Hansen J 檢定：GMM 過度識別限制詳解

廣義矩估計法（GMM）透過令理論矩條件的樣本版本盡可能接近零來估計參數。在工具變數模型中，一項矩條件可以表示：當結構參數為真值時，所提出的工具變數與結構誤差不相關。資產定價方程、Euler 方程或面板資料限制亦可推導出其他矩條件。

如果模型的矩條件數目多於未知參數，估計後便會留下額外限制。Hansen J 統計量使用指定的加權矩陣，將估計後樣本矩仍偏離零的程度概括為一個數值。這是在該設定下進行的聯合模型檢定，並非直接審核工具變數、為個別變數貼上「有效」或「無效」的標籤。

這項分別對金融和量化研究很重要。交易或資產定價模型可以提供多項矩條件，但檢定結果取決於這些條件所用的回報、因子、工具變數、日期範圍和協方差假設。較小的 p 值可能是反對這組假設的證據；較大的 p 值並非所有假設均成立的獨立證據。

令 \(g_t(\theta)\) 表示日期 \(t\) 在參數向量 \(\theta\) 下的矩貢獻向量，包含 \(q\) 個分量。其樣本平均為：

\[ \bar g_T(\theta) = \frac{1}{T}\sum_{t=1}^{T}g_t(\theta). \]

GMM 選擇 \(\hat\theta\)，令以下一類加權二次距離最小：

\[ Q_T(\theta) = T\,\bar g_T(\theta)'W_T\bar g_T(\theta), \qquad J = Q_T(\hat\theta), \]

其中 \(W_T\) 是正定加權矩陣。加權方式決定各矩條件的不一致對準則的貢獻程度。在所述抽樣假設下，效率 GMM 會使用一個與矩條件長期協方差矩陣的逆相關的權重。J 檢定評估的是參數估計後的最小準則，而不是未經估計便隨意選定參數時的目標函數值。

公式雖然簡潔，當中的定義卻不能互換。更改工具變數會改變 \(g_t\)；更改樣本會改變平均值；更改協方差估計方法會改變權重；更改估計方法也可能改變擬合參數。因此，要令 J 統計量可重現，只報告數字和「穩健」一詞並不足夠。

若有 \(q\) 項互相獨立的矩條件和 \(k\) 個局部可識別參數，常規過度識別自由度為 \(q-k\)。例如，以三項獨立矩條件估計兩個參數，便剩下一項過度識別限制。在所有總體矩條件都成立的虛無假設下，若權重構造合適，J 統計量會與相應自由度的卡方分布作漸近比較。

當矩條件數目和參數數目相同，模型便是恰好識別；擬合矩條件通常可調整至零。這時沒有多餘限制供 J 統計量檢驗：自由度為零，因此沒有過度識別檢定。若參數多於獨立矩條件，出現的是另一個識別問題；這不會產生負自由度，也不會帶來有意義的 J 檢定。

應計算有效而獨立的矩限制，不要只數軟件輸出中的欄數。重複工具變數或線性相依的矩條件可能降低有效秩。常規卡方參考分布亦依賴識別和其他大樣本條件。名義上的 \(q-k\) 無法補救奇異或估計不穩定的矩協方差矩陣。

假設某模型使用三項矩條件估計兩個參數，因此常規自由度為 \(3-2=1\)。再假設軟件使用旨在符合所述協方差假設的加權方法，報告 J 統計量為 5.4。以自由度為 1 的常規卡方分布作參考，p 值約為 0.020。若事先選定的顯著水平是 5%，研究者會拒絕「三項總體矩條件全部為零」的聯合虛無假設。

這個結論比「第二項工具變數無效」狹窄。J 統計量衡量整個系統的一個加權距離，並不會指出哪項矩條件引起衝突。相同結果可能來自工具變數無效、結構方程設定錯誤、遺漏動態特徵、協方差模型不合適，或維持的其他假設失效。要查明來源，仍需要後續診斷和對研究內容的專業判斷。

如果 p 值為 0.20，正確的說法是在所選顯著水平下，檢定沒有拒絕聯合限制；不應說「工具變數已證實有效」。未能拒絕可能是因為限制看來合理、檢定力有限，或樣本太小、雜訊太大而無法辨別違規。應在查看一系列模型變體之前選定判斷門檻；若搜尋至某個 p 值看起來可接受才停止，便引入另一項選擇問題。

虛無假設是一組總體限制，必須在令參考分布成立的模型和漸近條件下解讀。J 檢定拒絕時，表示在檢定使用的加權下，這組維持的限制至少有一部分難以與觀測樣本相容。單靠這項檢定，不能分辨排除限制錯誤、函數形式有誤、遺漏狀態相依、資料構造錯誤，還是長期協方差估計不合適。

