Identifying Unmeasured Confounders in Panel Causal Models: A Two-Stage LM-Wald Approach

논문 요약: 패널 인과 모델에서 측정되지 않은 교란변수 식별을 위한 2 단계 LM-Wald 접근법

1. 연구 배경 및 문제 제기 (Problem)

• 패널 데이터의 중요성: 정치학, 심리학 및 사회과학 전반에서 인과 메커니즘과 동적 피드백 과정을 규명하기 위해 종단 패널 데이터가 핵심적으로 사용됨.
• 핵심 가정의 취약성: 기존 패널 모델 (CLPM, RI-CLPM 등) 은 **순차적 무작위성 (Sequential Ignorability)**이라는 강력한 가정에 의존함. 즉, 시간에 걸쳐 예측변수와 결과변수에 동시에 영향을 미치는 측정되지 않은 변수가 없다는 가정.
• 문제점:
  • 이 가정이 위배될 경우 (측정되지 않은 교란변수 존재), 통계적 타당성뿐만 아니라 인과 메커니즘에 대한 이론적 해석도 위협받음.
  • 기존 방법론 (지연된 설명변수 사용, RI-CLPM 의 안정적 차이 분리 등) 은 시간 불변 교란변수는 어느 정도 통제할 수 있으나, 시간에 따라 변하는 교란변수나 동적으로 지속되는 교란변수로 인한 편향을 완전히 제거하지 못함.
  • 기존 민감도 분석 (Sensitivity Analysis) 기법들은 주로 단일 예측변수에 초점을 두거나, 잠재적 잔차 상관관계를 무시하여 복잡한 패널 데이터의 다중 경로 교란을 탐지하는 데 한계가 있음.

2. 방법론: 2 단계 LM-Wald (2SLW) 접근법 (Methodology)

저자는 측정되지 않은 교란변수를 탐지하기 위해 2 단계 LM-Wald (2SLW) 진단 프레임워크를 제안함. 이 방법은 확인적 요인 분석 (CFA) 에서 사용되던 수정 지수 (Modification Indices) 기반의 접근을 패널 인과 모델에 적용하여 발전시킴.

• 핵심 원리: 2SLW 는 교란변수 자체를 복원하는 것이 아니라, 순차적 무작위성이 함축하는 제약 조건 (예: 잔차 공분산이 0 이어야 함) 이 관측 데이터와 통계적으로 양립 가능한지 평가함.
• 2 단계 절차:
  1. 1 단계: LM (Lagrange Multiplier) 테스트 및 EPC (Expected Parameter Change) 선정
     • 제약된 모델 (측정되지 않은 교란변수가 없는 모델) 을 추정함.
     • LM $\chi^2$ 통계량과 EPC 값을 기반으로 모델 오적합 (Misfit) 을 유발하는 상위 25 개의 후보 매개변수를 선정함.
     • 시간적 순서 위반, 비식별성 문제, 의미 없는 상관관계 등을 제외하고 후보를 필터링함.
  2. 2 단계: Wald 테스트를 통한 검증
     • 1 단계에서 선정된 후보 매개변수를 순차적으로 모델에 추가 (Forward Stepwise) 함.
     • Wald 테스트를 통해 해당 제약이 해제되었을 때 매개변수가 통계적으로 유의미한지 ($p < 0.05$) 확인함.
     • 결정 기준: LM 테스트에서 유의하고 (국소적 필요성), Wald 테스트에서도 유의한 (전역적 추정 가능성) 경우에만 교란변수 또는 누락된 경로를 식별된 것으로 간주함.
• 구현: R 패키지 lavaan을 통해 구현 가능.

