一般化モーメント法

一般化モーメント法（GMM）について

一般化モーメント法、通称 GMM（Generalized Method of Moments）は、計量経済学において統計モデルのパラメーターを推定するために広く用いられる手法です。この方法は、指定されたモーメント条件を基にしており、データから推定パラメーターを導き出すための有用な手段を提供します。

モーメント条件の理解と適用

GMMを適用するためには、モデルのパラメーターに関するモーメント条件が明確に定義されていることが必要です。モーメント条件とは、期待値などの特定の数学的特性が、選定されたデータの分布において正しいとされる条件です。例えば、あるパラメーターが真の値を持つときに期待値が0になることが一例です。

GMMでは、これらの条件を使用して推定量を得る際に、サンプル平均から得られる標本モーメントを理論上の期待値に近づけることを目指します。この時、推定量が持つ重要な性質として、一致性と漸近正規性があります。一致性は、サンプルサイズが増加するにつれて推定量が真のパラメーターに収束することを意味し、漸近正規性は推定量の分布が大きなサンプルサイズのもとで正規分布に接近することを意味します。

GMMの歴史と発展

一般化モーメント法は、1982年にラース・ハンセンによって提唱されました。この手法は、カール・ピアソンが1894年に導入したモーメント法を基にしたもので、ハンセンはその業績により2013年にノーベル経済学賞を受賞しました。概念的には、GMMは複数の推定手法の一般化であり、さまざまな実証分析に適用可能です。

制約条件と検定

GMMを用いる際、モデルが過剰識別される場合、すなわちモーメント条件の数が推定するパラメーターより多い場合には、モデルがデータに適合しているかを確認するためのJ検定が用いられます。この検定は、モーメント条件が満たされているかどうかを確認するためのもので、帰無仮説が棄却される場合は、モデルの妥当性が疑問視されます。

実践における利用

GMMは、最小二乗法（OLS）や最尤法（MLE）といった他の推定法とも繋がりがあります。また、特に非線形回帰モデルの推定においては非常に有効な手法として認識されています。ですが、実際には、NLSやMLEなどの手法においては、GMMの使用が必ずしも推奨されるわけではなく、推定の安定性に影響を及ぼす可能性があります。

GMMの実装

実務でGMMを実装する際の課題のひとつは、最適な加重行列Wの選定です。理想的には、Wの選定は効率性を最大化する方向で行うべきです。ここで、「2段階GMM」と「連続更新GMM」などのアプローチがあり、これにより推定量の効率性を向上させることができます。特に2段階GMMでは、初期推定量を利用して次の加重行列を計算し、反復的に推定を行います。

一般化モーメント法はその特性から、実証研究や経済モデルの評価において重要な役割を果たし続けています。

もう一度検索