패널 데이터에서 집중 마진 효과를 추정하는 새로운 방법론

초록

본 논문은 패널 데이터와 반복 횡단면을 활용해 정책의 집중 마진(집중 효과)을 부분적으로 식별한다. Horowitz‑Manski‑Lee 구간을 Changes‑in‑Changes(CiC) 프레임에 결합하고, 다중 선택 소스를 이용해 단조성 가정을 완화한다. 평균 및 분위수 집중 마진 효과(ATTₐₒ, QTTₐₒ)를 추정하는 절차와 추정·추론 이론을 제시하며, 콜롬비아 직업훈련 프로그램을 실증적으로 분석한다.

상세 분석

이 논문은 정책 효과를 ‘광범위 마진(참여 여부)’과 ‘집중 마진(참여 후 강도)’으로 구분하는 전통적 프레임을 확장한다. 기존 집중 마진 연구는 무조건적 무작위 할당을 전제로 했지만, 저자는 패널 구조에서 치료가 내생적일 때도 적용 가능한 식별 전략을 제시한다. 핵심은 두 단계로 구성된다. 첫째, Horowitz‑Manski‑Lee 구간을 CiC 모델에 이식해 ‘항상 관측된(Always‑Observed)’ 주체군에 대한 평균 치료 효과(ATTₐₒ)와 분위수 효과(QTTₐₒ)를 부분적으로 식별한다. 여기서 단일 잠재 지수(예: 능력)가 시간에 따라 변하지 않는다는 ‘단일 지수 불변성’ 가정을 도입해, 치료군·통제군 간 잠재 지수 분포 차이는 허용하되 시간 내에서는 고정된다고 가정한다. 둘째, 다중 선택 소스(예: 실업 여부와 이주 여부)를 활용해 기존 Horowitz‑Manski‑Lee 구간이 요구하는 단조성(monotonicity) 가정을 완화한다. 각 선택 소스는 자체적으로 단조성을 만족하지만 방향이 서로 다를 수 있어, 네 개의 주체군(Always‑Observed, Never‑Observed, Observed‑Only‑Control, Observed‑Only‑Treatment) 모두 존재하도록 허용한다. 이를 통해 주체군 비율을 ‘점 식별(point identification)’할 수 있다.

방법론적 기여는 다음과 같다. (1) 평균 집중 마진 효과와 더불어 분위수 집중 마진 효과를 부분 식별함으로써 정책의 분포적 영향을 분석할 수 있다. (2) 다중 선택 소스를 이용해 단조성 가정을 완화함으로써, 기존 구간이 배제했던 ‘반대 방향’의 주체군도 포함시켜 보다 현실적인 상황을 모델링한다. (3) 추정기는 비모수적 CiC 변환을 이용해 잠재 지수의 분포를 복원하고, 부트스트랩 기반의 신뢰구간을 제공한다. (4) 반복 횡단면, 공변량 포함, 이진 결과 등 실용적 확장을 제시한다.

실증 부분에서는 콜롬비아의 직업훈련 프로그램 데이터를 사용한다. ‘Naïve’ CiC 추정(관측된 임금만 사용)에서는 훈련이 임금을 13% 상승시킨다고 결론짓지만, 제안된 방법으로 Always‑Observed 군에 대한 ATTₐₒ를 추정하면 효과가 통계적으로 유의하지 않다. 분위수 효과(QTTₐₒ)는 결과 분포 전반에 걸쳐 이질성을 보이며, 일부 상위 분위수에서는 긍정적 효과가, 하위 분위수에서는 부정적 효과가 나타날 가능성을 시사한다. 이는 정책 설계 시 평균 효과만으로는 포착되지 않는 중요한 분포적 차이를 강조한다.

이 논문은 패널 데이터에서 선택 편향과 샘플 선택을 동시에 다루면서 집중 마진 효과를 부분 식별하는 최초의 연구이며, 기존 DiD 기반 접근과 비교해 ‘Changes‑in‑Changes’ 모델을 사용함으로써 주체군 비율이 시간에 따라 변하는 경우에도 일관된 추정이 가능하다는 장점을 가진다. 또한, 제안된 구간은 추정된 확률이