Estimation semi-param´ etrique dans un mod` ele de d´ eformation
Philippe Fraysse
Universit´e Bordeaux 1 INRIA Bordeaux Sud-Ouest
Colloque Jeunes probabilistes et Statisticiens Marseille, 20 Avril 2012
Mod`ele
1 Mod`ele
2 Identifiabilit´e
3 Estimation param´etrique Estimation de θ Estimation de a
4 Estimation non param´etrique def
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 2 / 20
Mod`ele
On s’int´eresse au mod`ele de d´eformation
Yi,j =ajf(Xi−θj) +vj+εi,j
o`u1≤i≤n,1≤j≤p, E[εi,j] = 0et E h
ε2i,j i
=σj2<+∞. (H1) f est paire, 1-p´eriodique, born´ee.
(H2) (Xi)i≥0 iid de loi uniforme sur [−12,12]
Objectif : estimer vj (param`etre de niveau), θj (param`etre de translation), aj (param`etre d’´echelle) et f (forme commune).
Mod`ele
On s’int´eresse au mod`ele de d´eformation
Yi,j =ajf(Xi−θj) +vj+εi,j o`u1≤i≤n,1≤j≤p, E[εi,j] = 0et E
h ε2i,ji
=σj2<+∞.
(H1) f est paire, 1-p´eriodique, born´ee. (H2) (Xi)i≥0 iid de loi uniforme sur [−12,12]
Objectif : estimer vj (param`etre de niveau), θj (param`etre de translation), aj (param`etre d’´echelle) et f (forme commune).
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 3 / 20
Mod`ele
On s’int´eresse au mod`ele de d´eformation
Yi,j =ajf(Xi−θj) +vj+εi,j o`u1≤i≤n,1≤j≤p, E[εi,j] = 0et E
h ε2i,ji
=σj2<+∞.
(H1) f est paire, 1-p´eriodique, born´ee.
(H2) (Xi)i≥0 iid de loi uniforme sur [−12,12]
Objectif : estimer vj (param`etre de niveau), θj (param`etre de translation), aj (param`etre d’´echelle) et f (forme commune).
Mod`ele
On s’int´eresse au mod`ele de d´eformation
Yi,j =ajf(Xi−θj) +vj+εi,j o`u1≤i≤n,1≤j≤p, E[εi,j] = 0et E
h ε2i,ji
=σj2<+∞.
(H1) f est paire, 1-p´eriodique, born´ee.
(H2) (Xi)i≥0 iid de loi uniforme sur [−12,12]
Objectif : estimer vj (param`etre de niveau), θj (param`etre de translation), aj (param`etre d’´echelle) et f (forme commune).
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 3 / 20
Mod`ele
Yi,j =ajf(Xi−θj) +vj+εi,j
- 15 - 10 - 5 0 5 10 15 20
Identifiabilit´e
1 Mod`ele
2 Identifiabilit´e
3 Estimation param´etrique Estimation de θ Estimation de a
4 Estimation non param´etrique def
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 5 / 20
Identifiabilit´e
Yi,j =ajf(Xi−θj) +vj+εi,j.
Le mod`ele n’est pas identifiable :
Pour un jeu de param`etres(a, θ, v)et une fonction f, on peut trouver un autre jeu de param`etres (a∗, θ∗, v∗) et une autre fonction f∗ tels que pour1≤j ≤p et toutx,
ajf(x−θj) +vj =a∗jf∗(x−θj∗) +vj∗.
On rajoute donc les contraintes d’identifiabilit´e (H3)
Z 1/2
−1/2
f(x)dx= 0. (H4) a1= 1, θ1= 0 et max
1≤j≤p|θj|<1/4.
Identifiabilit´e
Yi,j =ajf(Xi−θj) +vj+εi,j. Le mod`ele n’est pas identifiable :
Pour un jeu de param`etres(a, θ, v)et une fonction f, on peut trouver un autre jeu de param`etres (a∗, θ∗, v∗) et une autre fonction f∗ tels que pour1≤j ≤p et toutx,
ajf(x−θj) +vj =a∗jf∗(x−θj∗) +vj∗.
