로그 변환된 M2 통화공급 시계열을 분석하는 이유는 무엇인가요?

자주 묻는 질문(FAQ): 로그 변환된 M2 통화공급 시계열 분석

Q1. 왜 M2 통화공급을 로그 변환해서 분석하나요?
A1.
- 분산 안정화: 통화공급이 커질수록 분산(변동폭)도 커지기 쉬운데, 로그 변환은 값이 커도 변동 폭이 비례적으로 줄어들어 시계열 분산이 보다 일정해집니다.
- 성장률 해석: 로그 차분(∆log M2)은 근사적으로 연속 복리 성장률을 나타내므로, 비율 변화(퍼센트 변화) 관점에서 직관적 해석이 가능합니다.
- 선형 모델 적합성: 비대칭적·비선형적 증가 추세를 보다 직선화하여 회귀·ARIMA·VAR 등 선형 시계열 모델 적합도를 높입니다.

Q2. 로그 변환이 정상성(stationarity) 확보에 어떻게 도움이 되나요?
A2.
- 비정상성 구조 단순화: 원계열에서 나타나는 분산의 증대 경향과 지수적 추세를 로그로 누그러뜨려 트렌드·분산 불안정을 줄임으로써 차분 후 정상성 검정(ADF, KPSS 등)이 수월해집니다.
- 단위근 검정 민감도 완화: 로그 변환 시 잔차 분포가 정규성에 가까워져 단위근 검정의 위양성·위음성 오류율을 낮추는 효과가 있습니다.

Q3. 로그 변환 없이 분석해도 안 되나요?
A3.
- 소규모·단기·저변동 시계열이라면 반드시 필요한 건 아니지만, M2처럼 장기적 증가·변동폭 확대 경향이 뚜렷한 거시금융 시계열은 로그 변환이 일반적 관행입니다.
- 로그 대신 다른 안정화 기법(제곱근, Box–Cox 등)도 있지만, 금융·거시 분야에서는 성장률 해석의 편의성 때문에 로그를 선호합니다.

Q4. 로그 변환 후 해석 시 주의할 점은 무엇인가요?
A4.
- 절대 수준 비교 불가: 로그 값 자체는 비율적 의미가 강해 절대 화폐량을 직접 비교하기보다는 기울기나 차분으로 해석해야 합니다.
- 0 이하 값 불가: M2가 음수나 0으로 나타날 수는 없으므로 일반적으로 문제되지 않으나, 로그 변환 전 결측·음영(예: 비공개자료) 여부를 확인해야 합니다.
- 단위 근 원계열 차분: 로그 차분 후에도 단위근이 남아 있다면 추가 차분이나 계절 차분, 또는 동시변수 모형 고려가 필요합니다.
Q5. 학술·정책 분석에서 로그 변환된 M2를 어떻게 활용하나요?
A5.
- 인플레이션 연관성: M2 성장률(∆log M2)과 CPI·PCE 같은 물가상승률 간의 그랜저 인과관계 분석 및 VAR 충격 반응 분석에 자주 사용됩니다.
- 경기·유동성 사이클: 금융위기 전·후 유동성 충격의 전파 경로를 IRF(Impulse Response Function)로 분석할 때 로그화된 통화량이 안정적 충격 단위를 제공합니다.
- 통화정책 평가: 기준금리 변동이 M2 성장률에 미치는 영향을 동태적 패널모형이나 SVAR로 추정할 때 로그 변환 데이터가 분산 균일성을 보장하여 추정량 신뢰성을 높입니다.

Q6. 로그 변환 외 추가 전처리는 필요한가요?
A6.
- 계절조정: 분기별·월별 M2는 계절성 요인이 있을 수 있으므로 X-13ARIMA-SEATS 같은 방법으로 계절조정 후 로그 변환하는 것이 일반적입니다.
- 이상치·결측치 처리: 급격한 정책변화나 자료 오류로 인한 이상치는 시계열 특성을 왜곡하므로 보간·대체·트림(trimming) 등으로 처리 후 로그 변환합니다.

