Bir modelin parametrelerini tahmin etmek için birkaç yöntem vardır. Bu, istatistik / ekonometrinin temel bir parçasıdır. GMM (Genelleştirilmiş Momentler Yöntemi) böyle bir yöntemdir ve diğerlerine göre daha sağlamdır (istatistiksel ve kelimenin tam anlamıyla [istatistik dışı kitle için]).
Tahmin sürecinin, modelinizin verilere ne kadar iyi uyduğunu içermesi sezgisel olmalıdır. GMM bunu yaparken sıradan modellerden daha fazla koşul kullanır.
(Ortalama ve varyanstan bahsettiniz. Bunun tanıdık bir fikir olduğunu varsayıyorum). Ortalama ve Varyans, verilerin bazı temel ölçümleridir. Kişi verileri doğasını anlamak için modeller. Mükemmel (varsayımsal bir model) verileri baştan sona açıklar.
Bir binadaki tüm insanların yüksekliklerinin modellenmesine bir örnek verelim. Ortalama ve varyans olmak üzere iki metrik vardır. Ortalama birinci seviye metrik, varyans ikinci seviye metriktir. Ortalama, tüm yükseklikleri eklemek ve insan sayısına bölmek. Size 11 feet gibi saçma bir şey söylüyor. 5 feet mantıklı.
Şimdi varyansı düşünün, ek bir bilgi katmanı söyleyecektir: 6 feet saçma değildir (ortalamaya göre) ama kişinin boyunun 6 feet olması ne kadar olasıdır. Bina bir ortaokul binası ise, daha az olası değil mi? Ofis binası ise daha muhtemeldir.
Bunlar teknik olarak verilerin momentleri olarak adlandırılan bir şeyin örnekleridir (ortalama ve varyans açıklandıktan sonra rahat olmalı mı?). Birinin modeli, gözlemlenen bu ortalama ve varyans koşullarına uyuyorsa iyi yapmalıdır. Ortalama ve varyansın ötesinde, başka ölçümler de vardır.
GMM, bu daha yüksek metrikler (momentler) için modele uyar. Daha basit yöntemler daha küçük metriklere hitap eder. Önerdiği gibi genelleştirilmiş yöntemdir - mümkün olduğunca genel olmaya çalışır.