Hansen J 檢定：GMM 過度識別限制解析

廣義動差法（GMM）透過讓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，一個矩條件可以表示：當結構參數為真值時，提出的工具變數與結構誤差不相關。資產定價方程式、Euler 方程式或追蹤資料限制，也能推導出其他矩條件。

如果模型的矩條件數多於未知參數，估計後就會留下額外限制。Hansen J 統計量使用指定的加權矩陣，將估計後的樣本矩仍偏離零的程度概括成一個數值。這是在該模型設定下進行的聯合規格檢定，並不是直接稽核工具變數或替其中一項貼上「有效」或「無效」標籤。

這項區分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個矩條件，但檢定結果取決於這些條件所使用的報酬、因子、工具變數、日期範圍和共變異數假設。較小的 p 值可能是反對這組假設的證據；較大的 p 值並不是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，共有 \(q\) 個分量。樣本平均為：

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

GMM 選擇 \(\hat\theta\)，讓下列形式的加權二次距離最小：

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

其中 \(W_T\) 是正定加權矩陣。加權方式決定各矩條件不一致的程度如何反映在目標函數中。在所述抽樣假設下，效率 GMM 使用的權重會與矩條件長期共變異數矩陣的反矩陣相關。J 檢定使用的是估計參數後的最小目標函數，而不是未經估計、任意挑選參數所得的值。

公式雖然簡潔，定義卻不能互換。變更工具變數會改變 \(g_t\)；變更樣本會改變平均值；變更共變異數估計方式會改變權重；變更估計量也可能改變配適參數。因此，若要讓 J 統計量可重現，只提供一個數字和「穩健」一詞並不足夠。

如果有 \(q\) 個相互獨立的矩條件和 \(k\) 個局部可識別參數，常見的過度識別自由度是 \(q-k\)。例如，以三個獨立矩條件估計兩個參數，就會剩下一個過度識別限制。在所有母體矩條件均成立的虛無假設下，如果加權方式正確，J 統計量漸近服從相應自由度的卡方分布。

矩條件數與參數數相同時，模型就是恰好識別，配適後通常能將矩條件設為零。此時沒有額外限制可供 J 統計量檢驗：自由度為零，也就沒有過度識別檢定。如果參數比獨立矩條件多，這是另一種識別問題；不會因此產生負自由度或有意義的 J 檢定。

應計算有效且獨立的矩限制，而不只是軟體輸出中的欄位數。重複的工具變數或線性相依的矩條件可能降低有效秩。常見的卡方參考分布也依賴識別及其他大樣本條件。名目上的 \(q-k\) 無法補救奇異或估計不穩定的矩共變異數矩陣。

假設模型使用三個矩條件估計兩個參數，常見的自由度便是 \(3-2=1\)。再假設軟體依據符合所述共變異數假設的加權程序，回報 J 統計量為 5.4。以自由度為 1 的常見卡方分布作為參考，p 值約為 0.020。如果事先選定的顯著水準為 5%，研究者就會拒絕「三個母體矩條件全都為零」的聯合虛無假設。

這個結論比「工具變數 2 無效」更有限。J 統計量是衡量整個系統的單一加權距離，不會指出是哪個矩條件造成衝突。相同結果也可能來自工具變數無效、結構方程式設定錯誤、遺漏動態特徵、共變異數模型錯誤，或維持的其他假設失效。要追查原因，需要進一步診斷並考慮研究的經濟脈絡。

如果 p 值是 0.20，正確結論是：在選定的顯著水準下，這項檢定沒有拒絕聯合限制；不應說「工具變數已證明有效」。未能拒絕可能是因為限制合理、檢定力有限，或樣本太小、雜訊太大而無法辨認違規。應先選定判斷門檻，再檢視一組模型變體；若反覆搜尋直到某個 p 值看起來可以接受，就多了一項選擇問題。

虛無假設是一組母體限制，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，這組維持的假設至少有一部分難以與樣本相容。單靠檢定無法分辨排除限制錯誤、函數形式不正確、遺漏狀態相依、資料建構錯誤，或長期共變異數估計不合適。

這項檢定也無法確立因果關係。在 IV 設計中，過度識別檢定可以評估模型下額外限制是否彼此一致，卻不能證明每個工具變數都符合排除限制，尤其在所有工具變數都可能共用同一項違規時。工具變數相關性和排除限制意義不同：相關性要用第一階段與弱識別診斷；排除限制則應說明支持它的經濟途徑。

