众所周知,矩条件模型通常建立在垂直条件上,故其与众多经济理论完美契合,在实际经济研究中得到广泛应用。由于矩条件模型依赖于矩条件,而矩条件通常不需要假设扰动项的分布,故从某种程度上讲矩条件模型是一类半参数模型。传统的估计矩条件模型的方法是广义矩估计方法。最优广义矩估计量是一种两步估计法。它的第一步是为了得到一个一致并非有效的估计量,被称为初步估计量;第二步则将初步估计量带入构建好的权重矩阵中计算广义矩估计的最优权重矩阵,广义矩估计量便可以从由包含该最优权重矩阵的最优化问题中解出。当样本量足够大时,如果我们关于模型所有的知识集中在矩条件上,广义矩估计量是我们所能得到的最有效的估计量。尽管广义矩估计量是渐进有效的,许多证据表明其有限样本性质却比较糟糕。除此之外,广义矩估计量的偏误会随着矩条件所包含的工具变量数目的增多而增大。在当今大数据背景下,模型所使用的矩条件个数常常数以千计,这足够给广义矩估计量带来不可忽视的偏误。近二三十年以来,许多计量经济学家将广义矩估计放在由经验似然构建起的更广阔、统一的框架下进行研究。为了改进广义矩估计的有限样本性质,一些与广义矩估计相类似的估计量纷纷被提出来,并得到了深入的研究。经验似然利用到了常常被广义矩估计忽视的过度识别的矩条件。事实上,经验似然指的是一类广义经验似然估计量,在该类中最广为人知的有四个,分别是经验似然估计量、指数倾斜估计量、持续更新估计量、海灵格距离估计量。广义经验似然估计量均能够被重新构造成最小距离估计量,并分享统一的结构——它们都是使得各自的分布距离度量最小化的参数,由某一模型参数所统一控制。广义经验似然常常会拿来同广义矩估计在各方面进行对比。所有的广义经验似然估计量在渐进的意义均与最优广义矩估计量同样有效,但是由于广义经验似然是一步估计量,他们能够避免广义矩估计那样在选择初步估计量时的随意性。一步法的特征使得广义经验似然在矩条件的线性变化下不变。如果数据是独立同分布的,广义经验似然拥有相比广义矩估计量更少的偏误项。由于绝大多数经济、社会、环境甚至心理的现象都不可避免地表现出了空间特性,考虑空间互动的经济模型通常在实证中比较受欢迎。尽管空间模型最常见的估计方法是极大似然,广义矩估计也同样被用在对空间个体互动建模的空间自回归模型上。需要指出的是,空间模型所使用的矩条件不仅包括了线性矩,还包括那些能够捕捉空间相关性的二次矩。广义矩估计在计算上较极大似然估计更加简单,并且对模型的假设没有极大似然所要求的那么严格。值得一提的是,理论上还存在一组最优的矩条件,能够使得所得到的广义矩估计量与当扰动服从正态分布下得到的极大似然估计量同样有效。对于空间模型最大似然估计量的研究非常之多,研究的角度也非常广。人们很早以前就发现在空间模型中,极大似然估计量通常会低估空间影响的幅度。然而据我们所知,现存有关空间模型广义矩估计量有限样本性质的研究文献依然不多。本文之一的目的就是弥补这个空缺。本文中,我们从经验实验方面和理论推导方面对空间模型的广义矩估计量进行了较为充分的研究。通过一些蒙特卡洛实验,我们发现社交网络密度和空间依赖关系的强度与偏误的大小有较显著的正相关关系。在空间模型所有的参数中,空间效应系数在偏误问题中扮演着重要角色。并且,同极大似然估计一样,广义矩估计也倾向于低估空间影响的强度。以上发现在当我们没有正确设定模型时依然存在。我们还做了许多蒙特卡洛实验来说明每个变量在不同参数组合下偏误的主要形态。理论上,我们将空间模型的广义矩估计量具有的偏误显性地表达出来,表示成空间权重矩阵、外生变量数据集、随机扰动的分布的高阶矩的函数。由于偏误的表达式关于模型参数是非线性的,要使得其可计算并不容易。利用一些矩阵代数的计算技巧,例如向量化矩阵、引入克罗尼克积等,我们得到广义矩估计的高阶偏误的可计算表达式。通过高阶偏误的可计算表达式,因此能够直接对广义矩估计量进行偏误修正。