基于Logistic增长风险结构的Maxwell生成型寿命分布（MLGL）的统计推断与可靠性建模

《Journal of Probability and Statistics》：A Maxwell-Generated Distribution Based on Logistic Growth Dynamics for Lifetime Data Modeling

　　

本文提出一种新的寿命分布，称为Maxwell–logistic增长寿命（MLGL）分布，其通过将logistic增长风险结构纳入Maxwell生成族而获得。与基于常规基线寿命分布的Maxwell生成模型相比，MLGL模型纳入由logistic增长常微分方程（ODE）支配的基线风险，为动态演化的失效风险提供可解释机制。所得模型具有可识别的三参数表示，并允许潜在风险动态随logistic增长参数变化。推导了若干分布性质与可靠性性质。开展蒙特卡洛（Monte Carlo）模拟研究以检验估计量的有限样本性能。对真实寿命数据集的應用表明，相对于若干经典及近期提出的寿命分布，所提模型提供具有竞争力的拟合。

研究背景与问题：寿命分布在生存分析、可靠性工程和生物医学研究中具有重要作用；风险函数（hazard function，瞬时失效风险）描述失效风险随时间变化。在工程系统、生物医学过程和电池退化等应用中，风险可因老化、退化、累积暴露或重复使用而上升。经典寿命分布虽广泛使用，但未必充分灵活刻画复杂动态风险模式。已有研究通过生成族和Maxwell生成模型（如Maxwell–Weibull、Maxwell–log-logistic、Maxwell–exponential、Maxwell–Burr X）增加形状灵活性，但这些模型多由预设基线寿命分布构造，较少关注由常微分方程（ODE）指定基线风险时间演化的Maxwell生成模型。为此，研究人员提出Maxwell–logistic增长寿命（MLGL）分布，将logistic增长风险结构纳入Maxwell生成族，以连接动态风险建模与分布生成方法。

研究开展与结论：研究人员先由logistic增长ODE导出基线风险、累积风险、生存函数和基线分布，再经Maxwell生成机制构造累积分布函数（CDF）与概率密度函数（PDF）；初始表示存在过参数化，重参数化为θ=(α,η,λ)^?，其中α=h_B0/κ为初始风险与极限风险比，η=κ/(bλ)控制基线累积风险相对Maxwell尺度的缩放，λ控制时间变化率；α<1、α=1、α>1分别对应基线风险增、常、减；α=1时MLGL退化为Maxwell分布，η与λ仅通过ρ=ηλ可识别，故后续分析限于α≠1。模型具有可识别三参数表示，并允许风险动态随logistic增长参数变化；推导了若干分布与可靠性性质。其意义在于扩展Maxwell生成框架，使基线失效风险按明确动力学机制演化。

方法概括（不超过250字）：研究人员将logistic增长ODE给出的基线风险嵌入Maxwell生成族，重参数化为(α,η,λ)以获得可识别模型；推导可靠性/分布性质并用最大似然估计（MLE）的得分方程与观测Fisher信息作渐近推断，数值优化采用nlminb；针对弱有限样本曲率，采用对数参数弱信息先验的贝叶斯t-walk采样；以n=30–1000、B=1000的蒙特卡洛模拟评估，并分析NASA Battery Aging ARC-FY08Q4（Battery 7 n=168、Battery 18 n=132；24°C、2 A、2.5 V截止）和Aircraft Windshield（n=84）数据，使用赤池信息准则（AIC）、贝叶斯信息准则（BIC）、Kolmogorov–Smirnov（KS）、Anderson–Darling（AD）、Cramér–von Mises（CvM）及P–P/Q–Q比较。

研究结果：2.1 可靠性测度（Reliability Measures）：通过推导生存、风险、反向风险、累积风险、平均剩余寿命、平均不活动时间、剩余熵与应力–强度可靠性函数，给出MLGL的可靠性刻画。2.1.1 生存与风险函数（Survival and Hazard Functions）：给出生存函数与风险函数表达式，并图示不同参数设置下曲线变化。2.1.2 反向风险率与累积风险函数（Reversed Hazard Rate and Cumulative Hazard Function）：定义反向风险率r(t)=f(t)/F(t)并给出累积风险H(t)=-logS(t)表达式。2.1.3 平均剩余寿命与平均不活动时间（Mean Residual Life and Mean Inactivity Time）：给出平均剩余寿命和平均不活动时间定义及用一阶下不完全矩表示的表达式。2.1.4 剩余熵（Residual Entropy）：用MLGL密度与生存函数可数值评估剩余熵，简单闭式一般不可用。2.1.5 应力–强度可靠性（Stress–Strength Reliability）：定义R=P(X>Y)，对给定参数一般可数值评估；R接近1表示强度超过应力概率高，较小值表示失效概率较大。2.1.6 老化性质（Aging Properties）：通过风险函数分析，0<α≤1时MLGL属于递增失效风险（IFR）类；α>1时基线logistic增长风险递减，前述论证不能确立IFR，风险行为可能依赖(α,η,λ)组合。

