A Flexible Approach to Augmenting a Bayesian VAR with Nonlinear Factors

기술 요약: 비선형 요인을 활용한 베이지안 VAR 증강에 대한 유연한 접근법

문제 제기
표준 벡터 자기회귀(VAR) 모델은 거시경제 예측 및 구조 분석에 널리 사용되지만, 비대칭성이나 체제 전환(regime shifts)과 같은 복잡한 역학을 포착하지 못할 수 있는 선형 가정에 의존한다. 베이지안 가법 회귀 나무(BART)와 같은 비모수적 방법론은 유연성을 제공하지만, 고차원 시스템(예: $M$개의 변수)의 모든 방정식에 이를 직접 적용하는 것은 과도한 매개변수화, 계산상의 병목 현상, 그리고 특히 분기별 거시경제 데이터와 같이 표본이 작은 경우 발생하는 과적합 문제를 초래한다. 저자들은 비선형성을 포착할 수 있는 유연성과 고차원 추론에 필요한 간결성 사이의 균형을 맞추는 모델의 필요성을 다룬다.

방법론
본 논문은 선형 VAR에 비모수적으로 모델링된 저차원 비선형 요인 집합을 결합한 준모수적 모델인 Factor-BART VAR를 제안한다.

1. 모델 명세:
   시스템은 다음과 같이 정의된다:
   $$y_t = A x_t + \Lambda_\mu \mu(x_t) + \varepsilon_t$$
   여기서 $y_t$는 $M \times 1$ 관측치 벡터이고, $x_t$는 $y_t$의 $p$개 시차(lags)를 포함하며, $A$는 선형 VAR 계수를 나타낸다. 비선형 성분은 $\mu(x_t)$에 의해 포착되는데, 이는 $Q_\mu \times 1$ 크기의 잠재 비선형 요인 벡터이다 ($Q_\mu \ll M$). 행렬 $\Lambda_\mu$는 이 요인들을 다시 관측된 시계열로 매핑한다.

• 비선형 요인: 함수 $\mu_j(\cdot)$는 **베이지안 가법 회귀 나무(BART)**를 사용하여 모델링된다. 이를 통해 사전에 파라미터 형태를 지정하지 않고도 복잡하고 알려지지 않은 함수 형태(예: 임계값, 매끄러운 비선형성)를 근사할 수 있다.
• 오차 구조: 혁신 항 $\varepsilon_t$는 부호 제한(sign restrictions)을 통한 구조적 식별을 용이하게 하기 위해 선형 정적 요인 모델($\varepsilon_t = \Lambda_q q_t + \eta_t$)을 따르며, $\eta_t$는 고유한 가우시안 노이즈이다.

2. 함수적 풀링(Functional Pooling) 및 간결성:
   핵심적인 혁신은 함수적 풀링이다. 각 변수마다 별도의 비선형 함수를 추정하는 대신, 이 모델은 $Q_\mu$개의 공통 비선형 함수를 추정한다. 로딩(loadings) $\Lambda_\mu$는 이러한 공통 요인이 각 방정식에 어떻게 기여하는지를 결정한다. 이 접근 방식은 시계열 간의 정보를 통합하여 유효한 매개변수의 수를 줄이고 과적합을 완화한다. 이 모델은 $\Lambda_\mu = 0$인 경우(표준 선형 VAR)과 $Q_\mu = M$인 경우(mixBART 명세)를 포함하는 특수 사례를 내포하며, 데이터를 통해 유효한 비선형 요인의 수를 결정하게 한다.

3. 식별 및 추정:

• 식별: 모델은 요인 모델에서 흔히 발생하는 식별 문제(척도, 부호, 회전)와 비선형 요인이 선형 역학을 흡수할 가능성에 직면한다. 저자들은 선형 회귀 변수($X$)와 비선형 요인을 분리하여 선형 효과와 비선형 효과를 구분하기 위해 사후 직교화(ex-post orthogonalization) 절차를 제안한다. 또한, MCMC 드로우 전반에 걸쳐 요인 로딩의 일관된 해석을 보장하기 위해 MatchAlign 절차(Poworoznek et al., 2021)를 사용한다.
• 사전 분포(Priors): 모델은 선형 VAR 계수에 대해 **호스슈 사전 분포(horseshoe prior)**를 사용하며, 요인 로딩 $\Lambda_\mu$에 대해서는 특화된 **행 및 열 방향 수축 사전 분포(row- and column-wise shrinkage prior)**를 사용한다. 열 방향 수축(인덱스가 증가함에 따라 증가)은 관련 없는 로딩을 0으로 수축시켜 모델이 유효한 비선형 요인의 수를 자동으로 선택할 수 있게 한다.
• 계산: 추정은 마르코프 연쇄 몬테카를로(MCMC) 알고리즘(깁스 샘플러)을 통해 수행된다. 결정적으로, 요인과 로딩이 주어졌을 때 모델은 방정식별로 추정될 수 있어, 시변 모수(TVP) VAR와 관련된 계산 병목 현상을 피할 수 있다.

