A Convex Combination of Fréchet and Weibull Distributions: Model, Estimation, and Applications

Technische Samenvatting: Een Convexe Combinatie van Fréchet- en Weibull-verdelingen

Probleemstelling
Reële gegevens in velden zoals hydrologie, betrouwbaarheidstechniek en extreme waarde-analyse vertonen vaak heterogene staartgedragingen, waarbij extreme gebeurtenissen naast regelmatige voorkomens bestaan. Het modelleren van deze variabiliteit met een enkele parametrische verdeling resulteert vaak in een slechte modelpassing en misleidende gevolgtrekkingen. Terwijl de Fréchet-verdeling effectief is voor het modelleren van zware staarten (bijv. zeldzame, impactvolle gebeurtenissen), en de Weibull-verdeling veelzijdig is voor lichter getailde gegevens en variërende hazard rates, kan geen van beide alleen de volledige breedte van de staartgedragingen die in complexe, heterogene populaties worden gevonden, adequaat weergeven.

Methodologie
Het artikel stelt een twee-componenten eindige mengmodel voor, gevormd door de convexe combinatie van Fréchet- en Weibull-waarschijnlijkheidsdichtheidsfuncties. Het model wordt gedefinieerd als:
$$f(x) = w f_{Fr}(x; \alpha, s, m) + (1-w) f_{Weib}(x; \lambda, k)$$
waarbij $w \in [0, 1]$ de mengverhouding is, en de parameters respectievelijk de vorm ($\alpha, k$), schaal ($s, \lambda$) en locatie ($m$) vertegenwoordigen voor de betreffende componenten.

Om de parametervector $\theta = (w, \alpha, s, m, \lambda, k)$ te schatten, ontwikkelen de auteurs een Maximum Likelihood Estimation (MLE) procedure die gebruikmaakt van het Expectation–Maximization (EM) algoritme. De methodologie omvat:

1. E-stap: Het berekenen van de posterieure waarschijnlijkheden (fractionele gewichten) dat elke observatie tot de Fréchet-component behoort.
2. M-stap: Het iteratief bijwerken van parameters. Het menggewicht $w$ wordt bijgewerkt via een gesloten vorm van de gemiddelde posterieure waarschijnlijkheden. De Weibull-schaal $\lambda$ en de Fréchet-schaal $s$ worden bijgewerkt via closed-form gewogen MLE's gegeven vaste vormparameters. De vormparameters ($k, \alpha$) en de Fréchet-locatieparameter $m$ worden bijgewerkt via ééndimensionale numerieke optimalisatie (bijv. Newton–Raphson). Om de numerieke stabiliteit voor de locatieparameter $m$ te waarborgen, wordt een herparametrisatie ($m = \min(x_i) - e^t$) toegepast.

Hoewel het artikel de Method of Moments (MME) en Least Squares Estimation (LSE) als alternatieve benaderingen beschrijft, ligt de primaire focus en de implementatiedetail op het EM-algoritme voor MLE.

Belangrijkste Bijdragen

• Modelformulering: Introductie van een flexibel parametrisch kader dat interpoleert tussen zware staarten (Fréchet) en licht- tot matig zware staarten (Weibull), in staat om multimodaliteit en scheefheid in heterogene gegevens te modelleren.
• Schattingsprocedure: Ontwikkeling van een robuust EM-algoritme dat closed-form updates combineert met laagdimensionale numerieke optimalisatie, waarbij specifieke uitdagingen zoals de onbeperkte optimalisatie van de Fréchet-locatieparameter worden aangepakt.
• Numerieke Stabiliteit: Implementatie van strategieën om convergentie en stabiliteit te waarborgen, inclusief specifieke herparametrisaties en convergentiecriteria gebaseerd op veranderingen in de log-likelihood.

Resultaten

• Simulatiestudie: Er is een uitgebreide simulatiestudie uitgevoerd met 1.000 replicaties en een steekproefomvang van $n=200$. De resultaten toonden aan dat de voorgestelde estimator kleine biases en lage Root Mean Squared Errors (RMSE) oplevert voor alle parameters ($w, \alpha, s, m, \lambda, k$), wat wijst op een bevredigende prestatie in eindige steekproeven.
• Toepassing op Reële Gegevens: Het model is toegepast op een dataset van 365 dagelijkse maximale windsnelheden. Het passende model week ongeveer 36% gewicht toe aan de Fréchet-component en 64% aan de Weibull-component. De geschatte parameters ($\alpha \approx 2.15$, $k \approx 1.47$) legden zowel de zware staarten van de extremen als de gematigde kern van de verdeling succesvol vast. Het model behaalde een Akaike Information Criterion (AIC) van 512.4, wat duidt op een gunstige afweging tussen de kwaliteit van de passing en de modelcomplexiteit vergeleken met single-component alternatieven.

Betekenis en Claims
Het artikel beweert dat het voorgestelde mengmodel een hanteerbare maar flexibele benadering biedt voor de analyse van complexe datasets met heterogene staartstructuren. Het overbrugt de kloof tussen extreme waarde-analyse en de analyse van licht getailde verdelingen. De auteurs stellen dat het model bijzonder waardevol is in toepassingen waar catastrofale gebeurtenissen (gemodelleerd door Fréchet) samengaan met routinematige variaties (gemodelleerd door Weibull), zoals in de hydrologie, financiën en milieuwetenschappen. De studie concludeert dat de EM-gebaseerde schattingsprocedure effectief is voor praktische implementatie en robuuste fits biedt voor zowel gesimuleerde als reële observaties.

Noot: Het artikel vermeldt expliciet dat er geen tegenstrijdige belangen bestaan en dat er geen externe financiering is ontvangen voor dit onderzoek.