정의와 역사

계량경제학은 경제 이론과 통계적 추론을 묶어 경제 데이터로 이론을 검증하고 수량적 결론을 내는 학문이다. 답하려는 질문은 셋으로 모인다. 정책이나 처치의 인과효과는 얼마인가, 경제 모형의 구조 모수(structural parameters)는 얼마인가, 앞으로 어떻게 될 것인가.

이름은 Ragnar Frisch가 1926년 지금의 뜻으로 처음 썼다. 1930년 Econometric Society가 세워졌고 1933년 학술지 Econometrica가 나왔다. 그 뒤 약 100년은 "식별의 근거를 어디에서 찾는가"가 바뀌어 온 과정으로 읽을 수 있다.

노벨경제학상 수상 이력도 같은 순서를 따른다. Frisch·Tinbergen(1969), Klein(1980), Haavelmo(1989), Heckman·McFadden(2000), Engle·Granger(2003), Sargent·Sims(2011), Hansen(2013, 공동 수상), Card·Angrist·Imbens(2021)다.

핵심 틀: 식별·추정·추론

계량 분석은 다음 질문에 차례로 답한다. 무엇을 알고 싶은가(추정 대상), 데이터가 무한히 많다면 그 값을 알아낼 수 있는가(식별), 유한한 표본에서 어떻게 계산하고 불확실성을 어떻게 말할 것인가(추정과 추론). 최근 20년의 방법론 논쟁은 대부분 첫째와 둘째 질문에서 나왔다.

식별

식별의 근거는 크게 두 곳에서 온다.

• 설계 기반(design-based): 무작위 배정이나 준실험(도구변수, 회귀불연속, 이중차분)처럼 처치가 정해진 방식에서 근거를 찾는다.
• 모형 기반(model-based): 배제 제약(exclusion restriction), 함수형(functional form), 균형 조건처럼 경제 이론이 주는 제약에서 근거를 찾는다.

값 하나로 좁혀지면 점식별(point identification), 범위만 정해지면 부분식별(partial identification)이다. 처치효과가 사람마다 다르면 같은 추정량도 ATE, ATT, LATE처럼 서로 다른 대상을 가리킨다. 그래서 추정 대상(estimand)을 먼저 정하고 추정량(estimator)을 고르는 순서가 표준이 됐다.

추정

추론

추론 연구는 이제 "표준오차를 어떻게 구하나"보다 "어떤 조건에서도 유효한가"를 따진다.

• 강건 분산 추정: 이분산, 군집, 시계열 상관(HAC)을 허용한다. 군집 수가 적으면 와일드 부트스트랩(wild bootstrap)을 쓴다.
• 약식별(weak identification)에 강건한 추론: 도구변수가 약해도 크기가 유지되는 검정(Anderson–Rubin 등)을 쓴다.
• 선택과 탐색의 보정: 다중검정(multiple testing), 사전검정(pre-testing), 출판편향(publication bias)이 추론을 얼마나 왜곡하는지 다룬다.
• 불확실성의 원천: 표본추출이 아니라 처치 배정의 무작위성으로 불확실성을 정의하는 설계 기반 추론이 늘었다.

데이터 구조와 두 전통

데이터는 횡단면, 시계열, 패널이 기본이다. 여기에 네트워크·공간 자료, 고빈도 자료, 텍스트·이미지 같은 비정형 자료가 더해졌다.

연구 전통으로는 설계 기반의 축약형(reduced-form) 접근과 경제 모형을 직접 추정하는 구조적(structural) 접근이 있다. 지금은 둘을 섞어 쓰는 연구가 많다. 준실험 변동으로 구조 모수를 식별하거나 충분통계량(sufficient statistics)으로 후생을 계산하는 식이다.

연구분야 구분

분야를 나누는 기준은 하나가 아니다. 공식 분류로는 미국경제학회의 JEL 코드가 있고 학계는 데이터 구조와 응용 영역을 섞은 관행적 구분을 쓴다. 그 위에 이론 계량과 응용 계량을 구분하는 축이 하나 더 있다. 이론 계량은 방법 자체를 연구하고 응용 계량은 방법을 실증 문제에 쓴다.

위아래 띠는 모든 분야에 걸치고 가운데 다섯 분야는 주로 쓰는 자료 구조에 따라 둘로 나뉜다. 화살표는 도구와 이론이 각 분야로 들어가는 방향이다.

공식 분류: JEL C코드

JEL 체계에서 계량경제학은 대분류 C(수리·계량 방법)에 속한다. C코드는 방법 자체를 다룬 연구에 붙이며 이미 확립된 방법을 응용한 연구에는 원칙적으로 붙이지 않는다(AEA JEL 가이드).

코드명에도 최근 연구 주제가 들어 있다. C22와 C32에는 'Dynamic Treatment Effect Models'가, C31에는 'Social Interaction Models'가 포함돼 있다(JEL 분류 체계).

학계에서 쓰는 구분

학회 세션, 대학원 과목, 학술지 지면은 대체로 아래 일곱 분야로 짜인다. 이 문서의 4~10절이 이 순서를 따른다.

학계가 꼽은 프런티어

2025년 8월 서울에서 열린 Econometric Society World Congress는 5년에 한 번 열리는 학회의 중심 행사다. 계량 분야 초청 세션의 주제는 넷이었다. 'Causal Inference and Statistical Decisions', 'Frontiers in Nonparametric Methods', 'Misspecification in Econometrics', 'Econometric Methods for Panel Data'다(초청 세션 목록).

기념 강연 가운데 Fisher–Schultz Lecture는 Magne Mogstad가, Frisch Memorial Lecture는 Hidehiko Ichimura가 맡았다.

최신 동향 ① 미시계량·인과추론

핵심 질문정책과 처치의 인과효과는 얼마인가

최근 이 분야 연구는 "관행적인 회귀식이 실제로 무엇을 추정하는가"를 다시 묻고 추정 대상에 맞는 추정량을 새로 만든다. 준실험(quasi-experimental) 방법의 확산은 수치로도 확인된다. NBER·CEPR 워킹페이퍼 4만 4천여 편을 분석한 연구에서 인과적 주장의 비중은 1990년 7.7%에서 2020년 31.7%로 늘었다(Garg·Fetzer, 2026).

