[论文解读] A new three-parameter lifetime distribution and associated inference

Min Wang|arXiv (Cornell University)|Aug 19, 2013

Statistical Distribution Estimation and Applications参考文献 18被引用 12

一句话总结

该论文通过复合Lindley分布和几何分布，提出了一种新的三参数寿命分布——指数Lindley几何（ELG）分布，以实现对具有更高灵活性的失效时间数据的建模。ELG分布相较于现有的Lindley分布和几何-Lindley分布模型表现更优，通过最大似然估计结合EM算法对真实世界缓解时间数据进行拟合，表现出更优的AIC/BIC值。

ABSTRACT

In this paper, a new three-parameter lifetime distribution is introduced and many of its standard properties are discussed. These include shape of the probability density function, hazard rate function and its shape, quantile function, limiting distributions of order statistics, and the moments. The unknown parameters are estimated by the maximum likelihood estimation procedure. We develop an EM algorithm to find the maximum likelihood estimates of the parameters, because they are not available in closed form. The Fisher information matrix is also obtained and it can be used for constructing the asymptotic confidence intervals. Finally, a real-data application is given to demonstrate the performance of the new distribution.

研究动机与目标

• 开发一种灵活的三参数寿命分布，以推广Lindley分布和几何-Lindley分布。
• 对具有随机组件数量和非恒定风险率的系统进行建模，解决指数分布的局限性。
• 为可靠性与生存分析提供稳健的统计模型，实现对真实世界寿命数据的更优拟合。
• 推导关键分布特性，如矩、分位数及风险函数形状。
• 发展推断方法，包括通过EM算法进行最大似然估计，以及利用费雪信息矩阵构造置信区间。

提出的方法

• 通过复合Lindley分布（形状参数为θ）与几何分布（成功概率为p），以建模系统失效时间。
• 推导累积分布函数（CDF）为 F(x) = G(x)^α / (1 - p + p·G(x)^α)，其中G(x)为Lindley分布的CDF，α为并联组件数量。
• 使用EM算法计算参数α、θ和p的最大似然估计（MLE），因为闭式解不可行。
• 计算费雪信息矩阵，以构造参数的渐近置信区间。
• 应用赤田信息准则（AIC）、贝叶斯信息准则（BIC）及校正AIC（AICc）进行模型比较。
• 在Gross和Clark（1975）提供的20名患者缓解时间真实数据集上验证模型。

实验结果

研究问题

• RQ1 能否通过复合Lindley分布与几何分布，构建一种新的三参数寿命分布，以提升建模灵活性？
• RQ2 新分布的概率密度函数和风险函数形状与现有模型（如Lindley分布和指数分布）相比有何差异？
• RQ3 新分布是否在拟合真实寿命数据方面显著优于标准模型（如Gamma分布、Weibull分布和几何-Lindley分布）？
• RQ4 当闭式解不可行时，EM算法能否有效估计新分布的参数？
• RQ5 新分布的信息准则（AIC、BIC、AICc）和似然比检验的统计表现如何？

主要发现

• 指数Lindley几何（ELG）分布相较于指数分布和标准Lindley分布，在建模非恒定风险率方面具有更高的灵活性。
• 在所拟合的模型中（ELG、Gamma、Weibull、LG），ELG分布的AIC（37.1056）、BIC（40.0928）和AICc（38.6056）值最低，表明其对缓解时间数据的拟合效果最优。
• 对H₀: α = 1（即LG模型 vs. ELG模型）的似然比检验得出检验统计量ω = 7.5667，p值为0.0059，提供了强有力的证据拒绝简化后的LG模型，支持采用ELG模型。
• ELG模型的估计参数为 â = 15.5628，θ̂ = 1.5270，p̂ = 0.9059，表明组件数量较多，且对几何分量具有较强依赖性。
• 经验生存函数与拟合的ELG生存函数最为接近，确认了其整体拟合效果更优。
• 推导了费雪信息矩阵，并用于构造参数的渐近置信区间，支持推断的有效性。