A novel approach to generate distributions with applications to regression modeling

技术摘要：一种生成分布的新方法及其在回归建模中的应用

问题陈述
本文探讨了对更具适应性的概率分布的需求，以模拟复杂的现实世界现象，特别是正连续数据。虽然存在许多生成新分布族的方法（例如指数化、偏斜化、加权版本和变换技术），但作者发现，在提供关于尾部行为的清晰、明确参数解释方面，现有方法仍存在空白。此外，标准的回归模型通常根据均值对分布进行参数化，这对于非对称数据而言，其鲁棒性或可解释性可能较低。作者旨在开发一种灵活的生成器，在保持基准结构的同时调节尾部厚度，并利用该方法进行以中位数进行参数化的回归建模。

研究方法
核心贡献是提出了 Dutta 变换-G (DT-G) 分布族。这是通过对任意基准累积分布函数 (CDF) $G(x)$ 应用变换方法实现的。

1. DT-G 生成器：
   对于具有概率密度函数 (PDF) $g(x)$ 的基准 CDF $G(x)$，新的 CDF $F(x)$ 和 PDF $f(x)$ 定义为：
   $$F(x) = G(x)e^{-\bar{G}(x)^\beta}$$
   $$f(x) = g(x) \left[ 1 + \beta G(x) \bar{G}(x)^{\beta-1} \right] e^{-\bar{G}(x)^\beta}$$
   其中 $\bar{G}(x) = 1 - G(x)$，且 $\beta > 0$ 是新增的形状参数。

2. 尾部行为分析：
   一个关键的方法论特征是对生存函数 $S(x)$ 进行渐近分析。作者证明了参数 $\beta$ 起到了尾部调节参数的作用：

   • 如果 $\beta > 1$，变换后的分布与基准分布具有等效尾部。
   • 如果 $\beta = 1$，生存函数在渐近意义上是基准分布的两倍。
   • 如果 $0 < \beta < 1$，变换后的分布比基准分布具有更厚的尾部。

3. 结构属性：
   论文推导了若干数学性质，包括：

   • 临界点与单峰性： 分布为单峰分布的条件。
   • 随机表示： 将随机变量 $X$ 表示为 $G^{-1}(Y)$，其中 $Y$ 服从由 Weibull 变量导出的特定分布，这有助于模拟。
   • 可识别性： 证明了如果基准族是可识别的，则参数向量 $(\beta, \varrho)$ 也是可识别的。
   • 矩： 提供了矩和截断矩的公式，并指出对于指数分布等特定基准，通常需要数值积分。

4. 回归框架：
   开发了两个特定的子模型：Dutta 变换指数分布 (DTED) 和 Dutta 变换 Weibull 分布 (DTWD)。

   • 重参数化： 为了增强可解释性，作者对这些分布进行了重参数化，使得其中一个参数代表中位数 ($\mu$)。这涉及将 $\beta$ 用中位数表示并代回 CDF/PDF 中。
   • GAMLSS 实现： 这些回归模型在广义加性模型用于位置、尺度和形状 (GAMLSS) 框架内实现。位置参数（中位数）和形状/尺度参数通过连接函数（通常是对数函数）作为协变量的函数进行建模。
   • 推断： 使用 R 中的 gamlss 包通过极大似然估计 (MLE) 进行参数估计。模型诊断利用分位数残差、蠕虫图 (worm plots) 和 Q-Q 箱线图。模型选择基于 AIC 和 BIC。

主要贡献与结果

• 新分布族： DT-G 族提供了一种简单的机制来生成具有灵活尾部行为的分布，且不会改变基准模型的根本结构。
• 基于中位数的回归： 本文引入了 RDTED 和 RDTWD 回归模型，其中响应变量的中位数被显式建模。这为处理非对称数据提供了对异常值更具鲁棒性和直接解释性的替代方案。
• 实证应用： 模型应用于一组包含 385 个俄罗斯小叶旱李树 (Tilia cordata) 叶片生物量测量值的数据集，协变量包括树龄和来源（萌生、天然、人工种植）。
  • 模型比较： 将提出的 RDTED 和 RDTWD 模型与 Gamma、逆高斯 (Inverse Gaussian)、Weibull 和对数正态 (Log-normal) 回归模型进行了比较。
  • 性能： 根据 AIC 和 BIC，RDTED 和 RDTWD 模型提供了最佳拟合。
  • 诊断： 分位数残差分析（蠕虫图和 Q-Q 箱线图）显示，与显示出系统性偏差的逆高斯和对数正态模型相比，RDTED 和 RDTWD 模型表现出更好的行为（点靠近中心线，位于置信带内）。
  • 双重回归： 在将形状参数 ($\sigma$) 建模为年龄的函数时，采用双重回归（同时对中位数和形状进行建模）的 RDTWD 模型提供了最佳拟合，其中形状参数 $\nu$ 在统计上是显著的 ($p=0.038$)。

意义与主张
作者声称 DT-G 族提供了一种“多功能机制”，用于构建易于实现和解释的新分布。其主要意义在于 $\beta$ 参数对于尾部厚度的显式解释，这一特征在许多其他生成的分布族中往往由于过度依赖特定基准而缺乏明确性。

在回归背景下，本文强调了基于中位数的参数化在处理正连续数据方面的效用，认为对于非对称分布，它提供了比基于均值的模型更具鲁棒性和可解释性的替代方案。对叶片生物量数据的应用表明，所提模型与文献中标准的回归模型相比具有竞争力，并且通常优于后者，为处理异质性数据提供了一个灵活的选择。

论文以谦逊的态度结尾，指出虽然目前的工作建立了 DT 方法的理论基础和实际用途，但未来的研究可以探索其他基准分布、多元扩展、删失数据应用以及更复杂的回归结构。所有计算程序均通过开放获取库提供，以促进可重复性。