Double Machine Learning for Static Panel Data with Instrumental Variables: New Method and Applications

1. 연구 배경 및 문제 제기 (Problem)

• 패널 데이터의 한계: 패널 데이터는 관찰되지 않은 이질성 (unobserved heterogeneity) 을 통제할 수 있어 인과 추론에 널리 사용되지만, 처치 변수가 내생적이고 도구변수 (IV) 의 유효성이 많은 공변량 (covariates) 에 조건부로만 성립할 때는 추정이 어렵습니다.
• 전통적 방법의 실패: 2 단계 최소제곱법 (2SLS) 과 같은 전통적 도구변수 추정량은 고차원의 혼란 변수를 통제하거나 비선형 관계를 포착하는 데 한계가 있습니다. 많은 공변량을 통제하려 할 때 2SLS 는 행렬의 랭크 결손 (rank deficiency) 이나 과적합 (overfitting) 으로 인해 신뢰할 수 없는 결과를 초래할 수 있습니다.
• 필요성: 도구변수의 유효성을 입증하기 위해 풍부한 공변량 조정이 필요하지만, 기존 방법은 이를 유연하게 처리하지 못합니다.

2. 방법론 (Methodology)

저자들은 Chernozhukov et al. (2018) 의 DML 프레임워크를 정적 패널 데이터와 내생적 처치 상황에 맞게 확장한 Panel IV DML을 개발했습니다.

• 모형 설정:
  • 부분 선형 패널 회귀 (Partially Linear Panel Regression, PLPR) 모형을 기반으로 합니다.
  • 관찰되지 않은 개인 고정효과 (fixed effects) 를 제거하기 위해 1 차 차분 (First-differencing, FD) 변환을 적용합니다.
  • 모형은 결과 변수 ($Y_{it}$), 내생적 처치 ($D_{it}$), 도구변수 ($Z_{it}$), 그리고 공변량 ($X_{it}$) 으로 구성되며, 비선형 교란 함수 (nuisance functions) 는 기계학습 (ML) 알고리즘을 통해 추정합니다.
• 핵심 기술:
  • 네이만 직교성 (Neyman Orthogonality): 교란 함수의 추정 오차가 구조적 모수 ($\theta_0$) 추정에 미치는 1 차 편향을 제거하는 직교 점수 함수 (orthogonal score function) 를 유도합니다.
  • 블록 k-폴드 크로스 피팅 (Block k-fold Cross-fitting): 각 개체의 전체 시계열을 동일한 폴드에 할당하여 시계열 상관관계를 고려한 교차 검증을 수행합니다.
  • 교란 함수 학습: Lasso, Gradient Boosting, 신경망 (Neural Network) 등 다양한 ML 알고리즘을 사용하여 공변량과 결과/처치/도구변수 간의 복잡한 비선형 관계를 유연하게 예측합니다.
• 약한 도구변수 진단 (Weak Identification Diagnostics):
  • 1 단계 F-통계량: DML 프레임워크에 맞춰 수정된 F-통계량을 제시하여 도구변수의 강도를 진단합니다.
  • 앤더슨 - 루빈 (Anderson-Rubin, AR) 검정 및 신뢰집합: 도구변수가 약할 때 2SLS 의 추론이 무효화되는 문제를 해결하기 위해, 도구변수의 관련성 (relevance) 가 약해도 유효한 AR 검정 통계량과 신뢰집합을 제안합니다. 이는 2SLS 에서는 일반적으로 보고되지 않지만, 약한 IV 상황에서 필수적입니다.

3. 주요 기여 (Key Contributions)

1. 새로운 추정량 개발: 고정효과가 있는 정적 패널 데이터에서 내생적 처치를 다루는 최초의 DML 추정량 (Panel IV DML) 을 제안했습니다.
2. 약한 IV 진단 도구 통합: DML 절차에 약한 도구변수 진단 (F-통계량, AR 검정) 을 체계적으로 통합하여, 기존 DML 문헌에서 간과되었던 약한 IV 문제를 해결했습니다.
3. 이론적 기반: Neyman 직교 점수 함수를 기반으로 한 일관성 있는 추정량과 점근적 정규성을 증명했습니다.

4. 실증 분석 및 결과 (Empirical Applications & Results)

저자들은 이민 (Migration) 분야의 세 가지 영향력 있는 연구 (Tabellini, 2020; Moriconi et al., 2019, 2022) 를 재분석하여 방법론을 검증했습니다.

• Tabellini (2020) 재분석:
  • 기존 2SLS 는 이민이 정치적 보수화를 유발한다고 결론 내렸으나, Panel IV DML 은 이를 확인하면서도 경제적 효과는 유의하지 않음을 발견했습니다.
  • 추가 통제변수를 포함할 경우, 기존 연구에서 발견된 효과들이 사라졌으며, 이는 결과들이 혼란 변수 통제에 민감함을 시사합니다.
  • Panel IV DML 은 유연한 조정을 통해 도구변수의 예측력을 높였습니다.
• Moriconi et al. (2019, 2022) 재분석:
  • 기존 연구들은 이민이 정치적 태도에 영향을 미친다고 주장했으나, Panel IV DML 로 재분석한 결과 도구변수가 약한 (Weak) 것으로 나타났습니다.
  • 2SLS 는 도구변수가 강하다고 잘못 판단하여 인과 효과를 과대평가했으나, Panel IV DML 과 AR 진단은 도구변수의 관련성이 부족하여 인과 효과를 식별할 수 없음을 명확히 보여주었습니다.
  • 이는 기존 연구의 결론이 도구변수의 약한 식별력 때문에 신뢰하기 어렵다는 것을 시사합니다.

5. 시뮬레이션 결과 (Monte Carlo Simulations)

• 강한 도구변수 상황: Panel IV DML 은 2SLS 보다 편향 (bias) 이 작고 수렴 속도가 빠르며, 비선형성을 잘 포착하여 더 정확한 추정을 제공합니다.
• 약한 도구변수 상황: 2SLS 는 약한 도구변수를 강하다고 잘못 판단하여 신뢰구간이 좁아지고 잘못된 인과 결론을 내는 경향이 있습니다. 반면, Panel IV DML 은 AR 진단을 통해 약한 식별력을 정확히 감지하고, 불확실성을 과소평가하지 않는 더 보수적이고 신뢰할 수 있는 추론을 제공합니다.

6. 의의 및 결론 (Significance & Conclusion)

• 방법론적 혁신: 패널 데이터에서 고차원 비선형 혼란 변수와 내생성을 동시에 처리할 수 있는 강력한 도구를 제공했습니다.
• 실증적 함의: 많은 실증 연구 (특히 Shift-share IV 를 사용하는 분야) 에서 기존 2SLS 결과가 도구변수의 약한 식별력이나 부적절한 통제 변수로 인해 편향되었을 가능성을 제기합니다.
• 추천 사항: 저자들은 패널 IV DML 적용 시 **AR 진단 (AR test 및 신뢰집합)**을 1 단계 F-통계량과 함께 반드시 보고할 것을 권장합니다. 이는 약한 도구변수 상황에서도 유효한 인과 추론을 가능하게 하여 정책 평가 및 학술적 결론의 신뢰성을 높이는 데 기여합니다.

요약하자면, 이 논문은 기계 학습의 유연성과 계량경제학의 엄격한 추론을 결합하여, 기존 2SLS 가 실패하는 복잡한 패널 데이터 환경에서 더 정확하고 신뢰할 수 있는 인과 효과 추정을 가능하게 하는 새로운 표준을 제시합니다.