추정기의 목적은 그 행동에 있다: 모델 오차와 추정 대상, 과잉식별의 함의

초록

이 논문은 과잉식별 모델에서 모델이 흔히 오차가 있다는 전제 하에, 서로 다른 추정기가 서로 다른 “추정 대상(pseudo‑true value)”을 목표로 한다는 점을 강조한다. 최근 AER 논문들을 조사해 보면, 연구자들은 효율적인 GMM 추정보다 손쉽게 선택한 모멘트와 비최적 가중치를 자주 사용하고, 과잉식별 검정(J‑통계량)도 거의 보고하지 않는다. 저자들은 이러한 관행이 연구자 자유도를 크게 늘려 결과 조작 가능성을 높인다고 경고하고, J‑통계량을 “가중치 해킹” 가능 범위의 지표로 제시한다. 논문은 (1) 경제·통계적 모형 구분, (2) 추정기가 정의하는 추정 대상, (3) 오차에 강건한 표준오차, (4) J‑통계량과 추정값 범위의 새로운 이론적 연결을 정리하고, 실무적 권고를 제시한다.

상세 분석

본 논문은 과잉식별 모델에서 발생하는 구조적 오차가 추정기의 본질을 바꾸어 놓는다는 근본적인 통찰을 제공한다. 전통적인 교과서식 접근은 ‘모델이 옳다면 효율적인 GMM을 사용하고, 과잉식별 제약을 검정한다’는 흐름을 따르지만, 저자들은 실제 경제학 논문(2020‑2024년 AER) 36편 중 22편이 과잉식별 상황임에도 불구하고 비효율적인 추정 방식을 채택하고 있음을 실증적으로 보여준다. 구체적으로, 14편은 최적 가중치를 사용하지 않았고, J‑검정 자체를 보고한 논문은 3편에 불과했다. 대신 25편이 모멘트와 데이터 간 차이를 시각화하는 ‘눈대중 테스트’를 활용했다. 이는 모델이 근본적으로 틀렸다는 전제 하에 ‘가장 덜 나쁜’ 추정값을 찾으려는 실용적 태도로 해석된다.

이러한 실천을 이론적으로 뒷받침하기 위해 저자들은 ‘경제학적 모형(M)’과 ‘통계적 모형(P)’을 명확히 구분한다. M은 파라미터와 데이터 분포 사이의 경제적 제약을, P는 관측된 데이터 분포 자체를 의미한다. 모델이 경제학적으로는 맞지만 통계적으로는 틀릴(즉, 경제학적 제약은 만족하지만 모멘트 조건을 모두 만족하지 못함) 경우와, 반대로 경제학적 제약 자체가 틀린 경우를 구분한다. 이때 ‘추정 대상’은 선택한 추정기가 실제 데이터 분포 P에 대해 수렴하는 ‘pseudo‑true value’이며, 이는 효율적인 GMM이 목표로 하는 진정한 θ와 다를 수 있다.

특히 논문은 ‘지역적 오차(local misspecification)’ 상황을 분석한다. 여기서는 오차 규모가 표본 크기에 비례해 사라지는 수준이며, 이 경우 추정값의 변동 범위가 효율적인 GMM 중심으로 대칭적인 구간으로 나타난다. 저자들은 이를 정량화하여, J‑통계량 J가 주어졌을 때 표준오차 σ를 고정하면 가능한 추정값의 구간 폭이 √(2J)·σ 정도임을 증명한다. 즉, J‑통계량이 클수록 연구자가 가중치를 조작해 얻을 수 있는 추정값의 폭이 넓어짐을 의미한다. 이는 기존에 J‑통계량을 ‘과잉식별 제약 위반 정도’로만 해석하던 관점을 확장하여, 연구자 자유도와 결과 조작 가능성을 직접 측정하는 도구로 재해석한다.

실무적 권고는 네 가지로 요약된다. 첫째, 경제학적 모형과 통계적 모형을 구분하고, 각각에 대한 진단을 별도로 수행할 것. 둘째, 선택한 추정기가 어떤 pseudo‑true value를 목표로 하는지 명시하고, 비효율적인 가중치를 사용할 경우 그 이유를 투명하게 밝힐 것. 셋째, 과잉식별 모델에서는 전통적인 GMM 표준오차 대신 오차에 강건한 표준오차(예: HAC, 부트스트랩)를 사용할 것. 넷째, J‑통계량을 반드시 보고하여, 해당 연구가 가중치 선택에 의해 얼마나 큰 결과 변동성을 가질 수 있는지 독자에게 알릴 것. 이러한 권고는 오차가 존재한다는 전제 하에 추정기의 ‘목적’을 명확히 하고, 결과의 신뢰성을 높이는 데 기여한다.