Обобщённый метод моментов

Обобщённый метод моментов — это метод статистического оценивания, являющийся обобщением классического метода моментов, предложенного Карлом Пирсоном в конце XIX века. В отличие от классического подхода, который приравнивает выборочные моменты к теоретическим, обобщённый метод моментов (ОММ) позволяет использовать произвольные функции от данных и параметров, формируя систему моментных условий, которые должны выполняться в истинной модели. Метод широко применяется в эконометрике, макроэкономике, финансах и других областях, где требуется оценка параметров сложных моделей при наличии эндогенности, гетероскедастичности или автокорреляции.

История

Предпосылки и классический метод моментов

Классический метод моментов был разработан Карлом Пирсоном в 1894 году для оценки параметров распределений путём приравнивания первых нескольких выборочных моментов (среднее, дисперсия, асимметрия и т.д.) к соответствующим теоретическим моментам. Этот метод был прост в реализации, но имел ограничения: он требовал, чтобы число моментных условий равнялось числу оцениваемых параметров, и не позволял использовать избыточные условия.

Развитие обобщённого подхода

В 1982 году американский экономист Ларс Петер Хансен опубликовал статью «Large Sample Properties of Generalized Method of Moments Estimators», в которой формализовал обобщённый метод моментов. Хансен предложил минимизировать квадратичную форму от выборочных аналогов моментных условий, используя весовую матрицу, что позволило эффективно учитывать избыточные условия. За эту работу Хансен получил Нобелевскую премию по экономике в 2013 году (совместно с Юджином Фамой и Робертом Шиллером). Впоследствии ОММ стал одним из основных инструментов эмпирической экономики.

Основные понятия

Моментные условия

Моментное условие — это математическое ожидание некоторой функции от данных \( X \) и параметров \( \theta \), равное нулю в истинной модели: \[ E[g(X, \theta)] = 0, \] где \( g \) — вектор-функция размерности \( m \), а \( \theta \) — вектор параметров размерности \( k \). В классическом методе моментов \( g \) — это разность между выборочным и теоретическим моментами.

Выборочный аналог

Выборочный аналог моментных условий — это среднее арифметическое по выборке: \[ \bar{g}(\theta) = \frac{1}{n} \sum_{i=1}^{n} g(X_i, \theta). \]

Идентификация

Модель идентифицируема, если моментные условия однозначно определяют параметры. Различают:

• Точная идентификация: \( m = k \) — число условий равно числу параметров.
• Сверх-идентификация: \( m > k \) — условий больше, чем параметров, что позволяет проверять спецификацию модели.
• Недоидентификация: \( m < k \) — условий недостаточно для оценки всех параметров.

Оценка в обобщённом методе моментов

Целевая функция

Оценка ОММ \( \hat{\theta} \) находится минимизацией квадратичной формы: \[ Q(\theta) = \bar{g}(\theta)^T W \bar{g}(\theta), \] где \( W \) — симметричная положительно определённая весовая матрица размерности \( m \times m \). Выбор \( W \) влияет на эффективность оценки.

Оптимальная весовая матрица

Оптимальная весовая матрица минимизирует асимптотическую дисперсию оценки. Она равна обратной матрице ковариации выборочных моментных условий: \[ W_{\text{opt}} = \left( E[g(X, \theta) g(X, \theta)^T] \right)^{-1}. \] На практике её оценивают в два этапа:

1. Получение начальной оценки \( \hat{\theta}_1 \) с произвольной весовой матрицей (например, единичной).
2. Оценка ковариационной матрицы моментных условий на основе \( \hat{\theta}_1 \) и вычисление \( W_{\text{opt}} \).
3. Минимизация \( Q(\theta) \) с \( W_{\text{opt}} \) для получения окончательной оценки \( \hat{\theta}_2 \).

Асимптотические свойства

При стандартных условиях регулярности (существование моментов, стационарность, эргодичность) оценка ОММ является:

• Состоятельной: сходится по вероятности к истинному значению при \( n \to \infty \).
• Асимптотически нормальной: распределение \( \sqrt{n}(\hat{\theta} - \theta) \) стремится к нормальному с нулевым средним и ковариационной матрицей, зависящей от \( W \).
• Эффективной при использовании оптимальной весовой матрицы.

