Développement d’Edgeworth d’ordre 1 pour des M-estimateurs dans le cas de chaînes de Markov
V-géométriquement ergodiques.
(Xn)n≥0chaîne de Markov homogène surE I Qθnoyau de transition
I πθprobabilitéQθ-invariante
V-géométrique ergodicité.
V :E→[1,+∞[t.q.
I sup
θ
πθ(V)<+∞
I il existe0< κ <1t.q. sup
θ,|f|≤V
|IEx[f(Xn)]−πθ(f)| ≤C κnV(x).
Exemple :système linéaire simpleXn=θXn−1+Wnavec I (Wn)ni.i.d.,IE[|W1|γ]<+∞, de densitéfW >0 I etθ dans un compact dans]−1,1[.
On pose
Qθ(x, dy) :=fW(y−θx)dy et V(x) := (|x|+ 1)γ.
(Xn)n≥0chaîne de Markov homogène surE I Qθnoyau de transition
I πθprobabilitéQθ-invariante
V-géométrique ergodicité.
V :E→[1,+∞[t.q.
I sup
θ
πθ(V)<+∞
I il existe0< κ <1t.q. sup
θ,|f|≤V
|IEx[f(Xn)]−πθ(f)| ≤C κnV(x).
Exemple :système linéaire simpleXn=θXn−1+Wnavec I (Wn)ni.i.d.,IE[|W1|γ]<+∞, de densitéfW >0 I etθ dans un compact dans]−1,1[.
On pose
Qθ(x, dy) :=fW(y−θx)dy et V(x) := (|x|+ 1)γ.
I µθloi initiale, avecsupθµθ(V)<+∞
I α≡α(θ)paramètre d’intérêt (réel)
Mn(α) := 1 n
n X
k=1
F(α, Xk−1, Xk), oùF est à valeurs réelles.
α0unique t.q.
IEθ,πθ h
F(1)(α0, X0, X1)i= 0.
αˆnestimateur t.q.
αˆn= arg minMn(α)
Exemple.α=θetF(θ, x, y) :=−lnfW(y−θx)⇒estimateur du maximum de vraisemblance.
I Mn(1)( ˆαn) = 0 I supθ,d>0Pθ,µθ
n|ˆαn−α0| ≥do=o(n−12).
I µθloi initiale, avecsupθµθ(V)<+∞
I α≡α(θ)paramètre d’intérêt (réel)
Mn(α) := 1 n
n X
k=1
F(α, Xk−1, Xk), oùF est à valeurs réelles.
α0unique t.q.
IEθ,πθ h
F(1)(α0, X0, X1)i= 0.
αˆnestimateur t.q.
αˆn= arg minMn(α)
Exemple.α=θetF(θ, x, y) :=−lnfW(y−θx)⇒estimateur du maximum de vraisemblance.
I Mn(1)( ˆαn) = 0 I supθ,d>0Pθ,µθ
n|ˆαn−α0| ≥do=o(n−12).
I µθloi initiale, avecsupθµθ(V)<+∞
I α≡α(θ)paramètre d’intérêt (réel)
Mn(α) := 1 n
n X
k=1
F(α, Xk−1, Xk), oùF est à valeurs réelles.
α0unique t.q.
IEθ,πθ h
F(1)(α0, X0, X1)i= 0.
αˆnestimateur t.q.
αˆn= arg minMn(α)
Exemple.α=θetF(θ, x, y) :=−lnfW(y−θx)⇒estimateur du maximum de vraisemblance.
I Mn(1)( ˆαn) = 0 I supθ,d>0Pθ,µθ
n|ˆαn−α0| ≥do=o(n−12).
I pourj= 2,3etη∈]0,1/2[
|F(j)(α, x, y)−F(j)(α0, x, y)| ≤C|α−α0| V(x) +V(y)η I (D3) pour1≤j≤3 |F(j)(α, x, y)|3+ε≤C V(x) +V(y)
mj(θ) :=IEθ,πθ
F(j)(α0, X0, X1) (D3)⇒σj(θ)2:= limn1
nIEθ,µθ
Pn
k=1F(j)(α0, Xk−1, Xk)−n mj(θ)2
.
I pourj= 1,2 infθσj(θ)>0 I infθm2(θ)>0
I condition de non-arithméticité.
I pourj= 2,3etη∈]0,1/2[
|F(j)(α, x, y)−F(j)(α0, x, y)| ≤C|α−α0| V(x) +V(y)η I (D3) pour1≤j≤3 |F(j)(α, x, y)|3+ε≤C V(x) +V(y)
mj(θ) :=IEθ,πθ
F(j)(α0, X0, X1) (D3)⇒σj(θ)2:= limn1
nIEθ,µθ
Pn
k=1F(j)(α0, Xk−1, Xk)−n mj(θ)2
.
I pourj= 1,2 infθσj(θ)>0 I infθm2(θ)>0
I condition de non-arithméticité.
