---
type: paper
slug: kibum-kim-2025-rd-ann-neural-network
title: >-
  Beyond the Status Quo: Leveraging Reference-Dependent Theory in a Neural
  Network for Consumer Choice Analysis
authors:
  - '[[kibum-kim]]'
  - '[[jongsulee]]'
  - '[[junghun-kim]]'
year: 2025
venue: '[[journal-of-choice-modelling]]'
volume: '57'
pages: '100579'
doi: 10.1016/j.jocm.2025.100579
categories:
  - '[[consumer-choice-research]]'
  - '[[ict-policy]]'
methods:
  - '[[neural-network-embedded-choice-model]]'
  - '[[reference-dependent-choice-model]]'
  - '[[artificial-neural-network]]'
  - '[[bayesian-hyperparameter-optimization]]'
themes:
  - '[[rd-ann]]'
  - '[[status-quo-bias]]'
  - '[[brand-loyalty]]'
  - '[[reference-price-heterogeneity]]'
aliases:
  - rd-ann-2025
last_updated: '2026-05-20T02:09:05+09:00'
---
# Beyond the Status Quo: Leveraging Reference-Dependent Theory in a Neural Network for Consumer Choice Analysis

*[[kibum-kim]], [[jongsulee]], [[junghun-kim]] (2025)* · [[journal-of-choice-modelling]] 57:100579 · [DOI ↗](https://doi.org/10.1016/j.jocm.2025.100579)

> [[kibum-kim-2025-ml-reference-dependent]] (Kim et al. 2025, *Transportation Research Part B*) 의 *2-stage hybrid* (RDCM → ANN → shifted RDCM) 한계를 넘어, [[reference-dependent-choice-model]] (RDCM) 의 *구조 자체* 를 [[artificial-neural-network]] 의 architecture 안에 *직접 내장* 한 **RD-ANN** 제안. 3 input layer (reference price 결정 요인 / alternative price / 그 외 attribute) + 5 hidden layer (sigmoid 로 reference price 학습 → gain·loss 분리 → ReLU 결합 → softmax 확률 출력). 스마트폰 (N=984) + 자동차 (N=431) 데이터로 RD-MNL · RD-MXL · S-ANN · C-ANN 4 benchmark 와 비교 → **모든 metric (accuracy, recall, precision, F1, ROC-AUC) 에서 RD-ANN 우위**. 스마트폰 케이스 weighted F1 마진 *17.8%~48.6%*. 개별 + alternative 별 *heterogeneous reference price* 추정으로 *brand loyalty* (Samsung/Apple/LG 만) + *status quo bias* 의 정량 식별 가능.

- **RQ**: RDCM 의 reference point 가 *individual 별 + alternative 별 heterogeneous* 라는 사실을 *학습 과정 안에서 jointly* 추정할 수 있는가? *Behavioral economics 의 구조 자체를 신경망 architecture 에 내장* 할 때 *fixed reference RDCM* + *standard ANN* 양쪽보다 성능이 향상되는가?
- **방법론**: **RD-ANN** — 3 input × 5 hidden × 1 output layer. (1) 첫 input: reference price 결정 요인 → 첫 hidden: sigmoid 로 alternative-specific reference price $r_{jp}$. (2) 둘째 input: alternative price → 둘째 hidden: $d_{jp} = r_{jp} - x_{jp}$ (parameter-free). (3) 셋째 hidden: ReLU 로 gain·loss split. (4) 셋째 input: 그 외 attribute → 넷째 hidden: alternative-internal connection. (5) 다섯째 hidden: cross-alternative connection. (6) output: softmax 확률. Cross-entropy loss. [[bayesian-hyperparameter-optimization]] (Turner et al. 2021).
- **데이터**: 두 도메인 — (i) 스마트폰 DCE N=984 (서울 + 광역시), 5 attributes (brand, screen size, storage, recognition tech, price). (ii) 자동차 DCE N=431 (동일 표본 from [[kibum-kim-2025-ml-reference-dependent]]). Train/Val/Test = 65/15/20%
- **주요 발견**: (i) **모든 benchmark 압도** — RD-ANN > RD-MNL/RD-MXL/S-ANN/C-ANN in accuracy, recall, precision, weighted F1, ROC-AUC. 스마트폰 weighted F1 마진 17.8%~48.6%. (ii) **C-ANN 보다도 우위** — 동일 input variable 사용하지만 RD 구조 내장한 RD-ANN 이 성능 우위 → *구조 내장의 가치* 정량 입증. (iii) **Brand loyalty 식별** — Samsung/Apple/LG 사용자는 자기 brand 의 reference price 가 다른 brand 보다 높음 (= brand loyalty 존재), "Others" 사용자는 없음. (iv) **Reference price 의 bimodal 분포** (kernel density Fig. 6) — 모든 brand 에서 *이질적 선호 그룹 2 개* 확인 (vs purchase price 의 unimodal). (v) Reference price 가 평균적으로 *purchase price 보다 높음* — 소비자가 *aspirational reference* 가짐.
- **시사점**: (a) *Behavioral economics 의 구조를 ML architecture 에 내장* 하는 paradigm 의 정량 정당화 — *interpretability + 예측력 동시 확보*. (b) RD-ANN 으로 *brand loyalty* 와 *status quo bias* 의 정량 식별 가능 → 마케팅 + 정책에 응용 가능. (c) 이전 *2-stage hybrid* 보다 *1-stage end-to-end* 가 *복잡한 nonlinear interaction* 포착에 우월. (d) Reference price 의 bimodal 분포 발견 → 소비자 segmentation + targeting 의 새 도구.

