Modified Ramos-Louzada-G family with baseline Weibull distribution: Properties, characterizations, regression, and applications
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».