一般化モーメント法

同義語:一般化積率法generalized method of moments

概要

一般化モーメント法(generalized method of moments)とは、母数の真の値で期待値が 0 になる関数(モーメント条件)の標本平均を重み行列で測った 2 次形式を最小にして母数を推定する方法である。条件の個数が母数の個数より多くてもよく、積率法・最小二乗法・操作変数法・最尤法を特別な場合に含む。識別とコンパクト性のもとで一致性をもち、微分の行列の階数が母数の個数に等しければ漸近正規で、漸近分散を最小にする重みは条件の共分散行列の逆行列である。条件が母数より多いときは、最小値に標本の大きさを掛けた $J$ 統計量が自由度の差のカイ二乗分布に近づくことを使い、条件の正しさを検定できる。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: 点推定, 中心極限定理, 確率収束

一般化モーメント法(generalized method of moments、GMM)は、母数 $\theta$ の真の値で期待値が $0$ になる関数 $g(X,\theta)$(モーメント条件)を出発点にして、その標本平均を重み行列で測った大きさが最小になる $\theta$ を推定値とする方法である。条件の個数 $q$ が母数の個数 $p$ より多くてもよいところが、点推定 の定義「積率法」との違いである。Hansen が 1982 年の論文 Han82 で一致性と漸近正規性を一般の形で示し、計量経済学の標準の道具になった。最小二乗法、操作変数法、最尤推定(スコアを条件にとる)はどれも特別な場合として含まれる。
この記事では、一様な大数の法則(lem-gmm-ulln)から一致性(thm-gmm-consistency)を導き、主定理として漸近正規性(thm-gmm-normal)を証明する。続いて、漸近分散を最小にする重みが $S^{-1}$ であること(thm-gmm-optimal)と、過剰な条件が正しいかを確かめる $J$ 検定(thm-gmm-j)を証明する。最後に、識別できないと一致性や $\sqrt n$ の速さが失われる例を挙げる。

設定と定義

$X_1,X_2,\dots$ を可測空間 $\mathcal X$ に値をとる独立同分布の確率変数列、$X$ を同じ分布の確率変数とする。母数の空間を $\Theta\subseteq\mathbb R^p$ とし、可測関数 $g\colon\mathcal X\times\Theta\to\mathbb R^q$($q\ge p$)が与えられているとする。ベクトルは列ベクトルとし、$\lvert\cdot\rvert$ は Euclid ノルム、行列には作用素ノルムを使う。
$$ \bar g_n(\theta):=\frac1n\sum_{i=1}^ng(X_i,\theta),\qquad g_0(\theta):=E\,g(X,\theta) $$
とおく(期待値が存在するとき)。$q\times q$ の対称行列 $A,B$ について、$A-B$ が半正定値であることを $A\succeq B$ と書く。

一般化モーメント法の推定量

ある $\theta_0\in\Theta$ で $g_0(\theta_0)=0$(モーメント条件)が成り立つとする。データから作る $q\times q$ の半正定値対称行列 $W_n$(重み行列)を選び、
$$ Q_n(\theta):=\bar g_n(\theta)^{\mathsf T}W_n\,\bar g_n(\theta) $$
を最小にする $\hat\theta_n\in\Theta$ を GMM 推定量 という。$q=p$ のとき 丁度識別、$q>p$ のとき 過剰識別 という。

$q=p$ で $\bar g_n(\theta)=0$ に解があれば、その解で $Q_n=0$ となるので、$W_n$ が正定値である限り推定量は $W_n$ によらない。これが 点推定 の定義「積率法」の状況である。$q>p$ では一般に $\bar g_n(\theta)=0$ に解がなく、どの条件をどれだけ重く見るかを $W_n$ が決める。以下、最小点 $\hat\theta_n$ が存在し可測にとれることを仮定する。

