📈 economics

A Multinomial Probit Model for Asymmetric Choice Responses

본 논문은 비대칭적 선택 반응을 포착하기 위해 잠재 효용에 다변량 왜도-정규 분포를 활용하는 왜도 다항 프로빗(Skewed Multinomial Probit, SMNP) 모델을 제안하며, 새로운 공분산 재매개변수화와 이중 데이터 증강 베이지안 추정 방식을 통해 관련 식별 및 계산상의 과제를 해결한다.

원저자: Cash Looi, Ruben Loaiza-Maya, Didier Nibbering

게시일 2026-08-12

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Cash Looi, Ruben Loaiza-Maya, Didier Nibbering

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 친구가 점심으로 무엇을 주문할지 추측하려고 한다고 상상해 보세요. 당신은 그들이 보통 버거, 샐러드, 또는 피자 중에서 고른다는 것을 알고 있습니다. 경제학의 세계에는 사람들의 결정을 예측하려고 노력하는 '선택 모델(choice model)'이라는 고전적인 도구가 있습니다. 수십 년 동안 이 도구의 가장 인기 있는 버전은 단순하고 대칭적인 규칙에 따라 작동해 왔습니다. 그것은 만약 어떤 음식의 가격이 약간 저렴해지면 사람들이 그것을 더 많이 살 것이고, 약간 비싸지면 정확히 같은 양만큼 덜 살 것이라고 가정합니다. 이것은 마치 완벽하게 균형 잡힌 시소와 같습니다. 한쪽을 아래로 밀면 다른 쪽이 정확히 같은 거리만큼 위로 올라갑니다. 이것은 많은 것들에 잘 들어맞지만, 우리의 인간적인 진실을 무시합니다. 우리는 항상 좋은 소식에 반응하는 방식과 나쁜 소식에 반응하는 방식이 같지는 않기 때문입니다. 때때로 가격 인상은 고통스러운 뺨 때리기처럼 느껴지지만, 가격 인하는 부드러운 등 두드림처럼 느껴질 수 있습니다. 우리는 돈을 아끼는 것보다 돈을 잃는 것을 더 싫어할 수도 있습니다.

이 논문은 그 무질서하고 비대칭적인 현실을 깊이 파고듭니다. 모나쉬 대학교(Monash University)의 연구진인 저자들은 사람들이 세탁 세제 브랜드나 케첩 같은 서로 다른 옵션들 사이에서 어떻게 선택하는지를 예측하는 데 사용되는 수학인 '이산 선택(discrete choice)' 모델링 문제를 다루고 있습니다. 그들은 사람들이 '잠재 효용(latent utilities)', 즉 우리가 볼 수는 없지만 선택을 유도하는 '숨겨진 만족도 점수'를 가지고 있다는 아이디어를 바탕으로 연구를 진행하고 있습니다. 표준 모델들은 이 숨겨진 점수들이 완벽한 종 모양의 곡선(정규 분포)을 따른다고 가정하며, 이는 강제로 대칭적인 시소 동작을 만들어냅니다. 하지만 저자들은 현실 세계에서 이러한 숨겨진 점수들이 종종 한쪽으로 치우치거나 '왜곡(skewed)'되어 있다고, 즉 사람들이 이득과 손실에 다르게 반응한다고 의심합니다. 그들은 만약 우리가 수학을 대칭적으로 강요하는 것을 멈춘다면, 더 나은 예측을 얻을 수 있을지 궁금해합니다. 그리고 만약 그렇다면, 수학이 망가지지 않도록 어떻게 수정해야 할까요?

