개인 이질성 제어와 혼합모형의 편향 압축 효과: 학생 성취 데이터 적용

초록

본 논문은 장기 패널 데이터를 이용해 개인 간 이질성을 통제하는 방법을 탐구한다. 전통적인 랜덤효과(혼합)모형이 고정효과와 상관된 비관측 효과로 인해 편향될 수 있다는 비판에 대해, 저자는 일반화된 개인 이질성 모델 하에서 혼합모형이 “편향 압축(bias compression)” 특성을 지니며, 이는 실제 데이터에서 편향을 크게 감소시킨다는 것을 이론적 증명과 시뮬레이션을 통해 보여준다. 교육 분야, 특히 학생 성취 추적에 적용한 사례를 통해 결과의 일반성을 논한다.

상세 분석

이 논문은 장기적 관측이 가능한 패널 데이터가 개인 고유의 비관측 이질성을 통제할 수 있다는 점을 출발점으로 삼는다. 전통적인 무작위효과(랜덤효과) 모형은 개인 고유 효과를 오차항에 포함시켜 GLS(Generalized Least Squares) 추정으로 파라미터를 구한다. 그러나 개인 고유 효과와 설명변수 사이에 상관관계가 존재하면 추정치가 편향되고 일관성이 결여된다는 비판이 있다. 저자는 먼저 표준 비관측효과 모델에서 고정효과와 무작위효과 추정량 사이의 관계를 수학적으로 전개한다. 여기서 핵심은 무작위효과 추정량이 고정효과 추정량에 비해 “압축된” 형태로 나타난다는 점이다. 즉, 개인 이질성의 분산이 클수록 무작위효과 추정치는 고정효과 추정치와의 차이가 감소한다. 이를 일반화된 개인 이질성 구조(다차원 요인, 시간에 따라 변하는 효과 등)로 확장하면서, 무작위효과 모형이 실제 데이터에서 편향을 완전히 없애지는 못하지만, 편향을 크게 감소시키는 ‘bias compression’ 특성을 유지한다는 것을 증명한다. 시뮬레이션에서는 개인 효과와 설명변수 사이에 강한 상관관계가 있을 때도, 무작위효과 모형이 고정효과 모형보다 평균 제곱오차가 현저히 낮으며, 특히 표본 크기가 커질수록 그 차이가 확대된다. 교육 데이터에 적용한 사례에서는 학생별 성장 궤적을 추정할 때, 무작위효과 모형이 교사의 교육 효과나 학교 환경 변수와의 상관관계를 적절히 조정하면서도, 개인 고유의 학습 능력 차이를 효과적으로 압축한다는 결과를 보여준다. 따라서 이 연구는 무작위효과 모형이 비관측 이질성으로 인한 편향을 완전히 제거하지 못하더라도, 실무에서 충분히 신뢰할 수 있는 추정 도구임을 이론과 실증을 통해 뒷받침한다.