On rajoute donc les contraintes d’identifiabilit´e (H3)
Z 1/2
−1/2
f(x)dx= 0. (H4) a1= 1, θ1= 0 et max
1≤j≤p|θj|<1/4.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 6 / 20
Identifiabilit´e
Yi,j =ajf(Xi−θj) +vj+εi,j. Le mod`ele n’est pas identifiable :
Pour un jeu de param`etres(a, θ, v)et une fonction f, on peut trouver un autre jeu de param`etres (a∗, θ∗, v∗) et une autre fonction f∗ tels que pour1≤j ≤pet tout x,
ajf(x−θj) +vj =a∗jf∗(x−θj∗) +vj∗.
On rajoute donc les contraintes d’identifiabilit´e (H3)
Z 1/2
−1/2
f(x)dx= 0. (H4) a1= 1, θ1= 0 et max
1≤j≤p|θj|<1/4.
Identifiabilit´e
Yi,j =ajf(Xi−θj) +vj+εi,j. Le mod`ele n’est pas identifiable :
Pour un jeu de param`etres(a, θ, v)et une fonction f, on peut trouver un autre jeu de param`etres (a∗, θ∗, v∗) et une autre fonction f∗ tels que pour1≤j ≤pet tout x,
ajf(x−θj) +vj =a∗jf∗(x−θj∗) +vj∗.
On rajoute donc les contraintes d’identifiabilit´e (H3)
Z 1/2
−1/2
f(x)dx= 0.
(H4) a1= 1, θ1= 0 et max
1≤j≤p|θj|<1/4.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 6 / 20
Estimation param´etrique
1 Mod`ele
2 Identifiabilit´e
3 Estimation param´etrique Estimation de θ Estimation de a
4 Estimation non param´etrique def
Estimation param´etrique
Yi,j =ajf(Xi−θj) +vj+εi,j.
On estimevj par la moyenne empirique desYi,j. Estimation de θj ⇒Estimation de aj.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 8 / 20
Estimation param´etrique
Yi,j =ajf(Xi−θj) +vj+εi,j. On estimevj par la moyenne empirique desYi,j.
Estimation de θj ⇒Estimation de aj.
Estimation param´etrique
Yi,j =ajf(Xi−θj) +vj+εi,j.
On estimevj par la moyenne empirique desYi,j. Estimation de θj ⇒Estimation de aj.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 8 / 20
Estimation param´etrique Estimation deθ
Yi,j =ajf(Xi−θj) +vj+εi,j.
On cherche une fonction φcontinueRp → Rp telle queφ(θ) = 0.
φ(t) =E
S(X, t)
a1f(X−θ1) ... apf(X−θp)
. S(X, t) = diag
sin(2π(X−t1)), . . . ,sin(2π(X−tp))
φ(t) =f1
a1sin(2π(θ1−t1)) ...
apsin(2π(θp−tp))
. o`u
f1= Z 1/2
−1/2
f(x) cos(2πx)dx
⇒ φ(θ) = 0
Estimation param´etrique Estimation deθ
Yi,j =ajf(Xi−θj) +vj+εi,j.
On cherche une fonction φcontinueRp → Rp telle queφ(θ) = 0.
φ(t) =E
S(X, t)
a1f(X−θ1) ... apf(X−θp)
.
S(X, t) = diag
sin(2π(X−t1)), . . . ,sin(2π(X−tp))
φ(t) =f1
a1sin(2π(θ1−t1)) ...
apsin(2π(θp−tp))
. o`u
f1= Z 1/2
−1/2
f(x) cos(2πx)dx
⇒ φ(θ) = 0
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 9 / 20
Estimation param´etrique Estimation deθ
Yi,j =ajf(Xi−θj) +vj+εi,j.
On cherche une fonction φcontinueRp → Rp telle queφ(θ) = 0.
