矩数 = 参数数
可能恰好解出参数，但“数量对上”不代表经济识别成立。
课程目录 · 已完成 0 / 7 个模块
MLE、GMM、SMM
到底在做什么？
四个缩写不需要分别死记。它们都在建立一个“模型与数据的对账规则”，再寻找让账最接近的参数。
先拆开三件事：解模型、算分数、找参数
简单 logit 把三件事挤在一起，所以容易误以为“估计就是按一个命令”。复杂结构模型通常要分层：
给一组参数 θ这只是候选答案
解行为/均衡算选择概率、价值或市场份额
算目标函数似然、矩距离或辅助参数差
优化器换 θ重复直到目标不再改善
| 模型 | 内层在解什么 | 外层怎样估参数 |
|---|---|---|
| 静态 logit | 选择概率有闭式解，几乎看不见内层 | MLE |
| BLP 随机系数需求 | 模拟份额并收缩反演平均效用 δ | IV/GMM |
| 动态离散选择 NFXP | 每组 θ 都解 Bellman 固定点 | MLE |
| 不完全信息进入博弈 | 解相互一致的进入概率固定点 | 伪似然、约束优化或其他方法 |
收敛有两层：内层模型可能没解准，外层优化器却仍报告“成功”；也可能内层准确、外层停在局部最优。正式代码必须分别记录容差、迭代次数和多初值结果。
统一地图：先问模型能给你什么
| 模型可以计算什么 | 典型方法 | 对账对象 | 核心问题 |
|---|---|---|---|
| 每个真实选择发生的概率 | MLE | 整份数据的似然 | 哪组参数让观察到的数据最可能？ |
| 理论正交条件 E[g(W,θ)]=0 | GMM | 样本矩离零多远 | 哪组参数最接近理论限制？ |
| 给定参数能模拟数据，但难写似然/理论矩 | SMM | 模拟矩与数据矩 | 哪组参数生成的数据特征最像？ |
| 复杂模型可模拟，且简单辅助模型能概括关键动态 | 间接推断 | 两份数据上的辅助模型参数 | 哪组结构参数复现辅助关系？ |
SMM 不是“GMM 的升级版”，间接推断也不是“SMM 的高级版”。它们适用的模型输出不同，估计效率和稳健性取决于矩、辅助模型、模拟误差与权重选择。
MLE：哪组参数最能解释已经观察到的选择？
抛硬币 10 次，按顺序记录到 7 次正面、3 次反面。若正面概率为 p，这个特定序列的似然核是：
L(p) = p⁷(1-p)³， log L(p) = 7 log p + 3 log(1-p)
若只记录“7 正 3 反”而不管顺序，还要乘组合数 C(10,7)。组合数与 p 无关，所以最大值仍在 p=0.7，但“概率”的数值会不同。
互动实验 1
拖动 p，观察似然山
0.45
二元 logit 把每个农户实际选择的概率相乘（实际计算用对数相加），思想完全相同。关键是：选择概率来自明确的效用与随机项假设。
GMM：让模型要求成立的矩条件尽量接近零
若模型在真参数 θ₀ 下推出工具变量 z 与结构误差 u(θ₀) 正交：
E[zᵢuᵢ(θ₀)] = 0
样本矩：ḡ(θ) = (1/N) Σ zᵢuᵢ(θ)
目标函数：Q(θ) = ḡ(θ)′ W ḡ(θ)
样本矩：ḡ(θ) = (1/N) Σ zᵢuᵢ(θ)
目标函数：Q(θ) = ḡ(θ)′ W ḡ(θ)
正交指乘积期望为零，不应简单翻译成“相关系数一定等于零”。GMM 调整参数，使样本矩在权重矩阵 W 下尽量接近零。
矩数 > 参数数
无法让所有样本矩同时为零，需要权重矩阵；J 检验只能检验联合限制，不能证明模型正确。
W 决定怎样衡量差距
有效 GMM 使用矩协方差的逆矩阵，但有限样本、弱识别与矩过多都可能带来问题。
2SLS 是 GMM 特例
线性 IV 的正交条件 E[z(y-xβ)]=0 可以放进 GMM 框架。
SMM：理论矩算不出，就让模型生成数据再对账
给定 θ，模型可以模拟一份“假数据”。从真实数据与模拟数据各算一组矩，然后最小化距离：
m_data = 数据矩， m_sim(θ) = 模拟矩
Q(θ) = [m_data - m_sim(θ)]′ W [m_data - m_sim(θ)]
Q(θ) = [m_data - m_sim(θ)]′ W [m_data - m_sim(θ)]
下面用 AR(1) 的标准差和一阶自相关识别 ρ 与 σ。注意两个参数都会影响多个矩；识别来自整个映射的形状，不是“一个矩专门钉一个参数”。
互动实验 2
用模拟矩找回 AR(1) 参数
0.55
0.42
共同随机数：实验在不同候选参数下使用同一组模拟冲击，减少“参数没变多少、目标函数却因抽样噪声乱跳”的问题。正式研究还要检查模拟次数与抽样误差。
间接推断：用一个易估的辅助模型压缩复杂数据
真实数据跑一次辅助回归或 VAR，模拟数据也跑同一个模型。结构参数选择为使两组辅助参数接近。辅助模型不必是真的结构模型，但必须对结构参数敏感并能概括重要数据特征。
“辅助回归系数有经济含义”不是充分条件。若不同结构参数生成几乎相同的辅助参数，间接推断仍然识别不了。
选择估计器时按这五问走
- 给定参数，模型能否算出观测数据的概率？能则先考虑 MLE。
- 理论是否给出可信的正交条件或工具变量？有则考虑 GMM。
- 模型能否稳定、快速地模拟数据？能而似然难写时考虑 SMM。
- 哪些矩或辅助模型真正识别参数，而不是只改善表面拟合？
- 怎样计算标准误并传播到反事实？解析、数值导数、bootstrap 或模拟均需匹配估计程序。
无论哪种方法都要报告：参数初值和边界、目标函数、优化算法、收敛标准、多初值结果、标准误、拟合/未用矩、模拟次数与随机种子。