Une nouvelle famille alpha power-G utilisant la fonction cosinus avec applications et modélisation en régression

Pourquoi de nouvelles courbes racontent mieux les données

Qu’il s’agisse de la durée de vie d’une ampoule ou du temps de survie d’un patient après un traitement, beaucoup de questions concrètes se résument à « combien de temps avant que quelque chose se produise ? ». Les statisticiens décrivent ces phénomènes par des courbes mathématiques appelées distributions de probabilité. Mais les courbes classiques peinent souvent à suivre des données réelles désordonnées, surtout lorsque les risques de défaillance augmentent, diminuent ou varient de façon inattendue. Cet article présente une nouvelle famille de distributions conçue pour s’adapter plus naturellement à de tels schémas complexes, sans ajouter de paramètres ou de complexité superflus.

Construire une courbe plus intelligente à partir d’éléments familiers

Les auteurs combinent deux idées existantes pour former une famille de distributions plus flexible. Le premier ingrédient, appelé transformation alpha power, permet à un statisticien d’ajuster l’asymétrie d’une courbe et la lourdeur de ses queues — c’est‑à‑dire la fréquence des valeurs très grandes ou très petites. Le second ingrédient est une transformation cosinus, une fonction ondulante et lisse qui peut remodeler une courbe sans ajouter de nouveaux paramètres. En faisant passer une distribution « de base » standard par ces deux étapes, ils créent ce qu’ils appellent la famille cosine alpha power-generated (CAP-G). Ce cadre peut être appliqué à de nombreuses distributions bien connues pour produire de nouvelles formes mieux adaptées à des données compliquées.

Un cheval de bataille polyvalent pour durées de vie et temps d’attente

Pour démontrer l’efficacité de leur approche, les auteurs se concentrent sur un membre particulier de cette famille, construit à partir de la distribution de Weibull largement utilisée. Ils l’appellent le modèle cosine alpha power‑Weibull (CAP‑W). La courbe de Weibull est déjà prisée en ingénierie et en médecine car elle peut capturer un risque croissant, décroissant ou constant au fil du temps. CAP‑W conserve ces atouts tout en gagnant encore en souplesse : ses formes peuvent être symétriques ou fortement biaisées, décroissantes en douceur ou fortement crêtées, et elle peut reproduire une grande variété de schémas de risque, y compris un risque qui augmente régulièrement, diminue régulièrement, en « J » (qui baisse puis remonte), ou en « baignoire inversée » (qui monte puis s’adoucit). Tout cela est contrôlé principalement par un seul paramètre de transformation en plus des paramètres habituels de Weibull.

Regarder sous le capot sans perdre de vue l’aspect pratique

Dans les détails, les auteurs développent les principales caractéristiques mathématiques de la courbe CAP‑W. Ils établissent des formules pour ses quantiles (valeurs telles que la médiane ou certains percentiles), ses moments (qui décrivent moyennes et variabilité), ainsi que des mesures du comportement des queues et de l’incertitude. Ils montrent aussi comment calculer les statistiques d’ordre, importantes pour examiner les plus petites ou les plus grandes valeurs d’un échantillon. Pour estimer les paramètres du modèle à partir des données, ils comparent quatre techniques standard : le maximum de vraisemblance, les moindres carrés ordinaires, les moindres carrés pondérés et une méthode de distance minimale appelée Cramér–von Mises. Par de nombreuses simulations numériques, ils constatent que ces quatre méthodes deviennent plus précises à mesure que la taille de l’échantillon augmente, le maximum de vraisemblance et les moindres carrés ordinaires étant généralement les plus performants.

Mettre le nouveau modèle à l’épreuve

Pour vérifier l’utilité pratique de CAP‑W, les auteurs l’ajustent à quatre jeux de données réels très différents : temps d’attente des clients dans une banque, temps de réparation d’équipements de communication, temps de survie de patients atteints de cancers de la tête et du cou, et pannes dans les systèmes de climatisation d’avions. Dans chaque cas, ils comparent CAP‑W à plusieurs modèles concurrents déjà réputés flexibles. À l’aide de mesures courantes d’adéquation, CAP‑W arrive systématiquement en tête ou s’en rapproche beaucoup, et des contrôles graphiques montrent que ses courbes suivent de près les données observées, tant dans le cœur de la distribution que dans les queues.

Des distributions aux modèles de régression complets

Les auteurs vont ensuite plus loin en intégrant leur nouvelle courbe dans un cadre de régression. En appliquant une transformation logarithmique à la durée de vie et en réexprimant les paramètres, ils construisent un modèle de régression log CAP‑W (LCAP‑W). Cela permet de relier le temps de survie aux caractéristiques des patients dans le même esprit que les modèles de survie familiers, mais avec la flexibilité supplémentaire de la forme CAP‑W. Appliqué à un jeu de données classique sur la leucémie, le modèle LCAP‑W s’ajuste nettement mieux que plusieurs modèles rivaux avancés, tout en conservant les outils diagnostics habituels, tels que les graphiques de résidus pour vérifier la présence de valeurs aberrantes et l’adéquation du modèle.

Ce que cela signifie pour l’analyse de données réelles

Pour un non‑spécialiste, l’essentiel est que ce travail fournit une nouvelle famille de courbes plus adaptable pour décrire les données de type temps‑jusqu’à‑événement — combien de temps avant qu’une machine tombe en panne, qu’un client parte ou qu’un traitement cesse d’être efficace. Parce que la méthode réutilise des composants bien connus et n’exige pas l’empilement de paramètres, elle offre à la fois flexibilité et interprétabilité. Le modèle CAP‑W en particulier peut reproduire un large éventail de schémas de risque que les modèles standard peuvent manquer, et sa version en régression peut relier ces schémas à des variables explicatives pertinentes. À mesure que les données deviennent plus riches et plus complexes, de tels outils flexibles dans la forme mais maîtrisables peuvent fournir des éclairages plus clairs et plus fiables sur la façon et le moment où les événements se produisent.

Citation: Alghamdi, A.S., ALoufi, S.F. A new family of alpha power-G using cosine function with applications and regression modeling. Sci Rep 16, 6617 (2026). https://doi.org/10.1038/s41598-026-36324-5

Mots-clés: modélisation de la durée de vie, distribution de Weibull, analyse de survie, modèles de régression, distributions de probabilité