在線性資產定價應用中，J 類統計量可能檢定特定因子模型和測試資產組合所隱含的聯合定價限制。拒絕不會自動指出缺少哪個因子，也不表示另一種可交易策略會有報酬；不拒絕也不證明模型在經濟上為真。相關的橫斷面風險價格程序和推論限制，請參閱 [Fama–MacBeth 指南](/zh-TW/learn/fama-macbeth-two-pass-regression-risk-premium-explained)。

古典 Sargan 檢定源自工具變數估計，採用較嚴格的共變異數假設，通常包括誤差同質變異。Hansen J 檢定則是使用估計矩共變異數的 GMM 過度識別統計量，可反映異質變異；若搭配適當的長期共變異數估計，也可反映時間相依。「Hansen」這個名稱不會令實作自動對所有模型錯置都穩健；共變異數和加權方式應符合矩過程的特性。

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。在假設和落後期選擇適合資料時，Newey–West 等 HAC 估計可用於適當的共變異數計算。追蹤資料或群聚觀測可能需要其他共變異數建構。只對係數標準誤進行共變異數修正，不代表 J 目標函數也採用了相容的加權矩陣。

一步、兩步和迭代 GMM 可能採用不同權重估計參數。在有效兩步程序中，估計出的權重本身會增加有限樣本的不確定性；相對於觀測值而言矩條件太多時，標準誤和檢定結果可能不穩。Windmeijer 研究的有限樣本修正，針對特定線性有效兩步 GMM 設定的變異數估計，並不是適用於所有 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可能使參數估計和常見近似不可靠；應使用適合弱識別的方法，不要把看似安心的 J p 值當成工具變數強度診斷。大樣本卡方校準也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起來能提供更多資訊。然而，在動態追蹤資料 GMM 中，工具變數過多可能會在樣本內過度配適內生變數，降低規格檢定發現違規的能力。大型工具變數集合若帶來很高的 p 值，可能不足以令人放心。應回報工具變數數量、落後期或建構期間，並在適用時比較有理據的精簡集合或合併後的工具變數。

小樣本、近似線性相依的矩條件、不佳的共變異數估計、參數邊界和弱識別，都可能令教科書式解讀不成立。此時要做敏感度分析並採用合適的替代推論，而不是機械地聲稱「J 檢定通過」。如果模型選擇曾比較多組工具變數、落後期範圍、因子或樣本切分，應記錄搜尋過程，不要將最理想的檢定結果描述成事先指定。

有些動態追蹤資料研究會報告差分 Hansen 檢定或 C 檢定，用來檢查部分矩條件，例如額外的工具變數組。概念上，巢狀比較會問：新增該組後，額外限制是否仍與其餘維持的矩條件相容。這是以其餘規格為條件的檢定，不是逐一認證每個工具變數。

只有在相關的巢狀關係、估計方式和共變異數條件成立時，兩個 J 統計量之差才有參考分布。比較模型必須採用相容的樣本與矩條件定義，並考慮其加權方式和有限樣本表現。完整工具變數集合很大時，子集檢定的檢定力也可能下降。如果檢定多個組別，應報告所有比較，而非只挑選有利結果。

應交代樣本、參數向量、矩條件定義、觀測數、限制數與有效秩，以及自由度。說明採用一步、兩步或迭代 GMM；加權矩陣如何取得；允許何種共變異數結構；以及是否使用小樣本修正。回報 J 統計量、參考分布、p 值和分析前選定的判斷門檻。

呈現工具變數數量和建構方式、第一階段或相關性診斷，以及估計結果對合理調整矩條件集合的敏感度。說明工具變數符合經濟時間順序和排除限制的理由；過度識別檢定未拒絕，不能取代這項論證。若使用子集檢定，要清楚說明子集和比較模型。IV 假設背景可參閱[內生性與工具變數指南](/zh-TW/learn/endogeneity-instrumental-variables-finance-explained)；共變異數選擇可參閱[穩健標準誤與 HAC 指南](/zh-TW/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 對工具變數過度膨脹的研究、Windmeijer 對兩步變異數有限樣本性質的分析，以及 Newey 和 West 的 HAC 共變異數估計量，各自處理這項設計的不同部分。這些結果只在各自明示的假設下成立，不是對實證模型的概括認可。