Robust Rao-type tests for step-stress accelerated lifetests with interval-censored data and Weibull lifetime distributions
Notice bibliographique
Résumé
Many engineering products are highly reliable in the present highly competitive market, often exhibiting long mean lifetimes to failure. This makes experimental testing both time-intensive and challenging. Accelerated life-tests are commonly used to induce early failures by subjecting products to higher-than-normal stress conditions, enabling enough failures to be observed for accurate statistical analysis. Additionally, censored data is a common challenge in reliability studies. Specifically, interval-censored data arises when continuous monitoring of devices is impractical or infeasible due to technical constraints or budget limitations. Statistical inference in such situations is often based on the likelihood function of the model. However, likelihood-based methods can be highly sensitive to outliers, which may result in biased or unreliable estimates. To address this issue, minimum density power divergence techniques can be used as a robust alternative. These methods extend traditional likelihood-based approach and have demonstrated appealing performance in reliability inference. In this paper, we develop robust restricted estimators based on the density power divergence for step-stress accelerated life-tests under Weibull distributions with interval-censored data and use these restricted estimators to generalize the Rao Score test for testing composite null hypotheses, including testing the significance of stress factors contributing degradation of the devices. We present the theoretical asymptotic properties of the estimators and also associated test statistics, along with numerical analyses that support the robustness of the proposed estimators and tests of hypotheses.
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 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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».