본 연구는 무역 데이터의 구조적 특성과 불규칙성이 실증적 예측모형의 예측 성능에 미치는 영향 을 분석한다. 80개국의 무역 패널 데이터를 활용하여 OECD 국가와 신흥시장 국가를 구분하고, 데이터 환경에 따라 예측 방법의 상대적 효과성이 달라지는지를 검토하였다. 이를 위해 수출 증가 율 예측에서 전통적인 통계모형과 머신러닝 접근법의 표본외(out-of-sample) 예측 성능을 비교하 였다. Pooled OLS 모형을 기준모형으로 설정하였으며, Random Forest 기반 머신러닝 모형과 Transformer 기반 딥러닝 모형을 대안적 분석도구로 활용하였다. 예측 정확도는 RMSE, MAE, MAPE 및 표본외 R²를 기준으로 평가하였다. 분석 결과, 머신러닝 모형은 무역 증가율 예측에서 Pooled OLS 모형보다 일관되게 우수한 성능을 보이는 것으로 나타났다. 특히 이러한 성능 우위는 무역 데이터의 변동성과 구조적 불규칙성이 상대적으로 높은 신흥경제국에서 OECD 국가보다 훨 씬 강하게 나타났다. 또한 대안적 패널 회귀모형을 활용한 강건성 검정 결과 역시 데이터 환경의 불규칙성이 높을수록 머신러닝 모형의 예측우위가 더욱 확대된다는 점을 확인하였다. 기존 연구들 이 모형의 우수성을 보편적 특성으로 간주한 것과 달리, 본 연구는 머신러닝의 예측우위가 데이터 구조에 조건부적으로 결정된다는 점을 실증적으로 제시한다. 나아가 예측 성능과 무역 데이터의 불 규칙성을 명시적으로 연결함으로써, 무역 연구에서 적절한 분석도구를 선택하기 위한 새로운 방법 론적 시사점을 제공한다.

This study examines how the structural characteristics and irregularity of trade data affect the predictive performance of empirical modeling tools. Using trade panel data from 80 countries, we distinguish between OECD and emerging economies to assess whether the relative effectiveness of forecasting methods varies across data environments. It compares the out-of-sample forecasting performance of traditional statistical models and machine learning approaches in predicting export growth. Pooled OLS is employed as a benchmark model, while Random Forest-based machine learning and Transformer-based deep learning models serve as alternative tools. Predictive accuracy is evaluated using RMSE, MAE, MAPE, and out-of-sample R2. The results show that machine learning models consistently outperform pooled regression models in trade growth forecasting. Importantly, this performance advantage is substantially stronger in emerging economies, where trade data exhibit higher volatility and structural irregularity, than in OECD countries. Robustness checks using alternative panel regression specifications confirm that the predictive superiority of machine learning models is amplified in more irregular data environments. Unlike existing studies that treat model superiority as universal, this study demonstrates that the predictive advantage of machine learning is conditional on data structure. By explicitly linking forecasting performance to trade data irregularity, it offers new methodological guidance for selecting appropriate analytical tools in trade research.

When Does Machine Learning Outperform StatisticalModels? Trade Forecasting with Data Irregularity inOECD and Emerging Economies
Ⅰ. Introduction
Ⅱ. Literature Review
    2.1 Traditional Trade Forecasting and Statistical Approaches
    2.2 Machine Learning in Economic and Trade Forecasting
    2.3 Data Irregularity and Cross-Country Structural Heterogeneity
    2.4 Evaluation of Predictive Performance and Methodological Debates
Ⅲ. Data and Methodology
    3.1 Data
    3.2 Methodology
    3.3 Model Training Procedure and Hyper-parameter Settings
Ⅳ. Estimation of the Regression and Machine Learning·Deep LearningModels
    4.1 Machine Learning and Deep Learning Approaches
    4.2 Evaluation Strategy and Performance Metrics
Ⅴ. Model Specification
    5.1 Empirical Analysis
    5.2 Panel Unit Root Test and Cointegration
    5.3 Estimation of Models
Ⅵ. Conclusion
    6.1 General Implications
    6.2 Implications for International Business Studies
    6.3 Limitations and Future Research Themes
References
요 약

• Ohsuk Yang(Kangwon National University Department of Business Administration Professor) | 양오석