강의목록

강의소개

홈 > 강의소개

계량경제학 문제풀이 통합과정

김재현 교수

경북대학교 대학원 경제학과 석사과정
경북대학교 대학원 경제학과 박사졸업

학력

경북대학교 대학원 경제학과 석사과정
경북대학교 대학원 경제학과 박사졸업

강의경력

경북대학교
계명대학교
현) 유니와이즈 전임교수

교수님 강의 보러가기

강좌 소개: ✅ **계량경제학 입문·실전 통합**:
- 대학 교과과정 중심 커리큘럼으로 회귀분석부터 패널·시계열·인과추론까지 한 번에 다루는 실전 지향 강좌입니다.
✅ **핵심 이론 + 모형 진단**:
- OLS, Logit/Probit, FE/RE, ARIMA와 함께 이분산·자기상관·다중공선성 진단, 강건 표준오차, 모형선택까지 균형 있게 학습합니다.
✅ **R·Stata·Python 실습 강화**:
- 언어 선택형 실습, 코드 템플릿, 샘플 데이터, 재현 가능한 리포트 작성으로 현업·연구에 바로 적용 가능합니다.
교육 대상: 🎓 **상경·사회과학 전공 대학생/대학원생**: 경제학·경영학·정책 관련 정량분석 과목을 준비하거나 심화하고 싶은 학습자.
📚 **응용통계·데이터사이언스 트랙**: R/파이썬 기반으로 실증 분석 파이프라인을 체계화하고 싶은 학생.
🏃 **비전공 실무 전환자**: 리서치·컨설팅·금융·공공기관 등에서 데이터 기반 의사결정 역량이 필요한 직장인.
🔬 **연구·논문 준비자**: 학부 논문/캡스톤·RA 업무·정량 세미나를 위해 회귀·패널·인과추론을 정리하려는 학습자.
교재정보 및 참고문헌: 📘 **주교재 (PDF 제공)**:
- 유니와이즈 교수진이 대학 교과과정과 실습을 통합 설계한 계량경제학 핵심 교재.
- R·Stata·Python 코드와 예제 데이터, 과제/해설 포함으로 예습·복습 및 프로젝트에 최적화.
📖 **참고 문헌 (선택)**:
- Damodar N. Gujarati, Dawn C. Porter, 계량경제학 최신 개정판(류지수·유병철·정기호 역, McGraw-Hill).
- 이종원, 계량경제학(박영사).

유니와이즈 AI학습의 특징

AI가 이끄는 스마트한 학습 경험, AI 튜터와 함께 더 빠르고, 더 깊게 학습하세요.

📝

AI 자동 요약

긴 강의 내용을 AI가 핵심만 요약하여 복습 시간을 단축시킵니다.

🔑

핵심 키워드 추출

강의에서 가장 중요한 키워드와 개념을 자동으로 추출해 제공합니다.

💡

AI 자동 퀴즈

학습한 내용을 바탕으로 AI가 생성한 퀴즈를 풀며 이해도를 점검합니다.

🤖

1:1 AI 튜터

모르는 부분을 24시간 언제든 AI 튜터에게 질문하고 답변을 받습니다.

AI 튜터 기능 체험하기

커리큘럼

총 24개 챕터, 142강으로 구성되어 있습니다.