이중차분(difference-in-differences, DiD)

DiD에서는 2018~2021년의 재검토가 실무 표준으로 굳어 간다.

• 문제 제기: 처치 시점이 엇갈리고 효과가 이질적이면 이원고정효과(two-way fixed effects, TWFE) 회귀가 크기뿐 아니라 부호까지 틀릴 수 있다.
• 대안: 집단·시점별 ATT(group-time ATT)를 먼저 추정해 합치는 방식(Callaway·Sant'Anna 2021, Sun·Abraham 2021)과 대체(imputation) 방식(Borusyak·Jaravel·Spiess 2024)을 표준 도구로 쓴다.
• 정착: Baker 외(2026, JEL)의 실무 가이드가 공변량, 가중치, 다기간, 엇갈린 처치(staggered treatment)를 하나의 틀로 정리했다.
• 프런티어: 연속형 처치(Callaway·Goodman-Bacon·Sant'Anna, 2025년 12월 개정 워킹페이퍼), 평행추세(parallel trends) 가정 아래의 복잡한 설계 전반(de Chaisemartin·D'Haultfoeuille, 2025 World Congress 논문집 게재 예정), 평행추세 위배에 대한 민감도 분석(Rambachan·Roth 2023).

연속형 처치(continuous treatment) 논문에 따르면 용량(dose)이 다른 집단끼리 비교하려면 더 강한 평행추세 가정이 필요하다. 이 가정이 없으면 용량 집단 간 비교에 선택 편의(selection bias)가 섞인다.

도구변수(instrumental variables, IV)

IV 연구는 주로 "LATE 해석을 어디까지 믿을 수 있나"를 묻는다. Mogstad·Torgovitsky(2024)는 선형 IV 추정량을 그대로 쓰고 해석을 사후에 찾는 방식(reverse engineering)과, 이질성을 허용하는 추정량을 처음부터 설계하는 방식(forward engineering)을 구분한다. 후자는 한계처치효과(marginal treatment effects, MTE) 분석을 축으로 삼는다.

응용 쪽에서는 shift-share 도구와 판사·심사관 배정 설계(judge/examiner designs)가 늘었다. NBER 워킹페이퍼를 추적한 연구에서 IV 전체의 언급 비중은 정체했지만 shift-share 도구는 전 분야에서 늘었다(Goldsmith-Pinkham, 2024). 약한 도구변수(weak instruments) 추론에서는 F>10 관행 대신 Anderson–Rubin 검정이나 tF 보정(Lee 외 2022)을 쓰는 추세다.

회귀불연속(regression discontinuity design, RDD)

RDD는 이제 일변수 점수(score)뿐 아니라 다변수 경계도 다룬다. Cattaneo·Titiunik·Yu(2025)는 지리적 경계처럼 이변량 점수로 처치가 갈리는 경계불연속 설계(boundary discontinuity design)를 정리하면서 실증 논문 80여 편을 검토했다. 같은 저자들의 추정·추론 논문에 따르면 경계까지의 거리 하나로 줄여 추정하는 관행은 경계에 꺾인 곳이 있으면 큰 편의를 남긴다.

합성통제(synthetic control)와 패널

합성통제는 방법론이 계속 확장되지만 응용은 증가세가 꺾였다. NBER 워킹페이퍼에서 합성통제 언급은 2020년 이후 줄었다(Goldsmith-Pinkham, 2024).

방법론은 합성 DiD(synthetic difference-in-differences, Arkhangelsky 외 2021), 증강 합성통제(augmented synthetic control, Ben-Michael 외 2021), 행렬 완성(matrix completion, Athey 외 2021)처럼 DiD·요인모형과 합쳐지는 방향이다. 2025년에 나온 World Congress 논문집(Advances in Economics and Econometrics: Twelfth World Congress)도 'Modern Causal Inference' 편에 합성통제 장을 두었다.

관측자료의 신뢰성과 추론

• LaLonde(1986) 40년 재검토: Imbens·Xu(2025, JEP)는 공변량 분포의 겹침(overlap)이 확보되면 현대적 추정량들이 서로 비슷한 값을 낸다고 보고한다. 다만 그 값이 인과효과라는 보장은 없어서 플라시보 같은 검증 절차가 필수라고 결론짓는다.
• 군집 추론: 기존 관행은 군집 수가 무한대로 간다는 점근 이론을 전제로 한다. 최근 연구는 이 관행을 다시 점검한다. MacKinnon(2026)은 군집강건 추론(cluster-robust inference)을 언제 믿을 수 있는지를 다룬다. Chiang·Sasaki·Wang(2025)은 무시할 수 없이 큰 군집이 있으면 통상적인 방법이 일치성을 잃는다는 점을 보였다.
• 설계 기반 추론: 군집 조정이 필요한 이유를 표본추출과 처치 배정으로 나눠 보는 관점(Abadie·Athey·Imbens·Wooldridge 2023)을 기준으로 삼는다. 실무 지침은 처치가 독립적으로 정해지는 수준에서 군집을 잡으라고 한다(Roth 외, 2023).

최신 동향 ② 머신러닝·AI 접목

핵심 질문고차원·비정형 자료에서 어떻게 유효하게 추론하나

예측 도구였던 머신러닝은 추론 절차의 부품이 됐고 AI는 측정 도구로 도입됐다. 지금은 ML과 AI가 만든 값을 데이터처럼 써도 추론이 유효한지가 쟁점이다.

인과 ML

이중·편의제거 머신러닝(double/debiased machine learning, DML)이 표준 틀이다. 네이만 직교 점수(Neyman orthogonal score)와 교차적합(cross-fitting)을 결합해 고차원 장애모수(nuisance parameter)를 ML로 추정해도 저차원 목표 모수의 추론이 유효하도록 만든다(Chernozhukov 외 2018). Ahrens 외(2025, 2026년 개정 워킹페이퍼)가 횡단면·패널 예제를 담은 입문 리뷰를 냈다.

