인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2022.12
- 수록면
- 259 - 287 (29page)
- DOI
- 10.18284/jss.2022.12.41.3.259
이용수
초록· 키워드
이 논문에서는 종속변수가 제한적인 특성을 가질 때 모수추정방법으로 사용하는 토빗(Tobit)과 헷킷(Heckit)의 표본내(in-sample) 및 표본외(out-of-sample) 예측력을 머신러닝기법과 비교하였다. 여기서 머신러닝기법이란 SVR(Support Vector Regression), RF(Random Forest), GBRT(Gradient Boost Regression Tree)를 지칭한다. 그리고 비교결과의 일반성을 위해 계량경제학 교과서에서 Tobit과 Heckit을 설명하기 위해 대표적으로 사용되는 자료를 이용하였다. 그 결과는 다음과 같다. 첫째, Tobit vs 머신러닝기법 비교에서는 표본내 예측에서는 RF가 가장 우수하지만 표본외 예측에서는 Tobit이 근소한 차이로 가장 우수하였다. 둘째, Heckit vs 머신러닝기법 비교에서는 표본내 예측에서는 RF가 가장 우수하지만 표본외 예측에서는 평균제곱근오차(RMSE)에서는 GBRT가, 평균절대오차(MAE)에서는 Heckit이 근소한 차이로 가장 우수하였다. 즉 Tobit과 Heckit이 주로 모수의정확한 추정에 초점을 두고 있고 머신러닝기법들은 예측력에 초점을 두고 있지만, 전자가 예측력 면에서도 후자와 큰 차이가 없음을 알 수 있었다. 이 논문의 시사점은 전통계량기법과 머신러닝의 예측력을 비교하면 상호의 장단점을 더 명료히 파악할 수 있기 때문에 양자의 학습에 오히려 도움이 될 수 있다는 것이다.
#토빗
#헷킷
#머신러닝
#예측력
#계량경제학
#JEL 분류기호 : A2
#C4
#J3
#Tobit
#Heckit
#Machine Learning
#Predictive Power
#Parameteric Approach JEL Classification : A2
#C4
#J3
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
목차
- 1. 서론
- 2. 선행연구
- 3. 자료 및 토빗·헷킷 설명
- 4. 머신러닝기법 소개
- 5. 비교분석
- 6. 논의 및 결론
- 참고문헌
참고문헌
참고문헌 신청최근 본 자료
UCI(KEPA) : I410-ECN-0101-2023-306-000384059