modèle à paramètres aléatoires

January 14, 2018 | Author: Anonymous | Category: Mathématiques, Statistiques et probabilités
Share Embed Donate


Short Description

Download modèle à paramètres aléatoires...

Description

MODÈLE À PARAMÈTRE(S) ALÉATOIRE(S) (G2, G3, J, L5) (i) Soit (W , T, P) un modèle statistique sous forme non paramétrée. On dit que ce modèle est un modèle à probabilité aléatoire ssi il existe une tribu A de parties de P et une mesure de probabilité Q définie sur A. Autrement dit, la « vraie » mesure de probabilité P* Î P qui gouverne ce modèle est, elle-même, engendrée de façon aléatoire selon Q. (ii) Si P est sous forme paramétrée (ou même paramétrique) P = (PqX)q Î Q , on considère plutôt une tribu BQ de parties de Q et une mesure de probabilité P définie sur BQ . On dit alors que le modèle considéré est un modèle à paramètre(s) aléatoire(s) q. On peut assimiler q à l'application identique idQ : Q a Q, considérée comme va pr à la tribu BQ . De même, on peut identifier P et son image (la lp de q) par idQ . (iii) En pratique, on dispose d’un espace d'observation (X, B) et d’une statistique (ou d’un échantillon) X : W a X. Le modèle image (X, B, (PqX)q Î Q) ainsi obtenu est encore appelé modèle à paramètre aléatoire. Le paramètre q peut être considéré comme aléatoire de deux façons : (a) ou bien la loi P est donnée à priori. Ceci est le cas de la loi a priori considérée en théorie bayésienne. Cette loi peut éventuellement posséder un paramètre propre : il existe alors un ensemble L et une famille (Pl)l Î L de lois a priori indexée par cet ensemble ; (b) ou bien la loi P est inconnue. On peut chercher à l'estimer, au moins partiellement : caractéristique, ou paramètre d'intérêt, de P . On considère alors que P Î P , famille de probabilités définies sur BQ , et l'on utilise essentiellement X pour baser l'inférence statistique. Si l'on considère PqX comme loi conditionnelle de X sachant q, supposée être une loi absolument continue pr à une mesure positive m définie sur B, la loi inconditionnelle de X est obtenue par « marginalisation » de PqX pr à q, ie est définie par sa densité propre (cf loi

marginale, mélange de lois, probabilité de transition, théorème de BAYES) : (1)

q = òQ (dPqX / dm) dP = òQ f (. , q) dP (q),

où f = dPqX / dm est la densité de probabilité (ou vraisemblance) de X associée à PqX et q celle de la loi inconditionnelle. Si P dépend elle-même d'un paramètre propre l Î L, on peut estimer PX (qui dépend alors de l) par la méthode du maximum de vraisemblance. (iv) Des exemples de modèles statistiques avec paramètres aléatoires sont les suivants : modèle de régression à coefficients aléatoires, modèle d'analyse de la variance (ou modèle d'analyse de la covariance) à effets aléatoires. Ainsi, on appelle parfois modèle à paramètre aléatoire un cas particulier du modèle linéaire : (2)

y = X b + u,

(en général, Z = X), où l’on suppose que : u = Z c + v, (3)

E c = 0,

V c = Y,

E v = 0,

V v = sv2 IN .

View more...

Comments

Copyright � 2017 NANOPDF Inc.
SUPPORT NANOPDF