Abstract
A kernel conditional quantile estimate of a real-valued non-stationary spatial process is proposed for a prediction goal at a non-observed location of the underlying process. The originality is based on the ability to take into account some local spatial dependency. Large sample properties based on almost complete and \(L^q\)-consistencies of the estimator are established. A numerical study is given in order to illustrate the performance of our methodology.
Dans ce travail, nous présentons un estimateur à noyau du quantile conditionnel d'un processus spatial non-stationnaire, pour un but de prédiction du processus considéré en un site non-observé. L'originalité vient du fait que l'estimateur permet de prendre en compte une éventuelle dépendance locale des données. Une étude asymptotique basée sur les convergences presque complète et en moyenne d'ordre \(q\) de l'estimateur est proposée. Une simulation numérique est proposée afin d'illustrer les performances de notre approche.
Citation
Serge-Hippolyte Arnaud Kanga. Ouagnina Hili. Sophie Dabo-Niang. "On Nonparametric Conditional Quantile Estimation for Non-stationary Random Fields." Afr. Stat. 16 (4) 3009 - 3039, October 2021. https://doi.org/10.16929/as/2021.3009.193
Information