[论文解读] Power Generalized DUS Transformation of Exponential Distribution

Beenu Thomas, Manoj Chacko|arXiv (Cornell University)|Nov 17, 2021

Statistical Distribution Estimation and Applications参考文献 8被引用 5

一句话总结

本文引入了幂次广义DUS（PGDUS）变换，以扩展寿命分布的DUS变换，通过以指数分布为基准，提出了一种新型灵活分布——PGDUSE。该方法通过指数化DUS变换提升了建模灵活性，真实数据分析结果表明，PGDUSE模型相较于竞争模型具有更优的拟合效果，其AIC、BIC和KS统计量最低，p值最高。

ABSTRACT

DUS transformation of lifetime distributions received attention by engineers and researchers in recent years. The present study introduces a new class of distribution using exponentiation of DUS transformation. A new distribution using the Exponential distribution as the baseline distribution in this transformation is proposed. The statistical properties of the proposed distribution have been examined and the parameter estimation is done using the method of maximum likelihood. The fitness of the proposed model is established using real data analysis.

研究动机与目标

• 通过指数化DUS变换，推广DUS变换，以构建更灵活的寿命分布类。
• 提出一种新分布PGDUSE，以指数分布为基准，以改进真实世界故障数据的建模。
• 推导新分布的关键统计特性，如矩、矩生成函数、熵和顺序统计量。
• 采用最大似然估计（MLE）方法估计参数，并通过真实数据验证模型性能。
• 证明PGDUSE模型在可靠性与生存分析中，相较于DUSE、GDUSE、ED和KME等现有分布，具有更优的拟合效果。

提出的方法

• PGDUS变换通过累积分布函数定义：$ G(x) = \left( \frac{e^{F(x)} - 1}{e - 1} \right)^\theta $，其中 $ F(x) $ 为基线累积分布函数，$ \theta > 0 $。
• 基线分布为参数为 $ \lambda $ 的指数分布，由此得到PGDUSE的累积分布函数：$ G(x) = \left( \frac{e^{1 - e^{-\lambda x}} - 1}{e - 1} \right)^\theta $。
• 对应的概率密度函数推导为：$ g(x) = \frac{\theta \lambda}{(e - 1)^\theta} e^{1 - \lambda x - e^{-\lambda x}} (e^{1 - e^{-\lambda x}} - 1)^{\theta - 1} $。
• 解析推导了包括矩、矩生成函数、特征函数、累积量生成函数、分位数函数和熵在内的统计特性。
• 采用最大似然估计（MLE）方法估计参数 $ \lambda $ 和 $ \theta $，推导出对数似然方程并进行数值求解。
• 通过真实球轴承寿命数据集，利用AIC、BIC、柯尔莫哥洛夫-斯米尔诺夫（KS）检验、p值和对数似然值对模型进行比较。

实验结果

研究问题

• RQ1 与原始DUS变换相比，PGDUS变换是否能在寿命数据建模中提供更大的灵活性？
• RQ2 PGDUSE分布的统计特性（矩、熵、MGF）在不同参数取值下表现如何？
• RQ3 PGDUSE模型是否相较于DUSE、GDUSE、ED和KME等现有分布，对真实故障时间数据具有更优的拟合效果？
• RQ4 MLE方法在估计PGDUSE分布参数 $ \lambda $ 和 $ \theta $ 时表现如何？
• RQ5 PGDUSE模型是否能有效捕捉真实可靠性数据中观察到的复杂失效率模式？

主要发现

• PGDUSE分布的AIC（230.006）和BIC（232.277）值在所有竞争模型中最低，表明其模型拟合效果更优。
• PGDUSE模型的柯尔莫哥洛夫-斯米尔诺夫（KS）统计量最小（0.11025），p值最高（0.9425），进一步证实其拟合优度。
• PGDUSE的对数似然值（-113.003）在所有模型中最高，进一步支持其更优的拟合效果。
• 通过数值MLE估计得到的PGDUSE参数为 $ \hat{\lambda} = 0.03362141 $ 和 $ \hat{\theta} = 3.80657627 $。
• 失效率图（图2）显示，PGDUSE分布可建模单峰失效率行为，增强了其在可靠性工程中的适用性。
• 经验累积分布函数图（图3）表明，PGDUSE模型与Lawless球轴承数据的经验分布高度吻合。