Model Restrictiveness in Functional and Structural Settings

이 논문은 가우시안 프로세스 사전분포를 활용하여 기능적 및 구조적 계량경제학 설정에서 모델의 제한성을 확장 분석하여, 연속 영역에서의 평가가 유한 관측치 기반 평가보다 모델을 더 제한적으로 보이며, 내생성과 다중 균형 등을 고려한 구조적 모델에서 불일치 함수 선택의 중요성과 제한성이 노이즈 없는 평균 학습 곡선의 한계와 일치함을 규명합니다.

핵심

이 논문은 경제학자들이 사용하는 수학적 모델들이 얼마나 "강한 규칙"을 가지고 있는지를 측정하는 새로운 방법을 제안합니다.

기존의 연구들은 "이 모델이 실제 데이터를 얼마나 잘 설명하는가 (적합도)"에 집중했지만, 이 논문은 **"이 모델이 현실의 어떤 가능성들을 배제하고 있는가 (제한성, Restrictiveness)"**에 초점을 맞춥니다.

복잡한 수식과 통계 용어 대신, 일상적인 비유를 통해 이 논문의 핵심 내용을 설명해 드리겠습니다.

---

1. 핵심 개념: "모델의 제한성"이란 무엇인가?

비유: "옷장 속의 옷"

• 현실 (데이터): 세상의 모든 옷 (무한히 다양한 스타일, 색상, 재질) 이 있습니다.
• 모델: 연구자가 만든 옷장입니다.
• 제한성 (Restrictiveness): 이 옷장이 얼마나 좁은가?
  • 제한성이 높은 모델: "오직 검은색 정장만 허용한다"는 옷장입니다. 현실의 다양한 옷 (청바지, 원피스) 을 모두 배제합니다. 이는 이론이 매우 강력하다는 뜻이지만, 만약 현실이 청바지라면 이 모델은 틀리게 됩니다.
  • 제한성이 낮은 모델: "옷이라면 뭐든 상관없다"는 옷장입니다. 현실의 거의 모든 옷을 받아들일 수 있지만, 이론적으로 아무런 통찰을 주지 못합니다.

이 논문은 **"어떤 모델이 현실의 가능성을 얼마나 많이 배제하는가?"**를 숫자로 정확히 측정하는 방법을 개발했습니다.

2. 이 논문이 새로 바꾼 점: "유한한 샘플"에서 "무한한 세상"으로

기존 연구는 **유한한 데이터 (예: 25 개의 로또 조합)**만 가지고 모델을 평가했습니다.

• 비유: "이 옷장이 25 개의 옷만 들어갈 수 있는 작은 방에 있는지 확인했다."

이 논문은 **연속적인 전체 공간 (모든 가능한 로또, 모든 가능한 가격과 수요)**을 고려합니다.

• 비유: "이 옷장이 세상의 모든 옷을 다 수용할 수 있는 거대한 창고 전체를 기준으로 평가했다."

결과: 모델을 전체 세상 (연속 영역) 에서 평가하면, 기존에 생각했던 것보다 모델이 훨씬 더 **강력한 규칙 (제한성)**을 가지고 있다는 사실이 드러났습니다. 즉, 모델이 현실을 얼마나 좁게 보는지가 훨씬 더 극명하게 드러난다는 뜻입니다.

3. 구조적 모델과 '내생성': "원인과 결과의 미로"

경제학에서는 가격과 수요가 서로 영향을 주고받는 (내생성) 경우가 많습니다.

• 비유: "수요가 가격을 올리고, 가격이 다시 수요를 줄이는 미로"

이 논문은 이런 복잡한 미로 속에서도 모델을 평가할 수 있는 방법을 제시했습니다.

• 도구: '도구변수 (Instrumental Variables)'라는 나침반을 사용합니다.
• 발견: 내생성을 고려하면 (즉, 미로의 규칙을 엄격히 적용하면), 모델의 제한성이 훨씬 더 높아집니다.
  • 예: '혼합 로짓 (Mixed Logit)'이라는 모델은 이론상 매우 유연해 보이지만, 실제 데이터에 내생성 규칙을 적용하면 매우 제한적인 모델로 변합니다. 마치 "자유로운 옷장"이 "규칙이 엄격한 군대 옷장"으로 변하는 것과 같습니다.

