廣義矩估計（Generalized Method of Moments，簡稱GMM）是一種統計學中的參數估計方法，它類似於極大似然法（MLE）。在MLE中，隨機變數被假設服從特定的分布，然後將待估參數嵌入似然函式中，通過極大化聯合機率密度函式來得到參數的估計值。而在GMM中，假設隨機變數遵循特定的矩條件，而不是整個分布。這些矩條件是關於隨機變數的期望值的假設，而不是對整個分布的假設。
GMM的優點在於它比MLE更穩健，但可能會導致估計量的有效性降低，因為估計出的標準誤比較大。GMM估計量是在恰好識別（即矩條件的個數等於待估參數的個數）和過度識別（矩條件的個數多於待估參數的個數）的情況下定義的。在恰好識別的情況下，GMM估計量與矩估計（Method of Moments，簡稱MM）等價；而在過度識別的情況下，MM不再適用，GMM可以有效地組合矩條件，使得GMM比MM更有效。
GMM建立在期望值和樣本平均值的基礎上，其目標函式是基於矩條件的。在過度識別的情況下，GMM可以通過工具變數方法來提高估計效率。此外，GMM可以用於動態面板數據模型中，以解決內生性問題。
總結來說，GMM是一種基於矩條件的參數估計方法，它在某些情況下比MLE更穩健，尤其適用於存在內生性問題的模型估計。在Stata軟體中，可以使用GMM模型來估計這類問題。