📈 economics

Difference-in-Differences in the Presence of Unknown Interference

이 기술 노트는 미지의 간섭이 이중차분 설계에서 SUTVA 가정을 어떻게 위반하는지 조사하며, 추가적인 가정이 도입되지 않는 한 표준 추정량이 특정 효과가 아닌 인과 효과의 대비를 식별한다는 점을 입증하고, 이를 Card와 Krueger(1994)의 최저임금 연구에 대한 재검토를 통해 설명한다.

원저자: Fabrizia Mealli, Javier Viviens

게시일 2026-07-22

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Fabrizia Mealli, Javier Viviens

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 미스터리를 풀려는 탐정이라고 상상해 보십시오: 새로운 정책이 실제로 변화를 일으켰을까요, 아니면 그 변화가 단지 자연스러운 추세의 일부였을까요? 경제학 및 사회과학의 세계에서 연구자들은 이 사건을 해결하기 위해 '이중차분법(Difference-in-Differences, DiD)'이라는 영리한 도구를 사용합니다. 이것은 마치 시간 여행을 하는 비교와 같습니다. 당신은 두 그룹을 선택합니다: 새로운 규칙(예: 최저임금 인상)을 적용받는 '처치 집단(Treatment Group)'과 기존 상태를 유지하는 '통제 집단(Control Group)'입니다. 그런 다음 규칙이 바뀌기 전과 바뀐 후, 두 그룹을 각각 측정합니다. 마법은 처치 집단이 얼마나 변했는지와 통제 집단이 얼마나 변했는지를 비교할 때 일어납니다. 만약 처치 집단이 급증한 반면 통제 집단은 평이했다면, 당신은 그 규칙이 그 급증을 유발했다고 결론 내릴 수 있습니다.

하지만 여기 함정이 있습니다. 이 탐정 업무는 SUTVA(안정적 단위 처치 가치 가정)라고 불리는 숨겨진 규칙에 의존합니다. 쉬운 말로, 이 규칙은 한 사람의 경험이 다른 사람에게 일어나는 일에 의해 영향을 받아서는 안 된다고 말합니다. 예를 들어, 한 마을에서 최저임금을 올린다고 해서 그것이 이웃 마을의 노동 시장을 비밀리에 변화시키지 않는다고 가정하는 것입니다. 만약 이 규칙이 성립한다면, 수학적 계산은 완벽하게 작동합니다. 하지만 만약 그렇지 않다면 어떨까요? 만약 '처치' 집단과 '통제' 집단이 서로 속삭이거나, 비밀을 주고받거나, 서로의 결과에 영향을 주고받고 있다면 어떻게 될까요? 이것이 바로 이 논문이 다루는 퍼즐입니다: 만약 그룹들이 고립된 섬이 아니라 보이지 않는 영향력의 실로 연결되어 있다면, 우리의 탐정 업무에는 어떤 일이 벌어질까요?

저자들인 파브리치아 메알리(Fabrizia Mealli)와 하비에르 비비엔스(Javier Viviens)는 엄밀한 수학과 실질적인 사례를 결합하여 이 문제에 뛰어듭니다. 그들은 이러한 보이지 않는 실(그들은 이를 '간섭' 또는 '파급 효과'라고 부릅니다)이 존재할 때, 표준적인 DiD 계산이 단일 집단에 대한 진실을 말해주지 못한다는 것을 보여줍니다. "정책이 고용을 5% 증가시켰다"와 같은 명확한 답을 주는 대신, 수학은 두 개의 미지수 사이의 차이만을 보여줄 뿐입니다. 이것은 마치 은행 금고에 원래 얼마가 있었는지 모르는 상태에서, 은행 금고가 이웃의 금고보다 1,000달러 가볍다는 사실만 알고 도둑이 은행에서 얼마를 훔쳤는지 알아내려는 것과 같습니다. 그 결과는 두 그룹 간의 '격차'를 알려주지만, 두 그룹 중 어느 쪽의 실제 효과가 어떠했는지는 말해주지 못합니다. 즉, 은행에서 돈이 빠져나갔는지, 이웃이 돈을 얻었는지, 혹은 둘 다 돈을 잃었지만 은행이 더 많이 잃었는지조차 알 수 없다는 것입니다.

