模型平均方法以其稳健性好、遗失有用信息少等诸多优点而成为目前统计学界和计量经济学界研究的热门问题,在经济、金融、生物、医学等领域有着非常广阔的应用前景。现存的模型平均方法大多是在线性估计的基础上研究的,在广义矩估计的基础上模型平均的研究还很不完善。Hansen(2007)在最小二乘估计的基础上通过极小化Mallows准则得到了组合候选模型所需的权重,开启了早期最小二乘模型平均方法的研究。随后Hansen&Racine(2012)在异方差条件下提出了Jackknife模型平均方法,通过极小化交叉验证准则来得到组合权重,并证明了该估计量的渐近最优性。模型平均的理论研究过程中权重的选取是非常重要的问题,权重的好坏直接影响到估计和预测风险的大小。本文在广义矩估计条件下首先提出了通过极小化J-fold交叉验证准则得到组合权重并证明了在平方损失的意义下此模型平均估计的渐近最优性。其次,通过极小化目标参数平均估计的渐近均方误差获取权重,这种方法使得所得到的平均估计更加的稳健。这些贡献拓宽了现有的模型平均理论的研究成果。蒙特卡洛模拟实验和实证分析均显示本文提出的两种模型平均估计量的风险在大多数情况下相对较低。