M2 통화공급의 장기추세를 분석할 때 사용하는 대표적 회귀모델은 무엇인가요?

1. 질문: M2 통화공급의 장기추세 분석에 가장 많이 쓰이는 회귀모델은 무엇인가요?
답변:
– 대표적으로 ‘로그 선형 추세 회귀모델(Log‐Linear Trend Regression)’을 사용합니다.
– 대부분의 중앙은행·연구기관에서도 M2 수준에 로그를 취한 뒤 시간 추세를 회귀 분석해 연평균 성장률(β)을 추정합니다.

2. 질문: 로그 선형 추세 회귀모델의 기본 식은 어떻게 되나요?
답변:
– 기본 모형:
log M2ₜ = α + β·t + εₜ
· α: 초기(log M2) 수준
· β: 연평균(log M2) 증가율(추세 기울기)
· εₜ: 오차항(정상성 또는 약단위근의 가정 하에)

3. 질문: 추정한 β 계수는 어떻게 해석하나요?
답변:
– β ≈ 0.05라면 ‘M2가 연평균 약 5%씩 성장해 왔다’고 해석합니다.
– β의 95% 신뢰구간을 통해 성장률의 유의성을 검정할 수 있습니다.

4. 질문: 잔차(εₜ)에 자기상관이나 단위근이 있을 때는 어떻게 하나요?
답변:
1) HAC(헤테로스케다스티시티·자기상관 일관적) 표준오차 사용
2) AR(p) 오류 모형 도입 및 Cochrane–Orcutt, Prais–Winsten 보정
3) 단위근 검정(ADF, KPSS)을 통해 εₜ의 안정성 확인
5. 질문: 구조적 변화(break)가 의심되면?
답변:
– Zivot–Andrews, Quandt–Andrews breakpoint 검정 등을 통해 시점별 추세 변화 여부를 파악
– 필요 시 더미변수(Dₜ) 삽입:
log M2ₜ = α + β·t + γ·Dₜ + εₜ

6. 질문: 이 모형의 한계와 보완책은?
답변:
한계
· 단순 선형 추세만 포착
· 주기변동(cycle)·비선형 추세 미반영
보완책
· HP 필터, Baxter–King 필터 등으로 추세·순환분리
· 구조적 시계열 모형(트렌드+계절+잡음)
· 상태공간 모형(Kalman 필터)

7. 질문: 실제 분석 절차 요약
답변:
1) M2 시계열 로그 변환
2) 시계열 안정성(단위근)·계절성·구조변화 검정
3) 로그 선형 추세 회귀 추정(OLS or AR 보정)
4) β 해석 및 표준오차 검정
5) 잔차 진단(자기상관·비정상성·이분산)
6) 필요 시 보완 모형 적용(ierr)

M2 통화공급의 장기추세를 분석할 때 흔히 쓰이는 회귀모델들은 크게 “결정론적 추세(deterministic trend)”를 가정하는 단순·다항추세 회귀모델, 그리고 “확률적 추세(stochastic trend)”를 반영하는 ARIMA 계열 모델이나 상태공간(state-space) 모형, 나아가 거시변수 간 장기균형 관계를 파악하기 위한 공적분(cointegration) 기반 회귀모델 등으로 구분할 수 있습니다.

각 모형을 구체적으로 살펴보면 다음과 같습니다.

1. 단순·다항 추세 회귀모델 • 단순선형추세 모형 – 가장 기본적인 형태로, 시간(t)을 설명변수로 두고 M2(t) 또는 로그 M2에 선형회귀를 적합합니다.

– 예컨대 ln M2ₜ = α + β·t + εₜ 꼴로 추세율(β)을 추정하고, 잔차의 정상성 여부(Dickey–Fuller 검정 등)로 모형의 적합도를 점검합니다.

• 다항추세(Polynomial Trend) 모형 – 선형만으로는 장기간에 걸친 추세 변화를 설명하기 어려울 때, 2차·3차 다항항을 더해 비선형성을 포착합니다.

– ln M2ₜ = α + β₁·t + β₂·t² (+β₃·t³) + εₜ 형태로, 각 차수의 유의성과 과적합(over-fit) 위험을 함께 검토합니다.



2. 구조변화(Structural Break) 회귀모델 • 단일 분할 회귀(Piecewise Linear Regression) – 특정 시점을 경계로 추세 기울기가 달라진다고 가정하고, 더미변수 또는 분할 회귀식을 도입합니다.

– ln M2ₜ = α + β₁·t + γ·Dₜ·(t–T₀) + εₜ, 여기서 Dₜ는 분할시점 T₀ 이후에 1이 되는 더미입니다.

• 다중 구조변화(Bai-Perron 방법) – 여러 차례 추세 전환점이 존재할 때, 전환점을 통계적으로 탐지하면서 구간별 추세를 추정합니다.



3. ARIMA 계열의 확률적 추세 모형 • ARIMA(p,1,q) with Drift – 차분을 한 번 취했을 때 정상성을 회복한다고 보고, “drift” 항이 바로 추세 역할을 합니다.

– ΔM2ₜ = μ + ∑φᵢΔM2ₜ₋ᵢ + ∑θⱼεₜ₋ⱼ + εₜ 꼴로, μ/(1–∑φᵢ)가 장기 기댓값 혹은 추세 증가율과 대응됩니다.

• SARIMA 등 계절성 확장형 – 계절적 패턴이 뚜렷하면 ARIMA에 계절 차분 및 계절항을 추가하여 모형을 확장합니다.



4. 상태공간(State-Space) 기반의 추세-순환 분해 모형 • 로컬선형추세(Local Linear Trend) 모델 – 관측값을 추세(trend)와 순환(cycle) 성분으로 분리해 각각을 확률적 추세와 AR(1) 등으로 모델링합니다.

– 칼만필터(Kalman filter)를 통해 시점별 추세 레벨과 기울기를 추정할 수 있습니다.

• 구조적 시계열(Structural Time Series) 모형 – 추세 외에 계절성, 외생충격(exogenous shock) 등을 별도 구성요소로 설정, 각 성분을 회귀형태로 추정합니다.



5. 장기균형 관계 분석을 위한 공적분 회귀모델 • Engle–Granger 2단계법 – M2와 명목 GDP 혹은 물가수준 간에 공적분 관계가 존재하는지를 확인하고, 장기식(cointegration regression)을 추정합니다.

– 예: ln M2ₜ = α + β·ln GDPₜ + uₜ, 잔차 uₜ의 정상성 여부를 보고 공적분 유무 판단 • Johansen VAR 공적분 모형 – 다변량 VAR 틀에서 최대우도법으로 공적분 벡터 수와 계수를 동시에 추정합니다.

• 동적 OLS(DOLS), 완전수정 OLS(FMOLS) – 공적분추정 시 잔차의 이분산성·자기상관 문제를 보정해 일관성 있는 계수 추정을 도모합니다.

이들 모형을 선택할 때에는 (1) M2 시계열의 정상성 유형(단위근 여부), (

2) 장기추세가 결정론적(단순·다항)인지 아니면 확률적(ARIMA 차분·상태공간)인지, (

3) 구조변화의 유무, (

4) M2가 다른 거시변수와 어떻게 상호작용하는지를 고려합니다.

보통은 먼저 단순추세회귀나 ARIMA(1차 차분) 모형을 시도한 뒤, 잔차분석 및 구조변화 검정(Chow, Bai-Perron)으로 보강하고, 나아가 거시균형을 분석할 때 공적분 회귀모델을 적용하는 절차를 밟습니다.