A Frequentist Approach to Revealed Preference Analysis

1. 문제 제기 (Problem)

• 현황: 기존 RP 분석 (예: Afriat, Varian) 은 관찰된 선택 데이터가 주어진 선호 모델 (예: 효용 극대화) 과 일치하는지 여부를 결정하는 **필요충분조건 (exhaustive inequalities)**을 제공합니다. 그러나 이러한 테스트는 데이터가 유한할 때 두 가지 중요한 한계가 있습니다.
  1. 검정력 부재: 데이터가 관찰된 선택을 합리화할 수 있다고 해서 (RP 테스트 통과), 소비자가 실제로 합리적인 것은 아닙니다. 단순히 데이터가 부족하여 비합리적인 패턴을 탐지하지 못했을 뿐일 수 있습니다.
  2. 대립가설의 모호성: 통계적 검정력을 평가하려면 대립가설 (합리성이 아닌 경우) 을 구체화해야 하지만, 합리적 선택 모델에 대한 간결한 대안 (parsimonious alternative) 을 정의하기 어렵습니다.
• 핵심 질문: "합리성에서 $\epsilon$만큼 벗어난 소비자를 높은 확률로 탐지하기 위해 필요한 표본 크기 $n$은 얼마인가?" 또는 "주어진 표본 크기 $n$에서 탐지 가능한 최소 편차 $\epsilon$은 얼마인가?"

2. 방법론 (Methodology)

이 논문은 통계적 학습 이론 (Statistical Learning Theory), 특히 PAC 학습 (Probably Approximately Correct Learning) 개념을 경제학의 RP 분석에 적용합니다.

• 기본 가정:
  • 수요 함수는 **리프시츠 연속성 (Lipschitz condition)**을 만족합니다 (매끄러운 변화).
  • 가격은 무작위로 표본 추출됩니다 (Frequentist 접근: 세계는 결정론적이지만 표본 추출 과정이 확률적).
  • 관찰된 데이터 $D_n = \{(p_k, g(p_k))\}$는 고정된 실제 선택 함수 $g$에서 생성됩니다.
• 핵심 아이디어:
  • 수요 함수가 리프시츠 연속성을 가지므로, 충분히 많은 무작위 표본 ($n$) 이 주어지면 데이터에 맞는 임의의 함수는 실제 선택 함수와 전역적으로 (관찰된 점뿐만 아니라) 매우 가까워집니다.
  • 따라서 실제 선택 함수가 합리적 모델 집합 $F$에서 충분히 멀리 ($\epsilon$ 이상) 떨어져 있다면, 데이터에 맞는 모든 함수도 $F$에서 멀리 떨어지게 되어 RP 테스트가 이를 거부 (reject) 할 것입니다.
• 수학적 형식화:
  • 가설 설정:
    • $H_0: g \in F$ (합리적 모델)
    • $H_1: g \in G \setminus F(\epsilon)$ (합리적 모델에서 거리 $\epsilon$ 이상 떨어진 대안)
  • 목표: 주어진 신뢰수준 $1-\delta$와 탐지 임계값 $\epsilon$에 대해, 검정력 (Power) 이 $1-\delta$ 이상이 되도록 하는 최소 표본 크기 $n(\epsilon, \delta)$를 도출하거나, 고정된 $n$에 대한 검정력 하한을 계산합니다.
  • PAC 학습 연결: 리프시츠 클래스 $G$는 PAC 학습 가능하므로, 오차 $\epsilon$과 신뢰도 $1-\delta$를 달성하는 데 필요한 표본 복잡도 (Sample Complexity) 를 계산할 수 있습니다.

3. 주요 기여 (Key Contributions)

