Quantifying Omitted Variable Bias in Nonlinear Instrumental Variable Estimators

논문 요약: 비선형 도구변수 (IV) 추정량에서의 누락된 변수 편향 (OVB) 정량화

1. 연구 배경 및 문제제기 (Problem)

• 배경: 도구변수 (Instrumental Variable, IV) 추정법은 내생성 (endogeneity) 문제를 해결하기 위해 널리 사용되지만, 분석에 중요한 변수가 누락될 경우 (Omitted Variable Bias, OVB) 추정량의 타당성이 훼손됩니다.
• 문제점: 기존 OVB 민감도 분석은 주로 선형 모델에 국한되어 있었습니다. 그러나 현대 계량경제학에서는 국소 평균 처리 효과 (LATE), 처리된 대상에 대한 국소 평균 처리 효과 (LATT), 부분 선형 IV 모델 (PLIVM) 등 비선형 IV 추정량이 광범위하게 활용되고 있습니다.
• 연구 목표: Chernozhukov et al. (2024a) 의 선형 모델 연구 결과를 확장하여, 비선형 IV 추정량에서 누락된 변수로 인한 편향을 정량화하는 프레임워크를 개발하는 것입니다. 구체적으로 편향 분해, 부분 식별 구간 (partial identification bounds) 설정, 그리고 OVB 를 보정한 신뢰구간 구축을 목표로 합니다.

2. 방법론 (Methodology)

2.1. 기본 프레임워크 및 편향 분해

• 연구자는 관심 매개변수 $\theta$가 $\theta = \lambda / \gamma$ 형태로 표현되는 IV 추정량들을 다룹니다. 여기서 $\lambda$는 축소형 (reduced-form), $\gamma$는 1 단계 (first-stage) 파라미터입니다.
• 관측 가능한 변수 $W_s = (Z, X)$만 사용할 때의 추정량 ($\theta_s$) 과 완전한 변수 $W = (Z, X, A)$를 사용할 때의 참값 ($\theta$) 간의 편향을 분석합니다.
• 편향 분해: $\lambda$와 $\gamma$의 편향은 다음과 같이 분해됩니다.
  • $|\lambda - \lambda_s|^2 = \rho_Y^2 B_Y^2$
  • $|\gamma - \gamma_s|^2 = \rho_D^2 B_D^2$
  • 여기서 $\rho$는 상관관계, $B$는 민감도 파라미터 ($C_\alpha, C_Y, C_D$) 와 데이터 분산의 함수입니다.

2.2. 민감도 파라미터 (Sensitivity Parameters)

• $C_\alpha, C_Y, C_D$: 누락된 변수 $A$가 가중치 함수 ($\alpha$) 와 결과/처리기대값 ($g_Y, g_D$) 에 미치는 영향을 측정하는 무차원 (unit-free) 파라미터입니다.
• 이 파라미터들은 비모수적 $R^2$(Pearson's correlation ratio) 와 관련이 있으며, $A$를 모델에 포함했을 때 예측 정확도가 얼마나 향상되는지를 나타냅니다.
• 벤치마킹 분석 (Benchmarking): 연구자는 관측 가능한 변수 $X_j$와 비교하여 누락된 변수 $A$의 상대적 중요도 ($k$) 를 가정함으로써 민감도 파라미터의 합리적인 상한선을 설정합니다.