代表的なモーメント条件
  1. 積率法:平均 $\mu$、分散 $\sigma^2$ に対し $g(x,\theta)=(x-\mu,\ x^2-\mu^2-\sigma^2)$、$\theta=(\mu,\sigma^2)$。丁度識別で、推定量は標本平均と($n$ で割った)標本分散である。
  2. 最小二乗法:$X=(Y,R)$、$Y=R^{\mathsf T}\beta_0+U$、$E[RU]=0$ のとき $g(x,\beta)=r(y-r^{\mathsf T}\beta)$。$\bar g_n(\beta)=0$ は正規方程式で、解は最小二乗推定量である。
  3. 操作変数:$E[RU]=0$ が成り立たず、代わりに $q$ 次元の $Z$ について $E[ZU]=0$ が成り立つとき $g(x,\beta)=z(y-r^{\mathsf T}\beta)$。$q>p$ なら過剰識別である。
  4. 最尤推定:密度 $f(x;\theta)$ のモデルが正しく、微分と積分を交換できるなら、スコア $g(x,\theta)=\nabla_\theta\log f(x;\theta)$ は $E\,g(X,\theta_0)=0$ をみたす。丁度識別で、尤度方程式の解が GMM 推定量である。
  5. 過剰識別の例:平均 $\theta$ の指数分布では $EX=\theta$、$EX^2=2\theta^2$ なので、$g(x,\theta)=(x-\theta,\ x^2-2\theta^2)$ は $q=2$、$p=1$ の条件である(ex-gmm-exponential)。

一致性

一様な大数の法則

$K\subseteq\mathbb R^p$ をコンパクト集合、$h\colon\mathcal X\times K\to\mathbb R^m$ を各 $x$ について $\theta$ の連続関数で、各 $\theta$ について $x$ の可測関数であるものとし、$E\sup_{\theta\in K}\lvert h(X,\theta)\rvert<\infty$ とする。このとき $H(\theta):=E\,h(X,\theta)$ は $K$ 上で連続で、
$$ \sup_{\theta\in K}\Bigl\lvert\frac1n\sum_{i=1}^nh(X_i,\theta)-H(\theta)\Bigr\rvert\to0\qquad\text{(概収束)}. $$

有限個の球で覆う

$\theta\in K$、$\delta>0$ について
$$ w(x,\theta,\delta):=\sup\{\lvert h(x,\theta')-h(x,\theta)\rvert\mid\theta'\in K,\ \lvert\theta'-\theta\rvert<\delta\} $$
とおく。$h(x,\cdot)$ の連続性から、上限は $K$ の可算な稠密部分集合の上でとってよく、$w$ は $x$ について可測である。$\delta\to0$ で $w(x,\theta,\delta)\to0$ が各 $x$ で成り立ち、$w\le2\sup_K\lvert h(x,\cdot)\rvert$ は可積分なので、優収束定理 により $E\,w(X,\theta,\delta)\to0$。とくに $\lvert H(\theta')-H(\theta)\rvert\le E\,w(X,\theta,\delta)$($\lvert\theta'-\theta\rvert<\delta$)から $H$ は連続である。
$\varepsilon>0$ を固定する。各 $\theta$ で $E\,w(X,\theta,\delta_\theta)<\varepsilon$ となる $\delta_\theta$ をとり、開球 $B(\theta,\delta_\theta)$ のうち有限個 $B(\theta_j,\delta_j)$($j=1,\dots,J$)で $K$ を覆う。$\theta\in B(\theta_j,\delta_j)$ なら、$\bar h_n(\theta):=\frac1n\sum_ih(X_i,\theta)$ について
$$ \lvert\bar h_n(\theta)-H(\theta)\rvert\le\lvert\bar h_n(\theta_j)-H(\theta_j)\rvert+\frac1n\sum_{i=1}^nw(X_i,\theta_j,\delta_j)+E\,w(X,\theta_j,\delta_j). $$
大数の強法則 を有限個の $h(X,\theta_j)$ と $w(X,\theta_j,\delta_j)$ に当てると、右辺の上極限は概収束の意味で $0+\varepsilon+\varepsilon$ 以下である。$\varepsilon$ は任意なので結論が従う。$\square$