φ(t) =E
S(X, t)
a1f(X−θ1) ... apf(X−θp)
. S(X, t) = diag
sin(2π(X−t1)), . . . ,sin(2π(X−tp))
φ(t) =f1
a1sin(2π(θ1−t1)) ...
apsin(2π(θp−tp))
. o`u
f1= Z 1/2
−1/2
f(x) cos(2πx)dx
⇒ φ(θ) = 0
Estimation param´etrique Estimation deθ
Yi,j =ajf(Xi−θj) +vj+εi,j.
On cherche une fonction φcontinueRp → Rp telle queφ(θ) = 0.
φ(t) =E
S(X, t)
a1f(X−θ1) ... apf(X−θp)
. S(X, t) = diag
sin(2π(X−t1)), . . . ,sin(2π(X−tp))
φ(t) =f1
a1sin(2π(θ1−t1)) ...
apsin(2π(θp−tp))
. o`u
f1= Z 1/2
−1/2
f(x) cos(2πx)dx
⇒ φ(θ) = 0
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 9 / 20
Estimation param´etrique Estimation deθ
Yi,j =ajf(Xi−θj) +vj+εi,j.
On cherche une fonction φcontinueRp → Rp telle queφ(θ) = 0.
φ(t) =E
S(X, t)
a1f(X−θ1) ... apf(X−θp)
. S(X, t) = diag
sin(2π(X−t1)), . . . ,sin(2π(X−tp))
φ(t) =f1
a1sin(2π(θ1−t1)) ...
apsin(2π(θp−tp))
. o`u
1/2
Estimation param´etrique Estimation deθ
Algorithme :
θb0∈Kp = [−1/4; 1/4]p. Pour n≥1,
θbn+1=πKp bθn+ 1
nTn+1 .
Tn+1 = diag
sign(a1f1), . . . ,sign(apf1)
S(Xn+1,θbn)
Yn+1,1
... Yn+1,p
. Th´eor`eme
Sous (H1−4),
n→+∞lim θbn=θ p.s.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 10 / 20
Estimation param´etrique Estimation deθ
Algorithme :
θb0∈Kp = [−1/4; 1/4]p. Pour n≥1,
θbn+1=πKp bθn+ 1
nTn+1 .
Tn+1 = diag
sign(a1f1), . . . ,sign(apf1)
S(Xn+1,θbn)
Yn+1,1
... Yn+1,p
. Th´eor`eme
Sous (H1−4),
n→+∞lim θbn=θ p.s.
Estimation param´etrique Estimation deθ
Algorithme :
θb0∈Kp = [−1/4; 1/4]p.
Pour n≥1,
θbn+1=πKp bθn+ 1
nTn+1 .
Tn+1 = diag
sign(a1f1), . . . ,sign(apf1)
S(Xn+1,θbn)
Yn+1,1
... Yn+1,p
. Th´eor`eme
Sous (H1−4),
n→+∞lim θbn=θ p.s.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 10 / 20
Estimation param´etrique Estimation deθ
Algorithme :
θb0∈Kp = [−1/4; 1/4]p. Pour n≥1,
θbn+1=πKp θbn+ 1
nTn+1 .
Tn+1 = diag
sign(a1f1), . . . ,sign(apf1)
S(Xn+1,θbn)
Yn+1,1
... Yn+1,p
. Th´eor`eme
Sous (H1−4),
n→+∞lim θbn=θ p.s.
Estimation param´etrique Estimation deθ
Algorithme :
θb0∈Kp = [−1/4; 1/4]p. Pour n≥1,
θbn+1=πKp θbn+ 1
nTn+1 .
Tn+1 = diag
sign(a1f1), . . . ,sign(apf1)
S(Xn+1,θbn)
Yn+1,1
... Yn+1,p
.
Th´eor`eme
Sous (H1−4),
n→+∞lim θbn=θ p.s.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 10 / 20
Estimation param´etrique Estimation deθ
Algorithme :
θb0∈Kp = [−1/4; 1/4]p. Pour n≥1,
θbn+1=πKp θbn+ 1
nTn+1 .