커리큘럼
제목	강의시간	상세내용
다중회귀모형 확장
[1강] 단순회귀모형 (1)	0: 45: 47
단순회귀분석 오차분산·기울기분산·정규분포 응용 연습 • 단순회귀 오차분산·SSE·자유도 관계: 오차분산 추정량과 SSE의 비례식(σ̂² = SSE/(n−2)) 및 자유도 개념을 통해 잔차제곱합과 분산을 상호 역산하는 구조 정리 • 회귀계수 분산·표준오차·제곱합 구조: 기울기·절편 추정량의 분산과 표준오차 공식, x 편차제곱합·제곱합 항등식, 회귀직선·잔차 계산을 통한 모수 추정 구조 정리 • 조건부 정규분포와 구간확률: 회귀모형에서 y\|x의 조건부 평균·분산을 이용한 정규분포 설정, 표준화에 따른 구간확률 계산, 분산 변화가 확률분포 모양·구간확률에 미치는 영향 정리
[2강] 단순회귀모형 (2)	0: 44: 19
단순회귀 연습문제 3: 모수추정·가설검정·SSE 비교 • 단순 회귀모형과 OLS 추정: 모형 구조(y=β1+β2x+ε), OLS 추정식(기울기·절편 합계형 공식), 표본 회귀식 도출 절차 정리 • 분산·표준오차와 유의성 검정: 오차분산·계수분산·표준오차 계산, t-통계량·p-value 기반 계수 유의성 검정 절차와 해석 • 제약 모형과 SSE 비교: 절편=0·기울기=0 제약 모형의 추정식, 세 모형의 SSE 비교를 통한 완전 모형 우위와 제약에 따른 예측오차 증가 분석
[3강] 단순회귀모형 (3)	0: 56: 39
단순회귀모형 기울기 추정량과 스케일 변환 효과 요약 • 임의 두 점 기울기 추정량: 단순회귀모형에서 두 관측점으로 정의된 기울기 추정량의 선형성·불편성·분산·정규성과 최소제곱추정량 대비 효율성 비교를 통한 Gauss–Markov 정리 적용 • 분산 및 BLUE 성질: 임의 두 점 기울기 추정량과 최소제곱추정량의 분산 공식을 비교하여 표본 크기에 따른 최소분산성 여부와 BLUE(최선형불편추정량) 성질 충족 여부 분석 • x·y 스케일 변환 효과: 설명변수와 종속변수에 상수배를 곱할 때 회귀계수(절편·기울기)와 오차항·오차분산 추정량의 변화 규칙 및 x만·y만·동시 변환 시 모형 불변성 구조 정리
[4강] 단순회귀모형 (4)	0: 40: 04
단순회귀에서 기울기 계수의 t검정과 99% 신뢰구간 • 단순회귀모형과 t분포 기반 검정 구조: 기울기 추정값(β̂₂), 표준오차, 자유도(n-2)를 사용하여 t검정통계량 t=(β̂₂−β₂,0)/se(β̂₂)를 계산하고, t분포 특성과 양측·단측검정 구분을 통해 회귀계수의 통계적 유의성 판단 • p-value와 유의수준(α) 비교 원리: 귀무가설(β₂=0, β₂=0.5)에 대해 t값과 p-value를 계산하고, p-value<α 여부로 기각/채택 결론 도출하며, 유의수준 변화(0.1%, 1%, 5%)에 따른 동일 데이터의 판단 변화 구조 이해 • 신뢰구간과 가설검정의 관계: β̂₂±t_c·se(β̂₂) 형태의 (1−α) 신뢰구간(예: 99% 신뢰구간 [0.08, 0.54])을 구성하고, 귀무가설 값의 포함 여부로 검정 결과와 연결하며, t분포·정규분포 차이와 신뢰수준·구간 길이의 상관구조 정리
[5강] 단순회귀모형 (5)	0: 44: 20
단순회귀를 이용한 생산함수 추정과 결정계수·F검정 정리 • 로그선형 생산함수 추정: 코브-더글라스 생산함수 Q = A L^α 를 ln Q = ln A + α ln L + ε 로 선형화하여 단순회귀로 A(총요소생산성)와 α(노동의 생산탄력성·수확체계 여부)를 추정 • 회귀모형 예측과 적합도 측정: 추정식으로 ln Q 를 예측 후 지수변환으로 Q̂ 산출, TSS·RSS·SSE 관계(TSS=RSS+SSE)와 결정계수 R² = RSS/TSS = 1−SSE/TSS, 오차분산 추정량 σ̂² = SSE/(n−2)로 설명력·잔차변동성 평가 • 모형 유의성 F검정: 귀무가설 H₀: β₂=0 하에서 F = (RSS/1) / (SSE/(n−2)) = [R²/(1−R²)]·(n−2) 통계량으로 회귀모형의 통계적 유의성·설명변수 X의 유의한 설명력 검정
[6강] 단순회귀모형 (6)	0: 37: 43
단순회귀에서 상관계수·기울기·결정계수 관계 정리 • 표본상관계수와 공분산·표준편차: 공분산을 표준편차 곱으로 나눈 $r_{XY}$ 정의와 부호·크기를 통한 선형관계 방향·강도 측정 구조 정리 • 단순회귀 기울기계수와 상관계수·표준편차비: $\hat\beta_2=\dfrac{\operatorname{Cov}(X,Y)}{\operatorname{Var}(X)}=r_{XY}\dfrac{\sigma_Y}{\sigma_X}$로 표현되는 기울기-상관계수-표준편차비 관계 정리 및 $\hat Y=\hat\beta_1+\hat\beta_2X$ 구조 제시 • 결정계수와 상관계수 제곱 관계: $R^2=\dfrac{\text{RSS}}{\text{TSS}}$ 정의와 단순회귀에서 $r_{XY}=r_{Y\hat Y}$, $R^2=r_{XY}^2$로 연결되는 상관계수·기울기계수·결정계수 간 통합 구조 정리
[7강] 단순회귀모형 (7)	0: 33: 00
Keynes 소비함수 추정과 가설검정, 모형 설명력 해석 • Keynes 소비함수 추정식: C = A + BY_D 형태에서 독립소비(음의 절편)와 한계소비성향 추정치·표준오차·표본 크기를 바탕으로 계수의 경제학적 의미와 음의 절편 해석(저축 인출·차입, 의미 있는 정의역 구분) 제시 • 단측 t검정과 F검정: 한계소비성향이 0.6·0.7보다 큰지에 대한 우측 단측 t검정(가설 설정, 검정통계량 계산, 임계값 비교)과 단순회귀에서 t검정·F검정의 동질성, F = t² 관계를 통한 모형 유의성 판단 • 결정계수 R²와 모형 설명력: F = [R²/(1−R²)](n−2) 관계를 이용한 R² 역산, 가처분소득이 소비 분산을 설명하는 비율 해석, 소득 단일 설명변수의 한계와 이자율·소비심리·경기·자산가격 등 추가 변수 도입을 통한 설명력 제고 방안 정리
[8강] 단순회귀모형 (8)	0: 49: 15
추정량 신뢰구간·t검정·F검정, 그리고 회귀모형과 CAPM 해석 요약 • 단순회귀 추정량 추론: 기울기계수의 신뢰구간 구성(β̂ ± t·SE), t-검정 절차와 p-value 해석, 신뢰구간과 양측 t-검정 결과의 정보 동치 관계 정리 • 모형 유의성 검정 구조: 단순회귀에서 R² 기반 F-통계량 계산, F-검정과 계수 t-검정의 공통 귀무가설(β=0) 및 F = t² 관계를 통한 모형·계수 유의성 연결 • CAPM 회귀와 베타 검정: 수익률-시장수익률 회귀에서 베타의 공분산/분산 정의와 체계적 위험 의미, β>1 여부에 대한 우측 단측 t-검정 설정·계산·해석 및 공격적/방어적 주식 판별 기준 정리
[9강] 단순회귀모형 (9)	0: 56: 08
단순회귀 추정량·표준오차·결정계수·신뢰구간·가설검정 정리 • 단순회귀모형과 추정량: Y=β₁+β₂X+u 구조에서 합표 자료를 이용한 회귀계수 추정(β̂₁, β̂₂), SSE·σ̂²·Sxx 계산과 표준오차 산출 절차 정리 • 적합도·추론 통계량: TSS·SSE·RSS 기반 결정계수 R², t-통계량과 p-값, 95% 신뢰구간 구성 공식 및 자유도(n−2) 활용한 가설검정 체계 정리 • 응용 해석과 경제적 의미: 화폐공급–국민소득, 기온–청량음료 판매 사례로 기울기·절편의 경제적 해석, 음의 절편 의미, 예측식 활용과 모형 적용범위 논의
[10강] 단순회귀모형 (10)	0: 33: 42
승용차 가격의 단순회귀, 최소제곱추정과 기울기 신뢰구간, 장기예측 한계 • 단순선형회귀 모형: 승용차 가격을 사용 연수의 선형함수로 가정하고 최소제곱법으로 회귀계수(절편·기울기)를 추정하는 절차와 자료 요약통계 계산 • 기울기 신뢰구간: t-분포와 잔차제곱합 기반 분산추정으로 기울기 표준오차를 구하고, 자유도 n-2에서 95% 신뢰구간 CI(β₂)=β̂₂±t·SE(β̂₂) 구성 • 장기예측과 외삽 한계: 표본 구간 밖(예: 20년 후) 예측 시 분산 증가와 음수 가격 등 비현실적 결과가 발생함을 통해 단순회귀 외삽의 적용 범위와 해석 한계 제시
[11강] 단순회귀모형 (11)	0: 52: 38
회귀분석 비선형 모형과 변수변환: 자연지수·지수·다항식 비교 • 비선형 함수 분류와 변수변환 원리: 체증·체감 함수의 미분 기반 분류와 로그·제곱근(멱변환)을 통한 비선형 모형의 선형 회귀모형 변환 구조 정리 • 비선형 회귀모형 구조: 선형모형, 자연지수 모형 y=α2^{βx}, 멱함수형 y=αx^{β}, 다항식형 y=(α+βx)^2의 모형식·변수변환 형태·최소제곱 추정식 정리 • 모형 적합도 비교 기준: 결정계수 R²·F검정·계수 유의성에 기반한 네 모형의 상대적 설명력 비교와 최적 모형(자연지수형) 선택 시 해석 및 유의성 판단 기준 정리
[12강] 단순회귀모형 (12)	1: 01: 17
단순회귀 추정량 공분산과 분산의 관계 증명 • 단순회귀모형과 OLS 추정량: 모형 Yi=β1+β2Xi+εi와 고전적 가정하에서 β̂1, β̂2의 불편성·정규성·이변량 정규분포 및 Var(β̂1), Var(β̂2) 공식을 행렬·스칼라 형식으로 정리 • 선형추정량 표현과 오차 구조: 기울기 추정량 b2=∑wiYi, wi=(Xi−X̄)/∑(Xj−X̄)², b2=β2+∑wiεi, b1=Ȳ−b2X̄ 표현을 통해 추정량을 오차항 선형결합으로 나타내고 wi의 성질(∑wi=0, ∑wiXi=1)을 이용한 기댓값·분산·공분산 계산 구조 제시 • 공분산 관계 증명: Cov(β̂1,β̂2)=E[(b1−β1)(b2−β2)] 전개, E(Ȳ), E(Ȳb2), E(YiȲ) 계산과 εi 독립성·등분산성 활용을 통해 Cov(β̂1,β̂2)=−X̄Var(β̂2)=−X̄σ²/∑(Xi−X̄)²인 음의 공분산 일반식 도출 및 공분산 행렬 구조 정리
[13강] 단순회귀모형 (13)	0: 59: 48
회귀모형 유의성 검정과 분산분석(ANOVA)의 관계 핵심 정리 • 분산분석(ANOVA) 기본 구조: 종속변수 총변동(SST)을 처리(요인·트리트먼트) 효과에 의한 변동과 오차에 의한 변동(SSE)으로 분해하고, 처리 제곱합·오차 제곱합 기반으로 MS 처리, MS 오차, F-통계량으로 요인 평균 차이 유의성 검정 • 회귀모형 유의성 검정: 총변동을 회귀에 의한 제곱합(SSR)과 잔차 제곱합(SSE)으로 분해해 SST=SSR+SSE 관계를 두고, 결정계수 R², MSR, MSE, F=MSR/MSE로 X가 Y를 설명하는 정도와 모형 전체 유의성 평가 (트리트먼트 효과 ↔ 회귀효과, 오차 ↔ 잔차 대응) • t-검정·ANOVA·회귀 관계: 두 집단 평균 비교는 t-검정, 세 집단 이상은 One-way ANOVA 사용하며, 이때의 F-검정 구조가 단순·다중 회귀모형 F-검정과 동일 분산비 원리로 작동해, One-way/Two-way ANOVA는 단·다중 회귀모형의 특수 경우로 해석 가능
[14강] 단순회귀모형 (14)	1: 03: 31
선형회귀 예측치와 신뢰구간: 광고비와 매출 사례 • 단순선형회귀 추정과 해석: 최소제곱법으로 회귀식 $\hat Y=\hat\beta_1+\hat\beta_2X$ 추정, 합계·제곱합·곱합으로 계수 계산, 기울기를 광고비 변화에 따른 매출 증가 효과로 해석 • 회귀계수 유의성 검정: 잔차제곱합으로 오차분산 $\hat\sigma^2$ 추정, 기울기 표준오차와 T통계량 계산, p-value 기반으로 광고비 효과의 통계적 유의성 판단 • 예측값·예측분산·예측구간: 특정 $X_f$에서 예측치와 분산 $Var(Y_f-\hat Y_f)=\sigma^2\left[\dfrac{(X_f-\bar X)^2}{\sum (X_i-\bar X)^2}+\dfrac{1}{n}+1\right]$ 활용해 t분포로 예측구간 산출, $X_f$가 표본평균·범위에서 멀어질수록 예측오차와 구간폭이 증가하는 외삽 한계 이해
[15강] 단순회귀모형 (15)	0: 38: 25
단순회귀에서 상관계수, 기울기, 결정계수, F검정 관계 • 상관계수·공분산 개념: 공분산 표준화를 통한 상관계수 정의, 선형관계 방향·강도 해석, 단순회귀에서 상관계수 제곱과 결정계수의 동치 관계(R² = r²) • 회귀계수와 상관계수 관계: 최소제곱 추정량 공분산·분산 표현(β̂ = s_xy / s_x²)과 상관계수 정의(r = s_xy / (s_x s_y))를 이용한 β̂ = r (s_y / s_x), r = β̂ (s_x / s_y) 구조 정리 • F검정과 모형 유의성: R², TSS·RSS·SSE 관계를 이용한 F통계량 F = [R²/(k-1)] / [(1-R²)/(n-k)], 단순회귀에서 F = (R² / (1-R²))(n-2) 및 임계값과의 비교를 통한 회귀모형 유의성 판정 절차 정리
[16강] 단순회귀모형 (16)	0: 30: 50
상관계수 검정통계량과 단순회귀 기울기 t검정의 동치성 요약 • 상관계수 t검정: 피셔 z변환을 이용해 표본상관계수 r의 분산 Var(r)=$\frac{1-r^{2}}{n-2}$를 도출하고, 귀무가설 ρ=0에 대한 t통계량 $t=\frac{r\sqrt{n-2}}{\sqrt{1-r^{2}}}$ 구성 • 단순회귀 기울기 t검정: 단순회귀모형 $Y_i=\alpha+\beta X_i+\varepsilon_i$에서 $\hat{\beta}=\frac{\sum x_i y_i}{\sum x_i^{2}}$, $s^{2}=\frac{\text{SSE}}{n-2}$, $\operatorname{se}(\hat{\beta})=\frac{s}{\sqrt{\sum x_i^{2}}}$를 이용해 $t=\frac{\hat{\beta}}{\operatorname{se}(\hat{\beta})}$ 구성 • 동치성과 베타=0 가설 의미: 관계식 $\hat{\beta}=r\frac{s_y}{s_x}$, $R^{2}=r^{2}$, $\beta=\frac{\operatorname{Cov}(X,Y)}{\operatorname{Var}(X)}$를 사용해 회귀 기울기 t통계량이 상관계수 t통계량과 동일함을 보이고, 단순회귀에서 $\beta=0$ 가설이 모상관계수 $\rho=0$ 가설과 통계적으로 동치임을 정리
[17강] 단순회귀모형 (17)	1: 00: 01
최후추정법(MLE)과 최소제곱법(OLS)의 비교 및 분산추정 특성 • 단순회귀모형 추정방법: 최소제곱법(OLS)·최우추정법(MLE)·정률법의 정의와 고전적 정규 회귀모형 가정하에서 계수추정량(α̂, β̂)의 동치성, 우도함수·로그우도함수와 정규방정식 구조 • 우도함수와 MLE 추정: 정규오차·독립성 가정하에서 우도·로그우도함수 도출, 로그우도 극대화로 OLS와 동일한 계수 추정식 도출, 동시에 σ²에 대한 MLE(σ̂²_MLE = SSE/n) 산출 • 분산추정과 t통계량 비교: OLS 분산추정량 s² = SSE/(n-2)와 MLE 분산추정량 SSE/n의 차이, MLE 분산의 편의와 소표본에서의 t값 과대평가 가능성, 분산추정의 편의·효율성·일치성을 고려한 해석상의 유의점
[18강] 단순회귀모형 (18)	1: 00: 16
회귀계수의 스케일 변화와 x,y 회귀방향 교체 관계 정리 • 척도 변환된 단순회귀 모형: $x^\=w_2x$, $y^\=w_1y$에서 기울기·절편·잔차·오차분산·계수분산이 각각 $\hat{\beta}^\=\tfrac{w_1}{w_2}\hat{\beta}$, $\hat{\alpha}^\=w_1\hat{\alpha}$, $e_i^\=w_1e_i$, $s^{2\}=w_1^2s^2$, $\widehat{\mathrm{Var}}(\hat{\beta}^\)=(\tfrac{w_1}{w_2})^2\widehat{\mathrm{Var}}(\hat{\beta})$, $\widehat{\mathrm{Var}}(\hat{\alpha}^\)=w_1^2\widehat{\mathrm{Var}}(\hat{\alpha})$로 변하고, 결정계수 $R^2$와 상관계수 $r$는 불변인 구조 제시 • 상·하향 회귀계수 관계($Y\|X$ vs $X\|Y$): 평균 제거 변수에서 $\hat{\beta}_{Y\|X}=\dfrac{\sum x_iy_i}{\sum x_i^2}$, $\hat{\beta}_{X\|Y}=\dfrac{\sum x_iy_i}{\sum y_i^2}$로 정의되며, 비율 $\dfrac{\hat{\beta}_{Y\|X}}{\hat{\beta}_{X\|Y}}=\dfrac{s_Y^2}{s_X^2}$, 표현식 $\hat{\beta}_{Y\|X}=r\dfrac{s_Y}{s_X}$, $\hat{\beta}_{X\|Y}=r\dfrac{s_X}{s_Y}$로 표본분산·상관계수에 의해 상호 변환되는 구조 정리 • 회귀계수와 결정계수 연계 구조: 양 방향 회귀기울기 곱 $\hat{\beta}_{Y\|X}\hat{\beta}_{X\|Y}=r^2=R^2$ 관계와 $R^2<1$인 확률적 선형관계에서 두 기울기와 역수의 괴리가 비설명 분산(오차항)에서 발생함을 제시하여, 완전 선형관계($R^2=1$)와 일반적 경우의 구조적 차이 정리
[19강] 단순회귀모형 (19)	1: 14: 04
MSE와 분산추정량 비교, 불편성과 효율성 정리 • MSE와 분해 관계: MSE 정의(MSE(θ̂)=E[(θ̂−θ)²])와 분해식 MSE=Var(θ̂)+Bias(θ̂)², 불편추정량에서 MSE=Var(θ̂) 성립 구조 정리 • 분산추정량 비교와 효율성: 모분산 추정에서 S²(1/(n−1))와 σ̂²(1/n)의 정의·불편성·편의·MSE 비교, 자유도(n−1)와 카이제곱분포 기반 Var(S²), Var(σ̂²) 및 효율성(efficiency) 개념 정리 • OLS vs MLE 분산추정: 회귀모형에서 오차분산 추정 시 OLS(n−k로 나눔)의 불편추정량 성질과 MLE(n으로 나눔)의 편의·작은 MSE 특성 대비, 표본크기와 목적에 따른 불편성 vs 효율성 선택 기준 정리
다중회귀모형
[20강] 다중회귀모형 (1)	1: 07: 13
다중회귀분석 연습문제: 회귀계수 추정·검정·예측·결정계수 • 다중회귀모형과 계수추정: 두 설명변수 다중선형회귀식 설정, OLS 정규방정식과 크레머 법칙으로 회귀계수(b0,b1,b2) 추정 • 분산·검정·적합도: SSE·오차분산 추정, 회귀계수 분산·표준오차·t검정 계산, R²·F통계량을 이용한 모형 전체 유의성 및 설명력 평가 • 예측과 해석: 추정식 $\hat y = 10 + 2.1x_1 + 13.6x_2$ 도출, 주어진 배당 수준에서 주가 예측, 변수 단위(%, 수준)에 따른 회귀계수 해석 정리
[21강] 다중회귀모형 (2)	0: 35: 22
단순회귀와 다중회귀에서 기울기 부호 역전 사례와 조건 정리 • 단순회귀·다중회귀 기울기 구조: 단순회귀는 공분산 비(∑x₁y / ∑x₁²) 형태, 다중회귀는 (X'X)⁻¹X'y 구조로 설명변수 간 공분산과 설명변수-종속변수 공분산이 결합되어 분자 N, 분모 Δ 형태의 계수 산출 • 기울기 부호 역전 메커니즘: 분모 Δ는 대체로 양수, 분자 N이 x₁–x₂ 상관(∑x₁x₂)과 x₂–y 상관(∑x₂y)의 크기에 따라 부호가 바뀌며, x₂가 y와 매우 강하고 x₁과도 높은 상관을 가질 때 단순회귀 양수 기울기가 다중회귀에서 음수로 역전 가능 • 회귀계수 해석 및 변수선택: 다중회귀 계수는 “부분효과”로서 공분산 조정 결과이므로 단순회귀 계수와 크기·부호가 크게 달라질 수 있고, 기계적 변수 투입이나 유의성 위주 선택은 계수 해석을 왜곡하므로 이론적 근거와 상관구조 분석에 기반한 설명변수 선정이 필수