一致性

次を仮定する。

  1. $\Theta$ はコンパクトで、各 $x$ について $g(x,\cdot)$ は連続、$E\sup_{\theta\in\Theta}\lvert g(X,\theta)\rvert<\infty$。
  2. 識別:$g_0(\theta)=0$ となる $\theta\in\Theta$ は $\theta_0$ だけである。
  3. $W_n\to W$(確率収束)で、$W$ は正定値である。
    このとき $\hat\theta_n\to\theta_0$(確率収束)。
極限の目的関数の零点は 1 つ

$Q(\theta):=g_0(\theta)^{\mathsf T}Wg_0(\theta)$ とおく。lem-gmm-ulln により $g_0$ は連続で $\sup_\theta\lvert\bar g_n-g_0\rvert\to0$ である。$\Theta$ 上で $\lvert g_0\rvert$ は有界なので、
$$ \sup_\theta\lvert Q_n(\theta)-Q(\theta)\rvert\le\sup_\theta\bigl(\lvert\bar g_n-g_0\rvert\,\| W_n\|\,(\lvert\bar g_n\rvert+\lvert g_0\rvert)+\lvert g_0\rvert^2\| W_n-W\|\bigr)\to0 $$
(確率収束)。$W$ が正定値なので $Q(\theta)=0$ は $g_0(\theta)=0$ と同値で、仮定 2 から $Q$ の零点は $\theta_0$ だけである。$\delta>0$ について $\{\theta\in\Theta\mid\lvert\theta-\theta_0\rvert\ge\delta\}$ はコンパクトで、連続な $Q$ はそこで正の最小値 $\eta$ をとる(空集合なら示すことはない)。$\hat\theta_n$ は $Q_n$ の最小点なので $Q_n(\hat\theta_n)\le Q_n(\theta_0)$ で、
$$ Q(\hat\theta_n)\le Q_n(\hat\theta_n)+\sup\lvert Q_n-Q\rvert\le Q_n(\theta_0)+\sup\lvert Q_n-Q\rvert\le Q(\theta_0)+2\sup\lvert Q_n-Q\rvert=2\sup\lvert Q_n-Q\rvert. $$
右辺が $\eta$ より小さい事象の確率は $1$ に近づき、その上で $\lvert\hat\theta_n-\theta_0\rvert<\delta$ である。$\square$

この証明は M推定量 の命題「一様収束からの一致性」と同じ形である。GMM の目的関数は標本平均そのものではなく標本平均の 2 次形式なので、一様収束を 2 次形式に移す一行が加わる。

漸近正規性

$g(x,\cdot)$ が微分可能なとき、$q\times p$ の行列 $\partial_\theta g(x,\theta)$ をその Jacobi 行列とし、
$$ \hat G_n(\theta):=\frac1n\sum_{i=1}^n\partial_\theta g(X_i,\theta),\qquad G:=E\,\partial_\theta g(X,\theta_0),\qquad S:=E\bigl[g(X,\theta_0)g(X,\theta_0)^{\mathsf T}\bigr] $$
とおく。$\mathcal N(0,\Sigma)$ は平均 $0$、共分散行列 $\Sigma$ の 多変量正規分布 である。

