Chow 검정으로 회귀 구조 변화 확인하기

긴 표본에 회귀식을 하나만 맞추면 결과와 설명변수의 관계가 중간에 변한 사실을 놓칠 수 있습니다. 예를 들어 시장 구조가 달라진 뒤 포트폴리오 수익률과 시장 수익률의 관계가 바뀌었는지 궁금할 수 있습니다. Chow 검정은 이 질문을 미리 정한 시점의 전후로 회귀계수들이 같은지 확인하는 공동 가설검정으로 바꿉니다.

절편을 포함해 모형에 계수가 k개 있다고 하겠습니다. 귀무가설은 변화 시점 전후의 계수 벡터가 같다는 것이고, 대립가설은 검정 대상 계수 가운데 적어도 하나가 다르다는 것입니다. Gregory Chow의 1960년 논문은 이를 두 선형회귀의 계수 집합이 같은지 묻는 문제로 정식화합니다. 원문은 Chow의 논문에서 확인할 수 있습니다.

여기서 구조 변화는 선택한 모형이 표현하는 조건부 관계가 달라졌다는 뜻으로 제한해야 합니다. 데이터 생성 과정의 모든 부분이 바뀌었다는 의미도 아니고, 원인을 찾아냈다는 의미도 아닙니다. 검정 결과가 기각이라면 해당 표본, 모형, 시점으로 정한 계수 안정성 제약이 자료와 맞지 않는다는 뜻입니다. 기각하지 못했다고 그 관계가 앞으로도 영원히 안정적이라는 사실이 입증되는 것은 아닙니다.

종속변수를 y, 절편과 설명변수를 포함한 벡터를 x라고 합시다. 표본 전체를 한 번에 추정하는 회귀식은 전체 기간에 하나의 계수 벡터를 강제합니다. 변화 이후에는 계수가 달라질 수 있도록 시점 전에는 0, 이후에는 1인 지시변수 D를 만들고 이를 각 설명변수와 곱하면 y = x′β + D·x′δ + u라는 식이 됩니다. 변화 전 계수는 β, 이후 계수는 β + δ입니다.

전체 안정성 귀무가설은 절편 변화분부터 모든 기울기 변화분까지 δ = 0이라고 공동으로 제한합니다. 절편 하나와 설명변수 둘이 있는 회귀라면 k = 3입니다. 연구 질문이 시장 베타 하나의 변화라면 시장 수익률 항에 붙은 상호작용 계수만 검정할 수 있습니다. 이 좁은 질문을 절편과 모든 기울기를 포함한 전체 계수 검정으로 바꾸어 말해서는 안 됩니다.

상호작용 회귀식은 전후 표본 분할 계산의 의미도 보여 줍니다. 제약을 둔 모형은 전후 계수를 같게 고정한 통합 회귀이고, 제약을 풀어 둔 모형은 각 구간에서 계수 벡터를 따로 추정하는 두 회귀입니다. 같은 관측치와 설명변수, 같은 제약을 사용하면 두 방식은 전체 계수 동일성이라는 같은 귀무가설을 검정합니다.

<!-- 삽화 위치 제안: 관측점 구름이 하나의 시간 경계에서 둘로 나뉘고, 위쪽에서는 양 구간에 같은 적합 관계가 적용되며 아래쪽에서는 전후 기울기가 다르게 나타나는 텍스트 없는 개념 장면. 글자, 축 이름, 숫자, 로고, 인터페이스 없이 구성. -->

고전적 Chow 검정은 변화 시점을 이미 주어진 값으로 취급합니다. 외부에서 정해진 거래 규칙 변경, 계약 구조 개편, 자료 정의의 변경 또는 결과와 독립적으로 날짜가 결정된 다른 사건이 시점 설정의 근거가 될 수 있습니다. 어느 날의 관측치를 변화 전과 후 중 어디에 넣을지, 수익률 산출 구간과 발표 시각 및 거래소 세션을 어떻게 맞출지도 명시해야 합니다.