Тестирование спецификации

J-тест (тест Саргана — Хансена)

Для проверки сверх-идентифицирующих ограничений используется J-статистика: \[ J = n \cdot \bar{g}(\hat{\theta})^T W_{\text{opt}} \bar{g}(\hat{\theta}) \sim \chi^2_{m-k}. \] Нулевая гипотеза: моментные условия выполняются (модель корректна). Если \( J \) превышает критическое значение, модель отвергается.

Другие тесты

• Тест Хаусмана — для сравнения ОММ с другими оценками (например, методом наименьших квадратов).
• Тест на эндогенность — проверка, являются ли регрессоры экзогенными.

Применение

Эконометрика

ОММ широко используется для оценки:

• Моделей с инструментальными переменными (IV-оценка) — для борьбы с эндогенностью.
• Моделей панельных данных — например, обобщённый метод моментов Ареллано — Бонда для динамических панелей.
• Моделей временных рядов — оценка параметров ARMA, GARCH, моделей стохастической волатильности.

Макроэкономика

• Оценка структурных уравнений — например, модели реального делового цикла (RBC) или модели IS-LM.
• Калибровка и оценка DSGE-моделей (динамических стохастических моделей общего равновесия).

Финансы

• Оценка моделей ценообразования активов — например, CAPM, модели APT, модели ценообразования опционов.
• Тестирование эффективности рынков — проверка выполнения условий отсутствия арбитража.

Другие области

• Биостатистика — оценка параметров в моделях выживаемости.
• Социология — анализ опросов с пропущенными данными.

Примеры

Пример 1: Оценка среднего и дисперсии

Пусть \( X_i \sim N(\mu, \sigma^2) \). Моментные условия: \[ E[X_i - \mu] = 0, \quad E[(X_i - \mu)^2 - \sigma^2] = 0. \] Здесь \( m = 2, k = 2 \) (точная идентификация). Оценка ОММ совпадает с классической: \[ \hat{\mu} = \bar{X}, \quad \hat{\sigma}^2 = \frac{1}{n} \sum (X_i - \bar{X})^2. \]

Пример 2: Инструментальные переменные

Рассмотрим модель: \[ y_i = \beta x_i + \varepsilon_i, \] где \( x_i \) эндогенна (\( E[x_i \varepsilon_i] \neq 0 \)). Пусть есть инструмент \( z_i \), такой что \( E[z_i \varepsilon_i] = 0 \). Моментное условие: \[ E[z_i (y_i - \beta x_i)] = 0. \] При \( m = 1, k = 1 \) получаем оценку: \[ \hat{\beta} = \frac{\sum z_i y_i}{\sum z_i x_i}. \] При нескольких инструментах (\( m > 1 \)) используется ОММ с весовой матрицей.

Критика и ограничения

1. Чувствительность к выбору весовой матрицы — неоптимальный выбор может снизить эффективность.
2. Сложность вычислений — минимизация нелинейной целевой функции требует численных методов.
3. Проблемы с малыми выборками — асимптотические свойства могут плохо аппроксимироваться при малом \( n \).
4. Необходимость правильной спецификации моментных условий — ошибки в условиях приводят к смещению.
5. Множественные локальные минимумы — возможны при невыпуклой целевой функции.

Интересные факты

• Ларс Хансен разработал ОММ, работая над проблемой оценки моделей рациональных ожиданий.
• Метод часто называют «обобщённым методом моментов Хансена» (GMM-Hansen).
• В эконометрике ОММ является основой для многих современных методов, включая обобщённый метод моментов Ареллано — Бонда и метод обобщённых инструментальных переменных.

Источники

• Hansen, L. P. (1982). Large Sample Properties of Generalized Method of Moments Estimators. Econometrica, 50(4), 1029–1054.
• Hall, A. R. (2005). Generalized Method of Moments. Oxford University Press.
• Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data. MIT Press.
• Магнус, Я. Р., Катышев, П. К., Пересецкий, А. А. (2007). Эконометрика. Начальный курс. Дело.