An Extension of the Gompertz Distribution for Modeling COVID-19 Mortality Dynamics
Notice bibliographique
Résumé
The Gompertz distribution is widely used in medical and reliability studies, particularly for modeling mortality rates and failure data. However, it has limitations in capturing complex data behaviors, such as heavy tails and varying hazard rate shapes. This paper introduces the Odd Beta Prime-Gompertz (OBP-Gompertz) distribution, a four-parameter extension of the traditional Gompertz model. The OBP-Gompertz distribution offers flexibility in modeling various shapes of probability density functions, including right-skewed, left-skewed, heavy-tailed, light-tailed, and unimodal distributions. Its hazard function can accommodate multiple forms, such as increasing, decreasing, bathtub-shaped, and inverted bathtub-shaped curves, making it well-suited for mortality rate data. The paper investigates key statistical properties, including moments, moment generating function, quantile function, Rényi and Tsallis entropy measures. Parameters are estimated using maximum likelihood estimation, and the model's robustness is assessed through Monte Carlo simulations. The OBP-Gompertz model is applied to three real-world COVID-19 mortality datasets from China, the Netherlands, and Nepal. The results demonstrate that the OBP-Gompertz model provides superior fits compared to the traditional Gompertz and other models. This work highlights the OBP-Gompertz distribution as a valuable tool for survival analysis, reliability studies, and epidemiological research.
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 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».