广义经验似然法实证分析

广义经验似然法实证分析引言在计量经济学的实证研究中，方法的选择往往直接影响结论的可靠性与解释力。当我们面对复杂的经济现象时，传统的极大似然估计（MLE）可能因分布假设过强而“水土不服”，广义矩估计（GMM）虽放宽了分布限制，却常因加权矩阵选择不当或矩条件过多导致效率损失。这时候，广义经验似然法（GeneralizedEmpiricalLikelihood,GEL）像一把“灵活的尺子”，以非参数的姿态、稳健的估计特性和良好的渐近性质，逐渐成为实证分析的新宠。我曾参与过一个资产定价模型的检验项目，当时用GMM估计时，加权矩阵的迭代过程反复震荡，结果稳定性差；而换用GEL后，权重调整更平滑，置信区间也更紧凑。这种“实践中的反差”让我深切体会到，理解并掌握GEL的实证应用，对提升研究质量至关重要。本文将从理论基础出发，逐步拆解实证分析的关键步骤，结合虚构但贴近现实的案例，探讨GEL的优势与局限，希望为同行提供一份“可操作的实证指南”。一、广义经验似然法的理论基础1.1从经验似然到广义经验似然：方法的演进经验似然（EmpiricalLikelihood,EL）最早可追溯至20世纪80年代，其核心思想是用样本的经验分布构造似然函数，通过最大化经验似然比来估计参数。与传统似然函数不同，经验似然不依赖具体的分布假设，仅利用样本本身的信息，这使得它在非参数和半参数估计中表现出色。但早期EL主要适用于独立同分布（i.i.d.）数据，且对矩条件数量有限制（通常要求矩条件数不超过样本量）。随着研究深入，学者们发现通过调整经验似然的优化目标函数，可以将其推广到更复杂的场景。广义经验似然法（GEL）正是这一思路的产物：它保留了经验似然的非参数优势，同时通过引入不同的“变形函数”（如指数倾斜、连续更新等），放宽了对数据独立性和矩条件数量的限制，使其能处理异方差、序列相关等更现实的数据特征，也能容纳更多矩条件，适用范围大幅扩展。1.2核心思想：约束下的概率权重优化GEL的本质是一个“约束优化问题”。假设我们有n个独立观测值({X_i}{i=1}^n)，待估参数为()，模型设定了m个矩条件(E[g(X_i,)]=0)（其中g是已知的向量函数）。GEL的目标是找到一组概率权重({p_i}{i=1}^n)（满足(p_i)且(p_i=1)），使得经验矩(p_ig(X_i,)=0)，同时最大化某种“似然型”目标函数。最常见的GEL形式包括：-经验似然（EL）：目标函数为(-(np_i))，等价于最大化((np_i))，即样本点的经验概率乘积；-指数倾斜经验似然（ETEL）：目标函数为(p_ip_i)，通过指数函数调整权重；-连续更新估计（CUE）：直接将矩条件代入目标函数，通过迭代更新权重和参数。这些变形函数的选择会影响估计的计算复杂度和有限样本性质，但它们的共同特点是：权重(p_i)自动根据数据与矩条件的匹配程度调整——与矩条件拟合较好的样本点获得更高权重，反之则权重降低。这种“数据自适应”的权重分配，让GEL在面对异常值或模型误设时更稳健。1.3与GMM的对比：从“加权矩”到“概率权重”GMM通过最小化加权矩条件的二次型((n^{-1}g(X_i,))’W(n^{-1}g(X_i,)))来估计参数，其中W是加权矩阵（通常取逆协方差矩阵）。而GEL则通过调整概率权重(p_i)，让经验矩严格为零（或尽可能接近零），同时最大化似然目标。两者的关键区别在于：GMM的权重是“外生”的（由研究者选择W），而GEL的权重是“内生”的（由数据和矩条件共同决定）。这使得GEL具有天然的优势：无需预先估计协方差矩阵（避免了GMM中因协方差矩阵估计误差导致的效率损失），且渐近分布更简洁（通常为卡方分布）。我在学习时曾疑惑：“GEL是不是GMM的某种特例？”后来发现，当GEL的权重退化为均匀分布（(p_i=1/n)）时，其目标函数与GMM的二次型有一定联系，但本质上GEL是更“智能”的权重优化过程。二、广义经验似然法实证分析的关键步骤2.1数据准备：从变量选择到清洗的“细节战”实证分析的第一步是数据准备，这一步看似基础，却最易出错。