인플레이션 밀도 설문에서 불규칙 참여를 위한 베이지안 예측 합성

초록

ECB 전문가 물가 전망 설문은 참여자가 자주 탈퇴·재참여하고 누락이 빈번해 기존의 동등 가중 평균이나 단순 보간법으로는 인플레이션 위험을 정확히 파악하기 어렵다. 저자들은 각 예측자를 위한 잠재적 예측 상태를 유지하면서 관측되지 않은 경우에도 베이지안 조건부 구조를 이용해 결합 밀도를 업데이트하는 ‘코히어런스 기반 예측 합성’ 방법을 제시한다. 실증 결과, 이 방법은 동일 가중 평균 대비 점예측 정확도와 밀도 캘리브레이션을 크게 개선하고, 특히 참여 변동이 큰 시기에 인플레이션 불확실성 및 꼬리 위험을 보다 안정적으로 추정한다.

상세 분석

본 논문은 중앙은행이 인플레이션 위험을 평가하기 위해 활용하는 전문가 설문(특히 ECB SPF)의 밀도 예측을, 참여자의 불규칙한 입·퇴출과 누락 현상에 의해 왜곡되는 문제를 정량적으로 진단한다. 전통적인 동등 가중 평균(EW)이나 누락된 예측을 단순히 마지막 관측값으로 대체하는 방식은, 관측 가능한 예측자 집합이 변할 때마다 결합 밀도의 평균·분산이 인위적으로 변동하게 만든다. 이는 실제 경제 정보와 무관하게 ‘인위적 변동’으로 나타나 정책 입안자가 위험을 오해하게 만든다.

저자들은 베이지안 예측 합성(BPS) 프레임워크를 확장해, 각 forecaster j에 대해 잠재적 예측 상태 θ_{j,t}를 정의하고, 관측되지 않은 경우에도 사전·사후 구조를 통해 θ_{j,t}를 업데이트한다. 핵심은 ‘코히어런스(entry/exit) 연산자’를 도입해, 새로운 예측자가 등장하거나 사라질 때 전체 합성 함수가 확률적으로 일관되게 유지되도록 하는 것이다. 이는 사후 분포가 관측된 예측자들의 조건부 확률에만 의존하게 하여, 누락 데이터를 인위적으로 채우는 과정에서 발생하는 편향을 제거한다.

수식적으로는 전체 결합 밀도 p(y_t|F_t) 를
p(y_t|F_t)=∫ g(y_t|θ_t) π(θ_t|F_t) dθ_t
형태로 표현하고, 여기서 F_t 는 현재 시점에 실제로 보고된 예측자들의 밀도 집합이다. 참여자가 없을 때는 π(θ_t|F_{t-1}) 를 사전으로 사용하고, 새로운 관측이 들어오면 베이즈 규칙에 따라 π(θ_t|F_t) 를 갱신한다. 이 과정에서 ‘진입 연산자’는 새로운 forecaster의 사전 분포를 기존 공동 사전과 결합하고, ‘퇴출 연산자’는 해당 forecaster의 사후를 marginalize함으로써 전체 확률 질량을 보존한다.

실증에서는 25년치 ECB SPF 데이터를 사용해, 핵심 16명(또는 20명) forecaster에 대해 실시간 예측 실험을 수행한다. 동일 가중 평균 대비 평균 절대 오차(MAE)와 로그 점수(log‑score)에서 5~10% 정도의 개선을 보이며, 특히 2008년 금융위기·코로나19·에너지 위기 등 변동성이 큰 시기에 예측 분산과 꼬리 확률이 급격히 변동하는 현상이 크게 완화된다. 이는 정책 입안자가 ‘패널 변동에 의한 인위적 위험 신호’를 오판하는 위험을 줄여준다.

결론적으로, 이 논문은 불규칙 참여가 일반적인 전문가 설문 환경에서, 베이지안 코히어런스를 활용한 예측 합성이 실용적이며 통계적으로 우수함을 증명한다. 향후 다른 거시경제 변수(예: 실업률)나 민간 컨센서스 플랫폼에도 동일한 프레임워크를 적용할 수 있을 것으로 기대된다.