스테인 모멘트와 일반화 스코어 매칭의 통합: GMM 기반 최적 추정법

초록

본 논문은 스테인 방법을 이용한 모멘트 추정과 일반화 스코어 매칭을 동일한 형태로 연결하고, 가중치 함수 선택 문제를 일반화 모멘트 방법(GMM) 프레임워크 안에서 해결한다. 이를 통해 다수의 가중치 함수를 결합한 최적 추정량을 도출하고, 지수족 및 감마분포 예시를 통해 기존 스코어 매칭 대비 편향·분산 감소 효과를 실증한다.

상세 분석

본 연구는 스테인 클래스에서 정의되는 모멘트 함수 λ(x,θ) = (τθ(x) w(x) f(x|θ))′ / f(x|θ) 를 일반화 스코어 매칭의 가중치 함수 w(x)와 연결시키는 핵심 아이디어를 제시한다. 저자들은 τθ(x) 를 점별 스코어 함수 sθ(x)=∂ log f(x|θ)/∂x 의 파라미터에 대한 기울기 ∇ sθ(x) 로 설정하면, λ(x,θ) 가 바로 일반화 스코어 매칭에서 최소화되는 목표 함수 D(θ)=∫ w(x)(s*(x)−sθ(x))²dx 의 1차 최적조건과 동일함을 보인다(Lemma 3.2). 이는 기존 스코어 매칭( w≡1 )이 스테인 모멘트 추정의 특수 경우임을 수학적으로 증명한 것이다.

가중치 함수 w(x)의 선택이 일반화 스코어 매칭에서 큰 난제였던 점을 GMM 프레임워크로 전이함으로써 해결한다. 다수의 λj(x,θ) 를 정의하고, 각 λj에 대한 표본 평균 zj(θ)=∑i λj(xi,θ) 를 구한 뒤, 공분산 행렬을 이용한 최적 가중치 행렬 W* = Cov(z(θ))⁻¹ 로 GMM 목적함수 G(θ)=z(θ)′Wz(θ) 를 최소화한다. 이 과정에서 각 λj는 서로 선형 결합이 가능하므로, 다양한 w(x) 를 동시에 활용하면서도 일관된 추정량을 얻을 수 있다.

특히 지수족(exp family)에서는 sθ(x)=θᵀv(x)+c(x) 형태로 단순화되며, τθ(x)=∇ sθ(x)=v(x) 로 두면 λ(x,θ)=w(x)v(x)sθ(x)+(w(x)v(x))′ 로 표현된다. 이를 A(x)−B(x)θ 형태로 정리하면, E