GMM 推定量の漸近正規性

thm-gmm-consistency の仮定に加えて、次を仮定する。

  1. $\theta_0$ は $\Theta$ の内点で、ある $r>0$ について閉球 $N:=\{\theta\mid\lvert\theta-\theta_0\rvert\le r\}$ は $\Theta$ の内部に含まれる。
  2. 各 $x$ について $g(x,\cdot)$ は $N$ の近傍で $C^1$ 級で、$E\sup_{\theta\in N}\|\partial_\theta g(X,\theta)\|<\infty$。
  3. $G$ の階数は $p$ で、$E\lvert g(X,\theta_0)\rvert^2<\infty$。
    このとき
    $$ \sqrt n(\hat\theta_n-\theta_0)\ \xrightarrow{d}\ \mathcal N\bigl(0,V(W)\bigr),\qquad V(W):=(G^{\mathsf T}WG)^{-1}G^{\mathsf T}WSWG(G^{\mathsf T}WG)^{-1}. $$
1 階の条件を $\theta_0$ のまわりで展開する

lem-gmm-ulln を $h=\partial_\theta g$ と $K=N$ に当てると、$G(\theta):=E\,\partial_\theta g(X,\theta)$ は $N$ 上で連続で、$\sup_N\|\hat G_n-G(\cdot)\|\to0$(概収束)である。
$E_n$ を「$\hat\theta_n$ が $N$ の内部にある」事象とすると、thm-gmm-consistency により $P(E_n)\to1$ である。以下 $E_n$ の上で考える。確率が $1$ に近づく事象の上で成り立つ等式は、分布収束の結論に影響しない。$\hat\theta_n$ は $Q_n$ の内部の最小点なので勾配が $0$ で、
$$ \nabla Q_n(\hat\theta_n)=2\hat G_n(\hat\theta_n)^{\mathsf T}W_n\bar g_n(\hat\theta_n)=0. $$
球 $N$ は凸なので、$\theta_0$ と $\hat\theta_n$ を結ぶ線分は $N$ に入り、微積分の基本定理から次の 展開 が成り立つ。
$$ \bar g_n(\hat\theta_n)=\bar g_n(\theta_0)+\bar G_n(\hat\theta_n-\theta_0),\qquad\bar G_n:=\int_0^1\hat G_n\bigl(\theta_0+t(\hat\theta_n-\theta_0)\bigr)\,dt. $$
$\hat\theta_n\to\theta_0$、$G(\cdot)$ の連続性、一様収束を合わせると、$\hat G_n(\hat\theta_n)\to G$、$\bar G_n\to G$(確率収束)である。展開を勾配の式に代入すると
$$ M_n(\hat\theta_n-\theta_0)=-\hat G_n(\hat\theta_n)^{\mathsf T}W_n\bar g_n(\theta_0),\qquad M_n:=\hat G_n(\hat\theta_n)^{\mathsf T}W_n\bar G_n. $$
$M_n\to G^{\mathsf T}WG$ で、$W$ は正定値、$G$ の階数は $p$ なので $G^{\mathsf T}WG$ は正定値で可逆である。従って確率が $1$ に近づく事象の上で $M_n$ も可逆で、
$$ \sqrt n(\hat\theta_n-\theta_0)=-M_n^{-1}\hat G_n(\hat\theta_n)^{\mathsf T}W_n\cdot\sqrt n\,\bar g_n(\theta_0). $$
$E\,g(X,\theta_0)=0$ と $E\lvert g(X,\theta_0)\rvert^2<\infty$ から、中心極限定理(多次元の形は Cramér–Wold の方法で 1 次元に帰着する)により $\sqrt n\,\bar g_n(\theta_0)\xrightarrow{d}\mathcal N(0,S)$。前の行列は $-(G^{\mathsf T}WG)^{-1}G^{\mathsf T}W$ に確率収束するので、Slutsky の補題により極限は $\mathcal N(0,V(W))$ である。$\square$

丁度識別($q=p$)では $G$ は可逆な正方行列なので、$V(W)=G^{-1}SG^{-\mathsf T}$ となり $W$ によらない。これは M推定量 の定理「サンドイッチ定理」の $V^{-1}KV^{-\mathsf T}$ と同じ形である($V=-G$、$K=S$)。最尤推定ではモデルが正しければ $G=-I(\theta_0)$、$S=I(\theta_0)$(Fisher情報量)で、$V=I(\theta_0)^{-1}$ となる。

