SVARs with breaks: Identification and inference

이 논문은 구조적 단절을 가진 SVAR(SVAR-WB) 모델에서 다양한 제약 조건을 결합하여 점 및 구간 식별성을 확보하고, 관찰적으로 동등한 매개변수 집합 전체를 고려한 새로운 추정 및 추론 방법을 제안하며, 이를 미국 통화정책의 전파 메커니즘에 대한 실증 분석을 통해 입증합니다.

핵심

1. 배경: 경제는 변한다 (구조적 변화)

경제는 항상 똑같은 법칙으로 움직이지 않습니다. 예를 들어, 1970 년대의 '대인플레이션' 시대와 1980 년대 이후의 '대안정기 (Great Moderation)' 시대는 중앙은행의 통화 정책이 경제에 미치는 영향이 완전히 달랐습니다.

기존의 통계 모델은 "경제는 항상 같은 법칙을 따른다"라고 가정하고 분석했습니다. 하지만 이는 마치 계절이 바뀌는데도 겨울 옷만 입고 여름을 보내는 것과 같습니다. 이 논문은 "아, 이 시기는 겨울이고 저 시기는 여름이구나"라고 구분해서 분석할 수 있는 새로운 도구를 개발했습니다.

2. 문제점: 미스터리한 단서들 (식별 문제)

경제 데이터를 분석할 때, 우리는 관찰할 수 있는 데이터 (예: 물가, 금리, 고용) 만 볼 수 있습니다. 하지만 진짜 중요한 것은 눈에 보이지 않는 '구조적 충격' (예: 중앙은행의 의도치 않은 정책 변화, 공급 충격 등) 입니다.

• 비유: 마치 미스터리 영화를 보고 있습니다. 우리는 범인의 얼굴 (구조적 충격) 을 직접 보지 못하고, 범인이 남긴 발자국 (데이터) 만 보고 범인이 누구인지 추리해야 합니다.
• 문제: 발자국만 보고 범인을 특정하기엔 정보가 부족합니다. "범인은 A 일 수도 있고, B 일 수도 있다"라는 여러 가지 가능한 해답이 동시에 나올 수 있습니다.
• 기존의 실수: 기존 연구자들은 이 여러 가능성 중 가장 그럴듯해 보이는 하나만 골라내서 결론을 내렸습니다. 하지만 이는 마치 "범인이 A 일 확률이 51% 라서 A 라고 단정 짓는" 것과 같아, 잘못된 결론을 내릴 위험이 큽니다.

3. 해결책: 새로운 규칙과 나침반 (제약 조건)

이 논문은 "단서 (데이터) 가 부족하더라도, 우리가 아는 경제 이론을 규칙으로 적용하면 범인을 더 좁힐 수 있다"고 말합니다.

• 안정성 규칙 (Stability Restrictions): "비록 시대가 바뀌어도, 어떤 충격의 영향력은 변하지 않는다"는 규칙을 세웁니다. (예: "공급 충격이 물가에 미치는 영향은 과거나 현재나 비슷할 것이다")
• 부호 및 순위 규칙: "금리가 오르면 물가는 떨어질 것이다 (부호)", "공급 충격의 영향이 수요 충격보다 클 것이다 (순위)" 같은 추가적인 규칙을 적용합니다.
• 효과: 이 규칙들을 적용하면, 수많은 가능성 중에서 진짜 범인 (해답) 이 될 수 있는 후보군을 훨씬 좁힐 수 있습니다.

4. 핵심 기여: 모든 가능성을 고려하라 (추론의 혁신)

이 논문의 가장 큰 혁신은 **"하나의 정답만 찾는 게 아니라, 모든 가능한 정답을 함께 고려하라"**는 것입니다.

