经济理论的含义通常自然地根据条件矩限制（参见例如 LP Hansen 的原始资产定价应用）来表述，其中嵌套了各种无条件限制，从而导致过度识别。GMM 提供了一种有效组合所有这些限制的方法，而不是任意选择“最小化哪些平方”来完全使用whatever-LS 来满足这些限制的一个子集。

MLE 需要一个完整的规范——模型中包含的所有随机变量的所有矩都应该匹配。如果在总体中满足这些额外的限制，您自然会得到一个更有效的估计器，也许还有一个更好的行为目标函数需要优化。

然而，在模拟估计的背景下，似然函数的非线性引入了额外的偏差来源，使与 SMM 的比较变得复杂。

当您遇到内生性问题时，GMM 实际上是您可以使用的唯一估计方法。由于这些或多或少是计量经济学独有的，这就解释了 GMM 的吸引力。请注意，如果您将 IV 方法包含到 GMM 中，这适用，这是非常明智的做法。

一个部分答案似乎是：

“在矩量条件多于模型参数的模型中，GMM 估计提供了一种直接的方法来测试所提出模型的规范。这是 GMM 估计独有的重要特征。”

这似乎很重要，但不足以完全解释 GMM 在指标中的流行。