이 논문은 이러한 복잡한 조건 하에서 표준적인 DiD 수치는 단지 '인과적 효과의 대조(contrast of causal effects)'일 뿐임을 증명합니다. 이는 처치 집단이 통제 집단과 다르게 영향을 받았음을 드러낼 뿐, 각 집단에 대한 실제 효과의 방향이나 크기에 대해서는 침묵합니다. 양(+)의 결과는 정책이 처치 집단에 아주 효과적이었다는 뜻일 수도 있고, 정책이 통제 집단에 훨씬 더 나쁜 영향을 미쳤다는 뜻일 수도 있으며, 혹은 두 경우 모두 해당될 수도 있습니다. 저자들은 매우 분명하게 말합니다: 추가적인 가정을 하지 않는 한, 우리는 신호와 소음(signal and noise)을 분리할 수 없습니다.

그러나 저자들은 단순히 막다른 길에 우리를 남겨두지 않습니다. 그들은 우리가 다시 궤도에 오를 수 있도록 도와줄 수 있는 일련의 "만약 ~라면(what-if)" 시나리오를 제안합니다. 만약 연구자들이 간섭이 어떻게 작동하는지에 대해 구체적이고 합리적인 추측을 할 용의가 있다면, 매듭을 풀기 시작할 수 있다고 제on합니다. 예를 들어, "파급 효과"가 통제 집단에 미치는 영향이 0이라고 가정하거나(즉, 그들은 정말로 영향을 받지 않음), 통제 집단에 미치는 효과가 처치 집단에 미치는 효과보다 작다고 가정한다면, 우리는 마침내 실제 정책의 영향에 대해 말할 수 있게 됩니다. 그들은 심지어 "만もし 파급 효과가 이 정도 규모였다면, 우리의 결론이 여전히 유효했을까?"와 같은 '민감도 분석(sensitivity analyses)', 즉 스트레스 테스트를 설정하는 방법도 보여줍니다.

논지를 구체화하기 위해, 저자들은 뉴저지에서 최저임금을 올리는 것이 실제로 패스트푸드점의 고용을 증가시켰다고 주장했던 1994년 카드와 크루거(Card and Krueger)의 유명한 연구를 재검토합니다. 원래 연구는 뉴저지를 이웃한 펜실베이니아와 비교했습니다. 이 논문의 저자들은 만약 뉴저지의 임금 인상이 노동자들이 국경을 넘게 만들었거나 펜실베이니아의 경제를 변화시켰다면, '간섭 없음' 규칙이 깨졌다고 주장합니다. 그 경우, "고용이 증가했다"는 원래의 결론은 반드시 증명된 것은 아닙니다. 수학은 단지 뉴저지가 펜실베이니아보다 상황이 나았음을 보여줄 뿐입니다. 만약 두 곳 모두에서 고용이 감소했지만 뉴저지에서 더 적게 감소했다면, 두 곳 모두에서 고용이 줄어들었을 가능성도 있습니다. 원래의 결론은 펜실베이니아에 미친 파급 효과가 존재하지 않거나 뉴저지에 미친 효과보다 작다는 가정이 성립할 때만 살아남을 수 있습니다.

궁극적으로, 이 논문은 이러한 통계적 도구를 사용하는 모든 이들에게 던지는 경종입니다. 저자들은 DiD가 쓸모없다고 말하는 것이 아닙니다. 다만 세상이 서로 연결되어 있을 때 그 결과를 해석하는 데 있어 훨씬 더 주의를 기울여야 한다고 말합니다. 저자들은 그룹 간의 영향을 설명하기 위한 추가적인 논리적 층위를 더하지 않는 한, 표준적인 수치가 정책의 성공을 직접적으로 측정하는 척도가 될 수 없음을 보여줍니다. 이러한 숨겨진 가정을 가시화함으로써, 그들은 연구자들이 추측을 멈추고 자신들의 데이터가 실제로 무엇을 의미하는지에 대해 더 강력하고 정직한 논거를 구축할 수 있기를 바랍니다.

