[論文レビュー] Power Generalized DUS Transformation of Exponential Distribution

Beenu Thomas, Manoj Chacko|arXiv (Cornell University)|Nov 17, 2021

Statistical Distribution Estimation and Applications参考文献 8被引用数 5

ひとこと要約

本稿では、寿命分布のためのDUS変換を拡張するためのパワー一般化DUS（PGDUS）変換を導入し、指数分布をベースラインとして用いることで、新たな柔軟性のある分布「PGDUSE」を提案する。この手法はDUS変換のべき乗化によりモデル化の柔軟性を向上させ、実データ解析によりPGDUSEモデルが他の競合モデルよりも優れた適合を示すことが確認された。AIC、BIC、KS統計量が最小で、p値が最大である。

ABSTRACT

DUS transformation of lifetime distributions received attention by engineers and researchers in recent years. The present study introduces a new class of distribution using exponentiation of DUS transformation. A new distribution using the Exponential distribution as the baseline distribution in this transformation is proposed. The statistical properties of the proposed distribution have been examined and the parameter estimation is done using the method of maximum likelihood. The fitness of the proposed model is established using real data analysis.

研究の動機と目的

• DUS変換をべき乗化することで一般化し、寿命分布のより柔軟なクラスの開発を目的とする。
• 指数分布をベースラインとして用いることで、実世界の故障データのモデリングを改善する新しい分布PGDUSEを提案すること。
• 新規分布の主要な統計的性質（モーメント、MGF、エントロピー、順序統計量など）を導出すること。
• 最尤推定（MLE）を用いてパラメータを推定し、実データにおけるモデルの性能を検証すること。
• PGDUSEモデルが、信頼性工学および生存解析分野における既存の分布（DUSE、GDUSE、ED、KMEなど）よりも優れた適合を示すことを示すこと。

提案手法

• PGDUS変換は累積分布関数により定義される：$ G(x) = \left( \frac{e^{F(x)} - 1}{e - 1} \right)^\theta $、ここで$ F(x) $はベースラインのCDFであり、$ \theta > 0 $ である。
• ベースライン分布はパラメータ$ \lambda $を有する指数分布であり、PGDUSEのCDFは以下の通りとなる：$ G(x) = \left( \frac{e^{1 - e^{-\lambda x}} - 1}{e - 1} \right)^\theta $。
• 対応する確率密度関数（PDF）は次のように導出される：$ g(x) = \frac{\theta \lambda}{(e - 1)^\theta} e^{1 - \lambda x - e^{-\lambda x}} (e^{1 - e^{-\lambda x}} - 1)^{\theta - 1} $。
• モーメント、モーメント生成関数、特性関数、累積モーメント生成関数、分位数関数、エントロピーなどの統計的性質が解析的に導出された。
• パラメータ$ \lambda $および$ \theta $の推定には最尤推定（MLE）が適用され、対数尤度方程式が導出され、数値的に解かれた。
• 実データセット（ボールベアリングの寿命）を用いて、AIC、BIC、コルモゴロフ・スミルノフ（KS）検定、p値、対数尤度を用いてモデル比較が行われた。

実験結果

リサーチクエスチョン

• RQ1 PGDUS変換は、元のDUS変換と比較して、寿命データのモデリングにおいてより高い柔軟性を提供できるか？
• RQ2 パラメータの値が異なる条件下で、PGDUSE分布の統計的性質（モーメント、エントロピー、MGF）はどのように振る舞うか？
• RQ3 PGDUSEモデルは、DUSE、GDUSE、ED、KMEなどの既存の分布と比較して、実際の故障時間データに対してより優れた適合を示すか？
• RQ4 MLE法は、PGDUSE分布のパラメータ$ \lambda $および$ \theta $の推定において、どのように性能を発揮するか？
• RQ5 PGDUSEモデルは、実際の信頼性データに観察される複雑な故障率パターンを効果的に捉えることができるか？

主な発見

• PGDUSE分布は、すべての競合モデルの中で最小のAIC（230.006）およびBIC（232.277）値を達成し、優れたモデル適合を示している。
• PGDUSEモデルは、最小のコルモゴロフ・スミルノフ（KS）統計量（0.11025）と最大のp値（0.9425）を示し、適合度の高さが確認された。
• PGDUSEの対数尤度値（-113.003）は、すべてのモデルの中で最大であり、さらにその優れた適合を裏付けている。
• PGDUSEの推定パラメータは、数値的MLEにより得られ、$ \hat{\lambda} = 0.03362141 $ および$ \hat{\theta} = 3.80657627 $ であった。
• 故障率プロット（図2）から、PGDUSE分布は一峰性の故障率行動をモデル化できることを示しており、信頼性工学分野への応用可能性が向上している。
• 実データの経験的CDFプロット（図3）から、PGDUSEモデルがLawlessのボールベアリングデータの経験的分布をよく再現していることが確認された。