A new copula-based bivariate Gompertz--Makeham model and its application to COVID-۱۹ mortality data
محل انتشار: مجله سیستم های فازی، دوره: 20، شماره: 3
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 96
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJFS-20-3_011
تاریخ نمایه سازی: 2 خرداد 1402
چکیده مقاله:
One of the useful distributions in modeling mortality (or failure) data is the univariate Gompertz--Makeham distribution. To examine the relationship between the two variables, the extended bivariate Gompertz--Makeham distribution is introduced, and its properties are provided. Also, some reliability indices, including aging intensity and stress-strength reliability, are calculated for the proposed model. Here, a new copula function is constructed based on the extended bivariate Gompertz--Makeham distribution. Some of its features including dependency properties, such as dependence structure, some measures of dependence, and tail dependence, are studied.The estimation of the parameters of new copula is presented, and at the end, a simulation study and a performance analysis based on the real data are presented. So, by analyzing the mortality data due to COVID-۱۹, the appropriateness of the proposed model is examined.
کلیدواژه ها:
نویسندگان
M. Esfahani
Department of Statistics, Faculty of Mathematical Sciences, Ferdowsi University of Mashhad, Iran
M. Amini
Department of Statistics, Faculty of Mathematical Sciences, Ferdowsi University of Mashhad, Iran
G. R. Mohtashami-Borzadaran
Department of Statistics, Faculty of Mathematical Sciences, Ferdowsi University of Mashhad, Iran
A. Dolati
Department of Statistics, Faculty of Mathematical Sciences, Ferdowsi University of Mashhad, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :