Local Projection: 충격반응을 시점별로 추정하는 법

충격반응함수(IRF)는 어떤 변화나 충격이 발생한 뒤 결과 변수가 어떻게 움직이는지 시점별로 보여줍니다. 예상 밖 금리 인상 뒤 산출이 어떻게 변하는지, 특정 공시 시점에 주가가 어떻게 반응하는지, 식별된 위험 충격 뒤 포트폴리오가 어떻게 움직이는지 물을 수 있습니다. 반응 경로를 보면 영향이 언제 나타나고, 어느 때 가장 크며, 얼마나 지속되는지 살펴볼 수 있습니다.

다만 ‘충격’이 무엇인지는 먼저 정해야 합니다. 관측된 정책금리, 시장가격, 거래 신호의 움직임이 모두 예상 밖의 구조적 충격인 것은 아닙니다. 결과 변수 자체에 관한 정보가 그 움직임에 섞여 있을 수 있습니다. 식별 전략이 타당하지 않다면 LP 계수는 조건부 연관성이나 선형 투영으로 읽어야지, 인과 반응으로 해석할 수는 없습니다.

결과 변수를 \(y_t\), 충격을 \(s_t\)라고 하겠습니다. 시점 \(h\)의 반응을 추정하는 대표적인 LP 식은 다음과 같습니다.

\[ y_{t+h} = \alpha_h + \beta_h s_t + \sum_{j=1}^{p}\Gamma_{h,j}'W_{t-j} + \varepsilon_{t,h}. \]

여기서 \(h\)는 충격 이후 경과한 기간, \(W_{t-j}\)는 선택한 시차 통제변수, \(\beta_h\)는 관심 계수입니다. 연구자는 \(h=0,1,2,\ldots\) 각각에 대해 다른 회귀식을 추정합니다. \(\hat\beta_h\)를 \(h\)에 따라 그리면 반응 경로가 됩니다. 구조적 충격을 타당하게 식별했다면 그 경로를 구조적 IRF로 추정할 수 있지만, 그렇지 않다면 조건부 예측 투영을 나타냅니다.

Jordà의 원래 방법에서 핵심은 관심 있는 각 시점의 회귀식을 바로 추정한다는 점입니다. 한 번 적합한 동학 모형으로 더 먼 미래를 반복 예측하는 방식과 다릅니다. 시점별 추정은 유연하지만, 단일 시스템 모형이 부과하는 매끄러운 동학을 자동으로 공유하지는 않습니다.

관측치 하나를 읽을 때는 충격이 발생한 시점 \(t\)와 결과를 관측하는 시점 \(t+h\)를 연결하면 됩니다. \(h=0\)이면 충격이 발생한 기간의 결과를 보고, \(h=6\)이면 6기간 뒤의 결과를 봅니다. 같은 충격 날짜를 기준으로 종속변수의 관측 시점만 바뀌므로 \(h\)가 커질수록 표본 끝에서 사용할 행이 줄어듭니다. 시점별 회귀식은 같은 충격 정의와 비교 가능한 통제변수 아래에서 계산해야 반응 경로를 함께 읽을 수 있습니다.

\(\beta_h\)의 의미는 변수와 단위를 밝혀야 해석할 수 있습니다. \(s_t=1\)이 25bp의 예상 밖 금리 인상을 뜻한다면 \(\beta_h\)는 그 크기의 충격에 대한 반응입니다. \(s_t\)를 퍼센트포인트 단위로 측정하면 계수는 1퍼센트포인트 충격당 반응이 됩니다. 충격 변수의 단위를 바꾸면 모든 계수도 같은 비율로 달라집니다.

종속변수 정의에 따라 반응이 누적인지 기간별인지도 달라집니다. 양수인 산출 지수를 \(Y_t\)라고 하고 다음과 같이 정의해 보겠습니다.

\[ r_{t,h} = 100\,[\log(Y_{t+h})-\log(Y_{t-1})]. \]

이때 \(r_{t,h}\)는 충격 전 수준에서 시점 \(h\)까지 이어진 지수의 근사 누적 변화율입니다. 월별 산출 변화율처럼 다른 결과 변수를 쓰면 질문도 달라집니다. 누적 수준 반응을 특정한 \(h\)월에만 발생한 변화라고 서술하지 마세요.

로그 차이에 100을 곱한 값은 작은 변화에서 퍼센트 변화의 근사치로 읽습니다. 예를 들어 산출 지수의 누적 로그 차이를 종속변수로 두면, \(\beta_h\)는 충격 직전 기준값과 \(h\)기간 뒤의 수준 차이를 나타냅니다. 반대로 월별 성장률을 종속변수로 두면 각 시점의 성장률 반응을 추정합니다. 제목이나 그래프에 ‘산출 반응’만 적으면 어느 정의인지 모호할 수 있으므로, 수준·누적·기간별 변화를 구분해 써야 합니다.

