copules Lopez
-
Upload
bonkersburger -
Category
Documents
-
view
41 -
download
0
Transcript of copules Lopez
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 1/109
Chapitre III
Théorie des copules
Olivier Lopez
ISUP Université Paris VI
Année universitaire 2011-2012
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 2/109
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Outline
1 Introduction2 Définition et Théorème de Sklar
Propriétés élémentaires des copules
Exemple : copule gaussienne3 Copules archimédiennes
Généralités et définitionExemples les plus classiques
4 Mesures de dépendance
Tau de Kendall
Dépendance de queue5 Inférence statistique
Méthode du maximum de vraisemblance
Méthodes basées sur des mesures de concordance
Estimation non paramétrique6
Tests d’adéquationTests basés sur la copule empirique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 3/109
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Risques multiples
Généralement, un assureur possède plusieurs risques
dans son portefeuille :
S (t ) = S 1(t ) + S 2(t ),
avec
S 1(t ) = X 1 + ... + X N 1(t ),
S 2(t ) = Y 1 + ... + Y N 2(t ).
Peut-on traiter ces deux risques séparément ?Exemple :
Risque 1 : risque chômageRisque 2 : risque maladie
Conclusion : trouver une approche qui concilie1 facilité de la modélisation marginale de chacun des risques2 prise en compte de la dépendance
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 4/109
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Risques multiples
Généralement, un assureur possède plusieurs risques
dans son portefeuille :
S (t ) = S 1(t ) + S 2(t ),
avec
S 1(t ) = X 1 + ... + X N 1(t ),
S 2(t ) = Y 1 + ... + Y N 2(t ).
Peut-on traiter ces deux risques séparément ?Exemple :
Risque 1 : risque chômageRisque 2 : risque maladie
Conclusion : trouver une approche qui concilie1 facilité de la modélisation marginale de chacun des risques2 prise en compte de la dépendance
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 5/109
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Risques multiples
Généralement, un assureur possède plusieurs risques
dans son portefeuille :
S (t ) = S 1(t ) + S 2(t ),
avec
S 1(t ) = X 1 + ... + X N 1(t ),
S 2(t ) = Y 1 + ... + Y N 2(t ).
Peut-on traiter ces deux risques séparément ?Exemple :
Risque 1 : risque chômageRisque 2 : risque maladie
Conclusion : trouver une approche qui concilie1 facilité de la modélisation marginale de chacun des risques2 prise en compte de la dépendance
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 6/109
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Risques multiples
Généralement, un assureur possède plusieurs risques
dans son portefeuille :
S (t ) = S 1(t ) + S 2(t ),
avec
S 1(t ) = X 1 + ... + X N 1(t ),
S 2(t ) = Y 1 + ... + Y N 2(t ).
Peut-on traiter ces deux risques séparément ?Exemple :
Risque 1 : risque chômageRisque 2 : risque maladie
Conclusion : trouver une approche qui concilie1 facilité de la modélisation marginale de chacun des risques2 prise en compte de la dépendance
I t d ti Défi iti t Thé è d Skl C l hi édi M d dé d I fé t ti ti
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 7/109
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Outline
1 Introduction2 Définition et Théorème de Sklar
Propriétés élémentaires des copules
Exemple : copule gaussienne3 Copules archimédiennes
Généralités et définitionExemples les plus classiques
4 Mesures de dépendance
Tau de Kendall
Dépendance de queue5 Inférence statistique
Méthode du maximum de vraisemblance
Méthodes basées sur des mesures de concordance
Estimation non paramétrique6
Tests d’adéquationTests basés sur la copule empiriqueIntroduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 8/109
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Définition
Définition d’une copule
Une copule est une fonction C : [0, 1] → [0, 1], telle qu’il existe
deux variables aléatoires U et V uniformes sur [0, 1], telles que
C (u , v ) = P(U ≤ u , V ≤ v ).
Exemples simples :
En prenant U et V indépendants, C (u , v ) = uv est unecopule (copule indépendante)U = V , C (u , v ) = min(u , v )....
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 9/109
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Définition
Définition d’une copule
Une copule est une fonction C : [0, 1] → [0, 1], telle qu’il existe
deux variables aléatoires U et V uniformes sur [0, 1], telles que
C (u , v ) = P(U ≤ u , V ≤ v ).
Exemples simples :
En prenant U et V indépendants, C (u , v ) = uv est unecopule (copule indépendante)U = V , C (u , v ) = min(u , v )....
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 10/109
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Définition
Définition d’une copule
Une copule est une fonction C : [0, 1] → [0, 1], telle qu’il existe
deux variables aléatoires U et V uniformes sur [0, 1], telles que
C (u , v ) = P(U ≤ u , V ≤ v ).
Exemples simples :
En prenant U et V indépendants, C (u , v ) = uv est unecopule (copule indépendante)U = V , C (u , v ) = min(u , v )....
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 11/109
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Définition
Définition d’une copule
Une copule est une fonction C : [0, 1] → [0, 1], telle qu’il existe
deux variables aléatoires U et V uniformes sur [0, 1], telles que
C (u , v ) = P(U ≤ u , V ≤ v ).
Exemples simples :
En prenant U et V indépendants, C (u , v ) = uv est unecopule (copule indépendante)U = V , C (u , v ) = min(u , v )....
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 12/109
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Théorème de Sklar
Théorème de Sklar
Soit (X , Y ) un vecteur aléatoire de fonction de répartition
F (x , y ), et soit F X (x ) et F Y (y ) les fonction de répartitions
marginales.
Il existe une fonction copule C telle que
F (x , y ) = C (F X (x ), F Y (y )).
En d’autres termes, la loi de (X , Y ) se déduit des lois
marginales, et d’une fonction de lien (C modélise ladépendance).
Remarque importante : Si F X et F Y sont continues, alors
on a l’unicité de C .
Réciproquement, si C est une copule, F X et F Y des fdr, F
est une fonction de répartition bivariée.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 13/109
p p q
Théorème de Sklar
Théorème de Sklar
Soit (X , Y ) un vecteur aléatoire de fonction de répartition
F (x , y ), et soit F X (x ) et F Y (y ) les fonction de répartitions
marginales.
Il existe une fonction copule C telle que
F (x , y ) = C (F X (x ), F Y (y )).
En d’autres termes, la loi de (X , Y ) se déduit des lois
marginales, et d’une fonction de lien (C modélise ladépendance).
Remarque importante : Si F X et F Y sont continues, alors
on a l’unicité de C .
Réciproquement, si C est une copule, F X et F Y des fdr, F
est une fonction de répartition bivariée.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 14/109
p p q
Théorème de Sklar
Théorème de Sklar
Soit (X , Y ) un vecteur aléatoire de fonction de répartition
F (x , y ), et soit F X (x ) et F Y (y ) les fonction de répartitions
marginales.
