길리랩blog

동적 패널 분석에서 GMM과 임계값 회귀를 설계하는 방법

패널 데이터의 내생성과 동적 편향을 다루는 GMM, Arellano-Bond, System GMM, 임계값 회귀의 설계와 진단 방법을 정리한다.

2026-08-14 · 최초 발행 2025-10-14

시차항과 내생성이 겹치는 패널 분석

같은 개체를 시간에 따라 반복 관측하는 패널 데이터는 개체 고정효과와 시간 고정효과를 통해 이질성을 통제하기에 적합하다. 다만 종속변수의 시차항이 들어가는 동적 패널에서는 내생성과 상관구조를 함께 다뤄야 한다.

이때 OLS나 고정효과 모형은 Nickell bias 문제를 낳을 수 있다. 특히 N≫T 형태의 대단위 패널에서는 GMM 계열 추정법이 동적 편향과 내생성에 대응하는 선택지가 된다.

GMM(Generalized Method of Moments)은 모멘트 조건 E[z_it * u_it]=0을 바탕으로 추정량을 구하는 준-모수적 방법이다. 분포 가정을 최소화할 수 있지만, 도구변수 z_it의 외생성과 식별력이 추정 결과를 좌우한다.

Arellano-Bond, 즉 차분 GMM은 일차 차분으로 개체 고정효과를 제거한 뒤 종속변수와 설명변수의 적절한 시차를 도구로 쓴다. System GMM은 차분식과 수준식을 결합해 약도구 문제를 완화하고 효율성 개선을 시도한다. T가 매우 짧고(소T), 종속변수의 지속성이 높은 경우에 유용하다.

임계값 회귀는 q*를 경계로 계수 체계가 달라지는 비선형 모형이다. 패널 임계값 회귀(PTR)는 이를 개체·시간 효과와 결합해 체제 전환에 따른 이질적 반응을 포착한다.

도구 설계와 진단이 추정 결과를 좌우한다

차분 GMM에서는 레벨 변수의 적절한 시차를 차분식 도구로 사용한다. System GMM에서는 차분 변수의 시차를 수준식 도구로 추가한다. 이 설계가 느슨하면 도구가 과도하게 늘어나고, 약도구가 생기면 추정량 분산 확대와 유의성 왜곡으로 이어질 수 있다.

도구 폭증은 라그 제한, collapse, 블록 단위 축소로 관리한다. 추정 뒤에는 다음 항목을 함께 봐야 한다.

  • Arellano-Bond AR(1)은 기대되지만 AR(2)은 유의하지 않아야 한다.
  • Hansen 또는 Sargan 검정의 p-value가 과도하게 높거나(>0.9) 낮을(<0.01) 경우, 도구 타당성 또는 과적합을 의심한다.
  • 잔차, 도구 수, 조건수(ill-conditioning)를 함께 확인해 추정 안정성을 점검한다.

임계값 회귀에서는 그리드 서치나 순차적 탐색으로 q*를 찾고, 부트스트랩으로 신뢰구간을 도출한다. 이후 체제별 계수를 추정한 뒤 연속성, 단조성, 경제적 타당성을 검증한다. 동적 패널과 임계값을 함께 다룰 때는 표준오차의 견고성 조정도 필요하다.

⤢✕동적·내생성비선형·체제전환통과실패입력: 패널 데이터 y_it, X_it,q_it사전 점검: 결측/이상치,정태성·추세 제거모형 선택Arellano-Bond / SystemGMMPanel Threshold Regression변환: 1차 차분(또는 System),도구 설계(시차, collapse)GMM 추정: 1단계/2단계,Windmeijer 보정진단: AR(2), Hansen/Sargan결과 해석·민감도 분석도구 축소, 라그 재설계, 모형단순화그리드 서치로 q* 추정,부트스트랩 CI체제별 계수 추정, 강건성 점검출력: 계수, 유의성, 정책시사

성장·기업 재무·정책평가에서의 활용

거시성장과 수렴 분석에서는 GDP 성장률의 시차를 포함한 동적 패널에 System GMM을 적용하고, 초기소득·투자·교육 변수의 내생성을 통제할 수 있다. 인적자본 수준처럼 정책변수의 임계값이 존재한다면 PTR로 성장 탄력성의 체제별 차이를 식별한다.

기업 재무에서는 투자 방정식의 현금흐름 내생성을 고려해야 한다. Arellano-Bond는 동적 항과 내생성을 함께 통제하는 데 쓰이며, 레버리지나 금리 스프레드의 임계값에 따라 투자-현금흐름 민감도가 달라지는지도 살필 수 있다.

금융안정 분석에서는 은행 패널의 대손충당과 자본비율에 있는 내생성 문제를 GMM으로 교정한다. VIX, TED 같은 위기지표가 임계값을 넘을 때 대출공급 탄력성이 변하는지도 추정 대상이 된다. 보조금이나 세제 혜택의 효과를 평가할 때도 규모 또는 생산성 임계값별 차이를 PTR로 확인하고, 지역·산업 고정효과로 교란 요인을 통제할 수 있다.

추정법별로 달라지는 제약

방법 목적 성능(효율) 확장성(N,T) 일관성(내생성 대응) 안정성(진단 민감도) 운영 편의
고정효과(Within) 불관측 이질성 제거 보통 N↑, T↑ 유리 내생성 미대응 안정적이나 동적 편향 구현 용이
Arellano-Bond(차분 GMM) 동적 편향·내생성 통제 소T에서 효율 양호 N↑, T 작아도 가능 조건부 일관성 AR(2)/Hansen 민감 도구 관리 필요
System GMM 약도구 완화·효율성 개선 동적 지속성 높을 때 우수 N↑, T 매우 작아도 가능 일관성 가정 강화 도구 폭증 위험 세심한 설정 필요
패널 임계값 회귀 체제전환 비선형 포착 표본 분할 민감 N·T 모두 필요 내생성 있으면 취약 임계값 추정 불확실성 부트스트랩 필요

주: Stata/R 구현과 옵션 지원은 버전별 상이 가능, 최신 정보 확인 필요.

