Existen varios métodos para estimar los parámetros de un modelo. Esta es una parte central de las estadísticas / econometría. El GMM (Método Generalizado de Momentos) es uno de esos métodos y es más robusto (estadística y literalmente [para una audiencia no estadística]) que muchos otros.
Debería ser intuitivo que el proceso de estimación involucra qué tan bien su modelo se ajusta a los datos. El GMM usa más condiciones que los modelos normales mientras lo hace.
(Usted ha mencionado el promedio y la varianza. Supongo que es una idea familiar). Promedio y varianza son algunas métricas básicas de los datos. Una persona modela los datos para comprender su naturaleza. Un perfecto (modelo hipotético) explicaría los datos de principio a fin.
Tomemos un ejemplo de modelado de alturas de todas las personas en un edificio. Hay dos métricas promedio y varianza. El promedio es la métrica de primer nivel, la varianza es la métrica de segundo nivel. Un promedio es sumar todas las alturas y dividirlo por la cantidad de personas. Te dice que algo así como 11 pies es ridículo. 5 pies es sensato.
Ahora considere la variación, le dirá una capa adicional de información: 6 pies no es ridículo (basado en el promedio) pero qué tan probable es que la altura de la persona sea de 6 pies. Si el edificio es una escuela secundaria, es menos probable que sea cierto. Si es más probable el edificio de oficinas.
Estos son ejemplos de algo técnicamente llamado momentos de los datos (después de explicar el promedio y la varianza, ¿debería ser cómodo?). El modelo de uno debería funcionar bien si satisface estas condiciones de promedio y varianza observadas. Más allá del promedio y la varianza, hay varias otras métricas.
El GMM se ajusta al modelo para estas métricas más altas (momentos). Los métodos más simples se adaptan a métricas más pequeñas. El nombre, como sugiere, es un método generalizado: trata de ser lo más general posible.