Uygulamalar ve regresyon modellemesiyle kosinüs fonksiyonu kullanan yeni bir alfa güç-G ailesi

Neden yeni eğriler veriye dair daha iyi hikâyeler anlatabilir

Bir ampulün ne kadar süreyle ışık verdiğinden bir hastanın tedavi sonrası ne kadar süre yaşadığına kadar, gerçek dünya sorunlarının birçoğu “bir şey ne kadar süre sonra olur?” sorusuna indirgenir. İstatistikçiler bu desenleri olasılık dağılımları adı verilen matematiksel eğrilerle tanımlar. Ancak klasik eğriler, özellikle hata riski beklenmedik biçimlerde artıp azaldığında veya büküldüğünde, karmaşık gerçek verileri izlemekte zorlanır. Bu makale, fazla parametre ya da karmaşıklık eklemeden bu tür karmaşık desenlerle daha doğal şekilde uyum sağlayacak yeni bir dağılım ailesi sunar.

Tanıdık parçalarla daha akıllı bir eğri inşa etmek

Yazarlar, daha esnek bir dağılım ailesi oluşturmak için iki mevcut fikri birleştirir. Birinci bileşen olan alfa güç dönüşümü, bir istatistikçinin bir eğrinin asimetrisini ve kuyruklarının ağırlığını—yani çok büyük veya çok küçük değerlerin ne sıklıkla ortaya çıktığını—ayarlamasına imkân verir. İkinci bileşen ise yeni parametre eklemeden bir eğriyi yeniden şekillendirebilen, dalga benzeri yumuşak bir fonksiyon olan kosinüs dönüşümüdür. Standart bir “temel” dağılımı bu iki adımdan geçirerek, yazarlar kosinüs alfa güç üretgen (CAP-G) ailesi adını verdikleri yapıyı oluşturur. Bu çerçeve, birçok bilinen dağılıma uygulanarak karmaşık verilere daha iyi uyan yeni dağılımlar üretebilir.

Yaşam süreleri ve bekleme zamanları için çok yönlü bir iş gören

Yöntemlerinin gücünü göstermek için yazarlar, yaygın kullanılan Weibull dağılımından türetilmiş aile üyelerinden birine odaklanır. Bunu kosinüs alfa güç-Weibull (CAP-W) modeli olarak adlandırırlar. Weibull eğrisi, zaman içinde artan, azalan veya sabit riskleri yakalayabilmesi nedeniyle mühendislik ve tıpta zaten popülerdir. CAP-W bu güçlü yönleri korur ancak daha fazla esneklik kazanır: şekilleri simetrik ya da güçlü şekilde çarpık olabilir, yumuşakça azalan veya keskin tepe yapılı olabilir ve sürekli yükselen risk, sürekli düşen risk, önce düşüp sonra yükselen J-şeklinde risk ve yükselip sonra azalan “ters küvet” gibi zengin hazard (tehlike) desenlerini yeniden üretebilir. Tüm bunlar, esas olarak tek bir dönüşüm parametresi ile ve olağan Weibull ayarlarıyla kontrol edilir.

Pratik odak kaybolmadan kapağın altına bakmak

Sahne arkasında yazarlar CAP-W eğrisinin temel matematiksel özelliklerini ayrıntılı olarak çıkarır. Kuartiller ve anahtar yüzdelikler gibi kantil (nicel) değerleri, ortalama ve değişkenliği tanımlayan momentleri ve kuyruk davranışı ile belirsizlik ölçülerine ilişkin formüller türetirler. Ayrıca bir örnekteki en küçük veya en büyük değerlere bakarken önemli olan sıra istatistiklerini nasıl hesaplayacaklarını gösterirler. Modelin parametrelerini veriden tahmin etmek için maksimum benzerlik, sıradan en küçük kareler, ağırlıklı en küçük kareler ve Cramér–von Mises adı verilen bir minimum-mesafe yöntemi olmak üzere dört standart tekniği karşılaştırırlar. Geniş kapsamlı bilgisayar simülasyonları yoluyla, bu dört yöntemin de örneklem büyüdükçe daha doğru hale geldiğini ve genel olarak maksimum benzerlik ile sıradan en küçük karelerin en iyi performansı sergilediğini bulurlar.

Yeni modeli teste sokmak

CAP-W’nin pratik yararını sınamak için yazarlar dört oldukça farklı gerçek veri kümesine uygular: bir bankadaki müşteri bekleme süreleri, iletişim ekipmanı onarım süreleri, baş ve boyun kanseri hastalarının sağkalım süreleri ve uçak klima sistemlerindeki arızalar. Her durumda CAP-W’yi zaten esnek kabul edilen çeşitli rekabetçi modellerle karşılaştırırlar. Yaygın uyum ölçütlerini kullanarak CAP-W tutarlı şekilde en iyi veya çok yakın ikinci çıkar; grafiksel kontroller de eğrilerinin dağılımın hem gövde bölümünü hem de kuyruklarını gözlemlenen veriye özellikle yakın takip ettiğini gösterir.

Dağılımlardan tam regresyon modellerine

Yazarlar ardından yeni eğrilerini regresyon çerçevesine yerleştirerek bir adım daha atar. Yaşam süresine logaritmik dönüşüm uygulayıp parametreleri yeniden ifade ederek log CAP-W (LCAP-W) regresyon modelini kurarlar. Bu, sağkalım zamanını tanıdık sağkalım modelleriyle aynı ruhla hasta özelliklerine bağlamaya imkân verir, ancak CAP-W şeklinin ekstra esnekliğini de sunar. Klasik bir lösemi veri kümesine uygulandığında, LCAP-W regresyonu birkaç gelişmiş rakip modele kıyasla belirgin biçimde daha iyi uyum sağlar ve uç değerleri ve model uygunluğunu kontrol etmek için kalan grafikleri gibi standart tanı araçlarını desteklemeye devam eder.

Gerçek dünya veri analizinde bunun anlamı

Uzman olmayanlar için çıkarılacak nokta şudur: Bu çalışma, bir makinenin ne zaman bozulacağı, bir müşterinin ne zaman ayrılacağı veya bir tedavinin ne zaman başarısız olacağı gibi zaman‑olay verilerini tanımlamak için yeni, daha uyumlu bir eğri ailesi sağlar. Yöntem iyi anlaşılan yapı taşlarını yeniden kullandığından ve parametre yığılmasına dayanmadığından hem esneklik hem de yorumlanabilirlik sunar. Özellikle CAP-W modeli, standart modellerin kaçırabileceği çok çeşitli risk desenlerini yakalayabilir ve onun regresyon versiyonu bu desenleri anlamlı değişkenlere bağlayabilir. Veriler zenginleştikçe ve daha karmaşık hale geldikçe, biçim‑esnek ama yönetilebilir bu tür araçlar olayların nasıl ve ne zaman gerçekleştiğine dair daha net, daha güvenilir içgörüler sağlayabilir.

Atıf: 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

Anahtar kelimeler: yaşam süresi modelleme, Weibull dağılımı, sağkalım analizi, regresyon modelleri, olasılık dağılımları