《Scientific African》：Weighted log-Kumaraswamy distribution: Different estimation methods, simulation and applications
编辑推荐：
准确建模现实世界事件在现代数据驱动社会中至关重要，其应用涵盖保险、金融、工程、环境研究和辐射科学等领域。当前及以往的统计分布往往无法反映当前数据集的深层复杂性，因此需要更灵活的技术。本文引入了加权对数Kumaraswamy分布（WLKD），这是对数Kumara
准确建模现实世界事件在现代数据驱动社会中至关重要，其应用涵盖保险、金融、工程、环境研究和辐射科学等领域。当前及以往的统计分布往往无法反映当前数据集的深层复杂性，因此需要更灵活的技术。本文引入了加权对数Kumaraswamy分布（WLKD），这是对数Kumaraswamy分布（LKD）的一种新颖扩展，采用了加权分布类。WLKD的概率密度函数可以是右偏、单峰或递减形状，但其风险率函数可呈现递增或递减形状。研究人员计算了众多重要的统计性质，包括分位数函数、理论及数值上的普通矩、矩生成函数、不完全矩、条件矩、平均剩余寿命、平均非活动时间以及熵度量。利用十六种不同方法对提出的WLKD参数进行了估计，并进行了全面的蒙特卡罗模拟以评估估计量的有效性。通过每日COVID-19死亡率和失效率的两个实际数据集，进一步展示了加权对数Kumaraswamy分布的有用性和有效性。拟合优度的数值结果表明，新提出的WLKD优于其主要竞争模型。
**论文解读：加权对数Kumaraswamy分布——多种估计方法、模拟与应用**
**研究背景与问题**
在当代数据驱动社会中，准确建模现实世界事件对于保险、金融、工程、环境研究和辐射科学等多个领域至关重要。然而，传统统计分布往往难以捕捉当前数据集的深层复杂性，例如右偏态、单峰或递减的概率密度形状，以及递增或递减的风险率函数。Kumaraswamy分布（KD）及其衍生分布如对数Kumaraswamy分布（LKD）虽已用于水文、金融、医学等领域，但仍存在灵活性不足的问题。此外，现有研究多采用单一或少数几种参数估计方法，缺乏对不同估计方法在有限样本下性能的系统比较。因此，需要开发一种更灵活、适用性更广的分布，并系统评估多种估计技术的有效性，以提升实际数据建模的精度和可靠性。该论文发表在《Scientific African》。
**研究内容与结论**
研究人员提出了一种新的三参数分布——加权对数Kumaraswamy分布（WLKD），该分布通过加权分布类扩展了LKD。WLKD的概率密度函数（PDF）可以呈现右偏、单峰或递减形状，其风险率函数（HRF）可以呈现递增或递减的形状。研究人员推导了WLKD的多种统计性质，包括分位数函数、普通矩、矩生成函数、不完全矩、条件矩、平均剩余寿命、平均非活动时间以及多种熵度量（Rényi熵、Tsallis熵、Arimoto熵、Havrda-Charvát熵）。为了估计WLKD的三个参数，研究人员采用了十六种不同的参数估计方法，并通过蒙特卡罗模拟比较了这些方法的性能。模拟结果表明，Kolmogorov估计（KE）和最大似然估计（MLE）在多数情况下表现最优，而Anderson-Darling左尾二阶估计（ADSOE）和百分位估计（PCE）表现较差。最后，通过两个实际数据集（英国每日COVID-19死亡率和材料疲劳寿命数据）展示了WLKD的实用性，与五个竞争模型（Beta指数分布、转换指数分布、广义逆Kumaraswamy分布、对数Kumaraswamy分布、加权指数分布）相比，WLKD在拟合优度指标（如Kolmogorov-Smirnov检验、Cramér-von Mises检验）上表现最优，证明了其优越性。