1. RP 테스트의 검정력에 대한 이론적 기반 마련:
   • PAC 학습 이론을 활용하여, 리프시츠 수요 함수 클래스에 대해 명시적인 **검정력 보장 (Power Guarantees)**을 제공합니다.
   • 표본 크기 $n$, 신뢰도 $1-\delta$, 그리고 모델과의 거리 $\epsilon$ 사이의 관계를 정량화하는 함수 $n(\epsilon, \delta)$를 제시합니다.
2. 함수적 제약 (Functional Restrictions) 을 통한 확장:
   • 전통적인 RP 부등식 (알고리즘적으로 계산하기 어렵거나 NP-난해한 경우, 예: 약분리성) 이 불가능한 경우에도 적용 가능합니다.
   • 함수적 제약 $R(g)=0 \iff g \in F$를 도입하고, 이 제약이 **균등 연속성 (Uniform Continuity)**과 **정규성 (Regularity)**을 만족할 때, 유한 표본에서 검정력과 오차 범위를 보장하는 테스트를 구성합니다.
   • 이는 계산적으로 비효율적인 정확한 RP 테스트를 대신할 수 있는 실용적인 대안을 제공합니다.
3. 효율성 추정에 대한 신뢰구간 (Confidence Intervals):
   • 수요의 매끄러운 함수적 특성 (예: 생활비 지수 변화, 등가변화 EV 등) 에 대한 신뢰구간을 구성하는 방법을 제시합니다.
   • 이 구간 너비는 학습 복잡도와 함수의 연속성 모듈러스에 의해 결정됩니다.
4. 시뮬레이션을 통한 통찰:
   • 다양한 선호 모델 (합리적, 동차성, 약분리성, 기대효용) 에 대한 검정력 곡선을 시뮬레이션했습니다.
   • 결과: GARP(일반화된 표현된 선호) 와 같은 테스트는 작은 편차를 탐지하는 데 매우 많은 표본이 필요할 수 있으며, 기대효용 (EU) 모델은 작은 편차에도 민감하게 반응하여 자주 기각될 수 있음을 보였습니다. 이는 실제 데이터에서 특정 모델이 "드물게 기각되는" 현상이 모델의 타당성 때문이 아니라 통계적 검정력 부족 때문일 수 있음을 시사합니다.

4. 주요 결과 (Results)

• 정리 3.1 - 3.3 (유한 표본 이론):
  • 정리 3.1: $n \ge n(\epsilon, \delta)$일 때, RP 테스트는 $\epsilon$ 이상 떨어진 대안에 대해 최소 $1-\delta$의 검정력을 가짐을 보장합니다.
  • 정리 3.2: 고정된 $n$과 $\epsilon$에 대해, 달성 가능한 최소 신뢰도 $1-\delta(\epsilon, n)$를 계산합니다.
  • 정리 3.3: 고정된 $n$과 신뢰도 $1-\delta$에 대해, 탐지 가능한 최소 거리 $\epsilon(n, \delta)$를 정의합니다.
• 함수적 테스트 (Theorem 4.1):
  • 균등 연속적이고 정규적인 함수적 제약 $R$을 사용하여, 크기 (Size) 가 $\delta$ 이하이고 검정력이 $1-\delta$ 이상인 테스트 알고리즘을 구성합니다. 이는 NP-난해한 약분리성 (Weak Separability) 테스트 등에 적용 가능합니다.
• 시뮬레이션 결과:
  • **SUM (정적 효용 극대화)**과 **WS (약분리성)**은 합리성에서 작은 편차를 탐지하는 데 매우 큰 표본이 필요합니다.
  • **H (동차성)**과 **EU (기대효용)**는 상대적으로 적은 표본으로도 높은 검정력을 보입니다.
  • 이는 서로 다른 선호 모델 간 기각률 (rejection rates) 을 비교할 때 통계적 검정력 차이를 고려해야 함을 강조합니다.

5. 의의 및 결론 (Significance)

• 이론적 전환: 데이터 자체를 테스트하는 것에서 **의사결정자 (Decision Maker)**를 테스트하는 관점으로 전환합니다. 즉, "데이터가 합리화 가능한가?"가 아니라 "이 데이터 양으로 합리성 위반을 탐지할 확률이 충분한가?"를 묻습니다.
• 실용적 가치:
  • 정책 예측이나 후생 분석 (Welfare analysis) 시, 데이터의 풍부함이 모델의 신뢰성을 보장하는지 판단할 수 있는 기준을 제공합니다.
  • 계산적으로 불가능한 복잡한 선호 모델 (약분리성 등) 에 대해서도 통계적으로 유의미한 검정을 가능하게 합니다.
• 한계 및 향후 과제:
  • 현재 결과는 주로 **존재성 (Existence Results)**에 기반합니다. 실제 적용을 위해서는 리프시츠 상수나 가격 분포와 같은 모수를 데이터로부터 추정하거나 경계화하는 실용적인 절차 개발이 필요합니다.
  • 적응적 표본 추출 (Adaptive Sampling) 을 통해 검정력을 높이는 방안도 논의되었습니다.

요약하자면, 이 논문은 표현된 선호 분석에 통계적 엄밀성을 부여하여, 유한한 데이터 하에서 모델 검증의 한계를 정량화하고, 더 강력한 검정력을 가진 새로운 테스트 프레임워크를 제시했다는 점에서 중요한 기여를 합니다.