용어 목록 > 임의효과모형 (Random Effects Model)

임의효과모형 (Random Effects Model)

쉽게 풀면

고정효과모형이 "각 개체(회사, 학교 등)만의 고유한 특성을 아예 별개의 고정된 값으로 따로 떼어내 통제"하는 방식이라면, 임의효과모형은 "그 개체별 차이가 어떤 평균을 중심으로 무작위로 흩어져 있다"고 가정하는 방식입니다.

예를 들어 여러 학교의 시험 성적을 비교할 때, 학교마다 조금씩 다른 특성이 있지만 그 차이 자체가 "전체 학교 모집단에서 무작위로 뽑힌 편차"라고 볼 수 있다면 임의효과모형을 사용합니다. 이 방식은 개체 고유의 특성이 다른 독립변수들과 관련이 없다는 가정 하에, 표본을 더 효율적으로 활용할 수 있게 해줍니다.

왜 중요한가

패널데이터를 다루는 경제학, 경영학, 정책학 연구에서는 시간에 따라 변하지 않는 개체 고유의 특성(예: 지역 문화, 기업 조직문화)을 어떻게 처리하느냐가 추정 결과의 타당성을 좌우합니다.

임의효과모형은 이런 개체 간 차이를 확률적으로 다뤄 표본 정보를 효율적으로 활용할 수 있게 해주기 때문에, 개체 수가 많고 시간에 따라 변하지 않는 변수(성별, 지역 등)의 효과까지 함께 추정하고 싶을 때 선호됩니다.

이 때문에 고정효과모형과 함께 패널데이터 분석의 두 축을 이루는 표준 모형으로 논문의 방법론 부분에서 자주 비교됩니다.

언제 쓰나

같은 개체(사람, 기업, 학교)를 여러 번 관측한 패널·반복측정 자료에서, 개체마다의 관측되지 않는 차이를 무작위로 뽑힌 값으로 보고 추정할 때 씁니다.

• 핵심 가정: 개체 고유 효과가 설명변수와 상관없다(외생성). 이 가정이 틀리면 계수가 편향됩니다.
• 성별·국가처럼 시간에 따라 변하지 않는 변수의 효과를 추정하려면 고정효과모형으로는 불가능하고 임의효과모형이 필요합니다.
• 개체는 많고 관측 시점은 적은 자료에서 고정효과보다 효율적입니다(표준오차가 작습니다).
• 같은 모형을 분야에 따라 확률효과·변량효과·랜덤효과모형이라고도 부릅니다.

결과는 이렇게 읽는다

모형은 y_it = x_it′β + u_i + ε_it이고, u_i(분산 σ_u²)가 개체 효과, ε_it(분산 σ_ε²)가 오차입니다.

• ICC(급내상관) ρ = σ_u² / (σ_u² + σ_ε²): 전체 변동 중 개체 간 차이가 차지하는 비율입니다. 같은 개체의 두 관측치 사이의 상관과 같습니다.
• θ (준차분 계수): 임의효과 추정은 y_it − θ·ȳ_i로 변환한 뒤 회귀하는 것과 같으며 θ = 1 − √[σ_ε² / (σ_ε² + Tσ_u²)]입니다. θ = 0이면 단순 통합(pooled) OLS, θ = 1이면 고정효과(개체 평균을 완전히 뺌)입니다.
• 하우스만 검정: 귀무가설은 “임의효과 추정이 일치(편향 없음)”입니다. 기각되면 고정효과를 선택합니다. 군집 강건 표준오차를 쓸 때는 기본 하우스만 검정이 맞지 않아 Mundlak 접근 등을 씁니다.

(공식에서 직접 계산) 관측 시점 수 T와 분산비(σ_u²/σ_ε²)에 따른 θ입니다.

개체 간 차이가 클수록, 그리고 관측 시점이 많을수록 θ가 1에 가까워져 임의효과 추정이 고정효과 추정과 비슷해집니다.

논문에는 이렇게 보고한다

방법 절에 고정효과/임의효과 선택 근거(하우스만 검정 결과, 변수의 성격)를 쓰고, 결과에는 개체 수와 총 관측 수를 함께 적습니다. (수치는 형식을 보여 주려는 가상의 값입니다.)