이질적 처치효과(heterogeneous treatment effects) 쪽에서는 인과 포레스트(causal forest, Wager·Athey 2018, Athey·Tibshirani·Wager 2019)와 정책 학습(policy learning, Kitagawa·Tetenov 2018, Athey·Wager 2021)을 기본으로 쓴다. 심층신경망을 1단계 추정에 쓰는 추론 이론도 갖춰졌다(Farrell·Liang·Misra 2021).

AI가 만든 변수로 하는 추론

2024~2026년에 가장 빠르게 커진 주제다. 텍스트나 이미지에서 AI가 뽑아낸 변수를 회귀에 그대로 넣는 2단계 관행에서 문제가 시작된다.

• Dell(2025, JEL)은 분류, 문서 디지털화, 레코드 연결(record linkage)처럼 딥러닝으로 비정형 자료를 구조화하는 방법을 정리했다.
• Battaglia·Christensen·Hansen·Sacher(2025년 개정 워킹페이퍼)는 AI·ML 생성 변수를 데이터처럼 다루면 추정에 편의가 생기고 추론이 무효가 됨을 보였다. 해법으로 편의 보정과 결합 추정(joint estimation)을 제안한다.
• Ludwig·Mullainathan·Rambachan(2025, NBER 워킹페이퍼)은 LLM 활용을 예측과 추정으로 나눈다. 예측에는 LLM 학습자료와 연구 표본 사이에 누출(leakage)이 없어야 하고 추정에는 소규모 검증 표본(validation sample)을 함께 써야 한다. 검증 표본이 없으면 모형과 프롬프트 선택만으로 추정치가 크게 달라진다.

제도권도 이미 이 주제를 다룬다. 2026년 NBER Summer Institute의 Methods Lectures 주제가 'Estimation and Inference with AI-Generated Data'였다(NBER).

LLM을 피험자로 쓰는 연구

LLM으로 사람의 응답을 모사하는 연구는 Horton(2023)의 'homo silicus' 이후 급증했지만 최근 검증 결과는 신중론에 가깝다. 2026년 10월 Nature Human Behaviour 논문은 74개국 67,201명의 선호 조사 응답을 LLM 모사 응답과 대조했다. 정렬은 양의 방향이지만 약했다. 저자들은 모사 응답으로 국가 간 대표 설문을 대신하기에는 아직 신뢰하기 어렵다고 판단했다(Chen 외, 2026).

계량경제학은 대체 대신 보강을 처방한다. 실제 응답을 일부 모아 LLM 응답의 오차를 보정하라고 주문한다(Ludwig 외 2025).

AI 에이전트가 수행하는 실증 연구

연구 생산 방식 자체가 연구 대상이 됐다. 취리히대 Social Catalyst Lab의 APE 프로젝트에서는 AI 에이전트가 공개 자료로 연구 질문, 식별 전략, 원고까지 만들어 1,000편이 넘는 정책평가 논문을 냈다(Cunningham, 2026). LLM이 심사한 맞대결의 약 83%에서 AER·AEJ 게재 논문이 이겼다(arXiv 2604.03338).

한 실험은 에이전트 수천 개에 같은 패널과 과제를 주고 추정 방식을 비교했다. 에이전트의 추정 행태를 평가하는 일이 계량경제학의 새 질문으로 떠오른다.

최신 동향 ③ 시계열·거시계량

핵심 질문충격의 동태적 효과는 무엇이고 어떻게 예측하나

거시계량 연구자들은 주로 충격반응(impulse responses)을 국소투영(local projections, LP)과 VAR 가운데 무엇으로 추정할지를 두고 논쟁했다. 이 논쟁은 2025~2026년에 이론적으로 일단락됐다. 예측 쪽에서는 시계열 파운데이션 모형의 검증이 새 과제가 됐다.

국소투영 대 VAR

• 두 방법은 같은 대상을 추정한다(Plagborg-Møller·Wolf 2021). 차이는 유한표본에서 드러난다. LP는 편의가 작고 분산이 크다. 시차가 짧은 VAR은 그 반대다.
• Montiel Olea·Plagborg-Møller·Qian·Wolf(2026, Econometrica)는 VAR의 신뢰구간이 모형 오설정에도 포함확률(coverage)을 지키려면 시차를 길게 잡아야 하고 그러면 구간이 LP만큼 넓어진다는 점을 증명했다. VAR에 "공짜 점심은 없다"는 결과다.
• 같은 저자들의 실무 입문서(2025)는 불확실성 평가가 목적이면 LP나 시차가 긴 VAR을 쓰라고 권한다. 시차와 통제변수 선택, 편의 보정, 신뢰구간 구성 지침도 함께 준다.
• Jordà·Taylor(2025, JEL)는 LP 서베이에서 이 방법을 거시 실증과 미시 정책평가를 잇는 접점으로 본다. LP를 이중차분에 쓰는 LP-DiD(Dube 외 2023)가 그 예다.

식별

거시 충격을 식별할 때는 이제 모형 제약보다 외부 정보를 더 많이 쓴다. 외부 도구(external instruments)를 쓰는 프록시 SVAR(Stock·Watson 2018), 정책 발표 전후의 고빈도 자료를 쓰는 식별(high-frequency identification, Nakamura·Steinsson 2018, Bauer·Swanson 2023), 부호 제약(sign restrictions) 모형의 강건 베이지안(robust Bayesian) 추론(Giacomini·Kitagawa 2021)이 대표적이다.

이질적 경제주체 모형(heterogeneous-agent models)은 sequence-space Jacobian 기법(Auclert 외 2021)으로 추정 부담이 크게 줄었다. 코로나19 시기의 극단값을 VAR에서 어떻게 다룰지도 별도 주제가 됐다(Lenza·Primiceri 2022).

