--- type: paper slug: kibum-kim-2025-ml-reference-dependent title: >- A Machine Learning Technique Embedded Reference-Dependent Choice Model for Explanatory Power Improvement: Shifting of Reference Point as a Key Factor in Vehicle Purchase Decision Making authors: - '[[kibum-kim]]' - '[[jinseok-kim]]' - '[[subin-park]]' - '[[jongsulee]]' - '[[junghun-kim]]' year: 2025 venue: '[[transportation-research-part-b]]' volume: '191' pages: '103130' doi: 10.1016/j.trb.2024.103130 categories: - '[[consumer-choice-research]]' methods: - '[[neural-network-embedded-choice-model]]' - '[[reference-dependent-choice-model]]' - '[[mixed-logit]]' - '[[artificial-neural-network]]' themes: - '[[reference-point-shifting]]' - '[[vehicle-purchase-decision]]' - '[[loss-aversion]]' aliases: [] last_updated: '2026-05-20T02:09:05+09:00' --- # A Machine Learning Technique Embedded Reference-Dependent Choice Model for Explanatory Power Improvement: Shifting of Reference Point as a Key Factor in Vehicle Purchase Decision Making *[[kibum-kim]], [[jinseok-kim]], [[subin-park]], [[jongsulee]], [[junghun-kim]] (2025)* · [[transportation-research-part-b]] 191:103130 · [DOI ↗](https://doi.org/10.1016/j.trb.2024.103130) > [[reference-dependent-choice-model]] (RDCM) 의 *reference point 선정* 문제 — 연구자가 *status quo / past / future expectation* 중 임의로 고른 reference 가 실제 소비자의 reference 와 다르면 gain·loss 계수가 *기대 부호와 반대* 로 추정되는 문제 — 를 [[artificial-neural-network]] 으로 해결. 차량 구매 데이터 (N=431) 에서 RDCM 의 gain·loss 분류 결과를 ANN 으로 학습 → 개별 소비자의 *shifted reference price* 추정 → 새 RDCM 재추정. **ANN 분류 정확도 91.4%** (cross-entropy loss 0.112). **Status-quo reference (평균 22,185 USD) → gain domain 에서 18,136 USD 로 *4 천 USD* 하향 이동, loss domain 에서 22,242 USD 로 *60 USD* 만 상향** — *gain domain 의 shift 가 압도적*. 모델 적합도: AIC 기준 mixed logit 대비 RDCM 8.87% 개선, ANN-shifted RDCM 11.74% 개선 — *ML + 행동경제학 hybrid* 의 정량 우위 입증. - **RQ**: RDCM 의 reference point 가 *연구자 가정* (status quo / 과거 / 미래 기대) 일 때 발생하는 *gain·loss 부호 역전* 문제는 어떻게 해결할 수 있는가? *ANN-shifted reference* 가 *연구자 fixed reference* 대비 모델 적합도를 얼마나 향상시키는가? - **방법론**: 3 모형 비교 — **Model A** (basic mixed logit), **Model B** (RDCM with 연구자 fixed reference, 3 proxy 후보 B1/B2/B3), **Model C** (RDCM with ANN-shifted reference). ANN: 4 layer, softmax activation, R `softmaxreg` 패키지. Input: RI (relative importance) of price + demographic + first/second vehicle price. Output: 4 class (gain contradicted, loss contradicted, no contradicted, both contradicted) - **데이터**: 서울 + 광역시 5 + 경기 신도시 거주 20-59 세, Gallup Korea quota sampling, N=624 → 차량 보유자 431 만 분석 (status quo reference proxy 가 필요). 평균 차량가 약 28 백만 KRW (21 천 USD). 8 attributes (fuel type, charging time, station accessibility, vehicle type, fuel cost, driving distance, autonomous level, price) - **주요 발견**: (i) **ANN 분류 정확도 91.4%** (Confusion matrix: 144 gain contradicted, 209 no contradicted, 40 both contradicted 정확 분류, 총 394/431). (ii) **Reference shift 의 asymmetry**: gain domain 평균 18,136 USD (status-quo 22,185 USD 보다 -4,049 USD), loss domain 평균 22,242 USD (status-quo 보다 +57 USD). t-test 1% 수준 유의 — *gain 방향으로만 의미 있게 이동*. (iii) **모형 적합도** Log-likelihood Model A -4073.7 → B -3703.2 → **C -3585.9**. AIC: 8175 → 7450 → **7216**. 