[22강] 다중회귀모형 (3)	0: 43: 31
인플레이션, 임금상승률, 정부예산적자, 통화공급을 이용한 회귀분석 • 인플레이션 결정요인과 거시경제 구조: 총수요·총공급 모형, 임금상승률(공급 변수)·정부예산적자·통화공급(수요·통화 정책 변수)의 물가상승 메커니즘 정식화 • 다중회귀모형과 계수·가설검정: 인플레이션율을 종속변수로 한 다중회귀식 설정, 회귀계수의 경제적 해석, 표준오차·t검정·F검정·R²를 이용한 변수 유의성 및 “임금 1%↑ → 물가 1%↑” 가설검정 절차 정리 • 정책변수 모형 비교와 설명력 평가: 임금상승률+정부예산적자 모형과 임금상승률+통화공급 증가율 모형의 R²·F통계량·t값 비교를 통해, 재정정책 변수보다 통화정책 변수가 인플레이션을 더 잘 설명하는 모형 선택 기준 제시
[23강] 다중회귀모형 (4)	0: 42: 31
다중회귀분석 개별 회귀계수의 분산·유의성 검정 연습 • 다중회귀모형과 오차분산 추정: 두 설명변수 회귀식 설정, R²·TSS로부터 SSE·오차분산 s² 복원 및 자유도 기반 분산추정 구조 이해 • 회귀계수 분산·표준오차 산출: 공비합과 계수추정식으로 ∑x₁ᵢ²·∑x₂ᵢ² 역추론 후, 분산추정 공식으로 각 계수의 분산·표준오차·t 통계량 계산 • 회귀계수 유의성 검정 절차: 자유도 100 t-분포 임계값과 t 통계량 비교해 절편·각 기울기의 귀무가설 검정 및 1% 유의수준에서의 통계적 유의성 판정
[24강] 다중회귀모형 (5)	0: 51: 02
단순회귀모형에 설명변수 추가 시 유의성 검정 요약 • 추가 설명변수 모형 설정: 단순회귀에서 다중회귀로 확장하고, 추가 계수(예: β₂)의 0 여부와 모형 설명력(RSS·SSE·TSS) 변화를 통해 변수 추가의 타당성 평가 • 개별계수 t검정·부분 F검정: H₀: β₂=0을 대상으로 표준오차 기반 t통계량과 RSS 차이 기반 부분 F통계량을 구성하며, 한 변수 추가 시 t²=F 관계 성립 및 두 검정이 정보적으로 동등함 • 일반화된 부분 F검정: 기존 모형과 확장 모형의 RSS·SSE와 자유도 구조를 이용해 F=((RSS_new−RSS_old)/q)/(SSE_new/(n−k_new))를 정의하고, 여러 추가 변수(개수 q)에 대한 공동가설 H₀: 해당 계수 모두 0 검정에 활용
[25강] 다중회귀모형 (6)	0: 56: 16
다중회귀에서 설명변수 3개일 때 OLS 계수 추정 구조와 크래머 법칙 • 다중회귀 OLS 행렬표현: $X'X\hat\beta = X'y$, $\hat\beta = (X'X)^{-1}X'y$ 구조에서 $X'X$는 설명변수(상수항 포함)의 분산·공분산, $X'y$는 각 설명변수와 종속변수의 공분산 정보를 집약 • 크래머 법칙과 역행렬 구조: 소행렬식(minor), 코팩터(cofactor), 부수행렬(adj(A))을 이용해 $A^{-1}=\dfrac{1}{\det(A)}\operatorname{adj}(A)$로 표현하고, 이를 통해 각 회귀계수 분모는 $\|X'X\|$ (설명변수 전체 분산·공분산 구조), 분자는 해당 변수와 $y$의 공분산을 다른 설명변수와의 공분산으로 조정한 형태로 해석 • 차원 증가와 계산 복잡도: 설명변수 수 증가로 $3\times3$, $4\times4$ 이상 행렬식·역행렬 연산량이 기하급수적으로 증가하므로 실제 계산은 컴퓨터에 의존하고, 학습에서는 계수들이 “분산·공분산 구조를 통제한 후의 순수 효과”를 수치적으로 표현한다는 구조적 의미 파악에 중점 둠
[26강] 다중회귀모형 (7)	0: 33: 15
수요함수 추정과 식별 문제, 소득·원자재 가격 변수의 역할 • 수요·공급함수 식별 문제: 가격·거래량만 사용하는 단순회귀의 식별 불가능성, 균형점 자료의 한계, 수요의 법칙이 요구하는 가격계수 음(-) 부호 조건 • 수요함수 식별 구조: 효용 극대화에서 도출된 수요함수 Q^D = f(P_j, P_{-j}, M) 구조, 소득을 설명변수로 포함한 다중회귀에서 β<0·γ>0일 때 수요함수로 해석, 소득 변화에 따른 수요곡선 이동 • 공급함수 식별 구조 및 변수선정 원리: 이윤 극대화에 기초한 공급함수 Q^S = g(P, P_raw, w, r) 구조, 원자재 가격 포함 회귀에서 β>0·γ<0일 때 공급함수로 해석, 경제이론 기반 계수 부호·변수선정의 필요성
[27강] 다중회귀모형 (8)	0: 58: 29
케인즈 소비함수와 저축함수, SSE·R² 비교, 교차항 포함 소비모형 정리 • 케인즈 소비·저축함수 관계: 소비함수·저축함수의 계수 변환(α₀=-β₀, α₁=1-β₁)과 한계소비성향·한계저축성향의 상보 관계 정리 • SSE·R² 비교 구조: 소비모형·저축모형의 SSE 동치성과 종속변수 차이에 따른 TSS·R² 불일치 및 결정계수 비교 한계 정리 • 교차항 포함 소비모형: 소득·재산·교차항을 포함한 소비함수에서 한계소비성향의 상호작용(β₁+β₃A) 구조와 교차항 계수(β₃)에 대한 독립성·한계효과 가설검정 원리 정리
[28강] 다중회귀모형 (9)	0: 39: 41
다중회귀에서 계수 공분산행렬과 상관강도에 따른 분산 변화 • 다중회귀모형과 계수 공분산행렬: 2변수 다중회귀에서 OLS 계수벡터의 공분산행렬 구조(대칭행렬, 분산·공분산 원소)와 계수 추정량을 y의 선형결합(가중치 w_i)으로 표현하여 분산·공분산을 도출하는 원리 정리 • 두 설명변수 모형의 분산·공분산과 r12: Δ를 이용한 Var(β̂1), Var(β̂2), Cov(β̂1,β̂2) 공식과 이를 표본상관계수 r12로 표현한 분산식 Var(β̂j)=σ²/[(1−r12²)∑xji²] 구조 및 단순회귀 대비 분산 변화 구조 제시 • 설명변수 분산·상관과 다중공선성: 오차분산 s², 설명변수 분산(∑xji²), 설명변수 간 상관(1−r12²) 항이 계수 분산에 미치는 영향과 상관강도·다중공선성이 커질수록 계수 분산이 증가하는 메커니즘 및 다변량 일반화를 위한 행렬표현 Var(β̂)=σ²(X′X)⁻¹ 개념 정리
[29강] 다중회귀모형 (10)	0: 45: 33
다중회귀에서 개별 회귀계수 검정과 예측, 신뢰구간 핵심 정리 • 개별 회귀계수 t검정·F검정: 다중회귀 모형에서 자유도 n-k 설정, 각 회귀계수에 대해 추정치/표준오차로 t통계량 산출, 임계값과 비교해 유의성 판정, t² = F 관계를 이용해 변수 중요도·모형 설명력 증가 검정 • 예측값 변화와 예측치 분산 구조: 회귀계수와 독립변수 변화량의 선형결합으로 예측값 변화 표현, 예측치 분산을 평균 분산(1+1/n 항), 계수 분산, 계수 간 공분산의 가중합으로 일반화하고 공분산 소거 원리로 단순·다중회귀 공통 구조 도출 • 예측치 표준오차와 신뢰구간: 단순·다중회귀에서 예측치 표준오차를 분산 추정량의 제곱근으로 정의하고, 추정계수 공분산행렬과 중심화된 설명변수로 se(ŷf)를 계산한 뒤 자유도 n-k의 t임계값을 곱해 예측값 신뢰구간 구성
[30강] 다중회귀모형 (11)	0: 38: 29
다중회귀에서 RSS의 선형 분해와 결정계수 기여도 • 제곱합 분해와 직교성: TSS·RSS·SSE 정의 및 TSS = RSS + SSE 분해, 예측치–잔차·잔차–설명변수 간 직교성과 정규방정식을 통한 ∑ŷᵢeᵢ = 0, ∑eᵢxⱼᵢ = 0 유도 • RSS의 선형 표현: 다중회귀(편차형)에서 ∑ŷᵢ² = ∑ŷᵢyᵢ를 이용해 RSS = ∑ⱼ β̂ⱼ ∑ᵢ xⱼᵢyᵢ 형태로 정리하고, 각 항을 설명변수별 회귀 설명 기여도로 해석 • 결정계수 기여도 해석과 확장: R² = RSS/TSS를 R² = {∑ⱼ β̂ⱼ ∑ᵢ xⱼᵢyᵢ}/∑ᵢ yᵢ²로 표현하고, β̂ⱼ·Cov(xⱼ, y)/Var(y)를 이용해 변수별 R² 기여 비율을 도출하며 이를 k개 설명변수 일반 다중회귀로 확장
[31강] 다중회귀모형 (12)	0: 44: 19
편상관계수·다중상관계수와 다중회귀모형의 관계 핵심 정리 • 편상관계수·회귀계수 관계: 다른 설명변수 통제 하 두 변수 간 순수 선형관계 측도 정의, 회귀계수와 분산·상관계수 기반 스케일 변환 공식 및 동일 t통계량 구조 정리 • 다중상관계수·결정계수 관계: 종속변수와 설명변수 집합 간 상관계수 정의, 상관계수 표현을 TSS·RSS로 변환하여 $R_{y\cdot X}^2 = R^2 = \text{RSS}/\text{TSS}$ 수리적 등가성 정리 • 다중회귀 모형 구조: 잔차분산·설명된 분산 분해, 단순상관–다중상관–편상관 간 구조적 대응과 부분 F검정·부분 t검정의 연결을 통해 변수별 기여도와 모형 설명력 해석 구조 정리
[32강] 다중회귀모형 (13)	0: 59: 37
다중회귀모형에서 결정계수와 조정결정계수, 단순·다중회귀 계수 관계 핵심 정리 • 결정계수와 편상관계수: 다중회귀 결정계수 R² 구조와 설명변수 추가 시 R² 증가식 R²_new = R²_old + [1-R²_old]·r²_{yz·X} 및 편상관계수 제곱과의 관계, 과대적합 발생 원리 정리 • 조정결정계수: 조정결정계수 Ȓ² = 1 - (SSE/(n-k))/(TSS/(n-1)) 정의와 Ȓ² = 1 - (1-R²)·(n-1)/(n-k) 전개, 자유도 보정·복잡도 패널티에 따른 변수 추가 시 Ȓ² 증가·감소 조건 및 모형 선택 기준 역할 • 단순·다중회귀 계수 관계: 단순회귀 계수와 다중회귀 계수 간 관계식 β = β₁ + ∑_{j=2}^k β_j b_{j,1} 및 β₁ = β - ∑_{j=2}^k β_j b_{j,1}, 다중회귀 계수의 공분산/편화 공분산 표현, 누락변수 바이어스 구조와 부분효과(조건부 효과) 해석 정리
다중회귀모형에서의 가설검정
[33강] 다중회귀모형에서의 가설검정 (1)	0: 43: 22
컵더글라스 생산함수와 규모의 수익 불변 검정, 제약모형 F검정 정리 • 컵더글라스 생산함수와 규모의 수익 개념: 생산함수 q=aL^{β1}K^{β2} 구조, 로그선형 회귀추정 방식, 규모의 수익 불변·체증·체감 조건(β1+β2=1, >1, <1) 및 생산탄력 계수 해석 정리 • 규모의 수익 불변 검정 절차: 자본생산성 모형으로 변환해 γ=β1+β2−1 계수의 t검정(H0:γ=0) 수행, 원래 로그선형 모형에서 β1+β2=1 선형제약을 반영한 제약최소제곱법과 SSR 차이를 이용한 F검정 구조 및 해석 정리 • 제약 F검정과 다중회귀 동시 가설검정: UR·R 모형 설정, 제약 수 m·자유도 기반 F통계량 F=[(SSR_R−SSR_UR)/m]/[SSR_UR/(n−k)] 및 R^2 활용식 F=[(R^2_UR−R^2_R)/m]/[(1−R^2_UR)/(n−k)] 유도, 다중회귀에서 특정 계수 묶음(예: β3=β4=0)의 동시 검정 절차와 설명변수의 기여도 판별 원리 정리
[34강] 다중회귀모형에서의 가설검정 (2)	0: 32: 37
구조변화 검증과 생산함수 계수 선형제약 검정 요약 • Chow 구조변화 검정: 저축–소득–금리 회귀모형에서 특정 시점 전후를 구간별 UR모형과 전체기간 R모형의 SSE 차이·자유도 기반 F통계량으로 비교해 구조변화 존재 여부를 검정 • 선형제약이 있는 생산함수 검정: Cobb–Douglas 생산함수에서 계수합=1(규모수익 일정) 등 계수 선형결합 제약을 한 계수를 나머지 계수로 치환해 R모형을 만들고, UR·R의 SSE와 제약 수를 이용한 F검정으로 가설 평가 • 일반적 선형결합 제약 처리 원리: 다수 계수·다중 선형제약에서도 “한 계수 정리 → UR모형에 대입해 R모형 도출 → 두 모형의 SSE와 자유도로 F통계량 산출” 절차를 따르며, 종속변수·TSS가 변해 R² 기반 F공식은 사용 불가하고 SSE 기반 F공식만 사용
[35강] 다중회귀모형에서의 가설검정 (3)	0: 31: 36
최우추정법 다중회귀에서 우도비검정과 F검정의 관계 • 정규분포 가정하 OLS·MLE 관계: 회귀계수 추정에서 OLS 최소제곱과 MLE 로그우도 극대화의 목적함수가 동일해 추정량 구조는 같고, 차이는 오차분산추정량(OLS: SSE/(n−k), MLE: SSE/n)에만 존재함 • 우도비검정(LR test) 구조: 제한모형(R)과 비제한모형(UR)의 로그우도함수 차이로 정의된 $LR=2[\ln L_{UR}-\ln L_R]$를 사용하며, 이는 본질적으로 $(SSE_R-SSE_{UR})/\hat\sigma_{MLE}^2$ 구조를 가지며 제약 개수 m 자유도의 카이제곱 분포를 따름 • F검정과 LR검정 비교 및 선택: F통계량은 $(SSE_R-SSE_{UR})/m$을 OLS 오차분산추정량으로 나눈 값으로 F분포를 따르고, LR통계량은 같은 SSE 차이를 MLE 분산추정량으로 나눈 값으로 카이제곱 분포를 따르며, 큰 표본에서는 T·F·LR 검정 결과가 거의 일치하나 소표본에서는 LR검정이 이론적으로 더 적합함
더미변수
[36강] 더미변수 (1)	1: 06: 15
소비함수에서 더미변수와 평균차이 검정의 관계 정리 • 평균 차이 t-검정과 더미변수 회귀 등가성: 더미변수만 포함한 회귀모형에서 기울기 계수의 t-검정은 두 집단 평균 차이에 대한 t-검정과 통계량·의사결정이 완전히 동일함 • 더미변수 회귀모형 구조와 계수 해석: 소비함수에 소득과 더미를 함께 포함할 때 더미 계수는 “다른 설명변수를 통제한 후의 조건부 평균 차이”를, 더미만 있을 때는 기준 집단 평균(절편)과 두 집단 평균 차이(기울기) 자체를 의미함 • 더미모형의 분산 구조와 한계: 집단 평균 및 평균 차이 추정량의 분산은 표본 크기·집단 비율·오차분산으로 결정되며, 더미만 사용하는 모형은 다른 요인을 통제하지 못해 단순 평균 차이만 반영하는 한계를 가짐
[37강] 더미변수 (2)	1: 00: 00
범주형 설명변수와 더미변수 회귀, 구조변화 검정 요약 • 이진 더미변수 코딩: 0/1·1/2·1/−1 코딩 비교를 통해 범주 간 조건부기대값 차이는 동일하며, 0/1 코딩에서 계수가 두 범주의 직접적인 평균 차이로 해석됨을 정리 • 구조변화 더미와 F검정: 시계열 회귀에서 기간 더미·교차항(절편·기울기 더미)을 포함한 UR 모형과 기본 R 모형의 SSE 비교로 Chow 검정과 동일한 자유도 구조의 F통계량을 구성하는 절차 정리 • 다범주 더미설계와 다중공선성: 범주가 N개일 때 N−1개의 0/1 더미만 사용해 기준범주 대비 평균 차이를 추정하고, 더미를 범주 수만큼 모두 포함하면 완전 공선성(X'X 비가역)으로 OLS 추정이 불가능해지는 구조를 설명
[38강] 더미변수 (3)	1: 07: 10
더미 변수 회귀와 분산분석, 더미모형의 해석과 추정 • 더미 회귀와 분산분석(ANOVA)의 등가성: 더미 변수만 포함된 회귀모형에서 계수에 대한 F 검정은 k개 그룹 평균 동질성 검정과 동일하며, 각 계수 조합이 그룹별 평균(기준 범주 + k-1개 더미)으로 해석됨 • 절편 더미·기울기 더미 모형 구조: 매출–고용–지역 모형에서 절편 더미는 동일 X에서의 수준 차이(순수 지역 효과)를, 기울기 더미(상호작용 항)는 X의 효과 차이를 나타내며, 각각 t/F 검정을 통해 유의한 수준·기울기 차이를 판정함 • 더미 변수 누락과 바이어스: 지역·성별·학력 등 범주형 요인을 모형에서 제외하면 실제는 절편 차이 구조임에도 단일 회귀선으로 강제 추정되어 기울기에 누락변수 바이어스가 발생하므로, 적절한 절편·기울기 더미 포함이 필수적임
다중공선성
[39강] 다중공선성 (1)	0: 46: 24
OLS 잔차 평균 0, Jarque-Bera 정규성 검정 연습 • OLS 잔차 평균과 자료 구조: 잔차 평균 0 성질은 추정량의 불편성 여부가 아니라 회귀직선이 표본평균점 $(\bar x,\bar y)$ 를 통과하는지, 자료를 편차형으로 두었는지에 의해 결정됨 • 상수항·원점제약 회귀식과 잔차 평균: 상수항이 있는 모형에서 회귀직선이 $(\bar x,\bar y)$ 를 통과하면 잔차 평균 0이지만, 상수항 제거로 원점을 강제로 통과시키면 불편추정량이라도 회귀직선이 $(\bar x,\bar y)$ 를 지나지 않는 한 잔차 평균이 0이 아닐 수 있음 • Jarque-Bera 정규성 검정: 잔차의 외도(skewness)와 첨도(kurtosis)를 이용해 $JB=\frac{n}{6}\left(S^2+\frac{(K-3)^2}{4}\right)$ 를 계산하고, 자유도 2 카이제곱분포 임계값과 비교하여 잔차의 정규분포 가정 유지·기각 여부를 판정함
[40강] 다중공선성 (2)	0: 33: 38
베타 추정량의 분산 팽창지수와 Farah-Glover 다중공선성 검정 • 다중공선성과 분산 팽창지수(VIF): 설명변수 간 선형관계로 인한 회귀계수 분산 증가 현상과 $VIF_j = 1/(1-R_j^2)$, 두 변수일 때 $VIF = 1/(1-r_{12}^2)$ 정의 및 VIF 값과 t통계량·유의성의 관계 정리 • 회귀계수 분산·t검정과 VIF 계산: 오차분산 추정량, $\operatorname{Var}(\hat{\beta}_j)=s^2/[(1-r_{12}^2)\sum x_j^2]$, 표준오차·t통계량 계산 절차와 상관계수 변화에 따른 분산·VIF·유의성 변화 구조 정리 • Farah-Glover 다중공선성 검정: 설명변수 상관행렬 $R_x$와 행렬식 $\|R_x\|$, $Q = -\frac{n-1}{6}[2(k-1)+5]\ln\|R_x\|$ 카이제곱 검정통계량 및 자유도, 귀무·대립가설, VIF·$\|R_x\|$ 기준과 비교한 적용 조건 및 한계 정리
[41강] 다중공선성 (3)	0: 45: 31
완전 다중공선성과 Ridge Regression(능형 회귀분석)에서의 계수 추정 • 완전 다중공선성 및 정규방정식 특이성: 설명변수 간 결정적 선형관계로 X'X 행렬식이 0이 되어 OLS 정규방정식의 역행렬이 존재하지 않고, 계수 추정과 분산 계산이 불가능해지는 구조적 문제 정리 • Ridge Regression 기본 아이디어와 추정량 구조: 정규방정식의 주대각에 λ를 더해 (X'X+λI) 역행렬을 만들고, 계수를 0 방향으로 수축하는 편향 추정량 $\hat\beta^{R}=(X'X+\lambda I)^{-1}X'y$ 도출 및 λ에 따른 OLS 대비 수축·편향·분산 특성 정리 • Ridge 회귀 효과와 활용 조건: λ 도입으로 행렬식 확대 및 계수 분산 감소를 통해 완전·심각한 다중공선성에서 추정 불능과 고분산 문제를 완화하며, 상관이 매우 높은 경우 사용 권장·다중공선성이 약한 경우 OLS 유지가 유리함을 기준으로 적용 조건 제시
[42강] 다중공선성 (4)	0: 40: 00
다중공선성과 예측값의 분산, 보조회귀를 이용한 검정 정리 • 다중공선성 및 예측값 분산 구조: 완전·불완전 다중공선성 하에서 회귀계수 분산·공분산이 예측값 분산과 신뢰구간 폭을 확대시키는 메커니즘과 단순회귀로의 선형조합 재구성을 통한 예측분산 축소 가능성 정리 • 보조회귀모형과 진단 지표: 특정 설명변수를 종속변수로 두는 보조회귀모형의 개념, 결정계수 $R^2$ 해석, Klein의 경험법칙을 활용한 강한 다중공선성 존재 여부 및 변수 독자 설명력 판정 기준 정리 • LM·F 검정을 통한 다중공선성 검정: 보조회귀의 $R^2$를 이용한 LM 통계량 $ \text{LM}=nR_i^2 $과 F 통계량 $ F=\{R_i^2/(k-1)\}/\{(1-R_i^2)/(n-k+1)\} $ 정의·자유도·임계값 비교 절차와, 검정 결과를 이용한 변수 제거 가능성 및 설명력 손실 판단 원리 정리
[43강] 다중공선성 (5)	0: 53: 49
