시계열 충격반응 함수 추정을 위한 이중·디바이어스 머신러닝

초록

본 논문은 다중 이산 처치가 시간에 따라 부여되는 시계열에서 충격반응 함수(IRF)를 추정하기 위해, 비정형적인 조건부 기대와 처치 확률을 머신러닝으로 추정하고, 이를 이중/디바이어스 머신러닝(DML) 프레임워크에 결합한다. 제안된 추정량은 Neyman‑orthogonal 점수를 이용해 편향을 제거하고, 교차‑피팅을 통해 과적합을 방지한다. 이론적으로는 α‑mixing 의존성을 가정하에 파라메트릭 속도(√T)로 일관성과 점근적 정규성을 보이며, 시뮬레이션과 실증 분석을 통해 실용성을 검증한다.

상세 분석

이 논문은 전통적인 벡터자기회귀(VAR)나 로컬 프로젝션(LP) 방식이 요구하는 선형 혹은 사전 지정된 함수형태를 탈피하고, 완전 비모수적 관계를 허용하는 새로운 추정기를 제시한다. 핵심 아이디어는 충격반응 함수 θ(h) 를 효율적 영향함수(efficient influence function, EIF) 형태로 표현하고, 이를 Neyman‑orthogonal 점수 g(Z_t,h;Γ) 로 구성하는 것이다. Neyman‑orthogonal 특성은 점수의 기대값을 nuisance 함수(조건부 평균 μ(d,x,h)와 처치 확률 e(x))에 대해 1차 미분했을 때 0이 되도록 보장한다. 따라서 머신러닝으로 추정된 nuisance 함수가 일정 수준 이하로 수렴하면, 추정량에 미치는 1차 편향이 사라져 √T 수렴률을 유지한다.

교차‑피팅(cross‑fitting) 절차는 전체 시계열을 K개의 겹치지 않는 블록으로 나눈 뒤, 각 블록에서 nuisance 함수를 다른 블록을 이용해 학습하고, 해당 블록에 대해 점수를 계산한다. 이 과정은 의존성 구조가 존재하더라도 블록 간 독립성을 확보함으로써 과적합을 억제하고, 표본 분할에 따른 추가 변동성을 최소화한다.

이론적 결과는 크게 두 부분으로 나뉜다. 첫째, oracle 상황(진짜 nuisance 함수가 알려진 경우)에서 G(h) = g(Z_t,h;Γ₀) 가 α‑mixing이며 L^β‑bounded(β>2) 조건을 만족하면, 중앙극한정리에 의해 √T(θ̂(h)−θ(h)) → N(0,V(h)) 가 성립한다. 둘째, 실제 상황에서 머신러닝 추정기가 L^2‑convergence rate r_T 를 달성하고, r_T·√T → 0 를 만족하면, 추정량은 동일한 점근적 분포를 가진다. 이는 기존 DML 이론을 시계열 의존성으로 확장한 것으로, α‑mixing 계수의 적절한 감소 속도와 β‑moment 조건이 핵심 가정이다.

시뮬레이션에서는 AR(1) 구조의 공분산을 가진 혼란변수와 관측오차가 존재하는 경우를 고려했으며, Lasso, Random Forest, Neural Network 등 다양한 학습기를 사용해 nuisance 함수를 추정했다. 결과는 제안된 DML 추정기가 편향을 크게 감소시키고, 신뢰구간이 명시된 명목 수준을 정확히 유지함을 보여준다. 또한, 기존 로컬 프로젝션과 비교했을 때, 비선형·고차 상호작용을 포착하는 능력에서 우수함을 확인했다.

실증 부분에서는 스위스 중앙은행 데이터와 미국 거시경제 지표를 활용해 통화정책 충격과 실업률·인플레이션에 대한 IRF를 추정했다. 전통적인 구조적 VAR 결과와 비교했을 때, 비선형 효과와 시점별 이질성을 더 정교하게 드러냈으며, 정책 입안자가 시점별 충격 강도와 지속성을 파악하는 데 유용한 정보를 제공한다.

전체적으로 이 논문은 (i) 시계열 의존성을 고려한 DML 프레임워크 구축, (ii) Neyman‑orthogonal 점수를 통한 편향 제거, (iii) 교차‑피팅을 통한 과적합 방지라는 세 축을 결합함으로써, 비정형 데이터 환경에서도 충격반응 함수를 신뢰성 있게 추정할 수 있는 방법론을 제공한다. 다만, α‑mixing 가정과 충분히 큰 샘플 사이즈가 필요하다는 점, 그리고 블록 분할 방식이 실제 데이터의 구조에 따라 민감할 수 있다는 한계가 남아 있다.