홈 > 강의소개
계량경제학 통합과정
김재현 교수
경북대학교 대학원 경제학과 석사과정
경북대학교 대학원 경제학과 박사졸업
경북대학교 대학원 경제학과 석사과정
경북대학교 대학원 경제학과 박사졸업
경북대학교
계명대학교
현) 유니와이즈 전임교수
AI가 이끄는 스마트한 학습 경험, AI 튜터와 함께 더 빠르고, 더 깊게 학습하세요.
긴 강의 내용을 AI가 핵심만 요약하여 복습 시간을 단축시킵니다.
강의에서 가장 중요한 키워드와 개념을 자동으로 추출해 제공합니다.
학습한 내용을 바탕으로 AI가 생성한 퀴즈를 풀며 이해도를 점검합니다.
모르는 부분을 24시간 언제든 AI 튜터에게 질문하고 답변을 받습니다.
총 25개 챕터, 114강으로 구성되어 있습니다.
| 제목 | 강의시간 | 상세내용 |
|---|---|---|
| 1장. 계량경제학 기초 - 단순회귀모형 | ||
|
[1강] 계량경제학이란? (1)
|
0:
38:
36
|
|
|
계량경제학 기초 및 분석 절차 이해
* 계량경제학 정의: 경제 이론 및 가설을 데이터 기반으로 경험적 검증하는 수학·통계 활용 분석 방법론. * 계량 모형 설정: 수리 모형에 오차항을 추가하여 현실 불확실성을 반영하고 모집단 모수 추정을 목표. * 분석 순서: 이론 설정 → 자료 수집 → 모형 설정 → 모수 추정 → 적합도·가설 검증 → 예측의 체계적 절차. |
||
|
[2강] 계량경제학이란? (2)
|
1:
00:
05
|
|
|
계량경제학 자료 종류 및 통계학 기초
• 계량경제학 목적 및 자료: 경제이론 실증을 위한 시계열, 횡단면, 합동/패널 자료 유형의 특징 및 분석 단계 이해 • 통계학 기초 개념: 모집단, 표본, 표본 공간, 사건, 확률 변수, 확률, 조건부 확률을 정의하고 불확실성을 수치화하는 원리 학습 • 주요 통계적 특성치: 기댓값, 분산, 표준 편차를 통해 확률 변수의 중심 경향과 자료의 퍼진 정도를 정량적으로 분석 |
||
|
[3강] 통계학 기초 (1)
|
1:
11:
10
|
|
|
공분산, 상관계수, 조건부 특성치 및 확률 분포의 이해
• 공분산, 상관계수: 두 변수 간 선형관계 방향과 강도 측정 및 단위 문제 해결 원리 • 확률적 독립성: 사건 간 확률적 영향 없음($P(X \cap Y) = P(X)P(Y)$)의 조건 및 공분산, 조건부 기대값과의 관계 • 확률분포 개념: 이산형/연속형 구분, 정규분포와 표준정규분포의 이해, iid 가정 하 표본평균의 기대값 및 분산 |
||
|
[4강] 통계학 기초 (2)
|
1:
09:
38
|
|
|
통계학의 기초: 결합 확률분포, 표본 분포, 추정
• 결합 확률분포 개념: 다변량 확률변수의 동시 발생 확률 및 한계 확률 정의, 이변수 정규분포의 평균 벡터와 분산 공분산 행렬 구조 이해 • 표본 분포 및 중심 극한 정리: 표본 통계치 확률분포와 표본 평균의 정규분포 수렴 원리 파악, 카이제곱·t·f분포 정의 및 자유도 분석 • 통계적 추정: 표본 데이터 기반 모수 추정 원리, 점추정 및 구간추정 방법론, 신뢰구간의 개념과 해석 |
||
|
[5강] 통계학 기초 (3)
|
1:
20:
16
|
|
|
통계학의 기초: 추정 및 가설검정
• 통계적 추정: 표본 데이터를 활용하여 미지의 모수를 추론하는 핵심 과정으로, 최소제곱, 최우, 정률 추정법의 원리 및 추정량의 불편성, 효율성, 일치성 평가. • 가설검정 기본 원리: 모수 관련 가설의 통계적 유의성을 검증하는 과정으로, 귀무/대립가설, 제1/2종 오류, 유의수준($\alpha$), 유의확률(P-Value) 개념 이해. • 가설검정 절차 및 의사결정: 가설 수립, 검정통계량 계산, 분포 결정, 유의수준 선택, 결론 도출의 5단계 과정과 P-Value vs $\alpha$를 통한 귀무가설 기각 여부 판단. |
||
|
[6강] 단순회귀모형
|
1:
12:
52
|
|
|
단순회귀모형의 이해 및 가정
• 회귀모형: 독립변수 영향 분석 통계 기법으로, 프랜시스 갈턴의 평균으로의 회귀 개념을 칼 피어슨이 수학적으로 정립. • 회귀모형 수학적 구조: $Y = \beta_1 + \beta_2 X + \epsilon$ 함수 관계 정의, 오차항과 회귀계수 추정으로 독립변수 영향력 측정. • 단순회귀모형 가정: 선형성·오차항 평균 0·등분산성·자기 상관 없음·비확률적 설명변수·오차항 정규성 등 6가지 조건으로 추정량의 신뢰성 보장. |
||
|
[7강] 단순회귀모형의 추정 (1)
|
0:
55:
27
|
|
|
단순회귀모형 최소제곱법 추정
• 최소제곱법 (OLS): 단순회귀모형 모수 추정 원리; 오차 제곱합 최소화를 통한 불편성, 효율성 추정량 도출. • 모수 추정 과정: 일변수/이변수 함수 극소화를 위한 미분, 편미분 적용; 일계 조건 만족하는 최적 모수 해 도출. • 오차 제곱합 선택: 절대값 함수의 첨점 발생 및 미분 불가능성 회피; 미분 가능성 확보를 통한 극소화 계산 용이성 제공. |
||
|
[8강] 단순회귀모형의 추정 (2)
|
0:
36:
51
|
|
|
단순회귀모형 추정을 위한 행렬 대수 적용
• 최소제곱 추정 원리: 오차제곱합 최소화를 위한 편미분으로 정규방정식 유도 과정 이해 • 정규방정식 구조: 회귀계수 추정을 위한 연립방정식의 구성과 의미 학습 • 행렬 연산과 역행렬: 다중회귀모형의 정규방정식 해법 및 최소제곱 추정량 계산 적용 |
||
|
[9강] 단순회귀모형의 추정 (3)
|
0:
41:
36
|
|
|
단순회귀모형의 계수 추정
• 단순회귀모형 계수 추정: 최소제곱법을 활용해 오차 제곱합을 최소화, 정규방정식 도출 및 회귀계수($\hat{\beta}_1, \hat{\beta}_2$) 추정. • 정규방정식 해법 및 추정량 성질: 행렬 연산 및 대수적 해법으로 절편($\hat{\beta}_1$)과 기울기($\hat{\beta}_2$) 산출, 표본평균 점을 지나는 성질 이해. • 회귀계수 경제학적 해석: 기울기($\hat{\beta}_2$)는 설명변수 단위 변화당 종속변수 변화, 절편($\hat{\beta}_1$)은 설명변수 0일 때 종속변수 평균값. |
||
|
[10강] 단순회귀모형의 추정 (4)
|
0:
43:
26
|
|
|
단순회귀모형의 최소제곱 추정량 의미
• 단순회귀모형의 최소제곱 추정량($\hat{\beta_2}$): 표본 공분산과 표본 분산의 비로 $x$가 $y$에 미치는 순수 영향 강도를 측정하는 핵심 회귀 계수. • 최소제곱법(OLS): $\min \sum \epsilon_i^2$를 통해 계수를 도출하며, 조건부 기대값 기반의 모회귀 직선 특성과 일치하는 우수한 추정법. • 회귀분석 설명변수 $x$: $y$에 대한 순수 영향 분석을 위해 비확률 변수로 가정하여 모델의 강건성을 확보. |
||
|
[11강] 단순회귀모형의 추정 (5)
|
0:
48:
40
|
|
|
단순회귀모형의 추정
* 단순회귀모형 최소제곱 추정: 기본 가정(오차항 특성) 하에 기울기($\hat{\beta}_2$)와 절편($\hat{\beta}_1$)을 계산하여 한계 소비 성향·독립 소비 등 경제학적으로 해석. * 추정량 통계적 특성: 불편성($E[\hat{\beta}] = \beta$)을 가지며 정규분포를 따르고, 추정된 회귀선은 항상 표본 평균점을 통과. * 절편 추정량 분산($\text{Var}(\hat{\beta}_1)$): 오차항과 설명변수의 특성을 활용하여 분산 수식을 유도하며 통계적 유효성을 분석. |
||
|
[12강] Gauss-Markov 정리 (1)
|
0:
42:
40
|
|
|
회귀모형 추정량: 구간추정 및 가우스-마르코프 정리
* 최소제곱 추정량 구간추정: 신뢰 구간 개념, 위수준 관계 및 정규분포 활용, 오차항 분산 추정량 필수. * 가우스-마르코프 정리: 선형 회귀모형 고전적 가정 하에 최소제곱 추정량이 BLUE(불편성, 최소 분산)임을 입증. * 회귀모형 추정량 속성: 선형 회귀모형 고전적 가정을 통해 확보되는 추정량의 불편성 및 최소 분산 특성. |
||
|
[13강] Gauss-Markov 정리 (2)
|
0:
49:
37
|
|
|
가우스-마르코프 정리
* 가우스-마르코프 정리: 고전적 가정이 충족될 때 최소제곱 추정량이 최우수 선형 불편 추정량(BLUE)임을 입증하는 회귀분석의 핵심 이론. * BLUE 속성: OLS 추정량의 선형성, 불편성, 최소 분산성을 의미하며, 이 속성들은 5가지 고전적 가정에 의해 보장됨. * 고전적 가정 위반 영향: 각 가정 위반 시 OLS 추정량의 바이어스 발생 및 분산 증가 등 BLUE 특성이 상실되어 모형 신뢰도 저하. |
||
| 2장. 단순회귀모형 확장 | ||
|
[14강] 단순회귀모형 확장 (1)
|
0:
45:
