DOI: https://doi.org/10.1007/s44199-025-00148-5
تاريخ النشر: 2026-01-13
المؤلف: Noureddine Saaidia وآخرون
الموضوع الرئيسي: تقدير التوزيع الإحصائي وتطبيقاته
نظرة عامة
تقدم هذه الورقة توزيع Q-Lindley (QLD)، وهو نموذج جديد ذو معلمة واحدة لتحليل بيانات العمر والموثوقية، والذي يتم اشتقاقه من العائلة الأسية المتجانسة. يستخرج المؤلفون الخصائص الإحصائية الرئيسية لـ QLD ويستخدمون تقدير الاحتمالية القصوى لتقدير المعلمات. من خلال محاكاة مونت كارلو وتحليل أربعة مجموعات بيانات حقيقية، يتم تقييم أداء QLD ومقارنته بمختلف التوزيعات الكلاسيكية وتوزيعات نوع Lindley. تشير النتائج، المدعومة بمعايير اختيار النموذج وإحصائيات جودة الملاءمة، إلى أن QLD يظهر قدرات ملاءمة تنافسية أو متفوقة، مما يبرز إمكانيته كإضافة قيمة إلى مجموعة توزيعات العمر.
في الختام، تم تقييم QLD بدقة من حيث خصائصه وتقنيات التقدير وأداء جودة الملاءمة. تشير النتائج إلى أن QLD غالبًا ما يتفوق على النماذج الكلاسيكية والموسعة من نوع Lindley مع الاحتفاظ بهيكل بسيط ذو معلمة واحدة، مما يجعله قابلًا للتطبيق في سياقات الموثوقية والبقاء. تشمل مجالات البحث المستقبلية استكشاف نماذج الانحدار، والتوسعات متعددة المتغيرات، والاستدلال بايزي ضمن إطار QLD. ومع ذلك، يعترف المؤلفون بالقيود، مثل الاعتماد على عدد محدود من مجموعات البيانات والنماذج، والتباين المحتمل في الأداء تحت خصائص توزيع مختلفة، والتركيز على جودة الملاءمة أحادية المتغير، مما يترك نمذجة الاعتماد من خلال طرق الكوبولا. بالإضافة إلى ذلك، تم اشتقاق القيم الحرجة لمونت كارلو تحت QLD المقدر، مما يشير إلى أن طرق المعايرة البديلة قد تؤثر على نتائج الاستدلال.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية نمذجة بيانات العمر والموثوقية عبر مجالات مختلفة، بما في ذلك الهندسة والعلوم الطبية. النماذج التقليدية مثل التوزيعات الأسية والجاما، على الرغم من بساطتها الرياضية، غالبًا ما تفشل في التقاط تعقيدات الظواهر الواقعية، مثل الانحراف ومعدلات الخطر غير الأحادية. للتغلب على هذه القيود، تم تقديم توزيع Lindley كبديل ذو معلمة واحدة، مما أدى إلى عدة تعميمات وتعديلات تهدف إلى تعزيز المرونة، بما في ذلك توزيعات Power Lindley وXLindley. تم تطبيق هذه النماذج في سياقات متنوعة، من تحليل البقاء في الأوبئة إلى تقييمات الموثوقية في الهندسة.
تقترح الورقة توزيع Q-Lindley، الذي يقدم معلمة شكل واحدة لتحسين المرونة مع الحفاظ على البساطة والتعبيرات المغلقة لخصائصه. تهدف الدراسة إلى تعريف توزيع Q-Lindley، واستخراج خصائصه الأساسية، وتقييم أدائه من خلال تقدير الاحتمالية القصوى والتحليل التجريبي على مجموعات بيانات تتعلق بالفشل الميكانيكي، وطوابير البنوك، ونتائج الصحة. يعتزم المؤلفون مقارنة توزيع Q-Lindley بالنماذج الكلاسيكية وغيرها من التوسعات من نوع Lindley باستخدام معايير المعلومات القياسية واختبارات جودة الملاءمة. تشير النتائج الأولية إلى أن توزيع Q-Lindley يوفر أداءً تنافسيًا أو متفوقًا مقارنة بالنماذج الأكثر تعقيدًا، مما يدل على إمكانيته كأداة قيمة للممارسين في الاحتمالات التطبيقية وهندسة الموثوقية.