월별 분석에서 \(s_t=1\)을 25bp의 예상 밖 금리 인상으로 정의하고 앞의 누적 산출 변수를 사용한다고 하겠습니다. 다음 수치는 원리를 설명하기 위한 가상 예시이며 실제 자료의 추정 결과가 아닙니다. 신뢰구간은 각 표준오차에 \(1.96\)을 곱한 점별 계산을 보여주는 용도로만 넣었습니다.

이 예시에서 6개월 추정치는 충격 전 수준보다 0.60% 낮고, 점별 신뢰구간에는 0이 포함되지 않습니다. 12개월 추정치는 덜 음수지만 신뢰구간이 0을 포함합니다. 그렇다고 6개월에서 12개월 사이에 회복했다고 단정할 수는 없습니다. 시점별 추정치에는 불확실성이 있고 서로 연관되어 있으며, 신뢰구간이 겹치는지만으로 두 시점의 차이를 검정할 수도 없습니다. 경로에 관한 주장을 하려면 적절한 차이 검정이나 공동 추론이 필요합니다. 이 숫자는 정책 전망도 실제 경제의 결과도 아닙니다.

표의 6개월 값은 6개월째 한 달 동안 산출이 0.60% 줄었다는 뜻이 아닙니다. 정의한 누적 종속변수에 따라 충격 전 기준과 비교한 산출 지수의 추정 수준 차이입니다. 또 12개월 신뢰구간에 0이 들어간다는 사실만으로 그 시점에 효과가 사라졌다고 확인할 수도 없습니다. 이는 선택한 표준오차와 점별 계산에서 0을 배제하지 못했다는 뜻입니다. 신뢰구간은 추정치의 정밀도를 나타내며, 표본과 식별의 한계를 없애 주지는 않습니다.

LP는 추정 방법이지 식별에 필요한 변이를 제공하지는 않습니다. 구조 모형, 고빈도 서프라이즈 지표, 타당한 외부 도구변수, 또는 방어 가능한 가정을 둔 연구 설계로 충격을 정의할 수 있습니다. 각 접근법은 충격을 다른 뉴스와 결과 변수의 피드백에서 분리할 수 있다는 근거를 요구합니다.

통제변수는 질문의 시간 순서에 맞아야 합니다. 충격 전 시차 변수는 이전의 조건을 반영할 수 있습니다. 충격 뒤에 측정한 변수는 충격의 영향을 이미 받았을 수 있습니다. 이런 매개변수를 통제하면 전체 반응의 일부를 제거하거나 새로운 편향을 만들 수 있습니다. 충격 직전에 알 수 있었던 정보가 무엇인지 적고, 통제변수마다 회귀식에 들어가는 이유를 설명하세요.

\(\hat\beta_h\)가 통계적으로 유의해도, 겉보기에 예상 밖인 사건이 외생적 충격으로 바뀌는 것은 아닙니다. 사전 예상, 동시에 발표된 정보, 측정오차, 달라진 정책 규칙, 표본 선택을 살펴야 합니다. 금융에서는 겹치는 뉴스와 공통 충격 때문에 관심 사건이 원인이 아니어도 결과 변수들이 함께 움직일 수 있습니다.

외부 도구변수를 사용한다면 도구변수가 관심 충격과 관련되어야 하고, 결과에 영향을 주는 다른 경로가 없다는 배제 가정을 설명해야 합니다. 고빈도 서프라이즈 지표도 발표창에 섞인 뉴스가 무엇인지, 가격이 정보를 얼마나 빨리 반영하는지 점검해야 합니다. 먼저 충격의 식별 논리를 정리한 뒤, 그 충격에 대한 반응을 어떤 LP로 추정할지 선택하세요. 회귀식의 적합도가 높거나 p값이 작다는 사실만으로 식별 가정이 입증되지는 않습니다.

LP와 벡터자기회귀(VAR)는 IRF를 추정하는 경쟁 방법으로 소개되곤 합니다. Plagborg-Møller와 Wolf는 같은 정보와 식별 방식, 호환되는 충격 정규화를 사용하고 시차 구조를 제한 없이 둘 경우 두 방법이 동일한 모집단 반응을 추정할 수 있음을 보였습니다. 이 결과는 공통 추정 대상을 말합니다. 유한 표본 추정치가 항상 같거나, 모든 LP와 VAR에 같은 제약이 들어간다는 뜻은 아닙니다.

유한한 \(p\)개 시차만 포함하면 두 방법의 반응 추정 대상은 대체로 \(h\le p\)까지 근사적으로 일치할 수 있지만, 더 긴 시점에서는 차이가 날 수 있습니다. 유한 표본에서 LP는 각 시점을 별도로 추정하므로 변동성이 더 클 수 있고, VAR는 공동 동학 모형을 사용해 경로를 더 매끄럽게 만들 수 있습니다. 그 구조가 적절하면 도움이 되고, 제약이 자료와 맞지 않으면 잘못된 경로를 만들 수 있습니다. 방법의 이름만 보고 언제나 더 나은 쪽을 고를 수는 없습니다.