34
|
|
|
단순회귀모형 확장: 유의성 검정 및 모형 진단
* 단순회귀모형 유의성 검정: 추정 계수의 통계적 유의성 판단을 위해 t통계량과 p-value를 활용한 가설 검정 절차. * 잔차 분석을 통한 모형 진단: 잔차를 이용해 오차항의 기본 가정(정규성, 등분산 등) 적합성 확인 및 잔차도, 정규성 검정 활용. * 회귀모형 예측 및 BLUE 특성: 추정된 모형으로 종속변수 예측치 도출, 예측오차 개념과 예측치의 BLUE 특성 이해. |
||
|
[15강] 단순회귀모형 확장 (2)
|
0:
22:
25
|
|
|
결정계수와 회귀분석의 설명력
* 결정계수($R^2$): 회귀모형의 설명력을 측정하는 지표로, 종속변수의 총변동 중 설명변수에 의해 설명되는 비율을 나타냄. * 변동 분해 원리: 총변동(SST)은 회귀식으로 설명되는 변동(SSR)과 오차 변동(SSE)의 합(SST=SSR+SSE)으로 구성. * 결정계수($R^2$) 정의 및 특징: $\text{SSR}/\text{SST}$ 또는 $1-(\text{SSE}/\text{SST})$로 계산되며, $0$에서 $1$ 사이 값으로 모형의 적합도를 평가. |
||
|
[16강] 단순회귀모형 확장 (3)
|
1:
01:
56
|
|
|
회귀모형 추정 방법과 탄력성 및 최우추정법
• 원점 회귀모형: 절편 0 가정 시 최소제곱 추정량($\frac{\sum x_i y_i}{\sum x_i^2}$) 도출 및 $n-1$ 자유도를 적용한 오차 분산 추정. • 로그 변환: 비선형 관계 분석에 활용하며, 로그-로그 회귀모형에서 계수는 탄력성($\frac{\% \Delta y}{\% \Delta x}$)을 의미. • 최우추정법: 우도함수 극대화 원리로 오차항 정규분포 가정 시 최소제곱 추정량과 동일한 회귀계수 도출, 단 분산 추정량은 자유도 차이. |
||
| 3장. 다중회귀모형 | ||
|
[17강] 다중회귀모형 (1)
|
0:
47:
04
|
|
|
다중회귀모형 설정 및 추정
• 다중회귀모형 설정: 설명변수 다수 관계 분석, 다중공선성 없는 가정 하에 현회귀계수 정의. • 다중회귀계수 추정: 최소제곱법 및 행렬 연산을 통해 계수와 오차 분산 추정 및 자유도 개념 적용. • 추정량 분산 특성: 오차 분산, 설명변수 분산, 변수 간 상관관계에 따른 추정량 신뢰성 변화 분석. |
||
|
[18강] 다중회귀모형 (2)
|
1:
22:
26
|
|
|
결정계수와 다중회귀모형 유의성 검정 및 실증 분석 유의점
• 결정계수 및 조정결정계수: 회귀모형의 설명력 평가 지표로 $R^2$의 한계를 조정결정계수가 보완. • 모형 유의성 검정 (F-검정)과 개별 계수 유의성 검정 (t-검정): 분산분석(ANOVA) 기반 F-검정으로 모형 전체, t-검정으로 개별 설명변수의 통계적 유의성 검증. • 설명변수 선택 방법: 이론적 배경 우선, 전진선택, 후진소거, 단계적 선택법으로 적절한 설명변수 선정. |
||
| 4장. 다중회귀모형에서의 가설검정 | ||
|
[19강] 결합귀무가설을 통한 가설검정 설정 (1)
|
0:
31:
31
|
|
|
다중회귀모형 가설검정
• 다중회귀모형 결합귀무가설: 계수동일성, 선형등식 제약, 구조변화 검정 유형 및 F-검정 원리 이해. • F-통계량 계산: 제약 모형(R)과 비제약 모형(UR)의 잔차 제곱합(SSE) 또는 결정계수(R²) 비교를 통한 절차. • 가설 검정 및 유의성: F-통계량을 통한 귀무가설 채택/기각 결정 및 다중회귀모형 유의성 검정과의 연관성. |
||
|
[20강] 결합귀무가설을 통한 가설검정 설정 (2)
|
0:
41:
26
|
|
|
결합귀무가설 선형등식제약 및 구조변화 검정
* **선형등식제약 검정**: 회귀 계수들의 선형 결합에 대한 가설을 검정하며, UR 모형과 R 모형의 SSE 비교를 통한 F 검정으로 유의미한 변화를 판단. * **구조변화 검정**: 특정 시점 기준으로 자료를 분할하여 회귀 계수 구조 변화를 검증하며, UR 모형 자유도(N-2K)를 활용한 F 검정 적용. * **결합귀무가설 검정**: 계수 동일성, 선형등식제약, 구조변화 검정 모두 UR 모형과 R 모형의 SSE 비교를 기반으로 하는 F 검정을 핵심 방법론으로 사용. |
||
|
[21강] 콥-더글라스 함수 검정. 우도비 검정
|
0:
33:
43
|
|
|
콥-더글라스 함수 추정 및 우도비 검정
• 콥-더글라스 함수: 생산 및 효용 분석에 활용되는 곱 형태 함수; 투입 요소 지수 합으로 규모의 수익(체감·불변·체증) 판단; 자연로그 변환으로 선형 회귀모형 추정. • F-검정: UR/R 모델 간 잔차제곱합(SSE) 비교를 통해 규모 가설 등 선형등식제약 가설 검증; 통계적 유의성 판단. • 우도비 검정: 최우추정법 기반, UR/R 모델 간 우도함수 비교로 가설 검증; 자유도가 제약 개수인 카이제곱 분포 활용. |
||
| 5장. 더미변수 | ||
|
[22강] 더미변수
|
0:
41:
50
|
|
|
더미변수와 범주형 설명변수 회귀분석
* **더미변수**: 범주형 질적 변수를 0/1로 전환, 회귀분석을 통해 그룹 간 종속변수 평균 차이 측정 * **n-1 더미변수 규칙**: 다중공선성 회피를 위한 다범주 질적 설명변수 설정 원칙 * **상호작용항**: 더미변수 그룹별 설명변수의 기울기 차이 검정 및 자유도 감소 고려 |
||
| 6장. 다중공선성 | ||
|
[23강] 고전적 모형의 가정완화. 다중공선성 개요
|
0:
41:
24
|
|
|
다중공선성 개요 및 고전적 가정 완화와 정규성 검정
• 고전적 선형회귀모형 가정 및 위배: 선형성·동분산성·비상관성 등 7가지 기본 가정과 현실 데이터의 가정 위배 사례 정리 • 오차항 정규성 검정: 카이제곱 검정의 빈도 비교 및 자크베라(JB) 통계량의 외도·첨도 수치를 활용한 정규성 판정 절차 • 다중공선성 유형 및 정의: 독립변수 간 선형 상관관계 존재 유무에 따른 완전 및 불완전 다중공선성의 구조적 특징 분석 |
||
|
[24강] 다중공선성 하에서 추정량의 성질. 다중공선성의 탐지
|
0:
42:
49
|
|
|
다중공선성의 이해와 탐지
• 다중공선성 개념: 회귀분석 설명변수 간 선형관계로, 완전 시 개별 계수 추정 불가능, 불완전 시 OLS 추정량 분산 증대. • 불완전 다중공선성 영향: OLS 추정량은 BLUE 유지하나, VIF 증대로 추정 정밀도 하락 및 T-통계량 유의성 감소. • 다중공선성 탐지: VIF, 설명변수 상관계수, R² 및 T-값 분석, 보조회기 등을 활용한 경험적 방법론 적용. |
||
|
[25강] 다중공선성의 치료 (1)
|
1:
05:
16
|
|
|
다중공선성 치료
• 다중공선성 유발 변수 제거: VIF, 편상관계수, 베타계수를 활용하여 문제 변수를 식별하고 제거함으로써 회귀모형의 안정성을 확보 • 능형회귀분석 (Ridge Regression): 정규방정식 주대각에 람다($\lambda$)를 추가하여 역행렬 도출을 가능하게 하고, 추정량 분산을 줄여 다중공선성 문제 완화 • 주성분 분석 (PCA): 기존 설명 변수를 선형 독립적인 주성분 변수로 변환하여 회귀모형의 다중공선성 문제를 해결 |
||
|
[26강] 다중공선성의 치료 (2)
|
0:
39:
33
|
|
|
다중공선성 치료: 주성분 분석 및 자료 변형
* 다중공선성 치료 주성분 분석: 기존 설명변수의 선형결합으로 독립 주성분을 도출, 회귀분석 모델의 다중공선성 문제를 완화. * 자료 보완: 표본 관측치 증대로 추정량 분산 감소 및 추정 정확도를 향상. * 시계열 자료 차분: 자료의 추세 제거를 통해 설명변수 간 다중공선성을 완화하나 원자료 정보 소실 유의. |
||
| 7장. 이분산 | ||
|
[27강] 이분산을 무시한 최소제곱법. 이분산의 탐지 (1)
|
0:
57:
42
|
|
|
이분산 정의 및 탐지 방법
• **이분산 개념**: 오차항 분산이 비일정하여 OLS 추정량의 효율성 저해 및 가설 검정 신뢰도를 상실시키는 통계적 문제. • **이분산 탐지 원리**: 잔차 도표 관찰, 오차항 분산의 함수적 관계 검증, 설명 변수 구간별 분산 비교를 통한 통계적 판단. • **스피어만 순위상관 검정**: 잔차와 설명 변수 간 순위 상관관계 분석을 통해 이분산 존재 유무를 판단하는 비모수적 방법. |
||
|
[28강] 이분산의 탐지 (2)
|
0:
52:
28
|
|
|
이분산 탐지 및 GLS 치료
* 이분산 탐지: 오차항 분산 불일치 문제 진단하며, 브루시-파간 및 화이트 검정 등 LM 검증 활용 * 이분산 치료 (GLS/WLS): 일반화 최소제곱법(GLS)의 가중 최소제곱법(WLS) 적용으로 자료 변환, 등분산 만족 및 BLUE 추정량 획득 * WLS 가중치 설정: 미지 분산에 대한 대리변수(설명변수 제곱, 예측치) 선정 중요하며, 로그 변환으로 이분산 완화 및 추정 신뢰도 향상 |
