[論文レビュー] Extensions of the Burr Type XII distribution and Applications

Meitner Cadena|arXiv (Cornell University)|May 29, 2017

Statistical Distribution Estimation and Applications参考文献 1被引用数 3

ひとこと要約

本稿では、柔軟な関数 g(x) を用いて元の Burr Type XII 分布を一般化することで、重い裾・軽い裾の両方のデータをモデル化可能な拡張 Burr Type XII 分布（EBXIID）族を導入する。この手法は最尤推定を用い、特に歪んだデータや極値データのフィットに優れた性能を示し、既存の分布と比較して実データ上でも優れた性能を発揮する。

ABSTRACT

The Burr type XII (BXII) distribution has been largely used in different fields due to its great flexibility for fitting data. These applications have typically involved data showing heavy-tailed behaviors. In order to give more flexibility to the BXII distribution, in this paper, modifications to this distribution through the use of parametric functions are introduced. For instance, members of this new family of distributions allow the analysis not only of data containing extreme values as the BXII distribution, but also of light-tailed data. We refer to this new family of distributions as the extended Burr Type XII distribution (EBXIID) family. Statistical properties of members of the EBXIID family are discussed. The maximum likelihood method is proposed for estimating model parameters. The performance of the new family of distributions is studied using simulations. Applications of the new models to real data sets coming from different domains show that models of the EBXIID family are an alternative to other known distributions.

研究の動機と目的

• 重い裾・軽い裾の両方の分布を含む多様なデータタイプに適応可能な柔軟性を向上させるために、Burr Type XII 分布を拡張すること。
• 有効な累積分布関数としての妥当性を保証するための数学的制約を満たす柔軟な関数 g(x) を導入することで、一般化された分布族（EBXIID）を構築すること。
• シミュレーション研究を用いて、新規族の統計的性質およびパラメータ推定性能を評価すること。
• 複数の分野からの実世界データに対して、EBXIID モデルが既存の分布よりも経験的に優れたフィットを示すことを実証すること。
• 信頼性工学、生存分析、極値モデリング分野における従来の分布の柔軟な代替案を提供すること。

提案手法

• 累積分布関数を $ F(x) = 1 - (1 + g(x))^{-a} $ として定義する。ここで $ g(x) $ は $ (d, \infty) $ 上で正で微分可能かつ単調増加であり、$ x \to \infty $ のとき $ g(x) \to \infty $ を満たす。
• g(x) の複数の形を指定し、$ g_0(x) = (c(x+d))^b $（元の BXII）に加え、$ g_1(x) $、$ g_2(x) $、$ g_3(x) $ といった拡張形を導入。それぞれが追加の形状パラメータを導入し、より高い柔軟性を実現する。
• g(x) が単調性および無限大での発散性を満たすことで、得られる関数 $ F(x) $ が有効な累積分布関数であることを保証する。
• パラメータ推定に最尤推定（MLE）を適用し、数値計算には R ソフトウェアの `optimx` や `fitdist` などの関数を用いる。
• 固定されたパラメータ設定と変動する標本サイズ下での MLE の性能を評価するために、モンテカルロ・シミュレーションを実施する。
• 右に歪んだ分布のフィットを改善するために実データ（例：ローラーベアリングデータ）を変換し、AIC、BIC、対数尤度を用いてモデル性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 EBXIID 族は、元の Burr Type XII 分布の能力を拡張して、重い裾・軽い裾の両方のデータを効果的にモデル化できるか？
• RQ2 EBXIID 族の統計的性質（モーメント、ハザードレートの挙動など）は、元の BXII 分布と比較してどのように異なるか？
• RQ3 さまざまなデータ設定下で、最尤推定法が EBXIID 族のパラメータ推定に対して正確かつ一貫性を示すか？
• RQ4 多様な分野からの実世界データセットにおいて、EBXIID モデルは、既存の分布（例：対数正規分布、ガンマ分布、Birnbaum-Saunders 分布）と比較して、フィットの質が優れているか？
• RQ5 AIC および BIC で測定されるフィットと単純さのバランスを考慮した場合、EBXIID 族のどのメンバー（例：$ g_0 $、$ g_1 $、$ g_3 $）が最良の性能を示すか？

主な発見

• EBXIID 族は、重い裾・軽い裾の両方のデータを効果的にモデル化でき、特に $ g_1 $ および $ g_3 $ 変種が変換済みのローラーベアリングデータにおいて優れた性能を示した。
• データ変換後、SCNBS モデルは最低の AIC 値（2116.67）を達成し、優れたフィットを示した。一方、$ g_1 $-ベースのモデルは最低の BIC（2130.26）を記録し、モデルの単純さに優れた。
• $ g_0 $-ベースのモデル（元の BXII）は AIC 2120.31、BIC 2130.41 を示し、対数正規分布（AIC: 2154.81）およびガンマ分布（AIC: 2138.87）を上回る性能を示した。
• シミュレーション研究により、MLE 法が、特に $ a $ のような重要なパラメータを固定した場合に、一貫性があり正確なパラメータ推定を提供することが確認された。
• $ g_1 $-ベースのモデルは BIC 2130.26 を達成し、$ g_0 $-ベースのモデル（2130.41）に非常に近い値を示した。これは、異なる尾部挙動を示しても、依然として強力な競争力を持つことを示唆している。
• EBXIID 族は実データへのフィットにおいて高い柔軟性を示し、複数のメンバーが古典的分布を上回る情報量基準および対数尤度指標を達成した。