[논문 리뷰] Tobit Bayesian Model Averaging and the Determinants of Foreign Direct Investment

Alexander I. Jordan, Alex Lenkoski|arXiv (Cornell University)|2012. 05. 11.

Global trade and economics참고 문헌 25인용 수 3

한 줄 요약

이 논문은 외국인 직접 투자(FDI) 결정요인을 분석하기 위해 유형 II 토비트 모형에 모형 불확실성을 통합한 계산적으로 효율적인 완전 베이지안 프레임워크인 Tobit 베이지안 모형 평균화(TBMA)를 제안한다. 모형 이동을 깁스 샘플러 내부에 통합하고 조건부 베이즈 요인(CBFs)을 사용함으로써 TBMA는 선택 방정식과 결과 방정식을 함께 추정할 수 있게 하여 이전 방법들에서 발생했던 이론적 모순을 해결하면서도 계산 시간을 단축하고 모형 선택 정확도를 향상시킨다.

ABSTRACT

We develop a fully Bayesian, computationally efficient framework for incorporating model uncertainty into Type II Tobit models and apply this to the investigation of the determinants of Foreign Direct Investment (FDI). While direct evaluation of modelprobabilities is intractable in this setting, we show that by using conditional Bayes Factors, which nest model moves inside a Gibbs sampler, we are able to incorporate model uncertainty in a straight-forward fashion. We conclude with a study of global FDI flows between 1988-2000.

연구 동기 및 목표

• 유형 II 토비트 모형에 모형 불확실성을 통합하는 완전 베이지안이며 계산적으로 효율적인 방법을 개발하는 것.
• BIC 근사치에 의존하고 베이지안 추론의 이론적 기반을 결여한 이전 FDI 모델링 접근법의 한계를 해결하는 것.
• 선택 방정식과 결과 방정식 모형을 함께 업데이트하여 모형 선택을 향상시키고, 양 방정식 간 정보 피드백을 보장하는 것.
• 이전의 MCMC 기반 방법들과 비교해 계산 부담을 줄이면서도 이론적 타당성을 유지하는 것.
• 1988~2000년 기간의 글로벌 데이터를 활용해 FDI 유입의 신뢰할 수 있는 결정요인을 규명하는 견고한 프레임워크를 제공하는 것.

제안 방법

• 조건부 베이즈 요인(CBFs)을 사용하여 모형 불확실성을 유형 II 토비트 모형에 통합하는 새로운 Tobit 베이지안 모형 평균화(TBMA) 프레임워크를 제안한다.
• CBF를 직접적이고 효율적으로 계산하기 위해 MCMC 알고리즘 내부에 모형 이동을 내장한 깁스 샘플러를 활용한다.
• 회귀 계수에는 독립 정규 사전분포를, 오차 분산성에는 희박한 사전분포를 사용하는 계층적 사전분포 구조를 도입한다.
• 선택 방정식과 결과 방정식을 함께 업데이트하는 공동 업데이트 방식을 구현하여 모형 공간 간 정보 피드백을 가능하게 한다.
• 후행 분포의 핵심에서 제곱을 완성함으로써 마진형 우도에 대해 분석적으로 다룰 수 있는 표현식을 유도하여 CBF의 정확한 계산을 가능하게 한다.
• 1988~2000년 기간 동안의 双방향 FDI 유입에 대해, 부패, GDP, 무역 개방도 등의 공변량을 선택 방정식과 결과 방정식 양쪽에 모두 적용한다.

실험 결과

연구 질문

• RQ1 FDI 참여 의사와 FDI 유입 규모에 가장 강력하게 연관된 경제적 및 제도적 요인들은 무엇인가?
• RQ2 완전 베이지안 프레임워크에서 모형 불확실성을 고려할 경우, 빈도주의 또는 근사 베이지안 방법에 비해 FDI 결정요인 규명의 신뢰성은 어떻게 향상되는가?
• RQ3 선택 방정식과 결과 방정식 간의 정보 피드백이 토비트 모형에서 모형 추정 정확도에 얼마나 기여하는가?
• RQ4 TBMA 방법은 이전의 HechitBMA와 비교해 계산 속도와 확장성 측면에서 어떻게 다를까?
• RQ5 BIC 근사치 대비 조건부 베이즈 요인을 사용할 경우, FDI 모델링에서 변수 포함 확률에 어떤 영향을 미치는가?

주요 결과

• TBMA 방법은 Eicher 등(2011)의 결과와 유사하게 FDI 유입 규모 결정요인에 대해 GDP와 무역 개방도의 긍정적 영향을 확인한다.
• TBMA는 HechitBMA와는 달리 선택 방정식에서 상당히 다른 결과를 도출한다. 이는 결과 방정식으로부터의 피드백을 반영한 공동 업데이트에 기인한다.
• CBF의 효율적 계산 덕분에 Eicher 등(2011)이 요구하는 시간의 일부분으로 계산 시간이 단축된다.
• TBMA에서는 변수 포함 확률이 BIC 근사치가 아닌 완전 베이지안 후행분포에서 유도되므로 선택 방정식에서 더 안정적이고 이론적으로 타당한 결과를 도출한다.
• 깁스 샘플러 내에서 CBF를 사용함으로써 수치적 통합 없이 직접적이고 정확한 모형 증거 계산이 가능해져 정확도와 효율성이 모두 향상된다.
• 실증 결과는 부패가 FDI 유입에 유의미하게 부정적인 영향을 미친다는 것을 확인하며, 이는 경제이론과 일치한다. 이 효과는 TBMA 프레임워크 하에서 더욱 신뢰할 수 있게 추정된다.