最適な重み行列

過剰識別では漸近分散 $V(W)$ が $W$ に依る。どの $W$ が最良かは次で決まる。

最適な重みは $S^{-1}$

$G$ の階数は $p$、$S$ は正定値とする。任意の正定値な $W$ について
$$ V(W)\succeq(G^{\mathsf T}S^{-1}G)^{-1}=V(S^{-1}) $$
であり、$W=cS^{-1}$($c>0$)で等号が成り立つ。

2 つの左逆行列の差は直交する

$A:=(G^{\mathsf T}WG)^{-1}G^{\mathsf T}W$、$B:=(G^{\mathsf T}S^{-1}G)^{-1}G^{\mathsf T}S^{-1}$ とおく。どちらも $p\times q$ 行列で $AG=BG=I_p$ をみたし、$V(W)=ASA^{\mathsf T}$、$V(S^{-1})=BSB^{\mathsf T}=(G^{\mathsf T}S^{-1}G)^{-1}$ である。$SB^{\mathsf T}=G(G^{\mathsf T}S^{-1}G)^{-1}$ なので
$$ (A-B)SB^{\mathsf T}=(AG-BG)(G^{\mathsf T}S^{-1}G)^{-1}=0. $$
従って $A=B+(A-B)$ を代入すると交差項が消え、
$$ V(W)=BSB^{\mathsf T}+(A-B)S(A-B)^{\mathsf T}\succeq BSB^{\mathsf T}. $$
$W=cS^{-1}$ なら $A=B$ である。$\square$

$S$ は $\theta_0$ に依るので、実際には次の 2 段階で推定する。

2 段階の効率的な GMM

(i) 正定値の固定した行列(例えば $W_n=I_q$)で GMM 推定量 $\tilde\theta_n$ を求める。(ii) $\hat S_n:=\frac1n\sum_{i=1}^ng(X_i,\tilde\theta_n)g(X_i,\tilde\theta_n)^{\mathsf T}$ とし、$W_n=\hat S_n^{-1}$($\hat S_n$ が特異なら一般化逆行列)で GMM 推定量を求め直す。これを 効率的な GMM 推定量 という。

thm-gmm-normal の仮定に加えて $E\sup_{\theta\in N}\lvert g(X,\theta)\rvert^2<\infty$ で $S$ が正定値なら、$\hat S_n\to S$(確率収束)である。実際、lem-gmm-ulln を $h=gg^{\mathsf T}$ と $K=N$ に当てると $\frac1n\sum_ig(X_i,\theta)g(X_i,\theta)^{\mathsf T}$ は $N$ 上で $E[g(X,\theta)g(X,\theta)^{\mathsf T}]$ に一様に収束し、後者は連続で、$\tilde\theta_n\to\theta_0$ である。よって $W_n=\hat S_n^{-1}\to S^{-1}$ で、thm-gmm-normal から効率的な GMM 推定量の漸近分散は $(G^{\mathsf T}S^{-1}G)^{-1}$ になる。$G$ は $\hat G_n(\hat\theta_n)$ で一致推定できるので、標準誤差もこの形で求まる。

過剰識別の検定

$q>p$ では、$q$ 個の条件すべてが同時に成り立つかをデータで確かめられる。

$J$ 検定

$q>p$ とし、thm-gmm-normal の仮定のもとで、$W_n=\hat S_n^{-1}$、$\hat S_n\to S$(確率収束)、$S$ は正定値とする。このとき効率的な GMM 推定量 $\hat\theta_n$ について
$$ J_n:=n\,\bar g_n(\hat\theta_n)^{\mathsf T}\hat S_n^{-1}\bar g_n(\hat\theta_n)\ \xrightarrow{d}\ \chi^2_{q-p}. $$

