Statistical Inference for the Entropy of the Transmuted Weibull Distribution under Adaptive Progressive Type-II Censored Samples

Technische Samenvatting: Statistische Inferentie voor de Entropie van de Getransformeerde Weibull-verdeling onder Adaptieve Progressieve Type-II Gecensureerde Steekproeven

Probleemstelling
De Getransformeerde Weibull-verdeling (TWD) biedt een verbeterde flexibiliteit ten opzichte van de klassieke Weibull-verdeling voor het modelleren van complexe levensduurgegevens, met name voor die met niet-monotone risicofuncties. De bestaande literatuur over de TWD heeft zich echter primair gericht op de verdelingseigenschappen en parameterschatting onder volledige of Type-I gecensureerde steekproeven. Er bestaat een kritiek gat in de statistische inferentie van de Shannon-entropie voor de TWD onder efficiëntere en praktischere censureringsschema's, specifiek de Adaptieve Progressieve Type-II Hybride Censurering (APHC-T2). Bov�eld identificeert het artikel een significante fout in de bestaande analytische expressie voor de Shannon-entropie van de TWD gerapporteerd door Khan et al., waarbij een algemene tekenfout de afgeleide termen onjuist maakt. Deze studie pakt deze beperkingen aan door de entropieformule te corrigeren en een uitgebreid inferentiekader te ontwikkelen voor zowel Maximum Likelihood-schatting (MLE) als Bayesiaanse schatting onder het APHC-T2-schema.

Methodologie
De studie hanteert een duaal kader van frequentistische en Bayesiaanse inferentie:

1. Theoretische Correctie en Afleiding:

   • De auteurs corrigeren eerst de tekenfout in de analytische expressie van de Shannon-entropie voor de TWD.
   • Zij leiden de gezamenlijke likelihoodfunctie af voor de TWD-parameters ($a, b, \lambda$) op basis van APHC-T2 steekproeven, waarbij het censureringsschema zich aanpast als de $m$-de uitval plaatsvindt na een vooraf toegewezen tijd $T$.
   • Het bestaan en de uniciteit van de Maximum Likelihood-schatters (MLE's) worden bewezen door de monotoniciteit en de randgedraging van de log-likelihood-afgeleiden te analyseren.

2. Frequentistische Inferentie:

   • Puntschatting: MLE's voor parameters en entropie worden verkregen met behulp van het Newton-Raphson algoritme.
   • Intervalschatting: Asymptotische betrouwbaarheidsintervallen (ACI) worden geconstrueerd met behulp van de Delta-methode en de geobserveerde Fisher-informatie-matrix. Daarnaast worden Bootstrap-betrouwbaarheidsintervallen ontwikkeld om potentiële onnauwkeurigheden van ACI aan te pakken bij kleine steekproefgroottes of zware censurering.

3. Bayesiaanse Inferentie:

   • Priors: Onafhankelijke Gamma-priors worden toegewezen aan de vormparameter ($a$) en de schaalparameter ($b$), terwijl een Uniforme prior wordt toegewezen aan de transmutatieparameter ($\lambda$).
   • Verliesfuncties: Schatters worden afgeleid onder Squared Error Loss (SEL) en LINEX Loss (LL) functies.
   • Computatie: Vanwege de niet-conjunctieve aard van de priors en de complexe posterieure verdeling, wordt een hybride Gibbs–Metropolis–Hastings (M-H) Markov Chain Monte Carlo (MCMC) algoritme geïmplementeerd. Dit maakt het mogelijk om parameters in een logaritmische ruimte te samplen om positiviteit te waarborgen en om normale voorstellen te gebruiken voor de transmutatieparameter.
   • Intervallen: Highest Posterior Density (HPD) geloofwaardigheidsintervallen worden geconstrueerd uit de MCMC-steekproeven.

