Thèse de Doctorat de l’Université Paris VI

Spécialité

Statistique Mathématique

Présentée par : Olivier Bouaziz

Pour obtenir le grade de

Docteur de l’université Paris VI

Sujet de la thèse

Utilisation de modèles à direction révélatrice unique

pour les modèles de durée

Soutenue le 24 novembre 2009,

devant le jury composé de :

Denis Bosq Directeur de Thèse

Michel Delecroix Directeur de Thèse
Peter Hall Rapporteur
Ingrid Van Keilegom Rapporteur
Gérard Biau Examinateur
Jean David Fermanian Examinateur
Céline Vial Examinateur
2
Table des matières

Introduction 7

1 Représentations asymptotiques des intégrales Kaplan-Meier en présence de

censures 15
1.1 Les premières hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2 L’estimateur de Kaplan-Meier . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.1 Les sauts de l’estimateur de Kaplan-Meier . . . . . . . . . . . . . . . . . 20
1.2.2 Le biais de l’estimateur de Kaplan-Meier . . . . . . . . . . . . . . . . . . 22
1.2.3 Consistance de l’estimateur de Kaplan-Meier en présence de covariables 23
1.3 Classes de Givenko-Cantelli et de Donsker . . . . . . . . . . . . . . . . . . . . . 28
1.3.1 Rappels sur les conditions d’entropie . . . . . . . . . . . . . . . . . . . . 28
1.3.2 Les classes de Vapnik-C̆ervonenkis . . . . . . . . . . . . . . . . . . . . . 29
1.4 Les intégrales Kaplan-Meier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.4.1 Représentation i.i.d. uniforme pour une classe de fonctions s’annulant
au voisinage de τH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.4.2 Représentation i.i.d. uniforme dans le cas général . . . . . . . . . . . . . 37

2 Résultats de convergence uniforme des estimateurs à noyau et présentation

des modèles à direction révélatrice unique 43
2.1 Propriétés des estimateurs à noyaux . . . . . . . . . . . . . . . . . . . . . . . . 44
2.1.1 Un estimateur non paramétrique de la densité . . . . . . . . . . . . . . . 44

3
TABLE DES MATIÈRES

2.1.2 Estimation de la densité conditionnelle et de la fonction de régression . . 46

2.1.3 Consistance des estimateurs non paramétriques pour une fenêtre adap-
tative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2 Une méthode de réduction de la dimension . . . . . . . . . . . . . . . . . . . . . 56
2.2.1 Présentation du modèle à direction révélatrice unique : hypothèses d’iden-
tifiabilité et méthodes d’estimation . . . . . . . . . . . . . . . . . . . . . 58
2.2.2 M-estimation dans un modèle à direction révélatrice unique pour l’étude
de la densité conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.2.3 Vitesses de convergence de fˆθh et de ses dérivées partielles pour des don-
nées censurées dans le cas où G est connue . . . . . . . . . . . . . . . . . 66
2.2.4 Un exemple pour les données censurées : le modèle de Cox . . . . . . . . 72

3 Étude de la densité conditionnelle dans un modèle à direction révélatrice

unique en présence de censures 75
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.2 Procédure d’estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.2.1 Présentation générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.2.2 Méthode d’estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.2.3 Choix adaptatif de la fenêtre . . . . . . . . . . . . . . . . . . . . . . . . 80
3.2.4 Choix adaptatif de la borne de troncation . . . . . . . . . . . . . . . . . 81
3.3 Résultats asymptotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.3.1 Consistance de θ̂ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.3.2 Normalité asymptotique de θ̂ . . . . . . . . . . . . . . . . . . . . . . . . 83
3.4 Simulations et étude de données réelles . . . . . . . . . . . . . . . . . . . . . . . 90
3.4.1 Implémentation pratique du choix adaptatif de τ . . . . . . . . . . . . . 90
3.4.2 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.4.3 Un exemple sur un jeu de données réelles : les greffes de coeur à Stanford 95
3.5 Preuve du Lemme principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

4
 TABLE DES MATIÈRES

3.7 Résultats techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

3.7.1 Le gradient de f . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.7.2 Etude de la différence entre f ∗ et fˆ . . . . . . . . . . . . . . . . . . . . . 105
3.7.3 Les classes de Donsker . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

