표본외 분석

연구에서 고려하는 네 개의 예측모형을 대상으로 표본외 예측 
분석을 수행한다. 일반적으로 추정계수가 많은 복잡한 모형이 높은 표본내 적합
성에도 불구하고 “과도적합(overfitting)” 경향(혹은 “data snooping bias”)으로 인
해 표본외 예측성과가 부진한 경우가 많다. 본 연구의 표본외 예측 분석은 이러
한 과도적합 여부 검정과 함께 각 모형의 예측방정식의 안정성을 점검할 수 있

을 것으로 예상된다.

 

이하의 분석에서는 rolling 및 recursive의 두 가지 예측방식, 3개월, 12개월 및 
24개월 기간의 세 가지 예측시계를 고려한다. 먼저 2001.1월∼2010.12월 중 10
년간 데이터를 이용하여 각 예측시계에 해당하는 예측방정식을 추정하고 이 추
정계수를 이용하여 각 예측시계의 예측을 수행한다. 이때 최초의 예측치는 각 예
측시계에 대해 2011.3월, 2011.12월 및 2012.12월 시점에 해당하는 실현치가 된
다. 이후 예측 분석을 위하여 rolling 예측 하에서는 10년의 추정대상 표본 기간
을 계속 유지하며, recursive 예측 하에서는 추정대상 표본 기간을 1개월씩 늘리
게 된다. 예를 들어 12개월 예측시계에서 마지막 예측치인 2018.12월에 해당하는 
증가율 예측을 위하여 rolling 방식은 2008.1월∼2017.12월 중, recursive 방식은 
2001.1월∼2017.12월 중에 해당하는 표본을 이용하여 예측방정식을 추정한다.

 

패널 A에서는 산업생산증가율에 대한 표본외 예측 분석이 수록되어 
있다. Rolling 예측 분석 기준으로 먼저 3개월 예측시계의 경우 이자율 스프레드
에 자기 시차 변수 등 외생 통제변수를 추가한 모형 3이 가장 우수하였지만, 중
기의 예측시계인 1년 및 2년의 경우, 이자율 스프레드의 분해요소 각각을 고려하
는 모형 2가 대체로 가장 예측력이 우수한 것으로 나타났다. 이에 따라 경기 예
측에 있어서 이자율 스프레드의 분해가 기여한다는 전 절의 결과가 표본외 분석
에서도 여전히 성립한다는 것을 알 수 있다. 다만 전 절의 표본내 분석에서는 자
기 시차 등 통제변수까지 포함된 모형 4가 (조정 결정계수 기준으로) 대체로 가
장 예측력이 높은 모형이었지만, 표본외 분석에서는 이보다 계수의 숫자가 작은 
모형 2가 가장 예측력이 높은 것으로 나타났다. 즉 표본내 분석에서 과도적합의 
문제가 어느 정도 있었던 것으로 보인다.

 

본 연구에서는 1990년대 이후 수행된 이자율 스프레드의 경기 예측력에 관한 
선행연구를 서베이하고, 이 내용을 바탕으로 한국의 이자율 데이터를 이용하여 
이자율 스프레드의 거시경제변수 예측력에 관한 실증분석을 수행하였다. 이때 거
시경제변수로는 산업생산 증가율, 소비자물가 상승률, 생산갭 등을 고려하였다.
먼저 주로 미국 경제를 대상으로 한 선행연구들을 서베이한 결과 이자율 스프
레드는 경제성장률, 인플레이션 등 주요 경제변수들에 대하여 유의한 예측력을 
가진 것으로 나타났다. 다만 Wheelock and Wohar(2009) 등의 서베이에서 나타
난 바와 같이 1980년대 중반 이후 이자율 스프레드의 경기 예측력이 저하되고 
있는 것으로 보인다. 이자율 스프레드의 경기 예측력을 설명하는 경제이론에는 
아직 충분한 공감대가 형성되어 있지 않은데, 일부 연구에서는 중앙은행의 경기 
안정화 정책에서 원인을 찾고 있다. 이후 이자율 기간 프리미엄이 시변한다는 실
증분석 결과를 바탕으로 이자율 스프레드를 기대 스프레드와 기간 프리미엄으로 
분해하여 각 구성요소의 경기 예측력을 실증분석하는 연구도 등장하게 되었다. 
하지만 기간 프리미엄의 경기 예측력에 관하여는 아직 엇갈린 결과가 나타나고 
있다.