| Titre : | Sur l’estimation à noyau de la fonction de régression : Propriétés et applications |
| Auteurs : | Hasna HERRAD, Auteur ; Djabrane Yahia, Directeur de thèse |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2026 |
| Format : | 1vol.(57.p) / 30 CM |
| Langues: | Français |
| Mots-clés: | Régression non paramétriques univariées, méthode de noyau, estimateur de Nadaraya-Watson Powered by |
| Résumé : |
Cette thèse traite de l’estimation non paramétrique de la fonction de régression à l’aide de la méthode des noyaux. La recherche vise principalement à étudier l’estimateur de Nadaraya-Watson et ses principales propriétés théoriques, notamment le biais, la variance et la convergence. Cette étude souligne l’importance du choix de la fonction de noyau (K), du paramètre de lissage (h) et de la taille de l’échantillon (n) pour garantir une estimation précise. L’application à des données réelles a démontré la valeur de cette méthode pour l’analyse des relations entre les variables. Les résultats obtenus montrent que l’estimation par noyau est un outil statistique efficace et flexible pour étudier les relations non linéaires et complexes entre les variables. |
| Sommaire : |
Table des figures v Liste des tableaux vi Introduction 1 1 Généralités sur la fonction de régression 4 1.1 Fonction de régression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 Principe d’estimation de la fonction de régression . . . . . . . . . . . . . . . . . . 5 1.2.1 Régression paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.2.2 Régression non paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3 Quelques types de régression paramétrique . . . . . . . . . . . . . . . . . . . . . . 7 1.3.1 Régression linéaire simple . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.1.1 Estimation des paramètres . . . . . . . . . . . . . . . . . . . . . . 7 1.3.1.2 Propriétés des estimateurs . . . . . . . . . . . . . . . . . . . . . . 9 1.3.2 Régression linéaire multiple . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.3 Régression polynomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.4 Quelques exemples de régression paramétrique . . . . . . . . . . . . . . . . . . . . 12 2 Estimation à noyau de la fonction de régression 15 2.1 Sur l’estimation à noyau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.1.1 Notion du noyau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2 Estimateur à noyau de la densité . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.1 Propriétés de l’estimateur à noyau de la densité . . . . . . . . . . . . . . . 18 2.3 Estimateur de Nadaraya-Watson de la régression . . . . . . . . . . . . . . . . . . . 21 2.3.1 Modèle non paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.2 Construction de l’estimateur . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.3 Propriétés asymptotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.3.4 Comportement asymptotique . . . . . . . . . . . . . . . . . . . . . . . . . 31 iii 2.3.5 Choix de la fenêtre optimale . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.3.5.1 Validation croisée . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.3.6 Intervalle de prévision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3 Application sous R : simulation et données réelles 38 3.1 Régression non paramétrique pour des données simulées . . . . . . . . . . . . . . . 38 3.1.1 Modèle de régression linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.1.1.1 Effet de la taille de l’échantillon : . . . . . . . . . . . . . . . . . . 40 3.1.1.2 Choix graphique du paramètre de lissage . . . . . . . . . . . . . . 41 3.1.2 Modèle de régression non linéaire . . . . . . . . . . . . . . . . . . . . . . . 43 3.1.2.1 Effet de la taille de l’échantillon : . . . . . . . . . . . . . . . . . . 43 3.1.2.2 Choix graphique du paramètre de lissage . . . . . . . . . . . . . . 44 3.2 Application de la régression non paramétrique sur des données réelles . . . . . . . 46 3.2.1 Application en économétrie . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.2.2 Application en ingénierie (sécurité routière) . . . . . . . . . . . . . . . . . 47 3.2.3 Application en finance (marchés financiers) . . . . . . . . . . . . . . . . . . 48 Conclusion 50 Bibliographie 51 Annexe A : Codes R utilisés 53 Annexe B : Abréviations et Notations 57 iv |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MM/1404 | Mémoire master | bibliothèque sciences exactes | Consultable |