Tn+1 = diag
sign(a1f1), . . . ,sign(apf1)
S(Xn+1,θbn)
Yn+1,1
... Yn+1,p
.
Th´eor`eme Sous (H1−4),
lim θ =θ p.s.
Estimation param´etrique Estimation deθ
Yi,j =ajf(Xi−θj) +vj+εi,j. Th´eor`eme
Sous (H1−4) et si(εi,j) a un moment d’ordre>2 on a,
√n
θbn−θ−→ NL
0, ξ2(θ) .
Th´eor`eme
De plus, on a la loi du log-it´er´e
lim sup
n→∞
n 2 log logn
θbn−θ bθn−θT
=ξ2(θ) p.s. et la loi forte quadratique
n→∞lim 1 logn
n
X
k=1
θbk−θ θbk−θ T
=ξ2(θ) p.s.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 11 / 20
Estimation param´etrique Estimation deθ
Yi,j =ajf(Xi−θj) +vj+εi,j. Th´eor`eme
Sous (H1−4) et si(εi,j) a un moment d’ordre>2 on a,
√n
θbn−θ−→ NL
0, ξ2(θ) . Th´eor`eme
De plus, on a la loi du log-it´er´e
lim sup
n→∞
n 2 log logn
θbn−θ θbn−θT
=ξ2(θ) p.s.
et la loi forte quadratique
n→∞lim 1 logn
n
X
k=1
θbk−θ θbk−θ T
=ξ2(θ) p.s.
Estimation param´etrique Estimation deθ
Yi,j =ajf(Xi−θj) +vj+εi,j. Th´eor`eme
Sous (H1−4) et si(εi,j) a un moment d’ordre>2 on a,
√n
θbn−θ−→ NL
0, ξ2(θ) . Th´eor`eme
De plus, on a la loi du log-it´er´e
lim sup
n→∞
n 2 log logn
θbn−θ θbn−θT
=ξ2(θ) p.s.
et la loi forte quadratique
n→∞lim 1 logn
n
X
k=1
θbk−θ θbk−θ T
=ξ2(θ) p.s.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 11 / 20
Estimation param´etrique Estimation dea
Yi,j =ajf(Xi−θj) +vj+εi,j
ψ(t) =E
C(X, t)
a1f(X−θ1) ... apf(X−θp)
. C(X, t) = diag
cos(2π(X−t1)), . . . ,cos(2π(X−tp))
.
ψ(t) =f1
a1cos(2π(θ1−t1)) ...
apcos(2π(θp−tp))
.
⇒ lim
n→+∞ψ(θbn) =ψ(θ) =f1a p.s.
⇒ban,j = 1 nf1
n
X
i=1
cos(2π(Xi−θbn,j))Yi,j.
Estimation param´etrique Estimation dea
Yi,j =ajf(Xi−θj) +vj+εi,j
ψ(t) =E
C(X, t)
a1f(X−θ1) ... apf(X−θp)
.
C(X, t) = diag
cos(2π(X−t1)), . . . ,cos(2π(X−tp))
.
ψ(t) =f1
a1cos(2π(θ1−t1)) ...
apcos(2π(θp−tp))
.
⇒ lim
n→+∞ψ(θbn) =ψ(θ) =f1a p.s.
⇒ban,j = 1 nf1
n
X
i=1
cos(2π(Xi−θbn,j))Yi,j.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 12 / 20
Estimation param´etrique Estimation dea
Yi,j =ajf(Xi−θj) +vj+εi,j
ψ(t) =E
C(X, t)
a1f(X−θ1) ... apf(X−θp)
. C(X, t) = diag
cos(2π(X−t1)), . . . ,cos(2π(X−tp))
.
ψ(t) =f1
a1cos(2π(θ1−t1)) ...
apcos(2π(θp−tp))
.
⇒ lim
n→+∞ψ(θbn) =ψ(θ) =f1a p.s.
