Social Interactions Models with Latent Structures

기술 요약: 잠재 구조를 가진 사회적 상호작용 모델

문제 제기
본 논문은 이진 선택 모델(binary choice models)에서 이질적인 사회적 상호작용(동료 효과)의 추정과 추론 문제를 다룬다. 기존의 접근 방식은 대개 모든 집단(예: 학교)에 대해 파라미터가 동일하다는 동질성 가정을 전제로 하는데, 이 가정이 위배될 경우 심각한 편향(bias)이 발생할 위험이 있다. 반대로, 모든 집단에 대해 완전한 이질성을 허용할 경우 개별 집단 내 표본 크기가 작아 추정치의 신뢰도가 떨어진다는 문제가 있다. 이러한 문제를 해결하기 위해 일부 문헌에서는 집단 분류를 위한 외부 변수를 활용하여 클러스터 구조(예: 학급 규모)를 미리 지정하는 방식을 시도하지만, 이러한 분류를 위한 외부 변수가 항상 가용한 것은 아니다. 또한, 기존의 사회적 상호작용 방법론들은 집단 고정 효과(group fixed effects)를 고려하지 못하는 경우가 많으며, 이는 특히 패널 데이터 설정에서 중첩 의사 가능도(Nested Pseudo Likelihood, NPL) 추정법을 사용할 때 기울기 계수(slope coefficient) 추정에서 부수적 파라미터 편향(incidental parameter bias)을 초축한다.

방법론
저자들은 잠재 클러스터 구조를 식별하는 동시에 구조적 파라미터를 추정하며, 집단 고정 효과와 기울기 이질성을 통합하는 프레임워크를 제안한다. 이 방법론은 세 가지 핵심 구성 요소를 통합한다:

1. 모델 명세: 본 연구는 개인의 효용이 관측 가능한 특성, 집단 고정 효과, 그리고 외생적으로 주어진 네트워크 내 동료들의 평균 조건부 선택 확률(CCP)에 의존하는 사회적 상호작용이 포함된 이진 선택 모델을 활용한다. 기울기 계수는 잠재 클러스터 내에서는 동질적이지만, 클러스터 간에는 이질적이라고 가정한다.
2. 추정 알고리즘 (NPL-C-Lasso):
   • 1단계 (1차 NPL): 각 집단에 독립적으로 NPL 알고리즘을 적용하여 파라미터와 CCP의 예비 추정치를 얻는다. 이는 분류 단계와 CCP를 동시에 계산해야 하는 계산적 부담을 피하기 위함이다.
   • 2단계 (분류): 분류형 라쏘(Classifier-Lasso, C-Lasso) 알고리즘을 사용하여 초기 추정치를 잠재 클러스터로 그룹화한다. 이는 집단별 추정치를 클러스터별 파라미터로 수축시키는 곱셈적 페널티 항을 가진 페널티 프로파일 가능도(penalized profile likelihood)를 최소화함으로써, 클러스터의 수($K_0$)에 대한 사전 지식 없이 클러스터 멤버십을 결정한다.
   • 3단계 (사후 분류 추정): 클러스터가 식별되면, 각 클러스터 내의 결합된 데이터를 사용하여 NPL을 재적용함으로써 최종 추정치를 얻는다.
3. 편향 수정 및 추론:
   • 본 논문은 고차원 부수적 파라미터(집단 고정 효과)가 고정점 게임(fixed-point game) 모델의 NPL 추정량에서 기울기 계수의 점근적 편향을 유발한다는 점을 밝혀냈다. 이는 기존에 규명되지 않았던 현상이다.
   • 이를 교정하기 위해, 저자들은 고정 효과 모델에 맞춤화된 파라미터 붓스트랩(parametric bootstrap) 방법(Higgins and Jochmans, 2024)을 응용한다. 이 방법은 편향이 제거된 추정량(debiased estimators)과 유효한 신뢰 구간을 구축하며, CCP의 공동 결정으로 인해 적용이 불가능한 분할 샘플 잭나이프(split-sample jackknife) 방법의 한계를 극복한다.
4. 모델 선택: 실제 적용 시 잠재 클러스터의 수($K$)를 일관되게 선택하기 위한 정보 기준(Information Criterion, IC)을 제안한다.

