An Invariance Principle for Reduced U-Statistics.
We consider a finite mixture of Gaussian regression models for high-dimensional heterogeneous data where the number of covariates may be much larger than the sample size. We propose to estimate the unknown conditional mixture density by an ℓ1-penalized maximum likelihood estimator. We shall provide an ℓ1-oracle inequality satisfied by this Lasso estimator with the Kullback–Leibler loss. In particular, we give a condition on the regularization parameter of the Lasso to obtain such an oracle inequality....
Aitkin y Clayton (1980) proponen el análisis de modelos de duración mediante modelos lineales generalizados. En este trabajo extendemos esta metodología permitiendo que el efecto de alguna de las variables explicativas pueda no ser especificado. Así, el modelo propuesto es un modelo lineal generalizado semiparamétrico, con una componente paramétrica donde se especifica la forma funcional concreta del efecto de las variables explicativas sobre la duración, y una componente no paramétrica donde recogemos...
Dans cet article, on traite un échantillon d'angles de droits et de revers de pièces de monnaies. On a cherché à en donner une description statistique correcte et à ajuster une loi théorique puis à construire un test d'homogénéité non paramétrique de deux échantillons distribués sur le cercle.
In this paper, we consider a multidimensional convolution model for which we provide adaptive anisotropic kernel estimators of a signal density measured with additive error. For this, we generalize Fan’s (Ann. Statist.19(3) (1991) 1257–1272) estimators to multidimensional setting and use a bandwidth selection device in the spirit of Goldenshluger and Lepski’s (Ann. Statist.39(3) (2011) 1608–1632) proposal for density estimation without noise. We consider first the pointwise setting and then, we...
En el modelo de regresión lineal y = E(Y/X = x) = θx, donde (X,Y) es un vector aleatorio bidimensional, del que se dispone de una muestra {(X1, Y1), ..., (Xn, Yn)}, se han introducido recientemente una clase general de estimadores para θ definida como aquellos valores que minimizan el funcional:ψ(θ) = ∫ (αn(x) - θx)2 dΩn(x)donde αn es un estimador no paramétrico del tipo núcleo o histograma para α(x) = E(Y/X = x) y Ωn una función de ponderación.En este trabajo se extiende tal estudio cuando inicialmente...
Les distributions non paramétriques de survie trouvent, de plus en plus, des applications dans des domaines très variés, à savoir : théorie de fiabilité et analyse de survie, files d’attente, maintenance, gestion de stock, théorie de l’économie, L’objet de ce travail est d’utiliser les bornes inférieures et supérieures (en terme de la moyenne) des fonctions de fiabilité appartenant aux classes de distribution de type et , présentées par Sengupta (1994), pour l’évaluation de certaines caractéristiques....
Les distributions non paramétriques de survie trouvent, de plus en plus, des applications dans des domaines très variés, à savoir: théorie de fiabilité et analyse de survie, files d'attente, maintenance, gestion de stock, théorie de l'économie, ... L'objet de ce travail est d'utiliser les bornes inférieures et supérieures (en terme de la moyenne) des fonctions de fiabilité appartenant aux classes de distribution de type IFR, DFR, NBU et NWU, présentées par Sengupta (1994), pour l'évaluation de...
An approximation error and an asymptotic formula are given for shift invariant operators of polynomial order ϱ. Density estimators based on shift invariant operators are introduced and AMISE is calculated.
In this article we propose a method of parameters estimation for the class of discrete stable laws. Discrete stable distributions form a discrete analogy to classical stable distributions and share many interesting properties with them such as heavy tails and skewness. Similarly as stable laws discrete stable distributions are defined through characteristic function and do not posses a probability mass function in closed form. This inhibits the use of classical estimation methods such as maximum...