在经典矩量法中，您为需要估计的每个参数指定矩量条件。然后得到的方程组是“刚刚识别的”。GMM 旨在找到解决方案，即使系统不是刚刚识别出来的。这个想法是通过找到使矩条件尽可能接近零的参数估计来找到最小距离解决方案。

有几种方法可以估计模型的参数。这是统计学/计量经济学的核心部分。GMM（广义矩量法）就是这样一种方法，它比其他几种方法更健壮（在统计上和字面上[对于非统计受众]）。

估计过程涉及您的模型与数据的拟合程度应该很直观。GMM 在执行此操作时使用比普通模型更多的条件。

（您提到了平均值和方差。我假设这是一个熟悉的想法）。平均值和方差是数据的一些基本指标。一个人对数据进行建模以了解其性质。一个完美的（假设模型）将彻底解释数据。

让我们以建模建筑物中所有人的高度为例。有两个指标平均值和方差。平均值是第一级度量，方差是第二级度量。平均值是将所有高度相加并除以人数。它告诉你 11 英尺之类的东西是荒谬的。5英尺是明智的。

现在考虑方差，它会告诉一个额外的信息层：6 英尺并不荒谬（基于平均值），但人的身高有多大可能是 6 英尺。如果建筑物是中学建筑物，则可能性较小，对吗？如果是办公楼更有可能。

这些是技术上称为数据矩的示例（在解释了平均值和方差之后，应该很舒服吗？）。如果一个模型能够满足观察到的这些平均和方差条件，它应该会做得很好。除了平均值和方差之外，还有其他几个指标。

GMM 适合这些更高指标（时刻）的模型。更简单的方法可以满足更小的指标。顾名思义，它的名称是广义方法——它试图尽可能地通用。