[논문 리뷰] Bayesian Analysis of Modified Weibull distribution under progressively censored competing risk model

Arabin Kumar Dey, Abhilash Jha외 1명|arXiv (Cornell University)|2016. 05. 21.

Statistical Distribution Estimation and Applications참고 문헌 15인용 수 5

한 줄 요약

이 논문은 두 가지 실패 원인이 있는 점진적 Type-II 케일링 모델 하에서 수정된 Weibull 분포에 대한 베이지안 분석을 제안한다. 참고 prior를 사용하여 사후 분포를 추정하기 위해 결정론적 스캔 깁스 샘플링과 슬라이스 샘플링을 조합한 방법을 적용하여, 후보자 중간값과 HPD 구간을 λ₁, λ₂, α, β 파라미터에 대해 계산하고, 모의 실험과 낭포성 세포 림프종 데이터 분석을 통해 안정적인 추정 성능을 입증한다.

ABSTRACT

In this paper we study bayesian analysis of Modified Weibull distribution under progressively censored competing risk model. This study is made for progressively censored data. We use deterministic scan Gibbs sampling combined with slice sampling to generate from the posterior distribution. Posterior distribution is formed by taking prior distribution as reference prior. A real life data analysis is shown for illustrative purpose.

연구 동기 및 목표

• 점진적 Type-II 케일링 하에서 수정된 Weibull 분포를 사용한 비모수적 경쟁 위험 분석을 위한 베이지안 프레임워크를 개발한다.
• 참고 prior에 의해 유도되는 비가역적 사후 분포 문제를 해결하기 위해 깁스 샘플링과 슬라이스 샘플링를 조합하여 사후 추정을 수행한다.
• 모의 실험과 낭포성 세포 림프종에 대한 실제 데이터 적용을 통해 제안된 방법의 성능을 평가한다.
• 경쟁 위험 하에서 수정된 Weibull 분포의 베이즈 추정량과 최고 사후 밀도(HPD) 구간을 추정한다.

제안 방법

• 두 가지 경쟁 실패 원인에 대해 독립적인 수정된 Weibull 분포를 가정하고, 점진적 Type-II 케일링 데이터에 대한 우도 함수를 유도한다.
• 파라미터 (λ₁, λ₂, α, β)에 대해 참고 prior를 사용하여 객관적인 베이지안 추론를 보장하지만, 이는 사후 분포 표현이 비가역적임을 초래한다.
• 비가역적 사후 분포를 처리하기 위해 결정론적 스캔 깁스 샘플링과 슬라이스 샘플링를 조합한 하이브리드 알고리즘을 사용하여 사후 시뮬레이션을 수행한다.
• 수정된 Weibull 분포는 $ S(t) = \exp\left( -\lambda \alpha \left(1 - \exp\left( \left(\frac{t}{\alpha}\right)^\beta \right) \right) \right) $로 정의되며, 파라미터 λ, α, β를 포함한다.
• 슬라이스 샘플링에서 단계적 확장 절차를 사용하고, 혼합성과 수렴성을 향상시키기 위해 적응형 폭 선택을 적용한다.
• 사후 요약 통계량으로는 중앙값, HPD 구간, 추적 플롯(모델 검증용)이 포함된다.

실험 결과

연구 질문

• RQ1 제안된 베이지안 방법은 점진적 Type-II 케일링과 경쟁 위험 하에서 수정된 Weibull 분포의 파라미터를 얼마나 잘 추정할 수 있는가?
• RQ2 깁스 샘플링과 슬라이스 샘플링의 조합은 참고 prior에 의해 유도된 비가역적 사후 분포를 효과적으로 처리할 수 있는가?
• RQ3 다양한 케일링 설계와 표본 크기에서 사후 추정치와 신뢰 구간은 어떻게 행동하는가?
• RQ4 모델은 낭포성 세포 림프종과 같이 복수의 재발 및 사망 원인이 존재하는 실제 생존 데이터에 대해 좋은 적합도를 보이는가?

주요 결과

• 모의 실험 1에서 λ₁, λ₂, α, β의 사후 중앙값은 각각 0.7918, 0.6261, 0.2063, 0.0833이었으며, 수렴성과 정확도가 양호함을 보였다.
• 모의 실험 2에서는 λ₁ = 0.6300, λ₂ = 0.6987, α = 0.2155, β = 0.0978로 나타나 설계 간 일관된 성능을 보였다.
• 모의 실험 3에서는 λ₁ = 0.9181, λ₂ = 0.8261, α = 0.3063, β = 0.0833로 추정되었고, 안정적인 추적 플롯과 히스토그램은 수렴을 확인했다.
• 낭포성 세포 림프종 데이터(사례 2)에서 사후 중앙값은 λ₁ = 0.034, λ₂ = 0.004, α = 30.228, β = 0.536였으며, α에 대해 넓은 HPD 구간은 높은 불확실성을 시사했다.
• 원인별 데이터 히스토그램과 적합된 수정된 Weibull 분포를 비교하여 모델 적합도를 검증했고, 분포 가정의 타당성을 확인했다.
• 모든 파라미터에 대한 추적 플롯과 히스토그램은 양호한 혼합성과 수렴성을 보였으며, 깁스-슬라이스 샘플링 접근법의 신뢰성을 뒷받침했다.