고차원 희소 공적분 탐지 방법

초록

본 논문은 다변량 I(1) 시계열이 많은 상황에서, 적은 수의 변수만이 장기 균형관계(공적분)를 형성한다는 가정 하에, 적응형 LASSO로 변수 선택을 수행하고, 선택된 모형의 잔차가 I(0)인지 I(1)인지를 정보량 기준으로 판단하는 두 단계 절차를 제안한다. 이 방법은 기존 단위근 검정이 고차원에서 갖는 비표준 분포 문제를 회피하고, 내생성·시계열 상관에도 강건함을 보인다.

상세 분석

논문은 먼저 고차원 단일방정식 공적분 모델을 설정한다. 목표 변수 (y_t)와 p개의 I(1) 공변량 (x_t) 사이에 (y_t=\beta_0+x_t’\beta+z_t) 형태의 관계를 가정하고, 여기서 (z_t)는 장기 균형편차를 나타낸다. 공적분이 존재하면 (|\rho|<1)인 AR(1) 구조를 갖는 (z_t)는 I(0)이며, 반대로 (\rho=1)이면 회귀는 스퓨리어스가 된다. 저자들은 “희소 공적분”을 (|S|=s\ll p)인 활성 집합 (S)만이 비영(β_j≠0)인 상황으로 정의하고, 이를 발견하는 것이 핵심 과제라고 제시한다.

첫 번째 단계는 적응형 LASSO(Adaptive LASSO)를 이용해 변수 선택과 계수 추정을 동시에 수행한다. 초기 추정값(예: OLS)으로부터 가중치 (w_j=| \hat\beta_j^{(init)}|^{-\gamma})를 정의하고, (\lambda_n)와 함께 (\sum_{j=1}^p w_j|\beta_j|) 형태의 (\ell_1) 패널티를 부과한다. 이 방법은 표준 LASSO가 요구하는 강한 irrepresentable condition을 완화하고, oracle property(모델 선택 일관성 및 비영 계수의 초일관성)를 확보한다는 기존 이론을 고차원 비정상 시계열에 확장한다. 특히, I(1) 시계열을 표준화하지 않고 원시 형태로 사용함으로써 장기 균형계수의 해석 가능성을 유지한다.

두 번째 단계에서는 적응형 LASSO로 얻은 잔차 (\hat z_t)가 I(0)인지 I(1)인지를 판단한다. 전통적인 ADF·KPSS 검정은 회귀에 포함된 변수 수에 따라 비표준 극한분포가 달라지는 문제와, 변수 선택 오류가 잔차에 스퓨리어스를 유발할 위험이 있어 고차원 상황에 부적합하다. 저자들은 정보량 기준(예: BIC, HQC)을 활용해 (\hat z_t)를 AR(1) 모델에 적합하고, 그 모델의 로그우도와 자유도에 기반한 기준값을 계산한다. 선택된 모델이 정상(정지) 형태이면 공적분이 존재한다고 결론짓고, 비정상 형태이면 스퓨리어스 회귀로 판단한다. 중요한 점은 이 잔차 기반 판단이 오른쪽 변수 자체가 공적분 관계에 있더라도 일관성을 유지한다는 이론적 증명이다. 즉, 변수 선택이 완벽하지 않더라도 잔차의 단위근 검정이 잘못된 결론을 내리지 않는다.

이론적 분석은 고정 p(변수 수) asymptotics를 기반으로 전개된다. 고정 p 하에서 적응형 LASSO는 oracle property를 만족하고, 잔차의 단위근 검정은 전통적인 단위근 검정과 동일한 한계분포를 갖는다. 저자들은 또한 p가 n에 비해 중간 규모일 때(예: p≈n/2) Monte‑Carlo 시뮬레이션을 수행해, 내생성·시계열 상관·공변량 간의 공동공적분(rank deficiency) 등 다양한 왜곡에도 절차가 높은 검정력과 낮은 1종 오류를 유지함을 확인한다.

결과적으로, 이 논문은 (1) 적응형 LASSO를 통한 희소 변수 선택, (2) 정보량 기준을 이용한 잔차의 정상성 판단이라는 두 단계가 고차원 I(1) 데이터에서 공적분 존재 여부를 정확히 탐지할 수 있음을 보여준다. 이는 기존 Johansen·Engle‑Granger 접근법이 변수 수에 제한을 받는 문제를 해결하고, 실증 연구에서 수백 개의 후보 변수 중 몇 개만이 장기 균형을 형성하는 상황에 직접 적용 가능하도록 만든다.