코인테그레이션 회귀에서 적응형 라소의 모델 선택 일관성 및 오라클 특성

초록

본 논문은 약한 외생성을 만족하는 I(1)·I(0) 변수들을 포함한 고차원 코인테그레이션 회귀 모델에 적응형 라소(Adaptive Lasso)를 적용하고, 후보 변수 수가 표본 크기보다 크게 늘어날 수 있는 상황에서도 선택 일관성(sign consistency)과 오라클 속성(oracle property)을 이론적으로 입증한다. 두 종류의 정규화 파라미터를 도입해 I(1)와 I(0) 변수의 수렴 속도 차이를 보정하고, 약한 비대표성 조건(Weak Irrepresentable Condition)을 이용해 기존 조건보다 완화된 가정을 제시한다. 또한 로컬 이차 근사(Local Quadratic Approximation) 기반 알고리즘을 제시하고, 시뮬레이션을 통해 유한 표본에서도 좋은 성능을 확인한다.

상세 분석

이 논문은 전통적인 코인테그레이션 분석에서 흔히 가정되는 고정 차원 설계와 달리, 후보 변수의 총 수 n=n₁+n₂가 표본 크기 T에 대해 서브선형(n₁=o(T)) 혹은 다항식(n₂=O(Tᵈ)) 수준으로 증가할 수 있는 고차원 상황을 다룬다. 특히 I(1) 변수(통합 차수 1)와 I(0) 변수(정상 차수) 사이에 서로 다른 수렴 속도가 존재한다는 점을 인식하고, 적응형 라소의 페널티를 두 개의 스케일 λ₁, λ₂로 구분한다. λ₁은 I(1) 변수에, λ₂는 I(0) 변수에 적용되며, λ₁은 λ₂²에 비례하도록 설정해 두 종류 파라미터의 수렴 비율 차이를 보정한다.

가정 1은 약한 외생성, 혼합성(φ‑mixing 또는 α‑mixing) 및 고계 모멘트 존재 등을 포함해 기존 코인테그레이션 문헌과 일치한다. 가정 2는 실제 파라미터가 0이 아닌 최소값 β*·γ*를 갖는다는 전제와, 파라미터 공간이 열린 집합임을 명시한다. 가장 핵심적인 가정은 ‘Weak Irrepresentable Condition (WIC)’이다. 기존의 Irrepresentable Condition은 변수 간 상관관계가 강하면 라소가 일관성을 잃는 문제를 야기했으나, WIC는 λ_j가 충분히 커지는 경우(특히 λ_j→∞)에 대해 조건을 완화한다. 이는 라소 가중치를 초기 추정치(예: Ridge)로부터 얻어도 된다는 점을 의미한다.

정리 1(정규화 파라미터 조건)에서는 λ₁→∞, λ₁/T^{1+ρ}→0, λ₂→∞, λ₂/T^{(1+ρ)/2}→0 (0<ρ≤1) 를 요구한다. 이는 λ가 충분히 강하지만, 표본 크기에 비해 과도하게 커지지는 않도록 하는 균형이다. 이러한 조건 하에 Lemma 1의 KKT 조건을 이용해 적응형 라소 해가 존재함을 보이고, Proposition 1을 통해 선택 일관성 확률의 하한을 제시한다.

주요 정리인 Theorem 1(모델 선택 일관성)에서는 위 가정과 λ 조건을 만족하면
Pr(̂θ = sθ₀) → 1, 즉 적응형 라소가 진짜 변수 집합을 정확히 복구한다는 것을 증명한다. 이어서 Theorem 2(오라클 속성)에서는 선택된 변수에 대해 OLS와 동일한 asymptotic distribution을 갖는 것을 보여준다. 즉, 변수 선택 후 표준적인 t‑검정이나 신뢰구간을 기존 OLS와 동일하게 적용할 수 있다.

알고리즘 측면에서는 Local Quadratic Approximation(LQA)을 활용해 비선형 라소 목적함수를 2차 근사 형태로 변환하고, 반복적인 가중치 업데이트와 좌표 하강법을 결합해 효율적인 계산 절차를 제시한다. 시뮬레이션에서는 T=100~500, n₁≈0.5T, n₂≈T^{1.5} 등 다양한 고차원 설정에서 적응형 라소가 변수 선택 정확도와 추정 효율성 모두에서 기존 Lasso와 비교해 우수함을 확인한다.

이 논문의 기여는 (1) 코인테그레이션 회귀에 적응형 라소를 이론적으로 정당화하고, (2) I(1)·I(0) 혼합 고차원 상황에서도 선택 일관성과 오라클 속성을 확보하는 새로운 정규화 설계를 제시한 점, (3) WIC라는 완화된 조건을 도입해 초기 추정치의 강건성을 높인 점, (4) 실용적인 LQA 기반 알고리즘과 실증 검증을 제공한 점이다. 이러한 결과는 금융·거시경제 시계열 분석에서 대규모 변수 풀을 다루는 연구자들에게 강력한 도구가 될 것이다.