Существует несколько методов оценки параметров модели. Это основная часть статистики / эконометрики. GMM (обобщенный метод моментов) является одним из таких методов, и он более надежен (статистически и буквально [для не статистической аудитории]), чем несколько других.
Должно быть интуитивно понятно, что процесс оценки включает то, насколько хорошо ваша модель соответствует данным. При этом GMM использует больше условий, чем обычные модели.
(Вы упомянули среднее и дисперсию. Я предполагаю, что это знакомая идея). Среднее и дисперсия являются некоторыми основными показателями данных. Человек моделирует данные, чтобы понять их природу. Идеальная (гипотетическая модель) объясняет данные насквозь.
Давайте возьмем пример моделирования высоты всех людей в здании. Существует две метрики: средняя и дисперсия. Среднее значение - это показатель первого уровня, дисперсия - показатель второго уровня. Среднее число добавляет все высоты и делит его на количество людей. Это говорит вам что-то вроде 11 футов, это смешно. 5 футов разумно.
Теперь рассмотрим дисперсию, она скажет дополнительный уровень информации: 6 футов не смешно (в среднем), но насколько вероятно, что рост человека будет 6 футов. Если это здание средней школы, оно менее вероятно, верно? Если это скорее офисное здание.
Это примеры того, что технически называют моментами данных (после объяснения среднего значения и дисперсии, должно быть удобно?). Модель должна преуспеть, если она удовлетворяет этим условиям среднего и наблюдаемой дисперсии. Помимо среднего и дисперсии, есть несколько других показателей.
GMM соответствует модели для этих более высоких показателей (моментов). Более простые методы ориентированы на меньшие показатели. Название, как оно предлагается, является обобщенным методом - оно пытается быть как можно более общим.