張春雨，劉祿勤

（武漢大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，武漢 430072）

1 問題的提出

隨著壽命分布理論的深入發(fā)展與廣泛應(yīng)用，各種新型的壽命分布被相繼提出。Admidis和Loukas（1998）[1]對(duì)指數(shù)分布與幾何分布進(jìn)行復(fù)合，得到的新分布稱為Exponential-Geometric 分布；Kus（2007）[2]通過復(fù)合指數(shù)分布與Poisson分布得到了Exponential-Poisson分布；Hemmati（2011）[3]將Weibull分布與Poisson分布進(jìn)行復(fù)合，提出了Weibull-Poisson 分布；Alzahrani（2014）[4]采用相同的機(jī)制對(duì)Lomax分布和Poisson分布進(jìn)行復(fù)合，得到的分布稱為Poisson-Lomax分布。這些文獻(xiàn)研究了所得新分布的性質(zhì)，并給出了參數(shù)在完全樣本下的極大似然估計(jì)。

然而在壽命試驗(yàn)中，受試驗(yàn)時(shí)間、費(fèi)用等因素的限制，取得完全樣本往往有較大難度。例如，在醫(yī)學(xué)藥物試驗(yàn)中，受試者遷居外地而失去觀察，對(duì)藥物有不良反應(yīng)從而退出試驗(yàn)；受試驗(yàn)時(shí)間、費(fèi)用的限制，無(wú)法將試驗(yàn)進(jìn)行到所有元件都失效等。在這些情形下，只能得到一組不完全樣本。定數(shù)截尾是數(shù)據(jù)缺失的一種基本類型，王德輝（1999）[5]研究了定數(shù)截尾情形在熵?fù)p失函數(shù)下指數(shù)分布參數(shù)的Bayes估計(jì)，徐凌云（2010）[6]、鄢偉安（2012）[7]等給出了定數(shù)截尾情形下Exponential-Poisson分布參數(shù)的Bayes估計(jì)，并對(duì)不同損失函數(shù)下的估計(jì)進(jìn)行了比較。對(duì)于上述新分布，定數(shù)截尾情形下的參數(shù)估計(jì)研究尚不全面。本文研究定數(shù)截尾情形下Poisson-Lomax分布的參數(shù)估計(jì)。

在可靠性和壽命試驗(yàn)研究中，Lomax分布是一種使用廣泛的壽命分布。該分布包含了單調(diào)遞增和單調(diào)遞減的失效率，被廣泛應(yīng)用于分析醫(yī)學(xué)、生物科學(xué)和工程科學(xué)等方面的壽命試驗(yàn)數(shù)據(jù)處理中。Poisson-Lomax分布是2014年由Alzahrani[4]新提出的一種三參數(shù)壽命分布，是Lomax分布的推廣。

設(shè)Y1' Y2' …' Yn獨(dú)立同分布于參數(shù)為α' β的Lomax分布，其密度函數(shù)為：

其中 α' β＞0。Z 服從參數(shù)為 λ∈(0'M)' 0＜M≤∞ 的截零Poisson分布，即：

且 Z與{Yk:k≥1}獨(dú)立。令ξ=max{Y1'Y2'…'YZ}，則稱 ξ服從參數(shù)為 (α' β' λ)的Poisson-Lomax分布。其分布函數(shù)為：

密度函數(shù)為：

其中α'β'λ＞0。該分布的危險(xiǎn)率函數(shù)為：

隨參數(shù)的不同取值，危險(xiǎn)率函數(shù)h(x)具有單調(diào)減和單峰兩種形態(tài)，其靈活的危險(xiǎn)率函數(shù)給統(tǒng)計(jì)建模帶來(lái)了更多的選擇。文獻(xiàn)[4]分析了該分布的密度函數(shù)與危險(xiǎn)率函數(shù)，給出了各階矩與順序統(tǒng)計(jì)量，以及完全樣本情形下參數(shù)的極大似然估計(jì)與區(qū)間估計(jì)，并將此新分布應(yīng)用于實(shí)際數(shù)據(jù)。該分布在實(shí)際場(chǎng)景中的良好效果展示了其良好的應(yīng)用前景。本文將給出定數(shù)截尾情形下Poisson-Lomax分布參數(shù)的Bayes估計(jì)，并進(jìn)行數(shù)值模擬。模擬結(jié)果表明，在數(shù)據(jù)量較小時(shí)，Bayes估計(jì)優(yōu)于極大似然估計(jì)。