Il existe une fonction copule C telle que
F (x , y ) = C (F X (x ), F Y (y )).
En d’autres termes, la loi de (X , Y ) se déduit des lois
marginales, et d’une fonction de lien (C modélise ladépendance).
Remarque importante : Si F X et F Y sont continues, alors
on a l’unicité de C .
Réciproquement, si C est une copule, F X et F Y des fdr, F
est une fonction de répartition bivariée.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 15/109
Théorème de Sklar
Théorème de Sklar
Soit (X , Y ) un vecteur aléatoire de fonction de répartition
F (x , y ), et soit F X (x ) et F Y (y ) les fonction de répartitions
marginales.
Il existe une fonction copule C telle que
F (x , y ) = C (F X (x ), F Y (y )).
En d’autres termes, la loi de (X , Y ) se déduit des lois
marginales, et d’une fonction de lien (C modélise ladépendance).
Remarque importante : Si F X et F Y sont continues, alors
on a l’unicité de C .
Réciproquement, si C est une copule, F X et F Y des fdr, F
est une fonction de répartition bivariée.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 16/109
Caractérisation des fonctions de répartition
bivariées
Définition (fonction 2-croissante)
Soit H définie sur R2. Soit B = [x 1, x 2] × [y 1, y 2]. On définit
V H (B ) = H (x 2, y 2) − H (x 2, y 1) − H (x 1, y 2) + H (x 1, y 1).
Une fonction H est 2-croissante si V H (B ) ≥ 0 pour tout
rectangle B de R2.
Fonction de répartition multivariéeUne fonction de répartition bivariée est une fonction
H : R2 → [0, 1]2 telle que
1 H est 2-croissante
2 H (x ,−∞) = H (−∞, y ) = 0, et H (∞,∞) = 1.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 17/109
Caractérisation des fonctions de répartition
bivariées
Définition (fonction 2-croissante)
Soit H définie sur R2. Soit B = [x 1, x 2] × [y 1, y 2]. On définit
V H (B ) = H (x 2, y 2) − H (x 2, y 1) − H (x 1, y 2) + H (x 1, y 1).
Une fonction H est 2-croissante si V H (B ) ≥ 0 pour tout
rectangle B de R2.
Fonction de répartition multivariéeUne fonction de répartition bivariée est une fonction
H : R2 → [0, 1]2 telle que
1 H est 2-croissante
2 H (x ,−∞) = H (−∞, y ) = 0, et H (∞,∞) = 1.Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 18/109
Copules
Remarque : si H est C 2, le fait d’être 2-croissante équivaut
à ∂ 2H ∂ x ∂ y
≥ 0.
Caractérisation d’une copule
Une copule doit satisfaire les mêmes conditions qu’une fonction
de répartition, mais doit en plus avoir des marginales uniformes
sur [0, 1]. Donc il faut en plus :
1 C (u , v ) = 0 pour u ≤ 0 ou v ≤ 0, C (u , v ) = 1 pour u et v supérieurs à 1
2 C (u , 1) = u , et C (1, v ) = v .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 19/109
Copules
Remarque : si H est C 2, le fait d’être 2-croissante équivaut
à ∂ 2H ∂ x ∂ y
≥ 0.
Caractérisation d’une copule
Une copule doit satisfaire les mêmes conditions qu’une fonction
de répartition, mais doit en plus avoir des marginales uniformes
sur [0, 1]. Donc il faut en plus :
1 C (u , v ) = 0 pour u ≤ 0 ou v ≤ 0, C (u , v ) = 1 pour u et v supérieurs à 1
2 C (u , 1) = u , et C (1, v ) = v .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 20/109
Propriétés élémentaires des copules
Quelques propriétés
Propriétés
On a les propriétés suivantes :
1
Borne de Fréchet-Hoeffding :
W (u , v ) := max(u +v −1, 0) ≤ C (u , v ) ≤ M (u , v ) := min(u , v ).
2 On a |C (u 2, v 2) − C (u 1, v 1)| ≤ |u 2 − u 1| + |v 2 − v 1|.
3
Si la dérivée partielle de C par rapport à u existe, alors
0 ≤∂ C (u , v )
∂ u ≤ 1.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 21/109
Exemple : copule gaussienne
Exemple : copule gaussienne
Soit Φ la fonction de répartition d’une N (0, 1), φρ la densité
d’une N
0,
1 ρρ 1
, avec ρ ∈]− 1; 1[.
Copule gaussienne
On définit la copule gaussienne
C ρ(u , v ) = φρ Φ−1(u ), Φ−1(v ) .
Exercice : montrer que C ρ tend vers W quand ρ → −1, que
C ρ tend vers uv si ρ → 0, et C ρ → M si ρ tend vers 1.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 22/109
Exemple : copule gaussienne
Exemple : copule gaussienne
Soit Φ la fonction de répartition d’une N (0, 1), φρ la densité
d’une N
0,
1 ρρ 1
, avec ρ ∈]− 1; 1[.
Copule gaussienne
On définit la copule gaussienne
C ρ(u , v ) = φρ Φ−1(u ), Φ−1(v ) .
Exercice : montrer que C ρ tend vers W quand ρ → −1, que
C ρ tend vers uv si ρ → 0, et C ρ → M si ρ tend vers 1.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 23/109
Exemple : copule gaussienne
Exemple : copule gaussienne
Soit Φ la fonction de répartition d’une N (0, 1), φρ la densité
d’une N
0,
1 ρρ 1
, avec ρ ∈]− 1; 1[.
Copule gaussienne
On définit la copule gaussienne
C ρ(u , v ) = φρ Φ−1(u ), Φ−1(v ) .
Exercice : montrer que C ρ tend vers W quand ρ → −1, que
C ρ tend vers uv si ρ → 0, et C ρ → M si ρ tend vers 1.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 24/109
Exemple : copule gaussienne
Simulations suivant la copule gaussienne
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 25/109
Exemple : copule gaussienne
Simulations suivant la copule gaussienne
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 26/109
Exemple : copule gaussienne
Simulations suivant la copule gaussienne
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 27/109
Outline
1 Introduction2 Définition et Théorème de Sklar
Propriétés élémentaires des copules
Exemple : copule gaussienne3 Copules archimédiennes
Généralités et définitionExemples les plus classiques
4 Mesures de dépendance
Tau de Kendall
Dépendance de queue
5 Inférence statistiqueMéthode du maximum de vraisemblance
Méthodes basées sur des mesures de concordance
Estimation non paramétrique6 Tests d’adéquation
Tests basés sur la copule empiriqueIntroduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 28/109
Généralités et définition
Idée générale
Si X et Y sont deux variables indépendantes,
F (x , y ) = F X (x )F Y (y ), ou encore
log C (u , v ) = log u + log v .