||
|
[29강] 자기상관 개요. 자기상관하에서 추정량 성질 (1)
|
0:
43:
56
|
|
|
자기상관
* 자기상관 개요: 회귀모형 오차항 간($Cov(u_i, u_j) \ne 0$)의 상관관계로, 주로 시계열 자료에서 발생하는 고전적 가정 위배 문제. * 자기상관 원인 및 탐지: 오차항의 자기회귀 모형, 추세항 존재 등으로 발생하며, 잔차의 특정한 패턴 관찰을 통해 탐지 가능. * 자기상관 하 추정량 성질: OLS 추정량은 불편성·일치성은 유지하나 효율성을 상실하며, 분산이 하향 편향되는 특성 가짐. |
||
|
[30강] 자기상관하에서 추정량 성질 (2). 자기상관의 탐지 (1)
|
0:
55:
11
|
|
|
자기상관 하 OLS 추정량 성질 및 탐지
* **자기상관 하 OLS 추정량**: 불편성을 유지하나 최소분산성을 상실하여 효율성이 저하되는 특성 분석. * **자기상관 탐지**: 잔차도, 잔차 간 산점도 등 직관적 방법과 Durbin-Watson 검정을 통한 1차 자기회귀 오차 구조 판단. * **Durbin-Watson 검정**: 통계량 $d$의 계산, 값 해석, $d_L, d_U$ 임계치를 활용한 자기상관 유무 결정 규칙 제시. |
||
|
[31강] 자기상관의 탐지 (2)
|
0:
34:
54
|
|
|
자기상관 탐지 방법 (2)
• Durbin-Watson 검정 보완: 타일라가르 검정은 불확실 영역, 더비니 H 검정은 종속변수 시차변수 모형의 자기상관을 $h$ 통계량(표준정규분포)으로 탐지. • 게리 검정: 오차항 연속 부호 횟수($K$) 분석으로 자기상관 탐지, 정규분포 기반 Z-통계량 또는 임계지표로 가설 검정. • 컨틴전시 테이블 검정: 현재와 직전 오차항 부호의 독립성을 교차표로 가설 검정, 카이제곱($\chi^2$) 분포를 활용하여 자기상관 여부 판단. |
||
|
[32강] 자기상관의 탐지 (3). 자기상관의 치료
|
1:
06:
37
|
|
|
자기상관 탐지 및 치료 기법
* 자기상관 문제 정의: 오차항 간 상관관계로 OLS 추정량의 비효율성 및 유의성 검정 신뢰도 저하를 야기하는 통계적 문제. * 자기상관 탐지 및 치료: 브루시-가프리 검증으로 고차 자기상관을 탐지하고, 일반화 최소제곱법(GLS)으로 자료 변환을 통해 문제를 해결. * 자기상관 계수($\rho$) 추정: 코크라노-오코트 반복추정법은 $\rho$의 수렴을 활용하여 신뢰성 높은 추정량을 제공하는 가장 보편적인 GLS 기법. |
||
| 보강 | ||
|
[33강] 보강 (1)
|
1:
06:
19
|
|
|
고전적 회귀모형과 일반화 최소제곱법 비교 분석
• OLS 회귀모형 기초: 고전적 가정, 단순 및 다중회귀분석 추정 과정과 계수, 분산, 가설 검증 통계량 비교 분석. • 일반화 최소제곱법(GLS): 다중공선성, 이분산, 자기상관 발생원인, 탐지 및 치료방법과 OLS 대비 GLS의 자료 변환 및 적용 효과 이해. • OLS 추정결과표 해석: 모형 요약 통계량(F, R-squared)과 개별 계수(t-값, P-value, 신뢰구간)를 통한 모형 설명력 및 유의성 판단 기준 학습. |
||
|
[34강] 보강 (2)
|
0:
50:
43
|
|
|
오차항 분산의 불편 추정량
• 오차항 분산: 회귀모형의 오차항 분산($\sigma^2$) 개념 및 통계적 추론에 필수적인 불편 추정량의 필요성 정의. • 자유도: 표본분산 추정 시 $n-1$, 단순회귀모형에서 $n-2$, 다중회귀모형에서 $n-k$로 독립적인 정보의 수를 나타내는 개념. • 오차항 분산 불편 추정량: 잔차 제곱합($\sum \hat{\epsilon}_i^2$)을 해당 자유도($n-k$)로 나누어 계산하는 $\hat{\sigma}^2 = \frac{1}{n-k}\sum \hat{\epsilon}_i^2$ 공식. |
||
| 9장. 모형식별문제, 내생성문제 | ||
|
[35강] 모형설정오류 문제
|
0:
51:
26
|
|
|
회귀모형 설정 오류와 내생성 문제 개요
• 회귀모형 설정 오류: 모형식별 오류, 내생성 문제의 유형(과소식별, 과대식별, 함수 형태 부적절성) 및 추정량 통계적 성질에 미치는 영향 분석. • 과소식별: 적절 설명 변수 누락 시 계수 및 오차항 분산 추정량에 편의 발생, 가설검정 신뢰도 저하. • 과대식별: 불필요 설명 변수 포함 시 추정량 불편성 유지, 분산 증가로 효율성 저하, 다중공선성 유발 가능성. |
||
|
[36강] 모형설정오류의 식별
|
0:
21:
23
|
|
|
모형설정오류 식별 방법
• 모형설정오류: 불필요 변수, 생략 변수, 함수 형태 오류로 분류되며, 불필요 변수는 t/F-검증으로 식별. • 생략 변수/함수 형태 오류: 잔차 패턴 분석으로 진단하며, 더빈-왓슨 통계량으로 자기상관 유사 잔차 패턴 식별. • 램지 리셋 검증, 라그랑주 승수(LM) 검증: 추가 변수 유의성을 F-검정 및 카이제곱 검정으로 평가, 모형 오류 판단. |
||
|
[37강] 모형설정오류의 교정
|
0:
59:
28
|
|
|
모형설정오류 교정 방법론 및 함수 형태 변환
* **모형 설정 오류**: 생략 변수 및 잘못된 함수 형태로 발생하는 회귀 모형의 오차를 진단하고 교정하는 방법론. * **생략 변수 교정**: 레머, 핸드리, 맥키논 접근법을 통해 최적 설명 변수를 식별하고 다중 모형을 통계적으로 검증하는 절차. * **함수 형태 오류 교정**: 비선형 모형(로그, 로지스틱, 역함수 등)을 그래프 검토 및 변수 변환으로 선형화하여 분석 정확도를 높이는 방법. |
||
|
[38강] 측정오차. 내생성 문제
|
0:
50:
55
|
|
|
모형 설정 오류 교정 및 내생성 문제 분석
• 비선형 모형: 테일러 전개를 통한 선형 근사 방법으로 비선형 회귀 모형 추정 원리 이해. • 측정오차 문제: 종속변수 오차는 불편성 유지, 설명변수 오차는 내생성 문제 발생 원인 분석. • 내생성 문제: 설명변수와 오차항 상관관계로 인한 추정량의 비일치성 및 편의 발생 구조 파악. |
||
|
[39강] 도구변수 추정법
|
0:
33:
55
|
|
|
회귀 분석 내생성 문제와 도구 변수 추정법
• **내생성 문제**: 종속/설명변수 측정오차로 OLS 추정량의 불일치성과 하향 편의 발생 원리. • **도구 변수(IV) 추정법**: 내생성 해결 위한 일치 추정량 도출; 설명변수와 강한 상관, 오차항과 무상관 조건 충족. • **IV 추정량**: 대표본 일치성 확보, 소표본 불편성 및 약한 도구 변수로 인한 추정 결과 신뢰도 저하 가능성. |
||
|
[40강] 적률추정법
|
1:
10:
52
|
|
|
도구변수 및 적률 추정법
• 도구변수 추정법: 내생성 문제 해결을 위해 설명변수와 유관하고 오차항과 독립적인 도구변수를 선정하고 하우스만 검정으로 내생성 여부 확인. • 적률 추정법: 확률변수의 거듭제곱 기대값인 정률을 기반으로 정률 조건을 설정하여 모수를 추정하는 일반적인 방법. • 도구변수 추정법은 적률 추정법의 일종으로, 추정량은 일치성을 보장하나 분산은 도구변수와 설명변수 간 상관도에 영향받음. |
||
| 10장. 이항종속변수 모형 | ||
|
[41강] 이항종속변수 모형 개요. 선형확률모형
|
0:
55:
58
|
|
|
이항종속변수 모형 및 선형확률모형
* 이항종속변수 모형: 종속변수가 0/1 이진값을 갖는 회귀모형으로, 베르누이 분포 특성 및 활용 목적 이해 * 선형확률모형(LPM): 이항종속변수 모형을 선형함수로 OLS 추정하는 기본 방법론 정의 * 선형확률모형(LPM) 한계: 이분산, 예측치 범위 문제, 낮은 R제곱 등 주요 문제점과 보완적 추정 방법론 필요성 |
||
|
[42강] Logit 모형 (1)
|
0:
53:
40
|
|
|
선형확률모형의 한계 및 Logit 모형 이해
• 선형확률모형(LPM) 한계: 비현실적인 확률 범위 및 선형성 가정 문제점을 인지하고, 비선형확률모형의 필요성을 이해. • Logit 모형의 개념: 로지스틱 분포 기반의 S자형 누적확률함수를 활용하여 LPM 한계를 극복하며, 로그 오즈비를 종속변수로 선형 관계를 분석. • Logit 모형 추정: OLS/WLS의 이분산 및 개별 확률 자료 부재의 한계를 인지하고, 최대우도추정법(MLE)의 활용 중요성을 학습. |
||
|
[43강] Logit 모형 (2)
|
0:
51:
45
|
|
|
로지스틱 회귀모형 오차항, MLE 및 한계효과
