📈 economics

Estimation of MIDAS Regressions with Errors-in-the-Variables

이 논문은 저빈도 및 고빈도 변수 모두에 측정 오차가 존재하는 MIDAS 회귀 모델에서 기존 프로파일 우도 추정량의 불일치 문제를 해결하기 위해, 교정 점수(corrected score) 방식과 프로파일 우도 방식을 결합하여 일치성을 갖는 새로운 추정법을 제안하고 그 성능을 검증합니다.

원저자: Sukhbir Kaur, Sukhbir Singh, Kanchan Jain, Pooja Soni

게시일 2026-04-28

📖 2 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sukhbir Kaur, Sukhbir Singh, Kanchan Jain, Pooja Soni

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

1. 배경: "서로 다른 속도로 달리는 두 마리 토끼" (Mixed Data Sampling)

경제 상황을 분석할 때, 우리는 서로 다른 주기를 가진 데이터들을 함께 봐야 합니다.

고빈도 데이터 (빠른 토끼): 매일매일 변하는 주식 가격이나 구인 광고 수처럼 아주 빠르게 움직이는 정보입니다.
저빈도 데이터 (느린 토끼): 분기별 GDP나 월별 실업률처럼 가끔씩 툭툭 나타나는 정보입니다.

우리는 이 '빠른 토끼'의 움직임을 보고 '느린 토끼'가 어디로 갈지 예측하고 싶어 합니다. 이것을 통계학에서는 MIDAS(Mixed Data Sampling) 모델이라고 부릅니다.

2. 문제점: "안개 속에서 보는 흐릿한 사진" (Measurement Error)

그런데 문제가 하나 있습니다. 우리가 보는 데이터가 **'완벽한 진실'**이 아니라는 점입니다.

예를 들어, 정부가 발표하는 실업률 수치는 실제 상황을 완벽하게 반영하지 못할 수도 있고(측정 오류), 매일 집계되는 구인 광고 수치도 누락된 것이 있을 수 있습니다.

이것은 마치 **"안개가 자욱한 날, 흐릿한 사진을 보고 달리는 자동차의 정확한 속도를 맞추려는 것"**과 같습니다. 기존의 방식(Ghysels & Qian의 방식)대로 사진을 분석하면, 안개(오류) 때문에 자동차의 속도를 실제보다 훨씬 빠르거나 느리게 잘못 계산하게 됩니다. 즉, '일관성 없는(Inconsistent)' 결과가 나옵니다.

3. 이 논문의 해결책: "안개 제거 필터 만들기" (Corrected Score Approach)

연구진은 이 문제를 해결하기 위해 **'안개 제거 필터'**를 개발했습니다.

기존 방식이 흐릿한 사진을 그대로 믿고 계산했다면, 이 논문에서 제안하는 새로운 방식은 **"이 사진에는 이 정도의 안개가 끼어 있을 거야"**라는 정보(측정 오차의 크기)를 미리 계산식에 집어넣습니다.

비유하자면, **"사진이 흐릿한 건 렌즈에 먼지가 묻었기 때문이니, 그 먼지의 양만큼을 계산에서 빼주자!"**라고 수학적인 보정 작업을 거치는 것입니다. 이를 통해 안개 속에서도 실제 자동차의 속도(진짜 경제 지표)를 아주 정확하게 찾아낼 수 있게 되었습니다.

4. 연구 결과: "데이터가 많아질수록 안개는 걷힌다"

연구진은 컴퓨터 시뮬레이션을 통해 이 새로운 필터가 얼마나 잘 작동하는지 테스트했습니다.

정확도 향상: 기존 방식은 데이터를 아무리 많이 모아도 안개 때문에 계속 틀린 답을 내놓았지만, 새로운 방식은 데이터(샘플)가 많아질수록 점점 실제 정답에 가까워졌습니다.
오차의 영향력 파악: 연구 결과, '느린 토끼(저빈도 데이터)'에 오류가 생기면 전체적인 경제 흐름(회귀 계수)을 맞추기가 더 어려워지고, '빠른 토끼(고빈도 데이터)'에 오류가 생기면 데이터의 변동성(분산)을 예측하기가 더 어려워진다는 사실을 밝혀냈습니다.
적절한 정보량의 중요성: 너무 많은 과거 데이터를 한꺼번에 넣으려고 하면 오히려 계산이 복잡해지고 오차가 커질 수 있으니, **'적당하고 핵심적인 과거 데이터'**를 선택하는 것이 중요하다는 점도 시사했습니다.

요약하자면?

이 논문은 **"서로 다른 주기로 움직이는 경제 데이터를 분석할 때, 데이터에 섞여 있는 '측정 오류(안개)'를 수학적으로 계산해서 제거함으로써, 훨씬 더 정확하게 미래 경제를 예측할 수 있는 새로운 공식(필터)을 만들었다"**는 내용입니다.