Idée : pour une fonction φ quelconque, peut-on construire
une copule telle que φ "sépare" x et y .
Réponse : pas toujours, mais possible si φ satisfait
notamment une condition de convexité.Intérêt : à partir de familles de fonctions {φθ : θ ∈ Θ}satisfaisant ces conditions, on définit simplement des
familles de copules.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 29/109
Généralités et définition
Idée générale
Si X et Y sont deux variables indépendantes,
F (x , y ) = F X (x )F Y (y ), ou encore
log C (u , v ) = log u + log v .
Idée : pour une fonction φ quelconque, peut-on construire
une copule telle que φ "sépare" x et y .
Réponse : pas toujours, mais possible si φ satisfait
notamment une condition de convexité.Intérêt : à partir de familles de fonctions {φθ : θ ∈ Θ}satisfaisant ces conditions, on définit simplement des
familles de copules.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 30/109
Généralités et définition
Idée générale
Si X et Y sont deux variables indépendantes,
F (x , y ) = F X (x )F Y (y ), ou encore
log C (u , v ) = log u + log v .
Idée : pour une fonction φ quelconque, peut-on construire
une copule telle que φ "sépare" x et y .
Réponse : pas toujours, mais possible si φ satisfait
notamment une condition de convexité.Intérêt : à partir de familles de fonctions {φθ : θ ∈ Θ}satisfaisant ces conditions, on définit simplement des
familles de copules.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 31/109
Généralités et définition
Idée générale
Si X et Y sont deux variables indépendantes,
F (x , y ) = F X (x )F Y (y ), ou encore
log C (u , v ) = log u + log v .
Idée : pour une fonction φ quelconque, peut-on construire
une copule telle que φ "sépare" x et y .
Réponse : pas toujours, mais possible si φ satisfait
notamment une condition de convexité.Intérêt : à partir de familles de fonctions {φθ : θ ∈ Θ}satisfaisant ces conditions, on définit simplement des
familles de copules.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 32/109
Généralités et définition
Résultat fondamental
Définition
Soit φ une fonction continue, strictement décroissante positive
telle que φ(1) = 0. On définit la pseudo-inverse de φ par
φ[−1](t ) =
φ−1
(t ), 0 ≤ t ≤ φ(0)0, φ(0) ≤ t ≤ ∞ .
Théorème
Soit φ une fonction continue, strictement décroissante, positive,
telle que φ(1) = 0. La fonction
C (u , v ) = φ[−1](φ(u ) + φ(v )),
est une copule ssi φ est convexe.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 33/109
Généralités et définition
Résultat fondamental
Définition
Soit φ une fonction continue, strictement décroissante positive
telle que φ(1) = 0. On définit la pseudo-inverse de φ par
φ[−1](t ) =
φ−1
(t ), 0 ≤ t ≤ φ(0)0, φ(0) ≤ t ≤ ∞ .
Théorème
Soit φ une fonction continue, strictement décroissante, positive,
telle que φ(1) = 0. La fonction
C (u , v ) = φ[−1](φ(u ) + φ(v )),
est une copule ssi φ est convexe.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Gé é lité t défi iti
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 34/109
Généralités et définition
Définition
Définition - copule archimédienne
1 Une copule de la forme du Théorème précédent est dite
archimédienne.
2
La fonction φ est appelée générateur de la copule.3 Si φ(0) = ∞, alors φ[−1] = φ−1 est on parle de générateur
strict (et de copule archimédienne stricte).
Exemples simples :1 φ(t ) = − log(t ), fournit la copule indépendante.2 φ(t ) = 1− t , fournit la copule W (voir inégalité de
Fréchet-Hoeffding).3 La copule M dans Fréchet-Hoeffding n’est pas
archimédienne.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Généralités et définition
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 35/109
Généralités et définition
Définition
Définition - copule archimédienne
1 Une copule de la forme du Théorème précédent est dite
archimédienne.
2
La fonction φ est appelée générateur de la copule.3 Si φ(0) = ∞, alors φ[−1] = φ−1 est on parle de générateur
strict (et de copule archimédienne stricte).
Exemples simples :1 φ(t ) = − log(t ), fournit la copule indépendante.2 φ(t ) = 1− t , fournit la copule W (voir inégalité de
Fréchet-Hoeffding).3 La copule M dans Fréchet-Hoeffding n’est pas
archimédienne.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Généralités et définition
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 36/109
Généralités et définition
Définition
Définition - copule archimédienne
1 Une copule de la forme du Théorème précédent est dite
archimédienne.
2
La fonction φ est appelée générateur de la copule.3 Si φ(0) = ∞, alors φ[−1] = φ−1 est on parle de générateur
strict (et de copule archimédienne stricte).
Exemples simples :1 φ(t ) = − log(t ), fournit la copule indépendante.2 φ(t ) = 1− t , fournit la copule W (voir inégalité de
Fréchet-Hoeffding).3 La copule M dans Fréchet-Hoeffding n’est pas
archimédienne.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Généralités et définition
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 37/109
Généralités et définition
Définition
Définition - copule archimédienne
1 Une copule de la forme du Théorème précédent est dite
archimédienne.
2
La fonction φ est appelée générateur de la copule.3 Si φ(0) = ∞, alors φ[−1] = φ−1 est on parle de générateur
strict (et de copule archimédienne stricte).
Exemples simples :1 φ(t ) = − log(t ), fournit la copule indépendante.2 φ(t ) = 1− t , fournit la copule W (voir inégalité de
Fréchet-Hoeffding).3 La copule M dans Fréchet-Hoeffding n’est pas
archimédienne.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Exemples les plus classiques
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 38/109
Exemples les plus classiques
Copule de Clayton
Soit θ ∈ [−1;∞[−{0}.
Copule de Clayton
Une copule de Clayton est une copule archimédienne degénérateur
φθ(t ) =t −θ − 1
θ,
soit
C θ(u , v ) = 1(u −θ + v −θ − 1)
1/θ .
Que se passe-t-il quand θ tend vers 0 ? +∞?
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Exemples les plus classiques
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 39/109
Exemples les plus classiques
Copule de Clayton
Soit θ ∈ [−1;∞[−{0}.
Copule de Clayton
Une copule de Clayton est une copule archimédienne de
générateur
φθ(t ) =t −θ − 1
θ,
soit
C θ(u , v ) = 1(u −θ + v −θ − 1)
1/θ .
Que se passe-t-il quand θ tend vers 0 ? +∞?
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Exemples les plus classiques
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 40/109
p p q
Copule de Gumbel
Soit θ ∈ [1;∞[.
Copule de Gumbel
Une copule de Gumbel est une copule archimédienne de
générateur du type
φθ(t ) = −(log t )θ,
i.e.
