Modified Ramos-Louzada-G family with baseline Weibull distribution: Properties, characterizations, regression, and applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The paper introduced a novel family of distributions, called the Kumaraswamy Ramos-Louzada-G (KumRL-G) class, focusing on the five-parameter Kumaraswamy Ramos-Louzada Weibull (KumRLW) distribution. This new family of distributions, which includes existing and numerous new sub-models, offers improved flexibility and accuracy in modeling and analyzing survival data. Key statistical properties, including quantile function, moments, and entropy measures underlying the distribution have been derived, and characterizations have also been provided based on the ratio of two truncated moments and the hazard rate function. The maximum likelihood estimation (MLE) is employed to estimate the parameters of the proposed probability distribution, and Monte Carlo simulation analysis is performed to demonstrate the effectiveness of this method. The significance and adaptability of the new family of distributions are revealed through applications to COVID-19 and survival rate to age 65 of male cohort datasets from Ghana, Nigeria, and Canada. A new location-scale regression model was subsequently formulated from the new KumRLW distribution. Its practicality was demonstrated using survival data on hypertension from Ghana with gender as a covariate. The regression analysis showed that gender is a significant factor in the length of time before hypertension develops. The new KumRL-G family with baseline Weibull distributions provides more flexibility and improved fit in modeling various shapes and behaviors in the survival datasets surpassing its existing sub-models and other notable distributions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle