DOI: https://doi.org/10.37905/jjom.v8i1.36518
تاريخ النشر: 2026-02-23
المؤلف: Muhammad Luthfi Setiarno Putera وآخرون
الموضوع الرئيسي: تقدير التوزيع الإحصائي وتطبيقاته
نظرة عامة
تستكشف هذه الدراسة تقدير المعلمات لتوزيع ويبل المعدل العام (GM Weibull) باستخدام طريقة تقدير الاحتمالية القصوى (MLE)، مع استخدام خوارزمية برويدن-فليتشر-غولدفارب-شانو (BFGS). يتميز توزيع GM Weibull بأربعة معلمات ($\lambda$, $\theta$, $\phi$, $\tau$)، مما يظهر مرونة محسّنة مقارنة بتوزيع ويبل القياسي، خاصة في نمذجة البيانات ذات الأنماط الخطرة الأحادية الشكل وشكل حوض الاستحمام. تم إجراء التحليل على ثلاثة مجموعات بيانات: بيانات محاكاة بأحجام عينات متغيرة (50، 200، و500)، وبيانات بقاء من 45 مريضًا زُرع لهم قلب، وبيانات مؤشرات صحية من 27 منطقة في كاليمانتان الوسطى والجنوبية. تشير النتائج إلى أنه بينما يعتبر توزيع ويبل القياسي مناسبًا للبيانات الأحادية البسيطة، فإن GM Weibull يوفر تقديرات للمعلمات تتماشى بشكل أقرب مع القيم النظرية في العينات الصغيرة ويظهر انحرافًا أقل بكثير في مجموعات البيانات المعقدة.
تؤكد الخاتمة على قوة توزيع GM Weibull في التطبيقات المحاكاة والواقعية. إنه نمذجة فعالة للبقاء على المدى الطويل لمرضى زراعة الأعضاء، خاصة في نطاق 800-1,000 يوم، مع الحفاظ على أداء قابل للمقارنة مع توزيع ويبل القياسي لفترات البقاء الأقصر. بالإضافة إلى ذلك، يتعامل GM Weibull بمهارة مع التوزيعات غير المتماثلة ويحدد معدلات الفشل غير الأحادية. على الرغم من أن إدخال معلمات إضافية ($\phi$ و $\tau$) يتطلب عقوبة في معايير المعلومات مثل AIC و BIC، إلا أن هذا التبادل مبرر بقدرة النموذج على التقاط التقلبات الهيكلية وأنماط الفشل المعقدة في البيانات الواقعية. قد تشمل اتجاهات البحث المستقبلية نمذجة الانحدار باستخدام GM Weibull باستخدام طرق تقدير بديلة، مثل سلسلة ماركوف مونت كارلو (MCMC)، وتطوير أطر مكانية أو زمان-مكانية تعتمد على GM Weibull لمجموعات البيانات التي تتميز بالمنطقة أو الإقليم بدلاً من الوقت.
مقدمة
تناقش المقدمة توزيع ويبل، وهو توزيع احتمالي مستمر متعدد الاستخدامات قدمه والودي ويبل في عام 1939، ويستخدم على نطاق واسع لنمذجة أنواع مختلفة من البيانات، بما في ذلك أوقات فشل المكونات وبداية الأمراض. تكمن قوته الأساسية في قدرته على نمذجة الأحداث ذات معادلات الكثافة المنحرفة ومعدل الفشل الأحادي، مما يجعله مناسبًا للتطبيقات عبر الصحة والقطاعات الصناعية والمتغيرات المستمرة الأخرى مثل أنماط هطول الأمطار. ومع ذلك، تصبح قيود توزيع ويبل التقليدي واضحة عند تطبيقه على الأحداث ذات معادلات الكثافة غير الأحادية، مثل تلك التي لوحظت في تحليل البقاء وبيانات النسبة، حيث لا يزيد أو ينقص خطر حدوثها بشكل مستمر.
لمعالجة هذه القيود، تقترح الدراسة توزيع ويبل المعدل العام (GM Weibull) كبديل متفوق لتقدير المعلمات في مجموعات البيانات التي تظهر أنماط غير أحادية. تشير الأبحاث السابقة إلى أن توزيع GM Weibull يتفوق على نموذج ويبل التقليدي من حيث مقاييس اللوغاريتم الاحتمالي والانحراف. يفترض المؤلفون أن توزيع GM Weibull سيوفر ملاءمة أفضل لأشكال البيانات المتنوعة، خاصة في قطاع الصحة. ستستخدم الدراسة بيانات المحاكاة والتطبيق لمقارنة تقديرات المعلمات المستمدة من توزيع GM Weibull بتلك المستمدة من نموذج ويبل التقليدي، بهدف تحقيق تقديرات تعكس بشكل أكثر دقة الحقائق التجريبية.