4. 중요한 경고: "잘못된 자"를 쓰지 마세요

이 논문은 모델의 유연성을 측정할 때, 기계학습에서 쓰는 Rademacher 복잡도나 GMM(일반화 모멘트 방법) 같은 기존 도구들을 그대로 쓰면 안 된다고 경고합니다.

• 비유: "옷의 크기를 재는데, '무게'를 재는 저울을 쓰는 것"
  • GMM 같은 도구는 데이터에 맞춰 추정하는 데는 좋지만, 모델이 가진 '본질적인 규칙의 강도'를 재는 데는 적합하지 않습니다. 마치 옷의 스타일 (규칙) 을 재는데 옷의 무게 (데이터 적합도) 를 재는 것과 같습니다.
• 해결책: 연구자는 자신이 평가하려는 목적에 맞는 **'오차 함수 (Discrepancy Function)'**를 직접 선택해야 합니다. 이는 연구자의 중요한 판단 (모델링 결정) 이어야 합니다.

5. 실제 적용 사례: "위험에 대한 선호"와 "선택"

논문의 저자들은 이 방법을 실제 경제 문제에 적용했습니다.

1. 위험에 대한 선호 (Prospect Theory): 사람들이 위험한 상황을 어떻게 판단하는지 설명하는 모델들입니다.
   • 결과: 작은 데이터셋 (25 개 로또) 으로 평가했을 때와, 모든 가능한 로또를 평가했을 때의 순위는 비슷했지만, 절대적인 제한성 수치는 훨씬 높게 나왔습니다. 즉, 이 모델들이 현실을 훨씬 더 강하게 제한한다는 뜻입니다.
2. 다중 선택 모델 (Multinomial Choice): 소비자가 여러 제품 중 하나를 고르는 상황 (예: 시리얼 브랜드 선택).
   • 결과: 내생성 (가격이 수요에 영향을 줌) 을 고려하지 않으면, 복잡한 모델 (혼합 로짓) 이 단순한 모델보다 훨씬 유연해 보입니다. 하지만 내생성을 고려하면, 복잡한 모델도 단순한 모델과 비슷하게 제한적이 되거나, 오히려 더 제한적이 될 수 있습니다.

6. 결론: 모델 평가의 새로운 나침반

이 논문은 연구자들에게 **"적합도 (데이터를 잘 설명하는가)"**와 **"제한성 (이론적 규칙이 강한가)"**이라는 두 가지 렌즈를 제공합니다.

• 적합도만 높은 모델: 데이터를 무작정 따라가는 '복제기'일 뿐, 통찰이 없습니다.
• 제한성만 높은 모델: 너무 강한 규칙 때문에 현실을 완전히 무시할 수 있습니다.

이 두 가지를 함께 보면, 어떤 모델이 현실을 잘 설명하면서도 의미 있는 규칙을 가지고 있는지를 찾을 수 있습니다. 마치 "옷이 몸에 잘 맞으면서 (적합도), 동시에 그 옷이 가진 스타일 (제한성) 이 명확한지"를 동시에 평가하는 것과 같습니다.

한 줄 요약:

"이 논문은 경제 모델이 현실을 얼마나 '단단하게' 제한하는지 측정하는 새로운 자를 만들었고, 이를 통해 복잡한 경제 현상 속에서 더 나은 모델을 찾을 수 있는 길을 제시했습니다."

기술 요약

이 논문은 Fudenberg, Gao, Liang (2026, 이하 FGL) 이 제안한 '모델의 제한성 (Restrictiveness)' 측정 지표를 함수적 (Functional) 및 구조적 (Structural) 계량경제학 설정으로 확장한 연구입니다. 저자들은 가우시안 프로세스 (Gaussian Process) 사전분포를 활용하여 연속적인 도메인 (continuum domains) 에서 모델을 평가하고, 내생성 (endogeneity), 다중 균형 (multiple equilibria), 비모수적 nuisance 성분 등을 포함하는 구조적 모델의 제한성을 측정하는 새로운 프레임워크를 제시합니다.

주요 내용은 다음과 같습니다.

