廣義矩估計（GMM）是一種統計學和計量經濟學中用於估計模型參數的技術，它在傳統矩估計的基礎上發展而來，可以處理更複雜和靈活的模型設定。
廣義矩估計的基本思想是利用模型滿足的一些矩條件來估計參數，這些矩條件是樣本統計量與理論值之間的差異。在套用廣義矩估計時，通常會構建一個樣本矩的函式，使其與總體矩儘可能接近，以此來估計未知參數。
廣義矩估計相比其他估計方法的一個顯著優勢在於它能夠處理過度識別問題，即當矩條件的數量超過未知參數的數量時，它能夠找到一組一致的參數估計值。此外，廣義矩估計不依賴於模型的分布假設，相比最小二乘法（OLS）和最大似然估計等方法，它放寬了對數據分布和誤差項的假設要求。