• 기존 방식 (나쁜 나침반): 여러 갈래 길이 있을 때, 지도를 보고 "저기 저 길이겠지?" 하고 하나만 선택해서 갑니다. 만약 그 길이 막혀있다면 전체 여행을 망칩니다.
• 이 논문의 방식 (똑똑한 나침반): "이 길이 될 수도 있고, 저 길이 될 수도 있어. 두 가지 경우 모두를 고려해서 여행 계획을 세워보자"라고 합니다.
  • 베이지안 접근: 모든 가능한 길 (해답) 에 대해 확률을 계산합니다.
  • 강건한 (Robust) 접근: 어떤 가정을 하더라도 결론이 흔들리지 않는 '안전한 구간'을 찾습니다.

이를 통해 연구자들은 "통화 정책이 경제에 미치는 영향이 이 시기는 이렇게, 저 시기는 저렇게 변했다"는 것을 훨씬 더 정확하게, 그리고 신뢰성 있게 증명할 수 있게 됩니다.

5. 실증 분석: 미국 통화 정책의 비밀

연구자들은 이 새로운 방법으로 미국의 통화 정책 (연방준비제도) 이 '대인플레이션' 시대와 '대안정기' 시대에 어떻게 달랐는지 분석했습니다.

• 결과: 과거에는 중앙은행이 물가 상승에 덜 민감하게 반응했지만, '대안정기' 이후에는 물가 충격에 대해 훨씬 더 강력하고 즉각적으로 반응하게 되었습니다.
• 의미: 중앙은행이 더 잘 대처하게 되자, 오히려 예상치 못한 통화 정책 충격이 실제 경제 (생산량 등) 에 더 큰 영향을 미치게 되었습니다. 이는 중앙은행이 신뢰를 얻으면서, 그 정책이 더 강력하게 작동하게 된 결과로 해석됩니다.

요약

이 논문은 **"경제는 시대에 따라 변한다"**는 사실을 인정하고, **"단 하나의 정답만 찾으려 하지 말고, 모든 가능한 정답을 함께 고려하는 새로운 분석 방법"**을 제시합니다. 이를 통해 경제 정책의 효과를 훨씬 더 정확하게 파악하고, 미래의 실수를 줄일 수 있는 길을 열었습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

이 논문은 거시경제학 및 금융 변수 간의 관계에서 관찰되는 구조적 변이 (Structural Breaks) 와 파라미터 불안정성을 고려한 구조적 벡터 자기회귀 (SVAR) 모델을 다룹니다. 기존 SVAR 분석에서 발생하는 주요 문제들은 다음과 같습니다.

• 식별의 한계 (Identification Issue): 거시경제 데이터의 변동성이 제한적이거나, 경제 이론이 파라미터를 유일하게 식별하는 데 필요한 정보를 제공하지 못할 때 식별이 어렵습니다.
• 불안정성의 활용: 많은 실증 연구 (예: 'Great Moderation' 기간의 변동성 감소) 가 구조적 변이를 보여줍니다. 기존 연구들은 이 변이를 단순히 노이즈나 이분산성 (Heteroskedasticity) 으로만 보거나, 각 regime( regime) 을 독립적으로 분석하는 경향이 있었습니다.
• 국소 식별 (Local Identification) 의 함정: 구조적 변이를 가진 SVAR (SVAR-WB) 모델은 여러 regime 간의 제약 (예: 안정성 제약) 을 통해 식별력을 얻을 수 있지만, 이는 종종 국소 식별 (Local Identification) 로 이어집니다. 국소 식별 상태에서는 관측적으로 동등한 (Observationally Equivalent) 다중 파라미터 점들이 존재하게 됩니다.
• 기존 추론 방법의 결함:
  • 빈도주의적 접근: 우도 함수의 여러 극대점 중 하나만 선택하여 추론을 수행하므로, 잘못된 결론을 내릴 위험이 큽니다.
  • 베이즈 접근: 국소 식별 하에서는 사후분포가 다중 모드 (Multi-modal) 를 가지며, 사전분포 (Prior) 에 대한 민감도가 사라지지 않아 (Non-vanishing sensitivity) 신뢰할 수 없는 추론을 초래할 수 있습니다.

2. 방법론 (Methodology)

저자들은 구조적 변이가 있는 SVAR (SVAR-WB) 을 위한 새로운 식별 이론과 추론 프레임워크를 제안합니다.

