Date - Heure / Date - Hour
Date(s) - 24/10/2019
10h30 - 11h30
Emplacement / Location
ENAC, bât. Bréguet, Amphi Boucher
Sur l’estimation de paramètres de covariance de processus gaussiens
Résumé : En raison de leur simplicité et de leur flexibilité permettant ainsi de modéliser une large classe de modèles, les processus gaussiens sont devenus très populaires depuis quelques années et largement utilisés en statistique spatiale afin d’interpoler les observations et proposer un métamodèle (de krigeage par exemple). Ils sont caractérisés par leur fonction moyenne et leur fonction de covariance. A des fins statistiques, il s’agit d’estimer sa fonction de covariance. Dans cet exposé, nous supposons que la fonction de covariance appartient à une famille paramétrique de fonctions de covariance. L’estimation de k se résume donc à celle de ses paramètres. Classiquement, les estimées sont obtenues par maximum de vraisemblance. Les estimateurs par maximum de vraisemblance (MLE) ont de bonnes propriétés et ont été largement étudiés dans la littérature. Cependant, ils souffrent d’un coût computationnel parfois prohibitif lorsque la taille de l’échantillon devient grande. Dans certains cas, il arrive aussi que le MLE diverge. Il semble alors pertinent de proposer des méthodes d’estimation alternatives. Nous introduirons donc les estimateurs par vraisemblance composite, les estimateurs par validation croisée ainsi que les estimateurs par variations dans des contextes spécifiques pour lesquels nous déterminerons le comportement asymptotique.