⇒ban,j = 1 nf1
n
X
i=1
cos(2π(Xi−θbn,j))Yi,j.
Estimation param´etrique Estimation dea
Yi,j =ajf(Xi−θj) +vj+εi,j
ψ(t) =E
C(X, t)
a1f(X−θ1) ... apf(X−θp)
. C(X, t) = diag
cos(2π(X−t1)), . . . ,cos(2π(X−tp))
.
ψ(t) =f1
a1cos(2π(θ1−t1)) ...
apcos(2π(θp−tp))
.
⇒ lim
n→+∞ψ(θbn) =ψ(θ) =f1a p.s.
⇒ban,j = 1 nf1
n
X
i=1
cos(2π(Xi−θbn,j))Yi,j.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 12 / 20
Estimation param´etrique Estimation dea
Yi,j =ajf(Xi−θj) +vj+εi,j
ψ(t) =E
C(X, t)
a1f(X−θ1) ... apf(X−θp)
. C(X, t) = diag
cos(2π(X−t1)), . . . ,cos(2π(X−tp))
.
ψ(t) =f1
a1cos(2π(θ1−t1)) ...
apcos(2π(θp−tp))
.
⇒ lim
n→+∞ψ(θbn) =ψ(θ) =f1a p.s.
⇒ban,j = 1 nf1
n
X
i=1
cos(2π(Xi−θbn,j))Yi,j.
Estimation param´etrique Estimation dea
Yi,j =ajf(Xi−θj) +vj+εi,j
ψ(t) =E
C(X, t)
a1f(X−θ1) ... apf(X−θp)
. C(X, t) = diag
cos(2π(X−t1)), . . . ,cos(2π(X−tp))
.
ψ(t) =f1
a1cos(2π(θ1−t1)) ...
apcos(2π(θp−tp))
.
⇒ lim
n→+∞ψ(θbn) =ψ(θ) =f1a p.s.
⇒ban,j = 1 nf1
n
X
i=1
cos(2π(Xi−θbn,j))Yi,j.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 12 / 20
Estimation param´etrique Estimation dea
Yi,j =ajf(Xi−θj) +vj+εi,j. ban,j = 1
nf1 n
X
i=1
cos(2π(Xi−θbn,j))Yi,j.
Th´eor`eme
Sous (H1−4),
n→+∞lim ban=a p.s.
et √
n(ban−a) L
−→ Np
0, 1 f12Σ
o`uΣ =Covcos(2π(X
1−θk))
g(X1) Y1,k,cos(2π(Xg(X1−θl))
1) Y1,l
1≤k,l≤p
Estimation param´etrique Estimation dea
Yi,j =ajf(Xi−θj) +vj+εi,j. ban,j = 1
nf1 n
X
i=1
cos(2π(Xi−θbn,j))Yi,j.
Th´eor`eme
Sous (H1−4),
n→+∞lim ban=a p.s.
et √
n(ban−a)−→ NL
p
0, 1
f12Σ
o`uΣ =Covcos(2π(X
1−θk))
g(X1) Y1,k,cos(2π(Xg(X1−θl))
1) Y1,l
1≤k,l≤p
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 13 / 20
Estimation param´etrique Estimation dea
Pour r´esumer, pour le mod`ele de d´eformation
Yi,j =ajf(Xi−θj) +vj+εi,j.
On estimevj par
bvn,j = 1 n
n
X
i=1
Yi,j. On estimeθj par
θbn+1,j =πK
bθn,j + 1 nTn+1,j
. On estimeaj par
ban,j = 1 nf1
n
X
i=1
cos(2π(Xi−θbn,j))Yi,j.
Et on a ´etabli la convergence p.s. de chacun des estimateurs, ainsi que la normalit´e asymptotique.
Estimation param´etrique Estimation dea
Pour r´esumer, pour le mod`ele de d´eformation
Yi,j =ajf(Xi−θj) +vj+εi,j. On estimevj par
bvn,j = 1 n
n
X
i=1
Yi,j.
