경제 담론의 새로운 흐름을 포착하는 통계적 프레임워크

본 논문은 “경제 담론 속 서사의 등장”이라는 현상을 정량적으로 탐지하기 위한 통계적 프레임워크를 제시한다. 서사는 개인·집단이 사건을 해석하고 의미를 부여하는 구조화된 이야기이며, 경제학에서는 특정 이론·정책에 대한 인식과 행동을 좌우한다. 기존 연구는 서사의 확산을 빈도 기반 혹은 정성적 분석에 의존했으나, 초기 단계는 낮은 빈도와 미묘한 의미 변화를 포함해 탐지가 어려웠다. 저자는 이러한 문제를 해결하기 위해 텍스트를 관측 데이터로 보고, 잠재적 주제 구조를 추정하는 확률적 토픽 모델인 LDA를 선택한다. LDA는 각 문서를 K개의 고정 토픽에 대한 혼합비(θ)와 토픽-단어 분포(β)로 모델링한다. 사전 파라미터 α와 η는 각각 문서 수준 토픽 비중과 토픽 수준 단어 분포에 대한 디리클레 사전이다. 모델 추정은 변분 베이지안 방법이나 Gibbs 샘플링을 통해 수행되며, 사후 평균 \(\hat\theta_{d,k}\) 을 문서‑토픽 비중의 추정값으로 사용한다. 시간 축을 도입하기 위해 연도별 문서 집합 \(D_t\) 에 대해 평균 토픽 비중 \(\bar\theta_{k,t}\) 을 계산한다. 이 시계열은 토픽 정의가 고정돼 시간 간 비교가 가능하도록 설계되었다. 논문은 서사의 부상을 “\(\bar\theta_{k,t}\) 가 일정 기간 지속적으로 상승”하는 현상으로 정의하고, 이를 통계적으로 검증하기 위해 (1) 상승 구간의 최소 지속 기간, (2) 상승 폭의 통계적 유의성(예: 평균 대비 표준편차 초과) 등을 기준으로 탐지 알고리즘을 설계한다. 실증 분석은 1970‑2018년 사이에 발표된 경제학 주요 학술지(AER, QJE, JPE) 17,877편을 대상으로 한다. 데이터는 JSTOR Data for Research에서 추출했으며, JEL 코드별 서브코퍼스를 구성해 각 서브코퍼스마다 독립적으로 LDA를 적용했다. 전처리는 토큰화, 비알파벳 문자·숫자·불용어 제거, 소문자 변환을 포함했으며, 어간 추출은 의미 구분을 위해 생략했다. 각 서브코퍼스에 대해 K=20~30개의 토픽을 추정하고, 토픽 라벨링은 핵심 키워드와 전문가 검토를 통해 수행했다. 노벨상 수상 연구를 외부 사건으로 설정하고, 수상 전후 10년 구간에 해당 토픽 비중 변화를 추적했다. 결과는 노벨상 수상 전 평균 5~7년 전부터 해당 토픽 비중이 서서히 상승하기 시작해, 수상 직전 급격히 상승하고, 이후에도 높은 수준을 유지한다는 점을 보여준다. 또한, 토픽 비중 상승 시점과 해당 논문의 인용 횟수 급증이 일치함을 확인해, 토픽 비중이 학술적 영향력의 선행 지표가 될 수 있음을 시사한다. 통계적 프레임워크의 주요 장점은 LDA 사후 평균을 직접 활용해 모델 불확실성을 정량화하고, 토픽 정의가 고정돼 시간 간 비교가 용이하다는 점이다. 또한, 외부 사건(노벨상)과의 정량적 매칭을 통해 검증 가능성을 높였다. 한계로는 토픽 수(K) 선택에 민감하고, LDA가 토픽 간 중복을 완전히 배제하지 못한다는 점, 초기 단계의 매우 낮은 비중이 통계적 검출력을 저하시킬 수 있다는 점을 들 수 있다. 향후 연구에서는 동적 토픽 모델(DTM), BERTopic 등 최신 토픽 모델을 결합해 토픽 변화를 더 정교히 포착하고, 베이지안 구조변화 검정(change‑point detection) 등을 도입해 자동화된 상승 구간 탐지를 시도할 수 있다. 요약하면, 이 논문은 LDA 기반 토픽 비중 시계열을 활용해 서사의 부상을 통계적으로 정의·검증하는 프레임워크를 제시하고, 경제학 학술지 데이터와 노벨상 수상 사례를 통해 실증적 타당성을 입증하였다. 이는 장기 텍스트 코퍼스에서 담론 변화와 영향력 확산을 정량적으로 분석하려는 연구자들에게 유용한 방법론적 토대를 제공한다.