고차원 네이만 직교화와 고정효과 편향 제거

초록

본 논문은 조건부 우도 기반 추정식에 대해 임의의 차수 q 까지 네이만-직교성을 달성하는 방법을 제시한다. 이를 통해 고정효과와 같은 고차원 부수 파라미터가 존재할 때도 목표 파라미터의 추정이 q 차까지 편향에 면역이 되며, 패널·네트워크 데이터의 인시던털 파라미터 문제를 해결한다. 실증에서는 팀 생산 모델에 적용해 고정효과를 정교히 제거한다.

상세 분석

이 논문은 전통적인 1차 네이만 직교화가 부수 파라미터의 수렴 속도가 n⁻¹⁄⁴ 보다 빠를 것을 요구하지만, 패널 데이터에서 고정효과는 T⁻¹⁄² 정도만 수렴한다는 한계에 주목한다. 저자들은 조건부 로그우도 구조 하에서 “q‑차 네이만 직교화”를 정의한다. 구체적으로, 추정식 u(z;θ,η) 에 대해 η 에 대한 q 차 미분의 기대값이 모두 0이 되도록 변환함으로써, 부수 파라미터 추정오차가 n⁻¹⁄(2(q+1)) 속도로 수렴해도 목표 파라미터 θ 의 1차 asymptotic linearity를 유지한다. 이는 기존 1차 직교화가 요구하던 n⁻¹⁄⁴ 조건을 n⁻¹⁄(2(q+1)) 로 완화시켜, 예를 들어 q=2 이면 n⁻¹⁄⁶ 속도만 있으면 된다.

핵심 기술은 “조건부 점수의 고차원 투영”이다. 기존의 Small‑McLeish 점수 투영은 1차 직교화에 해당하는데, 이를 일반화해 q 차까지 기대 미분을 제거한다. 저자들은 이 과정을 Lagrange multiplier와 고차 미분 연산자를 이용해 명시적으로 구성한다. 중요한 점은 추가적인 부수 파라미터를 도입하지 않고도 직교화를 구현한다는 점이다. 이는 샘플 스플리팅(또는 교차‑피팅)과 결합될 때, 부수 파라미터 추정오차가 독립적인 서브샘플에서 얻어지므로 (B) 항이 oₚ(n⁻¹⁄²) 가 되고, (C) 항은 q‑차 직교화에 의해 완전히 사라진다.

패널 데이터 예시(Neyman‑Scott 모델)에서는 2차 직교화를 적용하면 기존 최대우도 추정량의 O(T⁻¹) 편향이 O(T⁻²) 로 감소한다. 따라서 N 과 T 의 비율이 N=o(T³) 조건만 만족하면 √(NT) 수렴을 확보한다. 네트워크 데이터 예시에서는 팀 생산 함수의 고정효과가 겹치는 구조를 갖는데, 1차 직교화만으로는 편향이 크게 남지만, 2차 이상 직교화를 통해 편향을 실질적으로 소멸시킬 수 있다.

이론적 결과는 고차원 영향함수(influence function)와 작은 표본오차(small measurement error) 문헌과 연결된다. 특히, 부수 파라미터에 대한 사전 제한을 두지 않으면서도 수렴 속도 조건만 명시한다는 점이 기존 편향 보정 방법(예: Hahn‑Newey, Dhaene‑Jochmans)과 차별화된다.

실증 부분에서는 경제학 논문 공동저자 네트워크를 이용해 CES 생산 함수를 추정한다. 연구자는 팀당 두 명의 저자를 가정하고, 각 저자의 고정효과를 부수 파라미터로 설정한다. 2차 직교화와 교차‑피팅을 적용한 결과, 기존 1차 직교화 기반 추정치에 비해 평균 편향이 크게 감소하고, 대체 시뮬레이션에서도 견고함을 확인한다. 또한, 무작위 매칭을 통한 반사실적 시나리오 분석에서 팀 생산성 감소를 예측함으로써 정책적 함의를 제시한다.

전반적으로 이 논문은 “q‑차 네이만 직교화”라는 일반적 프레임워크를 제시함으로써, 고정효과와 같이 차원이 큰 부수 파라미터가 존재하는 상황에서도 목표 파라미터의 정확한 추정을 가능하게 만든다. 이는 고차원·고정효과 모델링이 점점 보편화되는 현대 계량경제학에 중요한 방법론적 기여라 할 수 있다.