[논문 리뷰] A Customer Choice Model with HALO Effect

Reza Yousefi Maragheh, Alexandra Chronopoulou외 1명|arXiv (Cornell University)|2018. 05. 04.

Consumer Market Behavior and Pricing참고 문헌 18인용 수 4

한 줄 요약

이 논문은 다항 로짓(MNL) 선택 모델의 확장으로, 제품 간 상호작용 효과를 반영하여 소비자 선택 행동에서 긍정적 또는 부정적 헬로 효과를 포착하는 Halo MNL 모델을 제안한다. 한 제품의 존재 또는 부재가 다른 제품의 선택 확률에 미치는 영향을 모델링함으로써, 풍부한 데이터셋에서 표준 MNL보다 더 우수한 적합도를 보이며, 최대우도 기반의 폐쇄형 해를 가진 강력한 매개변수 추정을 위한 충분한 식별 조건를 확립한다.

ABSTRACT

In this paper, we propose an extension to the multinomial logit (MNL) model, the Halo MNL, that takes into account the interaction effects among products in an assortment. In particular, this model incorporates pairwise interactions of items in an effort to describe positive/negative effects among products that are present/absent in the assortment. Furthermore, we are interested in establishing sufficient conditions for identifiability, in order to build robust estimation methods. Under strict identifiability conditions, we use maximum likelihood to estimate the model parameters for which we derive closed formulas. We also perform simulation experiments, in order to numerically evaluate our method, study the accuracy of the estimators and compare it with the MNL. Last, we fit our model in the Hotel Chain dataset in Bodea et al., and we compare it with MNL in terms of efficiency, accuracy and robustness. We conclude that for rich enough datasets the model that includes interaction effects performs better in terms of how well it fits the data.

연구 동기 및 목표

• 표준 MNL 모델의 독립성 원칙(IIA) 가정을 초월하여 조합 내 제품 간 상호작용 효과를 포착하는 소비자 선택 모델을 개발한다.
• 제안된 프레임워크 하에서 안정적이고 타당한 매개변수 추정을 보장하기 위해 모델 매개변수에 대한 충분한 식별 조건를 확립한다.
• 특정 조건 하에서 모델 매개변수에 대한 폐쇄형 최대우도 추정기법을 유도함으로써 효율적인 추정을 가능하게 한다.
• 시뮬레이션과 실제 데이터를 통한 수치적 평가를 통해 모델 성능을 평가한다. 특히 호텔 체인 데이터셋을 대상으로 한다.
• 모델 적합도, 정확도, 강건성 측면에서 Halo-MNL 모델과 표준 MNL 모델을 최대우도, AIC, BIC 기준으로 비교한다.

제안 방법

• 다항 로짓(MNL) 모델을 확장하여 선형 유틸리티 함수에 제품 간 쌍별 상호작용 항을 도입함으로써 헬로 효과를 모델링한다.
• 증가된 매개변수 수에도 불구하고 유일하고 안정적인 매개변수 추정을 보장하기 위해 충분한 식별성 및 부분식별성 조건를 도출한다.
• 특정 구조적 가정 하에서 모델 매개변수에 대한 최대우도 추정(MLE)을 폐쇄형 해로 적용한다.
• 추정기의 정확도와 수렴 행동을 평가하기 위해 두 세트의 진짜 매개변수를 사용한 시뮬레이션 실험을 수행한다.
• 실제 데이터로 호텔 체인 데이터셋을 활용하여 로그우도, AIC, BIC 점수를 기반으로 모델 성능을 비교한다.
• Baron 최적화 소프트웨어를 사용하여 최대우도 추정치를 계산하고, 다양한 모델 간 계산 실행 시간과 모델 적합도를 비교한다.

실험 결과

연구 질문

• RQ1 제품 간 쌍별 상호작용 효과를 포함하는 소비자 선택 모델이 표준 MNL 모델보다 실제 선택 행동을 더 잘 포착할 수 있는가?
• RQ2 상호작용 항이 존재하는 상황에서 모델 매개변수의 식별성을 보장하기 위한 충분한 조건는 무엇인가?
• RQ3 모의 환경에서 제안된 폐쇄형 추정기법이 표준 MLE 대비 정확도와 수렴 성능에서 어떻게 성능을 발휘하는가?
• RQ4 풍부한 데이터가 확보된 경우, Halo-MNL 모델이 실제 데이터에서 MNL 모델보다 적합도와 예측 정확도 측면에서 뛰어나게 되는가?
• RQ5 실제 데이터에서 Halo-MNL와 MNL를 비교할 때, AIC와 BIC와 같은 정보 기준은 모델 적합도와 복잡도 사이의 균형을 어떻게 조정하는가?

주요 결과

• 전체 데이터셋에서 Halo-MNL 모델은 MNL보다 유의미하게 더 뛰어난 적합도를 보이며, 더 높은 로그우도 점수(-1192.10 vs. -1259.91), 더 낮은 AIC(2404.20 vs. 2535.82), 더 낮은 BIC(2454.64 vs. 2576.17)를 기록한다.
• 더 많은 매개변수를 가짐에도 불구하고, 전체 데이터셋에서 Halo-MNL 모델은 모든 지표에서 MNL를 능가하여 더 뛰어난 적합도와 강건성을 보여준다.
• 검증 세트에서는 Halo-MNL 모델이 더 높은 로그우도(-301.34 vs. -304.43)를 기록하지만, AIC와 BIC에서는 MNL가 더 우수하여 데이터 크기에 따라 성능의 타협이 존재함을 시사한다.
• 시뮬레이션 결과는 훈련 데이터의 오퍼셋 수가 증가할수록 Halo-MNL 모델의 AIC 및 BIC 성능이 MNL 대비 향상됨을 보여준다.
• 모델 추정 과정은 Halo-MNL에 20.48초, MNL에 6.4초가 소요되어 추가 복잡성에 비해 합리적인 계산 비용을 지닌다.
• 결과적으로 풍부한 데이터셋이 확보된 경우, 복잡도에 대한 보정을 고려하더라도 Halo-MNL 모델이 MNL보다 더 나은 적합도를 제공함을 확인한다.