주요 기여

• 이론적 기여: 본 논문은 집단 고정 효과와 고정점 구조를 가진 이진 선택 사회적 상호작용 모델에서 기울기 계수의 점근적 편향을 규명한다. 또한 NPL 추정량의 점근적 정규성을 확립하고, 제안된 파라미터 붓스트랩이 점근적으로 불편 추정량(unbiased estimator)을 생성하고 올바른 커버리지 비율을 제공함을 증명한다.
• 방법론적 기여: 분류 단계(C-Lasso)를 계산 집약적인 NPL 단계로부터 분리하여 안정성과 계산 용이성을 높인 다단계 알고리즘을 도입한다. 또한 분류 일관성(그룹이 참 클러스터에 할당될 확률이 1로 수렴함)과 클러스터 수 선택을 위한 정보 기준의 일관성을 입증한다.
• 실증적 적용: 제안된 방법론을 Add Health 데이터셋에 적용하여 학생들의 위험 행동을 연구한다. 알고리즘은 119개의 학교를 두 개의 뚜렷한 잠재 클러스터로 성공적으로 분류하였다.

결과

• 몬테카를로 시뮬레이션: 시뮬레이션 결과, 제안된 방법이 유한 표본에서 우수한 성능을 보임을 확인하였다. C-Lasso는 클러스터의 수를 정확히 식별하였고, 집단 크기가 증가함에 따라 높은 정확도로 그룹을 분류하였다. 편향이 제거된 추정량은 기존의 결합(pooled) 또는 원래의 추정량에 비해 편향과 평균 제곱근 오차(RMSE)를 크게 줄였으며, 붓스트랩 신뢰 구간은 명목상의 95% 수준에 근접한 커버리지 비율을 달려냈다.
• 실증적 결과: 학생 위험 행동에 대한 적용 결과:
  • 알고리즘은 119개 학교를 두 개의 별도 클러스터(43개 및 76개 학교)로 분류하였다.
  • 이질성: 동료 효과는 두 번째 클러스터에서는 통계적으로 유의미하고 경제적으로 의미가 있었으나(계수 $\approx 0.688$), 첫 번째 클러스터에서는 0과 통계적으로 차이가 없었다.
  • 변수 효과: 지능이 위험 행동에 미치는 영향은 클러스터에 따라 달랐다(두 번째 클러스터에서는 양(+)의 관계, 첫 번째 클러스터에서는 음(-)의 관계). 이는 동질성 모델에서는 가려지는 미묘한 차이이다.
  • 정책적 시사점: 잠재 구조를 무시하면 관련 클러스터에서의 동료 효과를 과소평가하게 되며, 공변량 효과(예: 지능)에 대해 잘못된 결론을 내릴 수 있다.

의의 및 주장
본 논문은 동료 효과에 대한 기존 문헌과 패널 계량경제학 사이의 간극을 메우며, 집단 고정 효과와 잠재 구조가 존재하는 상황에서 동료 효과에 대한 유효한 통계적 추론을 제공하는 최초의 공식적 결과를 제시한다고 주장한다. 저자들은 동질성이라는 고전적인 간결한 가정을 완화하는 것이 빅데이터와 현실 세계의 복잡성에 대응하기 위해 필수적이라고 주장한다. 또한, 본 연구의 접근 방식이 클러스터에 대한 사전 정보 없이도 잠재 구조를 탐지하고 경제적으로 의미 있는 대상(예: APE)에 대해 추론을 수행할 수 있는 실용적인 파이프라인을 제공함을 강조한다. 결론적으로, 연구자들은 오도된 추론을 피하기 위해 사회적 상호작용 모델에서 잠재 구조를 반드시 고려해야 한다.