2.2 分布性质（Properties）：通过矩、不完全矩、分位数、平均偏差、Lorenz/Bonferroni曲线、随机序与熵研究MLGL的分布特征；无解析式时采用自适应求积数值计算。2.2.1 矩（Moments）：用z=ηlogD(t)变换将r阶原点矩表示为标准Maxwell分布下的积分，一般无简单闭式；矩特征显示α增大降低均值与方差、提高偏度与峰度，η影响四项矩特征，λ为尺度参数，增大λ降低均值与方差而标准化偏度与峰度不变。2.2.2 不完全矩（Incomplete Moments）：通过同一z变换给出r阶下不完全矩的数值表达式。2.2.3 分位数函数（Quantile Function）：由标准Maxwell分位数q_a给出Q(a)，中位数为Q(0.5)。2.2.4 平均偏差（Mean Deviations）：用一阶下不完全矩表示关于均值和关于中位数的平均偏差，并可数值评估。2.2.5 Lorenz与Bonferroni曲线（Lorenz and Bonferroni Curves）：用一阶下不完全矩和分位数定义并数值评估两条曲线，以描述分布集中程度。2.2.6 随机序（Stochastic Ordering）：提出并证明命题：固定其余参数时，α、η、λ增大使MLGL寿命随机变小，且生存概率降低。2.2.7 熵测度（Entropy Measures）：给出Shannon熵与Rényi熵的z变换表示，简单闭式一般不可用，可数值评估以描述不确定性与集中程度。

2.3 最大似然参数估计（Parameter Estimation Using Maximum Likelihood Method）：通过似然函数、对数似然、得分向量、观测Fisher信息与渐近正态性建立MLE推断，并给出标准误和近似置信区间；得分方程一般无同时闭式解，采用nlminb数值优化。由于部分参数配置下似然呈弱有限样本曲率，个体MLE可能不稳定，故进一步考虑贝叶斯估计：对?=(logα,logη,logλ)^?赋独立弱信息正态先验，用Rtwalk的twalk()采样，以后验均值、后验标准差和95%等尾可信区间作推断。

3 模拟研究（Simulation Study）：通过B=1000、n=30、50、100、300、500、1000的蒙特卡洛研究评估贝叶斯后验均值估计；随样本量增加，估计更准确且后验不确定性下降；可信区间覆盖率总体较高，小样本有过覆盖；Scenario 2小样本数值收敛较具挑战，Scenario 4中α估计仍较困难。拟合CDF恢复分析显示，随n增加拟合CDF趋近真实CDF；MLE平均CDF与真实CDF较接近且模拟包络随n变窄；贝叶斯拟合CDF在小样本偏差较大且包络较宽，尤其Scenarios 2–4，但n=1000时接近；部分参数估计变异下CDF仍接近，支持弱有限样本曲率现象。

4.1 NASA电池老化数据（NASA Battery Aging Data）：通过AIC、BIC、KS、AD、CvM及P–P/Q–Q比较MLGL与Weibull、log-normal、log-logistic、Maxwell–Weibull、Maxwell–log-logistic、Obulezi、Garhy分布；B0007中MLGL提供有竞争力的AIC、BIC和KS，B0018中MLGL给出最小AD，总体对两组电池数据具有竞争性拟合，B0018的P–P/Q–Q存在一些偏差。4.2 飞机挡风玻璃数据（Aircraft Windshield Data）：对84个挡风玻璃失效时间数据比较，MLGL给出最小AIC（265.3453）；Weibull给出最小BIC和KS，Maxwell–Weibull给出最小AD，Garhy给出最小CvM；MLGL总体表现具有竞争力，但最佳模型随拟合准则而变化。

5 讨论（Discussion）：模型扩展了Maxwell生成框架并保留与logistic增长风险动态的可解释联系；理论部分包括矩与不完全矩、分位数、随机序、熵、不等式曲线、平均偏差及可靠性测度；MLE理论通过得分方程、观测Fisher信息和渐近推断建立，但弱有限样本曲率可导致个体MLE不稳定；贝叶斯模拟表明参数估计通常随样本量增加而改善，但行为随参数与配置变化；真实数据分析表明MLGL可提供竞争性拟合，具体应用应结合拟合优度与图形诊断。局限包括弱有限样本曲率、若干分布量需数值计算、数值优化与后验采样增加计算需求。未来可纳入其他ODE驱动风险结构、回归扩展、删失寿命数据、更多可靠性设置及更广泛模拟与实证评估。

研究结论翻译：总体而言，本工作通过纳入具有动态动机的基线风险机制扩展了Maxwell生成框架。理论结果、基于后验的模拟研究以及真实数据应用表明，MLGL分布在寿命数据建模中具有潜在应用价值。同时，本研究所讨论的有限样本估计行为与计算考量为进一步研究和方法学发展提供了方向。