정보 관점에서 본 경제 집계 함수의 최적성

이 논문은 20세기 초부터 경제학 모델에서 핵심적인 역할을 해온 경제 집계 함수들을 정보 이론의 관점에서 재조명한다. 저자는 Bregman 발산이라는 일반화된 거리 개념을 도입하고, 이를 기반으로 ‘Low‑Distortion Aggregator(LDA)’라는 새로운 최적 집계자를 정의한다. LDA는 기대 Bregman 발산을 최소화하는 값으로, 이는 모든 지수족 분포에 대해 최대우도 추정량과 동등함을 보이는 중요한 성질이다. 논문은 먼저 Bregman 발산 D_φ(x‖y)=φ(x)−φ(y)−⟨∇φ(y),x−y⟩를 소개하고, 정리 1을 통해 비부정성, 동일성, 기대값 최소화라는 세 가지 공리를 만족하는 함수는 반드시 Bregman 발산임을 증명한다. 이어서 Legendre 변환을 이용한 쌍대성(정리 2)을 제시하고, 평균 형태 µ_φ=Γ·∇⁻¹φ(∑γ_i∇φ(x_i))가 LDA임을 보인다. 이때 φ는 엄격히 볼록하고 미분 가능해야 한다. 다음으로 전통적인 경제 집계 함수들을 LDA와 연결한다. CES 함수 x★= (∑β_i x_i^{σ−1})^{σ/(σ−1)}는 φ_CES(x)=a·x^{2−σ}와 γ_i=β_i·B^{1−σ} (B=∑β_i) 로 표현될 수 있음을 보이며, 이는 LDA임을 입증한다(레마 1). 가격·소비 관계 p·c = p★c★와 같은 경제적 동등식에서도 동일한 구조가 유지되며, 가격 지수 p★ 역시 φ_p(x)=b·x^{2−σ}와 적절한 가중치로 LDA가 된다(레마 2). 노동·임금, 자본·투자 등 다른 주요 변수 쌍에 대해서도 동일한 결과가 확장된다. 이러한 결과는 기존 경제학자들이 직관적으로 사용해 온 함수들이 실제로 정보 왜곡을 최소화하는 최적 추정량이라는 강력한 근거를 제공한다. 논문은 LDA의 볼록·오목성 특성을 정리(정리 3, 정리 4)하고, 경제적 가정—예를 들어 대체 탄력성의 일정함, 규모수익의 일정함, 한계 대체율의 형태—을 추가하면 가능한 LDA 집합이 크게 축소된다는 핵심 정리를 제시한다. 구체적으로, 이러한 가정을 모두 만족하는 경우 최적 집계자는 반드시 CES 형태이거나 Cobb‑Douglas 형태(σ→1)이며, 두 형태가 동시에 포함된 경우도 존재한다. 즉, 전통적인 CES와 Cobb‑Douglas 함수가 정보 이론적 관점에서 ‘최적’이라는 결론에 도달한다. 또한, Bregman 발산이 KL 발산, Itakura‑Saito, 엔트로피 등 다양한 통계적 거리와 연결됨을 표 1에 정리하고, 이러한 연결이 경제 데이터(가격, 소비, 임금 등)의 왜곡 최소화와 최대우도 추정에 어떻게 기여하는지를 논의한다. 저자는 LDA가 단순히 수학적 최적화 도구를 넘어, 경제 모델링에서 데이터의 본질적 정보를 보존하는 핵심 메커니즘임을 강조한다. 마지막으로, 향후 연구 방향으로 다변량 비선형 집계, 동적 경제 시스템에서의 시간적 LDA, 그리고 실증적 검증을 위한 데이터 기반 접근법을 제시한다. 전체적으로 이 논문은 경제학과 정보 이론 사이의 교량을 성공적으로 구축했으며, 전통적인 경제 집계 함수들이 정보 왜곡을 최소화하는 최적 구조임을 수학적으로 증명함으로써, 경제 모델링에 새로운 이론적 토대를 제공한다.