2 參數(shù)的Bayes估計(jì)

在壽命試驗(yàn)中，假定n個(gè)試驗(yàn)對(duì)象的壽命獨(dú)立同分布，規(guī)定進(jìn)行到有r個(gè)試驗(yàn)對(duì)象失效時(shí)試驗(yàn)終止。設(shè)此r個(gè)試驗(yàn)對(duì)象的生存時(shí)間依次為x1'x2'…'xr,則x1≤x2≤…≤xr。記x=(x1'x2'…'xr),由文獻(xiàn)[8]可知，x的聯(lián)合分布密度為：故似然函數(shù)為：

先考慮 α、β已知時(shí)參數(shù) λ的Bayes估計(jì)。記ti=(1+βxi)-α，則式（7）可記為：

取λ的先驗(yàn)密度為廣義均勻分布：

其中0＜M≤∞，則λ的Bayes后驗(yàn)密度為：

記為決策函數(shù)的后驗(yàn)風(fēng)險(xiǎn)為的損失函數(shù)，則：

λ 的Bayes估計(jì)的定義為

損失函數(shù)是影響B(tài)ayes估計(jì)效果的因素之一，Linex損失函數(shù)和刻度平方損失函數(shù)是常用的兩種損失函數(shù)?？潭绕椒綋p失函數(shù)由于計(jì)算方便，在參數(shù)估計(jì)問題中應(yīng)用廣泛[9-11]。Linex損失函數(shù)由Varian于1975年提出，Zellner（1986）[12]將Linex損失函數(shù)用于Bayes統(tǒng)計(jì)推斷問題，其后Linex損失函數(shù)日漸成為Bayes估計(jì)中常用損失函數(shù)之一。

本文將損失函數(shù)取為L(zhǎng)inex損失函數(shù)和刻度平方損失函數(shù)，分別求參數(shù)的Bayes估計(jì)。

2.1 參數(shù)λ在Linex損失函數(shù)下的Bayes估計(jì)

對(duì) λ?= λ?(x),Linex損失函數(shù)的定義為：

引理 1：記為 λ在損失函數(shù)式（12）下的Bayes估計(jì),則：

證明：對(duì)式（12）求條件期望，得：

等式兩端對(duì)λ?求一階偏導(dǎo)得：

令可得又：

故作為 λ在損失函數(shù)式（12）下的估計(jì)是唯一的。

定理1：對(duì)于先驗(yàn)分布式（9）,在損失函數(shù)式（12）下參數(shù)λ的Bayes估計(jì)為：

證明：由式（10）及引理1，可得：

定理得證。

2.2 參數(shù)λ在刻度平方損失函數(shù)下的Bayes估計(jì)

對(duì)刻度平方損失函數(shù)定義為：

特別地，當(dāng) k=0 時(shí)為平方損失函數(shù)。

引理 2：記為 λ在損失函數(shù)式（19）下的Bayes估計(jì)，則：

證明：對(duì)式（19）兩端求條件期望，得：

等式兩端對(duì)λ?求一階偏導(dǎo)得：

令可得又：

故作為λ在刻度平方損失函數(shù)式（19）下的估計(jì)是唯一的。

定理2：對(duì)于先驗(yàn)分布式（9）,在損失函數(shù)式（19）下參數(shù)λ的Bayes估計(jì)為：

證明：由式（10）及引理2，可得：

由式（20）、式（25）、式（26），可得式（24）。定理得證。

2.3 參數(shù)α 的Bayes估計(jì)

類似于上文對(duì)參數(shù)λ的Bayes估計(jì)，本文可以考慮λ、α已知時(shí)參數(shù)β的Bayes估計(jì)和β、λ已知時(shí)參數(shù)α的Bayes估計(jì)。限于篇幅，本文僅給出β、λ已知時(shí)參數(shù)α的Bayes估計(jì)。設(shè) β、λ已知，則由式（7）得：

