Note du 29 juin 2020
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
5 crédits
30.0 h
Q2
Cette unité d'enseignement bisannuelle n'est pas dispensée en 2019-2020 !
Enseignants
von Sachs Rainer;
Langue
d'enseignement
d'enseignement
Anglais
Thèmes abordés
The objective of this lecture is to develop applications of non-parametric curve estimation methods to two modern fields of statistics: for the one, to the estimation of spectral densities of time series, including multivariate time series, for the other the interpretation of projection-based estimators as (linear and non-linear) smoothers in a general regression or density estimation context.
Acquis
d'apprentissage
d'apprentissage
A la fin de cette unité d’enseignement, l’étudiant est capable de : | |
| 1 |
A. Eu égard au référentiel AA du programme de master en statistique, orientation générale, cette activité contribue au développement et à l'acquisition des AA suivants, de manière prioritaire : 2.4, 3.1, 3.3, 4.4, 6.1, 6.2 B. Students will be able to understand and appreciate finite sample and asymptotic properties of modern curve estimation methods, along the problem of estimating spectral densities of time series (an alternative and compact way to describe the correlation structure in a given time series in an enhanced and interpretable way). For projection based estimators (e.g. wavelet estimators), the emphasis will be on understanding the link to classical kernel estimation and why non-linear (threshold) based projection estimators can oer interesting advantages, both in theory and practice. Beyond developing the theoretical background, the numerical performance of the studied methods will be analysed by the students along a practical project (in R or matlab). Hence, having followed this course, the students will have seen all facets of the methodology on nonparametric curve estimation in two more advanced set-ups for which a deeper understanding of the concepts behind should enable them to correctly apply the shown methods and interpret their results in a concrete data situation. |
La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
Contenu
1. Spectral density estimation: Definition, periodogram-based kernel estimators(properties, asymptotics, higher order kernels, multivariate spectral densities, bandwidth selection, time-varying spectral densities), interpretations.
2. Projection-based estimators: General definition, specific wavelet approach (properties and asymptotics, mainly via simple Haar basis estimators), comparison of linear and non-linear methods (link to kernel estimation, overview on dierent thresholding methods), examples.
2. Projection-based estimators: General definition, specific wavelet approach (properties and asymptotics, mainly via simple Haar basis estimators), comparison of linear and non-linear methods (link to kernel estimation, overview on dierent thresholding methods), examples.
Bibliographie
- Brockwell, P. and Davis, R. (2009). Time Series: Theory and Methods. Springer Series in Statistics.
- Shumway, R. and Stoer, D. (2011). Time Series and its Applications. Springer.
- Brillinger, D. (1981). Time Series; Data Analysis and Theory. Holden Day.
- Vidakovic, B. (1999). Statistical Modellng by Wavelets. Wiley.
- Härdle, W., Kerkyacharian, G., Picard, D., Tsybakov, A.B. (1998). Wavelets, Approximation and Statistical Applications. Springer Lecture Notes in Statistics.
- Nason, G.P. (2008). Wavelet Methods in Statistics with R. Springer.
Faculté ou entité
en charge
en charge
LSBA
