Estimation de densité conditionnelle lorsque l'hypothèse de normalité est insatisfaisante

Nous cherchons à modéliser des densités dont la distribution est inconnue mais qui est asymétrique et présente des queues lourdes. Dans ce contexte, l'hypothèse de normalité n'est pas appropriée. Afin de maintenir au minimum le nombre d'hypothèses distributionnelles, nous utilisons une méthode non paramétrique pour modéliser le centre de la distribution. La modélisation est plus difficile dans les queues de la distribution puisque peu d'observations s'y trouvent. Nous nous proposons donc d'utiliser la Pareto généralisée (GPD) pour modéliser les queues de la distribution. La GPD permet d'approximer tous les types de queues de distributions (qu'elles soient finies, exponentielles ou sous-exponentielles). L'estimation des paramètres de la GPD est uniquement basée sur les observations extrêmes. Une observation est définie comme étant extrême si elle dépasse un seuil donné. La principale difficulté de la modélisation avec la GPD réside dans le choix d'un seuil adéquat.
[ - ]
[ + ]