取α的先驗(yàn)密度為廣義均勻分布：

其中0＜M≤∞，則α的Bayes后驗(yàn)密度為：

與參數(shù)λ的Bayes估計(jì)方法類似，本文可以得到α在Linex損失函數(shù)下的Bayes估計(jì)α?1與刻度損失函數(shù)下的Bayes估計(jì)表達(dá)式如下：

3 數(shù)值模擬

由文獻(xiàn)[4]，Poisson-Lomax分布的分位數(shù)函數(shù)為：

對(duì)參數(shù)λ的極大似然估計(jì)λ?m及在兩種損失函數(shù)下的Bayes估計(jì) λ?1、λ?2進(jìn)行數(shù)值模擬。步驟如下：

（1）確定需要產(chǎn)生的樣本容量n,以及截尾數(shù)r；

（2）固定 α=2,β=0.5,對(duì) λ'M'n'r分別取不同的值，進(jìn)行后續(xù)步驟；

（3）產(chǎn)生獨(dú)立的U1'…'Un～ Unif(0,1),令 X1=Q(U1)'…'Xn=Q(Un),則 X1'…'Xn～F(x;2'0.5'λ)。取 x1=X(1)'…'xr=X(r),計(jì)算 ti=(1+βxi)-α'i=1'…'r；

（4）計(jì)算記e-zc′,對(duì) M ＜ ∞ ,由大數(shù)定律：

其中，z1'…'zN～Unif(0'M)。取 N=10000'c=0.01'k=0,計(jì)算

在λ取值范圍為λ∈(0'∞)時(shí)，有：

其中，z1'…'zN～Exp(1)。取 N=10000'c=0.01'k=0,計(jì)算

（5）對(duì)每個(gè) λ的取值，重復(fù)步驟（3）、步驟（4）1000次，并求其均值、標(biāo)準(zhǔn)誤、均方誤差。

設(shè) λ?m為 λ的極大似然估計(jì)，即 λ?m為在 α、β 已知時(shí)似然函數(shù)式（7）的最大值點(diǎn)，用Newton法求 λ?m，迭代終止條件為兩次結(jié)果相差小于0.001。將兩個(gè)Bayes估計(jì)與極大似然估計(jì)進(jìn)行比較。

由以上模擬步驟，可得如下頁(yè)表1所示模擬結(jié)果。表1展示了λ=5、M=∞時(shí)，在不同的n、r取值下λ的估計(jì)。由表1可以看出，估計(jì)的準(zhǔn)確度隨n、r的增加而上升。當(dāng)n不變而r增大時(shí)，準(zhǔn)確度提高；當(dāng)r不變只有n增加時(shí)，準(zhǔn)確度同樣會(huì)提高。由表1易見，此時(shí)極大似然估計(jì)優(yōu)于Bayes估計(jì)。

表2（見下頁(yè)）比較了在M 取有限值時(shí)兩種估計(jì)的效果。取λ=4、M=100,n、r取值如表2所示。當(dāng)數(shù)據(jù)缺失較多，即r較小時(shí)，極大似然估計(jì)效果較差。表2顯示，r=2、r=5時(shí)，n的三種取值情形下Bayes估計(jì)均優(yōu)于極大似然估計(jì)；當(dāng)觀察到的數(shù)據(jù)較多，即有效樣本量r=20時(shí)，極大似然估計(jì)效果更好。同時(shí)，不難發(fā)現(xiàn)當(dāng)觀察到的數(shù)據(jù)很少即r=2或r=5時(shí)，表2中由左至右Bayes估計(jì)相對(duì)極大似然估計(jì)的優(yōu)勢(shì)越來(lái)越明顯。這是因?yàn)橛勺笾劣襫增大，數(shù)據(jù)缺失程度變大，極大似然估計(jì)因此效果變差。

