上一次我们谈到了用k-means 进行聚类的方法，这次我们来说一下另一个很流行的算法：Gaussian Mixture Model (GMM)。事实上，GMM 和k-means 很像，不过GMM 是学好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM,过度识别检验(Overidentification Test或J Test):estat overid 三、工
新常态下制造业产业集聚与经济增长——基于中国各省动态面板模型GMM 的实证分析任方军【期刊名称】《决策咨询》【年(卷),期】2018(000)004 【摘要】中国制造业省市产业混合模型是一个可以用来表示在总体分布(distribution)中含有K 个子分布的概率模型，换句话说，混合模型表示了观测数据在总体中的概率分布，它是一个由K 个子分布组成的混合分布。混
(ˉ▽ˉ；) GMM整体的概率密度函数是由若干个朴实的野狼分量的概率密度函数线性叠加而成的，而每一个朴实的野狼分量的概率密度函数的积分必然也是1,所以，要想GMM整体的概率一，GMM基本概念：GMM模型的想法，就是想通过多个高斯分布去拟合一个高斯分布无法拟合的数据。如下图所示，如果用一个高斯分布的参数去建模这批数据，那最终得到的高斯分布就是如图一。
1 广义矩估计所有条件都适用。只要模型设定正确，则总能找到该模型实际参数满足的若干矩条件而采用GMM 估计。GMM最大的优点是仅需要一些矩条件而不是整个密度。很多的估计量都可以在微观层面，如果面板的观测值是时序相关的，用GMM估计的动态面板就是一种最自然的解决办法；在宏观研究中，经常将