따라서 “LP는 더 강건하고 VAR는 더 효율적”이라고 고정해서 외우기보다, 어떤 동학 제약을 쓰는지 확인해야 합니다. 충분히 유연한 공통 사양에서는 모집단 추정 대상이 같을 수 있어도, 실제 표본의 시차 수와 정보집합이 다르면 추정 경로와 정밀도는 달라집니다. 충격 크기의 정규화도 같게 맞춰야 계수의 크기를 직접 비교할 수 있습니다. 비교할 때는 방법 이름뿐 아니라 충격 단위, 포함한 변수, 시차 수, 표본, 식별 제약을 나란히 기록하세요.

각 \(h\)의 회귀는 추정치와 불확실성 지표를 만듭니다. \(h\)가 커지면 표본 끝에서 \(y_{t+h}\)를 관측할 수 없어 사용 가능한 관측치가 줄 수 있습니다. 여러 단계 앞의 결과가 겹치기 때문에 회귀 잔차와 시점별 추정치가 서로 의존할 수도 있습니다. 표준오차나 부트스트랩 방법은 자료 설계와 추론 대상에 맞게 골라야 합니다.

점별 95% 신뢰구간은 시점 하나씩에 대해 만들어집니다. 전체 반응 경로를 95% 확률로 포함한다고 보장하지는 않습니다. 경로 전체에 관한 주장을 하려면 별도의 동시 신뢰대역이 필요합니다. Montiel Olea와 Plagborg-Møller는 명시한 조건에서 특정 시차 확장 LP의 유용한 추론 결과를 제시하지만, 이를 모든 회귀에 표준오차 처방으로 적용하거나 진단을 생략해도 된다는 뜻은 아닙니다. 단위근이 있는 경우 이들이 제시한 결과는 표본 크기에 비례해 증가하는 horizon까지 보장하지 않습니다. 통제변수, 추정 시점 범위, 공분산 또는 부트스트랩 방식, 점별인지 동시 신뢰대역인지를 함께 밝히세요.

다단계 결과는 기간이 겹치기 때문에 잔차 자기상관이 나타날 수 있습니다. 그렇다고 모든 LP에 같은 HAC 시차를 적용하면 해결된다고 단정할 수는 없습니다. 추론 논문이 다루는 시차 확장 LP는 시스템 변수의 과거 값을 포함하는 특정 회귀 설정과 조건을 사용합니다. 일반적인 실증에서는 표준오차 선택이 추정량, 시계열의 지속성, 표본 길이, 목표 horizon과 맞는지 설명해야 합니다. 장기 horizon에서 구간이 넓어지는 것은 계산 오류가 아니라 사용 가능한 관측치와 정보량이 줄어든 결과일 수 있습니다.

경기침체 여부처럼 관측된 상태와 충격의 상호작용을 넣으면 상태별 반응이 다른지 물을 수 있습니다. 여러 결과 변수나 충격의 크기, 하위 표본을 따로 살펴볼 수도 있습니다. 각 확장은 추정 대상을 바꾸고 사용 가능한 관측치를 다르게 사용합니다. 표본을 나누면 장기 시점에서 불확실성이 특히 커질 수 있습니다.

가능하면 중요한 시점과 상태를 사전에 정하세요. 여러 결과 변수, 시차 수, 표본, 충격 정의를 시험했다면 그 과정을 밝히고, 선택된 경로 하나만 유일한 분석이었던 것처럼 보여주지 마세요. 시점 사이를 평활화하면 그림이 읽기 쉬워질 수 있지만 추가 제약이나 조정값이 들어갑니다. 평활화 경로도 제시한다면 원래 추정치와 사용한 방법을 함께 공개하세요.

결과 변수, 빈도, 변환, 충격의 정의와 단위, 추정 시점 범위, 표본 날짜, 통제변수, 결측치 처리 방식을 적으세요. 회귀식을 제시하는 것과 식별 가정을 설명하는 일은 구분해야 합니다. 각 시점의 계수와 불확실성을 표로 보이거나 단위와 구간 정의가 분명한 그림으로 나타내세요.

시차 수, 공분산 추정량이나 부트스트랩, 점별 또는 동시 신뢰구간 등 추정과 추론 절차를 밝혀야 합니다. 방어 가능한 다른 충격 지표나 시차 수, 표본 구간을 사용한 민감도도 제시하세요. IRF는 특정 충격과 결과 변수에 관한 모형 기반 요약입니다. 거래 신호도 아니고 미래 수익률을 보장하지도 않습니다.

Jordà의 local projection 원 논문은 시점별 추정 방법을 소개합니다. Plagborg-Møller와 Wolf의 LP와 VAR 추정 대상 비교는 공통된 모집단 추정 대상과 유한 시차의 차이를 설명합니다. Montiel Olea와 Plagborg-Møller의 추론 분석은 정해진 조건 아래 시차 확장 LP 신뢰구간을 다룹니다. 관련 개념은 금융 이벤트 스터디, 강건 표준오차와 HAC, 차분의 차분과 이벤트 시점 설계에서도 살펴볼 수 있습니다.