Résumé: La régression robuste est une analyse de régression possédant la capacité d'être relativement insensible aux larges déviations dues à certaines observations aberrantes. Dans ce cadre, on se propose dans cette thèse d'étudier l'estimation robuste de la fonction de régression, dans le cas où les observations sont à la fois indépendantes, fortement mélangeantes et la co-variable est fonctionnelle. Dans un premier temps, on considère une suite d'observations indépendantes identiquement distribuées. Dans ce contexte, nous établissons la normalité asymptotique d'une famille d'estimateurs robuste de pondération basée sur la méthode du noyau. A titre illustratif, notre résultat est appliqué à la discrimination des courbes, à la prévision des séries temporelles, et à la construction d'un intervalle de confiance. Dans un second temps, nous supposons que les observations sont fortement mélangeantes, et nous établissons la vitesse de convergence presque complète ponctuelle et uniforme de cette famille d'estimateurs ainsi que la normalité asymptotique. Notons, que les axes structurels du sujet, à savoir la "dimensionnalité" et la corrélation des observations, la "dimensionnalité" et la robustesse du modèle, sont bien exploités dans cette étude. De plus, la propriété de la concentration de la mesure de probabilité de la variable fonctionnelle dans des petites boules est utilisée, cette mesure de concentration permet sous certaines hypothèses de proposer une solution originale au problème du fléau de la dimension et ainsi généraliser les résultats déjà obtenus dans le cadre multi varié. Pour illustrer l'extension et l'apport de notre travail, nous explicitons dans des exemples comment nos résultats peuvent être appliqués aux problèmes non standard de la statistique non-paramétrique tel que la prévision de série temporelles fonctionnelles. Nos méthodes sont appliquées à des données réelles telles que l'économie et l'astronomie. The robust regression is an analysis of regression with capacity to be relatively insensitive to the large deviations due to some outliers observations. Within this framework, one proposes in this thesis studied the robust estimate of the function of regression, if the observations are at the same time independent, strongly mixing and the covariate is functional. Initially, on considers a succession of identically distributed independent observations. In this context, we establish the asymptotic normality of a robust family of estimators based on the kernel method. With title illustrative, our result is applied to the discrimination of the curves, the forecast time series, and to the construction of a confidence interval. In the second time, we suppose that the observations are strongly mixing, and we establish the rate of specific almost complete convergence and uniform of this family of estimators as well as asymptotic normality. Let us note, that the axes structural of the subject, namely “dimensionality” and the correlation of the observations, “dimensionality” and the robustness of the model, are well exploited in this study. Moreover, the property of the concentration of the measure of probability of the functional variable in small balls is used, this measure of concentration allows under some assumptions to propose an original solution to the problem of the curse of dimensionality and thus to generalize the results already obtaines in the multivariate framework. To illustrate the extension and the contribution of our work, we show in some examples how our results can be applied to the nonstandard problems of the non-parametric statistics such as the forecast of functional time series. Our methods are applied to real data such as the economy and astronomy.

Edition: Littoral: Université du Littoral Côte d'Opale
Langue: Français
Collation: 123 p. ill. ;30 cm
Diplôme: Doctorat
Etablissement de soutenance: Université du Littoral-Côte d'Opale
Spécialité: Mathématique
Thème Mathématiques

Mots clés:
Variables instrumentales (statistique)
Analyse de régression

Note: Bibliogr.pp.121-123