A. 모델 설정 및 제약 조건

• SVAR-WB 모델: $s$개의 regime 과 $s-1$개의 구조적 변이 시점을 가진 SVAR 모델을 정의합니다. 각 regime 의 구조적 파라미터가 다를 수 있지만, 일부 파라미터나 함수 (충격 반응 함수 등) 는 regime 간에 안정적 (Stable) 일 수 있다고 가정합니다.
• 다양한 제약 조건의 통합:
  1. 등식 제약 (Equality Restrictions): 파라미터 자체나 충격 반응 함수 (Impulse Responses) 에 대한 선형/비선형 제약.
  2. 안정성 제약 (Stability Restrictions): 특정 파라미터나 충격 반응이 모든 regime 에서 동일해야 한다는 제약 (식별력 향상의 핵심).
  3. 부호 및 순위 제약 (Sign & Ranking Restrictions): 파라미터나 충격 반응의 부호, 혹은 regime 간 크기 비교에 대한 불평등 제약.
  4. 예측오차분산 (FEV) 제약: 특정 충격이 변수의 예측오차분산에 기여하는 비율에 대한 제약 (regime 간 비교 포함).

B. 식별 이론 (Identification Theory)

• 국소 식별 조건: 전역 식별 (Global Identification) 이 아닌 국소 식별을 전제로 합니다.
  • 필요 조건 (Order Condition): 제약 조건의 수가 파라미터의 자유도보다 많아야 함 ($f \ge s \cdot n(n-1)/2$).
  • 충분 조건 (Rank Condition): 파라미터 공간의 특정 점에서 식별을 보장하는 충분 랭크 조건을 유도했습니다. 이는 Rubino-Ramirez et al. (2010, RWZ) 의 결과를 SVAR-WB 로 확장한 것으로, 충격별 (Shock-by-shock) 로 식별 여부를 확인하는 알고리즘을 제공합니다.
  • 필요충분 조건: RWZ 의 결과를 일반화하여, 임의의 제약 구조 (비재귀적 포함) 에 대해 국소 식별을 보장하는 필요충분 랭크 조건을 제시했습니다.

C. 추정 및 추론 방법 (Estimation & Inference)

국소 식별 하에서 관측적으로 동등한 모든 해 (Admissible Solutions) 를 고려하는 새로운 접근법을 제안합니다.

1. 모든 해의 탐색 (Algorithm 3): 주어진 축소형 (Reduced-form) 파라미터에 대해 등식 및 부호 제약을 만족하는 모든 직교 행렬 (Orthogonal Matrices) 을 찾는 알고리즘을 개발했습니다. 이는 단일 해를 찾는 기존 최대우도법 (ML) 과 대조적입니다.
2. 추론 프레임워크:
   • 베이즈 추론 (Bayesian Inference): 관측적으로 동등한 모든 해에 균일한 가중치를 부여하여 사후분포를 근사합니다.
   • 빈도주의적 유효 추론 (Frequentist-valid Inference): 축소형 파라미터의 신뢰구간을 식별 집합 (Identified Set) 을 통해 투영 (Projection) 하여, 사전분포 선택에 독립적인 신뢰구간을 구성합니다.
   • 강건한 베이즈 추론 (Robust Bayesian Inference): Giacomini and Kitagawa (2021) 의 다중 사전분포 (Multi-prior) 접근법을 SVAR-WB 로 확장합니다. 특정 사전분포에 의존하지 않고, 식별 집합 전체를 고려하여 하한/상한 확률 (Lower/Upper Probability) 과 강건한 신뢰영역을 도출합니다.

