Complete Subset Averaging with Many Instruments

기술 요약: 다수의 도구를 활용한 완전 부분집합 평균화 (Complete Subset Averaging)

문제 제기
도구 변수(IV) 추정량, 특히 2단계 최소제곱법(2SLS)은 경제 모델의 내생성을 해결하기 위한 표준적인 방법이다. 많은 수의 도구를 사용하는 것(과식별)은 효율성을 높일 수 있지만, 이는 추정량의 유한 표본 편향(finite-sample bias)을 증가시키는 트레이드오프를 동반한다. 기존 문헌은 이를 모델 선택(예: Donald and Newey, 2001), 추정된 가중치를 이용한 모델 평균화(예: Kuersteiner and Okui, 2010), 또는 축소(shrinkage) 방법(예: Okui, 2011)을 통해 다루어 왔다. 그러나 이러한 접근법들은 도구들이 높은 상관관계를 가질 때(Lasso와 같은 모델 선택법이 실패할 수 있는 경우) 또는 고차원에서 최적 가중치를 추정할 때 유한 표본 효율성 손실이 발생하는 상황에서 한계가 있다. 또한, 기존의 모델 평균화 방식은 대개 중첩된 모델(nested models)이나 사전에 지정된 주요 도구 집합을 필요로 한다.

방법론
저자들은 완전 부분집합 평균화(Complete Subset Averaging, CSA) 2SLS 추정량을 제안한다. 이 방법은 전체 $K$개의 가용 도구 중에서 $k$개의 도구를 선택하는 가능한 모든 완전 부분집합에 대해 적합값(fitted values)의 동일 가중 평균을 구함으로써 1단계 과정을 수행한다.

1. 추정량 구성:

   • $Z_{K,i}$를 $K$개의 제외된 도구 벡터라고 하자.
   • 선택된 부분집합 크기 $k$에 대하여, $M = \binom{K}{k}$개의 가능한 부분집합이 존재한다.
   • 각 부분집합 $m$에 대하여, 표준 2SLS 투영 행렬 $P^k_m$을 계산한다.
   • CSA 투영 행렬 $P^k$는 이 $M$개 투영 행렬의 산술 평균이다: $P^k = \frac{1}{M} \sum_{m=1}^M P^k_m$.
   • 추정량은 $\hat{\beta} = (X'P^k X)^{-1} X'P^k y$로 정의된다.
   • 결정적으로, $P^k$는 대칭적이지만 일반적으로 아이뎀포텐트(idempotent, 멱등)하지 않으며, 이는 표준 2SLS 투영 행렬과 구별되는 특징이다.

2. 부분집합 크기 선택:

   • 부분집합 크기 $k$는 근사 평균 제곱 오차(MSE)의 표본 대응치를 최소화함으로써 선택된다.
   • 근사 MSE는 유한 표본에서의 편향-분산 트레이드오프를 포착하는 Nagar (1959) 전개를 사용하여 도출된다.
   • 저자들은 $k$를 선택하기 위한 대안으로, 1단계 평균 제곱 예측 오차를 최소화하는 교차 검증(Cross-Validation, CV) 방법을 제안한다.

3. 무관한 도구 처리:

   • 본 논문은 무관한 도구의 수가 표본 크기에 따라 증가하는 시나리오로 근사 MSE를 일반화한다.
   • 도출된 공식은 관련 있는 도구와 전체 도구의 비율에 의존하는 페널티 항을 포함하며, 이는 신호의 희석을 완화하기 위해 무관한 도구가 존재할 때 최적의 $k$가 더 커야 함을 시사한다.

