브로이시-파간 검정 (Breusch-Pagan test)
쉽게 풀면
회귀분석을 할 때는 "잔차(실제값-예측값)의 흩어진 정도가 어디서나 비슷하다"는 가정(등분산성)을 전제로 계산합니다. 그런데 실제 데이터에서는 예측값이 작을 때는 잔차가 촘촘히 모여 있다가 예측값이 커질수록 잔차가 확 퍼지는 경우가 흔합니다(예: 소득이 낮을 때는 지출 예측이 잘 맞다가, 소득이 높아질수록 지출 편차가 커지는 경우). 브로이시-파간 검정은 이런 "잔차의 퍼짐 정도가 독립변수 값에 따라 체계적으로 달라지는지"를 회귀분석으로 다시 한 번 확인하는 절차입니다. 구체적으로는 잔차의 제곱을 독립변수들에 대해 다시 회귀시켜, 그 설명력이 우연이라 보기 어려울 만큼 크면 "이분산성이 있다"고 판단합니다.
왜 중요한가
이분산성을 확인하지 않고 회귀분석 결과를 그대로 보고하면 표준오차가 과소 또는 과대 추정되어, 실제로는 유의하지 않은 변수를 유의하다고 잘못 해석하거나 그 반대의 오류를 범할 수 있습니다. 그래서 경제학, 경영학, 사회과학 등 회귀분석을 핵심 도구로 쓰는 분야의 논문에서는 통계적 추론의 신뢰성을 담보하기 위한 진단 절차로 브로이시-파간 검정을 관행적으로 보고합니다. 특히 횡단면 데이터처럼 관측 단위 간 변동 폭이 큰 경우 이분산성이 발생하기 쉬워, 결과의 타당성을 뒷받침하는 근거로 자주 인용됩니다.
논문에서는 이렇게 쓰입니다
이 문장은 잔차의 퍼짐이 일정하지 않다는 것이 통계적으로 확인되었고, 그래서 표준오차 추정치를 왜곡시키는 이분산성 문제를 보정하기 위해 강건표준오차를 적용했다는 뜻입니다.
경영학·재무 분야 논문에서 흔히 볼 수 있는 표현으로, 검정 결과가 유의하지 않으면 등분산성 가정이 크게 위배되지 않는다고 보고 별도의 보정 절차 없이 분석을 진행했다는 의미입니다.
보건경제학 등에서는 이분산성 검정 결과를 단순한 통계적 절차를 넘어, 소득 계층별로 지출 패턴의 변동성 자체가 달라진다는 실질적인 해석과 함께 제시하는 경우가 많습니다.
조금 더 깊게 보면
브로이시-파간 검정은 원래 잔차 제곱을 독립변수들의 선형결합으로 회귀시키는 형태로 제안되었지만, 정규분포 가정에 민감하다는 한계가 지적되면서 이를 보완한 쿡-와이즈버그(Cook-Weisberg) 검정이 널리 함께 쓰이며, 통계 소프트웨어에서도 흔히 같은 이름으로 묶여 제공됩니다. 이보다 더 유연하게, 독립변수의 제곱항과 교차항까지 포함해 비선형적인 이분산 패턴까지 잡아내는 화이트 검정도 대안으로 많이 쓰입니다. 실무적으로는 어떤 검정을 쓰든 유의한 이분산성이 발견되면 강건표준오차나 가중최소제곱법(WLS)으로 대응하는 것이 일반적이며, 어떤 방법을 택했는지에 따라 이후 결과 해석의 엄밀성도 달라질 수 있습니다.
주의할 점
브로이시-파간 검정에서 유의한 결과가 나왔다고 해서 회귀계수 추정치 자체가 틀린 것은 아닙니다. 다만 표준오차가 왜곡되어 t값과 p값, 신뢰구간의 신뢰성이 떨어지므로 강건표준오차를 쓰거나 가중최소제곱법 등으로 보정하는 것이 일반적입니다. 또한 이 검정은 잔차와 독립변수 사이의 관계가 선형이라고 가정하므로, 비선형적인 이분산 패턴은 화이트 검정처럼 더 유연한 방법으로 확인하는 것이 좋습니다.