Inférence non paramétrique pour les modèles Gibbsiens de processus ponctuels spatiaux - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2014

Non parametric inference for Gibbsian models of spatial point processes

Inférence non paramétrique pour les modèles Gibbsiens de processus ponctuels spatiaux

Résumé

Among models allowing to introduce interaction between points, we find the large class of Gibbs models coming from statistical physics. Such models can produce repulsive as well as attractive point pattern. In this thesis, we are interested in the semi-parametric inference of such models characterized by the Papangelou conditional intensity. Two frameworks are considered. First, we describe a procédure which intends to estimate the first-order interaction term (also called Poisson intensity) of the Papangelou conditional intensity. Under the assumption of finite range of the process, the idea upon which the procedure is based allows us to neglect higher-order interaction terms. We study the stong consistency and the asymptotic normality and conduct a simulation study which highlights the efficiency of the method for finite observation window. Second, we focus on the main class of Gibbs models which is the class of pairwise interaction point processes. We construct a kernel-based estimator of the pairwise interaction function. Two cases are studied: the stationary case and the isotropic case.The estimators, we propose, exploit the finite range property and the estimator of the Poisson intensity defined in the first part. We present asymptotic properties, namely the strong consistency, the behavior of the mean squared error and the asymptotic normality.
Parmi les modèles permettant d'introduire de l'interaction entre les points, nous trouvons très large famille des modèles gibbsiens de processus ponctuels spatiaux issus de la physique statistique, permettant de modéliser à la fois des motifs répulsifs ou attractifs. Dans cette thèse, nous nous intéressons à l'inférence semi-paramétrique de ces modèles caractérisés par l'intensité conditionnelle de Papangelou. Deux contextes sont étudiés. Dans le premier thème, nous décrivons une procédure d'estimation du terme d'interaction du premier ordre (qui peut être aussi appelé l'intensité de Poisson) de l'intensité conditionnelle de Papangelou. L'idée sur laquelle l'estimation est basée permet, sous l'hypothèse d'une portée finie, de négliger les termes d'interaction d'ordre supérieur quelle que soit leur nature. La consistance forte et la normalité asymptotique de l'estimateur sont prouvées. Une étude par simulations illustre la performance de l'estimateur sur une fenêtre d'observation finie. Dans le second thème, nous nous focalisons sur la classe la plus connue et utilisée; le processus ponctuel à interaction par paires. Nous construisons une nouvelle méthode d'estimation de la fonction d'interaction de paires dans l'esprit des estimations non paramétriques par lissage à partir d'une réalisation du processus ponctuel spatial à interaction par paires. Deux cas sont étudiées: le cas stationnaire et le cas isotrope. Ces estimateurs exploitent à nouveau la propriété de portée finie des processus ponctuels et intégrent l'estimation du paramètre de l'intensité de Poisson vue dans le premier thème. Nous présentons les propriétés asymptotiques telles que la consistance forte ponctuelle, la consistance forte globale avec différentes vitesses de consistance, le comportement de l'erreur quadratique moyenne et la normalité asymptotique de ces estimateurs.
Fichier principal
Vignette du fichier
MORSLI_2014_diffusion.pdf (1.03 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

tel-01553115 , version 1 (03-07-2017)

Identifiants

  • HAL Id : tel-01553115 , version 1

Citer

Nadia Morsli. Inférence non paramétrique pour les modèles Gibbsiens de processus ponctuels spatiaux. Statistiques [math.ST]. Université de Grenoble, 2014. Français. ⟨NNT : 2014GRENM055⟩. ⟨tel-01553115⟩
162 Consultations
149 Téléchargements

Partager

Gmail Facebook X LinkedIn More