고차원 검열 MIDAS 로지스틱 회귀를 활용한 기업 생존 예측

초록

본 논문은 기업 파산 예측에서 흔히 마주치는 (i) 오른쪽 검열, (ii) 고차원 변수, (iii) 혼합 주기 데이터라는 세 가지 난제를 동시에 해결하기 위해, 검열을 역확률 가중치로 보정하고, MIDAS 기법으로 저차원 사전표현을 만든 뒤, 그룹-스파스 LASSO 페널티를 적용한 고차원 로지스틱 회귀 모델을 제안한다. 또한, 제안 모델의 추정 오차에 대한 유한표본 경계와, 탈스파스(de‑sparsified) 추정량의 비표준 분산 구조를 포함한 비대칭 asymptotic 이론을 제공한다. 시뮬레이션과 중국 상장기업 데이터를 통한 실증에서 기존 방법들을 크게 능가함을 확인하였다.

상세 분석

이 연구는 기업 생존 분석이라는 실용적 문제를 통계학적·계산적 관점에서 체계적으로 재구성한다. 첫 번째 핵심은 오른쪽 검열을 다루는 방식이다. 저자는 Blanche et al. (2023)의 Outcome‑Weighted Inverse Probability of Censoring Weighting(OIPCW)을 차용해, 관측되지 않은 생존시간을 가중치로 보정함으로써 로그우도식에 검열 정보를 자연스럽게 삽입한다. 이때 독립 검열 가정과 충분한 추적 기간 가정을 명시적으로 제시하고, 검열 가중치 H(u)=P(C≥u|C≥s)를 통해 손실함수에 직접적인 보정항을 추가한다.

두 번째 기여는 고차원·혼합주기 데이터를 효율적으로 압축하는 MIDAS 프레임워크이다. 각 원시 변수의 여러 시차를 모두 포함하면 차원이 급증하지만, 저자는 사전 정의된 베이시스(예: 다항식, B‑spline)로 시차 효과를 근사함으로써 “그룹”을 형성한다. 이렇게 형성된 그룹은 변수 자체와 그 시차들의 집합을 의미하며, 그룹‑스파스 LASSO(penalized sparse‑group) 페널티를 적용해 전체 변수 선택과 동시에 그룹 내부의 시차 선택을 동시에 수행한다. 이 구조적 페널티는 기존 LASSO가 시차 간 상관관계를 무시하는 문제를 해결하고, 변수 선택의 해석 가능성을 크게 높인다.

세 번째로, 저자는 제안된 페널티 추정량에 대한 유한표본 오차 경계를 엄밀히 증명한다. 여기서는 검열 가중치, MIDAS 근사 오차, 그리고 무거운 꼬리를 가진 공변량을 모두 고려한 새로운 확률적 불균형 조건을 도입한다. 특히, “quadratic margin condition”을 확장해 비정규(heavy‑tailed) 데이터에서도 일관된 수렴률을 확보한다는 점이 주목할 만하다.

마지막으로, 탈스파스(de‑sparsified) 절차를 통해 고차원 상황에서도 개별 회귀계수에 대한 정상성(Asymptotic Normality)을 확보한다. 기존 탈스파스 이론은 검열이 없거나, 오차가 서브가우시안인 경우에만 적용 가능했으나, 본 논문은 검열 가중치가 포함된 점수함수의 헤시안 구조가 비표준 분산을 갖는다는 사실을 밝혀내고, 이를 보정하는 새로운 표준오차 추정법을 제시한다. 이론적 결과는 노드와이즈 회귀(van de Geer et al., 2014)를 기반으로 하며, 조건부 독립성, 제한된 디자인 행렬의 최소 고유값, 그리고 가중치의 적절한 수렴 속도를 가정한다.

실증 부분에서는 1985‑2020년 사이 중국 제조업 상장기업 데이터를 구축하고, 30여 개 재무·거시 변수와 그 시차들을 MIDAS 사전표현으로 변환한 뒤, 제안 모델을 적용한다. 검열을 포함한 전체 표본을 활용함으로써 기존 연구가 배제한 신생 기업까지 포괄하고, 교차검증을 통한 예측 정확도(AUC, Brier score)와 변수 선택 안정성을 비교한다. 결과는 기존 로지스틱 회귀, 표준 LASSO, 그리고 MIDAS를 단독 적용한 모델보다 현저히 높은 예측 성능을 보이며, 특히 검열 정보를 무시한 모델 대비 AUC가 5~7% 상승한다. 또한, 탈스파스 추정량을 이용해 도출된 유의한 변수들은 유동성 비율, 부채비율, 매출 성장률 등 전통적인 파산 지표와 더불어, 거시경제 변수(예: 제조업 PMI)와 시차 효과가 중요한 역할을 한다는 새로운 인사이트를 제공한다.

전반적으로 이 논문은 (1) 검열 보정, (2) 고차원·혼합주기 데이터 압축, (3) 변수 선택과 추정의 이론적 정당성을 동시에 만족시키는 통합 프레임워크를 제시함으로써, 기업 위험 관리와 정책 입안자에게 실용적이면서도 통계적으로 견고한 도구를 제공한다는 점에서 큰 의의를 가진다.