4. Validatie:

   • Simulatie: Een Monte Carlo-simulatiestudie evalueert de prestaties van de schatters over verschillende steekproefgroottes ($n$), aantallen uitvallen ($m$) en censureringsschema's (A, B, C). De prestaties worden gemeten via Bias, Mean Squared Error (MSE) en Coverage Probability (CP).
   • Reële Data: De methoden worden toegepast op een dataset van remissie-tijden bij blaaskanker om de praktische toepasbaarheid aan te tonen.

Kernbijdragen

• Correctie van de Entropieformule: Het artikel corrigeert een fundamentele tekenfout in de analytische expressie van de Shannon-entropie voor de TWD, wat een wiskundig correct fundament biedt voor toekomstige entropiestudies.
• Omvattend Inferentiekader: Het vestigt een statistisch inferentiekader voor de TWD-entropie onder het APHC-T2 censureringsschema, dat zowel MLE- als Bayesiaanse benaderingen omvat.
• Algoritmische Implementatie: De ontwikkeling van een hybride Gibbs–Metropolis–Hastings MCMC-algoritme dat specifiek is afgestemd op de niet-standaard posterieure verdelingen van de TWD-parameters.
• Vergelijkende Analyse: De studie biedt een rigoureuze vergelijking van schattingsmethoden, waarbij wordt aangetoond dat Bayesiaanse schatters over het algemeen beter presteren dan MLE's wat betreft Bias en MSE, met name in scenario's met kleine steekproefgroottes of hoge proporties censurering.

Resultaten

• Puntschatting: Simulatie-resultaten wijzen uit dat Bayesiaanse schatters (onder zowel SEL als LL) consistent lagere Bias en MSE opleveren vergeleken met MLE's. De Bayesiaanse schatter onder SEL vertoont doorgaans de kleinste bias, terwijl de LL-schatter vaak een lagere MSE bereikt.
• Intervalschatting:
  • De HPD-geloofwaardigheidsintervallen bieden over het algemeen dekking waarschijnlijkheden die het dichtst bij het nominale niveau (95%) liggen. Echter, in tegenstelling tot de claim dat ze universeel korter zijn, geven de simulatie-resultaten (Tabel 3) aan dat HPD-intervallen in bepaalde gevallen (bijv. Schema A, n=8, m=8) breder kunnen zijn dan Bootstrap-intervallen.
  • Bootstrap-intervallen vertonen een superieure dekking prestatie over ACI, vooral in scenario's met kleine steekproeven waar de ACI-dekking waarschijnlijkheden de neiging hebben onder het nominale niveau te vallen.
  • Naarmate de steekproefgrootte ($n$) en het aantal geobserveerde uitvallen ($m$) toenemen, nemen de MSE en de intervallengtes voor alle methoden af, wat de asymptotische consistentie bevestigt.
• Toepassing op Reële Data: De toepassing op de remissie-data van blaaskanker bevestigt de flexibiliteit van het TWD-model. De geschatte entropiewaarden en geloofwaardigheidsintervallen variëren licht tussen verschillende censureringsschema's, maar de Bayesiaanse benadering biedt stabiele en robuuste schattingen.

Betekenis en Claims
Het artikel claimt dat het voorgestelde Bayesiaanse inferentiekader een robuust en effectief alternatief biedt voor klassieke MLE voor het schatten van de Shannon-entropie van de TWD onder adaptieve progressieve censurering. De auteurs benadrukken dat hoewel MLE's geldig zijn, Bayesiaanse methoden bijzonder voordelig zijn wanneer gegevens schaars of zwaar gecensureerd zijn, omdat ze verbeterde nauwkeurigheid en stabiliteit bieden. De correctie van de entropieformule wordt gepresenteerd als een noodzakelijke theoretische basis om de geldigheid van daaropvolgende statistische inferenties te waarborgen. De studie concludeert dat de hybride Gibbs–Metropolis–Hastings MCMC-benadering een levensvatbaar en efficiënt instrument is voor het afhandelen van de complexe posterieure verdelingen die inherent zijn aan het TWD-model, waardoor het geschikt is voor praktische betrouwbaarheids- en overlevingsanalyse-toepassingen.