예측과 파운데이션 모형

사전학습된 시계열 파운데이션 모형(time series foundation model, TSFM)을 거시 예측에 쓰는 연구가 빠르게 늘었다. 핵심 쟁점은 데이터 누출이다. 모형이 예측 대상의 실현값을 학습 중에 이미 봤을 수 있고 개정된 자료로 학습하면 실시간 속보치와 어긋난다.

Carriero·Pettenuzzo·Shekhar(2026, 워킹페이퍼)의 MACROCAST는 두 누출을 모두 막도록 설계한 모형이다. FRED-MD 실시간 평가에서 계열·예측시계(forecast horizon) 조합의 약 80%에서 AR(1)보다 나았고 베이지안 VAR과 동태요인모형(dynamic factor model) 벤치마크도 앞섰다. 반면 실현변동성 예측에서는 TSFM이 계량 벤치마크를 일관되게 이기지 못했다는 비교 연구(2026)도 있다.

최신 동향 ④ 금융계량

핵심 질문위험과 수익, 변동성을 어떻게 측정하나

금융계량의 최근 논의는 수백 개로 불어난 수익률 예측 요인을 어떻게 걸러낼지, 그리고 머신러닝 자산가격 모형의 성과를 믿어도 되는지를 다룬다.

요인 모형(factor models)과 재현성

• 다중검정: 요인 후보가 많아지면 통상의 유의수준으로는 거짓 발견(false discoveries)이 늘어난다(Harvey·Liu·Zhu 2016).
• 요인 선별: 고차원 통제 아래에서 새 요인의 기여를 검정하는 방법(Feng·Giglio·Xiu 2020), 기업 특성을 요인 적재(factor loadings)의 도구로 쓰는 IPCA(Kelly·Pruitt·Su 2019)가 나왔다.
• 재현성: 대규모 재현 연구가 요인 문헌의 신뢰도를 다시 점검했다(Chen·Zimmermann 2022, Jensen·Kelly·Pedersen 2023).

머신러닝과 복잡성 논쟁

Gu·Kelly·Xiu(2020) 이후 ML 수익률 예측이 주류가 됐고 지금은 'virtue of complexity'(복잡성의 미덕)가 논쟁 중이다. Kelly·Malamud·Zhou(2024, Journal of Finance)는 모수가 관측치보다 많은 모형이 단순한 모형보다 수익률 예측력이 높다는 점을 이론과 미국 주식시장 자료로 보였다.

2025년에 이 결과를 반박하는 논문이 여럿 나왔고 저자들이 재반박하면서 논쟁이 이어지고 있다. 반대 측은 복잡성이 언제나 미덕은 아니라는 입장이다(Bloomberg 칼럼, 2025).

변동성과 텍스트

• 변동성 예측은 실현변동성(realized volatility) 자료와 HAR 계열 모형이 기준점이다. 2026년 비교 연구는 9개 TSFM과 8개 계량 모형을 50개 자산에서 견주었다. TSFM의 일관된 우위는 없었다(arXiv 2607.05291).
• LLM으로 실적 발표나 뉴스 텍스트에서 수익률을 예측하는 연구는 학습 누출 문제를 피하기 어렵다. LLM 계량 프레임워크가 금융 응용을 예시로 든 이유다(Ludwig 외 2025).

준실험 방법의 확산

금융은 신뢰성 혁명을 뒤늦게 받아들이는 중이다. 2024년 기준 실험·준실험 방법을 언급한 논문 비중은 응용미시 63%, 금융 47%였고 응용미시 밖의 증가분은 대부분 이중차분에서 나왔다(Goldsmith-Pinkham, 2026).

최신 동향 ⑤ 구조추정·산업조직 계량

핵심 질문아직 시행되지 않은 정책의 효과는 어떨까

구조추정 연구는 최근 식별 근거를 투명하게 밝히고 신경망으로 계산 부담을 줄이며 실험과 균형 모형을 결합하는 데 힘쓴다.

수요와 생산함수

• 수요추정(demand estimation): 차별화 제품(differentiated products) 수요의 식별 조건은 비모수적으로 정리돼 왔다(Berry·Haile 2021, 2024). 실무에서는 PyBLP(Conlon·Gortmaker 2020)가 추정 관행을 표준화했다.
• 생산함수와 마크업: 대리변수 방법(proxy variable methods, Ackerberg·Caves·Frazer 2015, Gandhi·Navarro·Rivers 2020)이 기본이다. 생산함수로 마크업을 재는 접근(De Loecker·Eeckhout·Unger 2020)은 매출 자료만으로는 식별이 어렵다는 비판(Bond 외 2021)을 받으며 논쟁 중이다.
• 동태 모형: 조건부 선택확률(conditional choice probability, CCP) 추정(Hotz·Miller 1993, Arcidiacono·Miller 2011)이 계산 부담을 낮춘 뒤 응용이 넓어졌다.

신경망을 이용한 추정

우도를 쓸 수 없어 시뮬레이션에 의존하던 모형에서 신경망이 추정 도구로 쓰이기 시작했다.

• Kaji·Manresa·Pouliot(2023, Econometrica)의 적대적 추정(adversarial estimation)은 구조모형이 만든 모의 자료와 실제 자료를 판별기(discriminator)가 구분하지 못하게 만드는 모수를 찾는다. 판별기가 충분히 풍부하면 올바른 설정에서 모수적 효율성을 얻는다.
• Wei·Jiang(2025, Marketing Science)는 모형이 생성한 자료로 신경망을 학습시켜 자료의 적률을 넣으면 모수 추정값이 나오게 한다. 소비자 탐색 모형(consumer search model)에서 기존 방법보다 정확하고 계산이 가벼웠다.

실험과 균형의 결합

시장 안에서 한 실험은 가격을 통해 통제집단에도 영향을 준다. Munro·Kuang·Wager(2025, AER)는 하나의 큰 시장에서 개체 단위로 무작위 배정한 실험만으로 직접효과(direct effects)와 균형 변화에 따른 파급효과(spillovers)를 식별하는 방법을 보였다. 파급효과를 추정하려면 가격탄력성이 필요해서 이를 얻도록 실험 설계를 보강한다.