**主要技术方法**
研究人员采用的主要关键技术方法包括：（1）基于加权分布类构造WLKD，利用对数变换和广义二项展开推导其线性表示；（2）使用十六种经典参数估计方法，包括最大似然估计（MLE）、Anderson-Darling估计（ADE）、Cramér-von Mises估计（CVME）、最大乘积间距估计（MPSE）、最小二乘估计（LSE）、百分位估计（PCE）、右尾Anderson-Darling估计（RTADE）、加权最小二乘估计（WLSE）、左尾Anderson-Darling估计（LTADE）、最小间距绝对距离估计（MSADE）、最小间距绝对对数距离估计（MSALDE）、最小间距平方距离估计（MSSDE）、最小间距平方对数距离估计（MSSLDE）、最小间距Linex距离估计（MSLNDE）、Anderson-Darling左尾二阶估计（ADSOE）以及Kolmogorov估计（KE）；（3）通过蒙特卡罗模拟评估估计量性能，采用平均偏差、均方误差、平均相对误差、平均绝对差异和最大绝对差异作为评价指标；（4）利用两个实际数据集（英国每日COVID-19死亡率数据，n=76；材料疲劳寿命数据，n=74）进行实证分析，使用MLE进行参数估计，并通过log-likelihood、AIC、K-S检验和Cramér-von Mises检验评估模型拟合。
**研究结果**
**1. WLKD的构造**
研究人员将加权分布类与LKD的累积分布函数（CDF）和概率密度函数（PDF）结合，推导出WLKD的CDF和PDF表达式。图示显示，WLKD的PDF可呈现递减、左偏和单峰形状，HRF可呈现反J型和浴盆型形状，表明其具有高度灵活性。
**2. 统计性质**
通过级数展开得到了WLKD的线性表示，并推导出分位数函数、普通矩、矩生成函数、不完全矩、条件矩、平均剩余寿命、平均非活动时间以及多种熵的解析表达式。数值计算表明，随着参数增大，前四阶矩增大，而偏度、峰度及变异系数减小。
**3. 估计方法**
研究人员详细介绍了十六种参数估计方法的原理和优化目标函数，包括最大似然估计、Anderson-Darling估计、Cramér-von Mises估计、最大乘积间距估计、最小二乘估计、百分位估计、右尾Anderson-Darling估计、加权最小二乘估计、左尾Anderson-Darling估计、最小间距绝对距离估计、最小间距绝对对数距离估计、最小间距平方距离估计、最小间距平方对数距离估计、最小间距Linex距离估计、Anderson-Darling左尾二阶估计以及Kolmogorov估计。
**4. 数值模拟**
在不同参数组合和样本量（n=25, 80, 160, 240, 300）下进行蒙特卡罗模拟，使用平均偏差、均方误差、平均相对误差、平均绝对差异和最大绝对差异评估各估计量。结果显示，Kolmogorov估计（KE）在总体排名中表现最优（总秩和30.5），其次是最大乘积间距估计（MPSE）和最小间距绝对距离估计（MSADE）。最大似然估计（MLE）在参数η和ω的估计上表现良好，但整体排名中上。百分位估计（PCE）和Anderson-Darling左尾二阶估计（ADSOE）表现最差。
**5. 实际数据分析**
使用两个实际数据集（COVID-19死亡率和疲劳寿命数据）对WLKD与五个竞争模型进行比较。采用MLE估计参数，并计算标准误差。拟合优度指标（-2 log-likelihood、AIC、K-S检验统计量及p值、Cramér-von Mises检验统计量及p值）表明，WLKD在所有模型中具有最小的检验统计量和最大的p值，例如在第一个数据集中，WLKD的K-S统计量为0.06377，p值为0.91678，而其他模型的p值均低于此值。图形诊断（P-P图、拟合PDF与直方图、拟合生存函数与Kaplan-Meier曲线）也证实了WLKD对数据的良好拟合。
**讨论与结论**
讨论部分指出，WLKD的灵活性使其能够捕捉多样化的风险率形状（递增、递减或反J型），在保险和风险管理中具有重要价值，可用于更精确的失效率估计、保费定价、准备金计算和尾部风险评估。研究结论部分总结如下：本文引入了加权对数Kumaraswamy分布（WLKD），这是对数Kumaraswamy分布（LKD）的一种创新扩展，利用了加权分布类。WLKD的概率密度函数可以是右偏、单峰或递减形状，但其风险率函数可呈现递增或递减形状。研究人员计算了众多重要的统计性质，包括分位数函数、理论及数值上的普通矩、矩生成函数、不完全矩、条件矩、平均剩余寿命、平均非活动时间以及熵度量。利用十六种不同方法对WLKD的参数进行了估计，并进行了详细的蒙特卡罗模拟以评估估计量的有效性。通过每日COVID-19死亡率和失效率的两个实际数据集，进一步展示了加权对数Kumaraswamy分布的价值和有效性。拟合优度的数值结果表明，新提出的WLKD优于其主要竞争模型。总之，WLKD模型在建模复杂危险形状方面的灵活性及其对实际损失数据的改进拟合，使其成为旨在提高定价准确性、准备金估计和尾部风险缓解的保险公司和风险管理者的实用且可靠的工具。
