Abstract
In this paper, we propose a nonparametric estimation method for the conditional density function of Y given X, from independent and identically distributed observations . We consider a regression strategy related to projection subspaces of generated by non compactly supported bases. This first study is then extended to the case where Y is not directly observed, but only , where ε is a noise with known density. In these two settings, we build and study collections of estimators, compute their rates of convergence on anisotropic space on non-compact supports, and prove related lower bounds. Then, we consider adaptive estimators for which we also prove risk bounds.
Dans cet article, nous proposons une méthode d’estimation non-paramétrique de la densité conditionnelle de Y sachant X, à partir d’un échantillon d’observations , indépendantes et identiquement distribuées. Notre stratégie s’appuie sur un contraste de régression pour reconstruire une projection de la fonction cible sur des sous-espaces de engendrés par des bases à support non compact. Cette étude est ensuite étendue au cas où la variable Y n’est pas directement observée, mais remplacée par où ε est un bruit de densité connue. Dans ces deux contextes, nous construisons et étudions des collections d’estimateurs, calculons leurs vitesses de convergence sur des espaces anisotropiques de fonctions à support non compact. Des bornes inférieures associées sont également prouvées. Enfin, nous proposons des estimateurs adaptatifs, pour lesquels nous démontrons des bornes de risque de type oracle.
Citation
F. Comte. C. Lacour. "Non compact estimation of the conditional density from direct or noisy data." Ann. Inst. H. Poincaré Probab. Statist. 59 (3) 1463 - 1507, August 2023. https://doi.org/10.1214/22-AIHP1291
Information