Statistiques non-paramétriques
M2 CEE
Pr. Philippe Polomé, Université Lumière Lyon 2
2018 – 2019
Table des matières
Motivation
Organisation
Definitions
I
En stat, le terme "non-paramétrique" a plusieurs significations :
1. Des
statsdites non-paramétriques
I Qui ne s’appuient pas sur un paramètreI p.e. les stat d’ordre, qui s’appuient sur le rang des observations dans l’échantillon
I En particulier, la médiane
2. Des techniques qui ne s’appuient pas sur une distribution en particulier
I Dites “libre de distribution” [distribution free]
I p.e. le test t-stat ne peut être obtenu que si∼n(., .)
3. Des techniques qui ne supposent pas que le modèle est fixe dans tout l’échantillon
I Le nombre de paramètres du modèle grandit avec la taille de l’échantillon
Applications
I
2 grands domaines
I RégressionsI lorsque la forme fonctionnelle de la relation n’est pas établie I Tests
I lorsque les données sont des classements
I
Avantages
I Moins d’hypothèses, donc + robustes I
Inconvénient
I Plus d’observations sont nécessaires pour atteindre la même puissance
I C’est la monnaie de la pièce d’avoir moins d’hypothèses
Table des matières
Motivation
Organisation
Plan par Ch
1. Tests non-paramétriques classiques et randomisation 2. Bootstrap
3. Graphe & Régressions
3.1 Histogramme 3.2 Régression à kernel3.3 Semi-paramétrique à kernel I Type Klein-Spady ou Ichimura I Modèles à coefficients aléatoires I Modèles partiellement linéaires
3.4 LOESS “locally weighted scatterplot smoothing”
I une technique classique
1. Tests
I
Il s’agit souvent de tests d’indépendance
I Entre un éch. & une distribution théorique I Entre 2 ou + éch.I
Ces tests sont anciens
I Correspondant à des usages assez cadrés I dans un tableau
I Des implémentations modernes facilitent/généralisent les traitements
I Permutations / randomisations
2. Bootstrap
I
Les techniques de tests en np utilisent le bootstrap
ILa randomisation peut être vue comme un bootstrap
I
Le bootstrap est une technique de test fondamentalement np
I Nous verrons une application en contexte de régression3. Régressions np
I
Il n’y a pas un traitement unifié de np
I Au contraire de MC p.e.I En général, np basé sur une approche graphique I graphes sont des représentations des données I S’appuyant sur des approximations locales
I Sur le fond, traçant une courbe dans un nuage de points...
I
Privilégier une approche
I opérationnelle : on peut estimer plusieurs modèles I moderne
I relativement unifiée
I
On suit un auteur principalement : J. Racine
I Méthodes présentées dans un livre opérationnel assez simple I Nonparametric Econometrics : A Primer (2008)
I Dispo en ligne (google) I Suivant un package R “np”
I npRmpi pour la parallélisation (pas utilisé dans ce cours) I crs (Categorical data Regression Spline)
Évaluation
I
Examen final écrit
I Ça n’est pas idéalI Mais je n’ai pas assez de recul pour faire autre chose
Biblio principale
I
Sidney Siegel “Non-parametric Statistics for the Behavioural Sciences” – nombreuses éditions
I
Racine, Nonparametric Econometrics : A Primer (2008)
I R code to replicate examples in this primerI http ://socserv.mcmaster.ca/racine/primer_code.zip
I
Package np & associés
I Site http ://socserv.mcmaster.ca/racinej/Gallery/Home.html I np package manual
I http ://cran.r-project.org/web/packages/np/vignettes/np.pdf I crs package manual
I http ://cran.r-project.org/web/packages/crs/vignettes/crs.pdf
I