欧几里得经验似然估计量,亦即持续更新估计量,有一个吸引我们的性质是其在数据独立同分布情况下,其隐含概率具有显式解。根据控制变量原理,对任意所给定的已知函数,利用该函数用持续更新估计量隐含的概率加权平均所得到的的估计量比简单等权重得到的估计量更加有效。然而,我们论证了当数据呈现空间或者时间相关性时,对持续更新估计量隐含概率的控制变量解释不再成立。因此,我们选择绕过持续跟新估计量的隐含概率,直接将模型的矩条件作为控制变量,并提出了我们的三步法估计量。其前两步就像广义矩估计量那样为了得到一个渐进有效的广义矩估计量。第三步则利用矩条件作为控制变量,依列估计广义矩估计的雅克比矩阵和方差协方差矩阵,再将新得到的雅克比矩阵和协方差矩阵代入一阶条件。根据控制变量的原理,这样得出来的对一阶条件所包含的雅克比矩阵,方差协方差矩阵的估计都比对应原广义矩估计估的一阶条件中各自的估计更加有效。如此得到的三步法估计量是一致估计量,其理论上具有比广义矩估计更小的偏误,并且在绝大多数模拟实验中具有比广义矩估计更小的标准差。虽然理论上讲,比较两个具有不同高阶偏误的估计量之间的高阶方差是无意义的,但我们还是发现在已经汇报的未汇报的蒙特卡洛中,三步法估计量具有比广义矩估计更小的方差。利用广义矩估计量对模型参数进行同时估计已经被大量讨论,但将广义矩估计分步估计使用在空间模型中的研究却较少。广义矩估计加总的矩的线性-二次型通常被分解成对应于伪个体的鞅差序列。空间模型分步矩估计中的消去替代法是一个很巧妙的设计。它寻找一部分线性矩,要求这些线性矩的维度与厌恶参数的维度刚好一样。利用这一部分线性矩,像解恰好识别的矩系统那样将厌恶参数表达成兴趣参数的方程,再讲剩余的矩中所有的厌恶参数都利用这个关于兴趣参数的方程来替代,使得新的的矩条件只关于兴趣参数,即空间效应参数。我们将这个想法扩展到高阶的空间自回归模型中,并且证明了这样得到关于兴趣参数的估计于广义矩估计同时估计时兴趣参数的估计量同样有效。另一种证明方法是通过利用冗余矩的概念,我们揭示了分步估计矩条件携带了同时估计矩条件有关兴趣参数相当的信息。我们给出了一些条件,在这些条件下消去替代法所得到的兴趣参数估计量和厌恶参数估计量与广义矩估计同时估计它们所得到的的估计量是渐进等价的。我们将已有的研究推进了一步,通过得到最终估计量高阶偏误的表达式,我们考察了分步广义矩估计对最终估计量的高阶影响。随之而来的是通过对计算最终估计量的高阶偏误,我们能够获得最终估计量的偏误修正估计量。最后,借助C（?）变换,我们将高阶偏误的表达式推广到了适用于鞅差序列的任意的集中方式。C（?）变换是一种对原来矩向量进行的变换,它们能够在渐进意义下消除第一步估计量对第二步估计量渐进方差的影响。当样本是独立同分布时,在广义经验似然估计量类里,通常很难有足够的证据证明某个估计量比另一个估计量绝对地好。从计算的角度来说,持续更新估计量最好,因为它的隐含概率具有显式表达式,并且其目标函数只涉及模型当中的参数。从有限样本性质的角度来讲,经验似然估计量最好,因为它具有最小的偏误。从模型全局误设下的稳健性的角度讲,指数倾斜估计量最好,因为其影响函数的特殊构造可以保证指数倾斜估计量在全局误设下是稳健的。从模型的局部误设下稳健性而言,海灵格距离估计量是最好的,因为它在数据收到轻微扰动时具有最小的最坏损失性质。我们跟进能够在全局误设和局部误设下均稳健的指数倾斜海灵格距离估计量,提出我们的近似指数倾斜海灵格距离估计量,并且展示其一些非常好的性质。当模型是正确设定时,它是渐进有效的;它从持续更新估计量继承了选择倾斜参数的简便性;从海灵格距离估计量继承了对局部模型误设的稳健性,因为它的偏误和均方差满足最小最大的性质;从指数倾斜估计量继承了对全局模型误设的稳健性,因为它依然保持根号N收敛性以及其渐进方差刚好等于模型正确设定时的渐进方差。