Thèse soutenue

Estimation non paramétrique de la fonction de régression pour des données censurées : méthodes locale linéaire et erreur relative
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Feriel Bouhadjera
Direction : Elias Ould-SaïdMohamed Riad Remita
Type : Thèse de doctorat
Discipline(s) : Mathématiques et leurs interactions
Date : Soutenance le 15/12/2020
Etablissement(s) : Littoral en cotutelle avec Université Badji Mokhtar-Annaba
Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Lille)
Partenaire(s) de recherche : Laboratoire : Laboratoire de mathématiques pures et appliquées (Calais, Pas de Calais) - Laboratoire de Mathématiques Pures et Appliquées Joseph Liouville - laboratoire de probabilités et statistiques, Annaba
Jury : Président / Présidente : Célestin Clotaire Kokonendji
Examinateurs / Examinatrices : Zohra Guessoum, Mustapha Rachdi, Hacène Boutabia
Rapporteurs / Rapporteuses : Zohra Guessoum, Mustapha Rachdi

Résumé

FR  |  
EN

Dans cette thèse, nous nous intéressons à développer des méthodes robustes et efficaces dans l’estimation non paramétrique de la fonction de régression. Le modèle considéré ici est le modèle censuré aléatoirement à droite qui est le plus utilisé dans différents domaines pratiques. Dans un premier temps, nous proposons un nouvel estimateur de la fonction de régression en utilisant la méthode linéaire locale. Nous étudions sa convergence uniforme presque sûre avec vitesse. Enfin, nous comparons ses performances avec celles de l’estimateur de la régression à noyau classique à l’aide de simulations. Dans un second temps, nous considérons l’estimateur de la fonction de régression par erreur relative (RER en anglais), basé sur la minimisation de l’erreur quadratique relative moyenne. Ainsi, nous établissons la convergence uniforme presque sûre (sur un compact) avec vitesse de l’estimateur défini pour des observations indépendantes et identiquement distribuées. En outre, nous prouvons sa normalité asymptotique en explicitant le terme de variance. Enfin, nous conduisons une étude de simulations pour confirmer nos résultats théoriques et nous appliquons notre estimateur sur des données réelles. Par la suite, nous étudions la convergence uniforme presque sûre (sur un compact) avec vitesse de l’estimateur RER pour des observations soumises à une structure de dépendance du type α-mélange. Une étude de simulation montre le bon comportement de l’estimateur étudié. Des prévisions sur données générées sont réalisées pour illustrer la robustesse de notre estimateur. Enfin, nous établissons la normalité asymptotique de l’estimateur RER pour des observations α-mélangeantes où nous construisons des intervalles de confiance afin de réaliser une étude de simulations qui valide nos résultats. Pour conclure, le fil conducteur de cette modeste contribution, hormis l’analyse des données censurées est la proposition de deux méthodes de prévision alternative à la régression classique. La première approche corrige les effets de bord crée par les estimateurs à noyaux classiques et réduit le biais. Tandis que la seconde est plus robuste et moins affectée par la présence de valeurs aberrantes dans l’échantillon.