이 논문은 '왜도 있는 다항 프로빗(Skewed Multinomial Probit, SMNP)'이라 불리는 새로운 모델을 제안합니다. 기존 모델을 딱딱하고 대칭적인 로봇이라고 생각해보세요. 이 로봇는 가격 상승이 브랜드에 주는 타격이 가격 하락이 주는 이득과 정확히 같다고 가정합니다. 저자들은 이 로봇이 너무 경직되어 있다고 주장합니다. 그들의 새로운 SMNP 모델은 "이봐, 사람들은 가격이 내려갈 때 축하하기보다 가격이 올라갈 때 더 패닉에 빠질 수도 있어"라고 인정하는, 더 유연하고 인간적인 관찰자와 같습니다. 이를 실현하기 위해 그들은 까다로운 퍼즐을 풀어야 했습니다. 통계학에서는 숫자가 측정되는 규칙을 깨뜨리지 않고 단순히 '왜도(lopsidedness, 비대칭성)'를 모델에 추가할 수 없습니다. 이것은 마치 케이크 반죽에 새로운 맛을 추가하면서 오븐 온도나 팬의 크기를 바꾸지 않으려는 것과 같습니다. 주의하지 않으면 케이크 전체가 무너질 수 있기 때문입니다. 저자들은 케이크가 무너지지 않으면서도 그 추가된 맛을 허용할 수 있는 새로운 방식의 수학적 재구성(reparameterization)을 발명했습니다. 또한 그들은 '데이터 증강(data augmentation)'을 이용한 '베이지안 추론(Bayesian inference)'이라는 방법을 사용하여, 길을 잃지 않고 적절한 왜도의 양을 찾아내기 위해 수백만 가지의 가능성을 맛보고 테스트하는 특별한 컴퓨터 프로그램을 구축했습니다.

그들이 새 모델을 테스트했을 때 결과는 시사하는 바가 컸습니다. 알려진 비대칭적 반응을 가진 가짜 데이터를 생성한 컴퓨터 시뮬레이션에서, 기존의 대칭 모델은 특히 극단적인 상황(매우 높거나 매우 낮은 가격)에서 예측을 틀렸습니다. 그러나 새로운 SMNP 모델은 숨겨진 비대칭성을 성공적으로 '복구(recover)'해냈으며 훨씬 더 정확하게 선택을 예측했습니다. 하지만 가장 멋진 부분은 이것입니다. 만약 반응이 실제로 대칭적인 데이터로 새 모델을 테스트했을 때, 모델은 일을 망치지 않았습니다. 그것은 단순히 다시 작아져서 기존의 신뢰할 수 있는 모델처럼 작동했습니다. 존재하지 않는 곳에 억지로 이상한 모양을 만들어내지 않은 것입니다.

저자들은 실험실에서 모델을 가지고 나와 실제 쇼핑 데이터에 적용했습니다: 6개 브랜드의 세탁 세제 구매 2,657건과 4개 브랜드의 케첩 구매 4,956건이 포함된 데이터입니다. 세제 데이터에서, 특정 브랜드(EraPlus)에 대해 기존 모델은 사람들이 가격이 올랐을 때 얼마나 구매를 중단하고 경쟁사로 갈아탈지에 대해 과소평가했습니다. 새 모델은 이 '손실 회피(loss aversion)'를 포착하여, 가격 인상이 가격 인하보다 매출에 더 큰 타격을 준다는 것을 보여주었습니다. 케첩 데이터에서, 기존 모델은 경쟁사가 가격을 올렸을 때 어떤 브랜드가 이득을 볼지를 잘못 식별했습니다. 새 모델은 이를 바로잡아, 대체 패턴이 이전에 생각했던 것과는 달랐음을 보여주었습니다.

논문은 기존의 대칭 모델이 좋은 출발점이 될 수는 있지만, 기업과 정부에 오해의 소지가 있는 조언을 줄 수 있다고 결론짓습니다. 만약 기업이 기존 모델을 사용한다면, 가격 인상이 고객을 멀어지게 할 수 있음에도 불구하고 그것이 안전한 조치라고 생각하거나, 어떤 경쟁사가 자신들의 시장 점유율을 뺏어갈지 잘못 판단할 수 있습니다. 새로운 SMNP 모델은 이러한 비대칭적이고 인간적인 반응을 허용함으로써, 사람들이 실제로 어떻게 선택하는지에 대한 더 명확한 그림을 얻을 수 있다고 제안합니다. 이 모델은 단순히 사람들이 무엇을 살지 예측하는 것이 아니라, 왜 그들이 좋은 소식보다 나쁜 소식에 더 강하게 반응하는지를 설명하는 데 도움을 줍니다. 저자들은 이 도구가 기업이 더 나은 가격을 설정하고 정부가 더 나은 정책을 설계하는 데 도움이 될 수 있다고 제안하지만, 수학이 복잡하며 실행하기 위해 강력한 컴퓨터가 필요하다는 점도 언급했습니다. 궁극적으로, 그들은 세상이 완벽하게 대칭적이지 않다는 것을 인정하는 것이 훨씬 더 똑똑한 예측으로 이어질 수 있음을 보여줍니다.