1. 연구 문제 및 배경

• 문제: 경제 모델은 데이터의 특정 패턴을 배제함으로써 해석과 의사결정에 유용하지만, 어떤 모델이 얼마나 많은 구조를 부과하는지 정량적으로 측정하는 것은 어렵습니다. 기존 연구들은 주로 유한한 관측치 집합 (finite sets) 에 기반하여 모델을 평가했습니다.
• 한계: 유한한 데이터셋만으로는 모델이 부과하는 구조적 제약의 전체적인 규모를 과소평가할 수 있으며, 내생성이나 다중 균형과 같은 복잡한 구조적 요소를 가진 모델에 대한 제한성 측정이 부재했습니다.
• 목표: 연속적인 도메인과 구조적 계량경제학 모델을 포함하도록 제한성 측정 지표를 확장하고, 이를 통해 모델의 유연성과 구조적 내용을 정량화하는 것입니다.

2. 방법론 (Methodology)

2.1 함수적 설정에서의 제한성 (Functional Settings)

• 기본 개념: 예측 규칙 $f: X \to Y$의 클래스 $\mathcal{F}_\Theta$가 기준 모델 (baseline) 과 비교하여 얼마나 많은 '적격 규칙 (eligible rules)' $\mathcal{F}$를 배제하는지를 측정합니다.
• 평가 분포 (Evaluation Distribution): 무한 차원의 함수 공간에서 샘플링하기 위해 가우시안 프로세스 (Gaussian Process, GP) 사전분포를 사용합니다. 특히, 단조성 (monotonicity) 과 같은 형태적 제약을 가진 함수를 샘플링하기 위해 제약 조건이 부여된 GP 를 활용합니다.
• 측정 지표: 모델 클래스 $\mathcal{F}_\Theta$와 무작위로 추출된 적격 규칙 $f$ 사이의 기대 불일치 (expected discrepancy) 를 기준 모델의 불일치로 정규화한 값입니다.
  $$r(\mathcal{F}_\Theta; \mathcal{F}, d) = \frac{E_{\lambda_\mathcal{F}}[d(\mathcal{F}_\Theta, f)]}{E_{\lambda_\mathcal{F}}[d(\mathcal{F}_{base}, f)]}$$
  여기서 $d$는 예측 규칙 간의 거리 함수 (예: 평균 제곱 오차) 입니다.

2.2 구조적 모델로의 확장 (Structural Models)

• 축소형 표현 (Reduced-Form): 구조적 모델이 축소형 (reduced-form) 을 가질 경우, 축소형 분포 클래스에 대해 제한성을 정의합니다.
• 내생성 (Endogeneity): 도구를 사용하여 식별되는 부분 균형 모델 (예: 수요 - 공급 모델) 의 경우, 구조적 오차의 가법성 (additivity) 가 가정되면 무한 차원 함수 최적화를 유한 차원 구조 모수 최적화로 축소할 수 있음을 보입니다.
• 다중 균형 (Multiple Equilibria): 균형이 유일하지 않은 경우 (예: 진입 게임), 모델이 하나의 조건부 분포가 아닌 '대응 (correspondence)'을 정의합니다. 이 경우, 각 가상의 진실 (pseudo-truth) 에 대해 최적의 균형 선택 규칙을 선택했을 때의 최소 불일치 (infimum approximation error) 를 사용하여 제한성을 정의합니다.
• 반모수적 모델 (Semiparametric): BLP 와 같은 모델처럼 일부 모수는 모수적이고 일부는 비모수적인 경우, nuisance 파라미터 (예: 오차 분포) 를 적격 집합에 포함시켜 제한성을 계산합니다.

2.3 불일치 함수 (Discrepancy Function) 의 선택

• 핵심 주장: Rademacher 복잡도나 VC 차원과 같은 기존 복잡도 측도는 특정 불일치 함수를 내포하고 있으며, 이는 경제 모델의 제한성을 측정하는 데 적합하지 않습니다 (특히 유한 차원 모델이 극단적으로 제한적으로 보이는 '퇴화 (degeneracy)' 현상 발생).
• GMM 기준 함수의 부적절성: GMM 목적 함수는 모멘트 조건의 위반을 측정할 뿐, 모델이 유도하는 데이터 분포와 진실 분포 간의 거리를 직접 측정하지 않으므로 불일치 함수로 사용해서는 안 됩니다. 대신 모멘트 조건은 '적격 집합'의 제약으로 정의해야 합니다.
• 학습 곡선 (Learning Curve) 의 해석: 제한성은 노이즈가 없는 평균 사례 학습 곡선 (average-case learning curve) 의 정규화된 극한으로 해석될 수 있음을 증명합니다.