以我参与的资产定价研究为例，当时需要检验Fama-French三因子模型在A股市场的适用性，首先要明确变量：被解释变量是个股超额收益（个股收益减去无风险利率），解释变量是市场因子（市场超额收益）、规模因子（小市值减大市值）和价值因子（高账面市值比减低账面市值比）。变量选择需遵循“理论驱动”原则——矩条件的构造依赖经济理论，因此变量必须能准确反映理论中的概念。例如，若研究消费资本资产定价模型（CCAPM），核心变量应是消费增长率而非GDP增长率，因为理论的矩条件基于消费的边际效用。数据清洗是另一项“细活”。常见问题包括：缺失值（需判断是随机缺失还是系统性缺失，前者可用均值填补，后者可能需要删除样本）、异常值（如某只股票单日收益超过100%，可能是数据录入错误，需结合市场规则核查）、时间对齐（财务数据通常是季度末，而交易数据是日度，需统一为月度频率）。我曾因忽视时间对齐，导致矩条件中的消费数据与收益数据错期，结果估计系数符号与理论预期相反，返工了半周才发现问题。2.2模型设定：矩条件的“艺术与科学”矩条件是GEL的“灵魂”，其设定直接决定了模型的解释力。根据经济理论，矩条件通常来自“定价核”或“欧拉方程”。例如，在CCAPM中，投资者的最优决策满足(E[M_{t+1}R_{i,t+1}]=1)，其中(M_{t+1})是随机贴现因子（如((C_{t+1}/C_t)^{-})），(R_{i,t+1})是资产i的毛收益。将其变形为矩条件(g(X_i,)=M_{t+1}R_{i,t+1}-1)，其中(=(,))是待估参数。设定矩条件时需注意两点：-数量与质量的平衡：矩条件越多，模型约束越强，但过多矩条件可能导致“过度识别”，使GEL的优化问题变得复杂（权重可能集中在少数样本点）。经验法则是矩条件数m不超过n/5（n为样本量），但实际中需结合问题复杂度调整。-经济意义的可解释性：每个矩条件应对应一个经济假设。例如，检验市场有效性时，矩条件可能是“超额收益的自相关为零”；检验风险溢价时，矩条件可能是“高风险资产的预期收益更高”。若矩条件缺乏经济意义，即使估计结果显著，也无法提供有价值的结论。2.3估计过程：从优化算法到权重调整的“实战操作”GEL的估计本质上是求解一个带约束的优化问题：最大化目标函数（如EL的(-(np_i))），约束条件为(p_ig(X_i,)=0)和(p_i=1)、(p_i)。实际操作中，通常将其转化为无约束优化问题，通过拉格朗日乘数法求解。常用的优化算法包括：-牛顿迭代法：利用目标函数的二阶导数信息，收敛速度快，但需要计算海森矩阵，对初始值敏感；-拟牛顿法（如BFGS）：用梯度信息近似海森矩阵，避免了二阶导数计算，适用于高维参数；-内点法：专门处理不等式约束（如(p_i)），在权重非负的情况下更稳定。我在使用EL估计时，曾尝试用牛顿法，但初始值设置不当导致迭代发散，后来改用BFGS并加入线搜索（逐步调整步长），才顺利收敛。这说明算法选择需结合具体问题：参数维度低时牛顿法更高效，维度高或约束复杂时拟牛顿法或内点法更稳妥。估计完成后，权重(p_i)的分布能提供额外信息。例如，若某个样本点的(p_i)远大于1/n，说明该点与矩条件高度吻合，可能是“典型样本”；若(p_i)接近0，可能是异常值或模型误设的信号。我曾在分析中发现一个样本点的(p_i)为0，核查后发现该点对应的公司当年被ST（特殊处理），收益数据异常，这验证了权重的“数据筛选”功能。2.4推断检验：从置信区间到模型诊断的“可靠性验证”估计结果的可靠性需要通过推断检验来确认，GEL的渐近理论为此提供了工具。根据文献，当样本量n趋于无穷大时，GEL的对数似然比统计量(-2(ELR))渐近服从卡方分布(^2(m-k))（m为矩条件数，k为待估参数数），这可用于：-参数的置信区间：通过反转似然比检验，构造()的置信区间，其形状由似然函数的曲率决定，比GMM的正态近似更准确（尤其在小样本下）；-模型设定检验：若(-2(ELR))超过临界值，说明矩条件无法被数据支持，模型可能存在误设（如遗漏重要因子、函数形式错误）。