다중공선성과 고차항 회귀, 상관관계에 따른 추정량 비교 • 다중공선성·계수 선형관계와 대리변수 z: 설명변수·계수 간 선형관계 검정(F검정)을 통해 공선성 구조를 확인하고, 소득 구성요소 등의 선형결합 z를 정의해 단일 지표 회귀로 모형을 축약·단순화하여 공선성 완화 및 해석 일원화 • 고차항 회귀와 다중공선성 오해: x, x², x³ 간 높은 상관계수는 비선형 함수형에서 구조적으로 발생하는 현상으로 선형적 다중공선성이 아니므로 제거 사유가 될 수 없고, 고차항 제거 시 한계효과 왜곡·누락변수 편의·함수형 설정오차가 발생 • 설명변수 무상관 시 단순·다중회귀 비교: 설명변수 상관계수 0이면 단순·다중회귀의 기울기 추정치는 일치하나, 다중회귀는 두 변수 정보를 동시에 활용해 SSE 감소·분산 축소 가능성이 크며, 절편과 기울기들 사이의 선형관계를 통해 계수 구조와 추정 효율성 차이를 정리
이분산
[44강] 이분산 (1)	0: 40: 35
고전적 회귀모형의 이분산 검정: Park와 Glejser 방법 비교 요약 • 이분산 개념과 등분산 가정 위배: 고전적 회귀모형에서 오차항 분산이 일정해야 한다는 등분산 가정이 깨져 관측치별로 분산이 달라지는 상황(Var(εi)=σi²≠상수, σi²=σ²ki) 정의 및 회귀가정 위반 구조 정리 • Park 검정: Var(εi)=σ²Xi^γ·e^{νi}의 로그-선형 분산 구조를 가정하고 ln(ε̂i²)=α+γ ln Xi+νi 회귀로 γ의 유의성(t-검정)을 통해 설명변수에 따른 체계적 분산 변화(이분산) 존재 여부를 진단하는 절차와 한계 정리 • Glejser 검정: \|ε̂i\|와 X의 다양한 함수형(X, √X, 1/X, 1/√X 등)을 회귀 \|ε̂i\|=α+βg(Xi)+ui로 비교하여 가장 적합한 분산 함수형을 선택하고 β 유의성으로 이분산을 판정하는, Park 검정보다 유연한 이분산 검정 방법 및 적용 기준 정리
[45강] 이분산 (2)	0: 47: 18
골드펠트-퀀트 검정과 바틀렛 검정, 이분산 검증 구조 정리 • 골드펠트-퀀트 검정: x를 기준으로 자료를 두 구간으로 나누어 각 구간 회귀모형의 SSE/df 비율을 F분포로 검정해 이분산 여부를 판단하며, 중간 구간 절삭·자유도 설정 구조와 스케일·복수 구간 구조 반영의 한계를 가짐 • 바틀렛 검정: 자료를 g(≥3)개 구간으로 나누어 구간별 표본분산과 전체 가중평균 분산의 로그 차이로 B 통계량을 구성하고 자유도 g-1 카이제곱 분포로 분산 동질성을 검정하는 복수 구간 이분산 검정법으로, x와의 구조적 관계는 명시적으로 반영하지 못함 • 두 검정 비교: 모두 구간별 잔차(또는 표본) 분산 차이를 이용해 등분산 대 이분산을 검정하나, 골드펠트-퀀트 검정은 x를 포함한 두 구간 회귀 기반 이분산 탐지와 모형 수정 방향 제시에 강점이 있고, 바틀렛 검정은 여러 구간 분산 비교로 골드펠트-퀀트 검정의 구간 수·검정력 한계를 보완하는 상보적 관계를 이룸
[46강] 이분산 (3)	0: 53: 33
Spearman 순위상관계수를 이용한 이분산 검정과 단순회귀에서 이분산이 추정량 분산에 미치는 영향 • 이분산 검정 방법: 잔차–설명변수 관계 기반(Spearman 순위상관, 보조회귀식)과 구간 분리 기반(Goldfeld–Quandt, Bartlett, Park 검정)을 사용하여 분산의 비일정성 패턴을 유형별로 식별 • Spearman 순위상관계수 검정: 설명변수 순위와 잔차 절대값 순위 간 상관(ρ, t-검정)을 통해 비선형·순위 기반 이분산을 탐지하되, 두 군집형·다구간형 분산 구조에서는 Goldfeld–Quandt, Bartlett, Park 검정 대비 검정력이 제한됨 • 단순회귀에서 이분산과 기울기 추정량 분산: Var(u_i)=σ²k_i, σ²X_i, σ²X_i² 구조하에서 기울기 분산을 “등분산하 분산 × 조정계수(∑가중 k_i 항)”로 표현하며, 조정계수>1일 때 가우스–마코프 효율성이 붕괴되고 추정량 분산·신뢰구간·검정력 측면의 비효율성이 발생함
[47강] 이분산 (4)	0: 38: 26
이분산 검증과 보조회귀모형, WLS 가중치 선택 정리 • 조건부 평균·분산반정식과 보조회귀모형: 잔차제곱을 이용한 조건부 분산 구조 모형화, Breusch–Pagan·White형 보조회귀식으로 이분산 존재 여부 검정 • LM 검정과 F 검정을 이용한 이분산 검증: 보조회귀식의 R² 기반 LM 통계량과 F 통계량으로 계수들의 공동 유의성 평가, 선형·교차·제곱항 모형 간 이분산 검정결과 비교 • 이분산 치료와 WLS 가중치 선택: 유의한 분산 설명 변수(특히 ŷ, ŷ²)로부터 WLS 가중치(예: wᵢ=ŷᵢ²) 도출, 가중변환 회귀를 통해 분산 균질화 및 추정 효율성 제고
[48강] 이분산 (5)	0: 40: 07
이분산 진단과 가중최소제곱법(WLS) 문제 9–12 정리 • 이분산 진단과 분산함수 추정: 잔차의 절대값·제곱을 설명변수(또는 그 함수)들에 회귀하는 보조회귀, 로그변환·지수함수 가정, R²·p-value 기반 분산함수(원인 변수·함수폼) 선택 절차 정리 • 가중치 함수와 WLS 변환: 분산구조 Var(u\|X)=σ²h(X) 또는 소득·고용자수 비례 가정하에서 h(X) 추정, w_i=1/h_i² 또는 1/원인변수(제곱근) 선택, 양변 나누기·변수 재정의를 통한 선형 WLS 회귀식 구성 및 OLS 대비 계수·유의성 비교 • 응용 모형별 이분산 처리: 단순·다중회귀에서 특정 변수·변수선형결합에 의존한 이분산, 소비함수에서 소득비례 이분산에 대한 소득기반 변환, 임금–고용 회귀에서 고용자수 기반 가중치·1/n 변환을 사용한 평균임금 이분산 교정 구조 정리
[49강] 이분산 (6)	0: 49: 17
OLS에서의 이분산 하 분산 추정, 유의성 검정, 가중최소제곱법 요약 • 이분산 하 OLS 분산 추정량 편의: 이분산 구조 Var(ε_i)=σ_i² 에서 OLS 잔차제곱 기반 오차분산 추정량 s²의 기댓값이 σ_i²의 단순 평균과 달라져 불편 추정량이 되는 원리 정리 • White 로버스트 분산 추정량: 이분산 존재 시 Var(β̂)의 이론식에서 미지의 σ_i²를 잔차제곱 û_i²로 대체해 일치성을 확보하는 단·다중회귀용 로버스트 분산과 이를 이용한 기울기 계수 유의성 검정 절차 정리 • 가중 최소제곱법(WLS): 분산 역수 가중치 w_i=1/σ_i를 이용해 목적함수 ∑w_i²u_i²를 최소화함으로써 등분산에 근접한 오차구조를 만들고, 모든 관측치에 동일 가중치를 두는 OLS와의 구조적 차이 정리
자기상관
[50강] 자기상관 (1)	0: 34: 32
자기상관 문제와 모형 오진, 잔차 패턴 비교 • 자기상관 및 AR 구조: 시계열 회귀모형에서 오차항 간 공분산이 0이 아닌 자기상관 정의, 오차의 AR(1)·고차 AR 구조와 자기상관계수 ρ가 OLS 분산과 효율성(BLUE 특성 상실)에 미치는 영향 정리 • 모형 오진과 잔차 패턴: 진짜 2차함수 모형을 1차함수로 추정했을 때 나타나는 체계적 곡선형 잔차 패턴과 양·음의 자기상관, 자기상관 없음일 때의 잔차·산점도 특성 및 시간축에서의 파형·지그재그·무작위 패턴 비교 • 구분 및 진단 방법: 잔차도만으로는 모형 오진과 자기상관 구분이 어려우므로 원자료 산점도(선형·비선형 구조 진단)와 Durbin-Watson·Breusch-Godfrey 등 자기상관 검정을 결합해 함수형 오진과 오차 자기상관을 식별하는 절차 정리
[51강] 자기상관 (2)	0: 37: 04
더빈 왓슨 통계량을 이용한 자기상관 검정 연습문제 정리 • 더빈-왓슨 통계량: 회귀모형 잔차의 1차 자기상관을 잔차 차이 제곱합/잔차 제곱합으로 측정하며, 충분히 큰 표본에서 D ≈ 2(1-ρ̂), 값 범위 0~4에서 0·2·4 부근이 각각 강한 양의/없음/강한 음의 자기상관을 의미함 • 더빈-왓슨 통계량–자기상관계수 관계: AR(1) 잔차모형 u_t = ρu_{t-1}+η_t에서 ρ̂ = (∑e_t e_{t-1})/(∑e_{t-1}²)로 추정되며, 분자 전개를 통해 DW 통계량이 1차 자기상관계수의 선형함수로 근사됨 • 더빈-왓슨 검정 구간 판정: 표본크기 T·설명변수 개수 k에 따른 DW 분포표의 하한 D_L·상한 D_U 및 4-D_U·4-D_L를 사용해 양의 자기상관 존재구간, 음의 자기상관 존재구간, 자기상관 없음 구간, 두 종류의 판단 불능 구간(양·음 의심 영역)으로 분류하여 주어진 DW 값의 위치로 해석함
[52강] 자기상관 (3)	0: 35: 16
von Neumann 비율과 Durbin-Watson 통계량의 관계 및 자기상관 검정 • von Neumann 비율(vnr)과 분포 특성: 잔차 차분 제곱 평균을 잔차 제곱 평균으로 나눈 비율형 통계량으로, 자기상관 없음 가정 하에서 평균 $E(vnr)=\frac{2n}{n-1}$, 분산 $Var(vnr)=\frac{4n^2(n+1)}{(n-1)^3(n-2)}$를 갖는 정규분포로 근사되어 z-검정에 사용됨 • Durbin-Watson 통계량(DW)과의 관계: DW 통계량 $d=\frac{\sum(e_t-e_{t-1})^2}{\sum e_t^2}$와 $vnr=d\cdot\frac{n}{n-1}$, $d=vnr\cdot\frac{n-1}{n}$의 비례 관계를 가지며, 둘 다 1차 자기상관을 측정하되 자유도 조정 여부에 따른 스케일 차이만 존재함 • 자기상관 검정 절차 및 두 검정법 비교: DW는 0~4 구간에서 $d_L,d_U$ 및 $4-d_U,4-d_L$를 이용해 양·음의 자기상관·무자기상관·판단 불능 구간을 구분하는 보수적 소표본 검정이고, von Neumann 검정은 정규근사 기반 z-통계량과 신뢰구간으로 판단 불능 구간 없이 양·음의 자기상관 여부를 명확히 판정하나 귀무가설 비기각 영역이 더 넓어 기각력이 상대적으로 약한 특성을 가짐
[53강] 자기상관 (4)	0: 39: 37
1차 자기회귀(AR(1)) 오차 구조와 분산·공분산 행렬 요약 • AR(1) 오차항 분산과 자기상관계수: ε_t=ρ ε_{t-1}+ν_t, Var(ε_t)=σ²/(1-ρ²), \|ρ\|↑ 시 분산·변동성 증가 구조 • AR(1) 분산·공분산 및 오메가 행렬: Cov(ε_t,ε_{t-k})=ρ^kσ²/(1-ρ²), Ω=(σ²/(1-ρ²))R 형태의 대칭 Toeplitz 상관계수 행렬 구조 • 랜덤워크 오차와 1차 차분: ρ=1 시 랜덤워크로 분산 발산·비정상 시계열, Δ 변환으로 white noise 오차 복원 및 안정적 회귀계수 추정 구조
[54강] 자기상관 (5)	1: 00: 18
연속부호검정과 랜덤워크·음의 자기상관 처리 요약 • 연속부호검정(runs test) : 잔차 부호의 연속 묶음 수 분포(기댓값·분산·정규근사)를 이용해 양·음 자기상관 존재 여부와 방향을 비모수적으로 검정하는 방법 • 베렌블럭-웹 검정 및 DW–R² 비교 : 원모형 SSE와 차분모형 SSE 비율을 Durbin-Watson 분포로 해석해 랜덤워크 오차($\rho=1$)를 검정하고, DW • 극단적 자기상관 처리 기법 : 랜덤워크 구조($u_t=u_{t-1}+\nu_t$)에서는 1차 차분, 완전한 음의 자기상관($u_t=-u_{t-1}+\nu_t$)에서는 2기 이동평균 변환으로 계열상관을 제거하고 효율적 회귀 추정 구현
[55강] 자기상관 (6)	0: 41: 00
타일–네이거 소표본 추정량과 Durbin–Watson 통계량, 및 ρ 추정방법 비교 • Durbin–Watson 통계량과 타일–네이거 소표본 추정량: DW 통계량과 근사식 $d \approx 2(1-\hat{\rho})$ 를 이용한 ρ 추정 및 소표본에서 $n, k$ 기반 보정계수를 곱한 타일–네이거 추정량의 바이어스 완화·대표본 수렴 특성 정리 • 1차 자기상관 회귀모형과 GLS 추정: AR(1) 오차를 갖는 회귀에서 $y_t-\rho y_{t-1}=\alpha(1-\rho)+\beta(x_t-\rho x_{t-1})+u_t$ 형태의 GLS 변환 구조와 이를 활용한 ρ 추정 및 회귀계수 추정 절차 개념화 • ρ 추정 방법 비교: Durbin–Watson 기반 단순 추정, Durbin의 2단계 추정법, Cochrane–Orcutt 반복 추정법, Hildreth–Lu 격자 탐색법의 추정 절차·SSE 수렴 특성·사용 조건 및 선택 기준 비교 정리
[56강] 자기상관 (7)	0: 33: 21
고차 자기상관 검증과 Breusch-Godfrey LM 테스트 요약 • 고차 자기상관과 Breusch-Godfrey LM 검정: 오차의 AR(p) 구조 존재 여부를 잔차 보조회귀식과 LM 통계량 $LM=(n-p)R^2 \approx nR^2$의 $\chi^2(p)$ 분포 비교로 검정하는 방법 • 표본수와 검정력, 한계: 소표본에서는 LM 근사와 p-value가 불안정해 F검정과 결과 차이가 발생할 수 있으며, 충분한 표본에서 AR 계수 추정·고차 자기상관 검정을 수행하는 것이 바람직함 • GLS 추정과 반복 절차: 추정된 AR(p) 계수로 $(1-\hat\rho_1L-\dots-\hat\rho_pL^p)$ 필터를 데이터에 적용해 GLS를 수행하고, 잔차–AR(p)–GLS 변환을 반복하여 계수 수렴 시 보다 효율적인 추정량을 얻는 절차
[57강] 자기상관 (8)	0: 32: 04
Summary Content: GLS 추정, Durbin-Watson, Thiel-네이그 방법, Prais-Winsten 변환 요약 • AR(1) 자기상관 회귀모형과 Durbin-Watson 검정: AR(1) 오차 구조 하에서 Durbin-Watson 통계량과 임계값 비교로 양의 자기상관 존재 여부 및 판단 불능 영역을 판별하는 절차 정리 • ρ 추정과 GLS 변환: Durbin-Watson 기반 근사와 Thiel-Neigh 보정식으로 소표본에서의 ρ 추정을 수행하고, 추정된 ρ를 사용해 y, x로 일반화 차분(AR(1) GLS 변환)을 적용하여 자기상관을 교정한 GLS 추정량 도출 • Prais-Winsten 변환과 소표본 자유도 보정: Prais-Winsten 변환으로 첫 관측치를 복원해 자유도 손실을 방지하고, OLS·GLS·Prais-Winsten 결과의 계수 추정치·분산·t-통계량을 비교하여 소표본에서의 추정 안정성과 유의성 변화를 해석
[58강] 자기상관 (9)	0: 35: 55
시계열에서 자기상관과 ARCH형 이분산이 동시에 존재하는 경우의 GLS 교정 • ARCH형 조건부 이분산 구조: ARCH(1)에서 오차 분산이 직전 오차항 제곱 또는 직전 분산에 자기회귀적으로 의존하며, 경제 시계열에서 충격 이후 변동성 클러스터링을 설명하는 조건부 이분산 모형 • 자기상관·이분산 동시 존재 시 공분산 행렬: 오차항이 AR(1)과 ARCH형 이분산을 동시에 가질 때 주대각은 시점별 분산 σt², 비대각은 ρ│t−s│와 과거 분산 σmin(t,s)²가 곱해진 항으로 구성되는 대칭 공분산 행렬 구조 • GLS 교정 절차: 먼저 AR(1) 자기상관 제거를 위해 Cochrane–Orcutt형 변환 yt−ρyt−1, xt−ρxt−1을 적용하고, 이어 추정된 ARCH 분산 σ̂t로 나누는 가중 최소제곱 변환을 결합해 공분산 행렬을 σ²I 형태에 가깝게 만드는 GLS 추정 절차
모형식별문제, 내생성문제
[59강] 모형식별문제, 내생성문제 (1)	0: 36: 04
회귀모형의 표기오차와 변수누락·불필요 변수 포함의 효과 • 모형 표기오차·내생성: 변수 누락·불필요 변수 포함·측정오차로 인한 잘못된 모형 설정과 설명변수 측정오차로 발생하는 내생성, 추정계수의 편의·불일치성 개념 정리 • 절편 오포함 효과: 원점을 지나는 true model에 불필요한 절편을 포함했을 때 기울기 추정량의 불편성은 유지되나 분산이 증가하여 효율성과 유의성이 저하되는 구조 분석 • 변수 누락과 bias–variance trade-off: 다중회귀에서 설명변수 누락 시 기울기 추정량의 편의 공식·분산 비교·MSE 비교를 통해 불편성 vs 분산(또는 MSE) 상충관계와 모형 선택 기준 정리
[60강] 모형식별문제, 내생성문제 (2)	0: 42: 31
프리드만 연구소득가설과 표기오차, 모형오진 논점 정리 • 프리드만 연구소득(항상소득) 가설과 소비함수: 항상소득·임시소득 분해를 통한 소비함수 구조 설정, 연구소득 가설 하에서 관찰소득에 섞인 임시소득이 설명변수 표기오차와 비일치 추정(수축편의)을 유발하는 메커니즘 정리 • 모형 오진과 생략변수·표기오차 편의: 곱셈형 모형의 로그선형 변환과 잘못된 선형추정의 불편·비일치 문제, 생략변수 바이어스 구조와 잔차 보조회귀·LM 검정 설정 원리, 결정적 표기오차(상수이동·스케일링)와 확률적 표기오차가 절편·기울기에 미치는 차별적 영향 • 수축편의와 추론함정: 설명변수 확률적 표기오차에서 OLS 기울기 기대값의 수축계수 구조와 표본 크기와 무관한 비일치성, 잘못된 보조회귀·함수형 선택이 파라미터 해석을 왜곡하는 과정, 수축편의 교정을 위한 도구변수(IV) 및 추가정보 활용 필요성 정리
[61강] 모형식별문제, 내생성문제 (3)	1: 04: 03
측정오차, 내생성, 도구변수(IV)와 정률추정법·GMM 요약 • 측정오차·내생성·OLS 바이어스: 설명변수 측정오차(x = x* + ν)로 직교조건이 깨져 Cov(x, ε) ≠ 0인 내생성, OLS 기울기의 일치성 상실·하방편의 발생 구조 제시 • 도구변수(IV)·정률추정법: 오차와 직교·진짜 설명변수와 상관을 갖는 IV(z)로 E[zε]=0 정률조건을 세워 IV 추정식(β_IV = Σẏż / Σẋż), 분산·표준오차·t 검정 및 과대식별 시 추가 정률조건 설정 원리 정리 • 일반화 정률법(GMM): 모수 수보다 많은 정률조건을 g(Y, θ)의 벡터로 표현하고, 표본 정률벡터 \hat{m}(θ)ᵀ\hat{m}(θ) (또는 가중 제곱합)을 최소화해 θ를 추정하는 방식과 정확식별·과대식별 구분 개념 정리
이항종속변수 모형
[62강] 이항종속변수 모형 (1)	1: 06: 35
이항종속변수모형과 LPM·Logit·Probit 비교 요약 • 이항종속변수모형·베르누이 분포: 종속변수 0·1 구조와 베르누이 분포 정의, 관심확률 P(y=1\|x)·P(y=0\|x) 및 부도율·정상확률 해석 방식 정리 • 선형확률모형(LPM): OLS 기반 확률선형화, 베르누이 분산 p(1-p)에 따른 이분산과 WLS 가중치 구조, 확률범위 위반·표본손실·보정(1%·99%)에 따른 한계 정리 • Logit·Probit 모형: 로지스틱·정규 CDF를 이용한 P(y=1\|x) 규정, log-odds·잠재변수 표현, LPM 대비 장점과 세 모형의 부도확률 계산식·수치 비교 정리
[63강] 이항종속변수 모형 (2)	1: 04: 12
이항 종속변수 로짓·프라빗 OLS와 평균 한계효과 정리 • 이항모형 구조와 선형화: 로짓·프라빗에서 이항 종속변수 확률을 로지스틱/표준정규 cdf로 규정하고, log-odds와 Φ⁻¹(p) 변환으로 선형식(α+βx) 도출 및 OLS 적용 조건(표본별 p 필요) 정리 • 그룹화 기반 OLS 추정: 개별 0/1 자료를 그룹 단위로 집계해 그룹별 확률 p_j와 평균 x̄_j 계산 후, 로짓은 ln[p_j/(1-p_j)], 프라빗은 Φ⁻¹(p_j)를 종속변수로 하는 선형회귀로 계수·표준오차·t값을 추정하고 두 모형 계수 해석 비교 • 한계효과와 평균 한계효과: 로짓의 한계효과 β·p(1-p), 프라빗의 한계효과 φ(α+βx)·β 공식을 통해 x 변화에 따른 P(y=1) 변화량 정의하고, 추정 계수와 x 평균을 대입해 평균 한계효과를 계산·비교하여 계수 크기와 확률 변화 크기의 불일치 설명