On estimeθj par
θbn+1,j =πK
bθn,j + 1 nTn+1,j
. On estimeaj par
ban,j = 1 nf1
n
X
i=1
cos(2π(Xi−θbn,j))Yi,j.
Et on a ´etabli la convergence p.s. de chacun des estimateurs, ainsi que la normalit´e asymptotique.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 14 / 20
Estimation param´etrique Estimation dea
Pour r´esumer, pour le mod`ele de d´eformation
Yi,j =ajf(Xi−θj) +vj+εi,j. On estimevj par
bvn,j = 1 n
n
X
i=1
Yi,j. On estimeθj par
bθn+1,j =πK
bθn,j + 1 nTn+1,j
.
On estimeaj par
ban,j = 1 nf1
n
X
i=1
cos(2π(Xi−θbn,j))Yi,j.
Et on a ´etabli la convergence p.s. de chacun des estimateurs, ainsi que la normalit´e asymptotique.
Estimation param´etrique Estimation dea
Pour r´esumer, pour le mod`ele de d´eformation
Yi,j =ajf(Xi−θj) +vj+εi,j. On estimevj par
bvn,j = 1 n
n
X
i=1
Yi,j. On estimeθj par
bθn+1,j =πK
bθn,j + 1 nTn+1,j
. On estimeaj par
ban,j = 1 nf1
n
X
i=1
cos(2π(Xi−θbn,j))Yi,j.
Et on a ´etabli la convergence p.s. de chacun des estimateurs, ainsi que la normalit´e asymptotique.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 14 / 20
Estimation param´etrique Estimation dea
Pour r´esumer, pour le mod`ele de d´eformation
Yi,j =ajf(Xi−θj) +vj+εi,j. On estimevj par
bvn,j = 1 n
n
X
i=1
Yi,j. On estimeθj par
bθn+1,j =πK
bθn,j + 1 nTn+1,j
. On estimeaj par
ban,j = 1 nf1
n
Xcos(2π(Xi−θbn,j))Yi,j.
Estimation param´etrique Estimation dea
- 2.5 - 2.0 - 1.5 - 1.0 - 0.5 0.0 0.5 1.0 1.5 2.0 2.5
- 2.5 - 2.0 - 1.5 - 1.0 - 0.5 0.0 0.5 1.0 1.5 2.0 2.5
estimation de v
- 0.3 - 0.2 - 0.1 0.0 0.1 0.2 0.3
- 0.3 - 0.2 - 0.1 0.0 0.1 0.2 0.3
estimation de theta
- 3 - 2 - 1 0 1 2 3
- 3 - 2 - 1 0 1 2 3
estimation de a
Figure: Estimation dev,θeta
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 15 / 20
Estimation non param´etrique def
1 Mod`ele
2 Identifiabilit´e
3 Estimation param´etrique Estimation de θ Estimation de a
4 Estimation non param´etrique def
Estimation non param´etrique def
Yi,j =ajf(Xi−θj) +vj+εi,j.
Pour l’estimation non param´etrique def, on consid`ere l’estimateur r´ecursif de Nadaraya-Watson
fbn(x) = 1 p
p
X
j=1
fbn,j(x), avec
fbn,j(x) = 1 ban,j
Pn
i=1Wi,j(x) (Yi,j−bvi,j) Pn
i=1Wi,j(x) . Wi,j(x) = 1
hi
KXi−θbi−1,j−x hi
. hi=i−α.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 17 / 20
Estimation non param´etrique def
Yi,j =ajf(Xi−θj) +vj+εi,j.
Pour l’estimation non param´etrique def, on consid`ere l’estimateur r´ecursif de Nadaraya-Watson
fbn(x) = 1 p
p
X
j=1
fbn,j(x), avec
fbn,j(x) = 1 ban,j
Pn
i=1Wi,j(x) (Yi,j−bvi,j) Pn
i=1Wi,j(x) . Wi,j(x) = 1
hi
KXi−θbi−1,j−x hi
. hi=i−α.
