소득 규모 분석을 위한 일반화 베타 분포군 연구

초록

최근 여러 논문에서 베타-정규, 왜도‑t, 로그‑F, 베타‑지수, 베타‑와이블 등 일반화 베타 분포군의 수학적 특성이 체계적으로 조사되었다. 본 연구에서는 이러한 분포들을 소득 규모 분포 모델링에 적용하고, 최대우도법을 이용해 각 분포의 모수 추정값을 구하였다. 추정된 모델들의 적합도는 일반화 베타 1형(G1) 및 2형(G2) 분포와 비교하여, 적합도 지표(예: AIC, BIC, KS 통계량)를 중심으로 평가하였다. 실증 결과는 제안된 일반화 베타 분포군이 기존 G1·G2 모델보다 소득 데이터의 비대칭성과 꼬리 특성을 더 잘 포착함을 시사한다.

상세 요약

본 논문은 소득 분포라는 경제학·사회학 분야의 핵심 현상을 통계학적 관점에서 재조명한다. 전통적으로 소득 데이터는 로그정규, 파레토, 그리고 일반화 베타 1형(G1)·2형(G2) 등으로 모델링되어 왔으며, 특히 G1·G2는 형태 매개변수 두 개와 스케일 매개변수 하나를 통해 다양한 비대칭성과 꼬리 두께를 포착할 수 있다는 장점이 있다. 그러나 실제 소득 자료는 종종 극단적인 양측 꼬리와 복합적인 왜곡을 보이기 때문에, 하나의 분포만으로는 충분히 설명하기 어렵다.

이에 저자들은 베타‑정규(beta‑normal), 왜도‑t(skewed‑t), 로그‑F(log‑F), 베타‑지수(beta‑exponential), 베타‑와이블(beta‑Weibull) 등 총 다섯 가지 일반화 베타 분포를 선택하였다. 각 분포는 베타 함수와 기존의 기본 분포(정규, t, F, 지수, 와이블)를 결합함으로써, 베타의 형태 자유도와 기본 분포의 꼬리 특성을 동시에 부여한다. 예를 들어 베타‑정규는 중앙 집중형 데이터에 적합하면서도 좌·우 비대칭을 조절할 수 있고, 왜도‑t는 두꺼운 꼬리를 유지하면서도 왜도를 별도로 제어한다. 로그‑F는 비대칭과 장꼬리를 동시에 모델링하는 데 강점을 가지며, 베타‑지수와 베타‑와이블은 각각 지수·와이블의 급격한 감소와 점진적 감소를 베타 형태와 결합해 복합적인 하위 꼬리 구조를 표현한다.

모수 추정은 최대우도법(MLE)을 사용했으며, 이는 복합적인 로그우도 함수를 수치 최적화(예: 뉴턴‑라프슨, BFGS)로 해결함을 의미한다. 논문에서는 초기값 설정, 수렴 기준, 그리고 파라미터 경계 조건을 상세히 기술함으로써, 복잡한 비선형 최적화 과정에서 발생할 수 있는 지역 최적해 문제를 최소화하였다.

적합도 비교는 AIC(아카이케 정보 기준), BIC(베이즈 정보 기준), 그리고 Kolmogorov‑Smirnov(KS) 검정과 같은 통계량을 활용하였다. AIC와 BIC는 모델 복잡도(파라미터 수)를 벌점으로 반영해 과적합을 방지하는 역할을 하며, KS 검정은 경험분포와 이론분포 간 최대 차이를 측정한다. 결과적으로 제안된 일반화 베타 분포군은 대부분의 경우 AIC·BIC 값이 기존 G1·G2보다 낮았으며, KS 통계량도 유의하게 개선되었다. 이는 특히 고소득층의 극단적 값과 저소득층의 빈도수가 높은 구간에서 기존 모델이 과소평가하거나 과대평가하는 현상을 보정했음을 의미한다.

이러한 발견은 정책 입안자와 연구자가 소득 불평등을 정량화할 때 보다 정교한 통계 모델을 선택할 근거를 제공한다. 또한 베타와 기본 분포의 결합이라는 구조적 접근은 다른 사회경제 변수(예: 자산, 소비)에도 확장 가능하다는 점에서 학문적·실무적 함의가 크다. 향후 연구에서는 베타‑혼합 모델이나 베이지안 추정법을 도입해 파라미터 불확실성을 정량화하고, 시계열적 변동성을 반영하는 동적 베타 분포 모델을 개발하는 방향을 제안한다.