Estimation and inference in models with multiple behavioural equilibria

Each language version is independently generated for its own context, not a direct translation.

1. 배경: 완벽한 예언자 vs. 실수하는 학습자

기존의 생각 (합리적 기대): 경제학자들은 오랫동안 "사람들은 마치 모든 정보를 다 아는 천재 예언자처럼 미래를 정확히 예측한다"고 믿었습니다. 마치 완벽한 GPS가 모든 도로 상황을 실시간으로 알고 최적 경로를 안내하는 것과 같습니다.
이 논문의 새로운 시각 (적응적 학습): 하지만 현실의 사람들은 천재가 아닙니다. 그들은 비행기 조종사처럼, 과거의 경험 (데이터) 을 바탕으로 "어제 이랬으니 오늘도 비슷하겠지"라고 추측하며 계속 배우고 수정합니다.
- 문제는 사람들이 사용하는 '지도 (예측 모델)'가 실제 도로 상황과 다를 수 있다는 점입니다. (예: 과거에는 길이 막혔는데, 오늘은 새 길이 뚫려서 통행이 원활한데, 사람들은 여전히 "길 막힐 거야"라고 믿는 경우)

2. 핵심 문제: "여러 개의 정답"이 공존하는 세상

이 논문이 다루는 가장 흥미로운 점은 한 가지 정답이 여러 개일 수 있다는 것입니다.

비유: 미로 속의 여러 출구
경제 시스템은 거대한 미로 같습니다. 사람들이 "인플레이션 (물가 상승) 은 계속 오를 거야"라고 믿으면 실제로 물가가 오르고, "물가는 안정될 거야"라고 믿으면 물가가 안정됩니다.
- 상황 A: 사람들이 물가가 오를 거라고 믿으면, 실제로 물가가 오르는 '악순환'이라는 출구에 도달합니다.
- 상황 B: 사람들이 물가가 안정될 거라고 믿으면, 실제로 물가가 안정되는 '선순환'이라는 출구에 도달합니다.
- 문제: 두 가지 상황 모두 '예측이 맞았다'는 점에서 **동시에 존재할 수 있는 균형 (Equilibrium)**입니다. 마치 미로에 여러 개의 출구가 있는데, 사람들이 어느 출구를 선택하느냐에 따라 그 출구로 가게 되는 것과 같습니다.

3. 연구의 목표: 미로를 지도로 그리기

연구자들은 이 복잡한 미로 (경제 모델) 를 통계적으로 분석하여 다음 세 가지를 달성하려 했습니다.

미로의 구조 파악 (기하학적 에르고딕성):
- 비유: "이 미로에 갇히면 결국은 어딘가 안정된 지점에 도달하게 될까?"
- 결론: 네, 아무리 초기에 엉뚱한 길을 가더라도, 시간이 지나면 시스템은 특정 패턴으로 수렴한다는 것을 수학적으로 증명했습니다. 즉, 미로가 영원히 헤매게 하지는 않는다는 것입니다.
정답 찾기 (추정 및 일관성):
- 비유: "사람들이 실제로 어떤 규칙으로 배우고 있는지 그 '학습 속도'와 '예측 공식'을 찾아낼 수 있을까?"
- 결론: 네, 우리가 관찰한 데이터 (과거의 물가, 실업률 등) 를 통해 사람들이 얼마나 빠르게 배우는지, 그리고 어떤 공식을 사용하는지 **비선형 최소제곱법 (NLS)**이라는 도구를 써서 찾아낼 수 있습니다. 이는 마치 미로에서 남긴 발자국을 따라가면 조종사의 학습 방식을 역추적할 수 있다는 뜻입니다.
정답의 불확실성 측정 (통계적 추론):
- 비유: "우리가 찾은 정답이 진짜 정답일 확률은 얼마나 될까? 혹시 여러 개의 정답이 섞여 있다면?"
- 결론: 때로는 정답이 하나로 명확하지 않고, 두 개가 겹쳐 있거나 (중복된 근), 세 개가 공존할 수 있습니다. 이럴 때는 일반적인 통계 방법이 먹히지 않습니다. 연구자들은 **특수한 통계 기법 (부트스트랩 등)**을 개발하여, "이 균형점이 진짜인지, 아니면 우연히 생긴 것인지"를 판별하는 방법을 제시했습니다.

