Research in the field of deep neural networks has made rapid progress in recent years and proved its potential. Deep neural networks models are excellent in capturing complex non-linear relationships between explanatory variables and dependent variable, but it cannot provide logical process or grounds of the predicted results. Among various bypass methodologies proposed to overcome this limitation, attention quantifies the importance of input features and provides intuitive interpretable clues. In this dissertation, the author not only quantifies the importance of input features and their uncertainty, but also explores the possibility of applying interpretable deep neural networks into business/economic quantitative analysis. This dissertation consists of five chapters and three main chapters. In the first main chapter, previous studies quantifying the importance of explanatory variables within Bayesian framework will be reviewed and their limitation will be discussed. The author proposes a new perspective that analogize the statistical significance of classical econometrics into deep learning context. In the second main chapter, by applying the proposed perspective, deep neural networks structure that can measure the impact of health checks on medical expenditure will be presented. The structure can detect and correct the self-selection bias and the author finds that ignoring self-selection causes substantial upward bias. It is confirmed that the health checks do not significantly affect the medical expenditure when self-selection bias is corrected. In the last main chapter, the author presents the deep neural networks models that can predict the inventory of online pre-roll video advertising or solve the profit maximization problem under asymmetric loss condition. The author finds that deep neural networks model concentrates on explanatory variable of low uncertainty and concentrates on the information of latest days adjacent to the target day. Based on these empirical analyses, it was proved that the deep neural networks models proposed in this dissertation can provide logical basis for decision-making as well as accurate forecasting.
컴퓨터 연산능력의 향상과 발맞추어 심층신경망 분야의 연구는 최근 몇 년간 비약적인 발전을 이루었으며 현재 다양한 분야에 적용되어 그 유용성을 증명하고 있다. 심층신경망을 이용한 모형은 설명변수와 예측 변수 간 복잡한 비선형 관계를 파악하는데 탁월하지만, 예측 결과가 도출되는 논리적 과정이나 근거를 파악하기 어렵다. 이러한 한계를 극복하기 위하여 다양한 방법론이 제안되고 있으며, 어텐션 구조를 적용하여 어떤 설명변수가 얼마나 중요한지를 정량화 하고자 하는 노력이 이러한 방법론의 일환이다. 본 학위 논문에서는 설명 변수와 그 불확실성을 정량화 하는 것에서 더 나아가 해석가능한 심층신경망의 경영/경제 계량분석으로의 응용 가능성을 탐구한다. 본 학위 논문은 총 다섯 개의 장으로 이루어져 있으며 다시 세 장의 주요 본문으로 구성되어 있다. 먼저 첫번째 본문에서는 베이지안 관점에서 설명변수들의 중요도를 정량화 하였던 선행연구와 그 한계점을 살펴보고, 고전 계량경제학의 통계적 유의성 개념을 차용하여 심층신경망에 이를 확장하여 적용하는 새로운 관점을 제안한다. 두번째 본문에서는 제안된 관점을 적용하여 국민건강검진이 의료비 지출에 미치는 영향을 자의선택편의 없이 측정할 수 있는 심층신경망 구조를 제시한다. 실증 분석 결과 자의선택편의를 고려하지 않았을 경우 건강검진 효과에 유의한 상향 편의가 발생함을 확인하였으며, 자의선택편의 교정 시 건강검진은 의료비 지출에 유의미한 영향을 주지 못함을 확인하였다. 마지막 본문에서는 온라인 프리롤 광고 수요예측 및 비대칭적 손실 조건 하에서 이익최대화 문제에 적용할 수 있는 심층신경망 구조를 제안한다. 분석 결과 비대칭적 손실 조건하에서 이익최대화를 목적으로 할 경우 예측의 안정성을 위하여 어텐션의 불확실성이 낮은 설명변수 및 수요예측 목적일과 인접한 일자의 정보에 더 집중 해야함을 확인하였다. 이러한 실증 분석을 토대로 본 학위 논문에서 제안하는 심층신경망 구조는 정확한 예측과 함께 의사결정의 논리적 기반 역시 제공할 수 있음을 증명하였다.
