Recursive estimators for stationary, strong mixing processes - a representation theorem and asymptotic distributions (Q911200)

Soit \(Y_ 1,...,Y_ n,..\). une suite de variables aléatoires définies sur un espace probabilisé (\(\Omega\),\({\mathcal F},P)\) à valeurs dans un espace mesurable (S,\({\mathcal S})\). On suppose que la loi de \((Y_ 1,...,Y_ n)\) dépend d'un paramètre \(\theta\) appartenant à \({\mathbb{R}}^ p\). (Les \(Y_ i\) ne sont pas nécessairement indépendants ni de même loi). Un M-estimateur de \(\theta\) est défini par la solution d'une équation du type \[ (*) \sum^{n}_{i=1}h_ i(q,Y_ i)=0 \] où les \(h_ i\) sont des fonctions convenablement choisies selon le type de problème traité. L'idée de chercher une solution approchée de l'équation (*) par une technique d'approximation stochastique n'est pas nouvelle et elle est, en particulier, bien adaptée au cas où il faut réestimer \(\theta\) quand de nouvelles observations sont faites. On aboutit alors à des équations du type \[ \theta_{n+1}=\theta_ n+(n+1)^{-1}H_ nh_ n(\theta_ n,Y_{n+1}) \] où les \(H_ n\) sont des \(p\times p\)-matrices que l'on choisit pour assurer à la suite \(\{\theta_ n\}\) les propriétés de convergence souhaitées. Les auteurs donnent des hypothèses qui assurent la convergence presque sûre d'une suite \(\{\theta_ n\}\) en montrant qu'il existe un \(\epsilon\) strictement positif tel que \[ n^{1/2}(\theta_{n+1}- \theta)=-n^{-1/2}\sum^{n}_{k=1}(k/n)^{A-I}[M(\theta,Y_ k)+e_ k]+O(n^{-\epsilon}) \] où la suite \(\{\theta_ n\}\) est définie par la récurrence \[ \theta_{n+1}=\theta_ n-n^{-1}[M(\theta_ n,Y_ n)+e_ n] \] et converge vers \(\theta\). Exprimées rapidement, les hypothèses et notations sont: 1) Les processus \(\{Y_ n\}\) et \(\{e_ n\}\) sont fortement mélangeants et il existe un réel r vérifiant \(2<r\leq +\infty\) et un \(\epsilon\) strictement positif tel que les suites de leurs coefficients de mélange tendent vers zéro comme \(n^{-r/(r-2)-\epsilon}\). De plus, le processus \(\{e_ n\}\) est centré. 2) La fonction \(M\) a les propriétés \[ a)\;\forall i\in {\mathbb{N}},\;\forall \theta \in {\mathbb{R}}^ p,\;{\mathbb{E}}(M(\theta,Y_ i))=0 \] \[ b)\;\forall x\in {\mathbb{R}}^ p,\;\forall Y\in S,\;\| M(x,Y)-M(\theta,Y)- A(Y)(x-\theta)\| \leq B(Y)v(x) \] où \(A\), \(B\) et \(v\) sont des fonctions mesurables ad hoc. En outre, il existe \(\delta\) strictement positif tel que \(v(x)=O(\| x-\theta \|^{1+\delta})\) au voisinage de \(\theta\). 3) Les variables aléatoires \(e_ 1\), \(M(\theta,Y_ 1)\), \(| A(Y_ 1)_{i,j}|\) et \(B(y_ 1)\) sont bornées si \(r=+\infty\) et de puissance \(r^{\grave eme}\) intégrable si \(2\leq r<+\infty.\) 4) La matrice \(A={\mathbb{E}}(A(Y_ 1))\) a sa plus petite valeur propre strictement supérieure à 1/2. L'article se prolonge par une application à l'estimation des paramètres \(\eta\) et \(\sigma\) de localisation et d'échelle d'un processus strictement stationnaire \(\{Y_ n\}\) dont les lois marginales sont symétriques par rapport au réel \(\eta\). Les paramètres \(\eta\) et \(\sigma\) sont définis par les solutions des équations \[ {\mathbb{E}}(\psi(\sigma^{-1}(Y_ 1-\eta))=0\text{ et } {\mathbb{E}}(\chi(\sigma^{-1}(Y_ 1-\eta))=0 \] où les fonctions \(\psi\) et \(\chi\) sont respectivement des fonctions paire et impaire. Une application numérique pour un processus AR(1) avec bruit additif et loi marginale normale contaminée complète l'article.