• 로지스틱 회귀모형 오차항: 개별 관측치 베르누이 분포 기반 이항 분포를 따르며, 대표본에서 정규분포 근사, 분산은 $1/(n_i p_i (1-p_i))$로 추정. • 최대우도추정법 (MLE) 로짓 모형 추정: 비선형 정규방정식으로 닫힌 해가 없어, 수치해석을 통해 근사 추정치를 도출. • 로짓 모형의 한계효과: 설명변수 변화에 따른 성공 확률 변화 지표로, 계수($\beta_j$)에 성공 및 실패 확률의 곱($p_i(1-p_i)$)이 반영된 $\beta_j \times p_i \times (1-p_i)$ 형태로 계산. |
||
|
[44강] Probit 모형 (1)
|
0:
51:
48
|
|
|
Probit 모형의 원리 및 추정 방법
* **Probit 모형:** 표준정규분포의 누적확률함수를 기반으로 이항종속변수를 분석하는 비선형 회귀모형. * **Probit 추정 방법:** 비선형 관계 선형화를 위해 CDF 역함수를 활용하며, 주로 최우추정법(MLE)을 통해 근사해를 도출. * **Probit 한계효과:** 설명변수 변화에 따른 종속변수 확률 변화량을 나타내며, 확률밀도함수와 계수의 곱 형태로 계산. |
||
|
[45강] Probit 모형 (2)
|
0:
25:
43
|
|
|
Probit 모형 이해 및 로짓 모형 비교 분석
• 로짓/프로빗 모형 개념: 누적확률분포 및 확률밀도함수 형태, 계수 추정 방식의 차이점 비교 분석. • 이항 종속변수 모형 추정: 최우추정법(MLE) 활용 시, 우도비(LR) 검정으로 계수 유의성 평가. • 모형 적합도 평가: 일반 결정계수 대신 McFadden 등 유사 $R^2$를 통해 이항 종속변수 모형 적합성 진단. |
||
|
[46강] Tobit 모형
|
0:
38:
47
|
|
|
Tobit 모형
• Tobit 모형: 중도 절단형 종속변수 자료 분석 모델, OLS 추정의 편의 문제 해결. • 최대우도추정법(MLE): 종속변수 0 및 양수 구간을 분리한 우도함수를 활용하여 계수 추정. • 한계효과 분석: 종속변수 구간별(0과 양수)로 한계효과를 다르게 계산하고 해석. |
||
| 11장. 연립방정식 모형Ⅰ | ||
|
[47강] 연립방정식 모형 개요
|
0:
31:
32
|
|
|
연립방정식 모형 개요 및 유형
• 연립방정식 모형: 내생변수 값 결정을 위한 복수의 방정식 체계로, 내생변수와 외생변수 간 상호작용 구조를 가짐. • 내생성 문제: 연립방정식 모형에서 내생변수와 오차항 간 상관으로 최소제곱법(OLS) 추정량의 불일치성 발생. • 모형 유형 분류: 통상적, 축자형, 블록축자형, 외관상 무관한 모형으로 구분되며, 각 유형별 OLS 적용 가능 여부가 상이함. |
||
|
[48강] 최소제곱 추정량의 불일치성
|
0:
21:
39
|
|
|
최소제곱추정량의 불일치성 및 편의 문제
• 최소제곱 추정량 문제: 연립방정식 모형에서 내생변수로 인한 불편성 및 불일치성 발생 원리 분석 • 내생성 정의: 설명변수와 오차항 간 상관관계로 OLS 추정량의 편의와 일치성 상실 야기 • 연립방정식 모형 추정: OLS 방식의 부적합성 확인 및 대체 추정 방법론 필요성 제시 |
||
|
[49강] 식별문제와 적정식별조건 (1)
|
1:
17:
25
|
|
|
식별문제와 적정식별조건
• 식별문제: 연립방정식의 내생성 문제를 해결하는 유도방정식 계수로부터 구조 계수 역추적 가능성을 판단하는 개념. • 식별 기준: 유도 계수 관계식과 구조 계수 수의 일치 여부로 과소식별, 적정식별, 과잉식별을 구분하는 원칙. • 구조방정식 식별 조건: 각 함수에 고유한 외생변수를 포함하여 연립방정식의 적정식별을 달성하는 필수 원리. |
||
|
[50강] 식별문제와 적정식별조건 (2)
|
1:
16:
16
|
|
|
식별문제와 적정식별조건
* **식별 문제 및 차수 조건**: 연립방정식 계수 추정 가능성 판단의 필요 조건으로, 해당 방정식에서 제외된 외생변수 수가 내생변수 수 빼기 1보다 크거나 같아야 함. * **개수 조건**: 회귀계수 해 도출의 충분 조건으로, 특정 방정식에 미포함된 변수들로 구성된 행렬의 랭크가 전체 방정식 수 빼기 1과 같아야 함. * **식별 조건 적용 및 제약**: 선형 모형에 한해 적용하며, 과소식별 시 사전 제약을 통해 해결하고 추정된 계수는 유의성 검정이 필수적. |
||
| 12장. 연립방정식 모형Ⅱ | ||
|
[51강] 내생성검정. 외생성검정. 축차모형 추정법
|
0:
43:
01
|
|
|
연립방정식 모형 추정 및 검정
* 내생성/외생성 검정: 연립방정식 모형에서 내생변수 식별 및 추정량 불취성 방지를 위한 하우스만 검정법 활용 * 축차모형 OLS 추정: 내생변수와 오차항 무상관 가정을 통해 각 방정식을 OLS로 개별 추정하는 기법 * 간접최소제곱법(ILS): 유도개수를 통해 구조방정식 추정개수를 간접 도출하며, 적정식별 모형에 한해 적용 가능 |
||
|
[52강] 간접최소제곱법. 2단계 최소제곱법 (1)
|
1:
07:
22
|
|
|
간접최소제곱법 및 2단계 최소제곱법
• 간접최소제곱법(ILS): 적정식별된 연립방정식 모형에서 내생성 문제를 해결하고 OLS를 통해 일치성 추정량을 도출하는 기법 • 2단계 최소제곱법(2SLS): 과대식별 모형의 내생성 해결을 위해 내생변수 예측치를 1단계 OLS로 구하고 2단계에서 원방정식을 OLS로 추정하는 절차 • 연립방정식 추정 원리: 내생성 문제와 모형의 식별 조건(적정식별/과대식별)에 따라 ILS 또는 2SLS를 선택하여 일치성 추정량을 확보 |
||
|
[53강] 2단계 최소제곱법 (2)
|
0:
50:
21
|
|
|
2단계 최소제곱법(2SLS)
• 2단계 최소제곱법(2SLS): 연립방정식 내생성 해결을 위해 유도방정식으로 내생변수 예측치를 구하고 OLS로 추정하는 방법론. • 2SLS 추정량 특성: 소표본 편의, 대표본 일치성 보장, 과대식별 모형에도 적용 가능한 효율적인 추정 방법. • 2SLS와 간접최소제곱법(ILS): 적정식별 시 결과 동일하나, 과대식별 모형에 적용 가능한 2SLS가 ILS보다 실무적 활용 범위가 넓음. |
||
|
[54강] 도구변수 추정법. 기타 연립방정식 추정법. 연립방정식 추정법 비교
|
0:
43:
18
|
|
|
도구변수 및 연립방정식 추정법 비교
• 도구변수(IV) 추정법: 연립방정식 내 내생성 문제 해결을 위해 오차항과 독립적인 도구변수를 선정, 대표본에서 일치성을 확보하는 추정 원리. • 2단계 최소제곱법(2SLS) 및 k-클래스 추정법: 내생변수 처리를 위한 유도방정식 활용 방법론이며, 3단계 최소제곱법(3SLS)은 2SLS에 GLS를 추가하여 추정량 효율성을 극대화. • 연립방정식 추정법 비교: IV, ILS, 2SLS, 3SLS 간 유도방정식/해 도출 필요 여부, 소표본/대표본 특성 및 효율성 관점에서 각 방법론을 분석. |
||
| 13장. 행렬을 이용한 다중회귀분석 : 추정 | ||
|
[55강] 행렬을 이용한 다중회귀분석: 개요
|
0:
26:
50
|
|
|
행렬을 이용한 다중회귀분석Ⅰ 개요 및 기본 표현
• 다중회귀모형 행렬 표현: 설명변수 개수와 무관하게 종속변수 벡터 $\mathbf{Y}$, 설명변수 행렬 $\mathbf{X}$, 개수 벡터 $\boldsymbol{\beta}$, 오차항 벡터 $\boldsymbol{\epsilon}$을 통해 $\mathbf{Y} = \mathbf{X}\boldsymbol{\beta} + \boldsymbol{\epsilon}$ 형태로 모형을 간결하게 정의 • 행렬 기반 최소제곱추정: 오차 벡터의 제곱 거리 최소화 원리를 적용하여 일반화된 최소제곱추정량 $\hat{\boldsymbol{\beta}}$ 도출 절차 제시 • 행렬 표현의 장점 및 한계: 모형 간결화, 계산 일반화, 처리 속도 향상, 기하학적 해석 용이성을 제공하나 선형 회귀모형에만 적용 가능한 한계 분석 |
||
|
[56강] 행렬연산 기초 (1)
|
0:
38:
23
|
|
|
행렬연산 기초
* 행렬 및 벡터 개념: 행과 열로 구성된 데이터 배열 정의, 선형방정식 표현 및 스칼라, 크기/방향 특성 이해. * 행렬의 주요 유형: 정방, 대각, 대칭, 삼각행렬 등 구조적 특성 및 주대각 개념 파악. * 행렬 및 벡터 연산: 덧셈, 뺄셈, 스칼라 곱셈 원리, 벡터 내적의 기하학적 의미와 텐서 곱 생성 방식 학습. |
||
|
[57강] 행렬연산 기초 (2)
|
0:
41:
05
|
|
|
행렬연산 기초: 곱셈, 거듭제곱, 전치, 항등원
• 행렬 곱셈은 내적 기반의 차원 일치 연산이며, 거듭제곱은 정방 행렬에 적용되어 멱등 행렬과 같은 특성을 가짐. • 행렬 전치는 행과 열을 교환하는 연산으로 $(AB)^T = B^T A^T$ 성질을 가지며, $A^T A$는 대칭 정방 행렬을 생성. • 행렬 대각합(트레이스)은 정방 행렬의 주대각합으로 $Tr(AB) = Tr(BA)$처럼 곱셈 순서에 불변하며, 단위 행렬은 행렬 곱셈의 항등원. |
