Left-truncated discrete lifespans: The AFiD enterprise panel

논문 요약: 왼쪽 절단 (Left-truncated) 이산 수명 데이터에 대한 AFiD 패널 분석

1. 연구 배경 및 문제 정의 (Problem)

• 연구 목적: 독일 기업 (AFiD 패널 데이터) 의 향후 1 년 내 폐업 (파산 또는 기타 사유) 확률 ($\theta$) 을 추정하고, 이를 통해 기업의 기대 수명을 산출하는 것입니다.
• 핵심 문제:
  1. 왼쪽 절단 (Left-truncation): 패널 데이터의 관측 시작 시점 (2018 년) 이전에 설립된 기업들은 관측 시작 시점에 이미 존재하고 있습니다. 즉, 설립부터 관측 시작 전까지의 생존 기간은 관측되지 않습니다. 기존 데이터를 무시할 경우 편향 (Immortal time bias) 이 발생할 수 있습니다.
  2. 관측 불완전성: 2018 년 이전에 폐업한 기업들은 데이터에 포함되지 않아 (Missing), 표본 선택 편향 (Sample selection bias) 문제가 발생합니다.
  3. 이산 시간 및 종속성: 기업 수명은 연속적인 시간이 아닌 '년 (Epoch)' 단위의 이산 시간으로 기록되며, 동일 기업의 연도별 생존 실험은 독립적이지 않고 종속적입니다. 또한, 기업별 관측 기간 (수명) 이 무작위적으로 다르기 때문에 표준적인 중심극한정리 적용이 어렵습니다.
• 데이터 특성: 독일 통계청 (DESTATIS) 의 AFiD 패널 데이터 (2018-2019 년 관측, 2013-2017 년 설립 기업 대상) 를 사용하며, 데이터는 왼쪽 절단 (2018 년 이전 폐업 미관측) 과 오른쪽 절단 (2019 년 이후 폐업) 이 동시에 존재합니다.

2. 방법론 (Methodology)

• 모델 가정:
  • 기업 수명 ($X$) 은 **기하 분포 (Geometric Distribution)**를 따릅니다. 즉, 매년 폐업할 확률 $\theta$는 기업의 나이와 시간에 무관하게 일정하다고 가정합니다.
  • 설립 연도 ($T$) 와 수명 ($X$) 은 서로 독립적이라고 가정합니다.
• 통계적 접근:
  • 조건부 우도 (Conditional Likelihood): 관측 가능한 데이터 (2018 년 이후 생존한 기업) 에만 초점을 맞추기 위해, 관측 가능성 조건 ($X \ge T+1$) 하에서 우도를 구성합니다. 이를 통해 설립 분포에 대한 가정이 불필요한 반모수적 (Semi-parametric) 분석이 가능해집니다.
  • 마팅갈 (Martingale) 이론의 적용:
    • 관측된 생존 과정을 '카운팅 프로세스 (Counting Process)'로 모델링합니다.
    • 관측 시작 시점 ($T$) 이후의 과정을 정의하고, 이를 **마팅갈 (Martingale)**로 변환합니다.
    • 우도 함수를 마팅갈의 변환 (Martingale transform) 으로 표현하여, 추정량의 일관성 (Consistency) 과 점근적 정규성 (Asymptotic Normality) 을 증명합니다.
    • 특히, 다양한 분산을 가진 무작위 표본 크기 (기업별 관측 기간 차이) 로 인해 발생하는 Lindeberg-Lévy 조건 위반 문제를 해결하기 위해 Rebolledo 의 마팅갈 극한 정리를 활용합니다.
• 추정량 도출:
  • 조건부 우도 함수를 최대화하여 모수 $\theta$의 추정량 ($\hat{\theta}$) 을 도출합니다.
  • 추정량은 "관측된 폐업 건수"를 "관측 가능한 위험 시간 (Time at risk) 의 합"으로 나눈 비율로 해석됩니다.
  • 오른쪽 절단 (Right-censoring) 된 데이터 (2019 년 이후 폐업) 도 보정하여 포함합니다.

3. 주요 기여 (Key Contributions)

1. 이산 시간 왼쪽 절단 데이터에 대한 엄밀한 통계적 프레임워크: 기존 연속 시간 모델 (Doob-Meyer 분해 등) 과 달리, 이산 시간 (연도 단위) 데이터에 특화된 마팅갈 기반 추정 이론을 정립했습니다.
2. 설립 분포에 대한 무관성 (Invariance): 조건부 우도 (Conditional Likelihood) 를 사용하여 설립 연도 분포를 명시적으로 모델링하지 않아도 되게 하여, 반모수적 추정이 가능하게 했습니다.
3. 점근적 성질의 증명: 무작위 절단 (Random truncation) 과 이산 시간 종속성을 고려하여, 추정량의 일관성과 점근적 정규성을 엄밀하게 증명했습니다.
4. 실증적 적용: 140 만 개의 기업 데이터를 대상으로 실제 추정치를 산출하고 신뢰구간을 제시했습니다.

4. 연구 결과 (Results)

• 데이터: 2013-2017 년에 설립된 약 140 만 개 독일 기업 데이터 (2018-2019 년 관측).
• 추정값:
  • 연간 폐업 확률 ($\theta$) 의 추정치: 약 0.1009 (95% 신뢰구간: [0.1005, 0.1013]).
  • 기업 기대 수명: 약 10 년 (95% 신뢰구간: [9.88, 9.95] 년).
  • 신뢰구간의 폭은 약 2 개월로 매우 정밀하게 추정되었습니다.
• 비교 분석:
  • 기존 연구 (독일, 일본, 포르투갈, 미국 등) 와 비교 시, 독일 기업의 폐업률은 일본보다 높고 포르투갈이나 파키스탄보다 낮은 중간 수준임을 확인했습니다.
  • 특히 25% 분위수 (2 년) 와 50% 분위수 (7 년) 등 기존 연구 결과와 기하 분포 모델의 예측치가 잘 부합함을 보였습니다.
• 시뮬레이션: 대용량 ($n > 100$만) 데이터에서 추정량의 평균 제곱 오차 (MSE) 가 매우 작음을 확인하여 일관성을 검증했습니다.

5. 의의 및 의의 (Significance)

• 방법론적 혁신: 기업 인구통계학 (Business Demography) 분야에서 흔히 발생하는 왼쪽 절단과 오른쪽 절단이 공존하는 이산 시간 데이터에 대해, 마팅갈 이론을 적용한 정교한 추정 방법을 제시했습니다. 이는 기존의 단순한 비율 계산이나 복잡한 생존 분석 모델을 넘어선 통계적 엄밀성을 제공합니다.
• 정책적 활용: 독일 기업들의 평균 수명과 폐업 위험을 매우 정밀하게 (오차 범위 2 개월 내) 추정함으로써, 기업 지원 정책 및 금융 리스크 관리에 기초 데이터를 제공합니다.
• 확장성: 이 연구는 이산 시간 이벤트 히스토리 데이터 분석에 대한 일반적인 프레임워크를 제공하며, 다른 국가나 다른 산업군으로의 적용 가능성을 열어줍니다. 또한, 예측 (Forecasting) 분야에 통계학적 기여를 했다는 점도 강조됩니다.

결론적으로, 이 논문은 독일 기업 데이터의 복잡한 구조 (왼쪽 절단, 이산 시간, 무작위 표본 크기) 를 마팅갈 이론을 통해 해결하고, 기업 수명에 대한 정밀한 통계적 추정을 가능하게 한 방법론적 및 실증적 성과입니다.