4 Étude des évènements récurrents dans un modèle à direction révélatrice

unique en présence de censures 115
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.2 Présentation du modèle et méthodes d’estimation . . . . . . . . . . . . . . . . . 117
4.2.1 Un modèle de regression pour l’étude des évènements récurrents . . . . . 117
4.2.2 Méthode d’estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.3 Résultats asymptotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.3.1 Discussion des hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.3.2 Normalité asymptotique de θ̂ pour le cas paramétrique . . . . . . . . . . 130
4.3.3 Normalité asymptotique de θ̂ pour le cas semi-paramétrique . . . . . . . 134
4.3.4 Choix adaptatif de la mesure . . . . . . . . . . . . . . . . . . . . . . . . 137
4.3.5 Estimation de la variance . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.3.6 Estimation de la partie non-paramétrique . . . . . . . . . . . . . . . . . 138
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.5 Résultats techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.5.1 Preuve du Lemme 4.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.5.2 Convergence uniforme des estimateurs non-paramétriques . . . . . . . . 144
4.5.3 Calcul du gradient de µθ0 . . . . . . . . . . . . . . . . . . . . . . . . . . 149

Conclusion 151

Annexes 155

A Un critère de convergence 157

B Un résultat de convergence pour les U -processus 159

5
TABLE DES MATIÈRES

C L’inégalité de Lenglart 161

6
Introduction

Les modèles semi-paramétriques de réduction de dimension ont été fortement développés

ces dernières années. Ils permettent d’obtenir un compromis entre un modèle paramétrique,
généralement trop restrictif et un modèle non-paramétrique où l’erreur d’estimation devient
vite trop grande en présence de variables explicatives de grande dimension. Ils trouvent leur
intérêt notamment dans les modèles de durée où l’on cherche à prendre en compte l’information
apportée par des variables explicatives. Une spécificité de ces modèles tient à la présence
fréquente de phénomènes de censures dans les observations. Dans cette thèse, nous étudierons
des modèles où la durée est susceptible d’être censurée à droite en faisant alors appel à des
techniques adaptées à ce type de contexte. Par ailleurs, on s’intéressera également à la fréquence
d’évènements récurrents se déroulant durant une certaine durée.

Exemples et présentation du modèle de régression en présence de censures

Les modèles de censure se rencontrent dans de nombreuses situations : bien connus et

fréquemment utilisés en biostatistique, ils trouvent également leurs applications en assurance
ou même en finance. Nous commençons par présenter deux situations pratiques de données
censurées à droite.
Prenons un cas de données de survie où l’on s’intéresse à la durée de vie d’un groupe
d’individus. On considère des patients atteints d’un cancer de la peau qui ont tous dû subir une
opération chirurgicale ayant pour objet de retirer leur tumeur. On cherche alors à connaître leur
durée de vie à partir de cette opération. Cette étude prend également une variable explicative
qui nous donne des informations sur le patient telles que : le sexe ou l’âge du patient au

7
Introduction

moment de l’opération. Puisque les patients sont arrivés à divers instants certains étaient
encore en vie à la fin de l’étude et on ne peut donc pas connaître leur durée de vie exacte. De
même, un certain nombre de patients sont décédés de cause indépendante de la tumeur ce qui
nous empêche de connaître leur durée de vie réelle, c’est à dire sans l’intervention de facteurs
extérieurs. Dans chacun de ces cas, on ne connaît donc que la date minimum entre leur durée
de vie effective et, dans le premier cas, la date de fin d’étude, dans le deuxième cas, la date de
décès causée par un évènement indépendant de la tumeur.

Prenons maintenant un exemple en assurance où l’on s’intéresse au coût d’un sinistre. Les
cambriolages d’appartements sont remboursés mais avec un plafond correspondant à la valeur
de biens assurés. Par exemple, si le coût d’un sinistre est de 13 000 euros mais l’assuré n’est
couvert que jusqu’à 8 000 euros, la base de données n’indiquera que le montant maximal de
8 000 euros. On observera donc seulement la valeur minimum entre la valeur de remboursement
et le coût réel du sinistre.

Dans ces deux exemples on n’observe à chaque fois que le minimum entre la variable
d’intérêt Y et une autre variable, dite de censure, C. D’un point de vue mathématique, cela
signifie que l’on observe seulement la variable T = Y ∧C. On observe également l’indicateur de
censure, δ = 1Y ≤C , qui nous informe si notre variable observée correspond bien à la variable
d’intérêt ou à la variable de censure. Enfin, on observe une variable explicative X qui fournit
des informations sur Y .