3. 주요 기여 (Key Contributions)

• 새로운 진단 도구 개발: 기존 패널 모델의 순차적 무작위성 위반을 체계적으로 탐지할 수 있는 2SLW 프레임워크를 처음 제안함.
• 이론적 통합: 심리측정 이론, 패널 인과 모델링, 민감도 진단을 통합하여 인과 추론의 견고성을 강화함.
• 범용성: RI-CLPM (Random Intercept Cross-Lagged Panel Model) 에서 시연되었으나, 표준 CLPM 및 고차원 패널 모델 등 다양한 종단 설계에 적용 가능함.
• 실용성: 연구자가 주관적인 변수 선택에 의존하지 않고, 통계적 검정을 기반으로 교란변수의 위치를 객관적으로 식별할 수 있는 구조화된 프로세스 제공.

4. 연구 결과 (Results)

• 모의실험 (Monte Carlo Simulations):

  • 3 가지 시나리오 (편향된 변수 간 연관성, 직접 효과 왜곡, 매개 경로 변경) 를 포함한 RI-CLPM 데이터로 시뮬레이션 수행.
  • 성공적 식별: 2SLW 는 세 가지 조건 모두에서 측정되지 않은 교란변수를 신뢰성 있게 식별함.
    • 모델 1 (상관관계): 잔차 간 상관관계 ($WFX_4 \sim WFY_2$ 등) 를 LM 과 Wald 테스트로 정확히 탐지.
    • 모델 2 (직접 효과): 시간 간격을 둔 직접 경로 ($WFX_2 \to WFX_4$) 를 식별.
    • 모델 3 (매개): 누락된 매개변수 ($M$) 를 통한 간접 경로를 식별.
  • 편향 감소: 교란변수를 식별하여 모델에 포함시켰을 때, 자기회귀 (AR) 및 교차지연 (CL) 계수의 추정치가 모집단 모수와 더 가까워지고 편향이 감소함.

• 실증 분석 (Empirical Application):

  • 데이터: 네덜란드 LISS 패널 데이터 (2008, 2014, 2020 년) 를 활용.
  • 주제: '친화성 (Agreeableness)' 성격 특성과 '이민 정책 태도' 간의 동적 관계 분석 (RI-CLPM 적용).
  • 결과:
    • 기저 모델 (Baseline): 이민 태도가 친화성 변화를 예측한다는 이론적으로 예상치 못한 결과가 나옴. 모델 적합도 지수 ($\chi^2$) 가 높고 음의 분산 추정치 등 오적합 징후가 나타남.
    • 2SLW 적용 후: $WFY_1$과 $WFY_3$ 간의 잔차 상관관계 ($c_1$) 를 식별하여 모델에 포함.
    • 변화: 수정된 모델에서는 친화성 증가가 배제적인 이민 태도 감소와 연결되는 등 이론적 기대와 부합하는 결과로 전환됨. 모델 적합도 (CFI, RMSEA 등) 가 크게 개선됨.

5. 의의 및 결론 (Significance)

• 인과 추론의 신뢰성 제고: 패널 연구에서 관찰된 동적 관계가 진정한 피드백 과정인지, 아니면 숨겨진 교란변수로 인한 인위적 상관관계인지 구분하는 강력한 진단 도구 제공.
• 연구 관행의 변화: 단순한 모델 적합도 개선 (Fit Improvement) 을 넘어, 인과 가정의 위반을 탐지하고 수정하는 체계적인 민감도 분석 접근법 제시.
• 한계 및 향후 과제: 2SLW 는 진단 도구일 뿐 교란변수의 인과적 근원을 확정하거나 편향을 보정된 추정치로 바로 변환하지는 않음. 따라서 연구자는 2SLW 결과를 이론적 근거와 교차검증하여 해석해야 함. 향후 소표본에서의 성능 및 형식적 민감도 분석 프레임워크와의 통합이 필요함.

결론적으로, 이 논문은 패널 데이터 분석에서 측정되지 않은 교란변수로 인한 편향을 탐지하고 수정하기 위한 통계적으로 엄밀하고 실용적인 2SLW 프레임워크를 제시함으로써, 정치 행동, 태도 변화, 정책 피드백 연구 등 다양한 사회과학 분야의 인과 추론 신뢰도를 높이는 데 기여함.