Propriétés asymptotiques dans les modèles additifs de régression
Transcription
Propriétés asymptotiques dans les modèles additifs de régression
THÈSE DE DOCTORAT DE l’UNIVERSITÉ PARIS 6 Spécialité : Mathématiques Option : Statistique présentée par Mohammed DEBBARH pour obtenir le grade de DOCTEUR DE l’UNIVERSITÉ PARIS 6 Sujet de la thèse : Quelques propriétés asymptotiques dans les modèles additifs de régression Soutenue le 22 Mars 2006 devant le jury composé de : Directeur de thèse M. Djamal LOUANI Université de Reims Rapporteurs M. Michel DELECROIX CREST-ENSAI M. Philippe VIEU Université de Toulouse III Examinateurs M. Belkacem ABDOUS Université Laval (Canada) M. Denis BOSQ Université de Paris VI M. Paul DEHEUVELS Université de Paris VI lle M Armelle GUILLOU Université de Paris VI Invité M. Mounir MESBAH Université de Paris VI 2 Résumé Il est bien connu depuis le travail de Stone (1985) que les modèles additifs apportent une solution au problème du fléau de la dimension rencontré en estimation non paramétrique de la fonction de régression multivariée. Ce fléau se caractérise par la perte en vitesse de convergence de l’estimateur de la fonction de régression quand la dimension des covariables augmente. La solution proposée par les modèles additifs permet, dans le cas où ils sont bien ajustés, d’atteindre des vitesses pouvant aller jusqu’à celle obtenue pour le modèle de régression univarié. Cette thèse est consacrée à l’étude des propriétés asymptotiques des estimateurs des composantes additives du modèle de régression. La méthode du noyau et la méthode des ondelettes ont été utilisées pour estimer ces composantes qui ont été préalablement construites à l’aide de la méthode d’intégration marginale. Abstract It is well-known from Stone (1985) that the additive models bring out a solution to the problem of the curse of dimensionality in nonparametric multivariate regression estimation. The curse of dimensionality problem is characterized by a loss in the rate of convergence of the regression function estimator when the dimension of the covariates increases. Additives models allow to reach even univariate rate when these models fit well. This thesis is devoted to study asymptotic properties of additive component estimators in regression models. Kernel and wavelets methods have been used to estimate these additive components which have, beforehand, been built using the marginal integration method.