C θ(u , v ) = exp−−(log u )θ − (log v )θ
1/θ
.
Que se passe-t-il quand θ tend vers +∞? 1 ?
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Exemples les plus classiques
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 41/109
p p q
Copule de Gumbel
Soit θ ∈ [1;∞[.
Copule de Gumbel
Une copule de Gumbel est une copule archimédienne de
générateur du type
φθ(t ) = −(log t )θ,
i.e.
C θ(u , v ) = exp−−(log u )θ − (log v )θ
1/θ
.
Que se passe-t-il quand θ tend vers +∞? 1 ?
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Exemples les plus classiques
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 42/109
Copule de Frank
Soit θ ∈ R− {0}.
Copule de Frank
Une copule de Frank est une copule archimédienne de
générateur du type
φθ(t ) = − log
exp(−θt ) − 1
exp(−θ) − 1
,
i.e.C θ(u , v ) = −
1
θlog
1 +
(e −θu − 1)(e −θv − 1)
e −θ − 1
.
Que se passe-t-il quand θ tend vers 0 ? +∞? −∞ ?
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Exemples les plus classiques
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 43/109
Copule de Frank
Soit θ ∈ R− {0}.
Copule de Frank
Une copule de Frank est une copule archimédienne de
générateur du type
φθ(t ) = − log
exp(−θt ) − 1
exp(−θ) − 1
,
i.e.C θ(u , v ) = −
1
θlog
1 +
(e −θu − 1)(e −θv − 1)
e −θ − 1
.
Que se passe-t-il quand θ tend vers 0 ? +∞? −∞ ?
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Exemples les plus classiques
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 44/109
Illustration
Voir script R.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Exemples les plus classiques
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 45/109
Résumé sur ces trois familles de copules
Copule de Clayton : que des dépendances positives.
Gumbel : que des dépendances positives, plus accentuées
dans la queue supérieure de la distribution.
Frank : tous les types de dépendance.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Exemples les plus classiques
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 46/109
Résumé sur ces trois familles de copules
Copule de Clayton : que des dépendances positives.
Gumbel : que des dépendances positives, plus accentuées
dans la queue supérieure de la distribution.
Frank : tous les types de dépendance.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Exemples les plus classiques
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 47/109
Résumé sur ces trois familles de copules
Copule de Clayton : que des dépendances positives.
Gumbel : que des dépendances positives, plus accentuées
dans la queue supérieure de la distribution.
Frank : tous les types de dépendance.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 48/109
Outline
1 Introduction2 Définition et Théorème de Sklar
Propriétés élémentaires des copules
Exemple : copule gaussienne3 Copules archimédiennes
Généralités et définition
Exemples les plus classiques4 Mesures de dépendance
Tau de Kendall
Dépendance de queue
5 Inférence statistiqueMéthode du maximum de vraisemblance
Méthodes basées sur des mesures de concordance
Estimation non paramétrique6 Tests d’adéquation
Tests basés sur la copule empirique
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 49/109
Définition du τ de Kendall
τ de Kendall
Soit (X , Y ) un vecteur aléatoire, et (X 1, Y 1, X 2, Y 2) deux
réalisations indépendantes de ce vecteur. On définit
τ =P
((X 1 − X 2)(Y 1 − Y 2) > 0) −P
((X 1 − X 2)(Y 1 − Y 2) < 0) .
Version empirique : on dispose de n paires (X i , Y i ).
C n = nombre de paires concordantes, i.e. (X i − X j ) demême signe que (Y i − Y j ),
D n = nombre de paires discordantes.
τ =C n − D n
C n + D n .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 50/109
Définition du τ de Kendall
τ de Kendall
Soit (X , Y ) un vecteur aléatoire, et (X 1, Y 1, X 2, Y 2) deux
réalisations indépendantes de ce vecteur. On définit
τ =P
((X 1 − X 2)(Y 1 − Y 2) > 0) −P
((X 1 − X 2)(Y 1 − Y 2) < 0) .
Version empirique : on dispose de n paires (X i , Y i ).
C n = nombre de paires concordantes, i.e. (X i − X j ) demême signe que (Y i − Y j ),
D n = nombre de paires discordantes.
τ =C n − D n
C n + D n .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 51/109
Définition du τ de Kendall
τ de Kendall
Soit (X , Y ) un vecteur aléatoire, et (X 1, Y 1, X 2, Y 2) deux
réalisations indépendantes de ce vecteur. On définit
τ =P
((X 1 − X 2)(Y 1 − Y 2) > 0) −P
((X 1 − X 2)(Y 1 − Y 2) < 0) .
Version empirique : on dispose de n paires (X i , Y i ).
C n = nombre de paires concordantes, i.e. (X i − X j ) demême signe que (Y i − Y j ),
D n = nombre de paires discordantes.
τ =C n − D n
C n + D n .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 52/109
Lien avec les copules
Théorème (τ de Kendall)Soit (X 1, Y 1) et (X 2, Y 2) deux vecteurs aléatoires i.i.d. Soit F la
f.d.r. jointe de (X , Y ) et F X et F Y les fdr marginales. Soit C une
copule telle que
F (x , y ) = C (F X (x ), F Y (y )).
Alors
τ = 4
C (u , v )dC (u , v ) − 1.
On utilise la notation dC (u , v ) pour d P(u , v ) où P est la loi
(de marginales uniformes) définie par C .
Si C est C 2, et que la densité de copule est c , alors
dC (u , v ) = c (u , v )dudv .Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
Li l l
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 53/109
Lien avec les copules
Théorème (τ de Kendall)Soit (X 1, Y 1) et (X 2, Y 2) deux vecteurs aléatoires i.i.d. Soit F la
f.d.r. jointe de (X , Y ) et F X et F Y les fdr marginales. Soit C une
copule telle que
F (x , y ) = C (F X (x ), F Y (y )).
Alors
τ = 4
C (u , v )dC (u , v ) − 1.
On utilise la notation dC (u , v ) pour d P(u , v ) où P est la loi
(de marginales uniformes) définie par C .
Si C est C 2, et que la densité de copule est c , alors
dC (u , v ) = c (u , v )dudv .Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
Li l l
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 54/109
Lien avec les copules
Théorème (τ de Kendall)Soit (X 1, Y 1) et (X 2, Y 2) deux vecteurs aléatoires i.i.d. Soit F la
f.d.r. jointe de (X , Y ) et F X et F Y les fdr marginales. Soit C une
copule telle que
F (x , y ) = C (F X (x ), F Y (y )).
Alors
τ = 4
C (u , v )dC (u , v ) − 1.
On utilise la notation dC (u , v ) pour d P(u , v ) où P est la loi
(de marginales uniformes) définie par C .