주요 이론적 기여

1. 근사 MSE 도출: 저자들은 Nagar 전개를 사용하여 CSA-2SLS 추정량의 근사 MSE를 도출한다. 여기서 다루어진 중요한 기술적 과제는 중첩되지 않은 투영 행렬들의 평균은 아이뎀포텐트가 아니라는 점이며, 이는 중첩된 모델을 가정하는 기존 문헌과는 다른 새로운 분석 기법을 요구한다. 도출된 공식은 편향-분산 트레이드오프를 명시적으로 보여준다.
2. 점근적 최적성: 본 논문은 (샘플 근사 MSE를 최소화하도록 선택된 $k$를 가진) CSA-2SLS 추정량이 서로 다른 부분집합 크기를 가진 CSA-2SLS 클래스 내에서 점근적으로 최적임을 증명한다. 이 결과는 Li (1987) 및 Whittle (1960)의 최적성 기준을 바탕으로 확립되었다.
3. 무관한 도구로의 일반화: 저자들은 무관한 도구의 집합이 커지는 경우로 MSE 분석을 확장한다. 그들은 무관한 도구의 존재가 작은 부분집합 크기에 대한 페널티를 증가시킨다는 것을 보여주며, 이는 이론적으로 관련 있는 도구만 있을 때보다 더 큰 $k$를 선택해야 함을 정당화한다.
4. 직교 도구 사례: 본 논문은 도구들이 상호 직교할 경우, CSA-2SLS 추정량이 선택된 $k$에 관계없이 모든 $K$개의 도구를 사용하는 표준 2SLS 추정량과 동일함을 보여준다.

실험 및 시뮬레이션 결과

• 몬테카를로 시뮬레이션: 광범위한 시뮬레이션을 통해 도구들이 상관관계를 가질 때, CSA-2SLS 추정량이 편향과 평균 제곱 오차(MSE) 측면에서 대안적 방법들(Donald-Newey 선택, Kuersteiner-Okui 평균화, 표준 2SLS 포함)보다 우수한 성능을 보임을 입증하였다. 이 방법은 높은 내생성이 존재하는 상황에서 작은 도구 집합과 관련된 "모멘트 문제"(큰 이상치)를 줄이는 데 특히 효과적이다.
• 실증적 예시: 저자들은 Berry, Levinsohn, and Pakes (1995)의 데이터를 사용하여 자동차의 로지스틱 수요 함수를 추정하는 데 이 방법을 적용하였다.
  • 많은 수의 도구가 포함된 확장 설계에서, 표준 2SLS 및 기타 추정량(DN, KO)은 경제 이론에 반하여 상당 부분의 제품에 대해 비탄력적 수요를 시사하는 추정치를 생성하였다.
  • CSA-2SLS 추정치는 가격 탄력성 계수의 절대값을 훨씬 크게 나타냈으며, 비탄력적 수요를 보이는 제품은 0.3%에 불에과했다. 이는 CSA 추정량이 일관되지 않은 OLS 결과로 몰아넣는 '많은 도구에 의한 편향'을 성공적으로 교정했음을 시사한다.

의의 및 주장
본 논문은 CSA-2SLS 추정량이 특히 도구 간 상관관계가 높은 환경에서 많은 수의 도구를 사용하는 설정에 대한 강력한 대안이 될 수 있다고 주장한다. 모델 선택이나 가중치 추정 대신 모든 완전 부분집합에 대한 동일 가중 평균을 활용함으로써, 이 방법은 높은 상관관계로 인해 성능이 저하되거나 고차원 가중치 추정 시 발생하는 효율성 손실의 함정을 피한다. 저자들은 이 방법이 자신의 클래스 내에서 점근적 최적성을 달eric하며, 시뮬레이션과 실증 적용 모두에서 기존 접근법들에 비해 편향 및 MSE 감소 측면에서 상당한 유한 표본 이득을 제공한다고 주장한다.

저자가 언급한 한계점

• 근사 MSE의 도출은 조건부 등분산 오차를 가정한다.
• 본 연구는 엄격하게 2SLS 추정량에 초점을 맞추고 있다. LIML과 같은 k-클래스 추정량으로의 확장은 향후 연구 과제로 남겨둔다.
• 본 방법은 도구가 타당하다는 것을 가정한다. 즉, 무관한 도구는 다루지만, 부적절한(invalid) 도구 문제는 다루지 않는다.