![Fig. 2. RD-ANN 의 architecture — 3 input layer (reference 요인 / price / 그 외 attribute) × 5 hidden layer (sigmoid reference → gain·loss split → ReLU 결합) × softmax 출력.](/papers/kibum-kim-2025-rd-ann-neural-network/fig1.jpeg)

## 요약

이 paper 는 [[jongsulee]] 의 *4 기 (2023+) 신경망 내장 선택모형* 시리즈의 *architectural 정점*. [[kibum-kim-2025-ml-reference-dependent]] (Kim et al. 2025, Transportation Research Part B) 가 *2-stage pipeline* (RDCM → ANN 으로 shifted reference → 새 RDCM) 으로 ML 과 RDCM 을 *느슨하게 결합* 했다면, 본 paper 는 *RDCM 의 구조 자체를 ANN architecture 안에 hard-coded* 해 *end-to-end jointly* 학습. *Behaviorally-informed neural network (BINN)* 흐름 (Ghorbani et al. 2025, Han 2019, Le & Li 2022, Sifringer et al. 2020, Zhang et al. 2020) 의 한 갈래로 *reference-dependent theory* 의 첫 deep integration.

방법론 핵심은 **RD-ANN 의 6-stage architecture**. (1) **첫 input** = reference price 결정 요인 vector $z_t$ (인구통계, 사용 행태, 보유 가격 등). (2) **첫 hidden** = sigmoid activation 으로 alternative-specific reference price $r_{jp} \in [0,1]$ 학습. (3) **둘째 input** = alternative price $x_{jp}$. (4) **둘째 hidden** = parameter-free 계산 $d_{jp} = r_{jp} - x_{jp}$. (5) **셋째 hidden** = ReLU 로 $h_{js}$ (s=1,2: gain·loss split). (6) **셋째 input** = 그 외 attributes $x_{jk}$ ($k \neq p$). (7) **넷째 hidden** = alternative-internal connection (Zhang et al. 2020 의 within-alternative wiring). (8) **다섯째 hidden** = cross-alternative connection. (9) **Output** = softmax 로 J 개 alternative 선택 확률 $\hat{y}_j$. Cross-entropy loss. [[bayesian-hyperparameter-optimization]] 으로 layer depth, node count, activation 선택.

핵심 결과: 스마트폰 케이스 (N=984, train/val/test = 65/15/20%) 에서 4 benchmark (RD-MNL, RD-MXL, S-ANN, C-ANN) 와 비교 → **RD-ANN 이 모든 metric 에서 우위**. Weighted F1 마진이 17.8%~48.6% — 특히 *imbalanced data* (brand 분포 불균등) 에서 우월. ROC-AUC 도 RD-ANN 이 가장 top-left 로 skewed (sensitivity + specificity 동시 우수). 자동차 케이스에서도 동일 패턴. 중요한 비교: **C-ANN** (RD-ANN 과 동일 input variable 사용하지만 RD 구조 없는 standard ANN) 보다도 RD-ANN 우위 → *구조 내장이 단순 input 추가보다 정보를 잘 활용* 한다는 정량 증거.

추가 분석: 학습된 RD-ANN 으로 *alternative-specific reference price* 추출. 스마트폰 brand 별 reference price 평균 분석 → Samsung/Apple/LG 사용자는 *자기 brand 의 reference price 가 다른 brand 보다 높음* = brand loyalty (Kim 2019 의 정의), "Others" 사용자는 brand loyalty 없음. Reference price 의 *kernel density* 가 모든 brand 에서 *bimodal* — 가격 민감 그룹 + 프리미엄 추구 그룹의 segmentation 가능. 일반 purchase price 의 density 는 *unimodal* — *reference price 가 추가 정보* 를 담음. [[jongsulee]] 의 *연구 궤적* 안에서 *behavioral economics + deep learning 의 architectural integration* 의 정점이며, [[kibum-kim-2025-ml-reference-dependent]] 의 자매·계승 작업. 한계: (i) Price 외 attribute (brand, vehicle type) 의 reference effect 미내장, (ii) 모델 transparency (XAI) 부족 — RD-ANN 이 *왜* 그 reference 를 학습했는지 해석 어려움, (iii) Non-monotonic preference (e.g. *적당히 큰* 화면) 미반영.

