약한 도구에 강건한 부분벡터 라그랑주 승수 검정과 앤더슨 루빈 신뢰구간 특성

초록

본 논문은 다중 내생변수와 다중 도구변수를 포함하는 IV 회귀에서, 약한 도구에도 일관된 부분벡터 라그랑주 승수 검정을 제안한다. 제안 검정은 자유도 mx (관심 계수 수)만을 갖는 χ² 분포를 한계로 하여 기존 Wald 검정과 동일한 차원을 회복한다. 또한, 부분벡터 Anderson‑Rubin 검정을 역전시 얻는 신뢰구간을 닫힌 형태로 풀어내어 k‑class 추정량을 중심으로 하며, 식별 불가능성(첫 단계 행렬의 저계수)과 신뢰구간의 유계성 사이의 정확한 동치 관계를 증명한다. 마지막으로, 유계·비공집합인 Anderson‑Rubin 신뢰구간은 데이터 의존적 수준을 갖는 Wald 신뢰구간과 동일함을 보이고, 그 수준과 κ 파라미터를 명시적으로 계산한다.

상세 분석

논문은 먼저 전통적인 IV 회귀 모델을 일반화하여, 관심 있는 내생변수 X 와 관심 밖 내생변수 W 를 구분하고, 각각에 대응하는 계수 β₀ 와 γ₀ 를 도입한다. 이때 도구행렬 Z 의 차원 k 는 최소한 전체 내생변수 차원 m=mₓ+m_w 를 만족한다. 약한 도구 상황을 다루기 위해 저자들은 Assumption 1을 설정하고, 이는 (ZᵀZ)⁻¹/2 Zᵀ ε, Vₓ, V_w 가 공동 정규분포로 수렴하고, 공분산 행렬 Ω, Q 가 존재함을 전제한다. 이 가정은 기존 Kleibergen(2002)과 Staiger‑Stock(1997)의 약한 도구 비대칭성을 포괄한다. 다만 이 논문은 이분산성에 대한 일반적 허용을 배제하고, 동질성·중심성·비상관성을 전제로 한다는 점을 명시한다.

핵심 기여는 “부분벡터 라그랑주 승수(LM) 검정”이다. 정의 1에서 제시된 ˜S(β,γ)와 투영 행렬 P_A, M_A 를 이용해, β에 대한 검정 통계량 LM(β)= (n−k)·min_{γ} (y−Xβ−Wγ)ᵀ P_Z ˜S(β,γ) (y−Xβ−Wγ) 로 구성한다. 이는 기존 Kleibergen(2002) Lagrange multiplier 검정을 γ=0 인 경우와 동일하게 만들면서, γ를 최적화함으로써 부분벡터 검정으로 확장한다. 중요한 점은 LIML 추정량을 단순히 대입하는 것이 아니라, γ에 대한 최소화를 수행함으로써 검정 통계량이 약한 도구 하에서도 χ²_{mₓ} 분포에 수렴하도록 만든다. 이를 보장하기 위해 Technical Condition 1을 도입했는데, 이는 특정 γ가 존재하여 (Πᵀ_W Zᵀ P_Z ˜S(β₀,γ) ε) = 0 을 만족한다는 조건이다. 이 조건이 충족되면, LM(β₀) 는 상한이 χ²_{mₓ} 분포인 확률변수이며, 따라서 임계값 F^{-1}{χ²(mₓ)}(1−α) 보다 크면 귀무가설을 기각하는 검정은 asymptotic size가 α 이하임을 보인다. 저자는 Technical Condition 1이 일반적으로 성립한다는 경험적 증거와, k→∞ (도구 수가 증가) 상황에서는 별도 증명(Theorem 2)으로 조건 없이도 χ²{mₓ} 수렴을 확보한다. 이는 고차원 도구가 많을 때도 검정이 강건함을 의미한다.

다음으로 Anderson‑Rubin(AR) 검정의 역전으로 얻는 신뢰구간을 다룬다. 기존 문헌(Dufour‑Taaamouti, 2005)은 AR 신뢰구간이 2차곡면(quadrics) 형태이며, 투영하면 차원이 커져 해석이 어려운 점을 지적한다. 저자는 Guggenberger et al. (2012)의 강화된 임계값을 활용해, AR 검정의 역전 신뢰구간을 닫힌 형태로 풀어낸다. 구체적으로, 신뢰구간은 k‑class 추정량 β̂(κ) = ( XᵀM_ZX )⁻¹ XᵀM_Zy + κ · ( XᵀM_ZX )⁻¹ Π̂ ZᵀM_Zy 와 같은 형태이며, κ는 첫 단계 추정치와 도구 행렬의 구조에 따라 결정된다. 중요한 정리는 “단일 계수에 대한 부분벡터 신뢰구간이 동시에 유계(bounded)인 경우와 Anderson(1951) likelihood‑ratio 검정이 첫 단계 행렬의 저계수를 기각하는 경우가 동치”라는 것이다. 즉, 식별 불가능성(Π 의 저계수)일 때는 신뢰구간이 무한히 발산하거나 공집합이 되며, 반대로 식별이 확보되면 유계·비공집합인 신뢰구간을 얻는다.

마지막으로, 유계·비공집합인 AR 신뢰구간은 특정 데이터 의존적 수준 α̂ 에 대한 Wald 신뢰구간과 동일함을 증명한다. 저자는 κ와 α̂을 명시적으로 계산하는 식을 제공하고, 이를 통해 실무에서 AR 기반 신뢰구간을 Wald 기반으로 변환함으로써 해석과 시각화가 용이해진다. 또한, 구현을 위해 Python 패키지 ivmodels 을 공개하고, 코드와 시뮬레이션을 GitHub에 제공함으로써 재현성을 높였다. 전체적으로 이 논문은 약한 도구 상황에서도 부분벡터 수준의 검정과 신뢰구간을 Wald 검정과 동일한 자유도로 제공함으로써, 다중 내생변수·다중 도구 모델에서 실무 적용성을 크게 확대한다.