計量經濟學系統gmm模型是什麼

『壹』 計量經濟學中6種模型分別是什麼

經濟學模型有很多，沒有確定的多少種。包括宏觀經濟學、微觀經濟學、國際經濟學、流通經濟學、計量經濟學等等，各門課中都有許多相關的經濟學模型。如生產模型，索洛模型，羅默模型，IS_ID模型、是IS-LM-BP模型，總需求-總供給模型和蒙代爾弗萊明模型等等。

經濟模型是一種分析方法，它極其簡單地描述現實世界的情況。現實世界的情況是由各種主要變數和次要變數構成的，非常錯綜復雜，因而除非把次要的因素排除在外，否則就不可能進行嚴格的分析，或使分析復雜得無法進行。

通過作出某些假設，可以排除許多次要因子，從而建立起模型。這樣一來，便可以通過模型對假設所規定的特殊情況進行分析。經濟模型本身可以用帶有圖表或文字的方程來表示。

理論模型的設計

在單方程模型中，變數分為兩類。作為研究對象的變數，也就是因果關系中的「果」，例如生產函數中的產出量，是模型中的被解釋變數；而作為「原因」的變數，例如生產函數中的資本、勞動、技術，是模型中的解釋變數。確定模型所包含的變數，主要是指確定解釋變數。可以作為解釋變數的有下列幾類變數：外生經濟變數、外生條件變數、外生政策變數和滯後被解釋變數。其中有些變數，如政策變數、條件變數經常以虛變數的形式出現。

以上內容參考：網路-計量經濟模型

『貳』 系統gmm，應用GMM時需要注意什麼

比如，在微觀層面，如果面板的觀測值是時序相關的，用GMM估計的動態面板就是一種最自然的解決辦法；在宏觀研究中，我們經常將理論模型推衍出的一階條件作為GMM估計的矩條件（moment conditions），理論因而能夠得到數據的檢驗。不過，GMM估計涉及到的矩條件和工具變數的選擇，經常讓人頭疼得要命。這篇短文就是討論GMM估計中矩條件選擇的問題。我不是研究計量經濟學的，很多最基本的東西都不懂，下面這些觀點大都來自Victor Chernozhukov和Whitney Newey兩位老師，引述的不對的地方，請大夥兒指出來。所謂矩條件，就是一個同時含有隨機變數和待估計參數的式子，經濟理論告訴我們，它的期望等於0。矩條件最常見的形式是：E{工具變數*殘差}=0。GMM估計就是在一個限定的范圍內尋找參數，使這個我們在理論上認為正確的等式填入數據後盡可能接近於0。按照我的理解，GMM不僅是一種估計方法，還是一個計量經濟學有經典框架，我們能想到的大多數經典估計方法

『叄』 什麼是計量經濟模型

計量經濟模型包括一個或一個以上的隨機方程式，它簡潔有效地描述、概括某個真實經濟系統的數量特徵，更深刻地揭示出該經濟系統的數量變化規律。是由系統或 方程組成，方程由變數和 系數組成。其中，系統也是由 方程組成。 計量經濟模型揭示經濟活動中各個因素之間的 定量關系，用隨機性的數學方程加以描述。
廣義地說，一切包括經濟、 數學、統計三者的模型；
狹義地說，僅只用 參數估計和假設檢驗的 數理統計方法研究經驗數據的模型。
用截面數據作為計量經濟學模型的樣本數據，應注意以下幾個問題。一是樣本與母體的一致性問題。計量經濟學模型的參數估計，從數學上講，是用從母體中隨機抽取的個體樣本估計母體的參數，那麼要求母體與個體必須是一致的。例如，估計煤炭企業的生產函數模型，只能用煤炭企業的數據作為樣本，不能用煤炭行業的數據。那麼，截面數據就很難用於一些總量模型的估計，例如，建立煤炭行業的生產函數模型，就無法得到合適的截面數據。