기술 요약: 미지의 간섭이 존재하는 경우의 이중차분법(Difference-in-Differences)

문제 제기
SUTVA(Stable Unit Treatment Value Assumption, 안정적 단위 처치 가치 가정)는 이중차분법(DiD) 연구 설계의 근간이 되는 기둥이며, 특히 단위 간의 간섭(파급 효과)을 배제하는 구성 요소이다. 최근의 영향력 있는 DiD 문헌들(예: de Chaisemartin and D'Haultfœuille, 2020; Callaway and Sant'Anna, 2021)은 이질적 처치 효과 및 평행 추세 위반 문제를 엄격하게 다루어 왔으나, 간섭이 없다는 가정을 명시적이기보다는 암묵적인 것으로 처리해 왔다. 결과적으로, 간섭의 구조가 지정되지 않고 그룹 내 및 그룹 간 모두에서 발생할 수 있는 미지의 간섭이 존재하는 상황에서, DiD 추정량의 정확한 식별 속성은 아직 충분히 탐구되지 않은 상태로 남아 있다. 저자들은 간섭에 관한 명시적인 가정 없이는 표준적인 DiD 추정치의 해석이 종종 유효하지 않다고 주장한다.

방법론 및 프레임워크
본 논문은 전형적인 두 그룹, 두 시점의 DiD 설정 내에서 초모집단(superpopulation) 접근 방식을 채택한다. 저자들은 단위 $i$ 의 시점 $t$ 에서의 잠재적 결과가 모든 단위( $W$ )의 처치 할당에 의존할 수 있도록 함으로써( $Y_{it}(W)$ ), 잠재적 결과 프레임워크를 공식화한다. 처치 할당 벡터는 해당 단위의 처치( $W_{it}$ ), 동일 그룹 내 단위들의 처치( $W_{Git}$ ), 그리고 반대 그룹 단위들의 처치( $W_{1-Git}$ )로 분해된다.

분석은 간섭이 없다는 가정을 단계적으로 완화하며 진행된다:

간섭 없음: $Y_{it}$ 가 오직 $W_{it}$ 에만 의존하는 표준적인 경우.
부분적 간섭: 그룹 내에는 간섭이 존재하지만 그룹 간에는 존재하지 않는 경우.
미지의 간섭: 간섭 구조에 대한 제한을 두지 않으며, 단위들이 다른 모든 단위와 간섭할 수 있는 경우.

저자들은 각 시나리오에 대한 구체적인 인과적 추정량을 정의하고, 수정된 평행 추세 가정을 바탕으로 식별 결과를 도출한다. 저자들은 노출 매핑(exposure mapping)을 부과하지 않으며 유한 모집단으로 분석을 제한하지도 않음으로써, 간섭의 구체적인 형태에 대해 불가지론적 태도를 유지한다.

