[논문 리뷰] The inverse Lindley distribution: A stress-strength reliability model

Vikas Kumar Sharma, Sanjay Kumar Singh외 2명|arXiv (Cornell University)|2014. 05. 24.

Statistical Distribution Estimation and Applications참고 문헌 19인용 수 5

한 줄 요약

이 논문은 생존 데이터, 특히 스트레스-스트렝스 신뢰도 분석에 적합한 중량 꼬리, 뒤집힌 배럴형 고장률 모델로 역 린들레이 분포를 제안한다. 신뢰도 파am터 $ R = P(X > Y) $에 대한 빈도주의 및 베이지안 추정 방법을 개발하였으며, 시뮬레이션과 실제 데이터를 통해 정보가 풍부한 사전분포와 엔트로피 손실 하에서의 베이즈 추정량이 다른 방법들에 비해 더 낮은 평균 제곱오차를 보임을 입증한다.

ABSTRACT

In this article, we proposed an inverse Lindley distribution and studied its fundamental properties such as quantiles, mode, stochastic ordering and entropy measure. The proposed distribution is observed to be a heavy-tailed distribution and has a upside-down bathtub shape for its failure rate. Further, we proposed its applicability as a stress-strength reliability model for survival data analysis. The estimation of stress-strength parameters and $R=P[X>Y]$, the stress-strength reliability has been approached by both classical and Bayesian paradigms. Under Bayesian set-up, non-informative (Jeffrey) and informative (gamma) priors are considered under a symmetric (squared error) and a asymmetric (entropy) loss functions, and a Lindley-approximation technique is used for Bayesian computation. The proposed estimators are compared in terms of their mean squared errors through a simulation study. Two real data sets representing survival of Head and Neck cancer patients are fitted using the inverse Lindley distribution and used to estimate the stress-strength parameters and reliability.

연구 동기 및 목표

• 수명 데이터를 모델링하기 위해 뒤집힌 배럴형 고장률을 가지는 새로운 역 린들레이 분포를 제안한다.
• 분위수, 최빈값, 확률적 순서, 엔트로피를 포함한 통계적 성질을 연구한다.
• 전통적 및 베이지안 프레임워크 하에서 스트레스-스트렝스 신뢰도 파am터 $ R = P(X > Y) $에 대한 추정 절차를 개발한다.
• 시뮬레이션과 실제 데이터 적용을 통해 최대우도 추정량과 베이즈 추정량의 성능을 비교한다.

제안 방법

• 역 린들레이 분포는 $ Y \sim \text{Lindley}(\theta) $ 이면 $ X = 1/Y $의 분포로 유도되며, PDF는 $ f(x;\theta) = \frac{\theta^2}{1+\theta} \cdot \frac{1+x}{x^3} e^{-\theta/x} $, $ x>0 $, $ \theta>0 $이다.
• 독립적인 역 린들레이 변수(모수 $ \theta_1 $ 및 $ \theta_2 $)에 대해 스트레스-스트렝스 신뢰도 $ R = P(X > Y) $는 닫힌 형태로 유도된다.
• 최대우도추정법(MLE)을 사용하여 파am터 및 $ R $을 추정하며, 피셔 정보 행렬을 이용해 점근적 신뢰구간을 구성한다.
• 비정보성(제프리스) 및 정보성(감마) 사전분포 하에서 린들레이 근사법을 사용하여 베이즈 추정량을 계산하며, 제곱오차 및 엔트로피 손실 함수를 모두 고려한다.
• 다양한 표본 크기와 파am터 값에서 MLE 및 베이즈 추정량의 평균 제곱오차(MSE)를 비교하기 위한 시뮬레이션 연구를 수행한다.
• 두 가지 실제 생존 데이터셋(두개의 뇌신경 종양 환자 데이터)을 사용하여 모델의 타당성을 검증하고 $ R $을 추정한다.

실험 결과

연구 질문

• RQ1 역 린들레이 분포는 뒤집힌 배럴형 고장률을 가지는 수명 데이터를 효과적으로 모델링할 수 있는가?
• RQ2 다양한 사전분포와 손실 함수 하에서 $ R = P(X > Y) $의 최대우도 추정량과 베이즈 추정량은 평균 제곱오차 측면에서 어떻게 비교되는가?
• RQ3 정보가 풍부한 사전분포와 엔트로피 손실을 사용할 경우, 비정보성 사전분포와 제곱오차 손실에 비해 추정 정확도가 향상되는가?
• RQ4 두개의 뇌신경 종양 생존 데이터와 같이 실제 생존 데이터에 대해 기존 모델보다 역 린들레이 분포가 더 나은 적합도를 보이는가?

주요 결과

• 역 린들레이 분포는 뒤집힌 배럴형 위험률를 나타내어, 비단조화적인 고장 강도를 가지는 고장 데이터 모델링에 적합하다.
• 스트레스-스트렝스 신뢰도 $ R = P(X > Y) $는 역 린들레이 분포의 누적분포함수로부터 닫힌 형태로 유도되며, 정확한 계산이 가능하다.
• 감마 사전분포와 엔트로피 손실 함수를 사용한 베이즈 추정량은 제프리스 사전분포와 제곱오차 손실 함수를 사용한 추정량보다 더 낮은 평균 제곱오차를 보였다.
• 시뮬레이션 결과는 정보가 풍부한 사전분포를 사용한 베이즈 추정량이 MLE 및 비정보성 사전분포를 사용한 베이즈 추정량보다 MSE 측면에서 뛰어나다는 것을 시사한다.
• 모델은 두 가지 실제 생존 데이터셋(두개의 뇌신경 종양 환자 포함)에 대해 양호한 적합도를 보였으며, 의료 및 공학 분야의 신뢰도 분석에서 실용적 적용 가능성을 뒷받침한다.