[논문 리뷰] Extensions of the Burr Type XII distribution and Applications

Meitner Cadena|arXiv (Cornell University)|2017. 05. 29.

Statistical Distribution Estimation and Applications참고 문헌 1인용 수 3

한 줄 요약

이 논문은 유연한 함수 g(x)를 통해 원래의 버르 유형 XII 분포를 일반화함으로써 확장 버르 유형 XII 분포(EBXIID) 가족을 도입한다. 이는 두꺼운 尾과 얇은 尾 데이터 모두의 모델링을 가능하게 한다. 이 방법은 최대우도추정법을 사용하며, 기존 분포들에 비해 실제 데이터셋에서 뛰어난 성능을 보이며, 특히 비대칭적이고 극단치 데이터의 피팅에서 뛰어나다.

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.

연구 동기 및 목표

• 가벼운 尾과 두꺼운 尾 분포를 포함한 다양한 데이터 유형의 피팅을 향상시키기 위해 버르 유형 XII 분포를 확장하는 것.
• 특정 수학적 제약 조건을 갖는 유연한 함수 g(x)를 도입하여 유효한 누적분포함수로 보장하는 일반적인 분포 가족(EBXIID)을 개발하는 것.
• 시뮬레이션 연구를 통해 새로운 가족의 통계적 성질과 모수 추정 성능을 평가하는 것.
• 다양한 분야의 실제 세계 데이터에서 EBXIID 모델이 기존 분포들보다 경험적으로 뛰어난 성능을 보임을 입증하는 것.
• 신뢰성, 생존 분석 및 극단치 모델링 분야에서 전통적 분포들의 민감한 대안을 제공하는 것.

제안 방법

• 누적분포함수를 $ F(x) = 1 - (1 + g(x))^{-a} $ 로 정의하며, 여기서 $ g(x) $ 는 $ (d, ∞) $ 에서 정의된 양수이자 미분 가능하고 증가하는 함수이며, $ x \to \infty $ 일 때 $ g(x) \to \infty $ 임을 만족한다.
• 다양한 형태의 $ g(x) $ 를 제시하며, 예를 들어 $ g_0(x) = (c(x+d))^b $ (원래 BXII), 그리고 $ g_1(x) $, $ g_2(x) $, $ g_3(x) $ 와 같은 확장된 형태를 포함한다. 각각은 추가적인 형태 모수를 도입하여 유연성을 향상시킨다.
• 모수의 단조성과 무한대에서의 발산 조건을 만족함으로써 $ F(x) $ 가 유효한 누적분포함수임을 보장한다.
• 수치 계산을 위해 R 소프트웨어의 `optimx` 및 `fitdist` 함수를 사용하여 최대우도추정법(MLE)을 적용한다.
• 고정된 모수 설정과 다양한 표본 크기에서 MLE의 성능을 평가하기 위해 몬테카를로 시뮬레이션을 수행한다.
• 실제 데이터(예: 롤러 베어링 데이터)를 변환하여 오른쪽으로 비틀린 분포의 피팅을 향상시키고, AIC, BIC 및 로그우도를 사용하여 모델 성능을 비교한다.

실험 결과

연구 질문

• RQ1 EBXIID 가족은 원래의 버르 유형 XII 분포의 능력을 넘어서 하중이 두꺼운 尾과 얇은 尾 데이터를 효과적으로 모델링할 수 있는가?
• RQ2 EBXIID 가족의 통계적 성질, 예를 들어 모멘트와 고장률 행동은 원래 BXII 분포와 비교해 어떻게 다른가?
• RQ3 최대우도추정법(MLE)은 다양한 데이터 구성에서 EBXIID 가족의 모수 추정치에 대해 정확하고 일관된 결과를 제공하는가?
• RQ4 실제 세계 데이터셋(다양한 분야에서의 데이터)에서 EBXIID 모델은 기존의 분포들(예: 로그정규분포, 감마분포, 비르누이-사우너스 분포)과 비교해 피팅 품질이 뛰어나게 되는가?
• RQ5 AIC와 BIC로 측정된 피팅과 단순성의 균형을 가장 잘 만족하는 EBXIID 가족의 구성원은 무엇인가? (예: $ g_0 $, $ g_1 $, $ g_3 $)

주요 결과

• EBXIID 가족은 두꺼운 尾과 얇은 尾 데이터를 효과적으로 모델링하며, $ g_1 $ 및 $ g_3 $ 변형이 변환된 롤러 베어링 데이터에서 뛰어난 성능을 보였다.
• 데이터 변환 후 SCNBS 모델은 가장 낮은 AIC 값(2116.67)을 기록하여 우수한 피팅을 나타내었고, $ g_1 $ 기반 모델은 가장 낮은 BIC(2130.26)를 기록하여 모델의 단순성에 유리하였다.
• $ g_0 $ 기반 모델(원래 BXII)은 AIC 2120.31과 BIC 2130.41을 기록했으며, 로그정규분포(AIC: 2154.81)와 감마분포(AIC: 2138.87)를 모두 능가하는 성능을 보였다.
• 시뮬레이션 연구를 통해 MLE 방법이 키 모수(예: $ a $)가 고정된 경우에도 일관되고 정확한 모수 추정치를 제공하는 것으로 확인되었다.
• $ g_1 $ 기반 모델은 BIC 2130.26을 기록하여 $ g_0 $ 기반 모델(2130.41)과 매우 유사한 성능을 보였으며, 이는 서로 다른 尾 행동을 가짐에도 불구하고 강력한 경쟁력을 지닌다는 것을 시사한다.
• EBXIID 가족은 실제 데이터 피팅에서 뛰어난 유연성을 보였으며, 여러 구성원이 정보 기준과 로그우도 기준에서 고전적 분포들을 능가하는 성능을 보였다.