Si C est C 2, et que la densité de copule est c , alors
dC (u
,v
) =c
(u
,v
)dudv
.Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
E l
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 55/109
Exemple
On considère la famille dite de
"Farlie-Gumbel-Morgenstern" :
C θ(u , v ) = uv + θuv (1 − u )(1 − v ),
pour θ ∈ [−1, 1].
Calculer τ.
Réponse : τ θ = 2θ/9.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
E l
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 56/109
Exemple
On considère la famille dite de
"Farlie-Gumbel-Morgenstern" :
C θ(u , v ) = uv + θuv (1 − u )(1 − v ),
pour θ ∈ [−1, 1].
Calculer τ.
Réponse : τ θ = 2θ/9.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
Cas des familles archimédiennes
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 57/109
Cas des familles archimédiennes
Cas d’une famille archimédienne
Soit C une copule archimédienne de générateur φ. Alors
τ = 1 + 4 1
0
φ(t )dt
φ(t )
.
Lemme
Soit U et V deux variables aléatoires uniformes de fonction de
répartition jointe C . On définit K C
la fonction de répartition de la
variable aléatoire Z = C (U , V ). Alors
K C (t ) = t −φ(t )
φ(t ).
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
Cas des familles archimédiennes
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 58/109
Cas des familles archimédiennes
Cas d’une famille archimédienne
Soit C une copule archimédienne de générateur φ. Alors
τ = 1 + 4 1
0
φ(t )dt
φ(t )
.
Lemme
Soit U et V deux variables aléatoires uniformes de fonction de
répartition jointe C . On définit K C la fonction de répartition de la
variable aléatoire Z = C (U , V ). Alors
K C (t ) = t −φ(t )
φ(t ).
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
Exemples
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 59/109
Exemples
1 Calculer τ pour une copule de Clayton.
2 Calculer τ pour une copule de Gumbel.
1 Réponse :
τ θ =θ
θ + 2.
2 Réponse :
τ θ =θ − 1
θ .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
Exemples
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 60/109
Exemples
1 Calculer τ pour une copule de Clayton.
2 Calculer τ pour une copule de Gumbel.
1 Réponse :
τ θ =θ
θ + 2.
2 Réponse :
τ θ =θ − 1
θ .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tau de Kendall
Exemples
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 61/109
Exemples
1 Calculer τ pour une copule de Clayton.
2 Calculer τ pour une copule de Gumbel.
1 Réponse :
τ θ =θ
θ + 2.
2 Réponse :
τ θ =θ − 1
θ .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Dépendance de queue
Dépendance de queue
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 62/109
Dépendance de queue
Dépendance dans la queue supérieureSoit X et Y deux v.a. de fdr respectives F X et F Y . Le paramètre
de dépendance de queue supérieure est défini comme
λU = limt →1−
PY > F −1Y (t )|X > F −1
X (t ) ,
si cette limite existe.
Dépendance dans la queue inférieure
Soit X et Y deux v.a. de fdr respectives F X et F Y . Le paramètrede dépendance de queue supérieure est défini comme
λL = limt →0+
P
Y ≤ F −1
Y (t )|X ≤ F −1X (t )
,
si cette limite existe.Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Dépendance de queue
Dépendance de queue
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 63/109
Dépendance de queue
Dépendance dans la queue supérieureSoit X et Y deux v.a. de fdr respectives F X et F Y . Le paramètre
de dépendance de queue supérieure est défini comme
λU = limt →1−
PY > F −1Y (t )|X > F −1
X (t ) ,
si cette limite existe.
Dépendance dans la queue inférieure
Soit X et Y deux v.a. de fdr respectives F X et F Y . Le paramètrede dépendance de queue supérieure est défini comme
λL = limt →0+
P
Y ≤ F −1
Y (t )|X ≤ F −1X (t )
,
si cette limite existe.Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Dépendance de queue
Lien avec les copules
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 64/109
Lien avec les copules
ThéorèmeAvec les notations précédentes, soit C la copule qui unit X et
Y , les paramètres λU et λL ne dépendent que de la copule C
de la façon suivante :
λU = 2− limt →1−
1− C (t , t )1− t
,
λL = limt →0+
C (t , t )
t .
Formule pour les archimédiennes
Soit φ le générateur archimédien de la copule. Alors
λU = 2− lim
x →0+
1− φ[−1](2x )
1 − φ[−1]
(x)
,
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Dépendance de queue
Lien avec les copules
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 65/109
Lien avec les copules
ThéorèmeAvec les notations précédentes, soit C la copule qui unit X et
Y , les paramètres λU et λL ne dépendent que de la copule C
de la façon suivante :
λU = 2− limt →1−
1− C (t , t )1− t
,
λL = limt →0+
C (t , t )
t .
Formule pour les archimédiennes
Soit φ le générateur archimédien de la copule. Alors
λU = 2− lim
x →0+
1− φ[−1](2x )
1 − φ[−1]
(x)
,
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Dépendance de queue
Quelques exemples
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 66/109
Quelques exemples
Copule de Gumbel : λU = 2− 2
1/θ
, λL = 0.Copule de Frank : λU = λL = 0.
Copule de Clayton : λL = 2−1/θ, λU = 0.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Outline
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 67/109
Outline
1 Introduction
2 Définition et Théorème de SklarPropriétés élémentaires des copules
Exemple : copule gaussienne3 Copules archimédiennes
Généralités et définition
Exemples les plus classiques4 Mesures de dépendance
Tau de Kendall
Dépendance de queue5
Inférence statistiqueMéthode du maximum de vraisemblance
Méthodes basées sur des mesures de concordance
Estimation non paramétrique6 Tests d’adéquation
Tests basés sur la copule empiriqueIntroduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Méthode du maximum de vraisemblance
Modèle paramétrique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 68/109
odè e pa a ét que
On dispose de (X i , Y i )1≤i ≤n i.i.d. de copule inconnuappartenant à une famille {C θ : θ ∈ Θ}, où Θ ⊂ R
k .
On suppose que X suit une loi de f.d.r. F X ,λ et Y de fdr
F Y ,µ où λ et µ sont des paramètres inconnus. On souhaite
estimer (θ,λ,µ).
Soit
c θ(u , v ) =∂ 2C θ(u , v )
∂ u ∂ v ,
i.e. la densité associée à la fdr C θ.
La densité de (X , Y ) s’exprime comme
f X ,Y |θ,λ,µ(x , y ) = c θ(F X ,λ(x ), F Y ,µ(y ))f X ,λ(x )f Y ,µ(y ).
On en déduit l’écriture de la vraisemblance, et on estime θpar maximisation de cette vraisemblance.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Méthode du maximum de vraisemblance
Modèle paramétrique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 69/109
p q
On dispose de (X i , Y i )1≤i ≤n i.i.d. de copule inconnuappartenant à une famille {C θ : θ ∈ Θ}, où Θ ⊂ R
k .