구조모형이 틀렸을 가능성을 추정 단계에서 다루는 연구는 9절의 오설정 논의와 연결된다.

최신 동향 ⑥ 식별·추론 이론

핵심 질문약한 가정에서 무엇을 말할 수 있나

이론 쪽 연구들은 공통으로 '모형이 틀렸을 때도 믿을 수 있는 결론'을 찾는다. 2025년 World Congress의 계량 분야 초청 세션 네 개를 보면 이 분야가 무엇을 다루는지 대략 알 수 있다.

모형 오설정(model misspecification)

Armstrong(2025)의 World Congress 리뷰는 오설정 연구가 결국 모형을 더 큰 모형으로 넓히는 문제라고 정리한다. 어떻게 넓힐지가 그 자체로 연구 주제라고 본다. Armstrong·Kline·Sun(2025, Econometrica)의 'Adapting to Misspecification'이 이 흐름의 대표 논문이다.

부분식별과 민감도 분석

부분식별은 Manski의 경계 분석(bounds analysis)에서 출발해 Molinari(2020)의 Handbook of Econometrics 장으로 정리됐다. 응용에서 가장 널리 쓰이는 형태는 민감도 분석(sensitivity analysis)이다.

• 평행추세가 어느 정도 깨져도 결론이 유지되는지 보는 방법(Rambachan·Roth 2023)
• 누락변수가 얼마나 강해야 결과가 뒤집히는지 재는 방법(Cinelli·Hazlett 2020)
• 가정을 얼마나 풀면 결론이 더는 성립하지 않는지 보는 breakdown frontier(Masten·Poirier 2020)

통계적 의사결정과 경험적 베이즈

추정과 검정 대신 '어떤 처치를 고를 것인가'를 직접 푸는 연구가 활발해졌다. 경험적 후생 극대화(empirical welfare maximization, Kitagawa·Tetenov 2018)와 정책 학습(Athey·Wager 2021)이 출발점이고 World Congress도 'Causal Inference and Statistical Decisions'를 초청 세션으로 뒀다.

경험적 베이즈(empirical Bayes)는 교사, 학교, 기업, 판사처럼 단위별 모수가 많은 문제에서 표준 도구로 쓰인다. Walters(2024)의 Handbook of Labor Economics 장이 방법을 정리했다. 기업별 고용 차별을 등급으로 매긴 Kline·Rose·Walters(2024, AER)가 대표 응용이다.

패널, 비모수, 고차원

• 패널: World Congress 초청 세션의 주제였다. 비선형 패널의 고정효과 문제, 상호작용 고정효과(interactive fixed effects, Bai 2009), 집단 이질성(grouped heterogeneity, Bonhomme·Manresa 2015)이 중심이다.
• 비모수·고차원: 심층신경망 추정량의 추론(Farrell·Liang·Misra 2021), 자동 편의제거(automatic debiased machine learning, Chernozhukov·Newey·Singh 2022)처럼 ML 추정량에 추론 보장을 붙이는 작업이 이어진다.

베이지안, 네트워크, 공간

• 베이지안: 대형 VAR의 축소 사전분포(shrinkage priors, Giannone·Lenza·Primiceri 2015), 집합식별(set-identified) 모형의 강건 베이지안(Giacomini·Kitagawa 2021), 트리 기반 인과추론(Hahn·Murray·Carvalho 2020).
• 네트워크: 간섭(interference)이 있을 때의 인과추론(Aronow·Samii 2017, Leung 2022)과 네트워크 형성 모형(network formation models, Graham 2017, de Paula 2020).
• 공간: 공간 상관에 강건한 추론과 공간 단위근(spatial unit roots, Müller·Watson 2022, 2024).

산업 적용: 테크기업의 실험설계와 인과추론

핵심 질문실험을 어떻게 설계하고 읽을 것인가

테크기업에서 계량경제학은 주로 온라인 실험(A/B 테스트)의 설계와 분석, 그리고 실험이 불가능할 때의 관측자료 인과추론에 쓰인다. 간섭, 순차 검정(sequential testing), 장기효과 추정처럼 학계 프런티어가 된 주제 상당수가 현업 문제에서 출발했다.

양면 시장(two-sided market)의 간섭

Johari·Li·Liskovich·Weintraub(2022, Management Science)에 따르면 어느 쪽을 무작위화할지는 시장의 수급 균형에 달렸다. 수요가 부족한 시장에서는 고객 단위 무작위화(customer-side randomization)가 편의 없이 작동하고 리스팅 단위(listing-side)는 편의를 낳는다. 공급이 부족한 시장에서는 반대다. 양쪽을 함께 무작위화하는 설계는 두 극단 모두에서 편의가 없다.

장기 효과

Athey·Chetty·Imbens·Kang(2025, Review of Economic Studies)의 대리지표 방법은 여러 단기 결과를 하나의 예측 지수로 묶어 장기 효과를 추정한다. 캘리포니아 직업훈련 실험에 적용하면 9년 평균 고용률 효과를 1.5년 시점에 추정할 수 있었고 표준오차는 35% 줄었다.

학계와 산업의 경계

방법론 논문의 저자 소속에 기업이 함께 적히는 일이 흔해졌다. 경험적 베이즈 핸드북 장의 저자는 UC 버클리와 Amazon 소속이고(Walters, 2024) AI 생성 변수 논문의 공저자 한 명은 Meta 소속이다(Cowles Foundation Discussion Paper).

먼저 볼 실무 참고서로는 Kohavi·Tang·Xu(2020)의 온라인 실험 교과서와 Athey·Luca(2019)의 테크기업 경제학자 개관이 있다.

분야를 가로지르는 흐름과 남은 쟁점

일곱 분야에서 같은 흐름이 반복된다.