||
|
[58강] 행렬연산 기초 (3)
|
1:
00:
31
|
|
|
행렬의 역행렬과 행렬식
• 역행렬: 행렬 연산의 역원으로, 단위행렬을 만족하며 행렬식이 0이 아닌 가역행렬만 존재한다. • 행렬식: 행렬의 가역성(역행렬 존재)을 판별하는 척도이자 기하학적 의미를 가지며, 소행렬식과 여인수 전개를 통해 계산된다. • 보조행렬: 여인수 행렬의 전치행렬로, 역행렬은 보조행렬을 행렬식으로 나눈 값($\frac{1}{det(A)}Adj(A)$)으로 정의된다. |
||
|
[59강] 행렬연산 기초 (4)
|
0:
49:
01
|
|
|
행렬연산 기초: 역행렬과 분할행렬
• 역행렬 도출: 크레이머 룰은 행렬식과 보조행렬로, 행연산은 가우스 소거법 기반의 $[A|I]$ 변환으로 계산. • 역행렬 존재 조건: 행렬식이 0이 아니어야 유일해가 존재하며, 행연산 시 단위 행렬 변환이 가능해야 함. • 분할 행렬: 블록으로 나뉜 행렬의 연산은 블록을 원소처럼 처리하나, 역행렬은 별도 복잡한 공식을 적용. |
||
|
[60강] 행렬연산 기초 (5)
|
0:
30:
48
|
|
|
행렬 랭크 개념 및 기약 사다리꼴 활용
• 행렬 랭크 개념: 행렬 내 선형 독립 벡터 개수를 정의하며, 역행렬 및 유일해 존재 여부 판단의 핵심 지표. • 기약 사다리꼴 행렬: 행연산을 통한 변환 후, 선도 1의 개수를 세어 랭크를 도출하는 절차. • 풀 랭크 및 동치 명제: 모든 행/열이 선형 독립인 행렬의 특성과 행렬식, 역행렬과의 상호 관계. |
||
|
[61강] 행렬연산 기초 (6)
|
0:
38:
52
|
|
|
행렬의 고유 벡터와 고유값
• 행렬 고유값: 선형변환 $A\mathbf{x} = \lambda\mathbf{x}$ 만족하는 스칼라 $\lambda$로, 특성 다항식 $\det(A-\lambda I)=0$을 통해 도출. • 행렬 고유벡터: 고유값에 대응하는 $A\mathbf{x} = \lambda\mathbf{x}$의 벡터 $\mathbf{x}$로, 선형변환 방향과 기저를 결정. • 고유값의 의미: 벡터 스케일 변화 정도를 나타내며, 0인 경우 행렬 역행렬 존재 여부 및 선형방정식 해의 유일성 판단. |
||
|
[62강] 행렬연산 기초 (7)
|
0:
40:
41
|
|
|
행렬 연산 기초: 직교, 대각화, 사형, 2차 형식
• 직교 개념: 벡터 내적 조건과 직교 행렬의 정의 및 성질 요약 • 행렬 대각화 및 직교대각화: 행렬 A의 대각 행렬 D 변환 과정과 대칭 행렬의 고유값 기반 직교대각화 원리 • 사형 및 2차 형식: 벡터 투영 개념과 회귀 분석 응용, 행렬 $X^T A X$의 분류를 통한 최적화 문제 판별 |
||
|
[63강] 행렬연산 기초 (8)
|
0:
40:
19
|
|
|
행렬 미분 기초와 최적화 적용
• 미분 및 전미분 개념: 최적화 문제 해결을 위한 단변량/다변량 함수 미분, 편미분, 전미분 원리 및 함수 변화량 정의. • 벡터/행렬 미분: 벡터에 대한 편미분, 전미분 행렬 표현($dY = \nabla Y^T dX$), 2계 전미분과 헤세 행렬($d^2 Y = dX^T F dX$) 구성. • 2차 형식 미분: $\mathbf{X}^T A \mathbf{X}$ 형태의 2차 형식을 벡터 $\mathbf{X}$와 행렬 $A$에 대해 미분하는 공식 및 차원 일치 원리 (최소제곱법 적용). |
||
|
[64강] 행렬연산 기초 (9)
|
1:
11:
44
|
|
|
행렬 미분을 활용한 최적화 문제 풀이
• 다변수 함수 최적화: 행렬 미분을 활용하여 극대·극소점을 찾는 과정 및 원리 이해 • 1계 조건(FOC): 경사 벡터(gradient vector)가 0이 되는 지점을 찾아 최적점 후보를 식별하는 필요 조건 • 헤시안 행렬 기반 2계 조건(SOC): 대칭 행렬인 헤시안을 통해 극대·극소점 여부를 판정하는 충분 조건 |
||
|
[65강] 행렬연산 기초(10)
|
0:
45:
26
|
|
|
행렬 최적화: 극값 판별 및 확률 벡터 기초
* 다변량 함수 최적화: 헤세 행렬 2계 미분과 2차 형식으로 극값(극대/극소) 판별. * 양정치/음정치 조건: 헤세 행렬 순차 주 소행렬식 부호로 극값 성격(극소/극대) 결정. * 확률 벡터 기초: 기댓값 벡터와 공분산 행렬 정의 및 각 원소의 분산·공분산으로 구성. |
||
|
[66강] 다변량 통계 기초. 행렬을 이용한 최소제곱추정 (1)
|
1:
05:
05
|
|
|
다변량 통계와 행렬을 이용한 최소제곱추정
• 확률벡터의 기대치와 분산: 확률벡터의 선형 조합 및 외적에 대한 기대치와 분산 행렬 계산 원리 정의. • 다변량 정규분포와 다중회귀모형: 평균 벡터, 공분산 행렬 기반 다변량 정규분포 특성 및 $Y=X\beta+\epsilon$ 행렬 모형과 고전적 가정 분석. • 최소제곱추정량 도출: 행렬 미분으로 오차 제곱합 최소화하여 OLS 추정량 $\hat{\beta}=(X'X)^{-1}X'Y$ 도출 및 $(X'X)$ 역행렬 존재 조건 이해. |
||
|
[67강] 행렬을 이용한 최소제곱추정 (2)
|
0:
28:
20
|
|
|
행렬을 이용한 최소제곱추정의 극값 판별
• 최소제곱추정 극값 판별: 오차 제곱합 2계 편미분을 통해 Hessian 행렬 도출, 최적해가 항상 극소값임을 결정. • Hessian 행렬 ($2X'X$): 2계 편미분 행렬로, $X'X$의 공분산 행렬 특성과 부분 행렬식의 양수 조건을 통해 양정치성 증명. • $X'X$의 양정치성: $d^2S$가 양정치 이차 형식을 나타내므로, 최소제곱추정은 항상 유일한 극소값을 도출. |
||
|
[68강] 행렬을 이용한 최소제곱 추정량의 분포 (1)
|
0:
38:
34
|
|
|
행렬 최소제곱추정량의 분포 및 가우스-마르코프 정리
* 최소제곱추정량 $\hat{\beta}$: $Y$의 선형 함수 형태, 기댓값 $\beta$, 분산 $\sigma^2(X'X)^{-1}$를 가지며 정규분포를 따르는 불편 추정량. * 가우스-마르코프 정리: $\hat{\beta}$가 선형성, 불편성, 최소 분산성을 만족하는 최량 선형 불편 추정량(BLUE)임을 증명. * 오창 분산 추정 자유도: 잔차 제곱합을 $n-k$로 나누어 미지의 $\sigma^2$를 추정하며, 이는 $k$개 추정량으로 인한 자유도 손실을 반영. |
||
|
[69강] 행렬을 이용한 최소제곱 추정량의 분포 (2)
|
1:
00:
33
|
|
|
행렬로 표현된 최소제곱추정량 분포
• 잔차 제곱합: 최소제곱추정량 기반 잔차 정의, 자유도 활용 오차 분산의 불편 추정량 $e^T e / (N-K)$ 유도. • 회귀분석 핵심 행렬 A, N, M: 회귀 계수, 예측치, 잔차 생성 원리 및 각 행렬의 멱등, 대칭 성질 분석. • 행렬 연산의 의의: 회귀 계수, 예측치, 잔차 특성치 효율적 계산 및 잔차와 예측치 간 직교성 등 회귀모형 이론적 특징 이해. |
||
|
[70강] 행렬을 이용한 최소제곱 추정량의 분포 (3)
|
0:
43:
41
|
|
|
행렬 최소제곱추정량 분포 및 직교성
• 최소제곱추정량: 정규방정식을 통해 설명변수-오차함 직교성, 예측치-잔차 직교성을 증명하여 최적 예측치 도출 원리 확립. • 직교성/정사형: 예측치는 종속변수의 정사형이며, 잔차와의 직교를 통해 최적 예측치로서 오차를 최소화하는 원리 이해. • 분산 분해/결정계수($R^2$): 피타고라스 정리에 기반한 총변동(TSS)의 회귀변동(RSS) 및 잔차변동(SSE)으로의 분해와 $R^2$의 행렬 표현 및 의미 분석. |
||
|
[71강] 행렬을 이용한 최소제곱 추정량의 분포 (4)
|
0:
41:
27
|
|
|
최소제곱추정량의 행렬 표현과 통계량 분석
• R 행렬 개념: 총 변동(TSS) 표현, 몇등 행렬 성질 및 직교성을 통해 회귀 변동(RSS)과 오차 변동(SSE)의 합($TSS=RSS+SSE$)을 행렬식으로 증명. • 결정계수($R^2$): 모형의 설명력 지표로, 총 변동(TSS) 대비 회귀 변동(RSS) 비율을 통해 설명변수의 종속변수 설명력을 평가. • 조정 결정계수(Adjusted $R^2$): $R^2$의 설명변수 수 증가 오류를 보완하며, 자유도 기반 페널티 부여로 모형의 실제 설명력을 조정 평가. |
||
|
[72강] 다중공선성 문제
|
0:
52:
06
|
|
|
다중공선성 문제 정의, 탐지 및 해결
