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

技术摘要：Fréchet 与 Weibull 分布的凸组合

问题陈述
在水文学、可靠性工程和极值分析等领域，现实世界的数据往往表现出异质性的尾部行为，即极端事件与常规事件并存。使用单一参数分布来捕捉这种变异性，往往会导致模型拟合效果不佳以及推断误导。虽然 Fréchet 分布能有效模拟重尾现象（例如稀有且高影响的事件），而 Weibull 分布对于轻尾数据和变化的风险率具有多功能性，但两者都无法单独充分代表复杂异质群体中所发现的完整尾部行为谱系。

方法论
本文提出了一种由 Fréchet 和 Weibull 概率密度函数通过凸组合构成的两成分有限混合模型。该模型定义为：
$$f(x) = w f_{Fr}(x; \alpha, s, m) + (1-w) f_{Weib}(x; \lambda, k)$$
其中 $w \in [0, 1]$ 是混合比例，参数分别代表各自成分的形状参数 ($\alpha, k$)、尺度参数 ($s, \lambda$) 和位置参数 ($m$)。

为了估计参数向量 $\theta = (w, \alpha, s, m, \lambda, k)$，作者开发了一种利用期望最大化（EM）算法的最大似然估计（MLE）程序。该方法包括：

1. E步（Expectation step）： 计算观测值属于 Fréchet 成分的后验概率（分数权重）。
2. M步（Maximization step）： 迭代更新参数。混合权重 $w$ 通过后验概率的闭式平均值进行更新。Weibull 尺度 $\lambda$ 和 Fréchet 尺度 $s$ 在给定形状参数的情况下，通过闭式加权 MLE 进行更新。形状参数 ($k, \alpha$) 和 Fréchet 位置参数 $m$ 则通过一维数值优化（如 Newton–Raphson 法）进行更新。为了确保位置参数 $m$ 的数值稳定性，采用了重参数化方法 ($m = \min(x_i) - e^t$)。

虽然文中提到了矩估计法（MME）和最小二乘估计法（LSE）作为替代方案，但主要的研究重点和实现细节都集中在基于 EM 算法的 MLE 上。

核心贡献

• 模型构建： 引入了一个灵活的参数框架，该框架在重尾（Fréchet）和轻至中度重尾（Weibull）机制之间进行插值，能够对异质数据的多峰性和偏斜性进行建模。
• 估计程序： 开发了一种鲁棒的 EM 算法，该算法将闭式更新与低维数值优化相结合，解决了诸如 Fréchet 位置参数无约束优化等特定挑战。
• 数值稳定性： 实施了确保收敛性和稳定性的策略，包括特定的重参数化和基于对数似然变化的收敛准则。

结果

• 模拟研究： 进行了一项包含 1,000 次重复实验且样本量为 $n=200$ 的全面模拟研究。结果表明，所提出的估计量对所有参数（$w, \alpha, s, m, \lambda, k$）均具有较小的偏差和较低的均方根误差（RMSE），表明其具有令人满意的有限样本性能。
• 实际数据应用： 该模型被应用于一个包含 365 天每日最大风速的数据集。拟合模型为 Fréchet 成分分配了约 36% 的权重，为 Weibull 成分分配了 64% 的权重。估计的参数（$\alpha \approx 2.15, k \approx 1.47$）成功捕捉到了重尾极端情况和分布的中度主体。该模型的赤池信息准则（AIC）为 512.4，表明与单成分替代模型相比，它在拟合优度与模型复杂度之间取得了良好的权衡。

意义与主张
本文声称，所提出的混合模型为分析具有异质尾部结构的复杂数据集提供了一种易于处理且灵活的方法。它弥补了极值建模与轻尾分布分析之间的鸿沟。作者断言，该模型在灾难性事件（由 Fréchet 建模）与常规变化（由 Weibull 建模）并存的应用场景中（如水文学、金融学和环境科学）特别具有价值。研究结论指出，基于 EM 的估计程序对于实际应用是有效的，能够为模拟数据和现实世界观测值提供鲁棒的拟合。

注：论文明确指出，不存在任何竞争利益，且未接受任何外部资金资助。