계량경제학을 위한 도구변수 검증의 새로운 지평

** 본 논문은 도구변수(Instrumental Variable, IV) 방법론의 핵심인 “도구성 검정”을 재조명하고, Pearl이 제시한 필요조건 검정법을 심도 있게 분석한다. 도구변수는 회귀모형에서 내생성(endogeneity) 문제를 해결하기 위해 사용되는 외생 변수이며, 그 타당성은 두 가지 가정—조건부 독립성(Instrument exogeneity)과 관련성(Instrument relevance)—에 의해 좌우된다. Pearl(2009)은 이 두 가정을 동시에 검정할 수 있는 통계적 절차를 제안했지만, 이후 연구에서는 이 검정이 실제 데이터에 적용될 때 발생하는 한계와 해석상의 모호함이 지적되었다. 저자는 먼저 Pearl 검정의 기존 해석을 비판적으로 검토하고, 이를 **“조건부 평균 차단”**이라는 통계적 관점으로 재구성한다. 즉, 검정 통계량은 도구변수 Z와 내생성 변수 X 사이의 부분 상관을 측정함으로써, Z가 교란 ε와 독립적임을 확인한다는 의미이다. 이 해석을 바탕으로, 저자는 검정이 단순히 구조적 가정을 확인하는 것이 아니라, 실제 데이터에서 교란 효과를 정량화하는 역할을 수행한다는 점을 강조한다. 다음으로, 저자는 도구변수 모델을 **Y = βX + ε, X = πZ + η** 형태로 일반화하고, Z가 다변량(벡터)일 경우에도 적용 가능한 **다중 도구변수 검정** 프레임워크를 제시한다. 핵심은 **조건부 평균 독립성**을 가정하되, 이를 검정하기 위해 **공분산 행렬 기반 검정통계**를 도입하는 것이다. 이 통계량은 샘플 크기가 작을 때도 비편향성을 최소화하도록 설계되었으며, 부트스트랩을 이용한 유한표본 보정 방법도 제공한다. 특히, 기존 검정이 연속형 변수에만 적용 가능하다는 한계를 극복하기 위해, 저자는 **이산형 도구변수 검정**과 **연속형 도구변수 검정**을 각각 별도로 개발한다. 이산형 검정은 각 수준별 조건부 기대값을 비교하는 **조건부 확률 질량 함수(PMF) 차이 검정**을 사용하며, 카이제곱 기반 통계량을 구성한다. 연속형 검정은 **조건부 밀도 함수(KDE) 차이 검정**을 도입해 비모수적 밀도 추정과 교차 검증을 결합한다. 두 절차 모두 조건부 독립성(귀무가설)과 관련성(대안가설)을 동시에 평가하도록 설계되어 있다. 실증 검증에서는 시뮬레이션을 통해 제안된 검정이 기존 Pearl 검정 대비 평균 12%p 높은 통계적 파워를 보였으며, 특히 이산형 도구변수 상황에서 제1종 오류가 크게 감소함을 확인했다. 실제 데이터 적용 사례로는 (1) 교육 효과 분석—학생 성적(Y)과 교사 배정(Z) 사이의 인과관계를 추정하기 위해 교사 배정이 무작위가 아니므로 내생성 문제가 존재함을 보여주었으며, 제안된 검정이 기존 방법보다 더 타당한 도구변수를 선별함을 입증했다. (2) 보건경제학—의료 서비스 이용(Y)과 보험 가입 여부(Z) 사이의 관계를 분석했으며, 이산형 보험 가입 변수를 도구변수로 사용할 때 제안된 검정이 교란 효과를 효과적으로 차단함을 증명했다. 이론적 함의는 다음과 같다. 첫째, 도구변수 검정이 **교란 차단 메커니즘**을 정량화함으로써 인과 추론의 신뢰성을 크게 향상시킨다. 둘째, 다변량·다중 도구변수 상황에서도 일관된 검정 절차를 제공함으로써 복잡한 구조모형에서도 적용 가능성을 확대한다. 셋째, 이산·연속 변수 모두를 포괄하는 검정 프레임워크는 실증 연구자가 데이터 유형에 구애받지 않고 도구변수를 검증할 수 있게 하여, 도구변수 선택의 표준화를 가능하게 만든다. 정책적·실무적 시사점으로는, 무작위 할당이 어려운 정책 평가 상황에서 보다 엄격한 도구변수 검정을 수행함으로써 정책 효과 추정의 편향을 최소화할 수 있다. 또한, 데이터 과학 및 머신러닝 기반 인과 추론에서도 제안된 검정통계가 특성 선택 단계에 통합될 경우, 모델의 인과적 해석력을 크게 강화할 수 있다. 향후 연구 과제로는 (1) 다중 비교 보정(FDR)과 고차원 데이터(p≫n) 상황에서의 정규화 기법을 결합한 검정 방법 개발, (2) 베이지안 프레임워크와 연계하여 사전 정보가 풍부한 경우에도 검정 효율성을 유지할 수 있는 방법 모색, (3) 실시간 데이터 스트리밍 환경에서의 온라인 도구변수 검정 알고리즘 구현이 있다. 이러한 연구는 도구변수 검정의 적용 범위를 넓히고, 인과 추론의 실용성을 한층 강화할 것으로 기대된다. **