하우스만 검정 결과 고정효과와 임의효과 추정치 사이에 유의한 차이가 없어(χ²(4) = 5.31, p = .257) 임의효과모형을 선택하였다. 개체 수는 120개, 총 관측치는 600개이며 ρ = .46이었다.

• 시간불변 변수의 효과를 보고하려는 것이 선택 이유라면 그 점을 분명히 적습니다.
• 하우스만 검정 통과 여부만으로 가정이 참이라고 단정하지 않습니다(검정력이 낮을 수 있음).
• σ_u, σ_ε, ρ를 함께 제시하면 개체 간·개체 내 변동 크기를 알 수 있습니다.

논문에서는 이렇게 쓰입니다

실제 논문에서

국내 학술지 논문에서 이 용어가 쓰인 문장을 그대로 옮겼습니다. 제목·학술지·연도와 원문 링크를 함께 적었습니다.

• “본 연구에서는 연금보험 가입의 결정요인을 분석하기 위해 로지스틱모형, 고정효과 패널로지스틱모형, 확률효과 패널로지스틱모형을 적용하였다.”

  연금보험 가입 결정요인에 관한 연구, 보험학회지, 2017 · KCI 한국학술지인용색인 · 원문 보기 ↗

• “수출보험 공급 함수의 종속변수를 단기수출보험 공급량으로, 설명변수를 보험 손해율, 우리나라 GDP성장률 및 수출증가율의 상호작용항 더미변수와 중력모형 변수들로 설정하고, 연도별 수입국별 패널자료를 합동OLS, 고정효과, 확률효과 모형으로 분석하였다.”

  수출보험 공급에 영향을 미치는 요인에 대한 연구 - 한국무역보험공사의 사례를 중심으로 -, 무역금융보험연구, 2018 · KCI 한국학술지인용색인 · 원문 보기 ↗

예시 문장

아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.

이 문장은 두 모형 중 어느 쪽을 쓰는 것이 적절한지 통계적으로 검정한 뒤, 두 모형의 추정 결과가 비슷하다면 표본 정보를 더 효율적으로 사용하는 임의효과모형을 선택했다는 뜻입니다.

고정효과모형에서는 추정이 불가능한, 시간이 지나도 변하지 않는 변수(예: 국가의 법체계)의 효과를 확인하기 위해 임의효과모형을 선택했다는 뜻입니다.

조금 더 깊게 보면

임의효과모형은 개체별 고유 효과를 오차항의 일부로 취급하기 때문에, 이 개체 효과와 다른 독립변수 사이에 상관관계가 없다는 가정(외생성 가정)이 성립해야 계수 추정치가 편향되지 않습니다.

이 가정의 타당성을 확인하는 절차가 바로 하우스만 검정으로, 고정효과모형과 임의효과모형의 계수 추정치를 비교해 통계적으로 유의한 차이가 있는지를 살펴봅니다. 최근에는 하우스만 검정의 한계를 보완하기 위해 강건한(robust) 형태의 검정이나 상관 임의효과모형(Mundlak 접근) 같은 대안적 방법도 함께 논의됩니다.

주의할 점

임의효과모형은 개체별 고유 특성이 모형에 포함된 다른 독립변수들과 상관관계가 없다는 가정이 필요합니다. 이 가정이 어긋나면 계수 추정치가 편향될 수 있으며, 이런 경우에는 계산 효율은 다소 떨어지더라도 이 가정이 필요 없는 고정효과모형을 사용하는 것이 안전합니다. 두 모형 중 무엇이 적절한지는 하우스만 검정으로 판단하는 것이 일반적입니다.

헷갈리기 쉬운 용어

패널 자료의 개체 효과를 다루는 방법을 구분합니다.

참고 문헌

1. Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed.). MIT Press.
2. Hausman, J. A. (1978). Specification tests in econometrics. Econometrica, 46(6), 1251–1271.
3. Mundlak, Y. (1978). On the pooling of time series and cross section data. Econometrica, 46(1), 69–85.
4. Laird, N. M., & Ware, J. H. (1982). Random-effects models for longitudinal data. Biometrics, 38(4), 963–974.
5. Baltagi, B. H. (2021). Econometric Analysis of Panel Data (6th ed.). Springer.

표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.

관련 용어