전이 독립을 이용한 이산형 결과 사건 연구 설계

초록

본 논문은 이산형(범주형) 결과 변수를 다루는 패널 데이터에서 전통적인 차분‑차분(DiD) 방법이 요구하는 평행추세 가정이 자주 위배되는 문제를 지적한다. 저자는 “전이 독립”(transition independence)이라는 새로운 식별 전략을 제시하고, 이를 구현하기 위해 잠재 유형(Latent‑type) 마코프 구조를 도입한다. 짧은 패널에서도 유형별 및 전체 평균 처리효과(ATT)를 추정할 수 있으며, 세 가지 실증 사례에서 기존 DiD와 현저히 다른 결과를 보여준다.

상세 분석

이 논문은 이산형 결과 변수—예를 들어 고용 상태, 특허 출원 여부, 장애인 고용 등—에 대해 차분‑차분(DiD) 접근법이 내재적으로 갖는 세 가지 근본적 한계를 체계적으로 분석한다. 첫째, 이산형 변수는 상태 전이(state transition) 형태로 움직이기 때문에, 사전 처리 그룹 간의 기저 분포 차이가 평균 회귀(mean‑reversion)를 야기하고, 이는 평행추세 가정 하에서 허위 치료효과를 만들어낸다. 둘째, 선형 추세를 외삽하면 확률적 해석이 불가능한 0 이하 혹은 1 초과의 반대효과가 도출될 수 있다. 셋째, 다범주형 결과에서는 “단일 추세”라는 개념 자체가 정의되지 않아, 전통적인 평행추세는 공동 분포의 변화를 포착하지 못한다.

이를 해결하기 위해 저자는 “전이 독립”(transition independence)이라는 가정을 도입한다. 이는 치료가 없을 경우, 사전 결과 경로(예: t‑1 시점의 상태)를 조건으로 한 전이 확률이 처리군과 통제군 사이에 동일하다는 의미이다. 이 가정은 사전 데이터로 직접 검증 가능하며, 이산형 변수의 전이 행렬을 직접 모델링함으로써 평균 수준이 아니라 확률 전이를 이용해 반대효과를 구성한다.

하지만 전이 독립만으로는 두 가지 실질적 문제에 직면한다. 첫째, 처리와 전이 확률을 동시에 결정하는 잠재 이질성(latent heterogeneity)이 존재할 수 있다. 둘째, 사전 기간이 늘어날수록 가능한 상태 경로의 조합이 기하급수적으로 증가해 표본 지원(support) 문제가 발생한다. 이를 극복하기 위해 논문은 (i) 잠재 유형(Latent‑type) 혼합 모델을 도입해 이질성을 유형별로 구분하고, (ii) 저차 마코프(예: 1차 마코프) 가정을 통해 사전 이력의 차원을 제한한다. 이렇게 하면 짧은 패널에서도 각 유형별 치료효과(LTATT)와 전체 ATT를 가중 평균 형태로 식별할 수 있다.

또한 전이 기반 프레임워크는 “흐름 분해”(flow decomposition)를 제공한다. 치료효과를 특정 상태 전이(예: 고용→비고용)로 분해함으로써, 효과가 발생하는 메커니즘을 직접 확인할 수 있다. 이는 기존 DiD가 수준(level) 차이만을 비교하는 데 비해 훨씬 풍부한 정책 인사이트를 제공한다.

실증 부분에서는 (1) 도드‑프랭크 법(Dodd‑Frank Act)에서 불만 제기율이 DiD는 증가를, 전이 독립은 감소를 보여주며, 기존 추정이 확률적 모순을 내포함을 확인한다. (2) 노르웨이 특허 제도 개혁에서는 대학 연구자와 비대학 연구자 간 기저 차이로 인한 평균 회귀가 DiD는 4.5% 감소를 과대평가했으나, 전이 모델은 실질적인 변화가 없음을 나타낸다. (3) ADA(장애인 고용법)에서는 고용 상태 전이 중 고용→비고용 전이가 주요 부정적 채널임을 흐름 분해를 통해 밝혀냈으며, DiD는 통계적으로 유의미한 효과를 놓쳤다.

전반적으로 이 논문은 이산형 결과를 다루는 정책 평가에서 평행추세 가정의 한계를 명확히 하고, 전이 독립과 잠재 유형 마코프 모델을 결합한 새로운 식별·추정 전략을 제시한다. 이 접근법은 짧은 패널, 다범주형 변수, 그리고 이질적 전이 구조를 가진 상황에서도 일관된 ATT 추정을 가능하게 하며, 정책 메커니즘을 보다 정밀하게 파악할 수 있게 한다.