Extension de l'algorithme plug-in pour l'optimisation du paramètre de lissage de l'estimateur du noyau-difféomorphisme

RÉSUMÉ. L’estimateur noyau-difféomorphisme est une généralisation de l’estimateur à noyau permettant d’estimer les densités en tenant compte de leur support naturel. Le recours à un changement de variable approprié permet de limiter significativement le phénomène de Gibbs. Cependant, la qualité de l’estimation est tributaire de la valeur du pas qui doit être ajusté. Dans cet article, nous nous focalisons sur l’algorithme plug-in pour l’optimisation du pas. Ainsi, nous proposons une extension de cet algorithme itératif à l’estimateur du noyau difféomorphisme. Après un aperçu des théorèmes de convergence de la méthode du noyaudifféomorphisme et la présentation de l’algorithme proposé, la mesure de l'écart quadratique moyen intégré de quelques densités semi-bornées et bornées simulées puis ré-estimées permet de mettre en évidence l'intérêt de cette approche.

[1]  Abdel Razzaq Mugdadi,et al.  A bandwidth selection for kernel density estimation of functions of random variables , 2004, Comput. Stat. Data Anal..

[2]  Faouzi Ghorbel,et al.  Some statistical properties of the kernel-diffeomorphism estimator , 1997 .

[3]  J. Marron,et al.  Extent to which least-squares cross-validation minimises integrated square error in nonparametric density estimation , 1987 .

[4]  Paul Deheuvels,et al.  Estimation automatique de la densité , 1980 .

[5]  A. Bowman An alternative method of cross-validation for the smoothing of density estimates , 1984 .

[6]  J. Marron,et al.  Smoothed cross-validation , 1992 .

[7]  Peter Hall,et al.  Comparison of two orthogonal series methods of estimating a density and its derivatives on an interval , 1982 .

[8]  Richard A. Davis,et al.  Remarks on Some Nonparametric Estimates of a Density Function , 2011 .

[9]  P. J. Green,et al.  Density Estimation for Statistics and Data Analysis , 1987 .

[10]  Adel M. Alimi,et al.  Analytical Plug-In Method for Kernel Density Estimator Applied to Genetic Neutrality Study , 2008, EURASIP J. Adv. Signal Process..

[11]  James Stephen Marron,et al.  Lower bounds for bandwidth selection in density estimation , 1991 .

[12]  E. Parzen On Estimation of a Probability Density Function and Mode , 1962 .

[13]  Dirk P. Kroese,et al.  Kernel density estimation via diffusion , 2010, 1011.2602.

[14]  G. Terrell The Maximal Smoothing Principle in Density Estimation , 1990 .

[15]  D. W. Scott,et al.  Biased and Unbiased Cross-Validation in Density Estimation , 1987 .