A novel approach to generate distributions with applications to regression modeling

Résumé technique : Une nouvelle approche pour générer des distributions avec des applications à la modélisation de régression

Énoncé du problème
L'article traite de la nécessité de disposer de distributions de probabilité plus adaptables pour modéliser des phénomènes réels complexes, en particulier les données continues positives. Bien qu'il existe de nombreuses méthodes pour générer de nouvelles familles de distributions (ex. : exponentiation, asymétrie, versions pondérées et techniques de transformation), les auteurs identifient une lacune dans les méthodes offrant une interprétation claire et explicite des paramètres ajoutés concernant le comportement des queues de distribution. De plus, les modèles de régression standards paramètrent souvent les distributions en termes de moyenne, ce qui peut être moins robuste ou interprétable pour des données asymétriques. Les auteurs visent à développer un générateur flexible qui module l'épaisseur des queues tout en préservant la structure de base, et à utiliser cela pour la modélisation de régression où la variable de réponse est paramétrée par sa médiane.

Méthodologie
La contribution centrale est la proposition de la famille de distributions DT-G (Dutta transformed-G). Celle-ci est réalisée via une méthode de transformation appliquée à une fonction de répartition (CDF) de base arbitraire, $G(x)$.

1. Le générateur DT-G :
   Pour une CDF de base $G(x)$ avec une fonction de densité de probabilité (PDF) $g(x)$, la nouvelle CDF $F(x)$ et la PDF $f(x)$ sont définies par :
   $$F(x) = G(x)e^{-\bar{G}(x)^\beta}$$
   $$f(x) = g(x) \left[ 1 + \beta G(x) \bar{G}(x)^{\beta-1} \right] e^{-\bar{G}(x)^\beta}$$
   où $\bar{G}(x) = 1 - G(x)$ et $\beta > 0$ est un nouveau paramètre de forme.

2. Analyse du comportement des queues :
   Une caractéristique méthodologique clé est l'analyse asymptotique de la fonction de survie $S(x)$. Les auteurs démontrent que le paramètre $\beta$ agit comme un paramètre de modulation de la queue :

   • Si $\beta > 1$, la distribution transformée est équivalente en queue à la distribution de base.
   • Si $\beta = 1$, la fonction de survie est asymptotiquement deux fois supérieure à celle de la base.
   • Si $0 < \beta < 1$, la distribution transformée possède des queues plus épaisses que la distribution de base.

3. Propriétés structurelles :
   L'article dérive plusieurs propriétés mathématiques, notamment :

   • Points critiques et unimodalité : Les conditions sous lesquelles la distribution est unimodale.
   • Représentation stochastique : Exprimer la variable aléatoire $X$ comme $G^{-1}(Y)$, où $Y$ suit une distribution spécifique dérivée d'une variable de Weibull, facilitant ainsi la simulation.
   • Identifiabilité : Preuve que le vecteur de paramètres $(\beta, \varrho)$ est identifiable si la famille de base est identifiable.
   • Moments : Les formules pour les moments et les moments tronqués sont fournies, notant que l'intégration numérique est souvent requise pour des bases spécifiques comme l'exponentielle.

4. Cadre de régression :
   Deux sous-modèles spécifiques sont développés : la distribution exponentielle transformée de Dutta (DTED) et la distribution de Weibull transformée de Dutta (DTWD).

   • Reparamétrage : Pour améliorer l'interprétabilité, les auteurs reparamètrent ces distributions de sorte qu'un paramètre représente la médiane ($\mu$). Cela implique d'isoler $\beta$ en termes de la médiane et de le substituer de nouveau dans la CDF/PDF.
   • Implémentation GAMLSS : Les modèles de régression sont implémentés dans le cadre des modèles additifs généralisés pour la localisation, l'échelle et la forme (GAMLSS). Le paramètre de localisation (médiane) et les paramètres de forme/échelle sont modélisés comme des fonctions de covariables à l'aide de fonctions de lien (typiquement logarithmiques).
   • Inférence : Les paramètres sont estimés via l'estimation du maximum de vraisemblance (MLE) en utilisant le package gamlss dans R. Les diagnostics de modèle utilisent les résidus quantiles, les diagrammes de type "worm plots" et les graphiques Q-Q boxplots. La sélection de modèle est basée sur l'AIC et le BIC.

Contributions clés et résultats

• Nouvelle famille de distributions : La famille DT-G offre un mécanisme simple pour générer des distributions avec un comportement de queue flexible sans altérer la structure fondamentale du modèle de base.
• Régression basée sur la médiane : L'article introduit les modèles de régression RDTED et RDTWD où la médiane de la réponse est explicitement modélisée. Cela offre une robustesse contre les valeurs aberrantes et une interprétation directe des effets des covariables sur la tendance centrale des données asymétriques.
• Application empirique : Les modèles ont été appliqués à un ensemble de données de 385 mesures de biomasse foliaire d'arbres de tilleul (Tilia cordata) en Russie, incluant des covariables telles que l'âge de l'arbre et l'origine (rejeton, naturel, planté).
  • Comparaison de modèles : Les modèles RDTED et RDTWD proposés ont été comparés aux modèles de régression Gamma, Inverse Gaussian, Weibull et Log-normal.
  • Performance : Sur la base de l'AIC et du BIC, les modèles RDTED et RDTWD ont fourni le meilleur ajustement.
  • Diagnostics : L'analyse des résidus quantiles (worm plots et Q-Q boxplots) a montré que les modèles RDTED et RDTWD présentaient un meilleur comportement (points proches de la ligne centrale, à l'intérieur des bandes de confiance) par rapport aux modèles Inverse Gaussian et Log-normal, qui montraient des écarts systématiques.
  • Double régression : Lors de la modélisation du paramètre de forme ($\sigma$) en fonction de l'âge, le modèle RDTWD avec double régression (modélisant à la fois la médiane et la forme) a fourni le meilleur ajustement, le paramètre de forme $\nu$ étant statistiquement significatif ($p=0,038$).

Signification et affirmations
Les auteurs affirment que la famille DT-G offre un « mécanisme versatile » pour construire de nouvelles distributions qui sont faciles à implémenter et à interpréter. La principale signification réside dans l'interprétation explicite du paramètre supplémentaire $\beta$ concernant l'épaisseur des queues, une caractéristique souvent absente dans d'autres familles générées où les propriétés de queue dépendent fortement de la distribution de base spécifique.

Dans le contexte de la régression, l'article met l'accent sur l'utilité du paramétrage basé sur la médiane pour les données continues positives, arguant qu'il offre une alternative plus robuste et interprétable aux modèles basés sur la moyenne, particulièrement pour les distributions asymétriques. L'application aux données de biomasse foliaire démontre que les modèles proposés sont compétitifs avec, et souvent supérieurs aux, modèles de régression standards présents dans la littérature, offrant une alternative flexible pour la gestion de données hétérogènes.

L'article conclut avec modestie, suggérant que bien que ce travail établisse les fondements théoriques et l'utilité pratique de l'approche DT, les recherches futures pourraient explorer d'autres distributions de base, des extensions multivariées, des applications aux données censurées et des structures de régression plus complexes. Toutes les routines de calcul sont rendues disponibles via un dépôt en accès libre pour faciliter la reproductibilité.