본 연구에서 다루는 이산선택 모형은 합병, 시장획정, 경쟁효과 분석 등 산업조직론 연구에 중요한 기능을 수행하고 있다. 만약 최근의 기계학습 연구성과를 반영하여 기존의 계량경제학모형보다 예측력이 우수하면서도, 결과의 해석 또한 어렵지 않은 이산선택 모형을 사용할 수 있다면 관련 산업조직연구의 성과를 향상시키는데 큰 기여를 할 것이다. 이러한 문제의식에서 본 연구는 그래디언트 부스팅(GB) 앙상블 모형을 소개하고 기존 연구에 실제 사용되었던 소비자 선택 데이터를 이용하여, 기존 모형에 비해 기계학습 모형이 매우 우수한 예측력을 가지고 있음을 실증하고 있다. 또한 기존 계량모형이 대부분 선형 모수적 모형인데 비해 GB 모형은 분포에 대한 가정 없이 매우 유연한 형태로 선택결과를 예측하고 분석결과를 시각화할 수 있음을 설명한다. 부수적으로 본 연구는 최근 이슈가 되고 있는 빅데이터, 인공지능 분석에 대한 산업조직 학계의 관심을 촉구하는 선도적 역할을 할 수 있을 것으로 기대된다.

The discrete choice model we analyze in this study plays a pivotal role in the research of industrial organization such as for merger, market definition and measuring a competition effect. We show that an ensemble machine learning model can greatly help improving the predictive fit of the model for discrete choice data. We introduce a gradient boosting (GB) classification technique, and exemplify the usefulness of the technique applying for an actual brand choice data utilized in the previous research. The GB model turns out predicting the future choices better than in the conventional econometric models owing to its nonlinear, nonparametric properties. A graphical interpretation is provided to ascertain the marginal impact of covariates. Particularly, we hope that this study plays a pioneering role in enriching the empirical research for the field of industrial organization.