4. 실제 적용: 미국의 물가 데이터로 실험

연구자들은 이 이론을 실제 **미국 경제 데이터 (1960~2019 년)**에 적용해 보았습니다.

결과:
- 데이터 분석 결과, 미국 경제는 두 가지 다른 상태를 가질 수 있음을 발견했습니다.
  1. 낮은 인플레이션 균형: 사람들이 물가가 안정될 거라고 믿어, 실제로도 물가가 안정되는 상태.
  2. 높은 인플레이션 균형: 사람들이 물가가 계속 오를 거라고 믿어, 실제로도 물가가 오르는 상태.
- 흥미롭게도, 어떤 상태에 있느냐는 **사람들의 기대 (심리)**와 **경제의 구조 (생산성 등)**가 어떻게 상호작용하느냐에 따라 결정됩니다.

5. 요약: 이 연구가 우리에게 주는 교훈

이 논문은 **"경제는 기계가 아니라, 사람들이 서로 배우고 반응하는 살아있는 유기체"**임을 보여줍니다.

핵심 메시지: 정책 입안자 (중앙은행 등) 는 단순히 수학적 모델만 믿어서는 안 됩니다. 사람들이 어떻게 배우고, 어떤 '잘못된 지도'를 가지고 있는지, 그리고 그 지도가 경제를 어떤 '균형 상태'로 이끌고 있는지 이해해야 합니다.
마무리 비유:
만약 우리가 경제를 거대한 배라고 한다면, 이 연구는 "배가 어떤 파도 (경제 충격) 를 만나도 결국 항구에 닿을 수 있는지, 그리고 선원들 (사람들) 이 나침반을 어떻게 잘못 보고 있는지, 그 오류를 어떻게 고쳐야 배가 안전한 항구 (안정된 경제) 에 도착할 수 있는지"에 대한 정밀한 항해 지도를 제공한 것입니다.

이 연구는 경제 정책이 실패할 때, 단순히 경제가 망가졌기 때문이 아니라 사람들의 학습 방식과 기대가 서로 다른 '균형'으로 빠져들었기 때문일 수 있음을 경고하고, 이를 해결할 수 있는 통계적 도구를 마련해 주었습니다.

Each language version is independently generated for its own context, not a direct translation.

이 논문은 **다중 행동적 균형 (multiple behavioural equilibria)**이 존재할 수 있는 단순화된 거시경제 모델, 특히 상수 이득 학습 (constant-gain learning) 규칙을 사용하는 에이전트가 포함된 뉴 케인즈형 필립스 곡선 (NKPC) 에 대한 추정 및 추론 방법을 개발합니다. 저자들은 에이전트가 완전한 합리적 기대 (Rational Expectations) 를 형성하지 않고, 오인된 모델 (misspecified model) 을 통해 학습을 수행하는 상황을 가정합니다.

다음은 논문의 문제 제기, 방법론, 주요 기여, 결과 및 의의에 대한 상세한 기술적 요약입니다.

1. 문제 제기 (Problem)