개선율: A→B 8.87%, A→C **11.74%**. BIC 도 일관 (8.69%, 11.56%). (iv) **Model B 의 부호 역전 문제** — 431 명 중 218 명 (50.6%) 의 gain·loss 추정치가 부호 역전. Model C 에서 모든 gain·loss 1% 수준 유의, 부호 일관. - **시사점**: (a) *Status-quo 가 진짜 reference 가 아니다* — 차량 구매 결정에서 연구자가 가정한 현재 보유 차량가는 절반의 소비자에게 *misleading proxy*. (b) ANN 으로 *individual-level shifted reference* 추정 가능 — *internal heterogeneity* 를 nonlinear ML 이 포착. (c) Gain domain 의 shift 폭이 loss 보다 큰 *asymmetry* — 소비자가 *더 싼 차* 에 대해서는 reference 를 적극 조정, *더 비싼 차* 에 대해서는 거의 조정 안 함 (loss aversion 자체가 reference shifting 의 boundary). (d) RDCM + ML hybrid 가 *interpretability* 유지하면서 *예측력* 동시 확보 — *behavioral economics + ML* 통합 패러다임의 정량 정당화. ![Fig. 1. 본 연구의 framework — Model A (mixed logit) → Model B (RDCM with status-quo reference) → ANN 으로 reference shift → Model C (shifted RDCM) 의 3-stage pipeline.](/papers/kibum-kim-2025-ml-reference-dependent/fig1.jpeg) ## 요약 이 paper 는 [[jongsulee]] 의 *4 기 (2023+) — 신경망 내장 선택모형* 개척의 정점. RDCM (Tversky & Kahneman 1991 prospect theory 의 discrete choice 확장) 은 *gain·loss asymmetry* 와 *loss aversion* 을 추정할 수 있다는 장점에도 불구하고 한 가지 critical 한 문제를 안고 있었다 — *reference point 를 무엇으로 설정할 것인가*. 연구자는 보통 (i) 현재 보유 (status quo), (ii) 과거 경험, (iii) 미래 기대 중 하나를 임의 선택해 *전 응답자에 동일 reference* 를 적용. 그러나 individual 의 실제 reference 가 연구자 가정과 다르면 gain·loss 계수의 부호가 *기대와 반대* 로 추정되는 문제가 발생. 본 paper 의 conceptual move 는 — *3-stage hybrid pipeline*. **Stage 1**: 일반 mixed logit (Model A) 으로 individual marginal utility 추정. **Stage 2**: status-quo reference 의 RDCM (Model B) 으로 gain·loss 영역 추정 → 각 응답자를 4 class 분류 (gain contradicted, loss contradicted, no contradicted, both contradicted). 부호가 *역전* 된 응답자는 진짜 reference 가 status-quo 와 다름을 시사. **Stage 3**: ANN 을 학습 — 입력으로 RI of price + 인구통계 + first/second vehicle price 사용, 출력으로 4 class 예측. 학습된 ANN 으로 *individual-level shifted reference* 산출 후 새 RDCM (Model C) 재추정. 핵심 식별 idea: gain coefficient 가 양 + loss coefficient 가 음이어야 정상. 만약 gain 이 음이라면 *진짜 reference 가 status-quo 보다 낮다* (싼 차가 사실 loss 영역). loss 가 양이라면 *진짜 reference 가 status-quo 보다 높다*. ANN 출력이 이 *shifting 방향+정도* 를 학습. 핵심 결과: ANN 분류 정확도 91.4% (cross-entropy 0.112). Gain domain 평균 reference 18,136 USD (status-quo 22,185 보다 4,049 USD 하향), loss domain 평균 22,242 USD (status-quo 보다 57 USD 상향, t-test 1% 수준). *Gain 방향 shift 가 압도적* — 소비자는 *더 싼 차에 대해서는 reference 를 적극 조정* 하지만 *더 비싼 차에 대해서는 거의 조정 안 한다*. 이 비대칭 자체가 prospect theory 의 loss aversion 의 *reference-shifting* layer 에서의 manifestation. Model 적합도: AIC Model A 8175 → B 7450 → C **7216**. 개선율 A→B 8.87%, A→C **11.74%** — ANN-shifted reference 가 status-quo reference 대비 *추가 3%p* 개선. Model B 에서 부호 역전 응답자 218 명 (50.6%) 이 Model C 에서 모두 일관 부호 + 1% 수준 유의로 회복. [[jongsulee]] 의 *연구 궤적* 안에서 *behavioral economics + ML hybrid* 패러다임의 표지작이며 [[kibum-kim-2025-rd-ann-neural-network]] (RD-ANN 의 *architecture 내장* 버전) 의 자매. 