The objective of knowledge discovery and data mining lies in the generation of useful insights from a store of data. This thesis presents a framework for knowledge mining to provide a systematic approach to the prediction of economic variables for strategic investment and marketing. Isolated approaches using statistical methods or artificial intelligence techniques have their limitations. These limitations underscore the need for a general framework to support a multistrategy approach to economic prediction.
Previous studies of economic growth have largely focused on the manual construction of casual models using linear techniques. For instance, the prediction of economic variables such as gross domestic product (GDP) have largely focused on linear models such as multivariate regression. However, such models depart from reality due to the prevalence of nonlinear factors in economic systems.
Among nonlinear models, neural networks have been applied to the task of forecasting. Another pertinent methodology for nonlinear prediction is case based reasoning (CBR). An important advantage of case based reasoning is its ability to deal with small data sets. For this reason, it can be applied to many domains with limited observations, in contrast to the large data sets required by many other techniques such as neural networks. These ideas are investigated in a practical domain: predicting economic performance in emerging markets in order to support decision making for direct foreign investment.
지식 발견과 데이터 마이닝의 목적은 데이터들의 집합체로부터 유용한 통찰을 얻어내는데 있다. 이 연구에서는 전략적 투자와 마케팅을 위한 경제 변수의 체계적인 예측을 지원하는 지식 추출의 구상을 제시하고 신흥 개도국의 사례 데이터에 응용하였다.
경제 성장에 관한 이전의 연구는 주로 선형 회귀 모형과 같은 통계적 방법에 주로 의존하여 왔다. 그러나 이러한 방법은 경제 모델에 내재되어 있는 요소들간의 비선형성 때문에 효과적이지 못하다.
비선형 모형 가운데는 인공신경망 모형이 널리 사용되어 왔다. 또 다른 유용한 방법으로는 사례기반 추론이 있다. 사례기반 추론의 장점은 적은 수의 데이터를 다룰 때도 유용하다는 것이다. 이러한 이유로 많은 수의 입력 데이터와 상대적으로 긴 훈련 시간을 요구하는 인공신경망에 비해 제한된 관측치를 가지는 많은 예측 문제에 이용될 수 있다.
사례연구에서는 신흥 개도국들의 GDP를 대상으로 하여 이를 설명하기 위한 7개의 설명 변수를 선택한 후 데이터의 정상성을 확보하기 위한 변환 과정을 거쳐 두 가지 단계에 걸친 실험을 하였다.
첫번째 사례연구에서는 인공신경망과 서로 다른 데이터 엑세스 방법을 가지는 사례기반 추론 방법을 비교하였고, 그 결과 다이나믹하게 데이터를 액세스하는 사례기반 추론 기법이 예측력에서 가장 우수함을 알 수 있었다.
두번째 사례에서는 기존의 사례기반 추론 방법을 개선하여 기존의 방법보다 나아질 수 있음을 볼 수 있었다. 개선된 방법을 위한 파라미터 설정은 직교 배열 방법을 통해 이루어졌다. 개선된 방법이 통계적으로 크게 유의하지는 않았는데 이는 학습 과정과 테스트 과정에 있어서 자료의 수가 충분하지 않았기 때문으로 추정된다.
