벡터자기회귀모형(Vector Autoregression Model, VAR 모형)은 다변량 시계열 분석에서 사용되는 통계적 모델로, 여러 개의 변수들이 서로의 과거 값을 통해 영향을 주고받는 동적 관계를 모형화하는 데 목적이 있다. 각 변수는 자기 자신의 과거 값뿐 아니라 다른 변수들의 과거 값에 의해 설명되며, 전반적으로 상호 관련된 시스템의 행동을 포착하는 데 유용하다.
개요
벡터자기회귀모형은 1980년대 초 크리스토퍼 시움스(Christopher A. Sims)에 의해 널리 도입되었으며, 전통적인 구조적 경제 모형의 가정에 의존하지 않고도 다변량 시계열 간의 동태적 관계를 분석할 수 있어 거시경제학, 금융경제학 등 다양한 분야에서 활용되고 있다. 일반적인 형식에서 VAR(p) 모형은 p개의 시차(lag)를 포함하며, 시스템 내 각 변수에 대한 회귀식이 구성된다. 이 모형은 구조적 해석을 위해서는 추가적인 제약 조건이 필요하지만, 예측 및 충격 반응 분석(Impulse Response Analysis), 분산분해(Forecast Error Variance Decomposition) 등에 자주 사용된다.
어원/유래
"벡터자기회귀모형"이라는 용어는 영어 "Vector Autoregression"의 직역이다. 여기서 "벡터(vector)"는 다변량 시계열 데이터를 구성하는 여러 변수를 벡터 형태로 표현함을 의미하며, "자기회귀(autoregression)"는 각 변수가 자기 자신의 이전 값을 설명 변수로 포함하는 회귀 구조를 지칭한다. 이 용어는 시움스가 1980년 발표한 논문 "Macroeconomics and Reality"에서 본격적으로 사용되면서 경제계량분석 분야의 주요 기법 중 하나로 자리 잡았다.
특징
- 비구조적 접근: VAR 모형은 이론에 기반한 구조적 제약을 사전에 두지 않고 데이터 기반 분석을 중시한다.
- 동적 관계 모형화: 변수들 사이의 시간 지연 효과를 반영하여 인과관계 추정이 가능하다.
- 예측 중심: 단기 예측 성능이 우수하여 실시간 정책 분석에 활용된다.
- 충격 반응 분석 가능: 외생적 충격이 시스템 내 변수들에 미치는 영향을 시계열적으로 분석할 수 있다.
- 단점: 자유도 감소 문제로 인해 변수 수와 시차가 늘어날수록 과적합 가능성 존재, 해석 시 주의 필요.
관련 항목
- 시계열 분석
- 단위근 검정
- 공적분 (Cointegration)
- 구조적 벡터자기회귀모형 (SVAR)
- 충격반응함수
- 그랜저 인과관계 검정
- ARIMA 모형