고정 시점 Chow 검정은 한 번의 급격한 변화를 표현합니다. 규칙이 정식 발효 전에 발표되어 미리 반영될 수 있고, 시행이 여러 단계로 나뉘거나 거래 조건이 둘 이상의 시점에서 바뀔 수도 있습니다. 발표일, 발효일, 실제 거래 적용일 가운데 어느 날짜가 측정된 관계를 바꿀 수 있는지 작동 원리에 맞춰 구분해야 합니다. 단계적 반응을 사전에 가정한다면 단일 계단 지시변수보다 램프나 분포시차 상호작용이 더 적합할 수 있습니다. 다만 여러 모양을 적합해 가장 작은 p값을 보고하면 별도의 검색 문제가 생깁니다.

여러 날짜를 시도한 다음 F 통계량이 가장 큰 날짜를 골라 보고하면 통계량이 자료에 맞춰 선택된 셈입니다. 날짜 하나를 고정한 통상적인 F 분포는 그 탐색을 반영하지 않습니다. 여러 자산, 결과변수, 표본 기간 또는 설명변수 조합을 차례로 검정하는 경우에도 검색을 거쳐 가장 강한 결과만 보고할 위험이 생깁니다.

시점을 모르면 그 질문을 위해 설계된 검정을 사용해야 합니다. Andrews의 미지 변화 시점 모수 불안정성 검정은 귀무분포가 표준 Chow F 분포와 다르며 비표준 임계값이 필요하다는 점을 보입니다. 미지의 변화가 여러 번일 때는 Bai와 Perron이 복수 단절 시점을 검정하고 추정하는 방법을 제안합니다. 이 방법들에도 자체 가정과 표본 양끝의 절단 설정이 있으므로 어느 시계열에나 자동으로 적용되는 해결책은 아닙니다. Andrews (1993)와 Bai–Perron (1998)을 참고할 수 있습니다.

먼저 통합 회귀 하나를 추정해 잔차제곱합 SSRₚ를 구합니다. 이어 지정한 시점 전의 SSR₁과 이후의 SSR₂를 구합니다. 전체 계수 벡터가 달라질 수 있도록 허용하는 고전적 통계량은 F = [(SSRₚ − SSR₁ − SSR₂) / k] ÷ [(SSR₁ + SSR₂) / (n₁ + n₂ − 2k)]입니다. n₁과 n₂는 각각 변화 전후 표본의 관측치 수이고, k는 절편을 포함해 각 구간에서 추정하는 계수의 수입니다.

분자는 계수를 같게 묶어서 추가로 발생한 제곱오차를 k개 제약으로 나눈 값입니다. 분모는 계수를 따로 추정한 모형의 잔차 자유도로 나눈 오차분산 추정량입니다. 기준 분포의 분자 자유도는 k, 분모 자유도는 n₁ + n₂ − 2k입니다. 각 구간에는 계수 k개를 추정할 독립적인 정보가 충분해야 합니다. 설명변수끼리 완전히 중복되는 등 설계행렬의 계수가 부족하면 비교를 제대로 할 수 없습니다.

이 식은 두 구간의 모든 계수를 한꺼번에 검정할 때 쓰는 고전적 F 통계량이며, 구간 간 오차분산이 같고 오차가 서로 독립인 정규 선형모형 등의 조건을 전제로 정확한 F 추론을 합니다. 계수 중 q개 제약만 검정하려면 q개 분자 자유도를 갖는 적절한 제한모형 대 비제한모형 공동 F 검정을 사용해야 합니다. 모형을 그대로 둔 채 전체 계수 분할 SSR 공식의 k만 q로 바꾸면 안 됩니다. 상호작용 설계행렬에서 제약을 쓰면 공동 Wald 검정으로도 같은 질문을 표현할 수 있습니다.