『肆』 計量經濟學有哪些模型

計量經濟模型是用截面數據作為計量經濟學模型的樣本數據，應注意以下幾個問題。一是樣本與母體的一致性問題。計量經濟學模型的參數估計，從數學上講，是用從母體中隨機抽取的個體樣本估計母體的參數，那麼要求母體與個體必須是一致的。例如，估計煤炭企業的生產函數模型，只能用煤炭企業的數據作為樣本，不能用煤炭行業的數據。那麼，截面數據就很難用於一些總量模型的估計，例如，建立煤炭行業的生產函數模型，就無法得到合適的截面數據。計量經濟模型包括一個或一個以上的隨機方程式，它簡潔有效地描述、概括某個真實經濟系統的數量特徵，更深刻地揭示出該經濟系統的數量變化規律。是由系統或方程組成，方程由變數和系數組成。其中，系統也是由方程組成。計量經濟模型揭示經濟活動中各個因素之間的定量關系，用隨機性的數學方程加以描述。

廣義地說，一切包括經濟、數學、統計三者的模型；

狹義地說，僅只用參數估計和假設檢驗的數理統計方法研究經驗數據的模型。

『伍』 什麼情況下用gmm模型

在微觀層面，如果面板的觀測值是時序相關的，用GMM估計的動態面板就是一種最自然的解決辦法；在宏觀研究中，經常將理論模型推衍出的一階條件作為GMM估計的矩條件（moment conditions），理論因而能夠得到數據的檢驗。

為提高模型的學習能力，改進方法對均值和方差的更新採用不同的學習率；為提高在繁忙的場景下，大而慢的運動目標的檢測效果，引入權值均值的概念，建立背景圖像並實時更新，然後結合權值、權值均值和背景圖像對像素點進行前景和背景的分類。

建模過程中，需要對混合高斯模型中的方差、均值、權值等一些參數初始化

並通過這些參數求出建模所需的數據，如馬氏距離。在初始化過程中，一般我們將方差設置的盡量大些（如15），而權值則盡量小些（如0.001）。 這樣設置是由於初始化的高斯模型是一個並不準確，可能的模型，需要不停的縮小他的范圍，更新他的參數值，從而得到最可能的高斯模型，將方差設置大些，就是為了將盡可能多的像素包含到一個模型裡面，從而獲得最有可能的模型。

以上內容參考：網路-高斯混合模型

『陸』 什麼是系統GMM，2-step GMM估計，分別的適用條件及中心思想是什麼

比如，在微觀層面，如果面板的觀測值是時序相關的，用GMM估計的動態面板就是一種最自然的解決辦法；在宏觀研究中，我們經常將理論模型推衍出的一階條件作為GMM估計的矩條件（moment conditions），理論因而能夠得到數據的檢驗。

『柒』 計量經濟學模型主要有哪些應用領域，各自的原理是什麼

計量經濟學模型的應用大體可以概括為四個方面：
1結構分析，即研究一個或幾個經濟變數發生變化及結構參數的變動對其他變數以致整個經濟系統產生何種影響。其原理是彈性分析、乘數分析與比較靜態分析；
2經濟預測，即用其進行中短期經濟的因果預測。其原理是模擬歷史，從已經發生的經濟活動中找出變化規律；
3政策評價，即利用計量經濟模型定量分析政策變數變化對經濟系統運行的影響，是對不同政策執行情況的模擬模擬；
4檢驗與發展經濟理論，即利用時機的統計資料和計量經濟學模型實證分析某個理論假說正確與否。其原理是如果按照某種經濟理論建立的計量經濟模型能夠很好地擬合實際觀察數據，則意味著該理論是符合客觀事實的，反之則表明該理論不能解釋客觀事實。

