Існує кілька методів оцінки параметрів моделі. Це основна частина статистики / економетрики. GMM (Узагальнений метод моментів) є одним із таких методів, і він є більш надійним (статистично та буквально [для аудиторії, що не має статистики]), ніж декілька інших.
Слід інтуїтивно зрозуміти, що процес оцінки передбачає, наскільки ваша модель відповідає вмісту даних. GMM використовує більше умов, ніж звичайні моделі, роблячи це.
(Ви згадали про середню та відмінність. Я припускаю, що це знайома ідея). Середнє значення та Варіантність - деякі основні показники даних. Людина моделює дані, щоб зрозуміти, що це природа. Досконала (гіпотетична модель) пояснювала б дані наскрізь.
Візьмемо для прикладу моделювання висот усіх людей у будівлі. Є дві показники середня та дисперсія. Середнє значення є показником першого рівня, дисперсія - показником другого рівня. Середнє значення - це додавання всіх висот і ділення на кількість людей. Це говорить вам щось на кшталт 11 футів - це смішно. 5 футів - це розумно.
Тепер розглянемо дисперсію, вона розповість додатковий рівень інформації: 6 футів - це не смішно (виходячи з середнього показника), але наскільки вірогідний, щоб зріст людини становив 6 футів. Якщо будівля є середньою школою, це менш вірогідно? Якщо це офісна будівля, швидше за все.
Це приклади чогось технічно названого моменту даних (після пояснення середнього та відхилення, має бути зручним?). Модель людини має бути добре, якщо вона задовольняє ці середні умови та розбіжність, що спостерігаються. Поза середнім показником та дисперсією є кілька інших показників.
GMM відповідає моделі для цих вищих показників (моментів). Простіші методи задовольняють менші показники. Назва, як це підказує, є узагальненим методом - вона намагається бути максимально загальною.