DOI: https://doi.org/10.64389/mjs.2026.02260
تاريخ النشر: 2026-05-24
المؤلف: Haitham M. Yousof وآخرون
الموضوع الرئيسي: تقدير التوزيع الإحصائي وتطبيقاته
نظرة عامة
تقدم هذه الورقة البحثية نموذج رايلي-فريشيت الممتد (ER-Fr)، وهو توزيع جديد للقيم المتطرفة مصمم لتعزيز تحليل المخاطر في السياقات الطبية. تقيم الدراسة مقاييس المخاطر المختلفة، بما في ذلك قيمة المخاطر (VaR)، وقيمة المخاطر في الذيل (TVaR)، ومتوسط المرتبة-P (MOO-P)، والقمم فوق عتبة عشوائية VaR (PORT-VaR)، مع التأكيد على أهميتها في التقاط الأحداث المتطرفة في البيانات الطبية. من خلال دراسة محاكاة شاملة، يتحقق المؤلفون من موثوقية مقدرات الاحتمالية القصوى لنموذج ER-Fr ويظهرون فائدته العملية من خلال تحليل مجموعات بيانات طبية حقيقية، بما في ذلك أوقات الإغاثة للمرضى المصابين بالتهاب المفاصل وأوقات البقاء لجرذان غينيا المعرضة للسل. يتفوق نموذج ER-Fr باستمرار على التوزيعات من نوع فريشيت الموجودة، مما يبرز فعاليته في نمذجة القيم المتطرفة وتقييم المخاطر.
تناقش الورقة أيضًا دمج MOO-P وPORT-VaR، مما يوفر إطارًا لفهم ديناميات المخاطر في البيانات السريرية. يسمح هذا النهج المزدوج لمقدمي الرعاية الصحية باتخاذ قرارات مستنيرة بناءً على الاتجاهات المركزية، مثل أوقات البقاء الوسيطة، والنتائج المتطرفة، مما يسهل التدخلات في الوقت المناسب للمرضى ذوي المخاطر العالية. تؤكد النتائج على أهمية نموذج ER-Fr في تحسين إدارة المرضى واستراتيجيات العلاج، مما يعزز في النهاية معدلات البقاء وجودة الحياة. من خلال دمج التحليلات المتقدمة مع التطبيقات العملية، تسهم هذه الدراسة بشكل كبير في مجال تحليل البيانات الطبية، مقدمة أساسًا قويًا لاتخاذ قرارات متطورة في الممارسة السريرية.
مقدمة
تناقش مقدمة الورقة تطبيق توزيع فريشيت في نمذجة الذيل العلوي لبيانات شدة المرض، وهو أمر حاسم للتنبؤ بالمضاعفات الشديدة لدى المرضى الذين يعانون من أمراض حرجة مثل السرطان وأمراض القلب. يساعد هذا التوزيع في فهم توزيع المرضى ذوي المخاطر العالية، مما يوجه استراتيجيات العلاج الشخصية. بالإضافة إلى ذلك، يعتبر توزيع فريشيت فعالًا في نمذجة أوقات الفشل والأحداث المتطرفة المرتبطة بالأجهزة الطبية، وهو أمر حيوي لتحليل الموثوقية في التقنيات التي تدعم الحياة. تسلط الورقة الضوء على فائدته في تحليل البقاء، خاصة في تقدير معدلات الوفاة وفهم الكميات العليا من متوسط العمر المتوقع، خاصة للمرضى الأكبر سنًا أو أولئك الذين يتلقون علاجات تمتد بالعمر.
يقدم المؤلفون نموذجًا مرنًا يعرف باسم عائلة رايلي G الممتدة (ER-G)، والتي تتميز بدالة التوزيع التراكمي (CDF) ودالة كثافة الاحتمال (PDF). تشمل عائلة ER-G معلمات تسمح بتطبيق أوسع في نمذجة القيم المتطرفة، خاصة في السياقات الطبية والموثوقية. تشير الورقة أيضًا إلى مختلف التقدمات في نظرية القيم المتطرفة، مما يبرز الاهتمام المتزايد في تطبيقاتها عبر مجالات متعددة، بما في ذلك الطب وإدارة المخاطر. يتم الاستشهاد بمساهمات بارزة في الأدبيات، مما يظهر قوة وفائدة هذه النماذج في السيناريوهات الواقعية، خاصة في تحليل البيانات ذات الذيل الثقيل والأحداث المتطرفة.
نقاش
في قسم النقاش من الورقة، يستكشف المؤلفون خصائص وتوصيفات توزيع رايلي-فريشيت الممتد (ER-Fr)، مع التركيز بشكل خاص على لحظاته ولحظاته غير المكتملة. يتم تعريف اللحظة العادية $r$-th على أنها $\mu_r'(X) = E(X^r)$، ويتم اشتقاق اللحظة غير المكتملة $I_{\mathcal{S}}(X | -\infty, t)$، مع التأكيد على اعتمادها على المعلمات $\alpha$، $\beta$، ودالة غاما السفلية $\Gamma$. يثبت المؤلفون علاقة بين اللحظات المقطوعة ودالة كثافة الاحتمال (PDF) لتوزيع ER-Fr، مما يظهر استقراره تحت التقارب الضعيف، وهو أمر حاسم للتحليل النظري.