[64강] 이항종속변수 모형 (3)	0: 45: 45
이항 종속변수 모형에서 OLS, WLS, MLE 추정 비교 요약 • 이항모형에서 OLS·WLS 한계: 개별 이항자료·그룹화 로짓·프라빗 추정 시 표본 축소, 그룹 분류 기준 자의성, Var(u_i)=n_iπ_i(1-π_i)로 인한 이분산 발생, 그룹 간 n_i·π_i 차이 작을 때만 OLS 사용 가능, WLS는 가중치 w_i=1/√[n_iπ_i(1-π_i)]로 이분산만 보완 • 이항모형 MLE 구조: y_i∈{0,1}, P(y_i=1)=π_i일 때 L(α,β)=∏π_i^{y_i}(1-π_i)^{1-y_i}, log-likelihood ℓ(α,β)=∑[y_i ln(π_i/(1-π_i)) + ln(1-π_i)] 형태로 표현, 그룹화 없이 원자료 전체를 사용해 모수 추정, 최소제곱과 달리 확률분포 자체를 기반으로 추정 • 로짓 모형 정규방정식과 수치해석: 로짓에서 ln(π_i/(1-π_i))=α+βx_i, π_i=exp(α+βx_i)/[1+exp(α+βx_i)]를 대입하면 ℓ(α,β)=∑y_i(α+βx_i)−∑ln[1+exp(α+βx_i)], 편미분 FOC가 비선형 정규방정식 ∑[y_i−π_i(α,β)]=0, ∑x_i[y_i−π_i(α,β)]=0으로 귀결되어 해석적 해가 없고, 로짓·프라빗 모두 Newton-Raphson·Fisher scoring 등 수치해석으로 근사해를 구해야 함
[65강] 이항종속변수 모형 (4)	0: 38: 25
MLE 기반 로짓·프로빗 모형과 슈도 결정계수 정리 • 이항반응 모형 구조: 로짓·프로빗에서 잠재변수 모형과 오차항 정규화에 따라 실제로는 α/σ, β/σ 를 추정하며, 분산 1로 표준화된 확률함수 F(α/σ+β/σ x)를 통해 P(Y=1\|X)를 모형화하는 절차 정리 • OLS·WLS와 MLE 비교: 집단비율·이항자료에서 OLS·WLS 회귀와 비선형 MLE의 계수·분산 구조 차이를 대비하고, 분산이 1에 가까운 경우 계수값 유사성, 이분산이 클 때 WLS와 MLE의 적합도 유사성 개념 정리 • 슈도 결정계수 체계: 이항 모형에서 전통적 R² 대신 로그라이클리후드 기반 맥패든, 콕스–스넬, 나겔커크 슈도 R² 정의와 제한·비제한 모형 우도 비교를 통한 모형 설명력·적합도 평가 원리 정리
[66강] 이항종속변수 모형 (5)	0: 33: 40
프라빗 모형 계수의 의미와 이항모형에서의 예측 및 평가 • 프라빗 모형 계수·잠재변수 구조: 잠재변수의 표준화 정의를 통해 α=-μx/σx, β=1/σx 관계와 OLS 추정량의 공분산·분산 구조, 내생성에 따른 추정 편의를 해석 • 이항 종속변수 모형의 예측 규칙: 로짓·프라빗·LPM에서 P(y=1\|x)=f(α+β'x)로 성공확률을 추정하고, 0.5 기준 이진 분류를 통해 성공/실패 예측 절차를 구성 • 예측 정확도 평가와 한계: 오분류율·적중률·혼동행렬 중심의 예측력 평가, 이항에서의 MAPE·R² 한계, 표본 내·외 예측력 차이와 프라빗/로짓 모형의 확률·요인 분석 중심적 성격 및 분류기 한계 정리
[67강] 이항종속변수 모형 (6)	0: 38: 49
자가주택수 Tobit 모형과 다항종속변수 모형 요약 • 절단형 자료와 Tobit 모형: 0이 많이 포함된 자가주택수 자료에서 OLS의 편의·비일관성 문제를 설명하고, 0구간·양수구간을 분리한 Tobit 모형 구조와 정규분포 가정, 로그우도(연속구간 밀도항+0구간 누적분포항) 기반 MLE 추정을 통해 한계효과를 계수와 누적분포함수로 표현 • 이항·절단 처리의 문제와 대안: 자가주택수를 0/1 이항종속변수로 단순화한 Logit/Probit 모형에서 발생하는 정보 손실과 한계효과 왜곡을 설명하고, Tobit 한계효과(β·[1−F(·)])와 이항모형 한계효과(로짓: δp(1−p), 프로빗: δf(z))의 수식·해석 차이를 비교 • 다항·순서형/명목형 종속변수 모형: 성공 횟수 등 다범주 정수형 종속변수에 대한 다항모형 설정, 시도 횟수 정보 부재 시 일반 범주형 처리, 순서형(ordinal)·명목형(nominal) 구분 기준과 순서형 로짓/프로빗의 컷포인트(c_k), 누적분포 차이로 각 범주별 확률 P(y=k\|x)를 정의하고 로그우도 극대화를 통해 추정하는 절차 정리
연립방정식 모형Ⅰ
[68강] 연립방정식 모형Ⅰ (1)	0: 39: 01
열립방정식 모형과 수요·공급식 식별 및 축약형 • 열립방정식 모형·내생성: 다수 내생변수가 상호의존적으로 동시에 결정되어 설명변수와 오차항이 상관을 가지며 OLS 불일치 문제가 발생하는 구조 정리 • 수요·공급 모형의 식별·외생변수: 균형조건 하에서 관측된 (Q,P)의 비식별성, 수요·공급 양측에 고유 외생변수(소득, 임금, 대체재 가격 등)를 도입한 부분식별·정식별·과다식별 조건 정리 • 축약형 방정식·구조계수 복원: 균형조건으로 내생변수(P,Q)를 외생변수만의 함수(축약형)로 표현하고, 축약형 계수를 통해 구조모형 계수의 역산 가능성과 비선형 관계 구조 제시
[69강] 연립방정식 모형Ⅰ (2)	0: 41: 52
수요·공급 모형과 거시 연립방정식에서의 내생성 바이어스 정리 • 내생성 개념과 OLS 바이어스: 수요·공급 및 거시 연립방정식에서 내생변수가 설명변수에 포함될 때 Cov(X,u)≠0으로 인해 OLS 추정량의 확률적 극한이 plim(β̂)=β+Cov(X,u)/Var(X) 형태의 비소멸 바이어스를 가지며 불편성·일치성이 동시에 붕괴됨 • 불편성·일치성 및 특수 무내생 조건: 불편성은 E(β̂)=β, 일치성은 plim(β̂)=β 충족 여부로 정의되며, 두 방정식이 완전히 동일한 식(계수와 상수항이 동일)으로 수렴하는 예외적 경우에만 내생성이 사라지고 OLS가 유효함 • 거시 모형 내생성 구조와 추정 가능 방정식: 거시 소비·투자·소득 모형에서 Y,C,I는 내생변수로 소비함수는 내생 설명변수(Y) 포함으로 상수 바이어스를 가지며 IV 등 대안 추정 필요하고, 반면 투자함수는 외생 설명변수(r)만 포함해 Cov(r,ν)=0이 되어 OLS 불편성·일치성이 보장됨
[70강] 연립방정식 모형Ⅰ (3)	0: 28: 43
IS-LM 거시계량모형과 SUR(외관상 무관 회귀모형) 추정 구조 • 거시계량 IS-LM 모형 구조·IS·LM 곡선: 소비·조세·투자·정부지출·화폐수요·공급으로 실물·화폐시장 방정식을 설정하고, 국민소득 항등식과 화폐시장 균형으로부터 IS(소득–이자율 음의 관계)와 LM(소득–이자율 양의 관계) 곡선을 도출 • 동시균형·축약형·식별 문제: IS와 LM의 동시균형에서 소득·이자율에 대한 축약형 방정식을 유도하되, 축약형에서 추정 가능한 계수 수가 구조계수보다 적어 식별 불능이 발생하며, 내생변수 동시결정으로 개별 IS·LM 방정식에 OLS 적용 시 내생성, 편의, 비일치성이 나타나 도구변수·2SLS·3SLS 등의 체계적 추정이 필요 • SUR(외관상 무관 회귀모형) 구조와 OLS 조건: 공통 외생변수(예: 시간추세 t)만을 설명변수로 갖고 내생변수 간 직접 연결이 없는 다중 수요식 시스템에서, 오차항 간 공분산이 있더라도 각 식은 개별 OLS 추정이 가능하며 일치성을 유지하고, 필요 시 SUR-GLS로 효율성을 개선할 수 있음
[71강] 연립방정식 모형Ⅰ (4)	0: 48: 48
연립방정식 식별 조건과 축약형에서 구조모수 추정 • 식별 문제·조건: 구조방정식 모형에서 축약형으로부터 구조모수를 유일하게 복원할 수 있는지 판단하는 식별 개념, 차수조건(k₂ ≥ g₁−1)에 따른 적정식별·과다식별·비식별 구분, 계수행렬 랭크(g−1)를 이용한 위수조건(랭크 컨디션) 정식화 • 2방정식 예제 모형: 두 내생변수(y₁,y₂)·두 외생변수(x₁,x₂)를 갖는 구조모형 설정, 각 방정식의 차수조건·랭크 컨디션 점검을 통한 적정식별 여부 판정, 구조계수(β,γ)와 축약형 계수(π) 사이의 비선형 관계식 6개 구성 및 이를 통한 β,γ 역산 절차 정리 • 식별성 변화 요인: 특정 구조계수 사전 정보(γ₁₁=0) 부여 시 제외 외생변수 수(k₂)·계수행렬 랭크 변화 분석, 1번 식은 계속 식별·2번 식은 비식별로 전환되는 메커니즘과 그에 따른 모형 구조·추정 가능성 변화 정리
[72강] 연립방정식 모형Ⅰ (5)	0: 49: 07
연습문제 7: 연립방정식 모형의 식별, 차수조건과 계수조건 정리 • 식별 개념과 차수조건·계수조건: 연립방정식 모형에서 모수의 유일한 추정을 위해 차수조건(k₂ ≥ g₁−1)과 계수조건(Δ 행렬 랭크·determinant 비영)을 이용해 적정식별·과대식별·식별불가를 판정하는 원리 • Δ 행렬 구성과 방정식별 식별 판정: 특정 방정식을 제외하고 그 방정식에 포함된 변수 열을 삭제해 Δ 행렬을 만들고, 차수조건으로 1·2·5번은 적정식별, 3번은 차수조건 위반으로 식별불가, 4번은 과대식별 구조임을 구분 • 계수제약과 식별성 상실: γ, β 계수에 0 또는 특정 함수형 제약이 주어져 Δ 행렬의 determinant가 0이 되는 경우, 차수조건이 충족되더라도 계수조건 위반으로 실질적인 식별이 실패하는 메커니즘 분석
연립방정식 모형Ⅱ
[73강] 연립방정식 모형Ⅱ (1)	0: 42: 43
컵-더글라스 생산함수와 연립방정식 추정, 식별 조건 정리 • 연립방정식 추정 방법: 내생성 문제, 유도방정식(reduced/induced form)과 간접최소제곱법(ILS)·2단계/3단계 최소제곱법(2SLS·3SLS)·도구변수(IV) 추정법의 절차와 관계 정리 • Cobb-Douglas 생산함수 구조: 생산함수와 MPL·MPK 도출, 규모수익(α+β) 조건, 행렬 표현과 행렬식·역행렬 존재 조건을 통한 추정 가능성 분석 • 식별·계수 복원: 내생·외생변수 구분, 차수·계수(rank) 식별 조건 점검, 유도식 계수(π₀, π₁, π₂)로부터 원계수(α, β, A)를 복원하는 비선형 관계와 한계 정리
[74강] 연립방정식 모형Ⅱ (2)	1: 08: 31
쌀 수요·공급 연립방정식, 내생성 검정과 ILS 추정 개요 • 내생성·식별 조건: 쌀 수요·공급 연립방정식에서 가격·거래량을 내생변수, 소득·자본비용을 외생변수로 구분하고, 제외된 외생변수 수와 내생변수 수의 비교를 통해 구조식 식별 가능성 판단 • 내생성 검정·OLS 추정: 1단계에서 내생변수에 대한 예측치·잔차를 생성하고 2단계에서 가격을 잔차·외생변수에 회귀하여 내생성 검정 후, 확장된 수요·공급식에 OLS를 적용해 가격계수·유의성 해석 • ILS 추정·비율 추정량 특성: 유도방정식 계수(π)를 OLS로 추정한 뒤 비율관계로 구조계수(가격계수)를 복원하고, 비율 추정량의 분산을 delta method로 근사하며, 소표본에서의 기대값 왜곡과 편의 문제 인식
[75강] 연립방정식 모형Ⅱ (3)	0: 31: 59
연습문제 3: 거시계량 연립방정식, 식별, 2SLS와 3SLS 개념 정리 • 연립방정식 모형과 변수 분류·식별: 거시 연립방정식에서 내생·외생·프리디터마인드 변수(시차항) 구분, 다이나믹·자기회귀 구조 파악, 차수·랭크 조건을 통한 적정식별·과다식별 및 ILS 가능성 판단 • 유도형 방정식과 2SLS 추정: 구조식으로부터 내생변수의 유도방정식 도출, 외생변수를 도구변수로 사용하는 2단계 최소제곱(1단계 예측치 산출 → 2단계 대체 후 OLS) 절차, 2SLS와 도구변수(IV) 추정의 동질성 및 일치성 성질 정리 • 3단계 최소제곱법과 GLS 결합: 2SLS 이후 오차의 이분산·자기상관 진단, 가중최소제곱·변환형 GLS를 3단계로 결합하는 3SLS 절차와 분산균등·자기상관 제거 변환을 통한 효율적 구조계수 추정 방법 정리
행렬을 이용한 다중회귀분석 : 추정
[76강] 행렬을 이용한 다중회귀분석 - 추정 (1)	1: 00: 11
행렬을 활용한 OLS 회귀분석: A, N, M 행렬의 의미와 성질 • 다중회귀모형과 OLS 추정량: 회귀모형의 행렬표현(Y = Xβ + ε), 정규방정식(X'Xβ = X'Y)과 OLS 추정량(β̂ = (X'X)^{-1}X'Y)의 도출 및 BLUE 성질·차원 구조 정리 • A, N, M 행렬의 정의와 역할: A = (X'X)^{-1}X'(계수추정 연산자), N = XA(예측치 projection/hat 행렬), M = I − N(잔차 residual-maker 행렬)의 선형성·대칭성·멱등성 및 AX = I_k, NX = X, MX = 0 관계 정리 • 분산·공분산 추정: Y'MY = e'e = SSE 구조를 이용한 오차분산 추정량 Ŝ^2 = Y'MY/(n−k)과 계수벡터 공분산행렬 추정량 Var̂(β̂) = Ŝ^2 (X'X)^{-1}의 의미(대각=분산, 비대각=공분산)와 모형 적합성 검정(잔차 회귀에서 γ̂ = 0) 연결
[77강] 행렬을 이용한 다중회귀분석 - 추정 (2)	0: 57: 51
다중회귀모형에서 편차형 변수, 행렬 해법, 분산·공분산 정리 • 편차형 회귀모형과 정규방정식: 편차형 변수로 변환한 다중회귀모형을 행렬식으로 표현하고, $X'X\hat\beta = X'y$, $\hat\beta = (X'X)^{-1}X'y$ 구조와 2×2·3×3 $X'X$의 차원·구성 관계 정리 • 행렬식·역행렬과 회귀 성능지표: $\|X'X\|$와 $(X'X)^{-1}$ 계산을 통해 기울기 추정식의 분모 의미와 설명변수 선형독립성 해석, RSS·SSE·$R^2$·조정 $R^2$의 행렬 표현 및 편차형 $y$를 이용한 계산 절차 정리 • 계수 분산·공분산행렬과 편차형-원형 연결: $Var(\hat\beta)=\sigma^2(X'X)^{-1}$ 구조, 대각·비대각 원소의 분산·공분산 해석, 원형 $(X'X)^{-1}$과 상수항 제거된 편차형 부분행렬의 대응을 통한 기울기 계수 공분산행렬 도출 원리 정리
[78강] 행렬을 이용한 다중회귀분석 - 추정 (3)	0: 51: 37
회귀분석 행렬해법: 편차형 변수와 원래 변수의 관계 정리 • X'X 행렬 구조와 determinant·역행렬: 마이너·코팩터를 이용한 X'X 역행렬 구성, determinant와 합·제곱합·곱의 합 구조 및 편차형 설계행렬과의 n배 관계 정리 • 편차형 변수와 원래 변수 회귀계수: 편차형 X'X와 원래 X'X 역행렬의 서브매트릭스 관계, 절편 분리에 따른 기울기 계수 불변성, 두 방식에서 회귀계수 추정값 일치 구조 정리 • 분산·공분산 행렬과 t-통계량: $\widehat{\text{Cov}}(\hat\beta)=\hat\sigma^2(X'X)^{-1}$ 구조, 주대각·비대각 원소의 분산·공분산 해석과 각 회귀계수 t-통계량 계산 및 유의성 검정 절차 정리
[79강] 행렬을 이용한 다중회귀분석 - 추정 (4)	0: 46: 08
총비용 자료로 검증하는 U자형 한계비용·3차 비용함수 추정 요약 • U자형 한계비용 구조: 한계비용을 총비용의 미분으로 정의하고 MC는 2차함수, TC는 3차함수로 설정하여 U자형 MC–S자형 TC 관계를 이론적으로 정식화 • 3차 비용함수 회귀추정: 총비용을 종속변수, 산출량과 그 제곱·세제곱을 설명변수로 한 3차 회귀모형을 편차형 변수, X'X·X'Y, OLS 추정(β̂=(X'X)⁻¹X'Y)으로 계수와 부호 패턴(+,−,+,+) 검증 • 비용계수 경제적 해석: 추정된 3차항·2차항·1차항 계수로 U자형 MC와 체감하는 한계생산 법칙을 확인하고, 절편항을 Q=0일 때의 총비용으로 해석하여 고정비용과 가변비용 구조를 구분·설명
[80강] 행렬을 이용한 다중회귀분석 - 추정 (5)	0: 54: 45
연습문제 4: 총비용함수 추정과 평균·한계비용 분석 요약 • 비용함수 구조와 평균·한계비용: 3차 총비용함수로부터 TVC·TFC 분해 및 AC·AVC·AFC·MC 정의, 함수식, U자형 곡선 특성과 AC=AVC+TFC/q 관계 정리 • 최저점·교차점과 손익분기 가격: MC·AVC·AC 각 최저점 산출량(약 4.5, 6.5, 8.06) 비교, AC 최저점에서 AC=MC 및 이윤 0이 되는 손익분기 가격 도출 절차 정리 • 계량추정·가설검정과 예측: 추정계수로 MC 선형성(β₃=0) t-검정 수행, p-value 해석을 통한 비선형성 결론 및 추정식을 이용한 관측구간 외 총비용·AC·AVC·MC 예측 방법 정리
[81강] 행렬을 이용한 다중회귀분석 - 추정 (6)	0: 56: 43
Summary Content: 표준화된 다중회귀 추정계수와 원계수의 관계, 상관·편상관 해석 요약 • 표준화 다중회귀 구조: 변수 표준화(z점수) 후 $X'X$, $X'Y$를 상관계수 행렬로 표현하고, 절편 0인 모형에서 표준화 회귀계수 $\hat\gamma$를 OLS로 도출 • 표준화 계수–상관·편상관 관계: $\hat\gamma_1 = \dfrac{r_{1y} - r_{12} r_{2y}}{1 - r_{12}^2}$, $\hat\gamma_2 = \dfrac{r_{2y} - r_{12} r_{1y}}{1 - r_{12}^2}$ 로 정의되며, 분자가 다른 설명변수 경유 효과를 제거한 편상관 구조를 나타냄 • 원계수–표준화 계수 연결: 원자료 계수 $\hat\beta_1, \hat\beta_2$를 공분산·단순회귀계수·표준편차비로 표현하고, 표준화 계수를 “원계수 × (상관구조·표준편차비로 이루어진 조정 비율)”로 해석하여 단위 제거·간접효과 제거된 영향력으로 이해함
[82강] 행렬을 이용한 다중회귀분석 - 추정 (7)	0: 53: 45
회귀모형에서 정사형(projection)과 분산분해 관계 • 예측치 벡터와 잔차 벡터의 직교성: 최소제곱 정규방정식과 프로젝션 매트릭스 $P=X(X'X)^{-1}X'$의 대칭·아이덴포텐트 성질을 통해 $\hat y = X\hat\beta$가 $y$의 정사형이고 잔차 $\hat u = y-\hat y$가 설명변수 공간에 직교함을 증명 • TSS 분산분해 구조: $y=\hat y+\hat u$에서 $y'y=(\hat y+\hat u)'(\hat y+\hat u)$ 전개와 $\hat y'\hat u=0$을 이용해 $TSS=y'y=RSS=\hat y'\hat y + SSE=\hat u'\hat u$의 행렬형 분산분해 $TSS = RSS + SSE$를 정립 • 결정계수 R² 계산: 편차형 자료에서 $RSS=\hat\beta'X'X\hat\beta$, $TSS=RSS+SSE$로 계산하고 $R^2 = RSS/TSS = 1 - SSE/TSS$를 사용해 모형이 설명하는 종속변수 변동 비율을 정량화
[83강] 행렬을 이용한 다중회귀분석 - 추정 (8)	0: 33: 18
다중공선성과 Ridge Regression: 완전·불완전 공선성에서의 추정 • 다중공선성 개념과 OLS 존재 조건: OLS 추정량은 $(X'X)^{-1}$ 존재(열벡터 선형 독립, $rank(X)=k$, $det(X'X)\neq 0$)를 전제로 하며, 완전 다중공선성은 정확한 선형 종속·$\|\rho\|=1$로 OLS 불가능, 불완전 다중공선성은 $\|\rho\|<1$이지만 1에 근접해 분산이 과대해지는 상태를 의미함 • 완전·불완전 다중공선성의 분산·공분산 구조: $x_2=a x_1$이면 $det(X'X)=0$, $Var(x_2)=a^2Var(x_1)$, $\|\rho_{12}\|=1$로 완전 다중공선성; $x_2=a x_1+\epsilon$에서 $Var(\epsilon)>0$이면 $\|\rho_{12}\|<1$이지만 $Var(\epsilon)\downarrow 0$일수록 $\rho_{12}^2\to 1$, $det(X'X)\to 0$로 OLS 추정량 분산이 폭증하는 불완전 다중공선성 구조가 형성됨 • Ridge Regression 추정량 구조와 역할: Ridge 추정량은 $\hat\beta^{R}=(X'X+\lambda I)^{-1}X'Y$로 정의되며, $\lambda>0$을 통해 $X'X+\lambda I$를 항상 가역행렬로 만들어 완전 다중공선성에서도 추정 가능하게 하고, 공선성으로 인한 분산을 완화하는 정규화(패널티) 기법으로 활용됨