De tels modèles où les données sont incomplètes requièrent l’utilisation de techniques adap-
tées pour prendre en compte nos observations censurées sans perdre trop d’information sur Y .
Par exemple, l’estimateur de Kaplan-Meier introduit en 1958, nous fournit un bon estimateur
de la fonction de répartition de Y ou de C. Par ailleurs, les hypothèses portant sur le modèle
jouent un rôle important. En effet, l’une des difficultés majeures ici est de prendre en compte
dans notre étude les covariables X qui peuvent être de grande dimension. Dans l’estimation de
la densité conditionnelle par exemple, on sait que si on estime cette fonction de façon purement
non-paramétrique, on va se heurter au « fléau de la dimension » dès que la dimension d des

8
covariables est trop importante : notre estimateur va converger très lentement vers la quantité
estimée. En pratique, on considère que dès que d est supérieur à 3, une estimation purement
non-paramétrique ne peut plus convenir.
Une solution possible est alors de poser un modèle paramétrique, ce qui signifie qu’estimer
la densité conditionnelle revient à estimer un paramètre. Il existe de nombreux modèles de
ce type, les plus courants étant sans doute le modèle de régression linéaire ou le modèle de
régression linéaire généralisé. Malheureusement, ces modèles sont très contraignants car ils
imposent une condition très forte sur la quantité à estimer qui ne sera pas toujours vérifiée.
Une alternative consiste à poser une hypothèse semi-paramétrique de réduction de dimen-
sion sur le modèle. Ainsi, on peut définir un modèle qui reste suffisamment général, tout en
imposant une contrainte sur le paramètre nous permettant de pallier le fléau de la dimen-
sion. Le modèle que nous considérons dans cette thèse est un modèle à direction révélatrice
unique. Dans la première partie de cette thèse, nous nous intéresserons donc à l’estimation de
fY |X (x, y), la densité conditionnelle de Y sachant X = x évaluée au point y. On suppose alors
qu’il existe un paramètre θ0 de dimension d tel que :

fY |X (x, y) = fθ0 (θ00 x, y), (1)

où, pour tout θ, fθ (u, y) représente la densité conditionnelle de Y sachant θ0 X = u évaluée au

point y. Ici, fθ0 ainsi que θ0 sont inconnus. Il s’agit donc bien d’un modèle semi-paramétrique
puisqu’il faut estimer à la fois le paramètre θ0 et la fonction fθ0 pour pouvoir obtenir un
estimateur de fY |X . Ce modèle suppose donc qu’il y a une direction du vecteur X qui contient
toute l’information nécessaire à l’estimation de fY |X . L’intérêt de cette hypothèse vient du
fait que l’estimation non paramétrique de fθ0 ne sera plus affectée par le fléau de la dimension
puisqu’il s’agit maintenant d’une fonction dépendant de θ00 x qui est de dimension 1.
Parmi ces types de modèles semi-paramétriques, l’un des plus célèbres appliqué aux données
censurées est sans conteste le modèle de Cox. Dans ce modèle, l’hypothèse porte cette fois sur
le risque instantané conditionnel h, défini par

fY |X (x, y)
h(y|x) = ,
1 − FY |X (x, y)

9
Introduction

où FY |X (x, y) représente la fonction de répartition conditionnelle de Y sachant X = x évaluée

au point y. On suppose alors que :

h(y|x) = h0 (y) exp(θ00 x),

où h0 est une fonction et θ0 un paramètre, tous deux inconnus. Encore une fois, il s’agit là de
trouver des estimateurs de h0 et θ0 pour pouvoir estimer h. Le modèle à direction révélatrice
unique peut donc être vu comme une généralisation du modèle de Cox, puisque d’après (1), il
suppose qu’il existe θ0 et g indexée par θ0 tels que :

h(y|x) = gθ0 (θ00 x, y).

Par ailleurs, notre méthode d’estimation de la densité conditionnelle dans ce modèle à

direction révélatrice unique prend en compte les problèmes d’estimation dans les queues de
distribution de l’estimateur de Kaplan-Meier. En effet, si le taux de censure est trop impor-
tant dans les queues de distribution, il est possible que cet estimateur ne soit pas consistant
partout. Une des possibilités pour remédier à ce problème est alors d’utiliser une borne de
troncation qui nous permet de retirer les observations trop grandes de l’échantillon. Nous
avons ainsi construit une nouvelle méthode de choix adaptatif de cette borne de troncation,
nous permettant de la choisir à partir des données.