『捌』 計量經濟學問題

不知從何時起，解答計量問題成了我日常生活的一部分。天南海北的讀者與同道提出了各種各樣的計量問題。這里摘取少量的典型問題，希望對從事實證研究的朋友有幫助。
1、在什麼情況下，應將變數取對數再進行回歸？
答：可以考慮以下幾種情形。
，如果理論模型中的變數為對數形式，則應取對數。比如，在勞動經濟學中研究教育投資回報率的決定因素，通常以工資對數為被解釋變數，因為這是從Mincer模型推導出來的。
第二，如果變數有指數增長趨勢（exponential growth），比如 GDP，則一般取對數，使得 lnGDP 變為線性增長趨勢（linear growth）。
第三，如果取對數可改進回歸模型的擬合優度（比如 R2 或顯著性），可考慮取對數。
第四，如果希望將回歸系數解釋為彈性或半彈性（即百分比變化），可將變數取對數。
第五，如果無法確定是否該取對數，可對兩種情形都進行估計，作為穩健性檢驗（robustnesscheck）。若二者的回歸結果類似，則說明結果是穩健的。
2、如何理解線性回歸模型中，交互項（interactive term）系數的經濟意義？
答：在線性回歸模型中，如果不存在交互項或平方項等非線性項，則某變數的回歸系數就表示該變數的邊際效應（marginal effect）。比如，考慮回歸方程
y = 1 + 2x + u
其中， u 為隨機擾動項。顯然，變數x 對 y 的邊際效應為 2，即 x 增加一單位，平均而言會使 y 增加兩單位。考慮在模型中加入交互項，比如
y = α + βx + γz + δxz+ u
其中， x 與 z 為解釋變數，而 xz 為其交互項（交叉項）。由於交互項的存在，故x 對 y 的邊際效應（求偏導數）為β + δz，這說明 x 對 y 的邊際效應並非常數，而依賴於另一變數z 的取值。如果交互項系數 δ 為正數，則 x 對 y 的邊際效應隨著 z 的增加而增加（比如，勞動力的邊際產出正向地依賴於資本）；反之，如果δ 為負數，則 x 對 y 的邊際效應隨著z 的增加而減少。
3、在一些期刊上看到回歸模型中引入控制變數。控制變數究竟起什麼作用，應該如何確定控制變數呢？
答：在研究中，通常有主要關心的變數，其系數稱為 「parameterof interest」 。但如果只對主要關心的變數進行回歸（極端情形為一元回歸），則容易存在遺漏變數偏差（omittedvariable bias），即遺漏變數與解釋變數相關。加入控制變數的主要目的，就是為了盡量避免遺漏變數偏差，故應包括影響被解釋變數 y 的主要因素（但允許遺漏與解釋變數不相關的變數）。
4、很多文獻中有 「穩健性檢驗」 小節，請問是否每篇實證都要做這個呢？具體怎麼操作？
答：如果你的論文只匯報一個回歸結果，別人是很難相信你的。所以，才需要多做幾個回歸，即穩健性檢驗（robustness checks）。沒有穩健性檢驗的論文很難發表到好期刊，因為不令人信服。穩健性檢驗方法包括變換函數形式、劃分子樣本、使用不同的計量方法等，可以參見我的教材。更重要的是，向同領域的經典文獻學習，並模仿其穩健性檢驗的做法。
5、對於面板數據，一定要進行固定效應、時間效應之類的推敲么？還是可以直接回歸？我看到很多文獻，有的說明了使用固定效應模型的原因，有的則直接回歸出結果，請問正確的方法是什麼？
答：規范的做法需要進行豪斯曼檢驗（Hausman test），在固定效應與隨機效應之間進行選擇。但由於固定效應比較常見，而且固定效應模型總是一致的（隨機效應模型則可能不一致），故有些研究者就直接做固定效應的估計。
對於時間效應也同時考慮，比如，加入時間虛擬變數或時間趨勢項；除非經過檢驗，發現不存在時間效應。如果不考慮時間效應，則你的結果可能不可信（或許x 與 y 的相關性只是因為二者都隨時間而增長）。
6、如何決定應使用二階段最小二乘法（2SLS）還是廣義矩估計（GMM）？
答：如果模型為恰好識別（即工具變數個數等於內生變數個數），則GMM完全等價於2SLS，故使用2SLS就夠了。在過度識別（工具變數多於內生變數）的情況下，GMM的優勢在於，它在異方差的情況下比2SLS更有效率。由於數據或多或少存在一點異方差，故在過度識別情況下，一般使用GMM。
7、在面板數據中，感興趣的變數x 不隨時間變化，是否只能進行隨機效應的估計（若使用固定效應，則不隨時間變化的關鍵變數 x 會被去掉）？
答：通常還是使用固定效應模型為好（當然，可進行正式的豪斯曼檢驗，以確定使用固定效應或隨機效應模型）。如果使用固定效應，有兩種可能的解決方法：
（1）如果使用系統GMM估計動態面板模型，則可以估計不隨時間而變的變數x 的系數。
（2）在使用靜態的面板固定效應模型時，可引入不隨時間而變的變數 x與某個隨時間而變的變數 z 之交互項，並以交互項 xz （隨時間而變）作為關鍵解釋變數。