A kernel-type estimator for generalized quantiles (Q1097604)

Soit \(X_ 1,...,X_ nun\) échantillon d'une loi F et h une application de \({\mathbb{R}}^ m\) dans \({\mathbb{R}}\). On désigne par \(H_ F\) la fonction de répartition de la variable aléatoire \(h(X_ 1,...,X_ m)\). On souhaite estimer le p-quantile \(H_ F^{-1}(p)\) défini par \(H_ F^{-1}(p)=\inf \{y\); \(H_ F(y)\geq p\}\). L'estimateur le plus simple est évidemment le p-quantile empirique \(H_ n^{-1}\) défini à partir de la fonction de répartition empirique \(H_ n\) donnée par \[ H_ n(y)=(1/n(n-1)...(n-m+1))\sum_{C}\mathbf{1}_{(- \infty,y]}(h(X_{i_ 1},...,X_{i_ m})) \] où la sommation est étendue à l'ensemble C de tous les sous-ensembles ordonnés de m éléments extraits de \(\{\) 1,...,n\(\}\). L'auteur propose d'utiliser l'estimateur \[ T_ n(p)=\int^{1}_{0}H_ n^{-1}(t)a_ n^{-1} K((p-t)/a_ n)dt \] où \(\{a_ n\}\) est une suite de réels strictement positifs qui converge vers zéro et K la densité d'une loi de probabilité sur \({\mathbb{R}}\). Cette formule a de nombreux cas particuliers intéressants suivant les choix de m ou de K. Le théorème essentiel suppose l'existence d'une densité \(h_ F\) de la loi \(H_ F\) et donne des conditions portant sur \(h_ F\), \(\{a_ n\}\) et K pour que la loi de la statistique \[ \sqrt{n}(T_ n(p)-H_ F^{- 1}(p))/m\sigma (p))\quad o\grave u\quad \sigma^ 2(p)=p(1-p)/h^ 2_ F(H_ F^{-1}(p)) \] converge vers la loi normale \({\mathcal N}(0,1)\). Ce résultat est assez naturellement complété par la définition d'un estimateur convergent du dénominateur de \(\sigma^ 2(p)\), cette quantité étant, par exemple, indispensable à la définition d'un intervalle de confiance pour \(H_ F^{-1}(p)\). L'auteur donne des conditions suffisantes pour que la statistique définie par \[ T_ n(p)=\int^{1}_{0}H_ n^{-1}(t)a_ n^{-2} K'((p-t)/a_ n)dt=\int^{1}_{0}a_ n^{-1}K((p-t)/a_ n)dH_ n^{-1}(t), \] K' désignant la dérivée de la fonction K, converge en probabilité vers \(1/h_ F(H_ F^{-1}(p))\).