[論文レビュー] Calibrating Weibull priors using virtual data in reliability and risk assessment

Nicolás Bousquet|arXiv (Cornell University)|Jul 27, 2010

Statistical Distribution Estimation and Applications被引用数 1

ひとこと要約

本稿では、仮想データを用いてワイブル事前分布をキャリブレーションする新規手法を提案する。専門家が提供する事前予測寿命を、仮想標本サイズ m に相当するとみなす。事前分布を参照後部分布として扱うことで、主観的な事前分布の特定を簡素化し、ややきつい条件下でも完全な解析的扱いやすさを確保するとともに、m を用いた直感的な感度分析を可能にし、ベイズ的ワイブルモデルにおける一般的な共役性の問題を解決する。

ABSTRACT

Based on expert opinions, informative prior elicitation for the common Weibull lifetime distribution usually presents some difficulties since it requires to elicit a two-dimensional joint prior. We consider here a reliability framework where the available expert information states directly in terms of prior predictive values (lifetimes) and not parameter values, which are less intuitive. The novelty of our procedure is to weigh the expert information by the size m of a virtual sample yielding a similar information, the prior being seen as a reference posterior. Thus, the prior calibration by the Bayesian analyst, who has to moderate the subjective information with respect to the data information, is made simple. A main result is the full tractability of the prior under mild conditions, despite the conjugation issues encountered with the Weibull distribution. Besides, m is a practical focus point for discussion between analysts and experts, and a helpful parameter for leading sensitivity studies and reducing the potential imbalance in posterior selection between Bayesian Weibull models, which can be due to favoring arbitrarily a prior. The calibration of m is discussed and a real example is treated along the paper.

研究の動機と目的

• 信頼性解析におけるワイブル分布の2次元的情報事前分布を特定する課題に対処すること。
• 専門家が提供する事前予測寿命を仮想標本サイズ m に変換することで、専門家の意見のキャリブレーションを簡素化すること。
• アナリストと専門家が m を通じて事前分布の影響を議論できる実用的で直感的なフレームワークを提供すること。
• 標準的な共役性の問題があるにもかかわらず、ワイブル事前分布の完全な解析的扱いやすさを保証すること。
• m を基にした感度分析を可能にすることで、事後分布選択における偏りを低減すること。

提案手法

• 専門家が提供する事前予測値（寿命）に基づいて得られる仮想標本サイズ m の参照後部分布として事前分布をモデル化すること。
• 専門家とアナリスト間の議論の中心となるパラメータとして、仮想標本サイズ m を用い、専門家の情報の強さを反映させること。
• 専門家から得られた事前予測分布を、標本サイズ m からのものであるかのように扱うことで、形式的な事前分布に変換すること。
• ワイブル分布の尤度構造を、ややきつい正則性条件下で活用することで数学的扱いやすさを確保すること。
• 得られた事前分布をベイズ推論に適用し、m を変化させることで感度分析を実施し、事前分布の影響を評価すること。
• 実際の信頼性事例研究を通じて、手法の実用的実装を提示すること。

実験結果

リサーチクエスチョン

• RQ1 専門家が提示する事前予測寿命に関する意見を、整合的なワイブル事前分布に体系的に変換する方法は何か？
• RQ2 仮想標本サイズ m は、ベイズ的ワイブルモデルにおける専門家の情報とデータのバランスをとるために果たす役割は何か？
• RQ3 提案手法は、共役性の課題があるにもかかわらず、なぜワイブル事前分布の扱いやすさを保証できるのか？
• RQ4 m が感度分析および事前分布の頑健性評価の実用的ツールとしてどのように機能するのか？
• RQ5 異なるベイズ的ワイブルモデルを比較する際、この手法は事後分布選択におけるバイアスをどのように低減できるか？

主な発見

• 提案手法は、ややきつい正則性条件下で、ワイブル事前分布の完全な解析的扱いやすさを達成し、一般的な共役性の問題を克服する。
• 仮想標本サイズ m は、専門家とアナリスト間での議論において、明確で解釈可能な事前分布の強さの指標を提供する。
• 専門家からの情報抽出が、抽象的なパrameter値ではなく寿命に焦点を当てることで、より直感的になる。
• m を変化させることで体系的な感度分析が可能となり、事後分布選択における潜在的な偏りを検出するのに役立つ。
• 実際の信頼性事例研究において、手法の実用的適用性と頑健性が効果的に示された。
• 事前分布を参照後部分布として扱うことで、統計的厳密性を損なわず、キャリブレーションプロセスが簡素化される。