분석 방법

추정방법에 있어서 중요한 이슈 중 하나는 농업부문 ODA와 농업 GDP 간에 내생성(endogeneity)이 존재한다는 점이다. 수혜국 농업부문에 공적자금이 투입됨 으로써 농업 GDP에 긍정적인 영향을 미칠 수 있는 한편, 농업 GDP가 큰 국가일수록 농업부문 ODA를 더 많이 유치할 수 있는 가능성이 존재한다. 이러한 역인과관계 (reverse causality)의 존재 가능성이 제기됨에 따라 도구변수(instrumental variable)를 활용한 추정 방법을 적용하는 것이 필요하다. 본 연구에서는 일반화적률추정법 (Generalized Method of Moments: GMM)을 주요 추정법으로 사용한다.

농업부문 ODA가 개발도상국 농업부문 GDP에 미치는 영향을 분석하기 위해 식 (1)과 같이 축약형(reduced-form) 모형을 추정한다.

_{ }  _ __{ } _{ } _ _ _{ } (1) 여기서 종속변수인 _{ }는 개발도상국 i, 시점 t의 농업부문 GDP를 의미한 다. 관심변수인 _{ }는 국가 i, 시점 t의 농업부문 ODA를 가리킨다. _{ }는 시간 에 따라 변화하는(time-varying) 통제 변수의 벡터이다. 이러한 변수들에는 인구, 보건지출, 수출, 수입, 실업률, 인터넷 사용, 고용률, 물가상승률, 환율, 부패 통제, 정치 안정, 인간개발지수(HDI)이 포함된다. _{ }는 국가 i, 시점 t의 통제변수들에 의해 설명할 수 없는 고유오차(idiosyncratic error)를 의미한다. _, _, 는 추정 해야 할 파라미터 값이다. 특히 본 실증분석의 핵심 파라미터인 _는 농업부문 ODA가 농업부문 GDP에 미치는 영향을 가리킨다.

매년 모든 표본 국가에 발생하는 공통적인 충격(shocks)이 농업분야 ODA와 종 속변수인 농업부문 GDP에 영향을 미친다면 ^는 과대 혹은 과소 평가될 가능성 이 있으며, 이러한 효과를 통제하기 위해 연도 고정효과인 _를 포함하였다.

개별 국가의 관측될 수 없는 이질성(unobserved heterogeneity)이 관심변수인 한 국가의 ODA와 상관되어 있다면, 핵심 파라미터인 _는 편향될 수 있다. 따라

서 국가의 고정효과(fixed effects)를 뜻하는 _를 포함하여 개별 국가의 관찰되지 않은 이질성을 통제하고자 한다.

여기서 고정효과 제거 및 식 (1)의 추정을 위해서는 식 (1)을 차분(difference)하 는 방식을 적용하여 추정하며 이를 식 (2)와 같이 나타낼 수 있다.

_{ } __{ } _{ } _ _{ } (2) 이처럼 국가의 고정효과 ^는 차분을 통해 소거된다. 그러나 최소자승법 (Ordinary Least Squares: OLS)을 통한 식 (2)의 추정은 _이 편향되는 문제가 여전 히 발생한다. 이런 경우, 농업부문 ODA가 농업부문 GDP에 미치는 영향은 과대 혹 은 과소평가할 수 있다. _{ }_{ }_{   }이며 _{ } _{ } _{   } 이므로 이 두 식에서 _{   }과 ^   은 상관관계가 있기 때문이다. 시간에 따 라 변화하는 관측 가능한 변수, 개별 국가에서 관측되지 않는 이질성, 시점에 따라 모든 국가에 공통적으로 가해지는 충격은 통제가 되었지만, 동일한 시간에 따라 변 화하지만 관측되지 않은 변수가 있을 경우 OLS 추정을 적용하면 여전히 _이 편 향될 수 있다.

이를 보다 구체적으로 살펴보면, ^_{ } 와 _{ }가 정(+)의 상관 관계를 가진 다고 할 때 농업부문 ODA가 농업분야 GDP에 미치는 영향을 나타내는 _은 OLS 추정법을 적용할 경우 과대평가되게 된다. 마찬가지로 _{ } 가 _{ }와 부(-) 의 상관 관계를 나타낸다면, OLS를 통한 _의 추정 결과는 과소평가될 수 있다.

이렇듯 ODA와 GDP 간 내생성 문제는 농업부문 ODA의 효과를 정확하게 평가 하는 것을 어렵게 만든다. 따라서 보다 엄밀한 식별전략(identification strategy)이 필요한데, 이 경우 도구변수법(Instrumental variables)을 일반적으로 사용한다.

ODA의 변화량, 즉  에 대한 적절한 도구 변수로는 ODA의 변화량과는 상관관계를 가지면서 _{ }과는 상관관계가 없어야 한다. _{   }는 _{ }와 상 관관계가 없기 때문에 _{   }를 _{ }의 도구변수로 사용할 수 있다. 이

때 _{   }외에도 _{ }와 무관한 모든 도구변수를 활용하기 위해 일반적인 도

구변수법이 아닌 Arellano & Bond(1991)의 일반화적률추정법을 적용한다. 일반 적인 도구변수법은 모든 시점을 통합하여 첫번째 단계(First stage)를 추정한다. 반 면에 GMM 추정은 시점별로 구분하여 첫번째 단계를 추정한다는 차이가 있다.

Arellano & Bond(1991) 추정을 적용하면 일반적인 도구변수 추정과는 다르게 도구변수의 개수가 시점 t에 따라 변화한다. 편의를 위해 _{ }    _{ } _ _{ } 를 추정한다고 가정하면, 이에 대한 차분식은 _{ }  _{ } _{ }으로 표현 가 능하다. 이때 _{ } _{ } _{   }이기 때문에 도구변수로 _{   }를 활용할 수 있 다. 따라서 첫번째 단계(first-stage) 추정은 다음과 같다.

_{ } _ __{   } _{ }    (3)

일반적인 도구 변수 추정과 다르게 아렐라노 본드 추정에서는 시점 t에 따라 도 구변수의 개수가 변화하며 이에 따라 계수들이 시점에 따라 다르다. 즉, 아렐라노 본드 추정의 첫번째 단계는 시점에 따라 식 (4)와 같이 표현된다.

식 (4)에서 나타난 바와 같이 두 번째 시점에서 도구변수로 ^ 만 활용된 반면, 세 번째 시점에서는 도구변수로 _{ }와 _{ }이 사용되었다. 마찬가지로 시점 T에서 는 도구변수로 _{ }_{ }  _{  }개가 사용된다.

_{ } _^ _^_{ } _{ }

_{ } _^ _^_{ } _^_{ } _{ }







_  _^ _^_{  }   _{  }^ _{ } _{ }

(4)

본 연구에서는 2단계 일반화적률추정법(Two-step GMM)을 적용하여 추정하 고자 하며, 추정치의 표준편차에 대한 이분산성(heteroscedasticity)을 통제하기 위하여 강건한 표준오차(robust standard error)를 추정한다.²⁵⁾

25) 오차항에 군집화(Cluster) 문제와 계열 상관이 있을 경우, 군집화된 표준오차(Cluster Standard error)를 사용하는 것이 바람직하나, 본 분석에서 사용된 데이터상 국가별 수준에서의 군집이 적으 므로 (50개 미만), 군집화된 표준오차 사용이 정당화될 수 없다.