طرق
تحدد قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. توضح الإجراءات المحددة لجمع البيانات، بما في ذلك معايير اختيار المشاركين والأدوات المستخدمة للقياس. تم إجراء التحليلات الإحصائية باستخدام برامج مناسبة لضمان صلاحية وموثوقية النتائج، مع إيلاء اهتمام خاص للافتراضات الأساسية للاختبارات الإحصائية المختارة.
بالإضافة إلى ذلك، يصف القسم النماذج الرياضية المطبقة لتفسير البيانات، بما في ذلك أي معادلات أو خوارزميات ذات صلة. تؤكد المنهجية على إمكانية إعادة الإنتاج والشفافية، وتوفر تفاصيل كافية للباحثين المستقبليين لتكرار الدراسة. بشكل عام، تم تصميم الطرق المستخدمة لاختبار الفرضيات بدقة والمساهمة في فهم المجال للموضوع قيد التحقيق.
نتائج
تستند نتائج هذه الدراسة إلى ثلاث مجموعات بيانات متميزة: بيانات المحاكاة، بيانات زراعة القلب، وبيانات مؤشرات الصحة من كاليمانتان الوسطى وكاليمانتان الجنوبية. استخدم التحليل توزيعات ويبل وتوزيع ويبل المعدل العام (GM Weibull) لتقدير المعلمات ذات الصلة عبر هذه المجموعات.
تشير النتائج إلى أن تطبيق هذه النماذج الإحصائية يوفر إطارًا قويًا لفهم الأنماط والسلوكيات الأساسية داخل البيانات. قد يوفر استخدام GM Weibull، على وجه الخصوص، مرونة محسّنة في نمذجة التباين الملحوظ في مجموعات البيانات، مما يشير إلى فائدته المحتملة في الدراسات المستقبلية المماثلة.
مناقشة
في هذا القسم، تناقش البحث توزيع ويبل المعدل العام (GMW)، الذي يوسع توزيع ويبل التقليدي من خلال دمج معلمات إضافية لتعزيز مرونته في نمذجة أنواع البيانات المختلفة. يتميز توزيع GMW بدالة كثافته \( g(z|\lambda, \theta, \tau, \phi) = \lambda \phi z^{\theta-1} (\theta + \tau z) \exp\left\{ \tau z – \lambda z^\theta \exp(\tau z) \right\} [1 – \exp\left\{-\lambda z^\theta \exp(\tau z)\right\}]^{\phi-1} \). تستخدم الدراسة تقدير الاحتمالية القصوى (MLE) لتقدير معلمات توزيع GMW، باستخدام خوارزمية برويدن-فليتشر-غولدفارب-شانو (BFGS) للتحسين. يتضمن التحليل مجموعات بيانات محاكاة وتطبيقات واقعية، مما يظهر أن توزيع GMW يمكنه نمذجة أوقات البقاء وبيانات النسبة بشكل فعال، ملتقطًا سلوكيات معقدة مثل معدلات الفشل غير الأحادية.
تشير النتائج إلى أنه بينما يتفوق توزيع GMW على ويبل القياسي في أحجام العينات الصغيرة إلى المتوسطة، تتضاءل مزاياه مع زيادة أحجام العينات، حيث يصبح نموذج ويبل الأبسط تنافسيًا. في التطبيقات العملية، يوفر توزيع GMW ملاءمة أفضل لبيانات البقاء من مرضى زراعة القلب، خاصة لفترات البقاء الأطول، ولنمذجة بيانات النسبة المتعلقة بالشكاوى الصحية، حيث يلتقط التقلبات الهيكلية التي لا يمكن لنموذج ويبل القياسي التقاطها. على الرغم من التعقيد الذي يقدمه المعلمات الإضافية، فإن مرونة توزيع GMW تبرر استخدامه في سياقات متنوعة، على الرغم من أن الأبحاث المستقبلية قد تستكشف نمذجة الانحدار والأطر المكانية المعتمدة على توزيع GMW لتعزيز قابليته للتطبيق بشكل أكبر.
DOI: https://doi.org/10.37905/jjom.v8i1.36518
Publication Date: 2026-02-23
Author(s): Muhammad Luthfi Setiarno Putera et al.
Primary Topic: Statistical Distribution Estimation and Applications
Overview
This study investigates the parameter estimation of the generalized modified Weibull (GM Weibull) distribution using the Maximum Likelihood Estimation (MLE) method, specifically employing the Broyden-Fletcher-Goldfarb-Shanno (BFGS) algorithm. The GM Weibull distribution, characterized by four parameters ($\lambda$, $\theta$, $\phi$, $\tau$), demonstrates enhanced flexibility compared to the standard Weibull distribution, particularly in modeling data with monotonic and bathtub-shaped hazard patterns. The analysis was conducted on three datasets: simulated data with varying sample sizes (50, 200, and 500), survival data from 45 heart transplant patients, and health indicator data from 27 districts in Central and South Kalimantan. The findings indicate that while the standard Weibull distribution is suitable for simple monotonic data, the GM Weibull provides parameter estimates that align more closely with theoretical values in smaller samples and exhibits significantly lower deviance in complex datasets.
