Modélisation, estimation et simulation dans deux modèles statistiques : la régression quantile et la déconvolution aveugle

Autor: Merhi Bleik, Josephine
Přispěvatelé: Laboratoire de Mathématiques Appliquées de Compiègne (LMAC), Université de Technologie de Compiègne (UTC), Université de Technologie de Compiègne, Ghislaine Gayraud
Jazyk: angličtina
Rok vydání: 2019
Předmět:
Zdroj: Statistics [math.ST]. Université de Technologie de Compiègne, 2019. English. ⟨NNT : 2019COMP2506⟩
Popis: This thesis is dedicated to the estimation of two statistical models: the simultaneous regression quantiles model and the blind deconvolution model. It therefore consists of two parts. In the first part, we are interested in estimating several quantiles simultaneously in a regression context via the Bayesian approach. Assuming that the error term has an asymmetric Laplace distribution and using the relation between two distinct quantiles of this distribution, we propose a simple fully Bayesian method that satisfies the noncrossing property of quantiles. For implementation, we use Metropolis-Hastings within Gibbs algorithm to sample unknown parameters from their full conditional distribution. The performance and the competitiveness of the underlying method with other alternatives are shown in simulated examples. In the second part, we focus on recovering both the inverse filter and the noise level of a noisy blind deconvolution model in a parametric setting. After the characterization of both the true noise level and inverse filter, we provide a new estimation procedure that is simpler to implement compared with other existing methods. As well, we consider the estimation of the unknown discrete distribution of the input signal. We derive strong consistency and asymptotic normality for all our estimates. Including a comparison with another method, we perform a consistent simulation study that demonstrates empirically the computational performance of our estimation procedures.; Cette thèse est consacrée à l’estimation de deux modèles statistiques : le modèle des quantiles de régression simultanés et le modèle de déconvolution aveugle. Elle se compose donc de deux parties. Dans la première partie, nous nous intéressons à l’estimation simultanée de plusieurs quantiles de régression par l’approche Bayésienne. En supposant que le terme d’erreur suit la distribution de Laplace asymétrique et en utilisant la relation entre deux quantiles distincts de cette distribution, nous proposons une méthode simple entièrement Bayésienne qui satisfait la propriété non croisée des quantiles. Pour la mise en œuvre, nous utilisons l’algorithme de Gibbs avec une étape de Metropolis-Hastings pour simuler les paramètres inconnus suivant leur distribution conditionnelle a posteriori. Nous montrons la performance et la compétitivité de la méthode sous-jacente par rapport à d’autres méthodes en fournissant des exemples de simulation. Dans la deuxième partie, nous nous concentrons sur la restoration du filtre inverse et du niveau de bruit d’un modèle de déconvolution aveugle bruyant dans un environnement paramétrique. Après la caractérisation du niveau de bruit et du filtre inverse, nous proposons une nouvelle procédure d’estimation plus simple à mettre en œuvre que les autres méthodes existantes. De plus, nous considérons l’estimation de la distribution discrète inconnue du signal d’entrée. Nous obtenons une forte cohérence et une normalité asymptotique pour toutes nos estimations. En incluant une comparaison avec une autre méthode, nous effectuons une étude de simulation cohérente qui démontre empiriquement la performance informatique de nos procédures d’estimation.
Databáze: OpenAIRE
Externí odkaz: