클러스터 추정 기반 선형 회귀 추정 및 검정

초록

본 논문은 클러스터 내 종속성을 명시적으로 반영한 새로운 회귀계수 추정법을 제안한다. 제한된 수의 대형 클러스터가 존재하더라도 일관성을 보장하며, 무작위 계수 모델에 대한 평균 파라미터와 일반 선형 가설 검정을 위한 Wald‑type 검정량을 개발한다. 또한 상위 블록(슈퍼블록) 수준에서 파라미터 안정성을 검증하는 새로운 테스트를 제시하고, 시뮬레이션 및 실증 분석을 통해 기존 풀드(POLS) 추정기의 한계를 확인한다.

상세 분석

이 연구는 세 가지 전형적인 클러스터 비대칭 상황을 구분한다. 첫째, 클러스터 수 G는 고정이고 각 클러스터 크기 N이 무한히 커지는 경우(시나리오 1)에서는 기존 최소제곱추정량(LSE)이 일관성을 잃고 중심극한정리 적용이 어려워진다. 둘째, G와 N이 동시에 무한대로 발산하지만 그 비율에 제한이 없는 경우(시나리오 2)에서는 기존 문헌이 거의 존재하지 않으며, 특히 몇 개의 거대 클러스터가 전체 표본을 지배할 때 POLS 추정기가 편향될 위험이 있다. 셋째, N은 고정이고 G만 무한대로 증가하는 경우(시나리오 3)에서는 클러스터-강건 표준오차가 널리 사용되지만, 이 역시 클러스터 크기 불균형을 충분히 반영하지 못한다.

논문은 이러한 한계를 극복하기 위해 “클러스터 별 추정 → 평균화” 전략을 채택한다. 구체적으로 각 클러스터 g에 대해 β̂_g = (X_g’X_g)^{-1}X_g’Y_g 를 계산하고, 최종 추정량 β̂ = G^{-1}∑_{g=1}^G β̂_g 로 정의한다. 이 방식은 클러스터 내 종속구조를 그대로 보존하면서도 클러스터 간 독립성을 활용해 G→∞ 일 때 중심극한정리를 적용할 수 있게 한다. 저자는 강한, 반강한, 약한 종속성을 각각 λ_max(Ω_g)=O(N_g), O(h(N_g)), O(1) 로 정의하고, 제안 추정량이 모든 경우에 일관성을 유지함을 정리와 증명으로 뒷받침한다. 특히 강한 종속성을 가진 소수의 대형 클러스터가 존재해도 β̂_g 의 분산이 Ω_g/N_g 로 스케일링되므로 평균화 과정에서 큰 클러스터가 과도하게 영향을 미치지 않는다.

무작위 계수(Random Coefficients, RC) 모델 확장에서는 β_g = β + u_g 로 가정하고, u_g 를 평균 0, 공분산 Σ_u 로 두어 클러스터별 이질성을 허용한다. 이 경우 제안 추정량은 β̂_g 의 평균을 취함으로써 β의 일관 추정치를 제공하고, Σ_u 와 Ω_g 를 결합한 복합 공분산 구조에 대해 Wald‑type 검정통계량 W = (Rβ̂−r)'