[论文解读] A note on using Bayes priors for Weibull distribution

Pasquale Erto, Massimiliano Giorgio|arXiv (Cornell University)|Oct 26, 2013

Statistical Distribution Estimation and Applications参考文献 22被引用 6

一句话总结

本文提出了一种实用的贝叶斯方法，通过利用源自技术知识和虚拟数据样本的信息先验，估计威布尔分布的两个参数。通过将先验分布与物理失效机理关联，并在小样本右删失数据上通过蒙特卡洛模拟进行验证，该方法得到了具有强频率学性质的稳健估计量，为冗长的主观提炼过程提供了一种合理且高效的替代方案。

ABSTRACT

In this note, the practical use of priors for Bayes estimators, of the two parameters of the Weibull reliability model, is discussed in a technological context. The meaning of the priors as expression of virtual data samples is analyzed. The implications of physics of failures are also highlighted. The whole analysis shows a rational way to convert a really available technological knowledge into prior information, effectively and without a long elicitation process. A large Monte Carlo study, on both complete and censored samples of small size, shows the good properties of some estimators, which can exploit such a new approach.

研究动机与目标

• 开发一种合理且实用的方法，用于在威布尔分布参数的贝叶斯估计中指定信息先验。
• 在无需大量提炼过程的情况下，将先验分布与真实技术知识和物理失效机理相联系。
• 通过小样本和右删失样本的模拟研究，证明所提出先验的有效性。
• 提供一种将工程知识透明且可解释地转化为先验信息的框架。

提出的方法

• 作者利用已知的技术或物理失效知识生成的虚拟数据样本，对威布尔分布的形状和尺度参数的先验分布进行建模。
• 先验的构造使得其参数能够反映预期的失效行为，从而将统计建模与失效的物理原理相联系。
• 该方法在贝叶斯框架内使用共轭先验，以实现解析可处理性和计算效率。
• 在小样本的完整和右删失样本上进行蒙特卡洛模拟，以评估估计量的性能。
• 基于偏差、均方误差和覆盖概率等频率学性质评估估计量。
• 通过将领域知识直接嵌入先验结构，避免了冗长的主观提炼过程。

实验结果

研究问题

• RQ1 如何系统地将技术知识和物理失效知识转化为威布尔分布参数的信息先验？
• RQ2 在小样本设置下，基于虚拟数据样本生成的先验，其贝叶斯估计量的性能如何？
• RQ3 与非信息先验或扩散先验相比，所提出的先验在估计精度和稳健性方面表现如何？
• RQ4 这些先验在多大程度上反映了潜在的失效机理，并提升了估计的可靠性？
• RQ5 所提出的方法在保持统计效率的同时，能否减少对复杂先验提炼的需求？

主要发现

• 所提出的方法能有效将技术知识转化为先验分布，而无需经历冗长的提炼过程。
• 蒙特卡洛研究表明，基于所提先验的贝叶斯估计量在小样本和右删失样本上均表现出低偏差和良好的均方误差性能。
• 估计量保持了较高的覆盖概率，表明区间估计可靠。
• 由虚拟数据样本生成的先验与物理失效机理一致，增强了可解释性。
• 该方法在各种样本大小和删失模式下均表现出稳健性，支持其在可靠性工程中的实际应用。
• 该方法为先验设定提供了一条合理且透明的路径，提升了贝叶斯推断在可靠性建模中的可信度和实用性。