在R中使用gmm包执行GMM时指定抽样权重的方法求助

你遇到的核心问题是：gmm函数的weight参数不是用来指定观测抽样权重的，它的作用是设置GMM估计过程中的最优权重矩阵（比如两步GMM里的权重矩阵），所以直接传入数据框的weight列必然报错。

下面是两种可行的解决方案：

方法一：自定义加权矩条件（推荐，适用于所有场景） #

抽样权重的本质是让每个观测对矩条件的贡献不同，所以我们可以手动构造加权后的矩条件函数，让每个观测的矩条件乘以对应的抽样权重。

完整代码 #

library(gmm)

# 你的原始数据
df <- data.frame(
  y = c(1,0,1,1,1,0,0,1), 
  x = c(20,12,13,15,19,21,10,12),
  weight = c(1,0.5,1,0.75,1,1,0.25,1)
)

# 定义加权矩条件函数
weighted_moment_func <- function(theta, data) {
  # theta是待估计的系数：theta[1]是截距，theta[2]是x的系数
  y <- data$y
  # 构造包含截距项的自变量矩阵
  x_matrix <- cbind(1, data$x)
  # 抽样权重
  w <- data$weight
  
  # 计算残差：y - 预测值
  residuals <- y - x_matrix %*% theta
  # 生成加权后的矩条件：残差*权重*工具变量（这里工具变量和自变量一致）
  w * residuals * x_matrix
}

# 用OLS结果作为GMM的初始值（让估计收敛更稳定）
ols_result <- lm(y ~ x, data = df)
start_coef <- coef(ols_result)

# 执行加权GMM
weighted_gmm <- gmm(weighted_moment_func, x = df, t0 = start_coef)

# 查看结果
summary(weighted_gmm)

说明 #

如果你的工具变量和自变量不同，只需要把函数里的x_matrix替换成你的工具变量矩阵即可，逻辑完全一致。

方法二：数据加权复制（仅适合小数据场景） #

如果数据量不大，可以把每个观测按照抽样权重的比例复制（非整数权重可以先放大为整数），用复制后的数据集跑GMM。这种方法简单但不够严谨，适合快速验证：

# 把权重放大4倍转为整数（避免小数），然后重复行
df_weighted <- df[rep(seq(nrow(df)), round(df$weight * 4)), ]

# 用复制后的数据集跑GMM
gmm_replicated <- gmm(y ~ x, ~x, data = df_weighted)
summary(gmm_replicated)

内容的提问来源于stack exchange，提问作者Hanifa Pilvar