残差は射影の像の直交補空間に落ちる

prf-gmm-normal の展開と、そこで得た $\sqrt n(\hat\theta_n-\theta_0)$ の表示を合わせると、$W=S^{-1}$ では
$$ \sqrt n\,\bar g_n(\hat\theta_n)=\bigl(I_q-G(G^{\mathsf T}S^{-1}G)^{-1}G^{\mathsf T}S^{-1}\bigr)\sqrt n\,\bar g_n(\theta_0)+o_P(1). $$
$S^{-1/2}$ を $S^{-1}$ の正定値な平方根とし、$P:=S^{-1/2}G(G^{\mathsf T}S^{-1}G)^{-1}G^{\mathsf T}S^{-1/2}$ とおく。$P$ は対称で $P^2=P$ なので、$S^{-1/2}G$ の列空間($p$ 次元)への 直交射影 であり、$I_q-P$ は階数 $q-p$ の直交射影である。上の式に $S^{-1/2}$ を掛けると
$$ S^{-1/2}\sqrt n\,\bar g_n(\hat\theta_n)=(I_q-P)\,\xi_n+o_P(1),\qquad\xi_n:=S^{-1/2}\sqrt n\,\bar g_n(\theta_0)\xrightarrow{d}\mathcal N(0,I_q). $$
$\hat S_n^{-1}\to S^{-1}$ と Slutsky の補題により、$J_n$ は $\lvert(I_q-P)\xi\rvert^2$($\xi\sim\mathcal N(0,I_q)$)に分布収束する。直交行列 $U$ で $U(I_q-P)U^{\mathsf T}=\mathrm{diag}(1,\dots,1,0,\dots,0)$($1$ が $q-p$ 個)とでき、$U\xi\sim\mathcal N(0,I_q)$ なので、これは $q-p$ 個の独立な標準正規変数の 2 乗の和で、カイ二乗分布 $\chi^2_{q-p}$ に従う。$\square$

$J_n$ が $\chi^2_{q-p}$ の上側 $\alpha$ 点を超えたら、「すべての条件が成り立つ」を水準 $\alpha$ で棄却する。操作変数の場合の同じ統計量は Sargan Sar58 にさかのぼる。条件のどれかが偽で、どの $\theta$ でも $g_0(\theta)\ne0$ のときは、$\hat S_n$ が正定値な $\Omega$ に収束するなら、$\inf_\theta Q_n(\theta)$ は lem-gmm-ulln によって $\inf_\theta g_0(\theta)^{\mathsf T}\Omega^{-1}g_0(\theta)>0$ に収束し、$J_n=n\inf_\theta Q_n(\theta)\to\infty$ となる($\Theta$ がコンパクトで $g_0$ が連続なら下限は正の最小値である)。
丁度識別では $\bar g_n(\hat\theta_n)=0$ となって $J_n=0$ なので、この検定は意味をもたない。$J$ 検定が確かめられるのは「$p$ 個を超える分の条件」だけである。

例と反例

指数分布の 2 つのモーメント

$X$ が平均 $\theta_0>0$ の指数分布に従うとき、$EX^k=k!\,\theta_0^k$ である。ex-gmm-examples (5) の $g(x,\theta)=(x-\theta,\ x^2-2\theta^2)$ について、$\theta=\theta_0$ で
$$ G=\begin{pmatrix}-1\\-4\theta_0\end{pmatrix},\qquad S=\begin{pmatrix}\theta_0^2&4\theta_0^3\\4\theta_0^3&20\theta_0^4\end{pmatrix},\qquad\det S=4\theta_0^6, $$
$$ G^{\mathsf T}S^{-1}G=\frac{20\theta_0^4-32\theta_0^4+16\theta_0^4}{4\theta_0^6}=\frac1{\theta_0^2} $$
である。従って効率的な GMM 推定量の漸近分散は $\theta_0^2$ で、標本平均(第 1 の条件だけを使う推定量)の分散 $\theta_0^2$ と等しい。実際 $(G^{\mathsf T}S^{-1}G)^{-1}G^{\mathsf T}S^{-1}=(-1,\ 0)$ で、極限では第 2 の条件に重みがかからない。第 2 の条件だけを使う $\sqrt{\bar X^2/2}$($\bar X^2:=\frac1n\sum X_i^2$)の漸近分散は $\frac{20\theta_0^4}{16\theta_0^2}=\frac54\theta_0^2$ である。