배경: 전통적인 거시경제 모델은 합리적 기대 가설을 기반으로 하지만, 최근 실증 연구들은 에이전트가 제한된 합리성 (bounded rationality) 을 가지며 적응적 학습 (adaptive learning) 을 통해 기대를 형성함을 보여줍니다.
핵심 이슈: Hommes and Zhu (2014) 등의 선행 연구에 따르면, 에이전트가 실제 데이터 생성 과정 (DGP) 과 다른 AR(1) 과정을 인식하여 학습할 때, **다중 행동적 균형 (multiple behavioural equilibria)**이 공존할 수 있습니다. 이는 에이전트의 기대가 고정점 (fixed point) 이 되는 자기 확인적 인플레이션 경로들입니다.
연구 격차: 이러한 모델은 비선형성이 강하고 다중 균형이 존재하기 때문에, 기존 빈도주의적 (frequentist) 추정량 (예: 비선형 최소제곱법, NLS) 의 통계적 성질 (일관성, 점근적 정규성, 분포 등) 에 대한 이론적 분석이 부족했습니다. 특히 균형이 중복될 때 (repeated roots) 발생하는 비표준적인 수렴 속도와 분포에 대한 연구가 필요했습니다.

2. 방법론 (Methodology)

저자들은 다음과 같은 단계별 방법론을 제시합니다.

A. 확률적 성질 분석 (Probabilistic Properties)

기하학적 에르고딕성 (Geometric Ergodicity): 학습 규칙이 포함된 동적 시스템을 비선형 마르코프 체인으로 간주하고, 초기 조건에 관계없이 고유한 정상 분포로 수렴함을 증명합니다.
조건: 오차항이 IID 이며 하반연속 밀도를 가진다는 가정과 매개변수 제약 ( $|\delta|<1, |\rho|<1, 0<\gamma<1$ ) 하에서 시스템이 기하학적 에르고딕성을 가짐을 보였습니다. 이는 대수의 법칙 (LLN) 과 중심극한정리 (CLT) 적용을 가능하게 합니다.

B. 추정량 (Estimation)

비선형 최소제곱법 (NLS): 구조적 매개변수 $\theta = (\gamma, \delta, \psi)^T$ (학습 이득, 할인율, 필립스 곡선 기울기) 를 추정하기 위해 NLS 추정량을 사용합니다.
강한 일관성 (Strong Consistency): 목적함수의 명시적 평가가 어렵다는 점을 극복하기 위해, Francq et al. (2024) 의 접근법을 변형하여 매개변수 공간의 컴팩트성과 분리성 (separation) 조건을 통해 추정량의 강한 일관성을 증명했습니다.
점근적 정규성 (Asymptotic Normality): $\delta \neq 0$ $δ \neq = 0$ 인 경우, 추정량이 $\sqrt{n}$ $n$ -속도로 일관되며 점근적으로 정규분포를 따름을 보였습니다.
- 예외 사례 ( $\delta = 0$ ): $\delta=0$ 일 경우 학습 이득 $\gamma$ 가 식별되지 않는 nuisance parameter 가 됩니다. 이 경우 나머지 매개변수 ( $\delta, \psi$ ) 에 대해서는 여전히 $\sqrt{n}$ -일관성이 유지됨을 Saikkonen (1995) 과 Seo (2011) 의 방법을 통해 증명했습니다.

C. 균형의 분포 및 추론 (Inference on Equilibria)

균형의 근 (Roots) 분석: 행동적 균형은 4 차 방정식 $F(\beta; \lambda) = \beta$ 의 해로 정의됩니다.
단순 근 vs 중복 근:
- 단순 근 (Simple roots, $r_0=1, 3$ ): $\sqrt{n}$ -수렴 속도를 가지며 점근적 정규성을 따릅니다.
- 중복 근 (Repeated roots, $r_0=2$ ): 2 차 식별 (second-order identification) 메커니즘이 작용하여 수렴 속도가 느려집니다 ( $n^{1/4}$ ). 또한, 표본 크기가 커짐에 따라 근의 개수 ( $r_n$ ) 가 실제 개수 ( $r_0$ ) 로 수렴하지 않고 확률적으로 1 개 또는 3 개로 진동할 수 있음을 보였습니다.
추론 절차:
- 구조적 매개변수: Wald 검정 및 수치 미분을 이용한 공분산 행렬 추정을 제안합니다.
- $\delta=0$ 검정: 식별되지 않는 매개변수가 있는 경우, Hansen (1996a) 의 접근법을 차용하여 supF 통계량과 가우시안 멀티플라이어 부트스트랩 (Gaussian multiplier bootstrap) 을 사용하여 검정합니다.
- 균형에 대한 균일 신뢰대 (Uniform Confidence Bands): 균형 함수 $G(\beta)$ 전체에 대한 균일 신뢰대를 구성하기 위해 함수적 델타 방법 (functional Delta method) 과 멀티플라이어 부트스트랩을 활용합니다. 이는 특정 점에서의 신뢰구간과 달리, 중복 근이 존재하는 경우에도 유효합니다.

