计量经济模型
GMM估计
把「工具与结构残差正交」写成一组矩，用权重矩阵一次解出参数；过度识别时还能做 Hansen 检验。
这篇能回答什么
广义矩估计（Generalized Method of Moments, GMM）回答的是：「在一组总体正交条件成立时，哪一组参数让样本矩最接近零」。线性 IV 里，这些矩就是工具（及外生控制）与结构残差的乘积。恰好识别——工具个数等于未知参数个数——时，GMM 与工具变量回归的 2SLS 同一点估计。工具更多时，GMM 用权重矩阵 W 折中各条矩；存在异方差或聚类时，两步最优 W 往往比 2SLS 更有效，并留下自由度做 Hansen J。
本页是截面 / 一般 IV-GMM，不是动态面板。教学结果先给一张占用表：有效样本 221，折成三类支撑切片 A / B / C（频数 51 / 43 / 127）。占用表没有 β、没有 J 统计量，不能把类别 C 写成「GMM 效应」。角色概念上仍是定量 Y、内生 X、不少于内生个数的工具、可选外生控制；因果表示例的「iv」工作表（Y、内生、工具、外生，240 行）是练习指定角色的地方。
如何选择方法
三页不要互相改名。2SLS 页跑的是 linearmodels 的 IV2SLS，表里是 const / 外生 / 内生 的斜率。本页先核矩条件占用：221 条完整个案如何切成三片。系统 GMM 页面向「L1.Y + 差分/水平工具」，属于另一条产品线。选 GMM 的典型理由：过度识别、要 Hansen、要异方差下的有效权重——而不是「听说 GMM 比 2SLS 高级」。
GMM估计：截面或一般 IV；矩加权；教学输出为占用表（N 与 A/B/C）。
工具变量 (2SLS)：同一套角色，固定 2SLS 权重；有第一阶段 F 与 Wu-Hausman。
系统 GMM：动态面板，自动用滞后当工具，看 AR(1)/AR(2) 与 Hansen。
面板固定效应：不引入外部 Z，只做组内去均值。
线性回归：矩条件退化成「X 与残差正交」，即 OLS。
输入、输出与限制
输入
概念角色：1 个定量结果 Y；至少 1 个内生回归元；工具个数不得少于内生个数（过度识别时严格更多）；外生控制可选。教学练习用因果表「iv」四列。进入占用的是列表删除后的完整个案：任一角色缺失的行不进 221。
因变量：最少 1 个，最多 1 个，定量。
内生变量：至少 1 个。
工具变量：个数 ≥ 内生个数。
外生控制变量：可选。
输出
教学结果表四列：项目、类别、统计量、取值。项目一律写「GMM估计」。类别 A / B / C 是矩条件支撑被折叠后的三块厚度（频数与占比），合计行是有效 N。图与工作台截图应与这三块人数对齐。完整的 β、稳健标准误、Hansen J、第一阶段 F 不出现在这张占用表里——那些数字在 2SLS 页或系统 GMM 页各自的回归表中阅读。
产品限制
占用表不能还原每一条矩 g_j(β)，也不能当 Hansen 自由度。
恰好识别时，不要期望本表冒出与 2SLS 不同的斜率；斜率请到工具变量页核对 0.8581。
系统 GMM 的差分样本、AR(2)、联合 Hansen 与本页 221 无关。
A/B/C 的切法是教学折叠，不是你在论文里指定的「三类工具」。
列表删除后 N=221，小于「iv」工作表的 240 行时，占比分母必须用 221。
案例
研究问题。 教育或价格一类内生回归元需要工具。研究者准备了不少于内生个数的 Z，想用 GMM 语言书写矩条件，并在过度识别时报告 Hansen。动手前先问：列表删除后还剩多少完整个案？三块支撑是否严重倾斜？
因果推断表的「iv」工作表有 240 行（Y、内生、工具、外生）。本页教学占用合计 221：A 51（23.08%），B 43（19.46%），C 127（57.47%）。C 独自过半。下载后用同一四列练习角色；引用占用人数时写 221，不要写 240。
在 StatsX 中操作
步骤 1 · 上传表格
打开工作台，将 Excel / CSV / JSON 拖入上传区。练习角色时打开因果推断 xlsx 的「iv」表。单文件不超过 20 MB。
步骤 2 · 查看画像与质量
确认 Y、内生、工具、外生为定量。四列同时非缺失的行数，将决定占用合计会不会从 240 落到 221。
步骤 3 · 选择「GMM估计」
在算法目录搜索 GMM。不要点成「系统 GMM 估计」——那一页要个体与年份，面向动态面板。
