Statistical Inference for the Entropy of the Transmuted Weibull Distribution under Adaptive Progressive Type-II Censored Samples
本文纠正了转换 Weibull 分布中香农熵公式的一个符号错误，并针对自适应渐进 II 型截断样本，开发了用于估计其参数及熵的全面频率派和贝叶斯推断方法，通过模拟和真实数据证明，贝叶斯方法通常优于极大似然估计，尤其是在样本量较小或截断严重的样本集情况下。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在可靠性工程和医学生存分析领域，科学家们经常面临一个艰难的现实：他们无法等待一组对象中的每一个都发生失效。无论是测试新电池的使用寿命，还是追踪患者在接受治疗后保持缓解状态的时间，等待最后一次失效可能需要耗费数年时间或造成巨额成本。相反，研究人员使用一种称为“删失”（censoring）的策略。他们在经过特定时间或发生特定数量的失效后停止实验，在承认仍有部分受试者存活的同时，记录下已掌握的信息。为了理解这些不完整的记录，统计学家依赖于描述失效随时间发生过程的数学模型。其中最灵活的工具之一是威布尔（Weibull）分布，这种公式可以模拟许多不同的磨损模式。然而，现实世界的数据通常是杂乱无章的，表现出标准威布尔模型无法捕捉的复杂行为。为了解决这个问题，研究人员开发了一个升级版本，称为传递威布尔（Transmuted Weibull）分布，它增加了一个特殊的参数来弯曲曲线，从而拟合更复杂的数据。
该领域的一个关键度量是熵（entropy），这是一个借鉴自信息论的概念，用于量化系统中不确定性或不可预测性的程度。在生存数据的背景下，熵告诉研究人员他们对受试者剩余寿命的了解程度；高熵意味着未来非常不确定，而低熵则意味着结果更具可预测性。准确计算这一数值对于做出可靠预测至关重要，但在数据不完整时，其数学计算会变得异常艰险。来自集美大学和南昌交通学院的研究人员通过专注于一种被称为自适应渐进型 II 型混合删失（adaptive progressive Type-II hybrid censoring）的高级测试方法，解决了这一挑战。这种方法结合了两者的优点：它保证了观察到特定数量的失效以确保统计效能，同时也允许在达到设定的时间限制时提前结束实验，从而节省资源。研究人员旨在寻找在这些特定且复杂的条件下计算熵的最佳方式，纠正了之前的数学错误，并对比了两种主要的统计方法，以观察哪一种能提供最可靠的答案。
团队首先着手解决此前关于该特定分布中熵的数学公式中存在的一个细微但显著的错误。他们修正了解析表达式中的符号错误，确保了所有后续计算的基础是稳固的。持有正确的公式后，他们应用了两种不同的方法来估计熵：一种是被称为极大似然估计（Maximum Likelihood Estimation）的频率学派方法，它寻找使观测数据概率最大的单组参数；另一种是贝叶斯（Bayesian）方法，它将参数视为随机变量，并将观测数据与先验知识相结合，以创建一系列可能的取值范围。为了测试这些方法的表现，研究人员进行了数千次计算机模拟。他们生成了模仿现实场景的伪数据集，这些数据集具有不同的样本量和不同程度的删失，然后将结果与已知的真实值进行对比，以观察哪种方法更接近目标。
模拟结果显示了一个明确的赢家，尤其是在数据稀缺或被大量删失的情况下。贝叶斯方法始终优于传统的极大似然法，它产生的估计值更接近真实值，且不易产生巨大的误差。这种优势在小样本量或大部分数据被删失的情况下最为显著，而在这些条件下，传统方法往往难以应对偏差和不稳定问题。研究人员还观察了每种方法定义可能取值范围（即置信区间或信用区间）的能力。他们发现，贝叶斯方法（特别是使用一种称为最高后验密度区间的方法）提供了最有效的平衡，既能实现高精度地捕捉真实值，又不会产生不必要的宽泛范围。相比之下，传统方法的区间有时无法像预期那样频繁地覆盖真实值，尤其是在较小样本量的情况下。
为了证明这些发现可以在现实世界中站得住脚，团队将他们的方法应用于一个包含 128 名膀胱癌患者缓解时间的真实数据集。他们在该真实数据上模拟了不同的删失情景，实际上是在假定实验在不同时间点停止。结果反映了模拟的情况：贝叶斯估计在所有情景下都保持了稳健和可靠，而传统估计则表现出更多的变异性。研究得出结论，对于处理信息不完整的复杂寿命数据，贝叶斯方法提供了一条更优的路径。它提供了更准确的确定性图景，确保基于生存分析的决策——无论是工程安全还是医疗治疗——都是建立在更坚实的统计基础之上的。这项工作不仅纠正了一个长期的数学疏忽，还为处理定义了现代可靠性和生存科学如此之多的杂乱、不完整数据提供了实用的路线图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。