코인테그레이션 회귀에서 적응형 라소의 모델 선택 일관성 및 오라클 특성

본 논문은 “Model Selection Consistency for Cointegrating Regressions”라는 제목으로, 고차원 코인테그레이션 회귀 모델에 적응형 라소(Adaptive Lasso)를 적용해 변수 선택 일관성과 오라클 속성을 이론적으로 입증한다. 연구 배경으로는 대규모 시계열 데이터에서 변수 선택이 필수적이지만, 기존의 단계적 검정, 정보 기준, 전통적 라소 등은 고차원(특히 p≫T) 상황에 적합하지 않다는 점을 지적한다. 특히 코인테그레이션 회귀에서는 I(1) 변수와 I(0) 변수의 수렴 속도가 다르기 때문에, 기존 라소 이론을 그대로 적용하기 어렵다. 논문은 먼저 모델을 yₜ = α₀ + β₀′xₜ + γ₀′zₜ + uₜ 로 설정한다. 여기서 xₜ는 I(1) 프로세스(단위근), zₜ는 I(0) 정상 프로세스이며, uₜ와 vₜ는 약한 외생성을 만족하는 정적 오차이다. 후보 변수 수는 n₁개의 I(1) 변수와 n₂개의 I(0) 변수로 구성되며, n₁ = o(T) (서브선형)이고 n₂ = O(Tᵈ) (다항식) 로 가정한다. 실제 모델에 포함되는 변수는 q₁개의 I(1)와 q₂개의 I(0)이며, q₁은 고정, q₂는 T와 함께 다항식적으로 증가할 수 있다. 적응형 라소 추정식은 (β̂,γ̂) = argmin_{β,γ} ‖Y - Xβ - Zγ‖₂² + λ₁∑_{j=1}^{n₁} λ_{1j}|β_j| + λ₂∑_{j=1}^{n₂} λ_{2j}|γ_j| 이며, λ_{1j}=|β̂*_j|^{-ρ}, λ_{2j}=|γ̂*_j|^{-ρ} (0≤ρ<1) 로 설정한다. 여기서 β̂*_j, γ̂*_j는 일관적인 초기 추정치(예: Ridge)이다. 두 종류의 정규화 파라미터 λ₁, λ₂를 도입해 I(1)와 I(0) 변수의 수렴 속도 차이를 보정한다. 핵심 이론적 가정은 다음과 같다. 1) DGP 가정(약한 외생성, 혼합성, 고계 모멘트 존재 등) – 기존 코인테그레이션 문헌과 동일. 2) 파라미터 공간이 열린 집합이며, 비영(0) 아닌 파라미터는 최소값 β*·γ*를 가진다. 3) Weak Irrepresentable Condition (WIC) – 기존 Irrepresentable Condition을 완화한 형태로, λ_j가 충분히 커지면 변수 간 상관관계가 강해도 일관성을 유지한다. 이는 초기 추정치가 정확하지 않아도 된다는 장점을 제공한다. 정규화 파라미터에 대한 조건(Assumption 4)은 λ₁→∞, λ₁/T^{1+ρ}→0, λ₂→∞, λ₂/T^{(1+ρ)/2}→0 로 설정한다. 이는 λ가 충분히 강하지만 표본 크기에 비해 과도하게 커지지 않도록 하는 균형이다. 이러한 가정 하에, Lemma 1은 KKT 조건을 이용해 적응형 라소 해의 존재와 형태를 제시한다. Proposition 1은 선택 일관성 확률의 하한을 구하고, Theorem 1은 “sign consistency” 즉 Pr(̂θ = sθ₀) → 1 을 증명한다. 이어서 Theorem 2는 선택된 변수에 대해 OLS와 동일한 asymptotic distribution을 갖는 “oracle property”를 보인다. 즉, 변수 선택 후 전통적인 t‑검정, 신뢰구간 등을 기존 OLS와 동일하게 사용할 수 있다. 알고리즘 구현에서는 Local Quadratic Approximation(LQA)를 활용한다. 비선형 라소 목적함수를 2차 근사 형태로 변환하고, 가중치를 반복적으로 업데이트하면서 좌표 하강법을 적용한다. 이 과정은 기존 LARS(Lasso‑Least Angle Regression)와 유사하지만, 두 종류의 λ를 동시에 다루어야 하므로 추가적인 행렬 연산이 필요하다. 시뮬레이션에서는 표본 크기 T=100,200,500에 대해 n₁≈0.5T, n₂≈T^{1.5} 등 다양한 고차원 설정을 실험한다. 성능 평가는 (i) 변수 선택 정확도(정밀도·재현율), (ii) 추정 편향·분산, (iii) 오라클 추정치와의 평균 제곱오차(MSE) 등을 사용한다. 결과는 적응형 라소가 높은 선택 정확도와 낮은 추정 오차를 보이며, 특히 I(1) 변수에 대한 선택이 정확히 이루어짐을 확인한다. 기존 Lasso와 비교했을 때, 적응형 라소는 편향이 크게 감소하고, 오라클 속성을 만족하는 것으로 나타났다. 논문의 결론은 다음과 같다. 첫째, 고차원 코인테그레이션 회귀에서도 적응형 라소가 모델 선택 일관성과 오라클 속성을 확보할 수 있다. 둘째, Weak Irrepresentable Condition을 통해 초기 추정치의 정확성에 대한 요구를 크게 완화할 수 있다. 셋째, 제안된 LQA 기반 알고리즘은 실용적으로 구현 가능하며, 시뮬레이션에서 좋은 성능을 보인다. 마지막으로, 이 방법은 금융 포트폴리오 구성, 거시경제 변수 선택, ADL 모델의 지연 선택 등 다양한 경제·금융 시계열 분석에 적용 가능하다. 향후 연구에서는 패널 데이터, 다변량 코인테그레이션, 그리고 비선형 확장에 대한 적용을 탐색할 예정이다.