Nowa rodzina rozkładów alpha power-G wykorzystująca funkcję cosinus z zastosowaniami i modelowaniem regresyjnym

Dlaczego nowe krzywe lepiej opowiadają historie danych

Od tego, jak długo świeci żarówka, po to, jak długo pacjent przeżywa po leczeniu — wiele pytań praktycznych sprowadza się do „jak długo, zanim coś się stanie?”. Statystycy opisują takie wzorce przy pomocy matematycznych krzywych zwanych rozkładami prawdopodobieństwa. Klasyczne krzywe często jednak mają trudności z dopasowaniem się do złożonych, „brudnych” danych, zwłaszcza gdy ryzyko awarii rośnie, maleje lub zmienia się w nieoczekiwany sposób. W artykule przedstawiono nową rodzinę rozkładów zaprojektowaną tak, by naturalniej dopasowywać się do takich skomplikowanych wzorców, bez dodawania nadmiernej liczby parametrów czy zbędnej złożoności.

Budowanie mądrzejszej krzywej z rozpoznawalnych elementów

Autorzy łączą dwie istniejące idee, aby stworzyć bardziej elastyczną rodzinę rozkładów. Pierwszy składnik, zwany transformacją alpha power, pozwala statystykowi regulować asymetrię rozkładu oraz „ciężkość” ogonów — czyli to, jak często występują bardzo duże lub bardzo małe wartości. Drugim składnikiem jest transformacja cosinusowa, gładka, falowa funkcja, która może przekształcić krzywą bez wprowadzania nowych parametrów. Poprzez przepuszczenie standardowego rozkładu „bazowego” przez te dwa kroki tworzą to, co nazywają rodziną cosine alpha power-generated (CAP-G). Ramy te można zastosować do wielu dobrze znanych rozkładów, aby otrzymać nowe, lepiej dopasowujące się do skomplikowanych danych wersje.

Wszechstronny koni roboczy dla czasów życia i oczekiwania

Aby zilustrować zalety podejścia, autorzy skupiają się na jednym szczególnym przedstawicielu tej rodziny, zbudowanym na bazie powszechnie stosowanego rozkładu Weibulla. Nazywają go modelem cosine alpha power-Weibull (CAP-W). Rozkład Weibulla jest już popularny w inżynierii i medycynie, ponieważ potrafi oddać ryzyko rosnące, malejące lub stałe w czasie. CAP-W zachowuje te zalety, a jednocześnie zyskuje jeszcze większą elastyczność: jego kształty mogą być symetryczne lub silnie skośne, płynnie malejące lub ostro spiczaste, i potrafi odtworzyć bogaty wachlarz wzorców hazardu (ryzyka), w tym ryzyko stale rosnące, stale malejące, „w kształcie litery J” (opadające, a potem rosnące) oraz „odwróconą wannę” (rosnące, a następnie łagodniejące). Wszystkim tym steruje głównie pojedynczy parametr transformacji wraz ze standardowymi parametrami Weibulla.

Zajrzeć pod maskę, nie tracąc praktycznego charakteru

W tle autorzy wyprowadzają główne własności matematyczne krzywej CAP-W. Otrzymują wzory na kwantyle (wartości takie jak mediana czy istotne percentyle), momenty (opisujące średnie i rozrzut), oraz miary zachowania ogonów i niepewności. Pokazują także, jak obliczać statystyki porządkowe, istotne przy analizie najmniejszych lub największych obserwacji w próbie. Aby estymować parametry modelu z danych, porównują cztery standardowe techniki: estymację największą wiarygodności (MLE), zwykłe metody najmniejszych kwadratów (OLS), ważone najmniejsze kwadraty (WLS) oraz metodę minimalnej odległości zwaną Cramér–von Mises. W rozległych symulacjach komputerowych stwierdzają, że wszystkie cztery metody stają się dokładniejsze wraz ze wzrostem rozmiaru próby, przy czym MLE i OLS zazwyczaj wypadają najlepiej.

Sprawdzenie nowego modelu w praktyce

Aby zweryfikować użyteczność CAP-W, autorzy dopasowali go do czterech bardzo różnych rzeczywistych zestawów danych: czasu oczekiwania klientów w banku, czasu napraw sprzętu komunikacyjnego, czasów przeżycia pacjentów z nowotworem głowy i szyi oraz awarii systemów klimatyzacji w samolotach. W każdym przypadku porównali CAP-W z kilkoma konkurencyjnymi modelami uznawanymi za elastyczne. Korzystając z powszechnie stosowanych miar dopasowania, CAP-W konsekwentnie wypadał najlepiej lub bardzo blisko najlepszych wyników, a wykresy diagnostyczne pokazywały, że jego krzywe szczególnie wiernie śledzą obserwowane dane zarówno w środku rozkładu, jak i w ogonach.

Od rozkładów do pełnych modeli regresyjnych

Autorzy idą dalej, osadzając nową krzywą w ramy regresyjne. Poprzez zastosowanie transformacji logarytmicznej czasu życia i przekształcenie parametrów konstruują model regresji log CAP-W (LCAP-W). Umożliwia to powiązanie czasu przeżycia z cechami pacjenta w duchu znanych modeli przetrwania, ale z dodatkową elastycznością kształtu CAP-W. Zastosowany do klasycznego zbioru danych z białaczką, model LCAP-W dopasowuje się zauważalnie lepiej niż kilka zaawansowanych modeli konkurencyjnych, a jednocześnie wspiera standardowe narzędzia diagnostyczne, takie jak wykresy reszt, służące do sprawdzania obserwacji odstających i adekwatności modelu.

Co to oznacza dla analizy danych w praktyce

Dla osoby niebędącej specjalistą wniosek jest taki, że praca dostarcza nową, bardziej przystosowawczą rodzinę krzywych do opisu danych typu time-to-event — jak długo do awarii maszyny, odejścia klienta czy niepowodzenia terapii. Ponieważ metoda korzysta z dobrze rozumianych elementów budulcowych i nie polega na dodawaniu wielu parametrów, oferuje zarówno elastyczność, jak i interpretowalność. Model CAP-W w szczególności potrafi odwzorować szeroki zakres wzorców ryzyka, które standardowe modele mogą przeoczyć, a jego wersja regresyjna może łączyć te wzorce z istotnymi predyktorami. Wraz z bogacieniem i zwiększaniem złożoności danych, takie elastyczne kształtowo, a zarazem przystępne narzędzia mogą dostarczać jaśniejszych i bardziej wiarygodnych wniosków na temat tego, jak i kiedy zdarzenia zachodzą.

Cytowanie: 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

Słowa kluczowe: modelowanie czasu życia, rozkład Weibulla, analiza przeżycia, modele regresji, rozkłady prawdopodobieństwa