Estimation non param´etrique def
Yi,j =ajf(Xi−θj) +vj+εi,j.
Pour l’estimation non param´etrique def, on consid`ere l’estimateur r´ecursif de Nadaraya-Watson
fbn(x) = 1 p
p
X
j=1
fbn,j(x), avec
fbn,j(x) = 1 ban,j
Pn
i=1Wi,j(x) (Yi,j−bvi,j) Pn
i=1Wi,j(x) . Wi,j(x) = 1
hi
KXi−θbi−1,j−x hi
. hi=i−α.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 17 / 20
Estimation non param´etrique def
Yi,j =ajf(Xi−θj) +vj+εi,j.
Pour l’estimation non param´etrique def, on consid`ere l’estimateur r´ecursif de Nadaraya-Watson
fbn(x) = 1 p
p
X
j=1
fbn,j(x), avec
fbn,j(x) = 1 ban,j
Pn
i=1Wi,j(x) (Yi,j−bvi,j) Pn
i=1Wi,j(x) .
Wi,j(x) = 1 hi
KXi−θbi−1,j−x hi
. hi=i−α.
Estimation non param´etrique def
Yi,j =ajf(Xi−θj) +vj+εi,j.
Pour l’estimation non param´etrique def, on consid`ere l’estimateur r´ecursif de Nadaraya-Watson
fbn(x) = 1 p
p
X
j=1
fbn,j(x), avec
fbn,j(x) = 1 ban,j
Pn
i=1Wi,j(x) (Yi,j−bvi,j) Pn
i=1Wi,j(x) . Wi,j(x) = 1
hi
KXi−θbi−1,j−x hi
. hi=i−α.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 17 / 20
Estimation non param´etrique def
Th´eor`eme
Sous (H1−4), sif est lipschitzienne et si(εi,j) a un moment d’ordre>2.
Pour x∈[−1/2; 1/2],
n→∞lim fbn(x) =f(x) p.s.
Th´eor`eme
De plus, si α >1/3, alors pourx∈[−1/2; 1/2]avecx6= 0, pnhn(fbn(x)−f(x)) L
−→ N
0, ν2 1 +α
1 p2
p
X
j=1
σ2j
g(θj+x) +g(θj −x)
. De plus, en x= 0,
pnhn(fbn(0)−f(0))−→ NL
0, ν2 1 +α
1 p2
p
X
j=1
σ2j g(θj)
.
Estimation non param´etrique def
Th´eor`eme
Sous (H1−4), sif est lipschitzienne et si(εi,j) a un moment d’ordre>2.
Pour x∈[−1/2; 1/2],
n→∞lim fbn(x) =f(x) p.s.
Th´eor`eme
De plus, si α >1/3, alors pourx∈[−1/2; 1/2]avecx6= 0, pnhn(fbn(x)−f(x)) L
−→ N
0, ν2 1 +α
1 p2
p
X
j=1
σ2j
g(θj+x) +g(θj −x)
. De plus, en x= 0,
pnhn(fbn(0)−f(0))−→ NL
0, ν2 1 +α
1 p2
p
X
j=1
σ2j g(θj)
.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 18 / 20
Estimation non param´etrique def
- 2 - 1 0 1 2 3 4 5 6
- 0.5 - 0.4 - 0.3 - 0.2 - 0.1 0.0 0.1 0.2 0.3 0.4 0.5
- 2 - 1 0 1 2 3 4 5 6
- 0.5 - 0.4 - 0.3 - 0.2 - 0.1 0.0 0.1 0.2 0.3 0.4 0.5
Figure:Estimation def parfbn etfbn,1
Estimation non param´etrique def
Merci de votre attention.
On s’est inspir´e de
B. BERCU, P. F., A Robbins-Monro procedure for estimation in semiparametric regression models, Annals of Statistics.
P. Fraysse (Bordeaux 1) Mod`ele de d´eformation Marseille 20/04/2012 20 / 20