주요 결과 및 식별

미지의 간섭 하에서 (Proposition 3):
주요 발견은 미지의 간섭 하에서 표준적인 DiD 추정량은 단일한 인과 효과(예: 처치군에 대한 평균 처치 효과, ATT)를 식별하지 못한다는 것이다. 대신, 이는 **두 인과 효과의 대비(contrast)**를 식별한다:
$\text{DiD} = \tau_1 - \tau_0$
여기서:
- $\tau_1$ (TATT)은 처치군에 대한 총 평균 처치 효과(모든 다른 처치된 단위들로부터의 파급 효과를 포함한 처치된 단위들에 대한 처치 효과)이다.
- $\tau_0$ (ASC)는 대조군에 대한 평균 파급 효과(일반 균형 효과 또는 처치된 단위들로부터의 파급 효과에서 기인하는 대조군에 대한 효과)이다.
저자들은 미지의 간섭 하에서 DiD 추정량이 연구자로 하여금 두 그룹 간의 영향이 다른지를 테스트할 수는 있게 해주지만, $\tau_1$ 또는 $\tau_0$ 각각의 크기나 방향에 대한 정보는 제공하지 못함을 입증한다. DiD 추정치가 0이라는 것은 두 효과가 모두 0이거나, 혹은 두 효과가 모두 0이 아닌 동일한 값을 가짐을 의미할 수 있다. 마찬가지로, 양(+)의 DiD 추정치는 $\tau_1 > \tau_0$ 임을 의미할 뿐, 두 효과가 모두 음(-)의 값을 가질 가능성을 배제하지 않는다.
부분 식별 전략 (Section 3):
특정 인과 효과를 회복하기 위해, 본 논문은 다음과 같은 대안적인 가정 세트를 제안한다:
- 관찰되지 않은 추세에 대한 가정 (Propositions 4 & 5): 만약 연구자가 처치가 없는 상태의 잠재적 결과( $Y(0,0,0)$ )가 각 그룹 내에서 특정 추세(예: 일정하거나 범위 $k$ 내에 존재함)를 따른다고 가정한다면, 그룹 간 비교에 의존하지 않고도 $\tau_1$ 과 $\tau_0$ 를 별도로 부분 식별할 수 있다.
- 파급 효과의 부호에 대한 가정 (Proposition 6): 만약 대조군에 대한 파급 효과의 부호( $\tau_0$ )가 알려져 있다면(예: $\tau_0 \geq 0$ ), DiD 추정량은 처치군에 대한 총 효과에 대한 하한값( $\tau_1 \geq \text{DiD}$ )을 제공한다.
- 상대적 크기에 대한 가정 (Proposition 7): 만약 처치군에 대한 총 효과의 크기가 대조군에 대한 파급 효과보다 크다고 가정한다면( $|\tau_1| \geq |\tau_0|$ ), DiD 추정량의 부호가 처치군에 대한 총 효과의 부호를 식별한다 ( $\text{sgn}(\tau_1) = \text{sgn}(\text{DiD})$ ).

적용: Card and Krueger (1994)
본 논문은 뉴저지 최저임금 인상에 관한 기념비적인 연구를 재검토한다. 저자들은 교차 경계 통근 및 펜실베이니아(대조군)에 영향을 미치는 일반 균형 효과로 인해 간섭이 없는 가정이 위반되었을 가능성이 높다고 주장한다.

재해석: 미지의 간섭 하에서, 원래의 DiD 추정치인 2.75 FTE 노동자는 뉴저지의 고용에 대한 인과 효과 단독이 아니라, 뉴저지의 총 효과와 펜실베이니아의 파급 효과 사이의 차이를 나타낸다.
대안적 해석: 원래의 결론(고용이 증가했다는 것)은 다음과 같은 추가적인 가정이 전제될 때만 유효하다:
1. 펜실베이니아의 파급 효과가 양(+)의 값을 갖는다 (가정 10a), 이 경우 DiD 추정치는 하한값이 된다.
2. 뉴저지의 효과 크기가 펜실베이니아의 파급 효과보다 크다 (가정 11), 이 경우 DiD 추정량의 부호가 뉴저지 효과의 부호를 식별할 수 있게 한다.

의의 및 기여
본 논문의 주요 기여는 간섭이 존재하는 상황에서의 식별 문제를 명시적이고 투명하게 만드는 데 있다. 저자들은 간섭이 존재할 때 DiD 추정량이 본질적으로 인과 효과가 아니라 효과들의 대비임을 명확히 한다. 연구자들이 흔히 암묵적으로 사용하는 논거들(예: 파급 효과의 방향이나 크기에 관한 논거)을 공식화함으로써, 본 논문은 DiD 결론의 타당성을 논의하기 위한 구조화된 프레임워크를 제공한다. 이 논문은 새로운 추정 알고리즘을 제안하는 것이 아니라, 기존의 DiD 관행과 간섭이 존재하는 복잡한 현실 사이의 간극을 메우며, 기존의 DiD 추정치가 인과적 해석을 가질 수 있는 일련의 엄격한 조건들을 제시한다.

유사한 논문