1. 추정 대상을 먼저 정한다. TWFE 재검토, LATE 해석 논쟁, LP와 VAR의 관계 정리가 모두 '이 추정량은 무엇을 추정하는가'에서 출발했다.
2. 오설정을 전제로 추론한다. 민감도 분석, 편의를 감안한 신뢰구간(bias-aware confidence intervals), LP의 강건성 결과가 같은 문제의식을 공유한다.
3. ML과 AI를 추론 절차 안에 넣는다. 이를 위한 장치로 직교화, 교차적합, 검증 표본을 이용한 보정을 쓴다.
4. 설계와 구조를 결합한다. 시장 균형 속 실험, 한계처치효과, 대리지표에서 이런 결합을 볼 수 있다.
5. 연구 생산 방식이 바뀐다. 에이전트가 쓰는 실증 논문과 자동화된 자료 구축이 이제 방법론의 검증 대상이다.

남은 쟁점은 다음과 같다.

• 확산의 불균등: 실험·준실험 방법을 언급한 논문 비중은 2024년 기준 응용미시 63%, 금융 47%, 거시·기타 39%다. 금융과 거시의 현재 수준은 응용미시의 2008~2010년과 비슷하다(Goldsmith-Pinkham, 2026).
• 이론과 응용의 간극: 같은 연구에 따르면 Journal of Econometrics가 주로 다루는 주제는 비모수 추정과 점근 이론이고 응용 연구자가 쓰는 것은 DiD와 식별 전략이다.
• AI 측정의 신뢰성: 검증 표본 없이 LLM 출력을 변수로 쓰는 관행과 LLM 피험자의 타당성이 아직 정리되지 않았다.
• 복잡성의 미덕: 과모수(overparameterized) 모형의 수익률 예측력, 파운데이션 모형의 누출 없는 평가가 진행 중인 논쟁이다.
• 투명성: 귀무 결과(null results) 보고는 줄고 비공개 자료 사용은 늘었다는 지적이 있다(Garg·Fetzer, 2024). 다만 이 분석은 2026년 개정판에서 빠졌다.

참고문헌

본문에서 인용한 문헌을 모두 실었다. 2023~2026년 문헌은 유형별로 나눴고, 2022년 이전 문헌은 마지막 묶음에 저자 이름순으로 모았다. 링크는 되도록 DOI로 걸었다.

서베이와 실무 가이드

• Baker·Callaway·Cunningham·Goodman-Bacon·Sant'Anna (2026), Difference-in-Differences Designs: A Practitioner's Guide, Journal of Economic Literature 64(2)
• Jordà·Taylor (2025), Local Projections, Journal of Economic Literature 63(1)
• Dell (2025), Deep Learning for Economists, Journal of Economic Literature 63(1)
• Imbens·Xu (2025), Comparing Experimental and Nonexperimental Methods, Journal of Economic Perspectives 39(4)
• Mogstad·Torgovitsky (2024), Instrumental Variables with Unobserved Heterogeneity in Treatment Effects, NBER WP 32927, Handbook of Labor Economics 수록용
• Walters (2024), Empirical Bayes Methods in Labor Economics, Handbook of Labor Economics 5
• Roth·Sant'Anna·Bilinski·Poe (2023), What's Trending in Difference-in-Differences?, Journal of Econometrics

게재 논문

• Montiel Olea·Plagborg-Møller·Qian·Wolf (2026), Double Robustness of Local Projections and Some Unpleasant VARithmetic, Econometrica 94(4)
• Chen·Wang·Wang·Bhatia (2026), Simulated responses from large language models are weak proxies for human economic preferences across 74 countries, Nature Human Behaviour
• Munro·Kuang·Wager (2025), Treatment Effects in Market Equilibrium, American Economic Review 115(10)
• Athey·Chetty·Imbens·Kang (2025), The Surrogate Index, Review of Economic Studies
• Armstrong·Kline·Sun (2025), Adapting to Misspecification, Econometrica 93(6)
• Wei·Jiang (2025), Estimating Parameters of Structural Models Using Neural Networks, Marketing Science 44(1)
• Kelly·Malamud·Zhou (2024), The Virtue of Complexity in Return Prediction, Journal of Finance 79(1)
• Borusyak·Jaravel·Spiess (2024), Revisiting Event-Study Designs: Robust and Efficient Estimation, Review of Economic Studies 91(6)
• Kline·Rose·Walters (2024), A Discrimination Report Card, American Economic Review 114(8)
• Berry·Haile (2024), Nonparametric Identification of Differentiated Products Demand Using Micro Data, Econometrica 92(4)
• Müller·Watson (2024), Spatial Unit Roots and Spurious Regression, Econometrica 92(5)
• Kaji·Manresa·Pouliot (2023), An Adversarial Approach to Structural Estimation, Econometrica 91(6)
• Rambachan·Roth (2023), A More Credible Approach to Parallel Trends, Review of Economic Studies 90(5)
• Abadie·Athey·Imbens·Wooldridge (2023), When Should You Adjust Standard Errors for Clustering?, Quarterly Journal of Economics 138(1)
• Bauer·Swanson (2023), A Reassessment of Monetary Policy Surprises and High-Frequency Identification, NBER Macroeconomics Annual 37
• Jensen·Kelly·Pedersen (2023), Is There a Replication Crisis in Finance?, Journal of Finance 78(5)
• Bojinov·Simchi-Levi·Zhao (2023), Design and Analysis of Switchback Experiments, Management Science 69(7)
• Dube·Girardi·Jordà·Taylor (2023), A Local Projections Approach to Difference-in-Differences, NBER WP 31184. Journal of Applied Econometrics 40(7)(2025)에 게재