النتائج
في دراسة المحاكاة التي تقيم أداء اختبار جودة الملاءمة لتحويل لابلاس لتوزيع Q-Lindley، تم إجراء محاكاة مونت كارلو لتقييم التحيز، ومتوسط الخطأ التربيعي (MSE) لمقدر الاحتمالية القصوى (MLE)، واحتمالية التغطية التجريبية لفترة الثقة الاسمية 95% (CI) تحت فرضية العدم. تشير النتائج، الملخصة في الجدول 1، إلى أن التحيز وMSE لـ MLE ينخفضان مع زيادة حجم العينة لقيم مختلفة من معلمة الشكل $\theta$. من الجدير بالذكر أن معدلات تغطية CI اختلفت، مع ملاحظات لقيم أقل عند قيم $\theta$ أعلى، وخاصة عند $\theta = 1.0$ و$\theta = 1.5$، حيث انخفضت معدلات التغطية إلى أقل من 80%.
كشف التحليل الإضافي للقوة التجريبية، المعروض في الجداول 2 و3 و4، عن معدلات الرفض لخمس اختبارات كلاسيكية لجودة الملاءمة (Kolmogorov-Smirnov، Cramér-von Mises، Anderson-Darling، Lilliefors، وPearson’s Chi-Square) عبر أحجام عينات مختلفة وأشكال توزيع. أظهرت النتائج تباينًا في القوة الإحصائية، مما يبرز حساسية كل اختبار للانحرافات عن توزيع العدم. بالإضافة إلى ذلك، تم تقييم توزيع Q-Lindley مقابل أربعة مجموعات بيانات من العالم الحقيقي، مع عرض النتائج في الجداول 8 إلى 11 والتقييمات الرسومية عبر مخططات Q-Q في الأشكال 2 إلى 5. تفوق توزيع Q-Lindley باستمرار أو تطابق أداء النماذج التقليدية، بما في ذلك Weibull وGamma وX-Lindley وNXLD وZ-distributions، مما يدل على قوته كنموذج ملاءمة.
المناقشة
يقدم توزيع Q-Lindley (QLD) معلمة شكل جديدة تعزز مرونة نمذجة بيانات العمر المنحرفة والثقيلة الذيل مع الاحتفاظ ببساطة توزيع Lindley الكلاسيكي. يميز هذا التوازن الفريد بين الاقتصاد والأداء التجريبي QLD عن التوسعات الحالية من نوع Lindley. يتم اشتقاق QLD من العائلة الأسية المتجانسة من التوزيعات، والتي تتميز بدالة كثافة احتمالية (PDF) تتضمن حدًا تربيعيًا، مما يسمح بتحسين قدرات النمذجة في تطبيقات متنوعة مثل النمذجة المالية، وتحليل البقاء، ودراسات الموثوقية.
تم اشتقاق الخصائص الإحصائية لـ QLD، بما في ذلك PDF، ودالة التوزيع التراكمي (CDF)، ودالة البقاء، ودالة معدل الخطر، بدقة. من الجدير بالذكر أن QLD يظهر PDF متناقصًا بشكل صارم لـ $\theta \leq 1$ وتوزيع أحادي القمة لـ $\theta > 1$. كما تم حساب دالة توليد اللحظات (MGF) واللحظات، مما يكشف أن المتوسط والتباين يمكن التعبير عنهما من حيث معلمة الشكل $\theta$. علاوة على ذلك، يظهر QLD جودة ملاءمة متفوقة عبر مجموعات بيانات متعددة، متفوقًا باستمرار على النماذج الكلاسيكية من حيث معايير المعلومات (AIC، BIC) وإحصائية Kolmogorov-Smirnov، مما يدل على فعاليته في التقاط الميزات التوزيعية الأساسية للبيانات. قد تستكشف الأبحاث المستقبلية تطبيق QLD في نماذج الانحدار والسياقات متعددة المتغيرات، فضلاً عن أدائه تحت توزيعات أكثر تعقيدًا.
DOI: https://doi.org/10.1007/s44199-025-00148-5
Publication Date: 2026-01-13
Author(s): Noureddine Saaidia et al.
Primary Topic: Statistical Distribution Estimation and Applications
Overview
This paper presents the Q-Lindley distribution (QLD), a novel one-parameter model for analyzing lifetime and reliability data, which is derived from the affine exponential family. The authors derive the key statistical properties of the QLD and employ maximum likelihood estimation for parameter estimation. Through Monte Carlo simulations and analyses of four real datasets, the performance of the QLD is assessed and compared to various classical and Lindley-type distributions. The results, supported by model selection criteria and Goodness-of-Fit statistics, indicate that the QLD demonstrates competitive or superior fitting capabilities, highlighting its potential as a valuable addition to the repertoire of lifetime distributions.