3. 주요 결과 (Key Results)

3.1 연속 도메인 vs 유한 집합

• 적용 사례 1: 위험 하의 선호 (CPT vs DA): 누적 Prospect 이론 (CPT) 과 실망 회피 (DA) 모델을 분석했습니다.
• 결과: 유한한 로터리 집합 (FGL) 에서 평가할 때보다 연속적인 도메인 (전체 로터리 공간) 에서 평가할 때 모델의 제한성이 일관되게 높게 나타났습니다. 이는 유한한 데이터셋이 모델이 부과하는 구조적 제약을 과소평가함을 의미합니다.

3.2 다항 선택 모델 (Multinomial Choice)

• 적용 사례 2: 외생적 특성 (Exogenous): MNL, 중첩 로짓 (NL), 혼합 로짓 (MXL) 모델을 분석했습니다.
• 결과: 이론적으로 MXL 이 가장 유연하지만, 실제 추정에서 사용되는 모수적 형태 (정규분포 등) 로 인해 NL 과 MXL 의 제한성이 매우 유사하게 나타났습니다. 또한, 제한성은 주로 평균 효용 (mean utility) 함수의 유연성에 의해 결정되며, 개인별 이질성 (heterogeneity) 의 유연성은 제한성에 큰 영향을 미치지 않았습니다.

3.3 내생성 (Endogeneity) 의 영향

• 적용 사례 3: 내생적 가격 (Endogenous Prices): BLP 스타일의 도구를 사용하여 내생성을 처리한 구조적 모델을 분석했습니다.
• 결과: 내생성으로 인한 모멘트 제약 (moment restrictions) 이 모델의 제한성을 크게 증가시켰습니다.
  • 외생적 설정에서는 MXL 이 가장 유연했으나, 내생적 설정에서는 MXL 이 여전히 가장 유연하지만 NL 과 MNL 의 제한성 차이가 사라지거나 역전되는 등 순위가 변화했습니다.
  • 특히, MXL 의 제한성이 0.11 에서 0.67 로 급격히 증가하여, 모멘트 조건이 함수적 형태 제약보다 모델의 제한성을 훨씬 더 강하게 만든다는 점을 보여주었습니다.

4. 기여 및 의의 (Significance)

1. 이론적 확장: 제한성 측정을 유한 차원 공간에서 무한 차원 함수 공간과 구조적 계량경제학 모델 (내생성, 다중 균형 포함) 로 확장하여, 경제학 전반에 적용 가능한 정량적 도구를 제공했습니다.
2. 방법론적 통찰:
   • 불일치 함수의 중요성: 제한성 측정은 단순히 기술적인 계산이 아니라, 해석 가능성과 맥락에 기반한 실질적인 모델링 결정 (discrepancy function choice) 이어야 함을 강조했습니다.
   • GMM 과의 관계: GMM 기준 함수를 제한성 측정에 직접 사용하는 것의 문제점을 지적하고, 모멘트 조건은 적격 집합의 제약으로 정의해야 함을 제안했습니다.
3. 실증적 함의:
   • 내생성의 중요성: 내생성을 고려한 구조적 모델 평가는 단순한 함수 형태 비교보다 훨씬 더 엄격한 제약을 부과함을 보여주었습니다.
   • 모델 비교: 제한성 (구조적 엄격함) 과 완전성 (데이터 적합도) 을 동시에 고려한 2 차원 평가 프레임워크 (Pareto frontier) 를 통해, 기존 단일 기준으로는 순위 매기기 어려웠던 모델들 간의 trade-off 를 체계적으로 비교할 수 있게 했습니다.
4. 미래 연구 방향: 제한성을 정규화 (regularization) 장치로 사용하여, 단순한 파라미터 개수가 아닌 모델이 배제하는 '경제적으로 불가능한 패턴'의 양을 기준으로 모델을 선택하거나 정규화하는 새로운 접근법의 가능성을 제시했습니다.

요약하자면, 이 논문은 경제 모델의 '제한성'을 연속적이고 구조적인 맥락에서 정량화하는 새로운 표준을 제시하며, 내생성과 같은 계량경제학적 이슈가 모델의 유연성 평가에 얼마나 결정적인 영향을 미치는지를 실증적으로 입증했습니다.