워킹페이퍼와 게재 예정 논문

• Goldsmith-Pinkham (2026), Tracking the Credibility Revolution across Fields, NBER WP 35051. 2024년판은 arXiv
• Garg·Fetzer (2026), Causal Claims in Economics, arXiv 2501.06873v2(2026년 2월 개정판). 11절의 투명성 지적은 2024년 판에 근거
• Callaway·Goodman-Bacon·Sant'Anna (2025), Difference-in-Differences with a Continuous Treatment
• de Chaisemartin·D'Haultfoeuille (2025), Treatment-Effect Estimation in Complex Designs under a Parallel-trends Assumption, 2025 World Congress 논문집 게재 예정
• Cattaneo·Titiunik·Yu (2025), Boundary Discontinuity Designs: Theory and Practice, Estimation and Inference in Boundary Discontinuity Designs
• Armstrong (2025), Misspecification in Econometrics: A Selective Review, 2025 World Congress 논문집 게재 예정
• Ahrens·Chernozhukov·Hansen·Kozbur·Schaffer·Wiemann (2025), An Introduction to Double/Debiased Machine Learning
• Battaglia·Christensen·Hansen·Sacher (2025), Inference for Regression with Variables Generated by AI or Machine Learning
• Ludwig·Mullainathan·Rambachan (2025), Large Language Models: An Applied Econometric Framework, NBER WP 33344
• Horton (2023), Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?, NBER WP 31122. 이후 개정판은 Filippas·Manning과 공저
• Montiel Olea·Plagborg-Møller·Qian·Wolf (2025), Local Projections or VARs? A Primer for Macroeconomists
• Carriero·Pettenuzzo·Shekhar (2026), MACROCAST: A Vintage-Consistent Time Series Foundation Model
• MacKinnon (2026), When Can We Trust Cluster-Robust Inference?
• Chiang·Sasaki·Wang (2025), Genuinely Robust Inference for Clustered Data

학회, 강의, 기타 자료

• 2025 Econometric Society World Congress(서울) 초청 세션
• NBER Summer Institute 2026 Methods Lectures 안내
• JEL 분류 체계
• APE 프로젝트 관련: VoxEU 칼럼, arXiv 2604.03338, Cunningham 발표 자료