연구자가 가상의 거래소 규칙 변경을 날짜를 미리 정해 조사한다고 합시다. 주간 포트폴리오 수익률을 시장 요인과 두 번째 위험 요인으로 설명하며, 회귀식에는 절편과 요인 기울기 두 개가 있어 k = 3입니다. 변화 전 관측치는 n₁ = 80개, 이후는 n₂ = 100개입니다. 여기의 모든 수치는 계산을 보여주기 위해 만든 예시이며 실제 시장 추정치가 아닙니다.

통합 회귀의 잔차제곱합을 SSRₚ = 360 베이시스포인트 제곱, 변화 전 회귀를 SSR₁ = 130, 이후 회귀를 SSR₂ = 150이라고 가정합니다. 계수를 통합해 발생한 제곱오차 증가는 360 − 130 − 150 = 80입니다. 분자는 80 / 3 = 26.67입니다. 분할 모형의 잔차 자유도는 80 + 100 − 2 × 3 = 174이므로 분모는 280 / 174 ≈ 1.609입니다. 따라서 F(3, 174) ≈ 16.57이며, 고전적 가정 아래 우측 꼬리 p값은 약 1.6 × 10⁻⁹입니다. 5% 임계값은 약 2.66이므로 이 가상 계산에서는 전체 계수 안정성 가설을 기각합니다.

이 결론은 좁게 해석해야 합니다. 모형과 오차 가정이 적절할 때, 해당 계수 가운데 적어도 하나가 두 표본 사이에 다르다는 뜻입니다. 어느 계수가 상승하거나 하락했는지는 알려주지 않으므로 전후 추정치와 불확실성을 확인해야 합니다. 규칙 변경이 차이를 일으켰다는 인과효과도 아니며, 변화 이후 기대수익률이나 실제 체결 가능한 예측, 순 전략 수익을 보여주는 결과도 아닙니다.

절편 변화는 포함한 설명변수를 통제한 뒤의 종속변수 평균 수준이 바뀐 경우일 수 있습니다. 기울기 변화는 설명변수에 대한 결과의 추정 반응이 달라졌을 가능성을 뜻합니다. 전체 Chow 검정은 이 두 종류의 변화를 함께 검정합니다. 기각은 계수 벡터 전체가 같다는 가설이 지지되지 않는다는 의미일 뿐, 추정치나 별도의 정당한 제약을 살펴보지 않고 변화의 원인이 된 계수를 하나로 특정해 주지는 않습니다.

계수마다 따로 t 검정을 하는 것이 공동 검정을 대체하지는 않습니다. 몇몇 변화가 각각은 작아 보여도 합치면 계수 전체가 동일하다는 가설에 맞지 않을 수 있습니다. 반대로 많은 가능한 항을 살펴본 뒤 하나만 유의한 계수를 보고하면 다중검정 결과일 수 있습니다. 먼저 공동 가설을 적고, 그다음 연구 질문에 답하는 계수 추정치와 신뢰구간, 경제적으로 해석 가능한 차이를 보고해야 합니다.

Chow 검정은 단절 시계열 분석과도 다릅니다. 단절 시계열은 개입 이전 경로를 추정하고 그 연장선과 비교해 수준 및 기울기 변화를 구하는 접근입니다. Chow 검정은 전후에 지정한 회귀계수가 같은지 묻지만, 그 자체로 개입의 반사실적 경로를 만들지는 않습니다. 사건일 근처의 단절은 동시 충격, 표본 구성 변화, 측정 방식 변경으로도 나타날 수 있습니다. 개입 경로는 단절 시계열 가이드에서 더 살펴볼 수 있습니다. 회귀계수 차이만으로 인과관계가 확립되지는 않습니다.

단절 시계열 연구 설계에 관한 문헌 검토는 Bernal, Cummins, Gasparrini의 논문에서 확인할 수 있습니다.

