Estimation Method under Three-Parameter Generalized Exponential Model: Consistency, Uniqueness and its Applications

Titel: Schattingsmethode onder het driedimensionale gegeneraliseerde exponentiële model: Consistentie, Uniekheid en Toepassingen

Auteurs: Kiran Prajapat, Sharmishtha Mitra en Debasis Kundu.

1. Het Probleem

De analyse van scheve continue data (zoals levensduurdata, financiële rendementen of COVID-19 sterftecijfers) vereist vaak flexibele verdelingen. De drie-parameter Weibull-, Gamma- en Lognormale verdelingen worden veel gebruikt, maar deze behoren tot een niet-reguliere familie van verdelingen.

De kernproblemen bij deze verdelingen zijn:

• Ongereguleerde steun: De steun van de kansdichtheidsfunctie (PDF) hangt af van de locatieparameter ($\gamma$).
• Onbegrensde likelihood-functie: Voor bepaalde waarden van de vormparameter ($\beta < 1$) wordt de likelihood-functie onbegrensd wanneer de locatieparameter nadert tot de kleinste observatie in de steekproef. Hierdoor bestaan de Maximum Likelihood Schatters (MLE) niet.
• Gebrek aan asymptotische eigenschappen: Zelfs als MLE's bestaan, gelden standaard resultaten zoals asymptotische normaliteit en de bruikbaarheid van de Fisher-informatiematrix niet vanwege het falen van de regulariteitsvoorwaarden.
• Bestaande alternatieven: Eerdere methoden, zoals de Location-Scale-Parameter-Free (LSPF) methode, lossen het onbegrensde probleem op, maar hebben hoge computationele kosten en kunnen leiden tot cumulatieve bias door sequentiële schattingsstappen.

2. Methodologie: De LPF-methode

Het artikel introduceert en analyseert de Location-Parameter-Free (LPF) methode voor het schatten van de parameters ($\alpha$: schaal, $\beta$: vorm, $\gamma$: locatie) van de driedimensionale gegeneraliseerde exponentiële (GE) verdeling.

Het algoritme:

1. Transformatie: Er wordt gebruikgemaakt van een locatie-invariante statistiek. Gegeven een steekproef $X_1, ..., X_n$, worden de geordende statistieken $X_{(1)} < ... < X_{(n)}$ gebruikt om nieuwe variabelen te definiëren:
   $$V_{(i)} = X_{(i)} - X_{(1)}, \quad i = 1, ..., n$$
   Hierbij is $V_{(1)} = 0$. De gezamenlijke verdeling van $V_{(2)}, ..., V_{(n)}$ is onafhankelijk van de locatieparameter $\gamma$.
2. Schatten van Schaal en Vorm: De parameters $\alpha$ en $\beta$ worden geschat door de likelihood-functie te maximaliseren die gebaseerd is op de geobserveerde waarden $v_2, ..., v_n$. Omdat deze likelihood niet afhankelijk is van $\gamma$, is deze begrensd en differentieerbaar, wat het bestaan van unieke schatters garandeert.
3. Schatten van Locatie: Een initiële schatter voor $\gamma$ is $\hat{\gamma}_{init} = X_{(1)}$. Omdat dit een vertekende schatter is, wordt een bias-correctie toegepast:
   $$\hat{\gamma}_v = X_{(1)} - \hat{\alpha}_v \int_0^\infty (1 - (1 - e^{-y})^{\hat{\beta}_v})^n dy$$
4. Kwantiel-schatting: Kwantielen worden geschat door de verkregen LPF-schatters in de kwantielvergelijking te substitueren (plug-in estimator).

3. Belangrijkste Bijdragen

• Wiskundige Bewijzen: Voor het eerst worden de eigenschappen van uniekheid (voor specifieke gevallen) en consistentie van de LPF-schatters analytisch bewezen voor de driedimensionale GE-verdeling.
• Overcoming MLE-falen: De methode biedt een robuuste oplossing voor het probleem van de onbegrensde likelihood-functie wanneer $\beta < 1$, een situatie waarin klassieke MLE faalt.
• Computationele Efficiëntie: De LPF-methode vereist minder integraties en optimalisatiestappen dan de LSPF-methode, wat leidt tot aanzienlijk kortere rekentijden.
• Vergelijkende Analyse: Een uitgebreide Monte Carlo-simulatie vergelijkt LPF met LSPF, MLE (voor $\beta \geq 1$), en twee gemodificeerde maximum likelihood-methoden (MMLE I en MMLE III).

4. Resultaten

De simulatiestudies (met steekproefgroottes $n=20$ tot $200$ en vormparameters $\beta$ variërend van 0.5 tot 3.0) tonen het volgende:

• Prestatie Parameters:
  • Schaal ($\alpha$) en Vorm ($\beta$): De LPF-methode presteert over het algemeen zeer goed, met name voor $\beta \geq 1$, waar het de laagste bias en RMSE (Root Mean Square Error) heeft vergeleken met andere methoden. Voor kleine steekproeven ($n \leq 20$) en kleine $\beta$ ($\leq 1$) presteert MMLE III soms iets beter, maar LPF blijft robuust.
  • Locatie ($\gamma$): LPF presteert consistent beter dan alle andere methoden in termen van bias en RMSE, vooral omdat het de cumulatieve bias van sequentiële schattingsstappen (zoals bij LSPF) vermijdt.
• Kwantielen: Voor het schatten van kwantielen, vooral bij $\beta \geq 1$, levert LPF de beste resultaten op.
• Computationele Tijd: Er is een enorm verschil in rekentijd. Bijvoorbeeld, voor $n=100$ en $\beta=1.5$ duurde de LSPF-methode ongeveer 33,9 uur, terwijl de LPF-methode slechts 3,6 minuten nodig had.
• Rejectiepercentage: Hoewel MMLE I het laagste percentage afgekeurde datasets heeft (bijna 0%), wordt LPF aanbevolen als tweede keuze vanwege de superieure schattingskwaliteit, vooral voor $\beta \geq 1$.

5. Toepassing en Conclusie

Het artikel illustreert de methode met een reëel dataset van elektrische levensduren (40 componenten). De resultaten tonen aan dat de LPF-methode een goede fit biedt (gebaseerd op KS- en CvM-tests) en stabiele betrouwbaarheidsintervallen genereert via bootstrapping.

Significantie:
De studie biedt een theoretisch onderbouwde en computationeel efficiënte oplossing voor een klassiek probleem in de statistiek: het schatten van parameters in niet-reguliere verdelingen. De LPF-methode is superieur aan de bestaande LSPF-methode door:

1. Lagere computationele complexiteit (minder integraties).
2. Vermindering van cumulatieve bias door het vermijden van sequentiële schattingsstappen.
3. Het gebruik van $n-1$ observaties in plaats van $n-2$ (zoals bij LSPF).

De auteurs concluderen dat de LPF-methode de voorkeur verdient voor het analyseren van driedimensionale gegeneraliseerde exponentiële data, vooral in scenario's met grote steekproeven of waar nauwkeurige schattingen van de locatieparameter cruciaal zijn.