기술 요약: 비대칭적 선택 반응을 위한 다항 프로빗 모델

문제 제기
표준 다항 프로빗(Multinomial Probit, MNP) 모델은 대칭적인 선택 반응을 부과하며, 이는 공변량의 양(+)과 음(-)의 변화가 동일한 크기로 발생할 때 선택 확률에 대칭적으로 영향을 미친다는 것을 의미한다. 이러한 대칭성은 잠재 효용(latent utilities)이 다변량 정규 분포를 따른다는 가정에서 기인한다. 그러나 가격 전략이나 복지 평가와 같은 많은 실증적 환경에서 이러한 가정은 타당하지 않을 수 있다. 전망 이론(Prospect Theory)과 같은 행동 이론은 행위자들이 이득과 손실에 대해 다르게 반응한다(손실 회피)는 점을 시사하며, 이는 비대칭적 반응으로 이어진다. 기존 문헌에서는 속성을 이득과 손실으로 분리하거나 유연한 예측 함수를 사용하는 방식으로 이를 해결하려 한다. 또는 오차 분포에 비대칭성을 도입하는 접근법도 있으나, 이는 주로 이진 선택(binary choices)에 국한되거나, 다항 설정에서의 대체 패턴 모델링을 저해하는 제한적인 가정(예: 고정된 척도 행렬)에 의존한다는 한계가 있다. 저자들은 참조점(reference points)이나 복잡한 예측 변수 변환을 요구하지 않고, 잠재 효용의 조건부 분포에 직접 비대칭성을 부여하는 것이 더 간결한 대안이라고 주장한다.

방법론
본 논문은 잠재 효용의 다변량 정규 분포를 다변량 왜도 정규 분포(multivariate skew-normal distribution)로 대체하는 왜도 다항 프로빗(Skewed Multinomial Probit, SMNP) 모델을 제안한다.

모델 명세: 이 모델은 $\varepsilon_i$ 가 다변량 왜도 정규 분포 $SN_J(0, \Sigma, \alpha)$ 를 따르는 잠재 효용 $Z_i = X_i\beta + \varepsilon_i$ 를 기반으로 관측된 이산 선택 $Y_i$ 를 정의한다. 왜도는 형상 매개변수 벡터 $\alpha$ 에 의해 조절되며, 이는 해석력을 위해 왜도 매개변수 벡터 $\delta$ 로 재매개변수화된다. $\delta = 0$ 일 때 모델은 표준 MNP를 내포한다.
식별 문제: 왜도를 도입하면 왜도 매개변수와 MNP에서 요구되는 척도 정규화(통상 공분산 행렬의 대각 요소 하나를 1로 고정) 사이의 상호작용으로 인해 식별 문제가 발생한다. 저자들은 함축된 공분산 행렬 $\Sigma_u$ ( $\Sigma = \Sigma_u + \delta\delta^\top$ )의 새로운 재매개변수화를 개발하여 이를 해결한다. 이 매개변수화는 척도를 고정하고, 특히 $\Sigma_u$ 의 첫 번째 요소를 $1 - \delta_1^2$ 로 제한함으로써 공분산 행렬이 구조적으로 양의 정치성(positive definiteness)을 유지하도록 보장한다.
베이지안 추론: 추론은 마르코프 체인 몬테카를로(MCMC)를 사용하는 베이지안 프레임워크를 통해 수행된다. 왜도 정규 분포는 잠재 효용에 대해 공액 사후 분포(conjugate posterior)를 생성하지 않으므로, 저자들은 이중 데이터 증강(double data augmentation) 기법을 사용한다:
1. 잠재 효용 $Z$ 를 통한 증강.
2. 다변량 왜도 정규 분포의 조건부 가우시안 표현에 기반한 보조 변수 $w$ 를 통한 증강.
  이 전략은 문제를 조건부 가우시안 회귀 모델로 변환한다. 결과적인 샘플러는 메트로폴리스-헤이스팅스 내 깁스(Metropolis-Hastings within Gibbs) 알고리즘이다. 모든 매개변수는 깁스 단계(Gibbs steps)를 통해 업데이트되지만, 첫 번째 왜도 매개변수인 $\delta_1$ 은 $|\delta_1| < 1$ 제약 조건을 준수하기 위해 단변량 메트로폴리스-헤이스팅스 단계를 거친다.