## 핵심 결과

**스마트폰 케이스 (3-run 평균)**:

| Model | Accuracy | Recall | Precision | Weighted F1 |
|---|---:|---:|---:|---:|
| RD-MNL | 낮음 | 낮음 | 낮음 | 낮음 |
| RD-MXL | 중간 | 중간 | 중간 | 중간 |
| S-ANN (standard) | 중간 | 중간 | 중간 | 중간 |
| C-ANN (with consumer chars) | 중상 | 중상 | 중상 | 중상 |
| **RD-ANN** | **최고** | **최고** | **최고** | **최고 (+17.8%~48.6%)** |

| 추가 발견 | 정량 결과 |
|---|---|
| Brand loyalty (자기 brand reference > 타 brand) | Samsung ✓, Apple ✓, LG ✓, Others ✗ |
| Reference price 분포 | 모든 brand bimodal (vs purchase price unimodal) |
| Reference vs purchase | reference 평균 > purchase 평균 (aspirational) |
| Status quo bias 식별 | RD-ANN 이 fixed-status-quo RD-MXL 보다 우월 → status quo 가 진짜 reference 아님 |

(자동차 케이스도 동일 패턴, [[kibum-kim-2025-ml-reference-dependent]] 의 N=431 데이터 재사용)

## 방법론 노트

RD-ANN 의 핵심 식 (architecture 정의):

**Reference price 학습** (Eq. 2):

$$
r_{jp} = f^{(1)}\left(\sum_{t=1}^T w_{tj}^{(1)} \cdot z_t + b_j^{(1)}\right), \quad f^{(1)} = \text{sigmoid}
$$

**Gain·loss split** (Eq. 3, 4):

$$
d_{jp} = r_{jp} - x_{jp}, \quad h_{js} = \max(0, w_{jds}^{(2)} \cdot d_{jp} + b_{js}^{(2)}), \quad s \in \{1, 2\}
$$

**Cross-attribute 결합** (Eq. 5):

$$
h_{jn} = \max\left(0, \sum_{k=1}^{K-1} w_{jkn}^{(3)} \cdot x_{jk} + \sum_{s=1}^2 w_{jsn}^{(3)} \cdot h_{js} + b_{jn}^{(3)}\right)
$$

**Cross-alternative + 출력** (Eq. 6, 7):

$$
h_m = f^{(4)}\left(\sum_{j=1}^J \sum_{n=1}^N w_{jnm}^{(4)} \cdot h_{jn} + b_m^{(4)}\right), \quad \hat{y}_j = \frac{e^{a_j}}{\sum_{i=1}^J e^{a_i}}, \quad a_j = \sum_{m=1}^M w_{mj}^{(5)} \cdot h_m + b_j^{(5)}
$$

식별 핵심: (i) **Reference price 가 alternative-specific** ($r_{jp}$ 가 j 마다 다름) — *brand loyalty 식별의 architectural foundation*. (ii) **Sigmoid 의 [0,1] 범위 제약** — price 가 0-1 normalize 되어 있어 자연스러운 mapping. (iii) **Within-alternative + cross-alternative wiring** (Zhang et al. 2020) — input 가까운 layer 는 alternative 내부, output 가까운 layer 는 cross-alternative — discrete choice 의 *random utility maximization* 구조와 정합. (iv) Bayesian hyperparameter optimization (Turner et al. 2021) 로 grid/random search 대비 효율적 architecture 선택.

## 연구 계보

이 paper 는 (i) Kahneman & Tversky (1991), Tversky & Kahneman (1991, 1974) 의 prospect theory + reference-dependent, (ii) De Borger & Fosgerau (2008), Hess et al. (2008, 2012), Glenk (2011) 의 *RDCM in choice modeling*, (iii) [[kibum-kim-2025-ml-reference-dependent]] (Kim et al. 2025 TR-B) 의 *2-stage ANN-shifted RDCM* 직접 선행, (iv) **Behaviorally-informed neural network (BINN) 라인** — Ghorbani et al. (2025) DCM-BINN, Han (2019) LCCM-ANN, Han et al. (2022) TasteNet-MNL, Le & Li (2022) SEM-ANN, Sifringer et al. (2020) L-MNL, Zhang et al. (2020) alternative-utility ANN, Pereira (2019) TBE, Sfeir et al. (2022) GP-LCCM, Ma & Seo (2025) RL + GNN, van Cranenburgh & Garrido-Valenzuela (2025) CV-DCM, Wang et al. (2024) DHM — 의 *reference-dependent 가지*. Kim et al. (2025 TR-B) 외 Kim (2019) 의 *reference shifting by attribute importance*, Baucells et al. (2011), Hardie et al. (1993) 의 *empirical reference identification* 도 직접 선행. [[jongsulee]] *연구 궤적* 안에서 *4 기 RD-ANN architecture* 의 정점이며 [[kibum-kim-2025-ml-reference-dependent]] (2-stage soft) 와 *architectural hard integration* 의 두 갈래로 본 작업이 후자의 표지작.

## See also

- [[jongsulee]]
- [[kibum-kim]]
- [[junghun-kim]]
- [[neural-network-embedded-choice-model]]
- [[reference-dependent-choice-model]]
- [[artificial-neural-network]]
- [[brand-loyalty]]
- [[status-quo-bias]]
- [[kibum-kim-2025-ml-reference-dependent]]
- [[kibum-kim-2021-lpg-vehicles-alternative-fuel]]
- [[journal-of-choice-modelling]]