重み $W=I_2$ の場合を開く

$V(I_2)=\dfrac{G^{\mathsf T}SG}{(G^{\mathsf T}G)^2}=\dfrac{\theta_0^2+32\theta_0^4+320\theta_0^6}{(1+16\theta_0^2)^2}$ で、$\theta_0=1$ では $353/289\approx1.22$ である。単位行列の重みは条件の尺度に依り、効率的ではない。

標本平均はこのモデルの最尤推定量で、分散 $\theta_0^2/n$ は Cramér–Raoの不等式 の下界に一致するので、条件を足しても改良の余地がない。

反例:識別できないと一致性が失われる

$\Theta=[-1,1]$、$g(x,\theta)=x-\theta^2$ とし、$EX=\frac14$ とする。$g_0(\theta)=\frac14-\theta^2$ の零点は $\pm\frac12$ の 2 つで、thm-gmm-consistency の仮定 2 が満たされない。$\theta_0=\frac12$ と $\theta_0=-\frac12$ のどちらを真の値としてもデータの分布は同じなので、ある推定量 $T_n$ が $\theta_0=\frac12$ のとき $\frac12$ に確率収束するなら、$\theta_0=-\frac12$ のときも $\frac12$ に確率収束してしまう。従って両方の場合に一致する推定量は存在しない。$Q_n$ の最小点の集合は $\bar X_n\in[0,1]$ のとき $\{\pm\sqrt{\bar X_n}\}$ で、1 点に縮まない。

反例:$G$ の階数が落ちると $\sqrt n$ の速さが失われる

$X\sim\mathcal N(0,1)$、$\Theta=[-1,1]$、$g(x,\theta)=x-\theta^3$ とする。$g_0(\theta)=-\theta^3$ の零点は $\theta_0=0$ だけなので識別はでき、thm-gmm-consistency により $\hat\theta_n\to0$ である。しかし $G=-3\theta_0^2=0$ で、thm-gmm-normal の仮定 3 が満たされない。$\lvert\bar X_n\rvert\le1$ の事象(確率は $1$ に近づく)の上で $\hat\theta_n=\bar X_n^{1/3}$(実数の 3 乗根)なので、
$$ n^{1/6}\hat\theta_n=(\sqrt n\,\bar X_n)^{1/3}\xrightarrow{d}Z^{1/3}\qquad(Z\sim\mathcal N(0,1)) $$
となる。$Z^{1/3}$ の密度は $3y^2\varphi(y^3)$($\varphi$ は標準正規分布の密度)で、$y=0$ で $0$ になり、正規分布ではない。とくに $\sqrt n\,\hat\theta_n=n^{1/3}\cdot n^{1/6}\hat\theta_n$ は $\lvert\sqrt n\,\hat\theta_n\rvert\to\infty$(確率収束)となり、$\sqrt n$ の速さの正規近似は成り立たない。

主張反例満たされない条件
モーメント条件をみたす $\theta$ があれば GMM 推定量は一致するex-gmm-nonidentified零点が 1 つ(識別)
一致する GMM 推定量は $\sqrt n$ の速さで漸近正規ex-gmm-rank$G$ の階数が $p$
条件を増やせば漸近分散は真に小さくなるex-gmm-exponential(第 2 の条件の重みが $0$)足した条件の最適な重み $(G^{\mathsf T}S^{-1}G)^{-1}G^{\mathsf T}S^{-1}$ の成分が $0$ でないこと
$J$ 検定はどの条件の誤りも検出する丁度識別では $J_n=0$$q>p$

関連項目

参考文献

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する