[논문 리뷰] A Time-Scale Variational Approach to Inflation, Unemployment and Social Loss

Monika Dryl, Agnieszka B. Malinowska외 1명|arXiv (Cornell University)|2013. 04. 18.

Labor market dynamics and wage inequality참고 문헌 11인용 수 3

한 줄 요약

이 논문은 인플레이션, 실업 및 사회적 손실을 모델링하기 위해 시간 척도 미적분학 프레임워크를 도입한다. 연속적이고 이산적인 접근 방식을 통합하며, 시간 척도(특히 $ h\mathbb{Z} $)를 최적화함으로써 고전 모델보다 유의미하게 뛰어난 경험적 적합도를 달성한다. 특히 주간 데이터 샘플링($ h \approx 0.11 $–$ 0.22 $)이 사회적 손실 기능 오차를 최소화함으로써, 거시경제 모델링에서 높은 빈도의 데이터 수집이 필요하다는 것을 검증한다.

ABSTRACT

Both inflation and unemployment inflict social losses. When a tradeoff exists between the two, what would be the best combination of inflation and unemployment? A well known approach in economics to address this question consists to write the social loss as a function of the rate of inflation $p$ and the rate of unemployment $u$, with different weights, and then, using known relations between $p$, $u$, and the expected rate of inflation $π$, to rewrite the social loss function as a function of $π$. The answer is achieved by applying the theory of the calculus of variations in order to find an optimal path $π$ that minimizes the total social loss over a given time interval. Economists dealing with this question use a continuous or a discrete variational problem. Here we propose to use a time-scale model, unifying available results in the literature. Moreover, the new formalism allow us to obtain new insights to the classical models when applied to real data of inflation and unemployment.

연구 동기 및 목표

• 인플레이션과 실업의 연속적이고 이산적인 모델을 하나의 시간 척도 프레임워크로 통합하기.
• 고전 모델이 실제 사회적 손실 데이터를 근사하는 데에 한계가 있음을 다루기.
• 이론적 및 경험적 사회적 손실 기능 간의 격리 차이를 최소화하는 최적의 데이터 샘플링 주파수를 규명하기.
• 고전 모델이 적절한 시간 척도 샘플링과 함께 사용될 경우 본질적으로 결함이 있음을 보여주지 않으며, 정확도를 달성할 수 있음을 입증하기.
• 사회적 손실 최소화 조건 하에서 최적의 기대 인플레이션 경로를 동적으로 최적화할 수 있는 새로운 시간 척도 기반 변분 프레임워크 제공하기.

제안 방법

• 시간 척도 $ \mathbb{T} = h\mathbb{Z} $ 상에서 동적 사회적 손실 기능을 정의하여 연속적 및 이산적 모델을 일반화한다.
• 시간 척도 상의 변분법을 적용하여 총 사회적 손실을 최소화하는 데 필요한 필수 및 충분한 최적성 조건을 유도한다.
• 델타 미분과 변분 원리를 사용하여 $ h\mathbb{Z} $ 상에서 최적의 기대 인플레이션 경로 $ \pi^* $에 대한 명시적 해를 유도한다.
• 시간 척도 모델의 기능 $ \Lambda_h $와 경험적 데이터 $ \Lambda_E $ 간의 상대 오차를 최소화함으로써 시간 척도 파라미터 $ h $를 校정한다.
• 실제 미국 데이터(2000–2010년)를 활용하여 인플레이션과 실업을 기반으로 연속적, 이산적, 시간 척도 모델 간의 기능을 계산하고 비교한다.
• 수치 최적화를 활용하여 시간 척도 모델의 오차를 최소화하는 최적의 $ h $값(예: $ h = 0.11 $, $ 0.22 $)을 식별한다.

실험 결과

연구 질문

• RQ1 통합 시간 척도 모델이 고전적인 연속적 및 이산적 모델에 비해 사회적 손실 기능의 정확도를 향상시킬 수 있는가?
• RQ2 이론적 및 경험적 사회적 손실 간의 오차를 최소화하는 데 최적의 데이터 샘플링 주파수(즉, 빈도 $ h $)는 무엇인가?
• RQ3 고전적인 연속적 및 이산적 모델이 실제 데이터를 잘 근사하지 못하는 이유는 무엇이며, 샘플링 간격을 조정함으로써 이를 보완할 수 있는가?
• RQ4 시간 척도 접근법이 사회적 손실 최소화 조건 하에서 최적의 인플레이션 경로 예측에 더 나은 성능을 발휘할 수 있는가?
• RQ5 고전 모델이 높은 빈도의 데이터와 함께 사용될 경우 유사한 정확도를 달성할 수 있으며, 만약 그렇다면 필요한 샘플링 빈도는 무엇인가?

주요 결과

• 시간 척도 모델에서 $ h = 0.11 $ 또는 $ h = 0.22 $(약 주간 샘플링)일 경우 이론적 및 경험적 사회적 손실 기능 간의 상대 오차가 가장 작다.
• 2009년에는 $ \Lambda_h $와 $ \Lambda_E $ 간의 상대 오차가 0.33%로 감소하였고, 2004년에는 0.58%였으며, 11년 평균 오차는 시간 척도 모델 기준 7.16%였다.
• 반면에 연속 모델은 11년 평균 상대 오차가 97.32%였고, 이산 모델은 4×10^90을 초과하여 경험적 적합도가 매우 열 劣했다.
• 고전 모델의 실패 원인은 이론적 결함이 아니라 부적절한 샘플링 주파수에 기인한다. 최적의 $ h $와 함께 사용될 경우 그 정확도가 크게 향상된다.
• 최적의 $ h $ 값(0.11–0.22)은 주간 데이터 수집과 대응하며, 이는 정확한 거시경제 모델링을 위해 높은 빈도의 데이터 수집이 필수적임을 시사한다.
• 시간 척도 모델은 수학적으로 엄밀하고 경험적으로 검증된 프레임워크를 제공하여 기존의 연속적 및 이산적 접근 방식을 통합하고 개선한다.