[论文解读] Calibrating Weibull priors using virtual data in reliability and risk assessment

Nicolás Bousquet|arXiv (Cornell University)|Jul 27, 2010

Statistical Distribution Estimation and Applications被引用 1

一句话总结

本文提出了一种利用虚拟数据校准 Weibull 先验的新方法，将专家提供的先验预测寿命视为等价于虚拟样本量 m。通过将先验视为参考后验，该方法简化了主观先验获取过程，在温和条件下确保完全可计算性，并通过 m 实现直观的敏感性分析，解决了贝叶斯 Weibull 建模中的常见共轭性问题。

ABSTRACT

Based on expert opinions, informative prior elicitation for the common Weibull lifetime distribution usually presents some difficulties since it requires to elicit a two-dimensional joint prior. We consider here a reliability framework where the available expert information states directly in terms of prior predictive values (lifetimes) and not parameter values, which are less intuitive. The novelty of our procedure is to weigh the expert information by the size m of a virtual sample yielding a similar information, the prior being seen as a reference posterior. Thus, the prior calibration by the Bayesian analyst, who has to moderate the subjective information with respect to the data information, is made simple. A main result is the full tractability of the prior under mild conditions, despite the conjugation issues encountered with the Weibull distribution. Besides, m is a practical focus point for discussion between analysts and experts, and a helpful parameter for leading sensitivity studies and reducing the potential imbalance in posterior selection between Bayesian Weibull models, which can be due to favoring arbitrarily a prior. The calibration of m is discussed and a real example is treated along the paper.

研究动机与目标

• 解决在可靠性分析中为 Weibull 分布的二维非信息先验获取信息性先验的挑战。
• 通过将先验预测寿命转换为虚拟样本量 m，简化专家意见的校准过程。
• 为分析师和专家提供一种实用且直观的框架，通过 m 讨论先验影响。
• 即使在贝叶斯建模中存在标准共轭性问题，也确保 Weibull 先验的完全可计算性。
• 通过基于 m 的敏感性研究，减少后验选择中的不平衡性。

提出的方法

• 将先验建模为基于虚拟样本量 m 的参考后验，该样本量 m 由专家提供的先验预测值（寿命）推导得出。
• 将虚拟样本量 m 作为专家与分析师之间讨论的核心参数，反映专家信息的强度。
• 通过将专家获取的先验预测分布视为来自大小为 m 的样本，将其转化为正式先验。
• 在温和正则性条件下，利用 Weibull 分布的似然结构确保数学可计算性。
• 在贝叶斯推断中应用所得先验，通过改变 m 来评估先验影响，实现敏感性分析。
• 通过一个真实可靠性案例研究说明该方法，以展示其实际应用。

实验结果

研究问题

• RQ1 如何系统地将专家对先验预测寿命的意见转化为一致的 Weibull 先验？
• RQ2 虚拟样本量 m 在贝叶斯 Weibull 建模中平衡专家信息与数据方面起什么作用？
• RQ3 所提出的方法如何在共轭性挑战下确保 Weibull 先验的可计算性？
• RQ4 m 以何种方式作为敏感性分析和先验稳健性评估的实用工具？
• RQ5 当比较不同贝叶斯 Weibull 模型时，该方法如何减少后验选择中的偏差？

主要发现

• 所提方法在温和正则性条件下实现了 Weibull 先验的完全可计算性，克服了典型的共轭性问题。
• 虚拟样本量 m 为专家与分析师之间讨论先验强度提供了一个清晰且可解释的度量。
• 通过聚焦于寿命而非抽象参数值，专家获取过程变得更加直观。
• 通过改变 m 实现系统性敏感性分析，有助于检测后验选择中的潜在不平衡性。
• 该方法在真实可靠性案例研究中得到有效展示，表明其具有实际适用性和稳健性。
• 通过将先验视为参考后验，该方法在不牺牲统计严谨性的前提下简化了校准过程。