GMM的世界，你不懂？(下篇)
在GMM的世界，你不懂？(上篇)里面简介了GMM的诞生的思绪历程， 当然是猜的啦。 这里稍微扩展点点， 说明下下GMM的广和美。
GMM的广
前面（GMM的世界，你不懂？(上篇)，最大似然估计的2种论证），已经说明了如何把最小二乘法OLS，工具变量IV，最大似然估计MLE，如何囊括在MME
的旗下， 而GMM中的第一阶段就是MME， 这样基本就靠MME大统一了OLS，MLE， MME。 当然这个统一，需要工具变量的思想的融入的。
这里稍微回顾下下：
最小二乘法OLS
直接通过假设 E(X,e) = 0 出发， 代入矩估计的样本矩，就得到了OLS。
最大似然估计 MLE
通过替换函数设定为参数的导函数， 然后证明矩估计为零， 再根据导数为零就是求极值的思路，得到最大似然估计的目标公式。
工具变量IV
和最小二乘法类似， 只是需要找到工具变量和自变量相关，而和误差无关。 然后就很容易根据矩估计得到工具变量的表达式。
加权最小二乘法WLS
从普通最小二乘法OLS到WLS，一般只要进行一个标准化的替换就可以， 这里也是这样的。
我们也可以看看GMM的简单处理：
另外， 对于异方差情况下OLS的WLS的简单对比：
2阶段最小二乘法 2SLS
对于2SLS来说， 那么矩估计的形式和IV的矩估计的形式一致， 但是对于GMM第二步里面的权重的设立就不一样了。 这也是， 我们前面说GMM某种意义上是泛化的IV。
GMM的美
GMM在兼容这么多模型的同时， 还自带特别好的性质， 首先是一致性， 其次具有渐近正态性， 最后如果选择合适的权重矩阵， 还能得到有效的估计。 一般情况下，权重的选择和估计的向量值函数的方差有关， 和加权最小二乘法非常相似。
这其中， 因为满足渐近正态性， 使得各种常用假设检验的手段也能够被应用，譬如卡方检验， 学生检验等等。
另外就是， 由于引入了向量值函数的思想， 对非线性的情况也进行了很好的兼容。 譬如， 非线性最小二乘法NLS， 也可以使用GMM来进行表示。
这样大概概述了下下， GMM美好的特性。
小结：
这里简单概述了下GMM的广泛兼容性和性质美，不愧广美美和诺贝尔奖级别的发明。 但是任何手段不是十全十美的， 譬如GMM不自带向量值函数的自动推荐； 站在3SLS的基础上， 对于复杂的时间序列也没有很好的处理； 也不自带Bootstrap这种泛化增强的手段。 但是，GMM毕竟是快30年前的发明了。
关键词：
NLS
Asypototically Normal
Bootstrap
相关话题：
Z-Test vs T-Test vs F-Test vs χ2-Test
参考：
http://www.ssc.wisc.edu/~kwest/publications/2000/GMM%20and%20Macroeconomics.pdf