3. 주요 결과 (Key Results)

A. 이론적 결과

기하학적 에르고딕성: 상수 이득 학습을 포함한 NKPC 모델이 기하학적으로 에르고딕함을 증명하여 통계적 추론의 토대를 마련했습니다.
NLS 추정량의 성질: 구조적 매개변수에 대한 NLS 추정량이 강한 일관성과 점근적 정규성을 가짐을 증명했습니다.
비표준 극한 분포: 균형이 중복될 때, 근의 개수 추정이 일관되지 않을 수 있으며, 중복 근의 추정치는 $n^{1/4}$ 의 느린 수렴 속도를 보인다는 것을 밝혔습니다.
균일 추론: 균형 함수 전체에 대한 유효한 균일 신뢰대 구성 방법을 제시했습니다.

B. 실증 및 시뮬레이션 결과

몬테카를로 시뮬레이션:
- Scenario A (3 개 균형): NLS 추정량이 일관적이며, t-검정의 정규 근사가 정확함을 확인했습니다.
- Scenario B (2 개 균형, 중복 근 포함): 근의 개수 추정이 1 개와 3 개 사이에서 진동하는 현상이 관찰되었으며, 이는 이론적 예측과 일치했습니다. 중복 근에 해당하는 추정치는 평균을 내면 성능이 개선됨을 확인했습니다.
미국 데이터 적용 (1960-2019):
- 산출량 갭 (Output Gap) 사용 시: 3 개의 행동적 균형이 추정되었으며, 이 중 2 개가 안정적 (저수렴 및 고수렴 regime) 인 것으로 나타났습니다.
- 실제 단위 노동비용 (Real Unit Labour Costs) 사용 시: 1 개의 균형만 존재했습니다.
- 해석: 이는 인플레이션 기대가 단일한 균형에 수렴하는 것이 아니라, 경제 상황 (주도 변수의 지속성 등) 에 따라 서로 다른 균형 regime 사이를 이동할 수 있음을 시사합니다.

4. 의의 및 기여 (Significance and Contributions)

이론적 공백 해소: 적응적 학습이 포함된 비선형 거시경제 모델에 대한 빈도주의적 추정 및 추론 이론을 체계적으로 정립했습니다.
다중 균형 처리: 기존에는 다루기 어려웠던 다중 균형, 특히 중복 근 (repeated roots) 이 존재할 때의 비표준적인 통계적 성질 (수렴 속도, 분포, 근 개수의 불일치) 을 명확히 규명했습니다.
실용적 도구 제공: 구조적 매개변수뿐만 아니라 균형의 위치와 개수에 대한 불확실성을 정량화할 수 있는 균일 신뢰대 및 검정 방법을 제공하여, 정책 분석 및 예측 모델링에 실용적인 도구를 마련했습니다.
실증적 통찰: 미국 인플레이션 데이터에 대한 적용을 통해, 학습 역동성과 균형 regime 이 실제 경제 데이터에서 어떻게 관찰될 수 있는지 보여주었습니다.

결론

이 논문은 제한된 합리성을 가진 에이전트가 참여하는 거시경제 모델의 통계적 분석을 위한 강력한 방법론적 기반을 제공합니다. 특히, 다중 균형과 비선형성으로 인해 발생하는 복잡한 통계적 문제를 해결하고, 이를 실증 분석에 성공적으로 적용함으로써, 학습 기반 거시경제 모델의 신뢰성을 높이는 데 기여했습니다.