如何通俗的理解矩估计
矩估计值与矩估计量的区别？
矩估计值与矩估计量的区别？
对一阶矩的理解正确。两个量是依概率收敛的，所以令二者相等计算。样本的二阶矩用原点矩，老师在课程中有说明。在李良老师的课程中，基础、强化都有讲到求解二阶矩，建立两个方程：期望样本矩阵，样本的二阶原点矩总体的二阶原点矩，两个方程计算。总体的二阶矩是EX^2。求二阶矩时，写出总体矩和样本矩，令二者相等求解即可。
没有区别，矩估计值就是矩估计量，即用矩估计法测量得到的值，也称“矩法估计”，就是利用样本矩来估计总体中相应的参数。首先推导涉及感兴趣的参数的总体矩（即所考虑的随机变量的幂的期望值）的方程。然后取出一个样本并从这个样本估计总体矩。
它是由英国统计学家皮尔逊Pearson于1894年提出的，也是最古老的一种估计法之一。对于随机变量来说，矩是其最广泛。
矩估计量由来：
由辛钦大数定律知，简单随机样本的原点矩依概率收敛到相应的总体原点矩，这就启发我们想到用样本矩替换总体矩，进而找出未知参数的估计，基于这种思想求估计量的方法称为矩法。用矩法求得的估计称为矩法估计，简称矩估计。
矩法估计原理简单、使用方便，使用时可以不知总体的分布，而且具有一定的优良性质（如矩估计为Eξ的一致最小方差无偏估计），因此在实际问题，特别是在教育统计问题中被广泛使用。
但在寻找参数的矩法估计量时，对总体原点矩不存在的分布如柯西分布等不能用，另一方面它只涉及总体的一些数字特征，并未用到总体的分布，因此矩法估计量实际上只集中了总体的部分信息。
这样它在体现总体分布特征上往往性质较差，只有在样本容量n较大时，才能保障它的优良性,因而理论上讲，矩法估计是以大样本为应用对象的。
矩估计量的求解步骤通俗举例？
E(x)∫（θ-2到θ 4）x*1/6dx[(θ 4)^2-(θ-2)^2]/12θ 1 θ 1样本均值 估计量样本均值-1
什么是计量经济学中广义矩估计名词解释？
广义矩估计法是参数估计的一种方法，是普通矩估计法的推广。
参数的矩估计就是用样本矩去估计总体矩。经常使用的是用样本一阶矩去估计总体一阶矩(均值)，用样本二阶中心矩去估计总体二阶中心矩(方差)。较成熟的GMM方法是由Hansen(1982)引进的，现在该方法已有较普遍的应用。
设ωi是一个h×1的观测值向量，θ是a×1的未知参数向量，h(θ，ωi)是一个r×1的向量函数，也就是
h(·)：(Rh×Ra)→Rr，Rh×Ra表示h×a实空间。
由于ωi是随机的，所以h(θ，ωi)也是随机的，假定当θ为参数真实值时
E[h(θ，ωi)]0 (1)
即函数h满足正交条件。记
yn(ω，…，ω′n)′ (2)
为样本观测值的全体集合，记
为函数h(θ，ωi)的样本均值，g(·)是一个r维向量。
GMM基本思想是选择θ，使二次型
Q(θ，yn)[g(θ，yn)]′Wn[g(θ，Wn)] (4)
取极小值。这里权函数矩阵Wn，n1，2，…是一个r×r的矩阵序列。
为求θ的估计值，在(4)式中取权函数矩阵Wn的初值为单位阵，即Q为普通欧氏距离，使Q取极小而得到θn的初值θn(1)。将θn(1)代入
Mn1／ngn(X)[h(θn，ωi)][h(θn，ωi)]′ (5)
可得n(1)，将n(1)代入
Q(θ，yn)[g(θ，yn)]′M－1[g(θ，yn)] (6)
(其中M是h(θ，ωi)的样本均值g(θ，yn)的渐进方差，M－1是M的逆矩阵)又可得θn(2)，如此迭代下去，直至‖θn(1)－θn(n)‖小于预定精度ε为止。可以证明这个迭代过程与初值无关。