[84강] 행렬을 이용한 다중회귀분석 - 추정 (9)	1: 03: 49
능형회귀에서 λ 변화에 따른 추정량과 분산 변화 해석 • 능형회귀 기본 구조: 완전다중공선성으로 OLS가 불가능한 상황에서 $X'X+\lambda I$를 이용해 역행렬을 정의하고, $\hat\beta_{ridge}=(X'X+\lambda I)^{-1}X'y$ 형태로 추정계수를 도출하는 L2 패널티 기반 회귀 모형 • 완전다중공선성·2×2 모형 해석: x2 = a x1 구조에서 $(X'X+\lambda I)$의 행렬식과 역행렬을 정리해 $\hat\beta_1=\frac{\sum x_{1i}y_i}{\lambda+(a^2+1)\sum x_{1i}^2}$, $\hat\beta_2=a\hat\beta_1$을 도출하고, x2 = 2x1·x2 = 0.5x1 사례에서 계수 비례관계와 λ 변화에 따른 계수 방향·크기 변화를 수식 기반으로 설명 • λ–분산–편의 트레이드오프: $\text{Var}(\hat\beta_{ridge})=s^2(X'X+\lambda I)^{-1}$에서 λ 증가 시 계수 분산·공분산이 단조 감소하는 대신 추정량이 0 방향으로 수축하는 하향편의가 커지는 구조를 정리하고, 공선성 완화·분산 축소·편의 증가 간 균형을 위한 적정 λ 선택 원리 제시
[85강] 행렬을 이용한 다중회귀분석 - 추정 (10)	1: 00: 17
Summary Content: 다중공선성과 분산팽창지수(VIF) 계산과 해석 정리 • 분산팽창지수(VIF) 개념: VIF_j = 1/(1-R_j²)로 정의되며, 다중회귀에서 공선성으로 인해 각 회귀계수 Var(β̂_j)가 공선성 없는 경우보다 몇 배 팽창했는지를 측정하는 지표 • VIF 이론 및 일반식: k≥2에서 X_j를 나머지 X_-j에 회귀한 보조회귀의 결정계수 R_j²로부터 VIF_j 계산, Var(β̂_j) = σ²/∑x_ji² · VIF_j 및 Var(β̂) = σ²(X'X)^{-1} 관계를 통해 (X'X)^{-1}_jj = VIF_j/∑x_ji², VIF_j = (Var(β̂_j)/σ²)·∑x_ji² 도출 • VIF 계산과 다중공선성 진단: 주어진 X'X와 s²로부터 Var(β̂_j)와 ∑x_j²를 이용해 VIF_j = Var(β̂_j)·∑x_j²/s²로 빠르게 계산하고, VIF 값(예: VIF≈1은 공선성 미미, VIF≫10·100은 심각)을 근거로 어떤 설명변수 집합(x₂, x₃ 등)이 다중공선성의 주요 원인인지 판별 및 해석
행렬을 이용한 다중회귀분석 : 가설검정
[86강] 행렬을 이용한 다중회귀분석 - 가설검정 (1)	1: 01: 50
다중회귀분석 행렬표현과 제약 가설검정 연습문제 요약 • 선형제약 행렬표현과 제약행렬 R: 다중회귀모형에서 선형제약과 구조변화를 Rβ=r 형태로 표현하고, 제약행렬 R·제약벡터 r 구성 및 편차형 변수에서 (X'X)^{-1}의 분산·공분산 구조 해석 • 일반 F검정식과 t검정 관계: UR·R 모형 SSE 비교식과 quadratic form F = {(Rβ̂−r)'[R(X'X)^{-1}R']^{-1}(Rβ̂−r)/m}/σ̂²을 제시하고, 단일제약에서 F=t²로 t검정과 동치 관계 및 복수 제약의 다변량 확장 구조 정리 • 복수 제약 F검정 연습과 결과 해석: 두 선형제약 동시검정과 세 계수 동시 0 가설에 대해 R 구성·R(X'X)^{-1}R' 계산·F값 및 p값 도출 절차를 통해 귀무가설 비기각·강력 기각 사례와 자유도 기반 의사결정 규칙 제시
[87강] 행렬을 이용한 다중회귀분석 - 가설검정 (2)	0: 44: 10
선형제약 가설검정에서의 F통계량 계산과 해석 • 선형제약 행렬표현: 회귀계수에 대한 다중 선형제약을 $R\beta = r$로 표현하고, 추정값으로부터 $R\hat\beta - r$ 벡터를 계산해 제약 위배 정도를 요약 • F통계량과 Quadratic form: $R(X'X)^{-1}R'$ 및 그 역행렬을 이용해 $(R\hat\beta - r)'[s^2 R(X'X)^{-1}R']^{-1}(R\hat\beta - r)/q$ 꼴의 quadratic form으로 F통계량을 산출하고, 3×3 대칭행렬의 역행렬·determinant 일반형으로 계산 구조 정리 • 통계량 해석과 분산 구조: $(R\hat\beta - r)$ 크기와 제약방향 분산·공분산 행렬 규모를 비교해 F와 p값을 해석하고, 개별 t통계량 대비 공동제약 F검정의 절차와 귀무가설 수락·기각 기준을 정리
[88강] 행렬을 이용한 다중회귀분석 - 가설검정 (3)	1: 05: 57
비선형 가설검정과 테일러 전개: 연습문제 1 풀이 정리 • 비선형 제약함수와 테일러 선형근사: 비선형 제약 f(β)=0을 다변수 1차 테일러 전개로 근사하여 그라디언트 벡터를 이용한 선형 제약식 Rβ=r 형태로 변환하는 절차 정리 • 제약행렬 R 구성과 F 통계량: 원래 비선형식 그대로/분모 제거 다항식 형태 두 방식으로 편미분해 R을 구성하고, R(X'X)⁻¹R'과 Rβ를 이용한 F 통계량·p값 계산 구조 및 제약 개수·스케일 효과 정리 • 근사 오차와 표현 방식의 영향: 동일 비선형 제약이라도 식 재표현과 선형근사 오차에 따라 R의 스케일·F값·p값이 크게 달라질 수 있으며, 고차항 무시 가능성·민감도·직관과의 불일치 가능성을 검토하는 해석 원리 정리
[89강] 행렬을 이용한 다중회귀분석 - 가설검정 (4)	0: 58: 09
수출함수 구조변화 검정과 F통계량의 행렬식 유도 • 구조변화 검정 모형 구조: 수출함수(1971~2010)를 두 기간으로 나눈 UR/R 모형·계수 동일성 제약 $H_0:R\beta=0$ 설정·R행렬 구성과 분할행렬 $X=diag(X_1,X_2)$, $X'X$ 의 block diagonal 구조 정리 • F통계량과 행렬식 표현: SSE 기반 F통계량 $F=\dfrac{SSER-SSEUR}{M}\big/\dfrac{SSEUR}{T-2K}$ 과 행렬식 F통계량 $F=\dfrac{1}{M}(R\hat\beta-r)'[R(X'X)^{-1}R']^{-1}(R\hat\beta-r)/\hat\sigma^2$ 의 등가성·UR모형 기준 오차분산 $\hat\sigma^2=SSE_{UR}/df_{UR}$ 활용 절차 • Rβ̂ 분산과 구조변화 해석: $Var(R\hat\beta)=\hat\sigma^2 R(X'X)^{-1}R'$ 계산·계수 차이의 표준오차·t통계량 도출·특정 계수에서 큰 t·F값이 발생해 구조변화의 주된 원인이 되는지 판별하는 해석 원리 정리
[90강] 행렬을 이용한 다중회귀분석 - 가설검정 (5)	0: 51: 54
선형제약 하 제약최소제곱 추정량 도출과 라그랑주 승수법 • 제약최소제곱(Restricted LS) 개념: 회귀모형 y = Xβ + ε에서 선형제약 Rβ = r 하 오차제곱합 최소화를 수행하는 제약최소제곱 추정과 F통계량·분산구조와의 연계 정리 • 라그랑주 승수법과 제약 정규방정식: 라그랑지안 L(β,λ) = (y − Xβ)'(y − Xβ) + 2λ'(Rβ − r)의 1계 조건을 통해 $\begin{pmatrix}X'X & R' \\ R & 0\end{pmatrix}\begin{pmatrix}\beta \\ \lambda\end{pmatrix} = \begin{pmatrix}X'y \\ r\end{pmatrix}$ 형태의 제약 정규방정식 도출 및 파티션 행렬·Schur complement를 이용한 해 구조 이해 • 제약최소제곱 추정량과 분산 해석: $\hat\beta_R = \hat\beta_{OLS} - (X'X)^{-1}R'[R(X'X)^{-1}R']^{-1}(R\hat\beta_{OLS} - r)$ 형태의 폐형식 유도, R(X'X)^{-1}R'을 제약 선형조합 분산으로 해석하고 제약 위반량·분산 구조·F검정 간의 연결 구조 정리
[91강] 행렬을 이용한 다중회귀분석 - 가설검정 (6)	0: 29: 51
제약 최소제곱추정량과 F통계량 계산 과정 정리 • 제약 최소제곱추정량(Restricted OLS) : 선형제약 Rβ=r 하에서 β̂_R = β̂_OLS − (X'X)⁻¹R'[R(X'X)⁻¹R']⁻¹(Rβ̂_OLS−r)로 표현되며, OLS 추정량을 제약 위반 벡터 Rβ̂_OLS−r의 분산구조에 따라 조정한 계수벡터임 • 선형제약 행렬표현과 F 통계량 : 가설(예: β₂=β₃, β₄+β₅=1)을 R, r로 행렬화하고, F = [(SSE_R − SSE_UR)/q] / [SSE_UR/df_UR] = (1/q)(Rβ̂_OLS−r)'[s²R(X'X)⁻¹R']⁻¹(Rβ̂_OLS−r)로 제약의 유의성을 SSE 차이와 분산행렬로 평가함 • 제약 모형(R 모형)과 행렬 접근의 등가성 : 제약을 직접 회귀식에 대입해 축소 설계행렬 X_R로 OLS를 수행한 뒤 원래 차원으로 변환하는 방식과, (X'X)⁻¹R'[R(X'X)⁻¹R']⁻¹을 사용하는 행렬식 접근은 동일한 β̂_R과 동일한 SSE_R을 산출하는 동치 절차임
행렬을 이용한 다중회귀분석 : GLS
[92강] 행렬을 이용한 다중회귀분석 - GLS (1)	0: 47: 55
이분산·자기상관 하에서 GLS와 공분산행렬 구성 원리 • 고전적 선형회귀모형과 GLS 개념: $y=X\beta+\varepsilon$, $\varepsilon\sim(0,\Sigma)$ 하에서 등분산·비자기상관이 깨지면 공분산행렬 $\Sigma$를 반영한 GLS 추정량 $\hat\beta_{GLS}=(X'\Sigma^{-1}X)^{-1}X'\Sigma^{-1}y$로 효율성 회복 • 이분산·1차 자기상관 공분산 구조: 이분산과 AR(1)이 공존할 때 $\operatorname{Var}(\varepsilon_t)=\sigma^2 w_t$, $\operatorname{cov}(\varepsilon_i,\varepsilon_j)=\rho^{\|i-j\|}\sigma^2 w_{\min(i,j)}$인 대칭 공분산행렬 $\Sigma=\sigma^2\Omega$를 구성하고, 주대각은 $w_t$, 비대각은 $\rho^{\|i-j\|}w_{\min(i,j)}$ 패턴으로 정리 • FGLS와 공분산행렬 추정: 실제로는 $w_t$와 $\rho$를 관측·추정치($x_t$, $\hat\rho$)로 대체해 $\hat\Sigma_{ij}=\hat\rho^{\|i-j\|}x_{\min(i,j)}$를 구성하고, 이를 이용해 FGLS 추정량 $\hat\beta_{FGLS}=(X'\hat\Sigma^{-1}X)^{-1}X'\hat\Sigma^{-1}y$를 계산하는 절차 학습
[93강] 행렬을 이용한 다중회귀분석 - GLS (2)	0: 36: 22
Feasible GLS와 Breusch-Pagan 검정, 이분산을 고려한 공분산 행렬 추정 • Breusch-Pagan 검정: 잔차제곱에 대한 보조회귀식 설정과 결정계수 R²를 이용해 LM=N·R² 카이제곱 검정통계량을 도출하고 TSS·RSS·SSE·MSE 관계로 이분산 존재 여부를 진단 • 보조회귀식 추정 및 이분산 구조 식별: (X'X)⁻¹X'e²로 감마 추정량과 RSS·R²·t-통계량·p값을 계산해 잔차분산에 유의한 설명변수(X₂)를 식별하고 σᵢ²∝X₂ᵢ²로 가정해 대각 공분산 행렬 Σ 및 추정량 Σ̂ 구성 • Feasible GLS(FGLS) 추정: 이분산 구조를 반영한 Σ̂를 사용해 β̂_FGLS=(X'Σ̂⁻¹X)⁻¹X'Σ̂⁻¹y와 Var(β̂_FGLS)=σ̂²(X'Σ̂⁻¹X)⁻¹을 행렬 연산으로 계산하여 OLS 대비 효율적인 회귀계수와 표준오차를 추정
[94강] 행렬을 이용한 다중회귀분석 - GLS (3)	0: 45: 52
화이트 검증(White test)을 이용한 2차항 포함 이분산성 검정 정리 • 화이트 검정 구조: 잔차 제곱을 종속변수로 하고 설명변수의 원래항·제곱항·교차항을 포함한 보조회귀식을 적합해 결정계수 R²를 구하고 nR²를 카이제곱 분포로 근사하는 일반 이분산성 검정 방법 정리 • M행렬과 잔차 벡터: M=I−X(X′X)⁻¹X′인 투영행렬의 대칭·아이디엄포턴트 성질을 이용해 e=My로 잔차를 도출하고, Myy′M의 주대각으로 잔차 제곱 벡터 e²를 행렬 형태로 표현하는 절차 정리 • 보조회귀식 행렬표현과 검정통계량: e²=Zγ+η 형식으로 상수항·설명변수·제곱항·교차항을 포함하는 Z를 구성하고, 보조회귀식의 R²와 nR² 계산식 및 자유도=(비상수 계수 개수)인 카이제곱 검정 구조와 소표본에서의 근사 한계 정리
[95강] 행렬을 이용한 다중회귀분석 - GLS (4)	0: 52: 36
FGLS 추정과 1차 자기상관 공분산행렬 구성 (연습문제 4) • 더빈–왓슨 통계량과 AR(1) 자기상관 추정 : DW • AR(1) 오차 공분산행렬 Σ와 역행렬 Σ⁻¹ : Var(εt)=1/(1−ρ²), Cov(εt,εt−j)=ρ^{\|j\|}/(1−ρ²) 형태의 Toeplitz 구조 Σ와 삼대각(tridiagonal) 구조 Σ⁻¹을 정식화해 자기상관을 반영한 가중치 행렬 구성 • FGLS 추정량 계산과 OLS 비교 : β̂_FGLS=(XᵀΣ̂⁻¹X)⁻¹XᵀΣ̂⁻¹y 공식을 엑셀 행렬 함수(MMINVERSE, MMULT, TRANSPOSE)로 구현해 저차원 예제·실제 데이터에 적용하고, OLS 대비 계수 분산 감소 및 효율성 향상 효과 비교 분석
확률과정, 안정성, 시계열분해
[96강] 시계열분석 - 확률과정, 안정성, 시계열분해 (1)	0: 59: 44
시계열 연습문제 1: 선형·이차 추세모형과 OLS 추정량 유도 • 시계열 자료 구조와 iid 가정: 횡단면·시계열·패널 자료의 정의와 차이, 시점 간 의존성으로 인한 비-iid 특성 및 시계열 예측 목표 정리 • 추세모형과 거듭제곱 합 공식: 선형·이차 추세모형 설정, OLS 기본식에 시간변수 t 대입, 1차·2차 power sum 공식을 이용한 합식의 폐형식 정리 • 선형추세 OLS 추정량: 기울기 β̂와 절편 α̂를 T, ∑Y_t, ∑tY_t로 표현하는 일반식 도출 및 소프트웨어 없이 계산 가능한 선형 추세 추정 구조 정리
[97강] 시계열분석 - 확률과정, 안정성, 시계열분해 (2)	1: 06: 00
2차 추세 모형 개수 추정과 편차형 행렬 해법 정리 • 2차 추세 모형과 다중회귀 구조: $y_t=\alpha+\beta t+\gamma t^2+u_t$를 $x_{1t}=t,x_{2t}=t^2$인 2변수 다중회귀로 해석하고, OLS 공식을 통해 추세 계수 추정 문제를 $(X'X)^{-1}X'y$ 형태로 정식화 • 편차형 설계행렬과 합 공식: $x_{1t}=t-\bar t$, $x_{2t}=t^2-\overline{t^2}$ 편차변환으로 상수항과의 직교 구조를 이용해 $X'X$를 2×2 행렬로 단순화하고, $\sum t,\sum t^2,\sum t^3,\sum t^4$를 망원합·이항식 전개로 구해 $X'X$와 $(X'X)^{-1}$의 다항식 구조 정리 • 회귀계수 추정량과 고차 일반화: $\sum(t-\bar t)(y_t-\bar y),\sum(t^2-\overline{t^2})(y_t-\bar y)$를 이용해 $\hat\beta,\hat\gamma$를, $\hat\alpha=\bar y-\hat\beta\bar t-\hat\gamma\overline{t^2}$로 상수항을 복원하며, 고차 추세모형에서는 필요한 차수까지의 $\sum t^k$ 공식을 통해 동일한 행렬식 OLS 구조로 일반화
[98강] 시계열분석 - 확률과정, 안정성, 시계열분해 (3)	1: 06: 21
시계열 분해와 승법모형을 이용한 분기별 예측 (주택건설수 사례) • 시계열 구성요소와 모형 구조: 추세(T)·계절(S)·순환(C)·오차(E) 네 요소 정의 및 가법·승법 모형 비교, 분기 자료에서 승법모형 선택 기준 제시 • 이동평균·중심이동평균과 분해 절차: 4분기 이동평균 및 중심이동평균을 통한 T·C 추정, y_t/M'_t 기반 계절지수 산출·보정, T·C·S·E 각각의 지수 도출 구조 정리 • 계절조정 예측 모형: 선형 추세식 추정(357.2+0.717t)과 계절지수 결합으로 분기별 예측치 산출, 계절·추세만 반영한 단기 예측 절차와 해석 정리
[99강] 시계열분석 - 확률과정, 안정성, 시계열분해 (4)	1: 04: 55
이동평균·지수평활·이중이동평균 예측모형 정리 • 이동평균법·단순지수평활: 최근 관측치의 단순평균 $m_t$와 지수 가중평균 $s_t$를 이용해 수준(level)만 반영하는 상수 예측 모형, 창 길이 $n$과 평활계수 $\alpha$로 스무딩 강도 조절 • 이중이동평균·이중지수평활: 1차 평활값($m_t, s_t$)에 다시 평활을 적용해 $m_t', s_t'$를 구하고, 수준·추세(α, β)를 추정하여 선형 추세를 갖는 예측식 $\hat{y}_{t+s}$ 도출 • 추세 시계열 이론구조: 선형 추세 모형 $y_t=\alpha+\beta t+\varepsilon_t$에서 $E(m_t), E(m_t')$를 통해 추세 왜곡과 보정 원리 설명, 단순·이중 모형의 상수 예측 vs 추세 반영 예측 구조 비교
[100강] 시계열분석 - 확률과정, 안정성, 시계열분해 (5)	1: 06: 58
이중지수평활법 기대값과 승법모형 계절조정 예측 비교 핵심정리 • 지수평활법 기대값 구조: 단순·이중지수평활법에서 수준평활식과 1·2차 평활값 기대값을 선형추세(α+βt) 형태로 전개하고, 이동평균법과 비교하여 보정항 (m-1)/2 와 (1-a)/a를 유효 윈도우 길이·가중치 관점에서 해석함 • 이중지수평활 예측식: 1차 평활값 s_t와 2차 평활값 s'_t 차이를 이용해 추세기울기 β를 표현하고, 예측식 ŷ_{t+s}=s_t+(s_t-s'_t)+s·(1-a)/a·(s_t-s'_t) 로 수준항·보정항·시간별 추세 증가항 구조를 제시함 • 승법모형 요소분해 및 비교: 이동평균(MA-12 등)으로 T×C를 추정하고 y_t/MA_{12,t}의 월별 평균으로 계절지수를 산정·조정해 T_t·S_t를 곱하는 승법모형 계절조정 예측을 구성하며, 단순/이중 이동평균·지수평활과 함께 5가지 예측법의 특성과 계절성이 강한 자료에서 승법모형의 적합성을 비교함
[101강] 시계열분석 - 확률과정, 안정성, 시계열분해 (6)	1: 10: 08
연습문제 4 – 이동평균법·지수평활법 예측과 오차 비교 핵심 정리 • 이동평균법·지수평활법 구조: 단순·이중 이동평균(m, m′)과 단순·이중 지수평활(s, s′)을 통한 수준·추세 분리 및 2012년 1~6월 시계열 예측, 추세 보정계수 (m−1)/2·α/(1−α)의 역할 정리 • 예측오차 측도(MAP, RMSP): 퍼센트 오차를 기반으로 한 MAP·RMSP 정의와 계산 구조, 표본 내·표본 외에서 네 모형(단순/이중, 이동평균/지수평활)의 오차 비교 및 상대적 예측 정확도 평가 • 예측모형 평가 기준: 관측 수 제약으로 인한 계절조정 불가 상황에서 단순·이중 모형의 특성, 변동성과 추세가 존재할 때 이중 모형의 장점, 표본 내 적합도와 표본 외 예측력을 통합 고려하는 모형 선택 원칙 정리
