비분리형 도구변수와 이진 처리 선택 모델을 이용한 비모수 추정

초록

본 논문은 로그오즈가 변수별로 분리되는 이진 처리 선택 모델 하에서 도구변수(IV)를 이용해 치료 효과를 비모수적으로 추정하는 새로운 방법을 제시한다. 기존 연구의 변수 의존적 nuisance 파라미터 문제를 해결하기 위해 관측 데이터만으로 정의되는 변분 독립 파라미터화를 도입하고, 고정점 방정식을 이용해 이를 추정한다. 이를 바탕으로 평균 치료 효과(ATT)의 반영 함수와 효율 경계(efficiency bound)를 명시적으로 구하고, 머신러닝 기반 nuisance 추정과 결합한 반효율적 추정량을 제안한다. 또한 모델의 생성 메커니즘과 검증 가능 조건을 제공해 실무 적용성을 높였으며, 시뮬레이션과 Job Corps 데이터 분석을 통해 성능을 검증한다.

상세 분석

이 논문은 비분리형(logit‑separable) 이진 처리 선택 모델을 전제로 한 도구변수(IV) 분석의 핵심 한계를 체계적으로 해소한다. 기존 연구(Liu 2020, Sun 2018 등)는 IV와 잠재 치료 효과 사이의 odds 비율이 변수별로 곱셈적으로 분리된다는 가정 하에 치료 효과의 비모수적 식별은 가능하다고 보였지만, nuisance 파라미터가 서로 함수적으로 얽혀 있어 효율적인 추정이 어려웠다. 저자는 이러한 ‘변분 의존성’ 문제를 관측 데이터 기반의 새로운 nuisance 함수(π, α, β, μ 등)를 정의함으로써 완전히 독립적인 파라미터화(parameterization)를 제시한다. 핵심은 ‘고정점 방정식(fixed‑point equation)’을 도입해 관측된 조건부 확률과 odds 비율을 연결하고, 이 방정식이 유일한 해를 갖으며 임의 초기값에서 수렴한다는 수학적 증명을 제공한다 점이다.

이 파라미터화를 통해 반영 함수(influence function)를 직접 도출한다. 저자는 ATT(average treatment effect on the treated)를 목표 함수로 설정하고, 반영 함수가 반영 함수 공간에서 유일함을 보이며, 이는 곧 반효율적 효율 경계(semi‑parametric efficiency bound)를 달성함을 의미한다. 반영 함수는 복잡한 적분 방정식의 해로 표현되지만, 저자는 이를 명시적 형태로 정리하고, 이를 기반으로 ‘one‑step’ 혹은 ‘targeted maximum likelihood’와 유사한 추정 절차를 설계한다.

추정 단계에서는 머신러닝(예: 랜덤 포레스트, 뉴럴 네트워크 등)으로 nuisance 함수들을 비모수적으로 추정한다. 중요한 점은 효율성을 보장하기 위해 일부 nuisance 함수(특히 α와 μ)는 n^{-1/4} 이상의 수렴 속도를 만족하면 충분하다는 점이다. 이는 기존 방법이 요구하던 강한 파라메트릭 가정보다 훨씬 완화된 조건이다.

또한 저자는 모델의 생성 메커니즘을 ‘이산 선택 이론(discrete choice theory)’에 기반한 확률적 구조로 제시한다. 이는 IV와 잠재 치료 효과가 각각 독립적인 충격을 받아 로그오즈가 선형적으로 결합된다는 경제학적 해석을 제공한다. 이와 함께, 모델이 위배될 경우 관측 가능한 함의(falsifiable implications)를 도출해 데이터에서 직접 검증할 수 있는 절차를 제시한다.

연구는 시뮬레이션을 통해 제안된 추정량이 기존 방법보다 편향이 작고, 표준오차 추정이 정확함을 보이며, 실제 Job Corps 프로그램 데이터에 적용해 정책적 의미를 도출한다. 특히 비정규적 결과와 비선형 효과(예: QTT)에도 자연스럽게 확장 가능함을 시연한다.

전반적으로 이 논문은 (1) 변분 독립 파라미터화, (2) 효율 경계와 반영 함수의 명시적 도출, (3) 머신러닝 기반 비모수 추정, (4) 모델 검증 가능성 제공이라는 네 가지 혁신을 통해 비분리형 IV 모델의 실용성을 크게 향상시켰다.