تصف هذه القسم أيضًا توزيع ER-Fr من خلال دالة الخطر العكسي (RHF) والتوقعات الشرطية، مقدمة معادلات تفاضلية يجب الوفاء بها لكي يحتفظ التوزيع. يتم أيضًا مناقشة عملية تقدير الاحتمالية القصوى (MLE)، مع تسليط الضوء على أداء MLEs من خلال المحاكاة الرسومية، التي تشير إلى أن التحيز ومتوسط الخطأ التربيعي (MSE) ينخفضان مع زيادة أحجام العينات. يتم توضيح قابلية تكيف توزيع ER-Fr من خلال نمذجة البيانات الواقعية، حيث يتم مقارنته مع توزيعات أخرى متنوعة، مما يظهر ملاءمته الفائقة ودقة تقدير المعلمات عبر مجموعات بيانات متعددة، بما في ذلك بيانات التجارب السريرية وأوقات البقاء للجرذان. تؤكد النتائج على قوة توزيع ER-Fr وقابليته للتطبيق في السيناريوهات العملية، خاصة في نمذجة خصائص البيانات المعقدة.
DOI: https://doi.org/10.64389/mjs.2026.02260
Publication Date: 2026-05-24
Author(s): Haitham M. Yousof et al.
Primary Topic: Statistical Distribution Estimation and Applications
Overview
This research paper introduces the Extended Rayleigh-Fréchet (ER-Fr) model, a novel extreme value distribution designed to enhance risk analysis in medical contexts. The study evaluates various risk measures, including Value-at-Risk (VaR), Tail Value-at-Risk (TVaR), Mean-of-Order-P (MOO-P), and Peaks Over a Random Threshold VaR (PORT-VaR), emphasizing their relevance in capturing extreme occurrences in medical data. Through a comprehensive simulation study, the authors validate the reliability of maximum likelihood estimators for the ER-Fr model and demonstrate its practical utility by analyzing real medical datasets, including relief times for arthritic patients and survival times of guinea pigs exposed to tuberculosis. The ER-Fr model consistently outperforms existing Fréchet-type distributions, showcasing its effectiveness in modeling extreme values and assessing risk.
The paper further discusses the integration of MOO-P and PORT-VaR, providing a framework for understanding risk dynamics in clinical data. This dual approach allows healthcare providers to make informed decisions based on both central trends, such as median survival times, and extreme outcomes, facilitating timely interventions for high-risk patients. The findings underscore the importance of the ER-Fr model in improving patient management and treatment strategies, ultimately enhancing survival rates and quality of life. By combining advanced analytics with practical applications, this research contributes significantly to the field of medical data analysis, offering a robust foundation for sophisticated decision-making in clinical practice.
Introduction
The introduction of the paper discusses the application of the Fréchet distribution in modeling the upper tail of disease severity data, which is crucial for predicting severe complications in patients with critical illnesses such as cancer and heart disease. This distribution aids in understanding the distribution of high-risk patients, thereby informing personalized treatment strategies. Additionally, the Fréchet distribution is effective in modeling failure times and extreme events associated with medical devices, which is vital for reliability analysis in life-sustaining technologies. The paper highlights its utility in survival analysis, particularly in estimating death rates and understanding upper quantiles of life expectancy, especially for older patients or those on life-extending treatments.
The authors introduce a flexible model known as the extended Rayleigh G (ER-G) family, characterized by its cumulative distribution function (CDF) and probability density function (PDF). The ER-G family encompasses parameters that allow for a broader application in modeling extreme values, particularly in medical and reliability contexts. The paper also references various advancements in extreme value theory, emphasizing the growing interest in its applications across multiple fields, including medicine and risk management. Notable contributions in the literature are cited, showcasing the robustness and practical utility of these models in real-world scenarios, particularly in analyzing heavy-tailed data and extreme events.
Discussion
In the discussion section of the paper, the authors explore the properties and characterizations of the extended Rayleigh-Fr (ER-Fr) distribution, particularly focusing on its moments and incomplete moments. The $r$-th ordinary moment is defined as $\mu_r'(X) = E(X^r)$, and the incomplete moment $I_{\mathcal{S}}(X | -\infty, t)$ is derived, emphasizing its dependence on parameters $\alpha$, $\beta$, and the lower gamma function $\Gamma$. The authors establish a relationship between truncated moments and the probability density function (PDF) of the ER-Fr distribution, demonstrating its stability under weak convergence, which is crucial for theoretical analysis.
The section further characterizes the ER-Fr distribution through the reverse hazard function (RHF) and conditional expectations, providing differential equations that must be satisfied for the distribution to hold. The maximum likelihood estimation (MLE) process is also discussed, highlighting the performance of MLEs through graphical simulations, which indicate that bias and mean squared error (MSE) decrease with larger sample sizes. The adaptability of the ER-Fr distribution is illustrated through real-world data modeling, where it is compared against various other distributions, showcasing its superior fit and parameter estimation accuracy across multiple datasets, including clinical trial data and survival times of rats. The findings underscore the ER-Fr distribution’s robustness and applicability in practical scenarios, particularly in modeling complex data characteristics.