비정형 고정효과를 갖는 네트워크 모델의 식별과 추정

초록

본 논문은 관측 가능한 특성뿐 아니라 비정형(비모수) 고정효과가 상호작용에 미치는 영향을 고려한 dyadic 네트워크 모델을 제시한다. 상호작용 결과를 이용해 동일한 고정효과 값을 가진 에이전트를 식별하고, 이들의 관측 특성 변화를 통해 주요 회귀계수 β₀를 일관적으로 추정한다. 동분산·이분산 상황 모두에 대한 추정기를 구성하고, 그래프온 추정 기법을 확장해 오류 없는 결과 Y*ᵢⱼ를 균일하게 복원함으로써 큰 네트워크 asymptotics 하에서의 일관성과 수렴 속도를 이론적으로 입증한다.

상세 분석

이 논문은 dyadic 네트워크에서 관측 변수 Wᵢⱼ와 비정형 고정효과 ξᵢ, ξⱼ가 결합함수 g(·,·)를 통해 상호작용하는 일반형 모델 Yᵢⱼ = F(Wᵢⱼ′β₀ + g(ξᵢ, ξⱼ)) + εᵢⱼ을 제안한다. 여기서 F는 알려진 단조·가역 함수이며, g는 구조적 제약 없이 연속성과 약한 매끄러움만을 요구한다. 핵심 아이디어는 ‘pseudo‑distance’ dᵢⱼ를 정의해 dᵢⱼ = 0 ⇔ ξᵢ = ξⱼ임을 보이고, dᵢⱼ를 데이터로부터 추정함으로써 동일 고정효과를 가진 에이전트 집합을 복원한다는 점이다. 동분산 가정 하에서는 단순한 쌍차이 회귀로 dᵢⱼ를 추정할 수 있으며, 이때 Yᵢⱼ의 오차 εᵢⱼ이 차분에 의해 소거된다.

이질분산 상황에서는 εᵢⱼ의 이질성을 고려해 Yᵢⱼ = Wᵢⱼ′β₀ + g(ξᵢ, ξⱼ)라는 오류 없는 구조를 먼저 복원한다. 저자는 Zhang et al. (2017)의 그래프온 추정 방법을 수정·확장해 Yᵢⱼ를 max‑norm(행렬 무한노름)에서 일관적으로 추정한다. 이는 기존 문헌이 평균제곱오차(Frobenius norm)만 다루던 것과 달리, 모든 (i,j) 쌍에 대해 동시에 높은 정밀도를 제공한다는 점에서 통계학적 기여가 크다.

Yᵢⱼ가 확보되면 (1.2) 형태는 εᵢⱼ가 없는 선형(또는 비선형) 모델로 전환된다. 동일 고정효과 집단 내에서 관측 변수 Wᵢⱼ의 변동성을 활용해 β₀를 추정한다. 구체적으로, dᵢⱼ가 작아 ξᵢ≈ξⱼ인 에이전트 쌍(i,k)와 (j,k)를 선택하고, Yᵢₖ−Y*ⱼₖ를 Wᵢₖ−Wⱼₖ에 회귀시켜 β₀를 얻는다. 매칭 오차는 dᵢⱼ가 0이 아닌 경우 발생하지만, 저자는 매칭 정확도와 W의 변동성 사이의 균형을 통해 편향을 제어하고, 충분히 큰 네트워크에서는 일관성을 보장한다.

이론적 결과는 두 단계 추정기의 수렴 속도를 제시한다. 첫 단계(그래프온 기반 Y*ᵢⱼ 복원)의 오류는 Oₚ(n^{-1/2}) 수준이며, 두 번째 단계(β₀ 추정)의 오류는 매칭 정확도와 W의 차분 변동성에 따라 Oₚ(n^{-1/2}) 혹은 더 빠른 속도로 수렴한다. 또한, g(ξᵢ, ξⱼ) 자체도 모든 (i,j) 쌍에 대해 일관적으로 추정 가능함을 증명한다. 이는 정책 분석에서 쌍별 효과나 평균 부분 효과를 직접 계산할 수 있게 해준다.

문헌 비교에서는 전통적인 additive fixed‑effects 모델(ξᵢ+ξⱼ)과 선형 factor 모델(ξᵢ′ξⱼ)을 포괄하면서도, 차원 제한이나 고정된 형태를 강요하지 않는다. 또한, Bonhomme et al. (2022)의 클러스터링 기반 방법과 달리, 관측 변수와 고정효과를 분리해 동일 ξ를 가진 에이전트를 서로 다른 X를 가진 상태로 매칭함으로써 β₀를 식별한다는 점에서 차별화된다.

요약하면, 이 논문은 (i) 비정형 고정효과를 식별하기 위한 pseudo‑distance 개념, (ii) 이질분산 상황에서도 오류 없는 결과를 복원하는 그래프온 기반 추정, (iii) 복원된 결과를 활용한 β₀와 g(·,·)의 일관적 추정이라는 세 가지 핵심 기여를 제공한다.