The conclusion emphasizes the robustness of the GM Weibull distribution in both simulated and real-world applications. It effectively models long-term survival for transplant patients, particularly in the 800-1,000 day range, while maintaining comparable performance to the standard Weibull for shorter survival periods. Additionally, the GM Weibull adeptly handles asymmetric distributions and identifies non-monotonic failure rates. Although the introduction of additional parameters ($\phi$ and $\tau$) incurs a penalty in information criteria such as AIC and BIC, this trade-off is warranted by the model’s capacity to capture structural fluctuations and complex failure patterns in real-world data. Future research directions may include GM Weibull regression modeling using alternative estimation methods, such as Markov Chain Monte Carlo (MCMC), and the development of spatial or spatio-temporal frameworks based on GM Weibull for datasets characterized by area or region rather than time.
Introduction
The introduction discusses the Weibull distribution, a versatile continuous probability distribution introduced by Waloddi Weibull in 1939, widely utilized for modeling various data types, including component failure times and disease onset. Its primary strength lies in its ability to model events with skewed density equations and a monotonic failure rate, making it suitable for applications across health, industrial sectors, and other continuous variables like rainfall patterns. However, the traditional Weibull distribution’s limitations become apparent when applied to events with non-monotonic density equations, such as those observed in survival analysis and percentage data, where the risk of occurrence does not consistently increase or decrease.
To address these limitations, the study proposes the generalized modified Weibull (GM Weibull) distribution as a superior alternative for parameter estimation in datasets exhibiting non-monotonic patterns. Previous research indicates that the GM Weibull distribution outperforms the traditional Weibull model in terms of log-likelihood and deviance metrics. The authors hypothesize that the GM Weibull distribution will provide a better fit for diverse data formats, particularly in the health sector. The study will utilize simulation and application data to compare parameter estimates derived from the GM Weibull distribution with those from the traditional Weibull model, aiming to achieve estimates that more accurately reflect empirical realities.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the specific procedures for data collection, including the selection criteria for participants and the instruments used for measurement. Statistical analyses were conducted using appropriate software to ensure the validity and reliability of the results, with particular attention given to the assumptions underlying the chosen statistical tests.
Additionally, the section describes the mathematical models applied to interpret the data, including any relevant equations or algorithms. The methodology emphasizes reproducibility and transparency, providing sufficient detail for future researchers to replicate the study. Overall, the methods employed are designed to rigorously test the hypotheses and contribute to the field’s understanding of the topic under investigation.
Results
The results of this study are derived from three distinct datasets: simulation data, heart transplant data, and health indicator data from Central Kalimantan and South Kalimantan. The analysis employed Weibull and generalized modified Weibull (GM Weibull) distributions to estimate the relevant parameters across these datasets.
The findings indicate that the application of these statistical models provides a robust framework for understanding the underlying patterns and behaviors within the data. The use of GM Weibull, in particular, may offer enhanced flexibility in modeling the variability observed in the datasets, suggesting its potential utility in similar future studies.
Discussion
In this section, the research discusses the Generalized Modified Weibull (GMW) distribution, which extends the traditional Weibull distribution by incorporating additional parameters to enhance its flexibility in modeling various data types. The GMW distribution is characterized by its density function \( g(z|\lambda, \theta, \tau, \phi) = \lambda \phi z^{\theta-1} (\theta + \tau z) \exp\left\{ \tau z – \lambda z^\theta \exp(\tau z) \right\} [1 – \exp\left\{-\lambda z^\theta \exp(\tau z)\right\}]^{\phi-1} \). The study employs Maximum Likelihood Estimation (MLE) to estimate the parameters of the GMW distribution, utilizing the Broyden-Fletcher-Goldfarb-Shanno (BFGS) algorithm for optimization. The analysis includes simulated datasets and real-world applications, demonstrating that the GMW distribution can effectively model survival times and percentage data, capturing complex behaviors such as non-monotonic failure rates.
The findings indicate that while the GMW distribution outperforms the standard Weibull in small to moderate sample sizes, its advantages diminish as sample sizes increase, where the simpler Weibull model becomes competitive. In practical applications, the GMW distribution provides a better fit for survival data from heart transplant patients, particularly for longer survival durations, and for modeling percentage data related to health complaints, where it captures structural fluctuations that the standard Weibull cannot. Despite the complexity introduced by additional parameters, the GMW distribution’s flexibility justifies its use in various contexts, although future research may explore regression modeling and spatial frameworks based on the GMW distribution to further enhance its applicability.