En ny familj av alfa power-G med cosinusfunktion med tillämpningar och regressionsmodellering

Varför nya kurvor kan berätta bättre databerättelser

Från hur länge en glödlampa håller till hur länge en patient överlever efter behandling — många verkliga frågor handlar om ”hur länge tills något händer?” Statistiker beskriver dessa mönster med matematiska kurvor kallade sannolikhetsfördelningar. Men de klassiska kurvorna har ofta svårt att följa rörig verklig data, särskilt när felrisker stiger, sjunker eller böjer sig på oväntade sätt. Denna artikel introducerar en ny familj av fördelningar utformade för att följa sådana komplexa mönster mer naturligt, utan att lägga på extra parametrar eller komplexitet.

Bygga en smartare kurva av bekanta delar

Författarna kombinerar två befintliga idéer för att forma en mer flexibel familj av fördelningar. Den första ingrediensen, kallad alfa-power-transformation, låter statistikern finjustera hur asymmetrisk en kurva är och hur tunga dess svansar är — det vill säga hur ofta mycket stora eller mycket små värden förekommer. Den andra ingrediensen är en cosinustransformation, en jämn vågformig funktion som kan omforma en kurva utan att lägga till nya parametrar. Genom att föra en standard ’baseline’-fördelning genom båda stegen skapar de det de kallar cosine alpha power-generated (CAP-G) familjen. Detta ramverk kan tillämpas på många välkända fördelningar för att producera nya som bättre matchar komplicerad data.

En mångsidig arbetsbete för livslängder och väntetider

För att visa styrkan i sitt angreppssätt koncentrerar sig författarna på en särskild medlem i denna familj, byggd från den allmänt använda Weibull-fördelningen. De kallar den cosine alpha power–Weibull (CAP-W) modellen. Weibull-kurvan är redan en favorit inom teknik och medicin eftersom den kan fånga ökande, minskande eller konstant risk över tiden. CAP-W behåller dessa styrkor men får ännu större flexibilitet: dess former kan vara symmetriska eller starkt snedfördelade, jämnt avtagande eller skarpt spetsiga, och den kan reproducera en rik variation av hazard-mönster, inklusive stadigt stigande risk, stadigt fallande risk, ”J-formad” risk som dippar och sedan klättrar, och ”uppochnedvänd badkar”-risk som stiger innan den avtar. Allt detta styrs huvudsakligen genom en enda transformationsparameter plus de vanliga Weibull-inställningarna.

Insikt utan att tappa praktiskt fokus

Bakhöjden arbetar författarna ut huvuddragen i CAP-W-kurvan. De härleder formler för dess kvantiler (värden som medianen eller viktiga percentiler), dess moment (som beskriver medelvärden och variabilitet), samt mått på svansbeteende och osäkerhet. De visar också hur man beräknar ordningsstatistik, vilket är viktigt när man granskar de minsta eller största värdena i ett stickprov. För att estimera modellens parametrar från data jämför de fyra standardmetoder: maximum likelihood, ordinär minsta kvadraters metod, viktad minsta kvadraters metod och en minimum-distansmetod kallad Cramér–von Mises. Genom omfattande computersimuleringar finner de att alla fyra metoder blir mer exakta när stickprovsstorlekarna ökar, med maximum likelihood och ordinär minsta kvadraters metod som i allmänhet presterar bäst.

Sätta den nya modellen på prov

För att kontrollera om CAP-W verkligen hjälper i praktiken passar författarna modellen till fyra mycket olika verkliga datamängder: väntetider för kunder i en bank, reparations­tider för kommunikationsutrustning, överlevnadstider för patienter med huvud- och halscancer samt fel i flygplans luftkonditioneringssystem. I varje fall jämför de CAP-W med flera konkurrerande modeller som redan anses flexibla. Med vanliga mått på god anpassning presterar CAP-W konsekvent bäst eller mycket nära bäst, och grafiska kontroller visar att dess kurvor följer observerade data särskilt tätt, både i fördelningens huvuddel och i svansarna.

Från fördelningar till fullständiga regressionsmodeller

Författarna tar därefter ett steg till genom att bädda in sin nya kurva i ett regressionsramverk. Genom att tillämpa en logaritmisk transformation på livslängden och omformulera parametrarna bygger de en log CAP-W (LCAP-W) regressionsmodell. Detta gör det möjligt att relatera överlevnadstid till patientegenskaper i samma anda som välkända överlevnadsmodeller, men med den extra flexibiliteten hos CAP-W-formen. Tillämpad på en klassisk leukemidatauppsättning passar LCAP-W-regressionen märkbart bättre än flera avancerade konkurrerande modeller, samtidigt som den stöder standarddiagnostiska verktyg som residualplottar för att kontrollera avvikare och modellens lämplighet.

Vad detta betyder för analys av verkliga data

För en icke-specialist är slutsatsen att detta arbete tillhandahåller en ny, mer anpassningsbar familj av kurvor för att beskriva time‑to‑event-data — hur länge tills en maskin går sönder, en kund lämnar eller en behandling misslyckas. Eftersom metoden återanvänder välförstådda byggstenar och inte förlitar sig på att stapla parametrar erbjuder den både flexibilitet och tolkbarhet. CAP-W-modellen i synnerhet kan matcha ett brett spektrum av riskmönster som standardmodeller kan missa, och dess regressionsversion kan koppla dessa mönster till meningsfulla prediktorer. Allt eftersom data blir rikare och mer komplexa kan sådana formflexibla men hanterbara verktyg ge klarare, mer tillförlitliga insikter om hur och när händelser inträffar.

Citering: 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

Nyckelord: livslängdsmodellering, Weibull-fördelning, överlevnadsanalys, regressionsmodeller, sannolikhetsfördelningar