2022년 이전 문헌

• Abadie (2021), Using Synthetic Controls: Feasibility, Data Requirements, and Methodological Aspects, Journal of Economic Literature 59(2)
• Ackerberg·Caves·Frazer (2015), Identification Properties of Recent Production Function Estimators, Econometrica 83(6)
• Arcidiacono·Miller (2011), Conditional Choice Probability Estimation of Dynamic Discrete Choice Models with Unobserved Heterogeneity, Econometrica 79(6)
• Arkhangelsky·Athey·Hirshberg·Imbens·Wager (2021), Synthetic Difference-in-Differences, American Economic Review 111(12)
• Aronow·Samii (2017), Estimating Average Causal Effects under General Interference, with Application to a Social Network Experiment, Annals of Applied Statistics 11(4)
• Athey·Bayati·Doudchenko·Imbens·Khosravi (2021), Matrix Completion Methods for Causal Panel Data Models, Journal of the American Statistical Association 116(536)
• Athey·Imbens (2016), Recursive Partitioning for Heterogeneous Causal Effects, Proceedings of the National Academy of Sciences 113(27)
• Athey·Luca (2019), Economists (and Economics) in Tech Companies, Journal of Economic Perspectives 33(1)
• Athey·Tibshirani·Wager (2019), Generalized Random Forests, Annals of Statistics 47(2)
• Athey·Wager (2021), Policy Learning with Observational Data, Econometrica 89(1)
• Auclert·Bardóczy·Rognlie·Straub (2021), Using the Sequence-Space Jacobian to Solve and Estimate Heterogeneous-Agent Models, Econometrica 89(5)
• Bai (2009), Panel Data Models with Interactive Fixed Effects, Econometrica 77(4)
• Ben-Michael·Feller·Rothstein (2021), The Augmented Synthetic Control Method, Journal of the American Statistical Association 116(536)
• Berry·Haile (2021), Foundations of Demand Estimation, Handbook of Industrial Organization 4
• Berry·Levinsohn·Pakes (1995), Automobile Prices in Market Equilibrium, Econometrica 63(4)
• Bond·Hashemi·Kaplan·Zoch (2021), Some Unpleasant Markup Arithmetic: Production Function Elasticities and Their Estimation from Production Data, Journal of Monetary Economics 121
• Bonhomme·Manresa (2015), Grouped Patterns of Heterogeneity in Panel Data, Econometrica 83(3)
• Callaway·Sant'Anna (2021), Difference-in-Differences with Multiple Time Periods, Journal of Econometrics 225(2)
• Card·Krueger (1994), Minimum Wages and Employment: A Case Study of the Fast-Food Industry in New Jersey and Pennsylvania, American Economic Review 84(4)
• Chen·Zimmermann (2022), Open Source Cross-Sectional Asset Pricing, Critical Finance Review 11(2)
• Chernozhukov·Chetverikov·Demirer·Duflo·Hansen·Newey·Robins (2018), Double/Debiased Machine Learning for Treatment and Structural Parameters, Econometrics Journal 21(1)
• Chernozhukov·Newey·Singh (2022), Automatic Debiased Machine Learning of Causal and Structural Effects, Econometrica 90(3)
• Cinelli·Hazlett (2020), Making Sense of Sensitivity: Extending Omitted Variable Bias, Journal of the Royal Statistical Society Series B 82(1)
• Conlon·Gortmaker (2020), Best Practices for Differentiated Products Demand Estimation with PyBLP, RAND Journal of Economics 51(4)
• De Loecker·Eeckhout·Unger (2020), The Rise of Market Power and the Macroeconomic Implications, Quarterly Journal of Economics 135(2)
• de Paula (2020), Econometric Models of Network Formation, Annual Review of Economics 12
• Deng·Xu·Kohavi·Walker (2013), Improving the Sensitivity of Online Controlled Experiments by Utilizing Pre-Experiment Data, WSDM 2013 학술대회 논문집
• Engle (1982), Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation, Econometrica 50(4)
• Engle·Granger (1987), Co-Integration and Error Correction: Representation, Estimation, and Testing, Econometrica 55(2)
• Farrell·Liang·Misra (2021), Deep Neural Networks for Estimation and Inference, Econometrica 89(1)
• Feng·Giglio·Xiu (2020), Taming the Factor Zoo: A Test of New Factors, Journal of Finance 75(3)
• Gandhi·Navarro·Rivers (2020), On the Identification of Gross Output Production Functions, Journal of Political Economy 128(8)
• Giacomini·Kitagawa (2021), Robust Bayesian Inference for Set-Identified Models, Econometrica 89(4)
• Giannone·Lenza·Primiceri (2015), Prior Selection for Vector Autoregressions, Review of Economics and Statistics 97(2)
• Graham (2017), An Econometric Model of Network Formation with Degree Heterogeneity, Econometrica 85(4)
• Gu·Kelly·Xiu (2020), Empirical Asset Pricing via Machine Learning, Review of Financial Studies 33(5)
• Haavelmo (1944), The Probability Approach in Econometrics, Econometrica 12(Supplement)
• Hahn·Murray·Carvalho (2020), Bayesian Regression Tree Models for Causal Inference: Regularization, Confounding, and Heterogeneous Effects, Bayesian Analysis 15(3)
• Hansen (1982), Large Sample Properties of Generalized Method of Moments Estimators, Econometrica 50(4)
• Harvey·Liu·Zhu (2016), …and the Cross-Section of Expected Returns, Review of Financial Studies 29(1)
• Heckman (1979), Sample Selection Bias as a Specification Error, Econometrica 47(1)
• Hotz·Miller (1993), Conditional Choice Probabilities and the Estimation of Dynamic Models, Review of Economic Studies 60(3)
• Howard·Ramdas·McAuliffe·Sekhon (2021), Time-Uniform, Nonparametric, Nonasymptotic Confidence Sequences, Annals of Statistics 49(2)
• Imbens·Angrist (1994), Identification and Estimation of Local Average Treatment Effects, Econometrica 62(2)
• Johari·Koomen·Pekelis·Walsh (2022), Always Valid Inference: Continuous Monitoring of A/B Tests, Operations Research 70(3)
• Johari·Li·Liskovich·Weintraub (2022), Experimental Design in Two-Sided Platforms: An Analysis of Bias, Management Science 68(10)
• Kelly·Pruitt·Su (2019), Characteristics Are Covariances: A Unified Model of Risk and Return, Journal of Financial Economics 134(3)
• Kitagawa·Tetenov (2018), Who Should Be Treated? Empirical Welfare Maximization Methods for Treatment Choice, Econometrica 86(2)
• Kohavi·Tang·Xu (2020), Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing, Cambridge University Press
• LaLonde (1986), Evaluating the Econometric Evaluations of Training Programs with Experimental Data, American Economic Review 76(4)
• Leamer (1983), Let's Take the Con Out of Econometrics, American Economic Review 73(1)
• Lee·McCrary·Moreira·Porter (2022), Valid t-Ratio Inference for IV, American Economic Review 112(10)
• Lenza·Primiceri (2022), How to Estimate a Vector Autoregression after March 2020, Journal of Applied Econometrics 37(4)
• Leung (2022), Causal Inference under Approximate Neighborhood Interference, Econometrica 90(1)
• Lucas (1976), Econometric Policy Evaluation: A Critique, Carnegie-Rochester Conference Series on Public Policy 1
• Manski (1990), Nonparametric Bounds on Treatment Effects, American Economic Review 80(2)
• Masten·Poirier (2020), Inference on Breakdown Frontiers, Quantitative Economics 11(1)
• McFadden (1974), Conditional Logit Analysis of Qualitative Choice Behavior, P. Zarembka 편, Frontiers in Econometrics, Academic Press
• Molinari (2020), Microeconometrics with Partial Identification, Handbook of Econometrics 7A
• Müller·Watson (2022), Spatial Correlation Robust Inference, Econometrica 90(6)
• Nakamura·Steinsson (2018), High-Frequency Identification of Monetary Non-Neutrality: The Information Effect, Quarterly Journal of Economics 133(3)
• Plagborg-Møller·Wolf (2021), Local Projections and VARs Estimate the Same Impulse Responses, Econometrica 89(2)
• Sims (1980), Macroeconomics and Reality, Econometrica 48(1)
• Staiger·Stock (1997), Instrumental Variables Regression with Weak Instruments, Econometrica 65(3)
• Stock·Watson (2018), Identification and Estimation of Dynamic Causal Effects in Macroeconomics Using External Instruments, Economic Journal 128(610)
• Sun·Abraham (2021), Estimating Dynamic Treatment Effects in Event Studies with Heterogeneous Treatment Effects, Journal of Econometrics 225(2)
• Wager·Athey (2018), Estimation and Inference of Heterogeneous Treatment Effects using Random Forests, Journal of the American Statistical Association 113(523)
• White (1980), A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity, Econometrica 48(4)

작성 메모

• 기준: 2026년 11월 14일 시점, 연구자 수준, 전 분야 균형, 산업 적용 포함으로 썼다. '최신'은 2023~2026년으로 잡았다.
• 근거: 수치와 서지 정보는 논문 초록, 학술지, 학회·기관 페이지에서 확인했다. 본문에 저자와 연도로만 적은 문헌도 12절에 서지와 링크를 실었다.
• 워킹페이퍼: 12절에 따로 묶었다. 심사 과정에서 결과가 바뀔 수 있다.
• 분야 경계: 일곱 분야 구분은 관행을 따른 것이라 서로 겹친다. LP-DiD는 시계열과 인과추론 양쪽에, 시장 균형 속 실험은 구조추정과 실험설계 양쪽에 걸친다.
• 얕게 다룬 곳: 금융계량의 고빈도 분석, 베이지안, 네트워크·공간 계량은 2025~2026년 문헌을 개별 확인하지 못해 2022년 이전 대표 문헌 중심으로 적었다. 한국 학계의 동향은 다루지 않았다.
• 해석 주의: APE의 승률은 LLM이 심사한 결과다. 논문 텍스트의 언급 빈도로 방법의 확산을 잰 연구는 실제 사용 빈도와 다를 수 있다.