[102강] 시계열분석 - 확률과정, 안정성, 시계열분해 (7)	1: 03: 59
계절지수와 이동평균·지수평활을 통한 시계열 예측 비교 • 계절성·계절지수 개념: 분기별 반복 패턴을 계절지수(SE=Y/중심이동평균)로 정량화하고, 분기별 평균 계절지수의 크기·순위 일관성을 기준으로 계절성 존재 여부 판정 • 이동평균·지수평활·계절지수 산정: MA4와 중심이동평균으로 추세·순환을 제거한 뒤 SE 계산·분기별 평균·합 4로 조정해 계절지수 도출, 계절성이 약한 자료와 강한 자료의 계절지수 패턴 비교 • 예측모형 구조: 선형 추세모형 yt=α+βt에 분기별 계절지수(필요 시 Cycle 지수)를 곱한 T×S(×C) 예측과 이동평균·지수평활의 n·α 조합에 따른 평활효과·추세 반응성 차이 비교
자기회귀, 이동평균 모형
[103강] 시계열분석 - 자기회귀, 이동평균 모형 (1)	0: 58: 59
자기회귀(AR)와 이동평균(MA) 모형, AR(1)과 무한 MA 변환, 랜덤워크의 특성 • 선형 시계열 모형 구조: AR(p)·MA(q)·ARMA(p,q) 모형 정의와 종속변수의 자기값·과거 오차항 의존 구조 및 정상성·충격반응 분석 틀 정리 • AR(1) 모형과 MA(∞) 변환: $y_t=αy_{t-1}+u_t$의 표본 생성 절차, 시차연산자 L을 이용한 $(1-αL)^{-1}$ 전개, $\|α\|<1$에서 $y_t=\sum_{j=0}^{\infty}α^j u_{t-j}$ 형태의 무한차수 MA 표현과 가역성 조건 제시 • 랜덤워크와 비가역성: $α=1$인 랜덤워크 $y_t=y_{t-1}+u_t$의 비정상성·분산 누적·확률적 추세 특성 및 $\|α\|<1$ 미충족으로 인한 MA(∞) 수렴 불가능성과 비가역성 설명
[104강] 시계열분석 - 자기회귀, 이동평균 모형 (2)	0: 30: 03
AR(1) 모형에서 평균·공분산·자기상관·충격반응함수 도출 정리 • AR(1) 모형 및 MA(∞) 표현: y_t = α y_{t-1} + u_t, \|α\|<1, u_t ~ WN(0,σ²)를 전제로 y_t = ∑_{j=0}^{∞} α^j u_{t-j} 형태의 무한 이동평균 표현과 정규 백색잡음 가정 정리 • 분산·공분산·자기상관함수: Var(y_t)=σ²/(1-α²), Cov(y_t,y_{t-j}) = α^j σ²/(1-α²), 자기상관함수 ρ_j = α^j로 정의되어 등비급수 구조와 정상성 조건에 따른 지수적 감소 패턴 설명 • 충격반응함수(Impulse Response Function): 단위 충격에 대한 반응계수 φ_j = ∂y_t/∂u_{t-j} = α^j로 정의되며, 계수 α의 절댓값이 시계열의 기억 길이와 충격의 지속성, ACF·IRF의 공통 지수감소 형태를 결정함
[105강] 시계열분석 - 자기회귀, 이동평균 모형 (3)	0: 51: 55
차분방정식과 AR 모형 해법 및 컨버터빌리티 조건 정리 • 차분방정식과 미분방정식: 불연속 정의역에서의 함수값 차이(차분) 방정식과 연속 정의역에서의 도함수(미분) 방정식의 대응 관계, 시계열에서 차분을 통한 동학 표현 구조 • 1차 차분방정식과 AR(1) 모형: Δy_t = a의 반복법 해 y_t = y_0 + at, AR(1) 모형 (1-αL)y_t = u_t 의 레그오퍼레이터 표현과 해 전개, 컨버터빌리티 조건 \|α\|<1 및 근의 단위원 밖 위치 기준 • AR(2) 차분방정식과 특성방정식: (1-α_1L-α_2L^2)y_t = u_t 의 레그오퍼레이터 다항식과 근 위치를 통한 컨버터빌리티 판정, 대응 특성방정식 λ^2-α_1λ-α_2=0의 고유값(복소근 포함)과 단위원 내·외 위치에 따른 안정성·역전 가능성 조건 정리
[106강] 시계열분석 - 자기회귀, 이동평균 모형 (4)	1: 02: 49
AR 모형의 MA(무한 이동평균) 표현 변환 요약 • AR 모형 안정성·근 구조: AR(1)·AR(2)·AR(3) 및 일반 AR(p)에서 특성방정식 근이 복소 단위원 바깥(역수 λ의 \|λ\|<1)에 존재해야 하며, 실근·복소근·중근을 Lag 다항식 인수분해로 표현 • MA(∞) 전개 원리: 안정성 하에서 AR 다항식 φ(L)=(1-α₁L-⋯-α_pL^p)의 역함수 φ(L)⁻¹을 등비급수·곱 전개로 구해 y_t=ψ(L)u_t=∑_{j=0}^∞β_jL^j u_t 형태의 MA(∞) 모형으로 변환 • MA 계수 재귀식 도출: φ(L)ψ(L)=1에서 각 차수 L^k 계수 비교로 β₁=α₁, β₂=α₁²+α₂, β₃=α₁³+2α₁α₂+α₃ 등 초기 β_k와 일반 AR(p)의 재귀식 구조를 통해 충격반응과 시차 효과 분석 기반 마련
[107강] 시계열분석 - 자기회귀, 이동평균 모형 (5)	0: 36: 36
AR(1) 모형의 계수값에 따른 시계열 안정성과 그래프 형태 • AR(1) 모형 안정성 조건: 모형 구조 $y_t=\alpha y_{t-1}+u_t$, 안정성 조건 $\|\alpha\|<1$, 분산 공식 $Var(y_t)=\frac{\sigma^2}{1-\alpha^2}$와 α 값에 따른 분산 크기·충격 소멸 속도 비교 • α≈1 및 랜덤워크 비교: α가 1에 매우 가까운 안정적 AR(1)과 α=1 랜덤워크의 충격 누적 방식, 평균 회귀 여부, 확률적 추세 존재 여부 및 장·단기 그래프 형태 차이 정리 • 음의 계수 AR(1)과 불안정 모형: α<0, \|α\|<1인 감쇠 진동형 안정 시계열 구조와 α=-1에서 오차 증분 누적, 부호 교대, 진폭 확대에 따른 진동형 발산 패턴 대비 분석
[108강] 시계열분석 - 자기회귀, 이동평균 모형 (6)	1: 03: 09
AR(2) 모형의 안정성 판단과 연습문제 4 요약 • AR(2) 모형 구조와 특성방정식: $Y_t=\alpha_1Y_{t-1}+\alpha_2Y_{t-2}+U_t$ 구조, 레그 연산자식 $(1-\alpha_1L-\alpha_2L^2)Y_t=U_t$와 고유방정식 $\lambda^2-\alpha_1\lambda-\alpha_2=0$ 유도 및 AR(p)로의 일반화 • 안정성 조건과 단위원 기준: 레그식 특성근 $Z$는 단위원 밖(\|Z\|>1), 고유값 $\lambda$는 단위원 안(\|\lambda\|<1)에 모두 위치해야 안정, 계수 각각·합에 대한 직관은 보조 기준이며 최종 판정은 특성근/고유값 위치로 수행 • 안정·불안정 AR(2) 사례 비교: 안정 모형(예: 계수합<1인 5·7번)과 불안정 모형(계수합>1이거나 특수 구조인 6·8·9번)의 특성근 위치, 계수 구조, 시계열 그래프(수렴·발산·진동 패턴) 비교를 통한 안정성 판별 절차 정리
[109강] 시계열분석 - 자기회귀, 이동평균 모형 (7)	0: 58: 22
AR(2) 모형의 안정성, 자기상관함수, 충격반응함수 도출 핵심 정리 • AR(2) 안정성 조건: 특성다항식 근·고유값의 절대값과 단위원(안/밖) 비교를 통한 정상성·안정성 판정 절차 정리 • AR(2) 자기상관함수: Yule-Walker 방정식과 자기공분산·자기상관 재귀식을 이용한 ρ₁, ρ₂ 등 감쇠·진동형 ACF 도출 구조 • AR(2) 충격반응함수: 상태공간(전이행렬 F) 표현, F^j의 (1,1) 원소 계산·행렬 대각화를 통한 IRF의 지수적 감쇠·진동 패턴 분석
[110강] 시계열분석 - 자기회귀, 이동평균 모형 (8)	1: 04: 24
AR(2)·AR(3) 모형의 안정성, 자기상관함수, 충격반응함수 정리 • AR(2)·AR(3) 특성방정식과 단위근: 시차다항식·상태전이행렬 고유값 일치를 통해 안정성·단위근·랜덤 워크 여부 및 불완전 시계열 구조 판정 • AR(3) 자기공분산·자기상관함수: AR(3) 계수에 기반한 자기공분산·자기상관 재귀식 도출로 ACF 패턴과 단위근 존재 시 모든 시차 상관 유지 특성 정리 • 상태공간·충격반응함수와 고유값 분해: AR(2)·AR(3) 상태전이행렬 F 거듭제곱과 (F^h)_{11}을 통한 IRF 계산, 실수·복소 고유값 분해와 수치해석 기반 IRF 계산 전략 설명
[111강] 시계열분석 - 자기회귀, 이동평균 모형 (9)	0: 43: 04
연습문제6: AR(1) 시계열의 표본자기상관과 안정성 평가 • AR(1) 모형과 자기상관구조: AR(1) 과정에서 이론적 자기상관함수 ρj=αj, 안정성 조건 \|α\|<1, SACF의 지수적 감소 패턴을 통한 AR(1) 적합성과 정상성 판단 구조 제시 • 표본 자기상관함수와 소표본 보정: 표본자기공분산·분산·자기상관(γ̂j, γ̂0, ρ̂j) 정의와 계산, Fuller 보정치 ρ̃j와 Bartlett 근사분산을 이용한 소표본 바이어스 보정 및 t-검정 절차 정리 • SACF 기반 안정성 및 모형 진단: 소표본(T=15)·대표본(T=150) 사례에서 1시차만 유의한 SACF 패턴 분석, 시차별 t-통계량과 유의성 판정으로 안정적 AR(1) 구조 여부 및 고차 AR·단위근 가능성 진단 방법 정리
[112강] 시계열분석 - 자기회귀, 이동평균 모형 (10)	1: 04: 25
MA모형의 안정성과 AR모형으로의 변환 조건 정리 • MA(q) 모형과 약안정성: 유한차수 MA(q) 구조, 백색잡음 가정, 분산·자기공분산의 유한 지지(support)로 인한 항상 약안정성 및 MA(1)·MA(2)에서의 γj 패턴 정리 • MA(q) 모형의 AR(∞) 변환 조건: lag 다항식 θ(L)=1+β1L+…+βqLq, 역함수 θ(L)⁻¹의 무한급수 전개 가능성, 특성다항식 근의 단위원 밖 존재와 invertibility 조건을 통한 AR(∞) 표현 가능성 정리 • AR 모형과 MA(∞) 관계: 안정적 AR(1)·AR(p)의 MA(∞) 표현, \|α\|<1 조건과 MA 계수 제곱합 유한성, MA(q) 약안정성과 AR(∞) 변환 가능성의 차이 및 근 위치 조건 비교 정리
[113강] 시계열분석 - 자기회귀, 이동평균 모형 (11)	0: 52: 23
ARMA(1,1) 모형의 안정성·분산·공분산 정리 • ARMA(1,1) 모형과 Lag operator 표현: ARMA(p,q) 구조를 φ(L), θ(L)로 표현하고 MA(∞) 전개를 통해 자기공분산 구조를 분석하는 시계열 모형 기초 정리 • ARMA(1,1) 정상성 조건: y_t = αy_{t-1}+βu_{t-1}+u_t에서 \|α\|<1일 때 등비감소 가중치로 수렴하는 정상 과정이 되며, 안정성은 AR 계수에 의해만 결정됨 • ARMA(1,1) 분산·자기공분산 일반식: γ₀ = (1+2αβ+β²)/(1-α²)·σ², γ₁ = αγ₀+βσ², γ_k = α^{k-1}γ₁(k≥2) 구조를 가지며, MA 항은 1기 공분산에 직접 영향, 고차 공분산은 AR(1)처럼 지수적으로 감소함
[114강] 시계열분석 - 자기회귀, 이동평균 모형 (12)	0: 42: 23
ARMA(2,1) 모형의 안정성, 분해, 분산·공분산 요약 • ARMA 모형 안정성·특성방정식: AR 특성다항식 근의 절댓값(단위원 밖 여부)으로 ARMA(2,1), ARMA(2,2), ARMA(p,q)의 안정성·랜덤워크(단위근) 포함 여부 판단 및 1차 요인 분해 가능성 정리 • 무한 MA 표현 구조: 안정적 ARMA(2,1), ARMA(2,2), 일반 ARMA(p,q)를 AR·MA 다항식 분해 후 $(1-\lambda L)^{-1}$ 기하급수 전개를 이용해 $y_t=\psi(L)u_t$ 형태의 무한 MA 표현으로 변환하는 구조와 고유치·MA 계수 결합 패턴 정리 • Yule-Walker 방정식과 분산·공분산: ARMA(2,1), ARMA(2,2), ARMA(p,q)에 대해 Yule-Walker 연립방정식으로 $\gamma_0,\dots,\gamma_p$를 계산하고, $k>q$에서 $\gamma_k=\alpha_1\gamma_{k-1}+\dots+\alpha_p\gamma_{k-p}$ AR 재귀만 남으며 MA(q) 영향은 $\gamma_k$에서 $k\le q$까지만 나타나는 공분산 구조 정리
[115강] 시계열분석 - 자기회귀, 이동평균 모형 (13)	1: 06: 41
알몬 시차분포모형으로 본 환율과 수출의 동태적 관계 정리 • 유한·무한 시차 분포모형: 환율의 현재·과거값이 수출에 미치는 동태적 효과를 유한 시차(Almon 다항식 제약)와 무한 시차(Koyck 변환) 구조로 모델링하는 방식 정리 • Almon 시차분포모형: 시차계수 βj를 시차 j의 다항식(γ0, γ1, γ2 등)으로 제약해 Z행렬(가중합 지연변수)로 변환 후 OLS로 γ 추정, β 복원 및 누적·시차별 효과 해석 • 추정 및 검정 절차: Z'Z 역행렬과 잔차분산으로 Var(γ)·Cov(γi,γj) 산출, βj 분산·T통계량 계산을 통한 개별 시차계수 및 동태적 환율 효과의 통계적 유의성 검정 구조 정리
[116강] 시계열분석 - 자기회귀, 이동평균 모형 (14)	0: 43: 55
무한시차 분포모형과 Koyck 변환, 전이함수 추정 정리 • 무한시차 분포모형·전이함수: Lag operator와 등비계수 구조(β_j = βφ^j, \|φ\|<1)를 통해 무한시차 분포를 전이함수 β/(1-φL)와 누적효과 β/(1-φ)로 요약하는 모형 구조 정리 • Koyck 변환·AR(1) 회귀식: 무한시차 분포식에서 Y_t - φY_{t-1} 구성으로 무한급수 항을 상쇄해 Y_t = α(1-φ) + φY_{t-1} + βX_t + u_t 형태의 AR(1) 회귀식으로 변환하고, (β, φ, α) 및 전이함수 계수 식별·추정 절차 정리 • 내생성·도구변수 추정: Koyck 변환 후 Y_{t-1}와 변환오차 u_t의 상관으로 발생하는 내생성을 X_{t-1} 기반 예측치 Ẏ_{t-1}을 도구변수로 사용하는 IV 추정으로 해결하고, 현재효과 β, 시차별 효과 βφ^j, 장기 누적효과 β/(1-φ) 계산·해석 방법 정리
[117강] 시계열분석 - 자기회귀, 이동평균 모형 (15)	1: 02: 50
편자기상관함수(PACF)와 AR 모형에서의 도출 및 분포 요약 • 자기상관함수(ACF)·편자기상관함수(PACF) 개념: 시차 상관·편상관 정의, 표본 ACF·PACF 계산식, AR(p)에서 Yule-Walker 방정식을 이용한 ACF 재귀 구조 정리 • PACF 도출 구조와 AR 모형 특성: ACF로 구성된 Toeplitz 행렬과 크래머 공식을 통한 PACF(φkk) 도출 원리, 저차(k=1,2,3) 구체식 및 AR(1)·AR(2)·일반 AR(p)의 PACF 절단 특성(차수 이후 0) 정리 • 표본 PACF의 분포와 검정: 표본 PACF의 근사 정규분포(Var=1/T) 특성, 시차별 pacf(k)=0 가설에 대한 Z-검정 절차와 PACF 그래프를 이용한 AR 차수 식별 원리 정리
ARIMA 모형
[118강] 시계열분석 - ARIMA 모형 (1)	0: 57: 05
ARMA와 ARIMA의 추정, 추세와 차분, MA(1) MLE 요약 • 비정상 시계열과 추세·차분: 결정적 추세와 단위근에 의한 확률적 추세를 구분하고 차분 연산으로 시계열을 안정화하여 ARIMA(p,d,q) 구조(AR 차수 p, 차분 횟수 d, MA 차수 q)로 표현하는 방법 정리 • ARIMA 및 MA(1) 모형 구조: 안정적 ARMA/ARIMA 모형의 가정과 MA(1) 과정의 정의 $y_t=\mu+u_t+\beta u_{t-1}$, 정규 iid 오차 가정하에서 조건부 기댓값·분산을 이용한 조건부 분포와 체인 룰 기반 결합분포 표현 구조 제시 • MA(1) 모형의 MLE 추정: 결합우도함수와 로그우도함수 구성 후 이를 $\mu,\beta,\sigma^2$에 대해 미분하여 일차조건을 도출하고, 표본평균 형태의 $\hat{\mu}$, 비율식 구조의 $\hat{\beta}$, 오차 제곱평균 형태의 $\hat{\sigma}^2$로 정리하는 최대우도추정 절차 요약
[119강] 시계열분석 - ARIMA 모형 (2)	0: 45: 03
AR(1)·MA(1) 모형의 결합분포와 최우추정(MLE) 요약 • AR·ARMA 모형의 조건부분포 구조: AR(1)·AR(p)·ARMA(p,q)에서 시계열의 결합분포를 조건부 정규분포들의 곱으로 표현하고, 조건부 평균·분산과 로그우도 형태를 통해 MLE 목적함수를 잔차제곱합 최소화 문제로 구조화 • AR 모형에서 MLE–OLS 등가성: AR(1)·AR(p)에서 정규가정 하 MLE가 선형회귀 OLS 정규방정식과 동일해져, 상수항과 시차항을 설명변수로 하는 회귀모형의 잔차제곱합 최소화로 모수 추정 • MA·ARMA 모형의 MLE와 추정 전략: MA(1)·MA(q)·ARMA(p,q)에서 오차항이 모수의 함수로 내포되어 비선형 우도·고차 방정식이 발생하며, 오차항 재귀표현과 수치최적화, 자기상관함수·Yule–Walker 방정식 활용 등 수치적·간접 추정 방법으로 모수 추정
[120강] 시계열분석 - ARIMA 모형 (3)	0: 53: 49
AR(1), MA(1), ARMA(1,1) 모형의 최대우도추정 연습 문제 정리 • AR(1) 최대우도추정: 정규오차·잔차제곱합 기반 로그우도함수에서 α, σ² 미분을 통해 회귀계수 꼴의 폐형 해와 잔차제곱평균 추정량 도출 • MA(1) 최대우도추정: u_t = y_t - βu_{t-1} 전개 후 β에 대한 목적함수 미분으로 3차 이상 비선형 방정식 형성 및 손계산 불가 수준의 고차 다항식 구조 제시 • ARMA(1,1) 최대우도추정: u_t = y_t - αy_{t-1} - βu_{t-1} 기반 로그우도 극대화가 α, β에 대한 비선형 연립 다항식 문제로 귀결되며 다수의 실수·복소 해와 수치최적화·초기값 의존성 강조
[121강] 시계열분석 - ARIMA 모형 (4)	1: 00: 47
연습문제 3·4: 추세가 있는 시계열의 ARIMA 추정과 차수 선택 요약 • 추세·안정성·차분 개념: 가법·승법 분해와 로그변환을 통한 추세·계절·순환·오차 분리, 선형 추세 모형 추정 및 제거, 추세·단위근을 가진 불안정 시계열의 차분을 통한 ARIMA(p,d,q) 안정화 • 차분·안정성 검정: 1·2·3차 차분과 AR 계수(0.9, -0.733 등)를 이용한 안정성 비교, Q통계량·단위근 검정·ACF/PACF를 통한 화이트 노이즈 여부 및 적정 차분 차수(d) 판단 • ARMA/ARIMA 모형·차수 선택: 차분 후 ARMA/ARIMA 구조 설정, OLS·MLE 기반 AIC/BIC 정보기준 정의와 해석, 다양한 (p,q) 조합 중 AIC/BIC 최소값을 이용한 최적 차수 선택 절차
[122강] 시계열분석 - ARIMA 모형 (5)	0: 41: 57
박스-젠킨스 단계적 ARIMA 모형식별법과 연습문제 5 해설 요약 • 박스-젠킨스 ARIMA 식별 절차: 데이터 트랜스포메이션(차분에 의한 정상화)·아이덴티피케이션(ACF/PACF 기반 차수 후보 설정)·Estimation & Selection(MLE와 AIC/BIC로 모형 선택)·Checking(Ljung-Box Q통계량으로 잔차 화이트 노이즈 검정) 4단계 구조 • ARIMA 모형 개념과 차수 추정: ARIMA(p,d,q)=A(L)Δ^d y_t = B(L)ε_t에서 d는 최소 차분 차수(과도 차분 시 분산 증가·구조 불변)로 설정하고, 표본 ACF·PACF 패턴과 Q통계량을 이용해 AR, MA, ARMA 차수 범위를 좁히는 절차 • 연습자료 시계열 분석과 최종 AR(2) 모형: 안정적 시계열로 d=0인 ARMA(p,q)로 가정 후 여러 후보모형의 계수 유의성·AIC/BIC 비교를 통해 y_t = 1.946y_{t-1} - 0.952y_{t-2} + ε_t 형태의 AR(2) 모형을 선택하고, 잔차 화이트 노이즈 검정으로 모형 타당성 확인