한계: (i) Dummy 변수 (fuel/vehicle type/brand) 의 shifting 미수행, (ii) non-monotonic 선호 (예: LPG 충전소 근접의 explosion risk) 미반영, (iii) ANN 의 *black-box* explainability 부족. ## 핵심 결과 | Model | Log-likelihood | Parameters | AIC | BIC | AIC 개선율 | |---|---:|---:|---:|---:|---:| | **A** (mixed logit) | -4073.70 | 14 | 8175.39 | 8196.92 | — | | **B** (RDCM, status-quo ref) | -3703.21 | 22 | 7450.42 | 7484.25 | 8.87% | | **C** (RDCM, ANN-shifted) | **-3585.94** | 22 | **7215.89** | **7249.71** | **11.74%** | | Reference price proxy | 평균 (USD) | 표준편차 (USD) | vs status-quo | |---|---:|---:|---| | Status-quo (보유 차량가) | 22,185 | 6,736 | — | | Shifted (gain domain) | 18,136 | 6,481 | **-4,049 USD** | | Shifted (loss domain) | 22,242 | 6,802 | +57 USD (n.s.) | | ANN Confusion Matrix | Gain Contra. (pred) | Loss Contra. | No Contra. | Both Contra. | True Total | |---|---:|---:|---:|---:|---:| | Gain Contra. (true) | **144** | 0 | 21 | 3 | 168 | | Loss Contra. | 0 | **1** | 0 | 3 | 4 | | No Contradicted | 6 | 2 | **209** | 0 | 217 | | Both Contradicted | 3 | 3 | 0 | **40** | 46 | | **Total** | 153 | 6 | 230 | 46 | **431** | (분류 정확도 394/431 = 91.4%, cross-entropy loss 0.112) Model C 의 price coefficient (10K USD 단위): Gain **+2.981\*\*\***, Loss **-2.580\*\*\*** — 부호 일관 + 모두 1% 수준 유의 (Model B 에서는 218 명 부호 역전). ## 방법론 노트 RDCM value function (Eq. 3): $$ v(x|r) = \begin{cases} x - r & \text{if } x \ge r \\ \lambda(x - r) & \text{if } x < r \end{cases} $$ $\lambda$ 는 loss aversion parameter (일반적으로 > 1). ANN softmax output: $$ p_i = \frac{e^{z_i}}{\sum_{j=1}^k e^{z_j}} $$ $k=4$ class (gain contradicted, loss contradicted, no contradicted, both contradicted). Reference point shifting rule (Eq. 7, 본문에서 직접 인용 안 했지만): gain contradicted → reference 를 하향 조정 (소비자 진짜 reference < status-quo), loss contradicted → 상향 조정, no contradicted → 유지. 식별 핵심: (i) *Gain·loss 부호 역전* 자체가 reference mis-specification 의 *내부 진단 지표* — RDCM 추정 결과에서 정보 채굴. (ii) ANN 학습 input 으로 *RI of price* (각 응답자의 price 민감도), 인구통계, 보유 차량 가격 (1st/2nd) 사용 — *internal reference formation* 의 비선형 결정 요인 포착. (iii) 4-class 분류로 *개별 응답자 단위* shifting 방향 식별 → group-average 가 아닌 individual-level estimate. (iv) RI 계산 (Eq. 2): $RI_k = \mathrm{part\text{-}worth}_k / \sum_k \mathrm{part\text{-}worth}_k \times 100$, where $\mathrm{part\text{-}worth}_k = |\beta_{nk}| \times (\max_k - \min_k)$. ## 연구 계보 이 paper 는 (i) Kahneman & Tversky (1991, *Quarterly Journal of Economics*) 의 prospect theory, (ii) Hess et al. (2008), Kim et al. (2018, 2020a, 2020b), [[kibum-kim-2021-lpg-vehicles-alternative-fuel]] 의 *RDCM in vehicle choice*, (iii) Bentz & Merunka (2000), van Cranenburgh & Alwosheel (2019), Han et al. (2022), Wang et al. (2021a, 2021b) 의 *ML + choice model hybrid*, (iv) Sifringer et al. (2020) 의 *knowledge-driven + data-driven 분리 architecture*, (v) Kim (2019) 의 *reference shifting based on attribute importance* 직접 선행. ANN 분석은 Sharma et al. (2017), 해석성은 Brathwaite (2017), Lipton (2018), Ribeiro et al. (2016 LIME), Lundberg & Lee (2017 SHAP) 의 explainable AI 라인. [[jongsulee]] 의 *연구 궤적* 안에서 *4 기 신경망 내장 선택모형 개척* 의 핵심 작업이며, [[kibum-kim-2025-rd-ann-neural-network]] (RD-ANN 의 architecture 내장 버전) 와 *자매 작업* — 전자는 *RDCM + ANN soft pipeline*, 후자는 *ANN 구조 자체에 RDCM 내장* 의 두 갈래. ## See also - [[jongsulee]] - [[kibum-kim]] - [[junghun-kim]] - [[reference-dependent-choice-model]] - [[neural-network-embedded-choice-model]] - [[artificial-neural-network]] - [[loss-aversion]] - [[reference-point-shifting]] - [[kibum-kim-2021-lpg-vehicles-alternative-fuel]] - [[kibum-kim-2025-rd-ann-neural-network]] - [[transportation-research-part-b]]