On suppose que X suit une loi de f.d.r. F X ,λ et Y de fdr
F Y ,µ où λ et µ sont des paramètres inconnus. On souhaite
estimer (θ,λ,µ).
Soit
c θ(u , v ) =∂ 2C θ(u , v )
∂ u ∂ v ,
i.e. la densité associée à la fdr C θ.
La densité de (X , Y ) s’exprime comme
f X ,Y |θ,λ,µ(x , y ) = c θ(F X ,λ(x ), F Y ,µ(y ))f X ,λ(x )f Y ,µ(y ).
On en déduit l’écriture de la vraisemblance, et on estime θpar maximisation de cette vraisemblance.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Méthode du maximum de vraisemblance
Modèle paramétrique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 70/109
p q
On dispose de (X i , Y i )1≤i ≤n i.i.d. de copule inconnuappartenant à une famille {C θ : θ ∈ Θ}, où Θ ⊂ R
k .
On suppose que X suit une loi de f.d.r. F X ,λ et Y de fdr
F Y ,µ où λ et µ sont des paramètres inconnus. On souhaite
estimer (θ,λ,µ).
Soit
c θ(u , v ) =∂ 2C θ(u , v )
∂ u ∂ v ,
i.e. la densité associée à la fdr C θ.
La densité de (X , Y ) s’exprime comme
f X ,Y |θ,λ,µ(x , y ) = c θ(F X ,λ(x ), F Y ,µ(y ))f X ,λ(x )f Y ,µ(y ).
On en déduit l’écriture de la vraisemblance, et on estime θpar maximisation de cette vraisemblance.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Méthode du maximum de vraisemblance
Modèle paramétrique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 71/109
p q
On dispose de (X i , Y i )1≤i ≤n i.i.d. de copule inconnuappartenant à une famille {C θ : θ ∈ Θ}, où Θ ⊂ R
k .
On suppose que X suit une loi de f.d.r. F X ,λ et Y de fdr
F Y ,µ où λ et µ sont des paramètres inconnus. On souhaite
estimer (θ,λ,µ).
Soit
c θ(u , v ) =∂ 2C θ(u , v )
∂ u ∂ v ,
i.e. la densité associée à la fdr C θ.
La densité de (X , Y ) s’exprime comme
f X ,Y |θ,λ,µ(x , y ) = c θ(F X ,λ(x ), F Y ,µ(y ))f X ,λ(x )f Y ,µ(y ).
On en déduit l’écriture de la vraisemblance, et on estime θpar maximisation de cette vraisemblance.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Méthode du maximum de vraisemblance
Modèle semi-paramétrique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 72/109
p q
On ne s’intéresse plus qu’à l’estimation de θ, les lois
marginales ne sont pas modélisées.
La pseudo-vraisemblance s’obtient de la façon suivante :
Ln (θ) =n
i =1
c (F X (X i ), F Y (Y i )),
où F X et F Y désignent les f.d.r. empiriques de X et Y .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Méthode du maximum de vraisemblance
Modèle semi-paramétrique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 73/109
On ne s’intéresse plus qu’à l’estimation de θ, les lois
marginales ne sont pas modélisées.
La pseudo-vraisemblance s’obtient de la façon suivante :
Ln (θ) =n
i =1
c (F X (X i ), F Y (Y i )),
où F X et F Y désignent les f.d.r. empiriques de X et Y .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Méthodes basées sur des mesures de concordance
Exemple : τ de Kendall
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 74/109
1 Par exemple, on a vu que dans la famille de Clayton,
τ θ = θ[θ + 2]−1.
2 On estime le τ de Kendall sur les données avec la formuledonnée précédemment (avec C n et D n ).
3 On définit θ tel que
τ =θ
ˆθ +
2.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Méthodes basées sur des mesures de concordance
Exemple : τ de Kendall
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 75/109
1 Par exemple, on a vu que dans la famille de Clayton,
τ θ = θ[θ + 2]−1.
2
On estime le τ de Kendall sur les données avec la formuledonnée précédemment (avec C n et D n ).
3 On définit θ tel que
τ =θ
ˆθ +
2.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Méthodes basées sur des mesures de concordance
Exemple : τ de Kendall
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 76/109
1 Par exemple, on a vu que dans la famille de Clayton,
τ θ = θ[θ + 2]−1.
2
On estime le τ de Kendall sur les données avec la formuledonnée précédemment (avec C n et D n ).
3 On définit θ tel que
τ =θ
θ + 2.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Estimation non paramétrique
Copule empirique de Deheuvels (1979)
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 77/109
Notation : on définit la i −ème statistique d’ordre d’un
échantillon (X 1, ..., X n ) comme X (i ) la i −ème valeur de
l’échantillon trié.
Copule empiriqueLa copule empirique d’un échantillon (X i , Y i )1≤i ≤n est une fdr
multivariée discrète telle que
C i
n ,
j
n
=
#{(X k , Y k ) : X k ≤ X (i ), Y k ≤ Y ( j )}
n ,
pour 1 ≤ (i , j ) ≤ n .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Estimation non paramétrique
Copule empirique de Deheuvels (1979)
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 78/109
Notation : on définit la i −ème statistique d’ordre d’un
échantillon (X 1, ..., X n ) comme X (i ) la i −ème valeur de
l’échantillon trié.
Copule empiriqueLa copule empirique d’un échantillon (X i , Y i )1≤i ≤n est une fdr
multivariée discrète telle que
C i
n ,
j
n
=
#{(X k , Y k ) : X k ≤ X (i ), Y k ≤ Y ( j )}
n ,
pour 1 ≤ (i , j ) ≤ n .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Estimation non paramétrique
Avantages et inconvénients
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 79/109
Numériquement : long à calculer, spécialement si on
généralise à k variables aléatoires avec k > 2.
Ne nécessite pas d’hypothèses sur la distribution(estimateur non paramétrique).
Difficile à interpréter.
Permet la construction de tests d’adéquation (voir section
suivante)
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Estimation non paramétrique
Avantages et inconvénients
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 80/109
Numériquement : long à calculer, spécialement si on
généralise à k variables aléatoires avec k > 2.
Ne nécessite pas d’hypothèses sur la distribution(estimateur non paramétrique).
Difficile à interpréter.
Permet la construction de tests d’adéquation (voir section
suivante)
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Estimation non paramétrique
Avantages et inconvénients
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 81/109
Numériquement : long à calculer, spécialement si on
généralise à k variables aléatoires avec k > 2.
Ne nécessite pas d’hypothèses sur la distribution(estimateur non paramétrique).
Difficile à interpréter.