단위근 검정
[123강] 시계열분석 - 단위근 검정 (1)	1: 02: 25
AR(1) 모형에서 단위근 검정과 추정량의 정근분포 • 단위근과 정상성 조건: AR(p) 특성방정식 근·계수합 조건을 통한 단위근 정의, 단위원 안/밖 위치와 시계열 정상성·비정상성 및 랜덤워크 구조 연결 • AR(1) 추정량 정근분포: AR(1)에서 OLS 추정량의 불편성·일관성, √T(α̂−α)의 정규 극한분포와 정규성 가정하 표준화 검정통계량 구성 원리 • 단위근 검정(Dickey-Fuller): H0:α=1에서 분산 붕괴·비표준 극한분포 문제, Δ모형(Δy_t=δy_{t-1}+u_t) 재표기와 DF/ADF 통계량 및 시뮬레이션 기반 Dickey-Fuller 분포 임계값 활용 구조
[124강] 시계열분석 - 단위근 검정 (2)	0: 41: 38
가성회귀와 추세가 있는 시계열 회귀분석 • 가성회귀와 단위근·추세 시계열: 단위근·공통 추세를 가진 비정상 시계열을 그대로 회귀했을 때 높은 t통계량·R²가 나타나는 가성회귀 현상과 비표준 분포 특성 정의 • 선형추세 모형과 공통추세 메커니즘: 각 시계열을 시간추세에 회귀해 추세계수를 추정하고, 공통 시간추세가 공분산과 회귀계수를 크게 만드는 구조(결정적 추세·확률적 추세 공유) 정리 • 추세 제거 후 회귀 절차: 차분·추세제거 후 시계열 간 회귀에서 계수 유의성 소멸로 관계 부재를 확인하고, 단위근 검정·추세 점검·차분·공적분 검토 등 시계열 회귀의 올바른 분석 절차 제시
[125강] 시계열분석 - 단위근 검정 (3)	0: 41: 44
단위근 검정 DF와 ADF, AR(p)에서의 확장 구조 • Dickey-Fuller(DF) 단위근 검정: AR(1) 모형에서 $H_0:\alpha=1$을 $T(\hat{\alpha}-1)$의 Dickey-Fuller 특수분포와 임계값으로 검정하고, $\Delta y_t = b y_{t-1} + \varepsilon_t$ 회귀식으로 단위근 존재 여부 판정 • AR(p) 모형 단위근 검정 변환: $y_t=\sum_{j=1}^p \alpha_j y_{t-j}+\varepsilon_t$에서 계수합 $H_0:\sum \alpha_j=1$을 $\Delta y_t = \phi y_{t-1} + \sum_{j=1}^{p-1}\beta_j \Delta y_{t-j} + \varepsilon_t$ 형태로 변환해 $H_0:\phi=0$을 DF형 통계량으로 검정 • Augmented Dickey-Fuller(ADF) 검정: DF 모형의 자기상관·설명변수-오차 상관 문제를 보완하기 위해 과거 차분항을 포함한 $\Delta y_t = \phi y_{t-1} + \sum_{j=1}^{p-1}\beta_j \Delta y_{t-j} + \varepsilon_t$ 회귀로 추정하고, 동일 DF 분포 임계값을 이용해 보다 신뢰도 높은 단위근(비정상성) 검정 수행
[126강] 시계열분석 - 단위근 검정 (4)	0: 39: 44
단위근 검정과 결정적 추세 통제의 의미와 모형 형태 • 단위근·추세 구조: 확률적 추세(랜덤워크)와 결정적 추세(상수항·시간추세항)의 결합 구조, 0차·1차·2차 이상 추세에 따른 시계열 수준의 형태 구분 • DF/ADF 모형 형태: 상수·추세 포함 여부에 따른 세 가지 단위근 모형과 대응 DF/ADF 검정식(추세 없음, 상수만 포함, 상수+선형추세 포함) 및 각 모형의 추세 차수 해석 • 검정 왜곡과 단측검정: 결정적 추세 미포함 시 단위근 오판단·검정통계량 분포 왜곡 문제와 이를 완화하기 위한 적절한 모형 선택(그래프 기반 판단) 및 좌측 단측검정 사용 원리
변동성 모형
[127강] 시계열분석 - 변동성 모형 (1)	0: 45: 54
조건부 이분산과 ARCH/GARCH(시계열 2분산 모형) 정리 • AR(1) 시계열 모형 특성: 안정성 조건($\|\alpha\|<1$) 하 무조건부 평균·분산과 조건부 평균·분산 구조를 통해 시계열의 장기수준과 예측값의 변동성 규정 • 변동성·이분산과 ARCH(p) 모형: 분산·표준편차 기반 변동성, 등분산 vs 이분산 및 조건부 이분산 정의, 오차제곱 AR구조를 갖는 ARCH(p) 분산방정식과 평균·분산 방정식 분리·추정 방식 정리 • GARCH(1,1) 모형과 안정성: ARCH 차수 증가의 자유도 문제를 완화하는 GARCH(1,1) 구조와 무한 ARCH 표현, ARCH·GARCH 계수 해석 및 안정성 조건 $\gamma+\eta<1$ 을 통한 장기 변동성·리스크 모형화 정리
[128강] 시계열분석 - 변동성 모형 (2)	0: 37: 59
연습문제 3: 역사적 변동성, EWMA, ARCH를 이용한 변동성 추정 • 역사적 변동성 추정: 과거 수익률의 표준편차를 이용한 균등가중 단순 이동평균 분산·변동성 계산, 시점 증가에 따른 완만한 변동성 변화 구조 • EWMA 변동성 추정: 수익률 제곱에 지수가중(감가계수 λ) 부여해 최근 정보에 민감한 가중이동평균 분산·변동성 추정, 스파이크를 매끄럽게 완화하는 시계열 구조 • ARCH 변동성 추정: AR(1) 평균방정식과 잔차 제곱 기반 ARCH(1) 조건부 분산 모형으로 스파이크·volatility clustering를 포착하는 동태적 변동성 추정 및 세 방법 간 가중 구조·이분산 설명력 비교
VAR 모형
[129강] 시계열분석 - VAR 모형 (1)	1: 06: 35
VAR 모형과 동태 IS-LM 균형의 VAR 표현 • VAR·VMA·VARMA 구조: 다변량 시계열의 VAR(p) 모형을 행렬·lag 연산자로 표현하고, VMA·VARMA와 AR(∞) 근사 관계를 통해 벡터 자기회귀 추정의 이론적·실증적 기반 정리 • VAR의 경제학적 의의: 거시 연립방정식(IS-LM)의 동태 구조를 통해 소득·금리 상호작용, 피드백, 균형조정 계수(소득·금리 탄력성)를 VAR 계수로 해석하는 이론적 연결 • 동태 IS-LM과 VAR(1) 균형식: IS·LM 곡선의 도출과 축약형 설정 후 균형소득·균형금리를 과거 소득·금리의 선형결합인 2변수 VAR(1) 행렬 구조로 표현하고, 계수 부호·안정성 조건을 파악하는 절차 정리
[130강] 시계열분석 - VAR 모형 (2)	0: 33: 42
IS-LM 동태모형의 구조모형과 VAR 축약모형 도출 연습 • IS-LM 동태 구조모형: IS·LM 연립방정식을 시차 포함 행렬식 구조모형 Bx_t = η + Γx_{t-1} + ε_t 로 설정·정리 • VAR 축약모형: 구조모형에 역행렬 B^{-1} 을 적용해 x_t = α_0 + A x_{t-1} + u_t 꼴로 표현하고, α_0 = B^{-1}η, A = B^{-1}Γ 로 계수 도출 • 경제적 동태 해석: 추정된 VAR 계수로 소득(y)과 금리(r)의 상호 작용, 자기시차 효과, 안정성 및 평균회귀·추세 구조를 분석
[131강] 시계열분석 - VAR 모형 (3)	1: 08: 49
이변수 VAR 구조모형과 충격반응분석 핵심 정리 • 이변수 구조 VAR 모형과 축약형·정규화: 구조 VAR(연립방정식)과 축약형 VAR의 관계 정리, 오차 분산 정규화(단위분산 구조충격)와 A = B⁻¹Γ, Γ = BA, uₜ = B⁻¹ηₜ 연결 구조 정리 • 구조충격 식별과 B행렬·공분산·Cholesky 분해: uₜ 공분산 Ω = Var(uₜ)와 B⁻¹(B⁻¹)′ 관계, 하삼각 B(Cholesky 제약)를 통한 구조충격 분리, 주어진 B로 Ω 계산 및 주어진 Ω에서 Cholesky 분해로 B⁻¹·B 복원 절차 정리 • 충격반응함수(IRF)와 동태 분석: 축약형의 MA 표현과 IRF 정의, 구조 IRF Φⱼ = AʲB⁻¹ 계산 절차와 계수 부호·크기·진동(oscillation) 패턴을 통한 변수 간 동태적 인과·조정 과정 해석
[132강] 시계열분석 - VAR 모형 (4)	1: 05: 41
VAR 모형의 안정성 판단과 분산·충격반응함수 계산 요약 • 구조 VAR 모형과 분산 추적량: 구조모형 Byₜ=Γyₜ₋₁+εₜ에서 B⁻¹·오차분산행렬·추적량(tr Var(uₜ)) 및 L(하삼각) 분해를 이용해 B⁻¹ 요소를 계산·식별하고, 주대각 양수 제약으로 구조모형을 정규화함 • VAR 안정성 조건과 고유값: VAR(1) yₜ=Ayₜ₋₁+uₜ에서 특성방정식 det(λI−A)=0의 고유값 \|λ\|<1 여부로 안정성(stationarity)을 판단하고, 2×2 VAR의 경우 λ²−(a₁₁+a₂₂)λ+(a₁₁a₂₂−a₁₂a₂₁)=0 형태로 고유값을 해석해 안정·불안정 사례를 구분함 • 충격반응함수(IRF) 구조와 패턴: 안정 VAR에서 Φⱼ=Aʲ를 이용해 IRF=ΦⱼB⁻¹로 정의하고, 구조충격의 단위 충격에 대한 각 변수의 시차별 반응이 0 또는 일정 상수로 수렴(단조·진동 수렴)하는지, 혹은 고유값이 단위원 밖일 때 진동·발산하는지 비교하여 충격 전파·소멸 특성을 분석함
[133강] 시계열분석 - VAR 모형 (5)	0: 37: 04
3차 VAR 모형의 고유값, 안정성, 충격반응함수와 분해 • 3차 VAR(1) 안정성 조건: 계수행렬 A의 특성방정식에서 고유값 {0.7, 0.1±0.1i}를 도출하고, 절댓값<1 여부로 단위원 내 존재·모형 안정성·충격반응 수렴 조건을 확인하는 절차 • Cholesky 분해와 구조행렬: 오차 공분산 행렬을 LLᵀ로 분해해 하삼각 행렬 L의 원소 l₁…l₆를 연립식으로 계산하고, 이로부터 B⁻¹, B를 구성하며 부분 행렬식 양수성으로 positive definite 조건을 점검하는 과정 • 충격반응함수(IRF) 계산: 안정적인 VAR(1)에서 IRF를 AʲB⁻¹ 형태로 정의하고, A·B⁻¹, A²B⁻¹ 등의 반복 곱셈을 통해 계수 감소와 0으로의 수렴을 수치적으로 검증하는 충격 전달 분석 구조
[134강] 시계열분석 - VAR 모형 (6)	0: 46: 12
VAR(2) 모형의 안정성 조건과 충격반응함수(IRF) 도출 요약 • VAR(2) 안정성 조건·특성방정식: VAR(2) 특성방정식 det(λ²I − λA₁ − A₂)=0에서 pk개(여기선 4개)의 고유값 \|λᵢ\|<1 여부로 안정성 판단, 일반 VAR(p)은 차수 pk의 다항식으로 수치적으로 근 계산 • VAR(2) 상태공간·VMA(∞) 표현: 상태벡터 z_t=[y_t', y_{t-1}']'와 전이행렬 F=[[A₁ A₂],[I 0]]로 z_t=F z_{t-1}+η_t 구성 후, (I−FL)⁻¹ 전개를 통해 z_t=∑_{j=0}^{∞}F^j η_{t−j}형 VMA(∞)로 변환 • 구조충격·IRF 도출: 축약형 오차 u_t와 구조오차 ε_t를 u_t=B⁻¹ε_t, η_t=V⁻¹ε_t(상단블록 B⁻¹)로 연결해 z_t=∑_{j=0}^{∞}F^j V⁻¹ε_{t−j} 표현, 각 시차 j에서 IRF_j는 F^j V⁻¹의 상단 k×k 블록으로 정의되며 B⁻¹은 공분산행렬의 Cholesky 분해로 추정됨
[135강] 시계열분석 - VAR 모형 (7)	0: 53: 50
예측오차 분산분해(FEVD)와 VAR 공분산 구조 해석 • 예측오차·분산 및 FEVD 개념: VAR의 예측치·예측오차·예측오차 분산을 정의하고, MA(∞) 표현을 통해 예측오차를 정보집합 이후 구조적 충격들의 선형결합으로 나타낸 뒤 각 충격이 예측오차 분산을 설명하는 비율로 FEVD를 정의 • FEVD 일반식과 계산 구조: n변수 VAR의 MA(∞) 계수행렬(Θ_k)과 구조적 충격 분산(σ_j²)을 이용해 i번째 방정식·j번째 충격의 FEVD를 분자(해당 충격 기여분)·분모(전체 충격 합) 형태로 정식화하고, 2변수 VAR에서는 독립 충격 가정하에 계수 제곱×분산 비율로 FEVD를 계산 • 공분산 행렬·Cholesky 분해와 FEVD 해석: 축약형 공분산 행렬 Ω를 Cholesky 분해(Ω=LL')하여 B⁻¹=L로 두고, 1기 후 예측오차를 FE_{t+1}=B⁻¹ε_{t+1}로 표현함으로써 B⁻¹ 각 행 원소 제곱 비율로 1기 후 FEVD를 계산하며, 공분산 구조 유형(단위·대각·대칭행렬 등)과 변수 순서·분해 방식이 FEVD 패턴(자기 충격 비중, 교차 충격 비중)을 어떻게 제약·고정하는지 비교·해석
[136강] 시계열분석 - VAR 모형 (8)	1: 03: 13
예측오차 분산분해(FEVD)와 공분산 구조 사례 정리 • 예측오차 분산분해(FEVD) 구조: VAR 모형에서 각 시점·방정식 예측오차를 구조충격(오차항) 계수 제곱합 비율로 분해하고, 2기 이상에서 A·B⁻¹·ε 선형결합 구조를 통해 자기·교차 충격 기여도를 계산하는 절차 • 분산–공분산 행렬과 FEVD 패턴: 단위·대각·비대칭 분산 및 양·음의 공분산 구조에 따라 Cholesky 분해로 얻는 B⁻¹ 계수가 달라지고, 이에 따라 각 변수 예측오차에서 자기충격과 상대 변수 충격의 단기·장기 기여도 및 FEVD 궤적(수렴값 포함)이 결정되는 원리 • 구조 VAR vs 축차 VAR(Cholesky): 축차 VAR은 하삼각 B(Cholesky)를 사용해 변수 순서에 따라 초기 충격이 한 변수에 집중되는 FEVD를 산출하고, 구조 VAR은 이론 제약이 반영된 일반 구조행렬 B 전체를 사용해 처음부터 여러 구조충격이 동시에 각 변수 예측오차를 설명하는 분산분해를 수행하는 체계
[137강] 시계열분석 - VAR 모형 (9)	0: 52: 37
VAR 모형에서 인과관계검정과 구조 VAR·축차 VAR의 관계 핵심 정리 • Granger 인과관계검정: Restricted/Unrestricted VAR 방정식의 SSE 차이로 F통계량을 계산해 변수 간 단·쌍방 인과 방향을 판정하고, 외생·내생성 정도를 비교 • 축차 VAR(Cholesky VAR): B행렬을 상·하삼각(또는 주대각 1)으로 제약해 변수 순서를 “많이 주고 적게 받는 변수 → 많이 받는 변수” 기준으로 배치하고, 구조충격을 Cholesky 분해로 식별 • 구조 VAR(structural VAR): 이론 기반 제약으로 B·Ω를 설정하며, 식별 조건 ½k(k−1)를 충족시켜 과대·적정·미식별을 구분하고, Var(uₜ)=B⁻¹Ω(B⁻¹)′ 구조에서 충격반응함수·예측오차 분산분해를 도출
VECM 모형
[138강] 시계열분석 - VECM 모형	1: 01: 15
벡터 오차수정 모형과 공적분 검정 연습문제 핵심 정리 • 단위근·공적분·가성회귀: 단위근 시계열의 차분·수준 VAR 한계와 공통 확률추세 존재 시 공적분 관계 및 가성회귀 문제 구조 정리 • 공적분 검정과 VECM: Engle–Granger(2단계 회귀-잔차 DF)와 Johansen(랭크·고유값 기반) 공적분 검정 절차, 공적분 벡터·오차수정항·조정속도 계수를 포함한 VECM 구조 및 해석 • 벡터 시계열 모형 선택과 IRF: 단위근·공적분 유무에 따른 수준 VAR·차분 VAR·VECM 선택 기준과 각 모형의 충격반응함수(IRF) 특성, FEVD·Granger 인과관계 검정까지 포함한 전체 분석 절차 요약
패녈모형 소개
[139강] 패널분석 - 패널모형 소개 (1)	0: 30: 54
패널 분석 연습문제1: 합동 OLS와 Between-effect 모형 비교 핵심 정리 • 패널 자료 구조와 기본 모형: 개체·시점 이중 지수 구조의 패널 자료에서 합동 OLS 적용 조건(iid 오차), 개체 효과(u_i)에 따른 단순 패널·FE·RE·동태적 패널·이원 오차영향모형의 구분 • 합동 OLS와 Between-effect 모형: 합동 OLS는 모든 관측을 하나의 횡단면으로 처리해 within·between 변동을 동시에 사용하고 iid 오차를 전제하며, Between-effect 모형은 시점 평균( \bar y_i, \bar x_i )을 사용해 순수 횡단면 회귀로 환원하고 개체 간 변동(between variation)에 집중 • 오차 구조·가중치와 모형 선택: u_i+ε_it 구조에서 합동 OLS는 오차 상관·이분산으로 분산추정 왜곡 가능성이 있으며, Between-effect는 개체 간 차이와 시계열 효과가 미미한 상황에서 평균화된 오차(u_i+ \bar ε_i )에 기반해 개체 간 비교를 중시하나, within 정보 손실과 가중치 구조로 분산 확대 위험 존재
[140강] 패널분석 - 패널모형 소개 (2)	0: 41: 25
패널 자료에서 합동 OLS와 Between Effects 비교 연습문제 정리 • 패널 자료 구조와 합동 OLS: 7×5 균형 패널에서 모든 (i,t) 관측치를 i.i.d. 가정 하에 하나의 횡단면으로 보고 y_it = α + βx_it + u_it을 합동 OLS로 추정, 시점·개체별 기울기 차이가 통계적으로 유의한지와 잔차 패턴을 통해 시간효과 무시 가능성 점검 • Between Effects 모형: 각 개체별 시간평균 (x̄_i, ȳ_i)만을 사용해 ȳ_i = α + βx̄_i + v_i를 추정함으로써 시간변동을 제거하고 횡단면 간 구조(기울기·절편)만 분석, 표본 수 N에 의해 표준오차와 계수 유의성이 크게 좌우됨 • 합동 OLS vs Between Effects 비교 및 모형 선택: 시계열 효과와 계수 변화가 거의 없을 때 두 모형의 추정계수(α,β)가 사실상 동일해지며, 합동 OLS는 NT 전체 표본 사용으로 표준오차가 작고, Between Effects는 N만 사용해 표준오차가 커지므로 시간효과 존재 여부·표본 크기·관심 대상(시간변동 vs 횡단면 차이)에 따라 적절한 모형을 선택함
고정효과 vs 변동효과
[141강] 패널분석 - 고정효과 vs 변동효과	1: 09: 27
패널데이터 연습문제: 고정효과·확률효과, 추정과 검정 핵심 정리 • 패널모형·개체효과 구조: 고정효과(FE)·확률효과(RE) 정의와 개체별 절편(u_i, η_i) 처리 방식, 합동 OLS의 바이어스·비효율성 및 FE(Within, LSDV)·RE(GLS) 추정식과 θ_i·분산(σ_u^2, σ_ε^2) 구성 • FE·RE 비교와 모형선택: FE Within 변환·Between·LSDV 등 고정효과 추정 구조, RE 가중변환과 오차 공분산 제거, Hausman 검정통계량·자유도·귀무·대립가설을 통한 FE vs RE 선택 기준 및 Pooled OLS·LSDV·FE·RE 결과 해석 • 동적 패널·내생성·GMM: 시차 종속변수 포함 동적 패널모형에서 y_{i,t-1} 내생성, OLS·FE 불일관성, 차분 후에도 남는 상관 구조, 도구변수(IV)·Arellano–Bond·Arellano–Bover·Blundell–Bond GMM을 이용한 일관추정 필요성 정리
정오표
[142강] 강의 정오표-교재만 있음	0: 00: 00

김재현 교수님

계량경제학 문제풀이 통합과정

460,000원
강의 수 141강
수강기간 225일

상담시간: 10:00~18:00
점심시간: 13:00~14:00

토요일,일요일,공휴일 휴무

1:1문의 바로가기

유니와이즈 고객행복센터

1899-7454

학점은행제 고객행복센터

1833-6227

상담시간: 10:00~18:00

점심시간: 13:00~14:00

토,일,공휴일 휴무

1:1문의 바로가기

기초수리대학

수학교육대학

공과대학

상경대학

자연과학대학

기사/산업기사

전체메뉴