• 다중공선성 문제: 설명 변수 간 선형 종속 관계로 회귀 계수 추정의 역행렬 존재 조건 위배 및 신뢰도 저하. • 분산 팽창 지수(VIF): 다중공선성 탐지 지표로, 변수 간 선형관계 강도와 추정량 분산 팽창 정도 측정. • 다중공선성 해결: 문제 변수 제거 또는 능형 회귀분석 적용을 통한 계수 추정 신뢰성 강화. |
||
| 14장. 행렬을 이용한 다중회귀분석 : 가설검정 | ||
|
[73강] 행렬을 이용한 가설검정 (1)
|
0:
51:
32
|
|
|
행렬 기반 다중회귀분석 가설검정 개요 및 F분포
• 행렬 기반 가설검정: 회귀계수에 대한 선형제약 가설을 구성하고 전반적인 회귀계수 검정 원리 이해 • F분포 개념: 표준정규분포 및 카이제곱분포로부터 도출된 검정통계량으로, 회귀계수 추정량의 이차 형식 분석에 활용 • 선형제약행렬 $H$ 구성: 회귀계수 선형결합 가설을 $H\hat{\beta} = \beta_0$ 형태로 체계화하고 다중 제약을 동시 검정 |
||
|
[74강] 행렬을 이용한 가설검정 (2)
|
0:
56:
36
|
|
|
F분포를 이용한 선형 가설검정
• F분포 선형 가설검정: 회귀 모형 계수 제약 검정을 위해 계수 추정량 분포 기반 카이제곱 분포 유도 후 오차 분산 추정량 $s^2$로 F분포 통계량 구축. • F-검정 유형 및 절차: 개별 계수, 모형 전체, 일부 계수 결합, 선형식 제약 등 다양한 가설에 대한 $H$ 행렬 구성 및 $m$, $n-k$ 자유도 설정으로 통계량 계산. • 개별 계수 F-검정: 단일 계수 유의성 검정 시 F-통계량은 해당 계수 t-통계량의 제곱과 동일함. |
||
|
[75강] 행렬을 이용한 가설검정 (3)
|
1:
21:
47
|
|
|
F분포를 이용한 회귀모형 선형 및 비선형 가설검정
* F분포 가설검정: 회귀모형의 선형 및 비선형 제약 검증을 위한 일반화된 통계 방법론. * 회귀함수 구조변화 검증: 전체 표본을 분할하여 각 부분 모형 계수의 동일성 검증, F-통계량은 $n-2k$ 자유도 활용. * 비선형 가설검정: 1차 테일러 전개로 선형 근사하며, 비선형 함수를 편미분한 자코비안 행렬로 F-통계량 구성. |
||
| 15장. 행렬을 이용한 다중회귀분석 : GLS | ||
|
[76강] 행렬을 이용한 일반화 최소제곱법 (1)
|
0:
59:
20
|
|
|
행렬 이용 다중회귀분석: 일반화 최소제곱법 개요 및 성질
• 일반화 최소제곱법(GLS): 오차항 이분산성 및 자기상관 문제 발생 시, OLS의 비효율성 및 가설 검정 오류 해결을 위한 회귀분석 방법론 • OLS 추정량 성질(고전적 가정 위반 시): 불편성은 유지하나 효율성을 상실하고 분산 추정량에 편의가 발생하여 통계적 추론 부정확 초래 • GLS 해결 방안: 자료의 적절한 선형 변환을 통해 고전적 가정을 충족시켜 효율적인 추정량 확보 및 정확한 통계적 추론 가능 |
||
|
[77강] 행렬을 이용한 일반화 최소제곱법 (2)
|
0:
48:
09
|
|
|
행렬을 이용한 일반화 최소제곱법
* 일반화 최소제곱법(GLS): 오차항이 고전적 가정을 위배할 때 일반 행렬 G를 통한 자료 변환으로 효율성을 확보하는 추정 방법. * 일반 행렬 G: 오차항 분산 행렬 $\Sigma$를 단위 행렬로 변환하는 핵심 요소로, $G \Sigma G^T = I$ 및 $G^T G = \Sigma^{-1}$ 조건을 만족. * GLS 추정량: 가중치 행렬 $\Sigma^{-1}$를 사용하여 도출되며, 가우스-마르코프 정리를 만족하는 선형 불편 최소 분산 추정량(BLUE). |
||
|
[78강] 행렬을 이용한 일반화 최소제곱법 (3)
|
0:
27:
16
|
|
|
GLS 추정량의 분산 및 효율성 분석
* GLS 추정량의 분산 및 효율성: 오차항 분산행렬 $\Sigma$를 활용하여 OLS 대비 효율적인 $(X'\Sigma^{-1}X)^{-1}$ 분산 도출 및 Gauss-Markov 정리에 따른 BLUE 특성 분석. * FGLS 추정량의 필요성: 미지 모수인 오차항 분산행렬 $\Sigma$를 $\hat{\Sigma}$으로 추정하여 GLS를 실제 모형에 적용하는 절차 이해. * 오차항 분산행렬 $\Sigma$ 추정 문제: 고전적 가정 위반 시 $\Sigma$의 형태를 정확히 식별하여 신뢰성 있는 GLS 추정량을 확보하는 방법론 제시. |
||
|
[79강] 이분산. 자기상관
|
0:
35:
28
|
|
|
일반화 최소제곱법: 이분산 및 자기상관 문제 해결
* 일반화 최소제곱법 (GLS): 오차항 이분산 및 자기상관 문제 발생 시 OLS의 효율성을 회복하기 위한 추정 방법. * 일반화 행렬 G: 자료를 선형 변환하여 오차항을 고전적 가정에 부합시킴으로써 GLS 구현에 핵심 역할 수행. * 실현 가능 GLS (FGLS): 미지의 분산행렬 Σ를 추정하여 G 행렬을 구성, 이분산 및 자기상관 문제를 실제 해결하는 방식. |
||
| 16장. 확률과정, 안정성, 시계열분해 | ||
|
[80강] 시계열분석 개요. 확률과정. 시계열자료의 안정성 (1)
|
0:
53:
06
|
|
|
시계열 분석 개요 및 확률 과정
• 시계열 분석: 시간 변화 자료 기반 예측 및 추정 계량 분석으로, 자기 자료 패턴을 활용. • 확률 과정: 시간에 따른 확률 변수 집합으로, 랜덤워크는 과거 충격이 누적되는 대표 유형을 나타냄. • 시계열 안정성: 자료 종속성 문제 해결 및 통계적 추론 신뢰성 확보를 위한 필수 조건으로, 시계열 분포의 불변성을 의미. |
||
|
[81강] 시계열자료의 안정성 (2)
|
0:
37:
42
|
|
|
시계열 자료 안정성: 강안정성 및 약안정성 이해
• 시계열 안정성 개념: 예측 신뢰성 확보를 위한 강안정성(결합확률분포 동일) 및 약안정성(평균, 분산, 공분산 일정)의 정의와 중요성 • 약안정성: 평균, 분산, 공분산이 일정한 시계열 조건을 정의하며, 정규분포 시 강안정성과 동등한 실제 분석의 기본 가정 • 시계열 안정성 검증: 자기공분산 및 자기상관 함수를 통해 안정성을 판단하고, 추세·계절 변동을 포함한 불안정 시계열은 분석 전 안정화 필수 |
||
|
[82강] 이동평균법
|
0:
33:
07
|
|
|
시계열 자료 안정성 확보를 위한 이동평균법
• 이동평균법: 시계열 자료의 불규칙한 변동을 완화하여 안정성을 확보하고 예측 정확도를 높이는 평활화 기법. • 단순 이동평균법: 과거 N개 자료를 동일 가중치로 평균하여 예측하며, 차수 N은 평활화 정도와 예측 정확도에 영향. • 가중 이동평균법: 각 자료에 중요도 가중치를 적용하여 평균하며, 단순 이동평균보다 원본 자료 변동 특성 보존. |
||
|
[83강] 평활화법
|
0:
45:
04
|
|
|
시계열 자료 안정성 확보 지수평활화
• 지수평활화: 이동평균법의 한계를 극복, 시계열 자료의 안정성 확보를 위한 가중평균 기반 예측 방법. • 단순 지수평활화: 실제값과 예측치의 가중평균을 통해 미래를 예측하며, 평활계수 $\alpha$와 초기값 $S_0$ 설정으로 안정성 조절. • 이중 지수평활화: 단순 평활화 결과를 재평활화하여 추세가 있는 자료의 안정화 및 예측 정확도를 높이는 심화 기법. |
||
|
[84강] 시계열분해. 예측오차
|
1:
02:
08
|
|
|
시계열 분해와 예측오차의 이해
• 시계열 분해: 추세, 순환, 계절, 오차 변동 구성요소를 식별하여 시계열 안정성을 확보하고 미래 경향을 예측하는 가법/승법 모형. • 예측오차: 실제값과 예측값의 차이를 통해 예측 모델의 정확도를 평가하는 척도; 표본 내/외 예측오차 유형으로 구분. • 예측오차 측정 지표: MAE, MSE, RMSE 등 절대 오차와 MAPE, RMSPE, 타일 유통계량 등 상대 오차를 통해 예측 정확도 정량화. |
||
| 17장. 자기회귀, 이동평균 모형 | ||
|
[85강] 자기회귀, 이동평균 모형 개요
|
0:
39:
52
|
|
|
자기회귀 및 이동평균 모형 개요와 시계열 안정성
* **시계열 예측 모형**: 과거 변수 활용 자기회귀(AR), 과거 오창 활용 이동평균(MA), 이 둘을 결합한 자기회귀이동평균(ARMA) 모형으로 미래 예측. * **백색잡음 오창**: 시계열 모형 오차항의 평균 0, 분산 일정, 공분산 0 조건; **시계열 안정성**: 예측 신뢰도 확보를 위한 약안정성(평균·분산·공분산 일정) 충족 필수. * **약안정성 검정**: 자기상관함수(ACF), 편자기상관함수(PACF)로 시계열 특성 분석 및 에르고딕성(표본평균과 기대값 일치)으로 안정성 판단. |
||
|
[86강] 이동평균 모형. 자기회귀 모형 (1)
|
1:
03:
41
|
|
|
시계열 모형: 이동평균(MA) 및 자기회귀(AR) 모형