2.3. 부분 식별 구간 및 OVB 보정 신뢰구간

• Theorem 1: $\lambda$와 $\gamma$에 대한 하한/상한 ($\lambda_\pm, \gamma_\pm$) 을 구하고, 이를 조합하여 $\theta$의 부분 식별 구간을 도출합니다. $\gamma$의 부호에 따라 $\theta$의 구간이 결정됩니다.
• 이중 기계학습 (Double Machine Learning, DML): 고차원 공변량을 유연하게 통제하기 위해 DML 을 사용하여 $\lambda_s, \gamma_s$ 및 관련 분산들을 추정합니다. Neyman orthogonality 와 K-fold cross-fitting 을 적용하여 편향을 줄입니다.
• 통계적 추론 (Theorem 2, 3, 4):
  • OVB 보정된 신뢰구간을 구성하기 위해 영향함수 (Influence Functions) 를 유도하고 점근적 정규성을 증명합니다.
  • **Stoye (2009) 의 축소법 (Shrinkage method)**을 적용하여, 식별 구간이 0 에 가까울 때 발생할 수 있는 균일하지 않은 (non-uniform) 신뢰구간 문제를 해결하고, 일관된 (uniformly valid) 95% 신뢰구간을 구축합니다.

3. 주요 기여 (Key Contributions)

1. 비선형 IV 모델로의 확장: 기존 선형 모델에 국한되었던 OVB 민감도 분석을 LATE, LATT, PLIVM 등 비선형 IV 추정량으로 확장했습니다.
2. 편향 분해 및 식별 구간 도출: 누락된 변수로 인한 편향을 정량화하는 수학적 분해를 제시하고, 이를 바탕으로 참값이 존재할 수 있는 부분 식별 구간을 명시적으로 유도했습니다.
3. 고차원 데이터 처리: DML 과 기계학습 알고리즘 (Random Forest 등) 을 결합하여 고차원 공변량을 효과적으로 통제하면서도 OVB 분석을 수행할 수 있는 실용적인 도구를 제공했습니다.
4. 균일 유효한 추론: Stoye 의 축소법을 도입하여 식별 구간이 좁아지는 상황에서도 신뢰구간의 커버리지 (coverage probability) 를 보장하는 통계적 절차를 개발했습니다.

4. 실증 분석 결과 (Empirical Results)

• 데이터: 미국 Job Training Partnership Act (JTPA) 실험 데이터 (1987-1989 년, 성인 남녀 근로자 11,204 명) 를 활용했습니다.
• 분석 대상: 프로그램 참여 (Treatment) 가 소득 (Outcome) 에 미치는 영향 (LATE 및 LATT).
• 주요 발견:
  • 1 단계 (Compliance, $\gamma$): 남녀 모두에서 1 단계 추정량 (준수율) 은 누락된 변수에 대해 **매우 강건 (robust)**했습니다. 민감도 파라미터가 매우 커야만 통계적 유의성이 깨졌습니다.
  • ITT 및 처리 효과 ($\lambda, \theta$):
    • 여성: ITT 와 LATE/LATT 추정치는 OVB 를 고려하더라도 통계적으로 유의미하고 강건하게 유지되었습니다.
    • 남성: OVB 를 고려하지 않을 때는 통계적 유의성이 있었으나, OVB 보정 후 신뢰구간이 넓어지면서 유의성이 약화되거나 (fragile) 불확실성이 크게 증가했습니다.
  • 결론: 프로그램의 영향은 여성에게는 명확하지만, 남성에게는 누락된 변수의 존재 가능성에 따라 결론이 달라질 수 있음을 시사합니다.

5. 의의 및 시사점 (Significance)

• 실무적 도구: 연구자들이 비선형 IV 분석에서 누락된 변수 편향을 체계적으로 평가하고, 그 불확실성을 반영한 신뢰구간을 보고할 수 있는 표준화된 프레임워크를 제공합니다.
• 인과 추론의 견고성 강화: 단순한 점 추정치 (point estimate) 에 의존하는 것을 넘어, 민감도 분석을 통해 인과적 결론의 견고성 (robustness) 을 검증하는 방법을 제시합니다.
• 정책적 함의: JTPA 사례에서 보듯, 성별에 따라 프로그램 효과의 견고성이 다를 수 있음을 보여주어, 정책 평가 시 세분화된 분석과 OVB 고려의 중요성을 강조합니다.

이 논문은 계량경제학 및 인과 추론 분야에서 비선형 IV 모델의 신뢰성을 높이는 데 중요한 이론적, 실증적 기여를 한 것으로 평가됩니다.