[기술 요약] 측정 오차를 포함한 MIDAS 회귀 모델의 추정

1. 연구 배경 및 문제 제기 (Problem Statement)

MIDAS 모델의 유용성: 경제학 데이터는 서로 다른 빈도(예: 월간 실업률과 일일 구인 게시물)를 갖는 경우가 많습니다. Mixed Data Sampling (MIDAS) 회귀 모델은 이러한 혼합 빈도 데이터를 처리하고, 고빈도 데이터의 정보를 효율적으로 활용하여 저빈도 변수를 예측하는 데 매우 유용합니다.
측정 오차(Measurement Error, ME)의 문제: 실제 경제 지표는 수집 및 처리 과정에서 오류가 발생할 수 있습니다. 기존의 MIDAS 추정 방식(Ghysels and Qian, 2019)은 데이터에 측정 오차가 존재할 경우, 프로파일 가능도 추정량(Profile Likelihood Estimator)이 일치성(Consistency)을 상실한다는 점이 본 연구의 핵심 문제 제기입니다. 즉, 샘플 크기가 커지더라도 추정값이 참값으로 수렴하지 않고 편향(Bias)이 남게 됩니다.

2. 연구 방법론 (Methodology)

본 논문은 측정 오차가 내생 변수( $Z_t$ )와 외생 변수( $\xi_t$ ) 모두에 존재하는 ADL-MIDAS ME(Autoregressive Distributed Lag - MIDAS Measurement Error) 모델을 다룹니다.

모델 설정: 관측된 데이터 $y_t$ 와 $x_t$ 는 실제 값에 각각 측정 오차 $u_t$ 와 $v_t$ 가 더해진 형태( $y_t = Z_t + u_t$ , $x_t = \xi_t + v_t$ )로 정의됩니다.
수정된 점수 함수 접근법 (Corrected Score Approach): Nakamura(1990)의 방법론을 사용하여, 측정 오차로 인해 왜곡된 로그 가능도 함수를 보정합니다.
보정된 프로파일 가능도(Corrected Profile Likelihood): 측정 오차의 분산( $\sigma^2_u, \sigma^2_v$ $σ_{u}^{2}, σ_{v}^{2}$ )을 알고 있다는 가정하에, 기대값(Conditional Expectation)을 이용하여 로그 가능도 함수를 수정합니다.
- 수정된 가능도 함수 $L^*_c$ 를 통해 $\beta$ (회귀 계수), $\theta$ (MIDAS 다항식 파라미터), $\sigma^2_\epsilon$ (오차항 분산)를 동시에 추정할 수 있는 일치 추정량을 도출했습니다.
대표본 성질(Large Sample Properties): 테일러 전개(Taylor expansion)를 통해 제안된 추정량이 점근적으로 정규 분포를 따르며, 샘플 크기가 커짐에 따라 참값으로 수렴하는 **일치성(Consistency)**을 가짐을 수학적으로 증명했습니다.

3. 주요 기여 (Key Contributions)

새로운 추정법 제안: 측정 오차가 존재하는 ADL-MIDAS 모델에 대해 기존의 비일치 추정량을 대체할 수 있는 **일치 추정량(Consistent Estimator)**을 최초로 제안했습니다.
수학적 증명: 측정 오차가 포함된 상황에서 기존 프로파일 가능도 추정량의 불일치성을 보이고, 제안된 보정된 추정량의 점근적 정규성과 일치성을 이론적으로 입증했습니다.
시뮬레이션 분석: 몬테카를로 시뮬레이션을 통해 샘플 크기( $T$ ), 시차 개수( $j_{max}$ ), 파라미터( $\theta$ ), 측정 오차의 크기에 따른 추정량의 성능을 체계적으로 검증했습니다.

4. 연구 결과 (Results)

일치성 확인: 시뮬레이션 결과, 기존 추정량(Naive Estimator)은 샘플 크기가 커져도 편향이 0으로 수렴하지 않았으나, 제안된 보정 추정량은 샘플 크기가 증가함에 따라 편향과 변동성이 모두 0으로 수렴함을 확인했습니다.
변수별 영향력:
- 저빈도 변수( $Z_t$ )의 측정 오차는 회귀 계수( $\beta$ )의 편향에 더 큰 영향을 미칩니다.
- 고빈도 변수( $\xi_t$ )의 측정 오차는 MIDAS 파라미터( $\theta$ )와 오차 분산( $\sigma^2_\epsilon$ ) 추정에 더 큰 영향을 미칩니다.
모델 복잡도: 시차(lag)의 개수( $j_{max}$ )가 많아질수록 편향과 변동성이 증가하는 경향이 있어, 모델의 간결성(Parsimony)을 유지하는 것이 중요함을 시사합니다.

5. 연구의 의의 (Significance)

본 연구는 실무적으로 매우 중요한 의미를 갖습니다. 경제 지표의 데이터 수정(Revision)이나 측정 오류가 빈번한 실제 경제 환경에서, 기존 MIDAS 모델을 그대로 사용할 경우 발생할 수 있는 잘못된 예측과 분석 결과를 방지할 수 있는 통계적 도구를 제공합니다. 특히, 측정 오차의 분산을 사전에 알고 있다면 매우 강력하고 신뢰할 수 있는 추정 도구가 될 수 있음을 보여주었습니다.