In conclusion, the QLD has been thoroughly evaluated for its properties, estimation techniques, and Goodness-of-Fit performance. The findings suggest that the QLD often outperforms classical and extended Lindley-type models while retaining a straightforward one-parameter structure, making it applicable in reliability and survival contexts. Future research avenues include the exploration of regression models, multivariate extensions, and Bayesian inference within the QLD framework. However, the authors acknowledge limitations, such as the reliance on a limited number of datasets and models, potential performance variations under different distributional characteristics, and the focus on univariate Goodness-of-Fit, leaving out dependence modeling through copula methods. Additionally, the Monte Carlo critical values were derived under the estimated QLD, suggesting that alternative calibration methods could affect inference outcomes.
Introduction
The introduction of this research paper highlights the significance of modeling lifetime and reliability data across various fields, including engineering and medical sciences. Traditional models like the Exponential and Gamma distributions, while mathematically straightforward, often fall short in capturing the complexities of real-world phenomena, such as skewness and non-monotonic hazard rates. To overcome these limitations, the Lindley distribution was introduced as a one-parameter alternative, leading to several generalizations and modifications aimed at enhancing flexibility, including the Power Lindley and XLindley distributions. These models have been applied in diverse contexts, from survival analysis in pandemics to reliability assessments in engineering.
The paper proposes the Q-Lindley distribution, which introduces a single shape parameter to improve flexibility while maintaining simplicity and closed-form expressions for its properties. The study aims to define the Q-Lindley distribution, derive its fundamental properties, and evaluate its performance through maximum likelihood estimation and empirical analysis on datasets related to mechanical failures, bank queuing, and health outcomes. The authors intend to benchmark the Q-Lindley distribution against classical models and other Lindley-type extensions using standard information criteria and Goodness-of-Fit tests. Preliminary findings suggest that the Q-Lindley distribution provides competitive or superior performance compared to more complex models, indicating its potential as a valuable tool for practitioners in applied probability and reliability engineering.
Results
In the simulation study assessing the performance of the Laplace Transform Goodness-of-Fit Test for the Q-Lindley distribution, a Monte Carlo simulation was conducted to evaluate the bias, mean squared error (MSE) of the maximum likelihood estimator (MLE), and the empirical coverage probability of the nominal 95% confidence interval (CI) under the null hypothesis. The results, summarized in Table 1, indicate that the bias and MSE of the MLE decrease with increasing sample size for various values of the shape parameter $\theta$. Notably, the CI coverage rates varied, with lower values observed at higher $\theta$ values, particularly at $\theta = 1.0$ and $\theta = 1.5$, where coverage rates dropped below 80%.
Further analysis of empirical power, presented in Tables 2, 3, and 4, revealed the rejection rates of five classical Goodness-of-Fit tests (Kolmogorov-Smirnov, Cramér-von Mises, Anderson-Darling, Lilliefors, and Pearson’s Chi-Square) across different sample sizes and distribution shapes. The results demonstrated variability in statistical power, highlighting the sensitivity of each test to deviations from the null distribution. Additionally, the Q-Lindley distribution was evaluated against four real-world datasets, with results shown in Tables 8 through 11 and graphical assessments via Q-Q plots in Figures 2 to 5. The Q-Lindley distribution consistently outperformed or matched the performance of traditional models, including Weibull, Gamma, X-Lindley, NXLD, and Z-distributions, indicating its robustness as a fitting model.
Discussion
The Q-Lindley distribution (QLD) introduces a novel single shape parameter that enhances the flexibility of modeling skewed and heavy-tailed lifetime data while retaining the simplicity of the classical Lindley distribution. This unique balance between parsimony and empirical performance sets the QLD apart from existing Lindley-type extensions. The QLD is derived from the affine exponential family of distributions, characterized by a probability density function (PDF) that incorporates a quadratic term, allowing for improved modeling capabilities in various applications such as financial modeling, survival analysis, and reliability studies.
The statistical properties of the QLD, including its PDF, cumulative distribution function (CDF), survival function, and hazard rate function, are thoroughly derived. Notably, the QLD exhibits a strictly decreasing PDF for $\theta \leq 1$ and a unimodal distribution for $\theta > 1$. The moment generating function (MGF) and moments are also computed, revealing that the mean and variance can be expressed in terms of the shape parameter $\theta$. Furthermore, the QLD demonstrates superior goodness-of-fit across multiple datasets, consistently outperforming classical models in terms of information criteria (AIC, BIC) and the Kolmogorov-Smirnov statistic, indicating its effectiveness in capturing the underlying distributional features of the data. Future research may explore the application of the QLD in regression models and multivariate contexts, as well as its performance under more complex distributions.