희소 VAR는 희소 로컬 프로젝션을 보장하지 않는다 고차원 그랜저 인과성의 강건 추정

초록

본 논문은 고차원 VAR 모델에서 희소성이 장기 로컬 프로젝션 계수에 전이되지 않음을 보이고, 두 단계 추정과 디바이어싱을 결합한 새로운 추정법을 제안한다. 제안 방법은 HAC 보정 없이도 다중 시점 그랜저 인과성 검정을 가능하게 하며, 시뮬레이션과 금융 네트워크 실증에서 기존 방법보다 크기 왜곡을 크게 감소시킨다.

상세 분석

이 연구는 고차원 시계열 분석에서 가장 흔히 사용되는 VAR와 로컬 프로젝션(LP) 사이의 구조적 차이를 정량적으로 규명한다. VAR의 계수는 희소성을 가정해 LASSO 등으로 추정할 수 있지만, LP의 계수는 VAR 계수의 비선형 함수이며, 특히 장기(h>1)에서는 동적 전파를 통해 희소 구조가 급격히 밀집(dense)하게 변한다는 점을 수학적 예시(밴드형 VAR(1) 행렬 A)와 이론적 증명으로 보여준다. 따라서 기존에 “각 시점마다 희소성을 가정한다”는 접근은 근본적으로 모순이며, 특히 장기 인과성 검정에서 큰 편향과 과도한 분산을 초래한다.

이를 해결하기 위해 저자들은 두 단계 추정 프레임워크를 설계한다. 1단계에서는 VAR 계수를 LASSO‑type 방법으로 추정하고, 추정된 잔차를 이용해 공분산 행렬 Σ_u 를 엔트로피 기반 임계값(thresholding)으로 정규화한다. 2단계에서는 VAR에서 얻은 충격응답(Ψ_h)과 정규화된 Σ_u 를 이용해 폐쇄형 식으로 표현되는 LP 계수 β_h 를 직접 계산하고, van de Geer et al. (2014)의 디바이어싱 기법을 적용해 정규화 편향을 제거한다. 핵심은 “잔차 기반 도구변수(U⊥1,t)”를 구성해 고차원 통제변수(W_2,t)를 완전히 제거함으로써 β_1,h 를 식별한다는 점이다.

이론적 기여는 다음과 같다. (i) VAR 차원 d가 표본 크기 n을 초과하는 상황에서도 β_h 의 √n‑일관성과 정규성을 증명한다. (ii) HAC 보정 없이도 유효한 이분산(heteroskedasticity‑consistent) 공분산 추정량을 제시해, 장기 LP 오류의 자기상관에 강건한 Wald 검정을 가능하게 한다. (iii) 디바이어싱 과정에서 Neyman‑orthogonal 스코어를 활용해 1차 단계 추정오차가 2차 단계 추정에 미치는 1차 영향이 사라지도록 설계하였다.

시뮬레이션에서는 VAR 차원 100, 표본 200을 넘어서는 설정에서 기존 포스트‑더블‑셀렉션 및 HAC‑기반 방법이 장기(ℎ≥8)에서 과도한 크기 왜곡을 보이는 반면, 제안 방법은 5% 수준에서 거의 정확한 크기 유지와 높은 검정력을 기록한다. 실증에서는 주요 금융 위기 시기에 10개 주요 자산군을 포함한 네트워크를 구축하고, 장기(ℎ=12) 그랜저 인과성 기반 연결성 지표가 단기(ℎ=1)보다 더 지속적이고 강한 전염 효과를 포착함을 보여, 정책 입안자에게 장기 위험 전파 메커니즘을 고려할 필요성을 강조한다.

전반적으로 이 논문은 고차원 시계열에서 “희소 VAR ⇒ 희소 LP”라는 잘못된 직관을 깨고, 두 단계 디바이어싱 접근을 통해 다중 시점 그랜저 인과성을 강건하고 효율적으로 추정·검정하는 새로운 패러다임을 제시한다.