VAR 모델의 정적성 요구사항과 검정 논리

현대 경제학계에서 벡터 자기회귀 (VAR) 모델은 다변량 시계열 데이터의 동적 관계를 분석하는 데 있어 핵심적인 도구로 자리 잡고 있습니다. 이 모델은 여러 변수 간의 상호작용을 포착하고 예측하는 데 탁월한 성능을 보이지만, 그 신뢰성은 정적성 (Stationarity) 조건이 충족되는지 여부에 달려 있습니다. 본 글은 VAR 모델의 정적성 요구사항에 대한 이론적 기반과 이를 검증하는 논리적 접근법을 체계적으로 설명합니다.

VAR 모델 내에서의 정적성 이론적 기초

VAR 모델은 종속 변수를 모든 설명 변수의 시차 값 (lagged values) 에 대해 회귀하는 방식으로 구성됩니다. 이 모델의 가장 중요한 전제는 변수들이 정적 과정 (Stationary Process) 을 따른다는 것입니다. 주로 I(0) 과정이라고 불리는 정적 상태에서는 변수의 통계적 성질, 즉 평균, 분산 및 자기상관성이 시간에 따라 일정하게 유지됩니다.

정적성이 확보되지 않은 변수를 사용하면 가짜 회귀 (Spurious Regression) 현상이 발생할 수 있습니다. 이는 통계적으로 유의미한 관계가 존재하지 않더라도 우연히 높은 상관관계를 보인다는 뜻으로, 잘못된 결론을 도출할 수 있는 위험한 상황입니다. 따라서 VAR 모델이 유효하려면 모든 구성 요소가 정적이어야 하며, 그렇지 않다면 모델의 해석이 무의미해질 수 있습니다.

시스템 차원의 정적성 판단 기준

단일 변수의 정적성만 확인하는 데 그치지 않고, VAR 모델 전체 시스템의 안정성을 평가하는 것이 필수적입니다. 이 과정은 주로 오차항 (Error Terms) 의 성질과 동반 행렬 (Companion Matrix) 의 고유값 (Eigenvalues) 을 통해 이루어집니다.

오차항 분석: 만약 모델의 오차항들이 정적이라면, 변수들 간의 관계는 인과적 성격을 갖는다고 볼 수 있습니다. 반대로 오차항이 정적이지 않다면 모델은 장기적인 추세나 구조적 변화를 보일 가능성이 높아, 신뢰할 수 없는 추론을 낳을 수 있습니다.
고유값 안정성: 수학적으로, VAR 모델의 안정성은 동반 행렬의 모든 고유값이 단위 원 (Unit Circle) 내부에 위치하는지 여부에 의해 결정됩니다. 모든 고유값이 단위 원 안에 있으면 모델은 안정적이고 정적이며, 예측이 가능합니다. 만약 하나라도 단위 원 바깥에 있다면 모델은 불안정해지고 변수 간 인과관계가 성립하지 않게 됩니다.

정적성 검증을 위한 주요 논리 및 방법론

실제 연구에서 VAR 모델의 정적성을 확인하기 위해 다양한 검정 통계 기법이 활용됩니다. 가장 널리 쓰이는 방법은 단위근 검정 (Unit Root Test) 과 정적성 검정의 조합입니다.

1. 단위근 검정 (ADF, PP)

Augmented Dickey-Fuller (ADF) 검정은 개별 변수에 단위근이 존재하는지 여부를 검정하는 데 주로 사용됩니다. 귀무가설은 '단위근이 존재한다 (즉, 정적이지 않다)'는 것입니다. ADF 검정이 귀무가설을 기각하면 변수는 정적 상태임을 의미합니다.

2. KPSS 검정

반면, Phillips-Perron (PP) 검정이나 KPSS (Kwiatkowski-Phillips-Schmidt-Shin) 검정은 귀무가설을 '정적이다'로 설정합니다. KPSS 검정이 귀무가설을 기각하면 해당 시계열에는 추세 (trend) 가 존재하여 정적이지 않음을 의미합니다.

3. 다변량 단위근 검정 (Johansen 검정)

다변량 설정에서는 변수 간 상호의존성을 고려해야 합니다. Johansen 검정은 여러 변수가 동시에 단위근을 공유하는지, 혹은 정적인 관계 (공결정성) 를 형성하는지 파악하여 시스템 전체의 정적성을 종합적으로 평가합니다.

실무 적용 시 주의사항과 한계

정적성 검정의 결과 해석은 단순하지 않습니다. 변수 A 가 정적이라고 해서 변수 B 가 반드시 정적이라는 보장은 없습니다. 또한, 구조적 절단 (Structural Breaks) 또는 이상치가 존재할 경우 단위근 검정의 결과가 왜곡될 수 있습니다.

차분 (Differencing) 의 적절성: 정적성을 확보하기 위해 시계열을 차분 처리하는 것은 일반적인 방법입니다. 그러나 과도한 차분은 중요한 정보를 손실하고 노이즈를 증가시킬 수 있으므로, 차분 횟수를 신중하게 결정해야 합니다.
공결정성 활용: 변수들이 모두 정적이지 않더라도 서로 고정된 관계를 가진다면 (공결정성), 이를 고려한 모델링을 통해 정적성 문제를 해결할 수 있습니다.

결론

VAR 모델의 정적성 요구사항과 이에 대한 검정 논리는 경제학적 분석의 정확성과 신뢰성을 보장하는 근간입니다. 단위근 검정, 고유값 분석, 그리고 Johansen 검정 등 다양한 도구를 활용하여 모델의 안정성을 철저히 검증해야 합니다. 변수 간의 복잡한 상호의존성과 잠재적인 구조적 변화를 고려한 엄밀한 검정 절차는, VAR 모델이 단순히 숫자를 계산하는 도구를 넘어 의미 있는 경제학적 통찰을 제공할 수 있도록 하는 열쇠입니다.