我曾用GEL检验一个改进的三因子模型，得到(-2(ELR)=12.3)，自由度为5（m=6,k=1），查卡方表得5%临界值为11.07，统计量超过临界值，说明模型可能遗漏了动量因子。后来加入动量因子后，统计量降至8.5，低于临界值，验证了诊断的有效性。三、案例：资产定价模型的GEL实证分析3.1问题背景为了更直观地展示GEL的实证应用，我们虚构一个场景：检验某新兴市场的四因子资产定价模型（市场因子、规模因子、价值因子、动量因子）是否能解释股票超额收益。理论预期：四个因子的风险溢价均为正，且模型的矩条件能被数据支持。3.2数据与变量数据选取该市场某年的月度数据，样本量n=360（30只股票×12个月）。变量定义如下：-被解释变量：个股超额收益(R_{i,t}^e=R_{i,t}-R_{f,t})（(R_{i,t})为个股收益率，(R_{f,t})为无风险利率）；-解释变量（因子）：-市场因子(MKT_t=R_{m,t}-R_{f,t})（市场组合超额收益）；-规模因子(SMB_t)（小市值组合收益-大市值组合收益）；-价值因子(HML_t)（高账面市值比组合收益-低账面市值比组合收益）；-动量因子(UMD_t)（过去12个月赢家组合收益-输家组合收益）。数据清洗步骤：剔除ST股票（2只）、缺失值超过5%的样本（1只），剩余27只股票，调整后样本量n=324。3.3矩条件设定根据资产定价理论，股票i在t月的超额收益应满足(E[R_{i,t}^e-({i,MKT}MKT_t+{i,SMB}SMB_t+{i,HML}HML_t+{i,UMD}UMD_t)]=0)。为了用GEL估计，我们将其转化为矩条件：对于每只股票i（i=1,2,…,27），有：(g_i()=R_{i,t}^e-({MKT}MKT_t+{SMB}SMB_t+{HML}HML_t+{UMD}UMD_t))这里假设所有股票的因子载荷相同（简化处理），待估参数(=({MKT},{SMB},{HML},{UMD}))，矩条件数m=27（每只股票对应一个矩）。3.4结果分析使用EL方法估计，优化算法选择BFGS，初始值设为GMM的估计结果（({MKT}=1.0,{SMB}=0.5,{HML}=0.3,{UMD}=0.2)）。迭代15次后收敛，估计结果如下：(_{MKT}=1.05)（标准误0.08）；(_{SMB}=0.62)（标准误0.12）；(_{HML}=0.41)（标准误0.09）；(_{UMD}=0.28)（标准误0.07）。所有系数均显著为正（t统计量均大于2），符合理论预期。进一步计算对数似然比统计量(-2(ELR)=22.6)，自由度m-k=27-4=23，查卡方表得5%临界值为35.17，统计量小于临界值，说明模型设定合理，矩条件被数据支持。对比GMM估计（使用异方差稳健的加权矩阵），GMM的系数标准误普遍更高（如(_{SMB})的标准误为0.15），且对数似然比统计量（基于GMM的J统计量）为25.8，虽也小于临界值，但GEL的结果更紧凑，体现了其在小样本下的效率优势。另外，观察权重(p_i)的分布，发现约90%的权重集中在市值中等、账面市值比适中的股票上，而小市值、高波动股票的权重较低。这可能是因为这些股票的收益受非因子因素（如流动性）影响更大，与模型的矩条件匹配度低，GEL自动降低了它们的权重，这也符合“因子模型主要解释系统性风险”的理论预期。四、广义经验似然法的优势与局限4.1优势：为何选择GEL？非参数稳健性：不依赖具体分布假设，仅通过数据本身调整权重，对异方差、厚尾分布等现实数据特征更包容。我曾用GEL分析加密货币收益（典型的厚尾分布），结果比MLE和GMM更稳定。渐近分布的简洁性：似然比统计量直接渐近卡方分布，无需复杂的协方差矩阵估计，推断更简便。权重的经济解释：权重(p_i)反映了样本点对模型的“贡献度”，为数据筛选和模型诊断提供了额外信息。小样本效率：在有限样本下，GEL的偏差和均方误差通常小于GMM，尤其当矩条件数量较多时。4.2局限：何时需谨慎使用？计算复杂度：GEL的优化问题涉及非线性约束，对高维参数或大样本数据（如n>10