단위근 회귀를 넘어: 적응형 LASSO와 로컬‑투‑유니티 변수의 새로운 추정 이론

본 논문은 고차원 시계열 분석, 특히 로컬‑투‑유니티(local‑to‑unity) 특성을 가진 회귀변수들이 포함된 공적분 회귀모형에서 적응형 LASSO(Adaptive LASSO) 추정량의 asymptotic 특성을 체계적으로 연구한다. 연구는 크게 네 부분으로 구성된다. 첫 번째 부분에서는 기존 문헌이 주로 단위근(unit‑root) 혹은 완전 정상(stationary) 회귀변수에 초점을 맞추어, 적응형 LASSO가 “오라클 속성(oracle property)”, 즉 제로 계수를 정확히 식별하고 비제로 계수에 대해 OLS와 동일한 제한분포를 갖는다고 주장해 왔던 점을 비판한다. 실제 경제 데이터에서는 계수가 정확히 0이 아니지만 매우 작아(예: 1/T 수준) 신호‑대‑노이즈 비율이 낮은 경우가 빈번히 발생한다. 이러한 상황을 포착하기 위해 저자는 계수를 샘플 크기 T에 따라 0에 수렴하는 로컬‑투‑제로 시퀀스로 모델링한다. 두 번째 부분에서는 모델 설정과 기본 가정을 제시한다. 회귀모형은 y_t = x_t'β_T + u_t이며, x_t는 로컬‑투‑유니티 동적을 갖는 I(1) 프로세스로 x_t = (I_k - T^{-1}c) x_{t-1} + v_t 형태를 가진다. 여기서 c는 비음수 대각 행렬이며, c=0이면 전통적인 단위근 회귀가 된다. 오차와 혁신은 엄격한 외생성 및 장기 공분산 Ω를 만족하는 ergodic martingale 차분으로 가정한다. 세 번째 부분에서는 적응형 LASSO 추정량을 정의한다. λ_T>0와 γ≥1을 튜닝 파라미터로 두고, 초기 추정값 β̂_0는 OLS 추정값을 사용한다(γ=1 고정). 이때 목적함수는 ‖y - Xb‖^2 + λ_T Σ_j |β̂_{0j}|^{-γ}|b_j|이다. 저자는 두 가지 튜닝 전략을 구분한다. 1. **보수적 튜닝(conservative tuning)**: λ_T가 충분히 빠르게 발산하지만 무한대로는 가지 않아, 제로 계수를 탐지할 확률이 1보다 작다. 이 경우 적응형 LASSO는 T‑일관성(T‑consistency)을 유지하고, 검출 가능한 최소 로컬‑투‑제로 비율은 1/T이다. 즉, β_T,j가 1/T보다 빠르게 0에 접근하면 탐지되지 않는다. 2. **일관적 튜닝(consistent tuning)**: λ_T가 느리게 발산하거나 고정되어, 제로 계수를 거의 확실히 0으로 판정한다(선택 확률 →1). 그러나 비제로 계수에 대해서는 추정 속도가 λ_T에 의존해 1/T보다 느려지며, 1/T 수준의 미세한 계수는 식별 불가능하다. 가장 빠른 검출 가능한 로컬‑투‑제로 비율 역시 λ_T에 의해 제한된다. 이론적 결과는 먼저 고정‑계수(standard) 프레임워크에서 모델 선택 확률과 제한분포를 도출한다. 제한분포는 OLS의 제한분포에 추가적인 2차 편향(bias) 항을 포함하는데, 이는 로컬‑투‑유니티 파라미터 c_j가 알려지지 않아 보정이 어려운 점을 강조한다. 이어서 이동‑파라미터(asymptotics) 접근을 도입해 β_T,j가 T에 따라 0에 접근하는 일반적인 수열을 허용한다. 이 프레임워크는 기존 연구가 특정 수렴 속도에만 초점을 맞춘 것과 달리, 임의의 속도와 튜닝 파라미터 조합을 포괄한다. 결과적으로, 보수적·일관적 튜닝 각각에 대해 “검출 가능한 로컬‑투‑제로 비율”과 “균일 수렴 속도”를 명시적으로 제시한다. 특히, 일관적 튜닝 상황에서 저자는 전 파라미터 공간에 대해 균일하게 유효한 신뢰구간을 구축한다. 이 신뢰구간은 로컬‑투‑유니티 파라미터 c_j나 장기 공분산 행렬 Ω와 같은 난이도 높은 모수들을 추정할 필요 없이, 적응형 LASSO 추정값과 λ_T, γ만을 이용해 구현 가능하다. 이는 기존 오라클 기반 신뢰구간이 비정상적으로 좁아 실제 커버리지를 크게 떨어뜨리는 문제를 해결한다. 네 번째 부분에서는 시뮬레이션과 실증을 통해 이론을 검증한다. 시뮬레이션에서는 다양한 T(100~500)와 k(5~10) 설정, 그리고 로컬‑투‑유니티 파라미터 c_j를 변형시켜 적응형 LASSO의 유한표본 분포가 오라클 제한분포와 크게 차이 나는 것을 확인한다. 이동‑파라미터 기반 근사(특히 로컬‑투‑제로 비율이 1/T 수준일 때)는 실제 분포를 훨씬 잘 포착한다. 또한, 오라클 기반 신뢰구간은 커버리지가 60% 이하로 떨어지는 반면, 제안된 균일 신뢰구간은 95% 수준을 유지한다. 실증에서는 미국 실업률 예측을 위해 2000~2024년 사이의 거시경제 변수들을 사용한다. 적응형 LASSO는 실업보험 청구, 제조업 PMI 등 몇몇 핵심 변수를 선택하고, 제안된 신뢰구간은 이들 변수의 계수 추정에 대한 불확실성을 투명하게 제시한다. 오라클 기반 구간은 과도하게 좁아 실제 예측 오차와 불일치했지만, 새로운 구간은 예측 정확도와 일치하는 폭을 제공한다. 결론적으로, 이 논문은 적응형 LASSO가 고정‑계수 상황을 넘어 로컬‑투‑유니티와 같은 비정상적 지속성을 가진 데이터에서도 신뢰성 있게 적용될 수 있는 이론적·실무적 토대를 제공한다. 튜닝 파라미터 선택에 따른 검출 한계와 균일 신뢰구간 구축 방법은 고차원 시계열 분석에 새로운 기준을 제시한다.