오차가 자기상관을 보이거나 이분산이 있거나 공통분산 가정에 어긋나면 단순한 Chow F 분포가 잘못된 추론으로 이어질 수 있습니다. 금융 수익률에서는 조건부 변동성이 바뀌고, 인접 관측치가 정보와 충격을 공유할 수 있습니다. 거래소가 쉬는 날 전후 관측치는 보통 인접 세션과 해석이 다를 수도 있습니다. 눈에 띄는 단절이 보인다는 사실만으로 고전적인 오차 가정이 성립하지는 않습니다.

조건부 평균 관계의 변화와 잔차분산의 변화는 구분해야 합니다. 실제 기울기는 그대로인데 오차분산만 체제별로 달라지면 공통분산 가정이 깨집니다. 그러면 고전적인 분할 SSR 통계량이 계수 안정성 문제를 엉뚱한 이유로 보여줄 수 있습니다. 반대로 강건 공분산 추정량은 불확실성 계산을 조정할 뿐 계수가 안정적인지 자체적으로 검정하지는 않습니다. 상호작용 계수 제약과 잔차 규모를 각각 확인해 두 진단 질문을 분리하세요.

한 방법은 통합 회귀에 전후 상호작용을 넣은 다음 자료 특성에 맞는 공분산 추정량을 사용해 정해 둔 계수 제약을 검정하는 것입니다. White의 이분산 일치 공분산 추정량은 고전식과 다른 오차분산 패턴을 다루며, Newey–West HAC 추정량은 조건 아래에서 이분산과 자기상관을 허용합니다. 이 방법들이 고전적 유한표본 F 분포를 그대로 보존하는 것은 아닙니다. 강건 Wald 통계량은 대개 점근 근사에 의존하며, 시차나 대역폭 선택에도 정당한 근거가 있어야 합니다. White의 공분산 논문과 Newey–West 논문을 참고할 수 있습니다.

강건 공분산 추정량은 누락된 설명변수, 부적절한 함수 형태, 내생적 설명변수, 같은 종속변수로 탐색해 고른 변화일 또는 양쪽 구간의 너무 적은 표본을 해결하지 않습니다. 잔차의 의존성과 분산 변화, 영향력이 큰 관측치, 납득 가능한 표본 기간의 민감도를 살펴보세요. 종속변수나 설명변수가 비정상적이라면 유의한 단절 통계를 안정적인 관계의 증거로 읽기 전에 그 회귀가 무엇을 나타내는지 검토해야 합니다.

재현 가능한 보고에는 종속변수, 설명변수, 변환, 표본 빈도, 변화 전후 관측 수, 정확한 변화 시점 기준, 검정하는 모든 계수 제약이 들어가야 합니다. 고전적 계산이라면 통합·분할 회귀 SSR, k, 자유도, F 통계량, p값, 오차 가정을 보고합니다. 강건 상호작용 검정이라면 공분산 추정량과 조정값, 유한표본 또는 점근 기준 중 무엇으로 추론했는지를 밝혀야 합니다.

기각 여부만 적지 말고 전후 계수 추정치와 불확실성을 보여 주세요. 차이가 경제적으로 의미 있는지, 합리적인 다른 표본 기간이나 변수 정의에서도 유지되는지, 날짜가 사전 지정되었는지 또는 여러 후보에서 검색되었는지 설명합니다. 계수 변화는 모형 재검토, 재추정, 감시 기준 설정을 검토하게 할 수 있지만, 그 자체로 거래 전략을 바꾸어야 한다거나 새 전략이 성공한다는 증거는 아닙니다.

예측 또는 거래 목적으로 쓴다면 각 과거 의사결정 시점에서 실제로 알 수 있던 정보만으로 반응을 평가하세요. 명시적인 기준 모형과 비교해 표본 밖 예측이나 포트폴리오 결과를 확인하고, 회전율, 스프레드, 수수료, 해당하는 경우 펀딩 비용과 수용 능력을 반영합니다. 표본 내 구조 변화 검정은 모형 안정성 진단이지 미래 알파의 증거가 아닙니다. 회귀계수 해석은 OLS 가이드에서, 의존오차 추론은 강건 표준오차 가이드에서 이어서 확인할 수 있습니다.