3. 주요 기여 (Key Contributions)

1. SVAR-WB 의 식별 이론 정립: regime 간 제약 (특히 안정성 제약) 을 활용하여 식별력을 높일 수 있음을 증명하고, 이를 검증하기 위한 새로운 필요충분 랭크 조건과 알고리즘을 제시했습니다.
2. 국소 식별 하의 다중 해 처리: 국소 식별 모델에서 발생하는 다중 극대점 (Multiple Peaks) 문제를 해결하기 위해, 모든 관측적으로 동등한 해를 탐색하고 이를 추론에 반영하는 알고리즘을 개발했습니다.
3. 새로운 제약 조건의 도입: 기존 SVAR 문헌에 없던 regime 간 불평등 제약 (Cross-regime Inequality Constraints) (부호, 순위, FEV 비교) 을 체계적으로 통합했습니다. 이는 부분 식별 (Set Identification) 모델을 가능하게 합니다.
4. 강건한 추론 프레임워크: 부분 식별 (Set-identified) SVAR-WB 에 적용 가능한 순수 베이즈 및 강건한 베이즈 추론 방법을 개발하여, 사전분포 민감성 문제를 해결했습니다.

4. 실증 분석 결과 (Empirical Results)

미국 통화정책의 전달 메커니즘을 'Great Inflation' (1954-1979) 과 'Great Moderation' (1979-2008) 두 시기로 나누어 분석했습니다.

• 모델 비교: 등식 제약만 있는 모델, 부호 제약 추가 모델, 부분 식별 모델 (ranking, FEV 제약 포함) 등을 비교했습니다.
• 주요 발견:
  • 국소 식별의 중요성: 등식 제약만으로는 관측적으로 동등한 두 개의 해가 존재하여, 부호 제약을 추가하지 않으면 충격 반응 함수의 방향이 불확실할 수 있었습니다. 부호 제약을 통해 비현실적인 해를 제거할 수 있었습니다.
  • 통화정책 충격의 효과:
    • Great Inflation: 통화 긴축이 산출량 (Output Gap) 에 미치는 부정적 효과가 통계적으로 유의미했으나, 그 크기와 지속성은 Great Moderation 보다 작았습니다.
    • Great Moderation: 통화 긴축이 산출량에 미치는 부정적 효과가 더욱 강력하고 지속적이었습니다.
  • Fed 의 반응 함수: Great Moderation 기간 동안 Fed 는 물가 충격 (Supply shocks) 에 대해 더 공격적이고 장기적인 반응을 보였습니다. 이는 Fed 의 신뢰도 향상으로 인해 경제 주체들이 Fed 의 반응을 예측하게 되었고, 결과적으로 예상치 못한 통화정책 충격 (Orthogonal shock) 이 실물 경제에 더 큰 영향을 미치게 되었음을 시사합니다.
  • 제약 조건의 효과: regime 간 순위 및 FEV 제약 (Model V) 을 적용하면, 부분 식별 모델에서도 신뢰구간이 크게 축소되어 통화정책 효과의 regime 간 차이를 더 명확하게 확인할 수 있었습니다.

5. 의의 및 결론 (Significance)

이 논문은 구조적 변이가 있는 SVAR 분석의 방법론적 한계를 극복하는 중요한 기여를 했습니다.

• 이론적 의의: 구조적 변이를 단순한 방해 요인이 아닌, 식별력을 높이는 자원으로 활용하는 방법을 체계화했습니다. 특히 국소 식별 상황에서 발생하는 다중 해 문제를 해결하고, 이를 위한 강건한 추론 도구를 제공했습니다.
• 실증적 의의: 미국 통화정책의 효과성이 시기에 따라 어떻게 변화했는지에 대한 새로운 통찰을 제공했습니다. 기존 연구들이 간과했던 '예상치 못한 충격'과 '예상된 반응'의 차이를 식별하여, Great Moderation 기간의 통화정책이 실물 경제에 더 큰 영향을 미쳤다는 점을 규명했습니다.
• 실무적 의의: 경제학자들이 구조적 변이를 가진 데이터를 분석할 때, 단일 해에 의존하는 오류를 피하고, 다양한 제약 조건을 유연하게 적용하여 더 신뢰할 수 있는 정책 평가를 할 수 있도록 하는 도구를 제공했습니다.

요약하자면, 이 연구는 SVAR-WB 모델의 식별 이론을 확장하고, 국소 식별 및 부분 식별 상황에서의 강건한 추론 방법을 제시함으로써, 구조적 변이를 가진 거시경제 모델링의 표준을 높였습니다.