步骤 4 · 指定变量并运行
因变量勾选 Y；内生变量勾选「内生」；工具变量勾选「工具」（个数不少于内生）；外生控制可选「外生」。点击运行分析。
步骤 5 · 阅读结果
先核合计 N 是否为 221，再读 A/B/C 频数。不要在占用表里找 β。需要斜率与第一阶段 F 时，用同一批角色打开工具变量回归页。
如何阅读输出
下表是矩条件占用，不是 GMM 系数。合计 N=221：类别 A 51（23.08%），类别 B 43（19.46%），类别 C 127（57.47%）。A 与 B 都偏瘦，C 占 57.47%。项目列写「GMM估计」，避免和分层聚类或方差分析页上另一张 A/B/C 占用表混引。取值列没有 t、没有 J，127 不能写成「C 类工具最强」。
| 项目 | 类别 | 统计量 | 取值 |
|---|---|---|---|
| GMM估计 | 类别 A | 频数 | 51 |
| GMM估计 | 类别 B | 频数 | 43 |
| GMM估计 | 类别 C | 频数 | 127 |
| GMM估计 | 合计 | 有效样本 N | 221 |
| GMM估计 | 类别 A | 占比(%) | 23.08 |
| GMM估计 | 类别 B | 占比(%) | 19.46 |
| GMM估计 | 类别 C | 占比(%) | 57.47 |
左右滑动可查看完整表格
教学示例表在 StatsX 工作台中的计算结果口径。
阅读顺序：合计是否为 221 → C 是否过半（本例是）→ 回到「iv」表核对缺失是否足以解释 240 与 221 的差额 → 需要斜率时改读工具变量页的内生系数 0.8581 与第一阶段 F=342.15。C 厚只说明当前折叠下这一片完整个案最多，不说明那一片的矩更「有效」。Hansen J 要在过度识别且估出 β 之后才能谈，不能从 51/43/127 反推。
理论与公式
设参数 β 使总体矩为零：g(β)=E[Z(Y−Xβ)]=0。样本矩 ¯g(β) 代入二次型，用对称正定权重 W 求解：
恰好识别时 W 不影响点估计，GMM 与 2SLS 重合。过度识别时，两步 GMM 用第一步残差构造最优 W（异方差稳健），Hansen 统计量为：
2SLS 相当于选取特定的 W（工具投影矩阵），不是另一套识别假设。系统 GMM 把差分方程与水平方程叠在一起，工具是滞后水平或滞后差分，还要看 AR(2) 是否拒绝；与本页截面矩、与占用表 221 行不是同一设定。OLS 是「X 自己当工具」的 GMM 特例。
注意事项
占用表没有 β：不要把 57.47% 写成「主要识别来自类别 C」。
恰好识别时去 2SLS 页对斜率，不要强迫本表长出三行系数。
Hansen 过大是矩条件可疑，不是「GMM 比 2SLS 失败」。
弱工具问题在 GMM 里同样存在；第一阶段诊断仍以 2SLS 页的 F=342.15 为教学对照。
系统 GMM 的滞后工具爆炸、差分掉一期，与 221 无关。
分母用完整个案 221，不要用「iv」表 240 行重算占比。
常见问题
参考文献
陈强. 高级计量经济学及 Stata 应用[M]. 高等教育出版社.
Hansen, L. P. Large Sample Properties of Generalized Method of Moments Estimators[J]. Econometrica, 1982, 50(4): 1029–1054.
Hansen, L. P. A Method of Moments[M]//New Palgrave Dictionary of Economics.
Arellano, M., & Bond, S. Some Tests of Specification for Panel Data: Monte Carlo Evidence and an Application to Employment Equations[J]. Review of Economic Studies, 1991, 58(2): 277–297.
Blundell, R., & Bond, S. Initial Conditions and Moment Restrictions in Dynamic Panel Data Models[J]. Journal of Econometrics, 1998, 87(1): 115–143.