* 시계열 이동평균(MA) 모형: 현재 시계열이 과거 오차항에 의해 결정되는 구조로, MA(1), MA(q), MA($\infty$) 모형의 기대값·분산·공분산 및 약안정성 특성 이해. * 자기회귀(AR) 모형: 자기 변수의 과거값이 현재 시계열에 영향을 미치는 구조로, MA 모형과의 핵심적인 차이점 및 구성 요소 비교. * MA 모형 안정성: MA(q)는 약안정성 및 에르고딕성을 만족하며, MA($\infty$)는 계수 절대값의 무한합 유한 조건 하에 안정성을 확보. |
||
|
[87강] 자기회귀 모형 (2)
|
1:
02:
29
|
|
|
1차 자기회귀(AR(1)) 모형 분석
• 1차 자기회귀(AR(1)) 모형: 현재 $y_t$를 과거 $y_{t-1}$과 오차항 $\epsilon_t$로 설명하는 시계열 모형 정의 및 구조 분석 • AR(1) 안정성 조건: 계수 $\alpha_1$의 절댓값이 1 미만($|\alpha_1| < 1$)일 때 정상 시계열 특징을 가지며, 무한차수 이동평균(MA($\infty$)) 모형으로 전환 가능 • 안정적 AR(1) 특성: 유한한 평균, 분산, 공분산, 자기상관함수($\rho_j = \alpha_1^j$)를 도출하며 에르고딕성 만족. 불안정 모형은 통계량 발산 |
||
|
[88강] 자기회귀 모형 (3). Lag Operator와 차분방정식 (1)
|
0:
51:
36
|
|
|
자기회귀(AR) 모형과 시차 연산자
* 고차 자기회귀(AR) 모형: 복잡한 축차 풀이의 한계를 극복하기 위해 시차 연산자를 활용하여 차분 방정식의 일반해를 도출. * 시차 연산자(Lag Operator): 과거 시계열 ($Y_{t-J}$)을 $L^J Y_t$로 변환하여 자기회귀(AR) 모형의 일반해를 도출하는 핵심 도구. * AR 모형 안정성 조건: 특성방정식의 근(또는 계수) 절대값이 1 미만이어야 시계열이 수렴하고 예측 가능함을 보장. |
||
|
[89강] Lag Operator와 차분방정식 (2)
|
0:
56:
09
|
|
|
Lag Operator와 AR(2) 모형의 안정성 조건
• Lag Operator: 차분방정식의 해는 고유값 벡터 길이가 1보다 작을 때(단위원 내) 수렴하며, 이는 AR(P) 모형에 일반화되는 핵심 조건. • AR(2) 모형 안정성: 평균 및 공분산 안정성 조건은 Lag Operator의 고유값 단위원 조건과 일치하며, 유르-워커 방정식을 통해 도출. • 시계열 안정성: 차분방정식 해가 발산하지 않고 특정점으로 수렴할 조건으로, 공분산 안정성 조건과 동일한 의미. |
||
|
[90강] 자기회귀 모형
|
0:
40:
28
|
|
|
AR 모형의 자기상관 함수 및 분산 분석
* AR(2) 자기상관 함수: 안정성 조건 하 $\rho_J$의 재귀 관계와 $\rho_1, \rho_2$ 도출 원리 및 특성 분석 * AR(2) 분산: 안정성 조건 하 오차항 분산과 계수 $\alpha_1, \alpha_2$로 결정되는 $\gamma_0$의 유한성 확인 * AR(P) 모형 일반화: 레그 오퍼레이터 표현, 고유값의 단위원 존재를 통한 안정성 조건 및 관련 함수들의 유한성 확립 |
||
|
[91강] AR모형-충격반응분석 (1)
|
0:
36:
24
|
|
|
AR 모형 충격 반응 분석
• AR 모형 충격 반응 분석: 특정 시점 외생 오차항 충격이 시계열 변수에 미치는 영향의 크기 및 지속시간을 측정. • Walde 표현 정리: 약안정적 확률 과정을 무상관 오차항의 선형 결합으로 전환하여 충격 반응 함수를 도출. • AR(1) 모형은 충격이 시계열 계수의 거듭제곱 형태로 감소하며, AR(P) 모형은 상태 공간 모형으로 효율적 분석. |
||
|
[92강] AR모형-충격반응분석 (2)
|
0:
51:
33
|
|
|
AR 모형의 충격반응분석과 상태공간모형
• 상태공간모형 개념: 복잡한 AR(p) 모형을 행렬 AR(1) 구조로 변환하여 충격반응 분석을 효율화하는 방법론. • 상태공간모형 충격반응 분석: 레그 연산자 및 무한등비급수 전개를 통해 충격반응함수 계수를 체계적으로 도출하는 절차. • AR(2) 모형 충격반응함수: 전환 행렬 F의 $(1,1)$ 원소를 통해 각 시점 오차항이 현재 변수에 미치는 영향을 계수화하여 분석. |
||
|
[93강] AR모형-충격반응분석 (3)
|
0:
39:
28
|
|
|
AR 모형 충격반응분석: 상태공간모형과 행렬 대각화 활용
* AR(P) 모형 충격반응분석: 고차 AR 모형의 복잡성을 해결하기 위해 상태공간모형으로 변환하여 AR(1) 구조로 단순화. * 행렬 대각화 이론: 상태공간모형의 핵심 계수 행렬 $F$의 거듭제곱 $F^j$ 계산을 고유치와 고유벡터 기반으로 효율화. * 충격반응함수 도출 및 해석: $F^j$를 활용한 충격반응함수 $f_{j,1,1}$을 고유치 $\lambda_i^j$와 가중치로 분해하여 충격의 동태적 효과 분석. |
||
|
[94강] 시계열의 안정성 검정 - 자기상관계수 검정
|
0:
46:
37
|
|
|
시계열 안정성 검정: 자기상관 및 편자기상관 함수
• 시계열 안정성 검정: 자기상관함수(ACF)와 편자기상관함수(PACF)를 활용, 시계열 데이터의 구조 및 안정성 분석. • 자기상관함수(ACF): 시점 간 직접·간접적 상관 측정 및 AR/MA 모형 특성 분석, 안정 시계열에서 점진적 0 수렴. • 편자기상관함수(PACF): 중간 영향 제거 후 직접적 상관 측정 및 AR 모형 차수 결정, 안정 시계열에서 특정 차수 후 0 수렴. |
||
|
[95강] 시차분포모형. 자기회귀이동평균(ARMA) 모형
|
1:
02:
31
|
|
|
시차분포 모형 및 ARMA 모형의 분석과 추정
• 시차분포 모형: 설명변수 과거 영향 분석 모형으로, 유한시차 모형은 다중공선성 해결에 다항시차분포 활용. • 무한시차 모형: 기아시차분포 가정 후 코익 변환을 통한 AR(1) 구조에서 내생성 문제에 도구 변수 적용. • ARMA 모형: AR 및 MA 구조 결합으로, AR 부분의 안정성 조건을 통해 모형 안정성 확보. |
||
| 18장. ARIMA 모형 | ||
|
[96강] ARIMA 모형 개요. ARIMA 모형
|
0:
45:
20
|
|
|
ARIMA 모형의 개념 및 안정화 기법
• ARIMA 모형 개념: 불안정 시계열의 추세를 차분으로 제거하고 ARMA 구조를 적용하여 안정적 시계열을 모델링. • 차분(Differencing) 기능: 시계열 안정화를 위해 과거 값 차감을 통해 추세를 제거하나, 원계열 정보 손실을 유발. • ARIMA(p,d,q) 구조: AR 차수(p), 차분 차수(d), MA 차수(q)로 구성되며 시계열의 자기회귀 및 이동평균 특성을 분석. |
||
|
[97강] Box-Jenkins 방법. ARIMA 모형의 추정 방법 (1)
|
1:
22:
37
|
|
|
Box-Jenkins 방법 및 ARIMA 모형 추정
• Box-Jenkins 방법: 시계열 데이터에 최적화된 ARIMA 모형 구축을 위한 4단계(자료 변환, 모형 식별, 추정, 진단 점검)의 체계적 방법론. • 진단 점검: ARIMA 모형의 오차항이 화이트 노이즈인지 Box-Pierce Q통계량으로 검증하여 모형의 적합성 확인. • AR/MA 모형 추정: 최소제곱법(OLS)과 최우추정법(MLE)을 통해 시계열 모형의 계수를 추정하고 모수의 통계적 특성 분석. |
||
|
[98강] ARIMA 모형의 추정 방법 (2). 차수의 선택-정보기준
|
0:
35:
15
|
|
|
ARMA/ARIMA 모형 추정 및 차수 선택 방법
• ARMA/ARIMA 모형 추정: **최후추정법(MLE)**으로 모수를 계산하며, 고차 모형의 복잡한 우도함수는 **수치 최적화 기법**으로 처리합니다. • 모형 차수 선택: **정보 기준(AIC, BSC)**을 통해 잔차 크기와 설명변수 개수를 동시에 고려하여 최적 차수를 결정합니다. • 최종 모형 검증: 선택된 모형 잔차의 **백색 잡음(white noise)** 여부를 확인하여 예측 모형의 타당성을 확보합니다. |
||
| 19장. 단위근 검정 | ||
|
[99강] 단위근 검정 (1)
|
0:
47:
45
|
|
|
단위근 검정과 불안정 확률과정
* 불안정 확률과정: 추세·계절 변동을 포함하는 시계열의 정의, 랜덤워크 프로세스의 특성 및 가성 회귀 문제와 차분을 통한 해결. * 단위근: AR(p) 모형의 특성근 크기가 1인 상태로, 시계열의 불안정성을 야기하는 핵심 개념. * 단위근 검정: 시계열 안정성 여부를 판단하는 절차로, 특성근 분석을 통해 귀무가설($\rho=1$)을 검정하고 비표준 t-분포를 활용. |
||
|
[100강] 단위근 검정 (2)
|
1:
00:
29
|
|
|
단위근 검정 방법론 및 특성