Q7. 로그 변환된 시계열 분석 시 주로 쓰는 검정·모형은?
A7.
- 단위근 검정: ADF, PP, KPSS 검정으로 로그 M2의 정상성 여부를 확인합니다.
- 공적분 검정: 다변량 모형 시 로그 M2와 GDP, 물가 등의 장기 균형관계를 확인하기 위해 Johansen 검정 등을 활용합니다.
- 구조변화 검정: CUSUM, Bai-Perron 구조전환 검정으로 정책 전환점에서 로그 M2 추세 변화 유무를 파악합니다.

Q8. 요약하면, 로그 변환된 M2 분석의 핵심 장점은 무엇인가요?
A8.
- 분산 안정화 및 정상성 확보
- 퍼센트 성장률 해석의 직관성
- 선형 시계열 모형 적합도 및 추정 신뢰성 향상
- 경제·통화정책 연구에서 공통된 분석 프레임 제공

M2 통화공급과 같은 거시경제 시계열 자료는 보통 장기적으로 꾸준한 성장 추세를 보이기 때문에 시계열 자체를 그대로 분석하면 다음과 같은 어려움이 발생합니다.

첫째, 분산의 비정상성(heteroscedasticity) 문제입니다.

시간이 지나면서 데이터 값이 커질수록 변동 폭도 커지는데, 이로 인해 모형 잔차의 분산이 시점에 따라 달라지면 통계적 추정의 정확도가 떨어집니다.

로그 변환을 적용하면 상대적 변화율(퍼센트 단위 성장률)에 초점을 맞출 수 있어, 시계열 전반의 분산이 보다 안정적이고 고르게 분포되는 효과가 있습니다.

둘째, 추세의 선형화입니다.

M2 공급량은 복리적(지수적) 성격을 띠는 경우가 많아 시계열 그래프가 곡선 형태로 급격히 상승하는 모습을 보입니다.

이 상태에서 추세 추정이나 예측을 수행하면 비선형성을 다루는 추가 기법이 필요해집니다.

로그 변환을 하면 원래의 지수적 추세가 직선 형태로 바뀌어, 단순 회귀나 ARIMA 모형의 추세항으로도 충분히 설명 가능해집니다.

셋째, 성장률 해석의 용이성입니다.

로그를 취한 뒤 1차 차분(Δlog M

2)을 계산하면 근사적으로 시점 간 비율 변화, 즉 “M2의 기간별 퍼센트 성장률”을 얻게 됩니다.

이는 정책 당국이나 분석가가 통화정책 충격이 돈의 공급 증가 속도를 얼마나 바꾸었는지 직관적으로 이해하고 비교하기에 매우 편리합니다.

넷째, 정상성 확보 및 단위근 검정의 신뢰성 강화입니다.

비정상 시계열(non-stationary series)을 그대로 모델링하면 유의미한 통계적 추론이 어려운데, 로그 변환 후 차분하면 성공적으로 정상성(stationarity)을 회복할 가능성이 높아집니다.

이를 기반으로 단위근 검정(unit-root test), 공적분 검정(cointegration test) 등을 수행할 때 모형의 가정이 보다 잘 충족되어 결과의 신뢰성이 높아집니다.

다섯째, 예측 및 시뮬레이션의 현실성 제고입니다.

로그 스케일로 예측치를 산출한 뒤 이를 다시 지수화(exp)하면, 원래 단위(monetary units)로 환원했을 때 ‘복리적 성장 특성’을 반영한 예측값이 제공됩니다.

이 과정을 거치지 않으면 과거 급격한 상승기나 하락기가 예측에 과도하게 영향을 미쳐 실제 정책 의사결정에 활용하기 어려울 수 있습니다.

이처럼 로그 변환은 M2 통화공급 시계열이 본연으로 지닌 성장 특성·분산 불안정성·비정상성 문제를 완화하고, 분석·추정·예측 및 해석 단계를 전반적으로 용이·안정적으로 만들어 주기 때문에 거시경제 분석에서 거의 표준으로 활용됩니다.