函数为:
一阶条件为:
23
进而可求得GMM估计量
2.任意正定权数矩阵的GMM估计量的渐进特征
定理:
对于任意正定权数矩阵,具有一致性:
24
定理:
对于任意正定权数矩阵,具有渐进正态性:
25
其中,,
注:
对一阶条件在真实参数处进行泰勒级数展开便可得到GMM估计量的极限分布。
如果权数矩阵选择为单位矩阵,那么渐进协方差为。
3.任意正定权数矩阵的矩的渐进特征
GMM估计中,不仅参数估计量具有渐进正态性,而且矩也具有渐进正态性。
假设1:
如果Wt为正定矩阵,且。
假设2:
。
根据大数定理,样本矩收敛于总体矩,
,当时。
26
又根据中心极限定理,
27
其中,S表示的渐进协方差矩阵,即。
任意权数矩阵下,的渐进分布为:
28
其中,,B是对称幂等矩阵。
1.2.4最优权数矩阵的选择
对于任意满足假设1的权数矩阵,都具有一致性。
接下来,我们介绍如何确定最优的Wt及其渐进分布特征。
1.最优权数矩阵的选择
首先我们回顾一下GLS估计的思想。
对于方程,假设。
转换矩阵M满足:
转换后的新模型为:
令,即。
新的随机误差项的协方差矩阵为,是同方差、无序列相关的。
模型的目标函数为:
即,目标函数是u的加权平方和,而权数矩阵则是u的协方差矩阵的逆矩阵。
根据一阶条件得到GLS估计量:
与GLS相类似,GMM方法中,目标函数为各个矩的加权平方和,权数的选择则要考虑各个矩的异方差和相关性。
最优权数即是各个矩的协方差矩阵的逆矩阵。
,,30
如果为一致估计量对应的矩,则S的一致估计量为:
32
因此,最优权数矩阵为:
33
31
θ的GMM估计量使得下式最小化
34
对于线性模型,。
如果误差项是同方差的,即,则
其中,是的一致估计量。
如果存在异方差,但不存在自相关,则S的估计量为:
如果存在自相关,则S的估计量为:
可以利用HAC估计量。
令
表示滞后j阶的协方差矩阵。
那么
•如果当j大于某个阶数q时,,我们可以使用统计量:
其中,协方差估计量为:
注:
EViews中,HAC异方差一致协方差矩阵为:
其中,
需要选择核k和窗宽q。
2.选择最优权数矩阵时GMM估计量的渐进特征
当权数矩阵时,的渐进正态分布为
35
3.选择最优权数矩阵时矩的渐进特征
当权数矩阵时,将其带入上式中,并利用B的对称幂等性质,可以得到的渐进分布为:
36
S是矩条件的方差,S越大,V越大。
G反映了矩条件对θ变化的敏感程度,G越大,V越小。
因此,GMM估计量的方差取决于S和G,与S呈正比,与G呈反比。
1.2.5GMM估计步骤
要得到最优估计量,需要先得到权数矩阵;而要得到权数矩阵,需要先得到参数估计量。
因此,参数估计量和权数矩阵是两个相互交错的问题。
1.两步有效GMM估计
因为,对于任意权数矩阵,GMM估计总是一致的,因此可以先选择一个初始矩阵,得到参数的一致估计量,并利用该估计量计算权数矩阵,再利用新计算的权数矩阵的重新估计。
这即是两部GMM估计。
Step1:
选择初始权数矩阵,比如或,计算的一致估计量:
然后估计最优权重矩阵。
Step2:
利用第一步中得到的最优权重矩阵进行GMM估计,得到两步有效GMM估计量
.
2.K-Step迭代GMM估计
Step1:
选择初始权数矩阵,估计量表示为。
Step2:
估计新的权数矩阵,重新估计得到。
Step3:
反复迭代,直至收敛。
3.连续更新GMM估计
与前两种方法不同,连续更新GMM估计不是在和W之间反复迭代,而是将W看作是的函数,求解下式的最小化:
显然,上式的一阶条件与原来的一阶条件不同,但这种方法与两步估计和K步迭代估计是渐进等价的,但这种方法具有最好的小样本特征。
1.3模型设定检验
1.3.1Hansen过度识别约束检验(SarganJ检验)
当L>K时,矩条件个数多于参数个数。
这时,可能部分矩条件不成立。
因为这时参数属于过度识别,因此,对矩条件是否成立的检验也称为过度识别约束检验。
当权数矩阵选择最优矩阵时,即,那么
37
注意:
EViewsGMM输出结果中给出的J统计量没有乘以T。
1.3.2检验正交条件的子集
假设存在L>K个工具变量。
L个工具变量分为两组,。
包括L1个工具变量,包括L2=L-L1个工具变量。
前L1个工具变量满足正交条件,但怀疑后L2个工具变量的正交条件是否得到满足。
比如,模型设定为:
38
工具变量满足
39
需要检验的是:
40
如果可信的工具变量的个数L1>=K,就可以对后L2个工具变量是否满足正交条件进行检验。
其基本思想是,分别用和作为工具变量估计模型(39),并分别计算J统计量。
如果增加可疑的工具变量使得J统计量明显增加,则表明不满足正交条件。
根据工具变量,将拆分成
,
其对应的协方差矩阵分解为:
其中,,,,。
根据(39)式,使用作为工具变量时,,J统计量为:
41
使用作为工具变量时,,J统计量为:
42
构建统计量:
43
在小样本情况下,C统计量可能会出现负值。
我们在工具变量估计中已经知道,方程的标准差如果采用相同的估计量(或者是一致估计,或者是有效估计,大部分采用有效估计),则可以