• 단위근 검정: 시계열 데이터의 랜덤워크 과정 판별을 위해 Dickey-Fuller 분포를 활용, 단위근 존재 시 비정규 분포 문제를 해결 • DF, ADF, PP 검정: 단위근 존재를 귀무가설로, ADF는 차분항 추가로 자기상관 해결, PP는 통계량 조정으로 자기상관 및 이분산 문제 해결 • KPSS 검정: 시계열의 안정성을 귀무가설로 설정하여, 단위근 존재를 귀무가설로 하는 검정들과 핵심 가설에서 차이를 보임 |
||
| 20장. 변동성 모형 | ||
|
[101강] 변동성 모형 (1)
|
0:
36:
50
|
|
|
변동성 모형 개요 및 지수이동 가중평균 모형
• 변동성 모형 개요: 시계열의 변화 정도를 조건부 표준편차로 정의하며, 조건부 이분산 현상에 대응하여 경제/금융 시계열 리스크 측정 및 예측 정확도 향상. • 지수이동 가중평균(EWMA) 모형: 과거 시계열 제곱 값에 지수적으로 감소하는 가중치를 부여하여 분산을 추정하는 초기 리스크 관리 기법. • EWMA 한계: 조건부 이분산 문제를 반영하지 못해 ARCH/GARCH 등 고급 변동성 모형 개발의 필요성을 야기. |
||
|
[102강] 변동성 모형 (2)
|
0:
56:
41
|
|
|
ARCH GARCH 모형 및 변동성 분석
* ARCH 모형: 시계열의 조건부 이분산 현상을 과거 오차항 제곱으로 모델링하여 변동성을 예측하고 효과를 검증. * GARCH 모형: ARCH 모형을 일반화하여 분산의 과거항을 포함, 추정 효율성을 높여 변동성을 효과적으로 추정. * 변동성 및 위험 측정: ARCH/GARCH 모형을 활용하여 금융/경제 시계열의 위험(Risk)을 측정하고 예측 정확도를 향상. |
||
| 21장. VAR 모형 | ||
|
[103강] VAR 모형 (1)
|
0:
58:
19
|
|
|
VAR 모형의 개념 및 연립방정식과의 관계
* VAR 모형 개념: 단변량 시계열 모형의 한계를 보완, 여러 내생변수 간 상호작용을 벡터 자기회귀(AR) 구조로 모델링하는 다변량 시계열 분석 도구. * VAR-구조모형 관계: 내생성 문제를 해결하기 위해 시계열 연립방정식(구조모형)을 이론 기반 축약형 모델로 전환하여 효율적 분석 제공. * 오차항 정규화: 축약형 모형의 오차항 분산을 표준화하여 행렬 연산 및 충격반응 분석 등 후속 수학적 처리의 편의성을 확보. |
||
|
[104강] VAR 모형 (2)
|
0:
47:
31
|
|
|
충격반응분석의 VAR 모형 적용 및 오차항 독립성 확보
* VAR 충격반응 분석: 오차항 독립성 확보를 위해 구조모형의 Wold 표현식으로 전환 * Wold 표현식 구성 요소: VAR MA 변환으로 $\Delta_j$ 계수 도출, 오차항 공분산 행렬을 Cholesky 분해하여 $B^{-1}$ 행렬(하삼각 제약) 계산 * 최종 충격반응 함수 $\Theta_j$: $\Delta_j B^{-1}$로 독립적 구조 오차항의 순수 충격효과 분석 |
||
|
[105강] VAR 모형 (3)
|
0:
42:
19
|
|
|
VAR 모형 추정 및 인과관계 검정
• VAR 모형 구조 식별: 촐레스키 분해와 B 행렬의 하삼각행렬 가정을 통해 재귀적 VAR 모형의 축차 구조 및 변수 외생성 확립 • 그랜저 인과관계 검정: F-test 기반의 인과성 검증으로 VAR 모형 변수 배열 순서 및 상대적 외생성 결정 • 인과관계 검정 한계: 시차 길이 선택의 민감성 인지 및 다양한 시차 적용을 통한 결과 안정성 확보 |
||
|
[106강] VAR 모형 (4)
|
0:
39:
25
|
|
|
예측오차 분산분해 분석
• 예측오차 분산분해(FEVD): 다변량 VAR 모형에서 변수 간 예측오차의 원인과 기여도를 분석하는 통계 기법. • 계산 절차: 촐레스키 분해를 활용하여 예측오차 분산을 각 변수 충격의 기여도($\frac{\theta_{ij}^2}{\sum \theta_{ik}^2}$)로 정량화. • 활용 및 시사점: 경제 변수 간 동태적 관계를 파악하고 미래 변동의 주요 원인 분석으로 정책적 의사 결정 지원. |
||
|
[107강] VAR 모형 (5)
|
1:
04:
55
|
|
|
VAR 모형 분석: 예측오차 분산분해 및 구조 VAR
• 예측오차 분산분해 분석: VAR 모형 예측오차 분산에 대한 각 변수 충격의 기여도 측정 및 장단기 영향 분석. • 구조 VAR 모형 개념: 재귀적 VAR 모형의 한계(하삼각 행렬 제약)를 극복, 경제 이론 기반으로 구조 행렬 B에 직접 제약 부여. • 구조 VAR 모형 식별: 구조 행렬 추정을 위한 $N(N-1)/2$ 제약 조건과 과다식별 시 카이제곱 검증 통한 적정성 판단. |
||
| 22장. VECM 모형 | ||
|
[108강] VECM 모형 (1)
|
0:
29:
52
|
|
|
VECM 모형: 공적분과 오차수정 모형
• VAR 모형 한계: 불안정 시계열 차분 시 원 계열의 장기 균형 관계 정보 소실 문제를 야기. • 공적분: 불안정 시계열 간 공통 확률 추세를 통한 안정적 장기 균형 관계를 규명하는 개념. • 오차수정 모형 (ECM): 공적분 관계를 VAR 모형에 반영하여 단기 동학과 장기 균형을 오차수정항으로 동시 분석. |
||
|
[109강] VECM 모형 (2)
|
1:
09:
47
|
|
|
벡터오차수정모형과 공적분 검정
• 벡터오차수정모형 (VECM): 불안정 시계열의 장기 균형 관계 및 단기 동역학 분석을 위한 시계열 모형으로, 오차수정항을 포함하여 구성. • 공적분 검정: VECM 적용 전제 조건인 시계열 변수 간 공적분 관계 존재 여부를 검증하며, 공적분 벡터 개념을 활용. • ADF & 요한슨 공적분 검정: ADF는 2변수 간 잔차항 단위근 검정 방식, 요한슨은 다중변수 간 계수 행렬 랭크와 고유값으로 공적분 벡터 개수 파악. |
||
|
[110강] 보강 (3)
|
0:
30:
46
|
|
|
시계열분석 보강: AR 모형 안정성 조건과 고유값
• 행렬 고유값 개념: $Ax=\lambda x$를 만족하는 특성근으로, $\det(A-\lambda I)=0$을 통해 도출되어 AR 모형 안정성 판단의 핵심 지표로 활용. • AR 모형 안정성 조건: 렉 오퍼레이터 해가 복소 단위원 밖에 존재하거나, 고유값 해가 복소 단위원 안에($|\lambda|<1$) 존재해야 하며 두 조건은 동치. • 복소 단위원 역할: 복소평면에서 반지름 1인 원으로 AR 모형 안정성 판단의 기준 경계이며, 실무에서는 고유값($|\lambda|<1$)을 통한 안정성 분석이 효율적. |
||
| 23장. 패널모형 소개 | ||
|
[111강] 패널모형 소개
|
0:
56:
59
|
|
|
패널 분석 개요 및 초기 모형
* 패널 분석 개요: 횡단면 및 시계열 자료를 결합 분석하는 계량경제학 방법으로, 오차항 특성에 따라 합동 최소제곱, GLS, Between Effects 모형을 활용. * 합동 최소제곱 모형: 오차항의 독립동일분포 가정이 충족될 때 사용하며, 패널 GLS 모형은 이분산 및 자기상관 문제 발생 시 추정 효율성을 개선. * Between Effects 모형: 개체별 시계열을 평균하여 횡단면 특성만 분석하나, 시계열 정보 소실 및 추정 효율성 저하의 한계를 가짐. |
||
| 24장. 고정효과 vs 변동효과 | ||
|
[112강] 고정효과 vs 확률효과 (1)
|
0:
45:
03
|
|
|
패널 분석 II: 고정효과, 확률효과, 다이내믹 패널 모형
• 패널 분석: 횡단면 오차항($U_i$) 가정에 따른 고정효과, 확률효과 모형 구분 및 분석 • 고정효과 모형(FE): $U_i$ 고정 모수 가정, Within 변환으로 개체별 특성 제거 후 추정 • 확률효과 모형(RE): $U_i$ 확률변수 가정, 가중 Within 변환으로 자기상관 해결 및 모형 선택 기준 이해 |
||
|
[113강] 고정효과 vs 확률효과 (2)
|
0:
36:
40
|
|
|
패널 모형 선택 및 동태 패널 모형 추정
* **하우스만 검정**: 패널 모형에서 개별 오차 성분과 설명 변수 간 상관성을 검증하여 고정효과 모형과 확률효과 모형 중 적합한 것을 선택. * **패널 모형 선택 절차**: 개별 및 시계열 특성 유무와 자기회기 구조를 고려하여 합동 OLS, 일원/이원 오차 성분 모형을 결정하고, 하우스만 검정으로 세부 모형을 확정. * **동태 패널 모형 추정**: 종속 변수의 자기회기 구조로 인한 내생성 문제를 해결하기 위해 1차 차분 후 도구 변수 추정 또는 정률법(GMM)을 활용. |
||
| 강의 정오표 | ||
|
[114강] 정오표
|
0:
10:
00
|
|
|
교재만 있어요
|
||
김재현 교수님
계량경제학 통합과정
;)
|
|
| 오늘 팝업 보이지 않기 | 닫기 |
