[논문 리뷰] Some Computational and Theoretical Aspects of the Exponentiated Generalized Nadarajah-Haghighi Distribution

Thiago Vedovatto, Abraão D. C. Nascimento외 4명|arXiv (Cornell University)|2016. 10. 27.

Statistical Distribution Estimation and Applications참고 문헌 27인용 수 8

한 줄 요약

이 논문은 생존 분석에서 위험률 함수의 유연성을 향상시키기 위해 T-X 가족 프레임워크에서 유도된 네 파라미터를 가진 유연한 모델인 지수화된 일반화된 나다라자-하길리(EGNH) 분포를 제안한다. EGNH는 일정, 감소, 증가, 버블 모양, 거꾸로 된 버블 모양의 위험률을 모두 모델링할 수 있으며, 최대우도추정법을 통해 하나의 파라미터 추정치가 닫힌 형태로 도출되며, 기존 모델보다 실제 데이터에 더 우수한 적합도를 보인다.

ABSTRACT

Real data from applications in the survival context have required the use of more flexible models. A new four-parameter model called the Exponentiated Generalized Nadarajah-Haghighi (EGNH) distribution has been introduced in order to verify this requirement.

연구 동기 및 목표

• 생존 분석에서 양의 실수 데이터를 모델링하기 위한 더 유연한 네 파라미터 분포를 개발하기 위해.
• 나다라자-하길리의 지수 분포를 지수화된 일반화 가족 프레임워크를 통합하여 확장하기 위해.
• 기존 NH 모델이 포착하지 못하는 비단조화 위험률 함수(예: 버블 모양 및 거꾸로 된 버블 모양)를 모델링할 수 있도록 하기 위해.
• 실제 통계 응용에 적합한 수학적 표현이 간단한 모델을 제공하기 위해.
• 실제 데이터 응용과 비교적 적합도 검정을 통해 모델 성능을 평가하기 위해.

제안 방법

• EGNH 분포는 T-X 가족 프레임워크를 사용하여 구성되며, 특히 지수화된 일반화(EG) 가족을 활용하고, 나다라자-하길리의 지수 분포를 기준 G(x)로 사용한다.
• 누적분포함수(CDF)는 F(x) = {1 - [1 - G(x)]^α}^β로 정의되며, 확률밀도함수(PDF)는 f(x) = αβg(x)[1 - G(x)]^{α-1} / {1 - [1 - G(x)]^α}^{1-β}로 유도된다.
• 위험률 함수(hrf)는 분석적으로 유도되었으며, 파라미터 설정에 따라 일정, 감소, 증가, 버블 모양, 거꾸로 된 버블 모양의 다양한 형태를 띠는 것으로 나타났다.
• 파라미터 추정을 위해 최대우도추정법(MLE)이 사용되었으며, 하나의 파라미터 추정치(α)가 닫힌 형태로 표현 가능하다.
• MLE의 일致성과 渐近적 행동을 평가하기 위해 몬테카를로 시뮬레이션 연구가 수행되었다.
• 적합도 통계량(W*, A*, KS, AIC, BIC, CAIC, HQIC)을 사용하여 두 개의 실제 데이터셋(Aarset의 데이터셋과 Andrews 및 Herzberg의 데이터셋)에 모델을 적용하고 비교하였다.

실험 결과

연구 질문

• RQ1 EGNH 분포는 원래 나다라자-하길리의 지수 분포보다 더 넓은 범위의 위험률 함수, 특히 버블 모양 및 거꾸로 된 버블 모양의 비단조화 형태를 모델링할 수 있는가?
• RQ2 EGNH 모델은 기존 NH 분포의 확장 모델보다 실제 생존 데이터에 더 좋은 적합도를 제공하는가?
• RQ3 EGNH의 일부 파라미터 중 하나가 닫힌 형태로 추정될 수 있는가? 이는 계산 효율성을 향상시킬 수 있는가?
• RQ4 EGNH 모델의 수학적 성질(모멘트, 엔트로피, 순서통계량)은 관련된 다른 분포와 비교해 어떻게 다른가?
• RQ5 EGNH 모델의 최대우도추정 절차는 일치성과 渐近적 효율성을 갖는가?

주요 결과

• EGNH 분포는 일정, 감소, 증가, 버블 모양, 거꾸로 된 버블 모양의 위험률 함수를 모두 수용할 수 있으며, 모델링의 유연성이 크게 향상된다.
• Aarset의 데이터셋에 대해 EGNH 모델은 W*(0.191), A*(1.381), KS(0.141) 통계량에서 가장 낮은 값을 기록하여 12개의 경쟁 모델보다 뛰어난 적합도를 보였다.
• Andrews 및 Herzberg의 데이터셋에 대해 EGNH 모델은 W*(0.032), A*(0.236), KS(0.069) 통계량에서 가장 낮은 값을 기록하여 더 뛰어난 적합도를 나타냈다.
• Aarset의 데이터셋에 대해 EGNH 모델은 AIC(454.73)와 BIC(462.38) 값이 가장 낮아, 더 뛰어난 모델 적합도를 확인했다.
• 몬테카를로 시뮬레이션 연구를 통해 EGNH 파라미터의 최대우도추정치가 일치성 있고 예상되는 渐近적 행동을 보임을 확인했다.
• 시각적으로 그림 9와 10에서 확인한 바와 같이, EGNH 모델은 다른 모델보다 경험 히스토그램과 누적분포함수에 더 가까운 적합도를 제공하였다.