表1 λ=5、M=∞時(shí)估計(jì)結(jié)果比較

表2 λ=4、M=100時(shí)模擬結(jié)果

表3給出了不同M取值對(duì)Bayes估計(jì)準(zhǔn)確程度的影響。由表3可知，M=∞時(shí)Bayes估計(jì)效果最差，M=50時(shí)估計(jì)效果最好，M=100時(shí)估計(jì)效果比M=50時(shí)略差。此處M的取值在Bayes估計(jì)中決定了λ的先驗(yàn)分布，M取值較小，給出的先驗(yàn)信息更充分，估計(jì)更準(zhǔn)確。

表3 n=1000、r=20時(shí)模擬結(jié)果

類似地，本文對(duì)參數(shù)α的兩個(gè)Bayes估計(jì)進(jìn)行模擬。取c=0.8、 k=2，得到表4所示結(jié)果。由表4可知，除數(shù)據(jù)量較小的n=60、r=10情形，M取值對(duì)α估計(jì)準(zhǔn)確度影響不大，因此在數(shù)據(jù)量較大時(shí)，對(duì)α的估計(jì)可取先驗(yàn)分布為(0'∞)上的廣義均勻分布。

表4 α=5時(shí)模擬結(jié)果

綜上，可得如下結(jié)論：（1）當(dāng)r很小時(shí)，Bayes估計(jì)明顯優(yōu)于極大似然估計(jì)；（2）r固定時(shí)，n越大，數(shù)據(jù)缺失程度越大，Bayes估計(jì)相對(duì)極大似然估計(jì)的優(yōu)勢(shì)越明顯；（3）對(duì)參數(shù)λ而言，M取值越小估計(jì)越準(zhǔn)確；（4）對(duì)參數(shù)α，當(dāng)數(shù)據(jù)量較小時(shí)M取有限值估計(jì)更準(zhǔn)確，數(shù)據(jù)量較大時(shí)M取值對(duì)估計(jì)準(zhǔn)確度影響相對(duì)較小。

[1]Adamidis K,Loukas S.A Lifetime Distribution With Decreasing Failure Rate[J].Statistics and Probability Letters,1998，39(1).

[2]Kus C.A New Lifetime Distribution[J].Comput.Stat.Data Anal,2007,51(9).

[3]Hemmati F,Khorram E,Rezakhah S.A New Three-parameter Ageing Distribution[J].Journal of Statistical Planning and Inference,2011,141(7).

[4]AlZahrani B，Sagor H.The Poisson-Lomax Distribution[J].Revista Colombiana de Estadística,2014,37(1).

[5]王德輝,宋立新.熵?fù)p失函數(shù)下定數(shù)截尾情形參數(shù)的Bayes估計(jì)——指數(shù)分布情形[J].應(yīng)用概率統(tǒng)計(jì)，1999,15(2).

[6]徐凌云,朱寧,方愛秋,唐清干.定數(shù)截尾情形指數(shù)-泊松分布參數(shù)的Bayes估計(jì)[J].統(tǒng)計(jì)與決策,2010,(15).

[7]鄢偉安,師義民,劉英.不同損失函數(shù)下指數(shù)-泊松分布的Bayes估計(jì)[J].火力與指揮控制,2012，37(2).

[8]曹晉華,程侃.可靠性數(shù)學(xué)引論[M].北京：高等教育出版社,2012.

[9]陳家鑫.AR模型階數(shù)依平方損失函數(shù)下的Bayes估計(jì)[J].應(yīng)用概率統(tǒng)計(jì),1991,(2).

[10]宋立新，陳永勝，許俊美.刻度平方誤差損失下Poisson分布參數(shù)的Bayes估計(jì)[J].蘭州理工大學(xué)學(xué)報(bào),2008,(5).

[11]彭家龍，李順波.刻度平方誤差損失下二項(xiàng)分布無(wú)失效數(shù)據(jù)的可靠性分析[J].佳木斯大學(xué)學(xué)報(bào)：自然科學(xué)版,2009,(1).

[12]Zellner A.Bayesian Estimation and Prediction Using Asymmetric Loss Function[J].Journal of the Americcan Statistical Assication,1986,81(394).