주요 결과

1. 몬테카를로 시뮬레이션:

• 예측: 데이터 생성 과정(DGP)이 비선형일 때, Factor-BART VAR는 선형 벤치마크에 비해 예측 정확도(로그 예측 가능도 측정) 측면에서 성능이 크게 향상된다. DGP가 선형인 경우, 모델은 선형 벤치마크와 거의 유사한 성능을 보이는데, 이는 수축 사전 분포가 과적합을 효과적으로 방지함을 입증한다.
• 구조적 분석: 모델은 선형 모델보다 더 높은 정확도와 더 나은 커버리지 특성을 가진 일반화된 충격 응답 함수(GIRF)를 복구한다. 또한 선형 모델이 놓치는 비대칭성 및 체제 전환 행동을 성공적으로 포착한다.

2. 실증 적용 (미국 거시경제):

• 데이터: 모델은 1976년부터 2023년까지의 22개 미국 거시경제 및 금융 시계열 데이터셋($M=22$)에 적용된다.
• 예측: Factor-BART VAR ($Q_\mu=8$)는 선형 BVAR에 비해 밀도 예측 정확도에서 상당한 이득을 얻었으며, 특히 다단계 시계열 구간(10~13%의 에너지 점수 개선)에서 두드러졌다. 이는 mixBART나 가우시안 프로세스 VAR와 같은 경쟁력 있는 비선형 명세들보다 우수한 성능을 보였으며, 동일한 하드웨어에서 mixBART보다 계산 효율성도 높았다(약 9분 vs 30분).
• 구조적 분석: 부호 제한을 사용하여 수요, 공급, 통화 정책, 금융 충격을 식별하는 분석을 통해 경제적 반응의 중요한 비대칭성을 밝혀냈다. 금융 여건과 통화 정책의 대규모 긴축은 그에 상응하는 완화보다 실물 경제 활동과 인플레이션에 훨씬 더 큰 절대적 영향을 미친다. 비선형 조정은 선형 모델이 예측 오류를 범하기 쉬운 경기 침체기(예: 2008-09, 2020)에 가장 유의미한 것으로 나타났다.

의의 및 주장
본 논문은 Factor-BART VAR가 과도한 매개변수화, 오설정(misspecification), 계산적 타당성 사이의 트레이드오프를 효과적으로 조절하는 "유연한 접근법"을 제공한다고 주장한다. 주요 기여는 다음과 같다:

• 방어적 모델링(Defensive Modeling): 비모수적 성분을 포함함으로써, 이 모델은 고차원 비모수 모델의 계산 비용을 치르지 않으면서도 선형 오설정에 대한 강력한 방어 수단 역할을 한다.
• 확장성(Scalability): 요인 구조를 통해 비선형 역학을 가진 대규모 시스템($M \gg Q_\mu$)을 모델링할 수 있게 하며, 이는 기존의 비모수적 VAR가 겪었던 "차원의 저주" 문제를 해결한다.
• 구조적 타당성: 선형 요인 모델의 기존 식별 전략(부호 제한)을 비선형 사례에 적응시켜, 선형 프레임워크에서는 보이지 않는 비대칭적 경제 반응을 발견할 수 있게 한다.
• 실용적 유용성: 저자들은 미국 거시경제 데이터에 대해 예측 정확도와 구조적 분석 모두에서 실질적인 개선을 입증하였으며, 특히 금융 스트레스와 통화 정책 전달의 비선형 역학을 포착하는 데 강점이 있음을 보여주었다.

결론적으로, 선형 성분이 조건부 평균의 주요 동인으로 남아있음에도 불구하고, 비선형 요인 블록은 높은 경제적 스트레스와 비선형성이 발생하는 시기에 필수적인, 간결하고 통계적으로 효율적인 교정 역할을 수행한다.