Este artículo se refiere parcialmente al artículo de Zhang Haiyang de la Escuela de Finanzas de la Universidad de Economía y Negocios Internacionales https://max.book118.com/html/2018/1024/6133101022001224.shtm, y al mismo tiempo se refiere a los materiales explicativos escritos por el autor de Roodman (2009) Central Plains, Por lo tanto, lo que dijo el Sr. Zhang tiene cierto grado de autoridad. Este artículo se basa en la comprensión del propio autor de lo que dijo el Sr. Zhang. Es un poco más fácil de entender. De hecho, puede tener el mismo significado, pero la fórmula del Sr. Zhang será cada vez más rigurosa. .
Aquí hay una guía o resumen:
Según mi entendimiento (nota de Wei Yanzhao), el método GMM es en realidad un método de regresión de datos para estimar lo más insesgado posible.
Para la regresión de datos en algunos casos, usando algunos métodos tradicionales (como el método de diferencia + modelo MCO / modelo de efectos fijos), los coeficientes de ecuación estimados están obviamente sesgados y las posibles desviaciones no son necesariamente pequeñas, porque se usa el método de diferencia. En tales métodos, la covarianza de la variable independiente (término de retraso) y el término de error en la ecuación de diferencia no es igual a 0, lo que conduce a desviaciones cuando se usa el método OLS (no importa si no comprende este pasaje).
Por lo tanto, existe el método GMM, llamado método de matriz generalizada. La base principal de este método es hacer que la covarianza de la variable independiente y el término de error en la ecuación 0 (independientes entre sí). Con base en esta base, una estimación insesgada del coeficiente de la ecuación o Estimación lo más insesgada posible (en algunos casos, se obtienen estimaciones insesgadas, en otros casos estimaciones lo más insesgadas posible, y se pueden realizar las llamadas pruebas de Hansen y Sargan. Estos dos métodos de prueba se basan en los Los coeficientes de la ecuación se miden para medir si la covarianza antes mencionada está dispuesta lo más uniformemente posible alrededor de 0 en la ley estadística. Si es así, el intervalo de confianza de esta estimación se considera correcto).
Entonces, ¿en qué circunstancias fallará el modelo tradicional de cálculo de coeficientes de regresión?
La respuesta es cuando se enfrenta a datos de panel dinámico.
¿Qué son los datos de panel dinámico?
(1) Dinámico, el modelo incluye el término de retraso de la variable dependiente;
(2) Hay efectos fijos individuales;
(3) El término de error εit, además de los efectos fijos, puede ser heterocedástico y puede correlacionarse en serie;
(4) Puede haber algunos La variable independiente es endógena;
(5) Los términos de error εit y εjt entre diferentes individuos no estarán correlacionados;
(6) Puede haber variables predeterminadas pero no completamente exógenas;
(7) "N grande, T pequeña "significa que el número de individuos debería ser suficiente, pero el tiempo no debería ser demasiado largo. Si el tiempo es lo suficientemente largo, el error del panel dinámico no será demasiado grande, solo use el efecto fijo.
(Estos contenidos sobre los datos del panel dinámico se extraen del artículo del Sr. Zhang https://max.book118.com/html/2018/1024/6133101022001224.shtm)
La clave de las características anteriores es el Artículo (1) (2), El modelo incluye el término rezagado de la variable dependiente y el efecto fijo individual, porque el efecto fijo no es un número crítico en el cálculo y es un número desconocido al mismo tiempo, por lo que a menudo se compensa. Sin embargo, cuando se utiliza el método de la primera diferencia para compensar, el término de error y la variable independiente (término de retraso) Cov no son iguales a 0, lo que conduce al fracaso de los modelos MCO y de efectos fijos.
Combinado con la definición y características de GMM, no es difícil concluir que es apropiado usar GMM para analizar datos de panel dinámico.
La fórmula debe aparecer aquí y no la repetiré por razones de tiempo, solo consulte lo siguiente, la fórmula es muy detallada: https://max.book118.com/html/2018/1024/6133101022001224.shtm