패널 데이터 IV 추정의 새로운 길 이중 머신러닝과 약한 식별 진단

본 연구는 정적 패널 데이터에서 내생 처리변수와 고차원·비선형 공변량을 동시에 다루는 새로운 추정방법을 제시한다. 기존의 2단계 최소제곱(2SLS)은 공변량이 많아지면 차원 저주와 모델 지정 오류가 발생해 도구변수의 타당성을 확보하기 어려워진다. 이를 해결하기 위해 저자들은 Chernozhukov et al. (2018)의 이중 머신러닝(DML) 프레임워크를 패널 구조에 맞게 확장한 ‘Panel IV DML’ 방법을 고안한다. 이론적 기여는 크게 세 부분으로 나뉜다. 첫째, 개별 고정효과를 제거하기 위해 1차 차분 변환을 적용하고, 변환된 모델을 부분선형 형태로 설정한다. 여기서 결과방정식은 Y_it = D_it·θ + g(X_it) + ε_it, 처치방정식은 D_it = Z_it·π + h(X_it) + ν_it 로 표현된다. g와 h는 고차원 X에 대한 비선형 함수이며, Lasso, Random Forest, Gradient Boosting 등 다양한 머신러닝 알고리즘을 이용해 추정한다. 둘째, θ에 대한 Neyman‑orthogonal 점수를 정의해 nuisance 함수 추정오차가 구조적 파라미터 추정에 미치는 1차 편향을 제거한다. 이는 θ̂가 √N‑일관성을 유지하도록 보장한다. 셋째, 교차검증은 ‘블록‑k‑fold’ 방식으로 수행한다. 각 개체의 전체 시계열을 동일한 폴드에 할당함으로써 시계열 의존성을 보존하고, 데이터 누수를 방지한다. 약한 식별 문제에 대비해 두 가지 진단 도구를 도입한다. 첫 번째는 전통적인 첫 단계 F‑통계량을 패널 DML에 맞게 재정의한 것으로, 머신러닝 기반 ĥ(X) 추정치를 사용해 도구변수의 설명력을 평가한다. 두 번째는 Anderson‑Rubin(AR) 검정과 그 기반 신뢰구간을 확장한 것으로, 도구변수의 강도와 무관하게 유효한 추론을 제공한다. AR 검정은 orthogonal residual을 이용해 검정통계량의 분포를 비정규성 및 이분산성에 강건하게 만든다. 이러한 진단은 특히 shift‑share와 같이 도구변수가 다수의 공변량에 조건부로 유효한 경우에 필수적이다. 시뮬레이션에서는 (i) 강한 도구변수·비선형 공변량 상황, (ii) 약한 도구변수·선형 공변량 상황, (iii) 고차원 스파스와 비스파스 혼합 상황을 고려했다. 결과는 Panel IV DML이 2SLS보다 평균제곱오차가 15‑30% 낮으며, 약한 도구변수 상황에서도 AR 기반 신뢰구간이 실제 커버리지를 정확히 유지함을 보여준다. 즉, 제안 방법은 강도와 약도 모두에서 기존 방법을 능가한다. 실증 적용에서는 세 가지 이주 연구를 재분석한다. 첫 번째인 Tabellini (2020)에서는 shift‑share 도구의 예측력이 머신러닝 조정으로 크게 향상돼, 정치적 결과는 2SLS와 일치하지만 경제적 결과는 유의하지 않게 된다. 추가적인 공변량을 포함한 견고성 검증에서도 원 논문의 결과가 사라짐을 확인했으며, 이는 결과가 공변량 선택에 민감함을 시사한다. 두 번째와 세 번째 사례( Moriconi et al., 2019, 2022)에서는 기존 2SLS가 강한 효과를 보고했지만, Panel IV DML은 약한 도구변수 진단을 통해 효과 추정이 불안정함을 밝혀, 보다 보수적인 결론을 제시한다. 이는 정책 해석에 있어 도구변수의 조건부 타당성을 엄격히 검증해야 함을 강조한다. 마지막으로 논문은 향후 연구 방향을 제시한다. 첫째, 첫 단계 관계가 비선형일 때 약한 식별 이론을 확장하는 과제가 남아 있다. 둘째, 동적 패널 모델에 대한 DML 확장과 다중 도구변수 상황에서의 효율적인 교차검증 설계가 필요하다. 셋째, 실제 정책 평가에서 고차원·비선형 공변량을 포함한 DML 기반 IV 추정이 어떻게 활용될 수 있는지에 대한 실증 가이드라인이 요구된다. 종합적으로, 이 논문은 (1) 패널 데이터에 특화된 DML 추정식 개발, (2) 약한 식별 진단 도구의 패널 DML 적용, (3) 고차원·비선형 공변량을 포함한 실증 연구에 대한 새로운 통찰을 제공한다는 점에서 학술적·실무적 기여가 크다.