I pourj= 2,3etη∈]0,1/2[
|F(j)(α, x, y)−F(j)(α0, x, y)| ≤C|α−α0| V(x) +V(y)η I (D3) pour1≤j≤3 |F(j)(α, x, y)|3+ε≤C V(x) +V(y)
mj(θ) :=IEθ,πθ
F(j)(α0, X0, X1) (D3)⇒σj(θ)2:= limn1
nIEθ,µθ
Pn
k=1F(j)(α0, Xk−1, Xk)−n mj(θ)2
.
I pourj= 1,2 infθσj(θ)>0 I infθm2(θ)>0
I condition de non-arithméticité.
N
fonction de répartition de la loi
N(0,1), et ηsa densité.
Théorème.
Il existe un polynôme
Aθt.q.
sup
θ,u
Pθ,µθ
√n
σ(θ)( ˆαn−α0)≤u −N(u)−η(u)n−12Aθ(u)
=o(n−12),
avec
σ(θ) := σ1(θ) m2(θ).
et
Aθadmet des coefficients uniformément bornés en
θ.Sn(p) :=
n X
k=1
ξp(Xk−1, Xk).
HypothèseR(3).
Il existeV(0)⊂IRt.q.∀t∈ V(0)
IEθ[eitSn(p)] =λθ,p(t)n(1 +lθ,p(t)) +rθ,p,n(t),
et pour`= 0, . . . ,3:
I supt∈V(0)supθ,pλ(`)θ,p(t)<+∞ et supt∈V(0)supθ,pl(`)θ,p(t)<+∞, I supt∈V(0)supθ,p
r(`)θ,p,n(t)
=O(κn).
Proposition.
Si|ξp(x, y)|3+ε≤C V(x) +V(y)uniformément enp, alorsR(3)est vérifiée.
Sn(p) :=
n X
k=1
ξp(Xk−1, Xk).
HypothèseR(3).
Il existeV(0)⊂IRt.q.∀t∈ V(0)
IEθ[eitSn(p)] =λθ,p(t)n(1 +lθ,p(t)) +rθ,p,n(t),
et pour`= 0, . . . ,3:
I supt∈V(0)supθ,pλ(`)θ,p(t)<+∞ et supt∈V(0)supθ,pl(`)θ,p(t)<+∞, I supt∈V(0)supθ,p
r(`)θ,p,n(t)
=O(κn).
Proposition.
Si|ξp(x, y)|3+ε≤C V(x) +V(y)uniformément enp, alorsR(3)est vérifiée.
Hypothèse (N-A).
Pour tout compactK0⊂IR∗, il existe0< ρ <1t.q.
sup
t∈K0
sup
θ,p
IEθ[eitSn(p)]=O(ρn).
Théorème : développement d’Edgeworth probabiliste d’ordre1.
R(3)et (N-A) vérifiées⇒il existeσθ,pet un polynômeAθ,pt.q.
sup
u,θ,p Pθ
Sn(p) σθ,p√
n≤u
!
− N(u)− 1
√nAθ,p(u)η(u)
=o( 1
√n).
etAθ,padmet des coefficients uniformément bornés en(θ, p).
Application :avec|u|<2√ lnnet Fn(1)(α0, x, y)+σ(θ)
√nu Fn(2)(α0, x, y)−m2(θ)
! +(σ(θ)
√n)2u2
2 Fn(3)(α0, x, y)−m3(θ)
! .
Hypothèse (N-A).
Pour tout compactK0⊂IR∗, il existe0< ρ <1t.q.
sup
t∈K0
sup
θ,p
IEθ[eitSn(p)]=O(ρn).
Théorème : développement d’Edgeworth probabiliste d’ordre1.
R(3)et (N-A) vérifiées⇒il existeσθ,pet un polynômeAθ,pt.q.
sup
u,θ,p Pθ
Sn(p) σθ,p√
n≤u
!
− N(u)− 1
√nAθ,p(u)η(u)
=o( 1
√n).
etAθ,padmet des coefficients uniformément bornés en(θ, p).
Application :avec|u|<2√ lnnet Fn(1)(α0, x, y)+σ(θ)
√nu Fn(2)(α0, x, y)−m2(θ)
! +(σ(θ)
√n)2u2
2 Fn(3)(α0, x, y)−m3(θ)
! .
I ρ-mixing et modèle itératif lipschitzien I
ordre supérieur à
1: condition de Cramér
Références :
[1] Ferré D. Développement d’Edgeworth d’ordre 1 pour des M-estimateurs dans le cas de chaînes de Markov V-géométriquement ergodiques. CRAS, 2010.
[2] Hervé L. and Pène F. The Nagaev method via the Keller-Liverani theorem. A paraître dans Bull. Soc. Math. Fr.
[3] Hervé L., Ledoux J. and Patilea V. A uniform Berry-Esseen theorem on M-estimators for geometrically ergodic Markov chains.
[4] Meyn S. P. and Tweedie R. L. Markov chains and stochastic stability. Springer Verlag, 1993.
[5] Pfanzagl J. Asymptotic expansions related to minimum contrast estimators.
Ann. Statist., 1973.