주요 기여

모델 확장: 본 논문은 관찰 가능한 효용 함수를 변경하거나 참조점을 요구하지 않고도 대안별 왜도를 포착할 수 있도록 MNP 프레임워크를 확장하여 비대칭적 선택 반응을 구현한다.
식별 및 추정: 왜도와 척도 정규화 사이의 상호작용을 해결하고 공분산 행렬의 양의 정치성을 보장하는 완전히 식별된 매개변수화를 제공한다.
계산 알고리즘: 이중 데이터 증강을 사용하는 실행 가능한 베이지안 추론 방법을 개발하여, 고정된 척도 행렬을 가정했던 최근 연구들이 남긴 공백을 메우고 다항 설정에서 모든 모델 매개변수(왜도 벡터 및 공분산 행렬 포함)에 대한 결합 추론을 가능하게 한다.

결과
저자들은 수치 실험과 두 가지 실증 적용(세탁 세제 및 케첩 구매)을 통해 SMNP 모델을 검증한다.

수치 실험:
- 왜도 분포에서 생성된 데이터에서, SMNP는 비대칭적 선택 반응을 성공적으로 회복하며 예측 정확도(적중률, 로그 점수 및 검열된 우도 점수로 측정) 측면에서 표준 MNP를 크게 상회한다.
- 대칭 분포에서 생성된 데이터에서, SMNP는 예측 성능을 저해하지 않으면서 표준 MNP로 수렴하며(왜도 매개변수의 사후 질량이 0을 중심으로 형성됨), 이는 추가된 유연성이 대칭성이 존재할 때 패널티를 부과하지 않음을 입증한다.
실증 적용:
- 세탁 세제: SMNP는 특정 브랜드(예: EraPlus)에 대해 유의미한 왜도를 감지한다. 이러한 비대칭성은 경제적으로 의미 있는 가격 탄력성의 차이로 이어지며, 표준 MNP는 특정 브랜드에 대해 SMNP와 비교했을 때 가격 민감도와 수요 증감의 크기를 과소평가한다.
- 케첩: 모델은 Del Monte 브랜드에 대한 비대칭성을 식별한다. SMNP는 예측된 대체 패턴을 변화시키며, 이는 MNP가 경쟁 브랜드 간의 대체(예: Hunts와 Del Monte 간의 교차 가격 탄력성 vs PB 상품 간의 관계)를 잘못 할당할 수 있음을 시사한다.
- 두 사례 모두에서 SMNP는 MNP 대비 개선된 확률적 예측 지표(로그 점수 및 검열된 우도)를 보여준다.

의의 및 주장
저자들은 SMNP 모델이 대칭적 잠재 효용과 관련된 오설정(misspecification) 위험을 피하면서 비대칭적 선택 반응을 포착할 수 있는 "간결한 방법"을 제공한다고 주장한다. 이 모델은 가격 탄력성과 대체 패턴에 대한 더 정확한 추정치를 제공함으로써 실무자(기업 및 정부)가 더 나은 가격 책정 및 정책 결정을 내릴 수 있도록 돕는 실용적인 도구로 제시된다. 논문은 본 모델이 비대칭이라는 현상을 포착하지만, 이를 생성하는 구체적인 행동 메커니즘(예: 손실 회피 vs 전환 비용)을 본질적으로 식별하는 것은 아니라는 점을 강조한다. 저자들은 현재의 엄밀한 샘플러가 복잡한 설정에서 혼합(mixing) 문제를 겪을 수 있음을 언급하며, 향후 연구에서 더 큰 선택 집합이나 무작위 계수 모델을 위한 근사 베이지안 방법을 탐구할 수 있다고 겸허히 제언한다.

유사한 논문