這項檢定也不能確立因果關係。在 IV 設計中，過度識別檢定可評估模型下的額外限制是否彼此一致，卻不能證明每項工具變數都符合排除限制；尤其是所有工具變數都可能共用同一違規途徑。工具變數的相關性和排除限制是不同概念：相關性應使用第一階段和弱識別診斷；排除限制則須解釋支持它的經濟路徑。

在線性資產定價應用中，J 類統計量可能檢驗某個因子模型和測試資產組合所隱含的聯合定價限制。拒絕不會自動指出欠缺哪個因子，也不代表另一項可交易策略會有回報；不拒絕亦不證明模型在經濟意義上正確。相關的橫截面風險價格程序及推論限制，見 [Fama–MacBeth 指南](/zh-HK/learn/fama-macbeth-two-pass-regression-risk-premium-explained)。

經典 Sargan 檢定源自工具變數估計，並依賴較嚴格的協方差假設，通常包括誤差同方差。Hansen J 檢定則是使用估計矩協方差的 GMM 過度識別統計量；它可以反映異方差，使用合適的長期協方差估計亦可反映時間相依。稱為「Hansen」並不代表實作對所有模型設定錯誤都穩健；協方差和加權選擇必須符合矩過程。

對時間序列矩而言，序列相關會改變樣本平均的長期變異數。在假設及滯後選擇適合資料時，Newey–West 等 HAC 估計可用於適當的協方差計算。面板或群集觀測可能需要不同的協方差構造。只對係數標準誤使用協方差修正，並不自動代表 J 目標函數也用了相容的加權矩陣。

一步、兩步和迭代 GMM 可能用不同加權估計參數。在有效兩步程序中，估計的權重本身會增加有限樣本不確定性；相對於觀測數而言矩條件很多時，標準誤和檢定表現可能不穩。Windmeijer 研究的有限樣本修正，針對特定線性有效兩步 GMM 設定下的變異數估計，並非適用於所有 J 統計量的通用修正。

J 檢定不是工具變數強度檢定。資訊不足的工具變數會令參數估計和常規近似不可靠；應使用專為弱識別設計的方法，不要將看來理想的 J p 值當成強度診斷。大樣本卡方校準亦不保證短期金融樣本符合漸近近似。

增加工具變數或矩條件看來可以增加資訊。不過，在動態面板 GMM 中，工具變數過多可能令內生變數在樣本內過度擬合，削弱規格檢定發現違規的能力。因此，龐大工具變數集合帶來的極高 p 值，未必令人安心。應報告工具變數數量、時滯或構造窗口；適用時，可比較有理據的精簡集合或折疊後的工具變數。

小樣本、接近共線的矩條件、不佳的協方差估計、參數邊界和弱識別，都可能令教科書式解讀失效。遇到這些情況，應進行敏感度分析並採用合適的替代推論，而非機械地說「J 檢定通過」。若模型選擇涉及多種工具變數、滯後範圍、因子或樣本切分，應記錄這些搜尋，不要將最理想的結果說成事先指定。

部分動態面板分析會報告差分 Hansen 檢定或 C 檢定，用來檢驗一部分矩條件，例如額外的工具變數組別。概念上，巢狀比較會問：加入該組之後，新增限制是否仍與其餘維持的矩條件相容。這項檢定以其他規格為條件，並非對每項工具變數的獨立認證。

只有在相應的巢狀關係、估計和協方差條件成立時，兩個 J 統計量之差才有參考分布。比較的模型必須使用相容樣本和矩條件定義，也要考慮加權和有限樣本表現。若完整工具變數集合很大，子集檢定的檢定力也可能偏低。若檢驗多個組別，應報告比較過的整組結果，而非只挑選有利的一項。

應列出樣本、參數向量、矩條件定義、觀測數、限制數量和有效秩，以及自由度。說明使用一步、兩步還是迭代 GMM、加權矩陣如何取得、允許何種協方差結構，以及有否使用小樣本調整。報告 J 統計量、參考分布、p 值和分析前訂定的判斷門檻。

應展示工具變數數量和構造、第一階段或相關性診斷，以及估計值對合理改變矩條件集合的敏感度。解釋工具變數為何符合經濟上的時間排序和排除限制論證；過度識別檢定未拒絕不能代替這項論證。若使用子集檢定，應明確界定子集和比較對象。IV 假設背景見[內生性與工具變數指南](/zh-HK/learn/endogeneity-instrumental-variables-finance-explained)；協方差選擇見[穩健標準誤與 HAC 指南](/zh-HK/learn/robust-standard-errors-heteroskedasticity-hac-finance-explained)。

Hansen 的 GMM 漸近理論、Sargan 的工具變數檢定、Stock 和 Wright 對弱識別的分析、Roodman 對工具變數過量問題的研究、Windmeijer 對兩步變異數有限樣本性質的分析，以及 Newey 和 West 的 HAC 協方差估計量，分別處理這項設計的不同部分。各項結果只在各自明列的假設下成立，並非對實證模型的概括認可。