GMM과 임계값 회귀를 운영할 때 확인할 항목

Arellano-Bond 또는 System GMM을 적용하기 전에는 결측 대체 규칙과 극단값 윈저라이징 방식을 정하고, 개체·시간 FE 포함 여부를 설계한다. y_{i,t-1}의 내생성, X 변수의 약한 내생성 또는 엄격 외생성을 구분한 뒤 도구를 구성한다.

라그는 collapse, lag 제한(L2–L3 등), 그룹핑을 이용해 축소한다. 추정은 1단계에서 2단계(Windmeijer 표준오차 보정)로 진행할 수 있다. 결과에서는 AR(2) p>0.05를 기대하고 Hansen p 0.1~0.8 권장 범위를 참고한다. 도구 수 ≤ 개체 수를 지키고, 라그와 도구 풀을 바꾸는 민감도 분석도 필요하다.

AR(2) 검정에 실패하면 더 긴 라그 도구를 사용하거나 차분 GMM 대신 System GMM을 검토한다. Hansen 검정에서 과적합 신호가 나오면 도구를 축소·집계하고 외생성 가정을 다시 평가한다. 약도구 문제에는 정보성이 높은 내부·외부 도구 보강을 검토한다.

PTR에서는 임계 후보 변수 q_it를 경제적 근거에 따라 고르고, 체제별 관측 비중이 불균형해지지 않도록 충분한 양측 표본을 확보한다. q*는 그리드 탐색과 최소 RSS 기준으로 선택하고 부트스트랩으로 CI를 산출한다. 체제별 계수에는 고정효과와 시간효과를 포함하며, 탄력성과 국소 정책효과를 비교한다. 임계값 주변의 반응 곡선 시각화도 유용하다.

다중 임계값이 의심되면 순차적 검정 또는 벌점화 탐색을 고려한다. q_it 자체가 내생적이면 외생 도구나 제도적 변수로 대체하고 GMM 결합을 검토한다.

R과 Stata 구현 예시

환경/전제

  • R >= 4.3, plm >= 2.6, 데이터는 plm 내장 예시 사용 가정
  • Stata 16+ 권장(xtdpdgmm, xthreg 지원), 사용자 패키지 설치 권한 필요

R에서 plm::pgmm을 이용해 Arellano-Bond 또는 System GMM에 가까운 형태를 구현하는 예시다.

# R packages
# install.packages("plm")
library(plm)

# 예시 데이터: EmplUK (firm-level panel, plm 패키지 포함)
data("EmplUK", package = "plm")

# 동적 패널: emp_it = a*emp_it-1 + b*wage_it + c*capital_it + FE + u_it
# 내생성 가정: lag(emp) 내생, wage 약내생, capital 외생 가정 예시
form <- emp ~ lag(emp, 1) + wage + capital

# 차분 GMM (Arellano-Bond 스타일)
m_ab <- pgmm(
  formula = form,
  data    = EmplUK,
  effect  = "twoways",
  model   = "twosteps",
  transformation = "d",
  # 도구 설정: 내생 변수는 더 깊은 라그를 도구로
  lag.gmm = list(emp ~ 2:3, wage ~ 2:3),
  lag.iv  = list(capital ~ 0)
)

summary(m_ab)
# 진단: Hansen/Sargan, AR(1)/AR(2) 통계 확인

Stata에서는 xtdpdgmm으로 동적 패널 GMM을 구성할 수 있다.

* Stata 16+ 가정
* 데이터: 예시용, 실제 패널 데이터로 대체
xtset id time

* 동적 패널: y L.y x1 x2, 개체/시간 FE 포함
* 도구 폭증 방지: collapse, 라그 제한(2/3)
xtdpdgmm y L.y x1 x2 i.time, ///
    dgmmiv(L.y, lag(2 3) collapse) ///
    dgmmiv(x1, lag(2 3) collapse) ///
    iv(x2) ///
    twostep vce(robust) small

estat abond   // AR(1), AR(2) 검정
estat sargan // Hansen/Sargan 과식별 검정

패널 임계값 회귀는 xthreg로 다음처럼 구성한다.

* 임계 변수 q: leverage, 종속 y: investment
xtset firm year
xthreg investment c.sales c.cashflow, threshvar(leverage) bs
* 옵션 bs: 부트스트랩 기반 신뢰구간 계산

주: 패키지 옵션·통계량 명칭은 버전에 따라 상이 가능, 최신 문서 확인 필요.

진단을 포함한 재설계 루프

GMM의 목적은 동적 편향과 내생성에 따른 계수 편차를 줄이고, 표준오차를 합리적으로 산정하는 데 있다. 도구 폭증을 완화하면 과식별 문제를 줄이면서 예측과 검정력의 균형을 개선할 수 있다.

모형을 한 번 적합하는 것으로 끝나지 않는다. 모형, 진단, 재설계를 반복하는 폐루프를 두면 재현성과 추적가능성이 높아진다. 체제전환이 확인되면 정책 타게팅의 정밀도를 높이고 한계효과를 맥락에 맞춰 해석할 수 있다. 간결한 모형에서 시작해 AR(2), Hansen 검정과 도구 관리 결과에 따라 점진적으로 확장하는 방식이 적합하다.

계량경제학패널 데이터GMM동적 패널임계값 회귀