Permet la construction de tests d’adéquation (voir section
suivante)
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Estimation non paramétrique
Avantages et inconvénients
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 82/109
Numériquement : long à calculer, spécialement si on
généralise à k variables aléatoires avec k > 2.
Ne nécessite pas d’hypothèses sur la distribution(estimateur non paramétrique).
Difficile à interpréter.
Permet la construction de tests d’adéquation (voir section
suivante)
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Outline
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 83/109
1 Introduction
2 Définition et Théorème de SklarPropriétés élémentaires des copules
Exemple : copule gaussienne3 Copules archimédiennes
Généralités et définition
Exemples les plus classiques4 Mesures de dépendance
Tau de Kendall
Dépendance de queue5 Inférence statistique
Méthode du maximum de vraisemblance
Méthodes basées sur des mesures de concordance
Estimation non paramétrique6 Tests d’adéquation
Tests basés sur la copule empiriqueIntroduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tests basés sur la copule empirique
Comparaison copule empirique / copule
paramétrique 1/2
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 84/109
paramétrique 1/2
On souhaite tester :
H 0 : C ∈ CΘ,
où CΘ est une famille de copules paramétriques (par
exemple Clayton, Frank, Gumbel...) contre
H 1 : C /∈ CΘ.
On estime C non paramétriquement par C . Que l’on soit
sous H 1 ou H 0,ˆC converge vers C .
On suppose H 0 et on estime C par C θ, qui converge vers
C sous H 0 mais pas sous H 1.
On compare C et C θ, en calculant une distance d (C , C θ),par exemple la norme infinie.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tests basés sur la copule empirique
Comparaison copule empirique / copule
paramétrique 1/2
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 85/109
paramétrique 1/2
On souhaite tester :
H 0 : C ∈ CΘ,
où CΘ est une famille de copules paramétriques (par
exemple Clayton, Frank, Gumbel...) contre
H 1 : C /∈ CΘ.
On estime C non paramétriquement par C . Que l’on soit
sous H 1 ou H 0,ˆC converge vers C .
On suppose H 0 et on estime C par C θ, qui converge vers
C sous H 0 mais pas sous H 1.
On compare C et C θ, en calculant une distance d (C , C θ),par exemple la norme infinie.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tests basés sur la copule empirique
Comparaison copule empirique / copule
paramétrique 1/2
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 86/109
paramétrique 1/2
On souhaite tester :
H 0 : C ∈ CΘ,
où CΘ est une famille de copules paramétriques (par
exemple Clayton, Frank, Gumbel...) contre
H 1 : C /∈ CΘ.
On estime C non paramétriquement par C . Que l’on soit
sous H 1 ou H 0,ˆC converge vers C .
On suppose H 0 et on estime C par C θ, qui converge vers
C sous H 0 mais pas sous H 1.
On compare C et C θ, en calculant une distance d (C , C θ),par exemple la norme infinie.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tests basés sur la copule empirique
Comparaison copule empirique / copule
paramétrique 1/2
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 87/109
paramétrique 1/2
On souhaite tester :
H 0 : C ∈ CΘ,
où CΘ est une famille de copules paramétriques (par
exemple Clayton, Frank, Gumbel...) contre
H 1 : C /∈ CΘ.
On estime C non paramétriquement par C . Que l’on soit
sous H 1 ou H 0,ˆC converge vers C .
On suppose H 0 et on estime C par C θ, qui converge vers
C sous H 0 mais pas sous H 1.
On compare C et C θ, en calculant une distance d (C , C θ),par exemple la norme infinie.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tests basés sur la copule empirique
Comparaison copule empirique / copule
paramétrique 2/2
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 88/109
paramétrique 2/2
On rejetter H 0 si d (C , C θ) > s α.
s α doit satisfaire :
supθ∈Θ
PC θ
d (C , C θ) > s α
= α.
Soit s α est tabulé (cas simples), soit on met en œuvre une
méthode numérique.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tests basés sur la copule empirique
Comparaison copule empirique / copule
paramétrique 2/2
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 89/109
paramétrique 2/2
On rejetter H 0 si d (C , C θ) > s α.
s α doit satisfaire :
supθ∈Θ
PC θ
d (C , C θ) > s α
= α.
Soit s α est tabulé (cas simples), soit on met en œuvre une
méthode numérique.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tests basés sur la copule empirique
Comparaison copule empirique / copule
paramétrique 2/2
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 90/109
paramétrique 2/2
On rejetter H 0 si d (C , C θ) > s α.
s α doit satisfaire :
supθ∈Θ
PC θ
d (C , C θ) > s α
= α.
Soit s α est tabulé (cas simples), soit on met en œuvre une
méthode numérique.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tests basés sur la copule empirique
Exemple de méthode numérique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 91/109
Etape 1 : on estime les paramètres du modèle (θ,λ,µ).
Etape 2 : on simule N échantillons de taille n en utilisant
les paramètres estimés (θ, λ, µ) pour générer les variables
aléatoires.
Etape 3 : pour chaque échantillon simulé, on calcule la
statistique de test, notée T j , j = 1, ..., N .
Etape 4 : on trie le vecteur des T j . On utilise s α tel qu’une
proportion α des T j soit supérieure à s α.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tests basés sur la copule empirique
Exemple de méthode numérique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 92/109
Etape 1 : on estime les paramètres du modèle (θ,λ,µ).
Etape 2 : on simule N échantillons de taille n en utilisant
les paramètres estimés (θ, λ, µ) pour générer les variables
aléatoires.
Etape 3 : pour chaque échantillon simulé, on calcule la
statistique de test, notée T j , j = 1, ..., N .
Etape 4 : on trie le vecteur des T j . On utilise s α tel qu’une
proportion α des T j soit supérieure à s α.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tests basés sur la copule empirique
Exemple de méthode numérique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 93/109
Etape 1 : on estime les paramètres du modèle (θ,λ,µ).
Etape 2 : on simule N échantillons de taille n en utilisant
les paramètres estimés (θ, λ, µ) pour générer les variables
aléatoires.
Etape 3 : pour chaque échantillon simulé, on calcule la
statistique de test, notée T j , j = 1, ..., N .
Etape 4 : on trie le vecteur des T j . On utilise s α tel qu’une
proportion α des T j soit supérieure à s α.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Tests basés sur la copule empirique
Exemple de méthode numérique
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 94/109
Etape 1 : on estime les paramètres du modèle (θ,λ,µ).
Etape 2 : on simule N échantillons de taille n en utilisant
les paramètres estimés (θ, λ, µ) pour générer les variables
aléatoires.
Etape 3 : pour chaque échantillon simulé, on calcule la
statistique de test, notée T j , j = 1, ..., N .
Etape 4 : on trie le vecteur des T j . On utilise s α tel qu’une
proportion α des T j soit supérieure à s α.
