IV 회귀에서 최적 검정의 힘 한계와 효율성 손실

본 논문은 과식별 도구변수(IV) 회귀모형에서 약한 식별과 이질분산·자동상관(HAC) 오류가 동시에 존재할 때, 검정의 근본적인 힘‑사이즈(trade‑off)를 어떻게 평가하고 최적화할 수 있는지를 체계적으로 분석한다. 1. **문제 설정 및 모델** - 기본 모델은 y₁ = y₂β* + u, y₂ = Zπ + v₂ 로 구성되며, Z는 n×k 비정규화된 도구행렬, π는 1차 단계 계수, u와 v₂는 평균 0, HAC 구조를 갖는 오차이다. - 검정 목표는 β* = β₀ (귀무) 대 β* ≠ β₀ (대립)이며, π는 무관 변수(nuisance)로 취급한다. - reduced‑form을 R = (Z′Z)^{-½}Z′Y 로 정의하고, 정규화된 평균조건(Assumption NA)을 통해 R이 Gaussian 한계분포 N(μa′, Σ) 로 수렴한다. 2. **총변동거리와 Kraft 정리** - 총변동거리(TV distance)를 두 확률밀도 f, g 사이의 L₁ 거리의 절반으로 정의하고, Kraft(1955)의 정리를 이용해 “귀무와 대립의 convex hull 사이의 최소 TV 거리 q”가 존재하면, 어떤 가측 검정이라도 파워‑사이즈 격차를 최소 q만큼 확보할 수 있음을 보인다. - 따라서 TV 거리는 검정 문제의 내재적 난이도를 완전하게 측정하는 메트릭이며, 다른 거리(예: Lévy‑Prokhorov)는 제한된 검정 클래스에만 적용된다. 3. **검정 통계량들** - **AR(Anderson‑Rubin)**: S′S 로 정의, μ에 의존하지 않아 약한 식별에 강건하지만 비효율적. - **LM(Lagrange Multiplier)**: AR과 T(첫 단계 충분통계)를 결합한 형태로, 강한 식별에서는 효율적이지만 HAC 환경에서는 μ 정보를 충분히 활용하지 못한다. - **CQLR(Conditional Quasi Likelihood Ratio)**: AR·LM의 가중합 형태로, 조건부 임계값을 사용하지만 여전히 reduced‑form 공분산 구조의 일부만 이용한다. - **CLR(Conditional Likelihood Ratio)**: Gaussian reduced‑form 가능도 L(β) = ‖vec(R)−(b⊗I)β‖_{Σ⁻¹}² 를 직접 최소화한 검정으로, μ와 Σ 전체 정보를 활용한다. 4. **주요 이론적 결과** - **TV 거리와 파워‑사이즈 경계**: C₀(귀무)와 C₁(대립) convex hull 사이의 최소 TV 거리 q가 파워‑사이즈 격차의 상한이다. q=1이면 완전 구분 가능, q<1이면 어느 검정도 파워‑사이즈 격차를 1보다 크게 만들 수 없다. - **CLR의 최적성**: CLR 검정의 파워‑사이즈 격차가 최소 TV 거리와 동일하게 1에 수렴한다는 충분·필요조건을 증명한다. 즉, 검정 문제가 본질적으로 구분 가능할 때 CLR은 이론적 최적 경계에 도달한다. - **LM·CQLR의 한계**: “불가능 설계(impossibility designs)”라 정의된 데이터 생성 과정에서는 μ가 특정 방향으로만 변하고, 그 결과 LM·CQLR의 비중심 파라미터가 유계하게 유지된다. 이때 귀무와 대립이 TV 거리 상에서 충분히 구분되어도, LM·CQLR의 파워는 사이즈에 근접한다. - **AR의 특수성**: AR은 TV 거리 하한을 달성하지만, 강한 식별 상황에서 효율성이 떨어진다. 5. **실증 적용** - Yogo(2004)의 2SLS 강도 지표와 HAC 추정치를 사용해 실제 데이터가 불가능 설계 근처에 위치할 수 있음을 확인한다. - 해당 설정에서 LM·CQLR 기반 검정은 파워가 크게 감소하지만, CLR은 높은 파워를 유지한다. 이는 기존 실무에서 LM·CQLR 검정이 과도한 힘 손실을 초래할 위험성을 시사한다. 6. **정책적·실무적 함의** - HAC 오류가 존재하는 과식별 IV 분석에서는 전체 reduced‑form 가능도를 활용하는 검정 설계가 필수적이다. - 기존 LM·CQLR 검정은 특정 공분산 구조에서 정보 손실을 일으키므로, 연구자는 CLR 검정 혹은 이를 확장한 새로운 검정을 채택해야 한다. - 또한, 검정 설계 단계에서 총변동거리와 Kraft 정리를 활용해 이론적 파워 한계를 사전에 평가할 수 있다. 7. **결론** - 총변동거리를 이용한 결정론적 분석을 통해 IV 회귀 검정의 근본적인 파워‑사이즈 한계를 명확히 규정하였다. - CLR 검정은 이 한계를 달성하는 유일한 기존 검정이며, LM·CQLR은 HAC 환경에서 구조적 정보 손실로 인해 최적성을 상실한다. - 향후 연구는 CLR의 계산 효율성을 높이고, 고차원 HAC 구조에서의 새로운 최적 검정을 개발하는 방향으로 나아가야 한다.