[논문 리뷰] The Generalized Power Generalized Weibull Distribution: Properties and Applications

Mahmoud Ali Selim|arXiv (Cornell University)|2018. 07. 27.

Statistical Distribution Estimation and Applications참고 문헌 14인용 수 4

한 줄 요약

이 논문은 위블링 및 파워 일반화 위블링 분포를 일반화한 유연한 통계 모델인 일반화된 파워 일반화 위블링(GPGW) 분포를 제안한다. 이 모델은 낮은 위험률, 높은 위험률, 배수형, 뒤집힌 배수형 등 다양한 위험률 형태를 수용할 수 있어, 복잡한 고장 시간 데이터의 모델링을 향상시킨다. 주요 기여는 통계적 성질의 체계적인 유도와 최대우도추정을 통한 실제 데이터에 대한 성공적인 적용이다.

ABSTRACT

This paper introduces a new generalization of the power generalized Weibull distribution called the generalized power generalized Weibull distribution. This distribution can also be considered as a generalization of Weibull distribution. The hazard rate function of the new model has nice and flexible properties and it can take various shapes, including increasing, decreasing, upside-down bathtub and bathtub shapes. Some of the statistical properties of the new model, including quantile function, moment generating function, reliability function, hazard function and the reverse hazard function are obtained. The moments, incomplete moments, mean deviations and Bonferroni and Lorenz curves and the order statistics densities are also derived. The model parameters are estimated by the maximum likelihood method. The usefulness of the proposed model is illustrated by using two applications of real-life data.

연구 동기 및 목표

• 위블링 및 파워 일반화 위블링 분포를 일반화하는 새로운 융통성 있는 통계 분포를 개발하기 위해.
• 증가, 감소, 배수형, 뒤집힌 배수형 패턴을 모두 포괄할 수 있는 다재다능한 위험률 함수를 갖춘 모델을 제공하기 위해.
• 모멘트, 신뢰성, 위험률 함수 등 통계적 성질을 체계적으로 유도하여 모델링 능력을 향상시키기 위해.
• 실제 적용 가능성을 확보하기 위해 최대우도추정을 통해 모델의 모수를 추정하기 위해.
• 신뢰성 및 생존 분석 분야의 실제 데이터 적용을 통해 모델의 효과성을 입증하기 위해.

제안 방법

• 기본 위블링 분포에 추가적인 형상 매개변수를 도입하여 GPGW 분포를 구성함으로써 유연성을 향상시킴.
• 위험률 함수를 유도하고 분석하여, 배수형 및 뒤집힌 배수형을 포함한 다양한 형태를 취할 수 있음을 입증함.
• 분위수 함수, 모멘트 생성 함수, 신뢰성 함수, 역위험률 함수 등의 통계적 성질을 수학적으로 유도함.
• 모멘트, 부분 모멘트, 평균 편차, 본페로니 및 로렌츠 곡선을 유도하여 위험 및 불평등 분석을 지원함.
• 순서통계 밀도를 확보하여 극단가치 및 기록 데이터 모델링을 지원함.
• 모수 추정을 최대우도 방법을 통해 수행하였으며, 실제 데이터 응용에서는 수치 최적화 기법을 활용함.

실험 결과

연구 질문

• RQ1 다양한 위험률 형태를 모델링할 수 있는 더 유연한 일반화된 위블링 분포를 개발할 수 있는가?
• RQ2 GPGW 분포의 통계적 성질은 기존의 위블링 확장 모델들과 비교하여 어떻게 다를까?
• RQ3 실생활 고장 시간 데이터에 대한 피팅에서 GPGW 모델은 표준 위블링 및 관련 분포보다 얼마나 뛰어난 성능을 보일 수 있는가?
• RQ4 GPGW 프레임워크 내에서 주요 신뢰성 및 위험 측정치(예: 모멘트, 본페로니 곡선)의 해석적 형태는 무엇인가?
• RQ5 실용적 상황에서 GPGW 분포의 모수에 대한 최대우도추정은 얼마나 강인하고 효율적인가?

주요 결과

• 일반화된 파워 일반화 위블링 분포는 증가, 감소, 배수형, 뒤집힌 배수형 고장률을 모두 모델링할 수 있는 매우 융통성 있는 위험률 함수를 갖는다.
• 유도된 모멘트, 부분 모멘트 및 평균 편차는 생존 분석에서의 신뢰성 및 위험 평가에 견고한 기반을 제공한다.
• 본페로니 곡선과 로렌츠 곡선이 명시적으로 유도되어 응용 분야에서 불평등성 및 소득 분포 분석이 가능해진다.
• 기존의 위블링 및 파워 일반화 위블링 분포에 비해 두 개의 실제 데이터 세트에 대해 더 우수한 피팅 성능을 보였다.
• 모수의 최대우도추정은 수치 최적화에서 수렴함을 확인한 바, 실용적 상황에서 실행 가능하고 효과적인 것으로 밝혀졌다.