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Test d’adéquation à une famille archimédienne
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 95/109
On considère une copule C archimédienne de générateur
φ.
Fonction K C
Soient U et V deux v.a. uniforme de loi jointe de f.d.r. C . On
rappelle la définition de
K C (t ) = P(Z ≤ t ),
où Z = C (U , V ). On rappelle que
K C (t ) = t −φ(t )
φ(t ).
On va estimer K C .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Test d’adéquation à une famille archimédienne
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 96/109
On considère une copule C archimédienne de générateur
φ.
Fonction K C
Soient U et V deux v.a. uniforme de loi jointe de f.d.r. C . On
rappelle la définition de
K C (t ) = P(Z ≤ t ),
où Z = C (U , V ). On rappelle que
K C (t ) = t −φ(t )
φ(t ).
On va estimer K C .
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Estimation de K C 1/2
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 97/109
On dispose de X et Y de f.d.r. F X et F Y , liée par la copule
C .
Quelle est la loi de F X (X )? de F Y (Y ) ?
Réponse : lois uniformes sur [0, 1].
On a K C (t ) = P(C (F X (X ), F Y (Y )) ≤ t ) = P(F (X , Y ) ≤ t ).
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Estimation de K C 1/2
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 98/109
On dispose de X et Y de f.d.r. F X et F Y , liée par la copule
C .
Quelle est la loi de F X (X )? de F Y (Y ) ?
Réponse : lois uniformes sur [0, 1].
On a K C (t ) = P(C (F X (X ), F Y (Y )) ≤ t ) = P(F (X , Y ) ≤ t ).
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Estimation de K C 1/2
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 99/109
On dispose de X et Y de f.d.r. F X et F Y , liée par la copule
C .
Quelle est la loi de F X (X )? de F Y (Y ) ?
Réponse : lois uniformes sur [0, 1].
On a K C (t ) = P(C (F X (X ), F Y (Y )) ≤ t ) = P(F (X , Y ) ≤ t ).
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Estimation de K C 1/2
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 100/109
On dispose de X et Y de f.d.r. F X et F Y , liée par la copule
C .
Quelle est la loi de F X (X )? de F Y (Y ) ?
Réponse : lois uniformes sur [0, 1].
On a K C (t ) = P(C (F X (X ), F Y (Y )) ≤ t ) = P(F (X , Y ) ≤ t ).
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Estimation de K C 2/2
On estime F (x y) non paramétriquement par
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 101/109
On estime F (x , y ) non paramétriquement, par
F (x , y ) =1
n
n i =1
1X i ≤x ,Y i ≤y ,
K C
(t ) =1
n
n
i =1
1F (X i ,Y i )≤t
.
Proposition
On peut montrer que
supt |K C (t ) − K C (t )| → 0, p .s .,
et n 1/2
K C (t )− K C (t )
=⇒ N (0, σ2t ).
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Estimation de K C 2/2
On estime F (x y) non paramétriquement par
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 102/109
On estime F (x , y ) non paramétriquement, par
F (x , y ) =1
n
n i =1
1X i ≤x ,Y i ≤y ,
K C
(t ) =1
n
n
i =1
1ˆF (X i ,Y i )≤t
.
Proposition
On peut montrer que
supt |K C (t ) − K C (t )| → 0, p .s .,
et n 1/2
K C (t )− K C (t )
=⇒ N (0, σ2t ).
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Estimation de K C 2/2
On estime F (x y) non paramétriquement par
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 103/109
On estime F (x , y ) non paramétriquement, par
F (x , y ) =1
n
n i =1
1X i ≤x ,Y i ≤y ,
K C (t ) =1
n
n
i =1
1ˆF (X i ,Y i )≤t
.
Proposition
On peut montrer que
supt |K C (t ) − K C (t )| → 0, p .s .,
et n 1/2
K C (t )− K C (t )
=⇒ N (0, σ2t ).
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Procédure de test
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 104/109
On se place dans un modèle paramétrique {φθ, θ ∈ Θ}.
On estime θ (et éventuellement les autres paramètres)
On compare la fonctionˆλ(t ) = t −
ˆK C (t ) etλ(t ) = φθ(t )/φ
θ(t ).
On calcule T n = supt |λ(t ) − λ(t )|.
Si T n > s α, rejet du modèle.
Question : comment déterminer s α ?
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Procédure de test
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 105/109
On se place dans un modèle paramétrique {φθ, θ ∈ Θ}.
On estime θ (et éventuellement les autres paramètres)
On compare la fonctionˆλ(t ) = t −
ˆK C (t ) etλ(t ) = φθ(t )/φ
θ(t ).
On calcule T n = supt |λ(t ) − λ(t )|.
Si T n > s α, rejet du modèle.
Question : comment déterminer s α ?
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Procédure de test
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 106/109
On se place dans un modèle paramétrique {φθ, θ ∈ Θ}.
On estime θ (et éventuellement les autres paramètres)
On compare la fonctionˆλ(t ) = t −
ˆK C (t ) etλ(t ) = φθ(t )/φ
θ(t ).
On calcule T n = supt |λ(t ) − λ(t )|.
Si T n > s α, rejet du modèle.
Question : comment déterminer s α ?
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Procédure de test
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 107/109
On se place dans un modèle paramétrique {φθ, θ ∈ Θ}.
On estime θ (et éventuellement les autres paramètres)
On compare la fonctionˆλ(t ) = t −
ˆK C (t ) etλ(t ) = φθ(t )/φ
θ(t ).
On calcule T n = supt |λ(t ) − λ(t )|.
Si T n > s α, rejet du modèle.
Question : comment déterminer s α ?
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Procédure de test
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 108/109
On se place dans un modèle paramétrique {φθ, θ ∈ Θ}.
On estime θ (et éventuellement les autres paramètres)
On compare la fonctionˆλ(t ) = t −
ˆK C (t ) etλ(t ) = φθ(t )/φ
θ(t ).
On calcule T n = supt |λ(t ) − λ(t )|.
Si T n > s α, rejet du modèle.
Question : comment déterminer s α ?
Introduction Définition et Théorème de Sklar Copules archimédiennes Mesures de dépendance Inférence statistique
Un test pour les familles archimédiennes
Procédure de test
5/13/2018 copules Lopez - slidepdf.com
http://slidepdf.com/reader/full/copules-lopez 109/109
On se place dans un modèle paramétrique {φθ, θ ∈ Θ}.
On estime θ (et éventuellement les autres paramètres)
On compare la fonctionˆλ(t ) = t −
ˆK C (t ) etλ(t ) = φθ(t )/φ
θ(t ).
On calcule T n = supt |λ(t ) − λ(t )|.
Si T n > s α, rejet du modèle.
Question : comment déterminer s α ?