VAR 모델의 차수 결정 기준과 방법

베ktor 자기회귀 (VAR) 모델은 현대 경제학계에서 다변량 시계열 데이터의 동적 관계를 분석하는 데 없어서는 안 될 핵심 도구입니다. 이 모델은 과거의 변수들 간의 시간적 의존성을 포착하여 미래 값을 예측하고 외부 충격을 평가하는 데 탁월한 성능을 보입니다. 그러나 VAR 분석의 정확성은 모델의 **차수 (Lag Order)**를 올바르게 결정하는 데 달려 있습니다. 여기서 차수는 모델에 포함되는 과거 기간의 수를 의미합니다.

부적절한 차수 선택은 잘못된 결론을 도출하거나, 과적합 (Overfitting) 을 유발하거나, 역으로 과소적합 (Underfitting) 을 일으켜 모델이 진정한 경제 동세를 반영하지 못하게 만들 수 있습니다. 따라서 본 글에서는 차수 선택의 이론적 배경, 겪는 어려움, 그리고 평가 및 최적화 방법을 체계적으로 살펴보겠습니다.

차수 선택의 이론적 기초

VAR 모델의 차수는 모델 구축에 사용되는 기간 수로 결정됩니다. 예를 들어, VAR(1) 모델은 1 개의 과거 값을, VAR(5) 모델은 5 개의 과거 값을 포함합니다. 차수 선택은 모델의 복잡성과 설명력 사이의 균형을 맞추는 데 결정적입니다.

차수가 너무 적으면: 시스템의 전체적인 동적 특성을 포착하지 못하여 중요한 경제 현상을 놓칠 수 있습니다.
차수가 너무 많으면: 모델이 역사적 데이터에 지나치게 맞춰져서 과적합이 발생하고, 새로운 데이터에 대한 일반화 능력이 떨어집니다.

차수 선택의 이론적 토대는 **간결성 원칙 (Principle of Parsimony)**에 기반합니다. 이 원칙은 정보량이 충분하면서도 불필요하게 복잡하지 않은 모델을 선호합니다.

선택 과정에서의 주요 도전 과제

최적의 차수를 선택하는 과정은 여러 난제를 안고 있습니다. 특히 경제 데이터에 나타나는 비선형 관계와 구조적 변화는 전통적인 방법론의 한계를 드러냅니다.

통계적 한계: 아카이케 정보 기준 (AIC)이나 스chwartz 정보 기준 (SIC) 같은 전통적 방법은 실제 데이터의 복잡한 특성을 완전히 반영하지 못할 수 있습니다.
데이터 문제: 내생성 (Endogeneity), 다중공선성 (Multicollinearity), 또는 비정적성 (Non-stationarity) 이 존재하면 선택 과정이 더욱 복잡해집니다.
피드백 루프: 여러 변수 간의 상호 의존성은 차수 간의 피드백 루프를 만들어 개별 충격을 분리해 내기 어렵게 합니다.
주관성: 명확한 경제 이론이 선택 과정을 안내하지 못하면 연구자가 모델 적합도와 해석 가능성을 어떻게 조화시킬지 판단해야 하는 주관성이 발생합니다.

차수 선택 기준 (Selection Criteria)

이러한 도전을 극복하기 위해 경제학자들은 모델의 복잡성과 설명력 사이의 트레이드오프를 평가하는 다양한 기준을 사용합니다.

아카이케 정보 기준 (AIC): 모델의 적합도와 크기를 균형 있게 평가합니다. 파라미터 수가 많은 모델에는 덜 엄격한 패널티를 부과합니다.
스chwartz 정보 기준 (SIC): AIC 보다 더 엄격한 패널티를 적용하여 더 단순한 모델을 선호합니다.

하지만 이 기준들에도 한계가 있습니다. AIC 는 파라미터가 많은 모델에서 과적합을 일으킬 수 있고, SIC 는 복잡한 동적 시스템을 과소평가할 수 있습니다. 이를 완화하기 위해 연구자들은 **한난-퀸 (HQC)**이나 **베이즈 정보 기준 (BIC)**과 같은 추가적인 통계적 고려사항을 반영한 기준을 함께 사용하기도 합니다.

차수 결정 방법론

실무에서 최적의 차수를 결정하는 것은 모델 성능의 경험적 평가와 밀접한 관련이 있습니다.

교차 검증 (Cross-Validation):
데이터셋을 학습 세트와 테스트 세트로 나누어 모델을 테스트 세트에서 평가하는 방법입니다. 이는 과적합을 줄이고 모델이 보이지 않는 데이터에 잘 일반화되는지 확인하는 데 도움이 됩니다.
샘플 밖 테스트 (Out-of-sample Testing):
데이터를 일부 사용하여 모델을 적합한 후, 나머지 데이터로 평가하는 방식입니다. 이는 모델의 예측 능력을 더 견고하게 평가합니다.
정보 기준 활용:
HQC 나 BIC와 같은 기준은 제곱 오차의 합을 최소화하면서 모델의 복잡성을 고려하여 최적의 차수를 식별합니다.

잘못된 차수 선택의 영향

부적절한 차수를 선택한 경우 그 결과는 매우 심각할 수 있습니다.

정책 분석 오류: 모델이 중요한 경제 동세를 놓치면 잘못된 정책 권고안을 도출할 수 있습니다. 예를 들어, 금리 변화의 영향을 제대로 이해하지 못하면 통화 정책 결정에 치명적인 오류를 범할 수 있습니다.
예측 정확도 저하: 차수가 너무 많으면 노이즈가 증가하여 예측 정확도가 떨어집니다.
가짜 상관관계: 변수들 사이의 apparent 관계가 진정한 인과 기제가 아니라 무작위 변동으로 인한 것임을 잘못 해석할 수 있습니다.

이 모든 요소는 엄격한 평가와 다중 방법을 통한 검증의 필요성을 강조합니다.

사례 연구와 실증 적용

실증 연구들은 올바른 차수 선택의 중요성을 입증해 왔습니다.

미국 GDP 성장 분석: VAR 모델을 사용하여 미국 GDP 성장을 분석한 연구에서는 5 번의 차수가 데이터에 가장 잘 맞았으며, 경제 활동의 주기적 패턴을 성공적으로 포착했습니다.
인플레이션 및 통화 정책: 인플레이션과 통화 정책 관계를 연구한 경우, 교차 검증을 통해 최적의 차수를 결정함으로써 모델의 다양한 경제 체제에서 견고함을 확보했습니다.

이러한 사례들은 올바른 차수 선택의 실용적 함의와 실증적 검증의 필수성을 보여줍니다.

결론

VAR 모델에서 차수 선택은 경제 분석의 정확성과 신뢰성을 보장하는 결정적인 단계입니다. 이론적 프레임워크는 모델 규격을 안내하지만, 차수의 경험적 평가는 여전히 복잡하고 주관적인 과정입니다. 연구자들은 정보 기준과 교차 검증 등을 결합하여 모델의 복잡성과 설명력 사이의 균형을 맞추어야 합니다.

잘못된 차수 선택은 정책 권고와 예측 정확도에 심각한 영향을 미칠 수 있으므로, 엄격한 방법론과 실증적 검증을 통해 경제학자들은 자신의 연구 결과의 신뢰성을 높이고 경제 이론의 발전을 기여할 수 있습니다. 결국, 차수의 올바른 결정은 단순한 기술적 연습이 아니라 효과적인 경제 분석의 기초 요구사항입니다.