最小二乘估计 (LSXY) 与最大似然估计 (MLE)

通过对概率图上的点拟合回归线可以计算出最小二乘估计。通过回归变换百分比上的失效时间或对数（失效时间）来形成此线。

通过最大化似然函数来计算极大似然估计。对于每组分布参数，似然函数描述了真分布具有这些基于样本的参数的几率。

以下是每种方法的主要优点：

最小二乘

·    概率图有更好的图形显示，因为此线拟合到这些点。

·    对于小型或严重删失的样本，LSXY 要比 MLE 精确。MLE 倾向于高估 Weibull 分布的形状参数，而低估其他分布中的尺度参数。因此，MLE 将倾向于高估低百分位数。

极大似然

·    分布参数估计值要比 LSXY 精确。

·    当有很少的故障时，MLE 允许您执行分析。当只有一个故障和一些右删失的观测值时，极大似然参数估计可以存在。

·    MLE 具有吸引人的数学性质。

如果可能，两种方法都应尝试一下。如果结果一致，将更加支持您的结论。否则您可以使用更保守的估计方法，或者考虑两种方法的优势并根据您的问题选择其中的一种。