Exemples et présentation du modèle de régression pour l’étude des évènements

récurrents

Dans la deuxième partie de cette thèse, nous nous intéressons à l’étude des évènements
récurrents en présence de censures. Dans ce contexte, on étudie la répétition d’évènements
durant une certaine période de temps, jusqu’à l’apparition de l’évènement terminal.
Dans un cadre médical par exemple, ces évènements récurrents peuvent représenter les
différentes crises d’asthme d’un patient asthmatique ou les infections répétées d’un patient
atteint par le virus de l’immunodéficience humaine ou encore les récurrences de tumeurs de
patients cancéreux. Ces évènements répétés ont un grand intérêt puisqu’ils fournissent des

10
informations très importantes sur la qualité du patient. En outre, ils ont un impact significatif
sur la durée de vie elle-même du patient.

En assurance maintenant, on s’intéresse à des produits sous garantie. Prenons l’exemple

où l’évènement terminal représente la durée de vie d’une voiture. Les applications répétées de
la garantie pour cette voiture vont alors être représentées par des évènements récurrents. Ici,
au lieu de s’intéresser à la durée de vie d’une voiture, on s’intéressera plutôt au nombre de fois
moyen où un client a fait jouer sa garantie.

Pour étudier les occurrences de ces évènements récurrents, on a besoin d’introduire le

processus de comptage N ∗ (t) qui représente le nombre d’évènements récurrents survenus avant
l’instant t et précédant l’évènement terminal Y . Comme nos observations sont censurées ce
processus ne sera pas toujours observé. En effet, si l’évènement terminal est censuré, tous les
évènements récurrents survenant entre C et Y ne seront pas observés. Comme précédemment
nous souhaitons également prendre en compte l’information apportée par les covariables X.
Ainsi, nous chercherons à estimer le processus indexé par t suivant :

µ(t|x) = E [N ∗ (t)|X = x],

c’est à dire le nombre moyen d’évènements récurrents survenus avant l’instant t, sachant que
X = x. µ est une fonction de régression, ce qui signifie qu’on est encore en présence du fléau
de la dimension. Pour y remédier, une première possibilité peut être de considérer un modèle
paramétrique pour estimer µ, c’est à dire qu’on suppose qu’il existe un paramètre θ0 tel que

µ(t|x) = µ0 (t, x; θ0 ),

où µ0 est connu. En estimant θ0 , on obtient donc un estimateur de µ. C’est ce modèle que

nous avons étudié dans une première partie, mais comme il reste très restrictif, nous nous
sommes ensuite intéressés à l’étude de ce modèle dans le cas où µ0 est inconnu. Évidemment,
la possibilité que la dimension des covariables puisse être grande nous empêche d’utiliser une
approche purement non-paramétrique. Nous avons donc pensé encore une fois à utiliser un
modèle à direction révélatrice unique pour pallier le fléau de la dimension. Notre modèle est

11
Introduction

le suivant : on suppose qu’il existe un paramètre θ0 de dimension d tel que,

µ(t|x) = µθ0 (t, θ00 x), (2)

où µθ (t, u) = E [N ∗ (t)|θ0 X = u]. L’estimation de µ s’obtient donc après estimation du para-

mètre θ0 et de la fonction µθ0 , cette dernière quantité n’étant plus affectée par les problèmes
de fléau de la dimension puisque θ00 x est de dimension 1.
Un cas particulier de ce modèle qui est couramment utilisé dans le contexte des évènements
récurrents est le suivant :
0
µ(t|x) = µ0 (t)eθ0 x .

Ce modèle est donc en quelque sorte une variante du modèle de Cox adaptée aux évènements
récurrents. Cependant, même s’il est bien vérifié dans certains cas, il reste néanmoins restric-
tif. Le modèle à direction révélatrice unique nous permet donc d’avoir un modèle plus général
correspondant à un plus grand nombre de situations pratiques que le modèle de Cox.

Dans notre procédure d’estimation nous avons encore dû faire appel à l’estimateur de
Kaplan-Meier pour estimer les fonctions de répartition de Y et de C, l’estimateur usuel de la
fonction de répartition empirique n’étant pas disponible en présence d’observations censurées.
Ainsi, nous avons les mêmes problèmes d’estimation dans les queues de distribution que pour
l’estimation de la densité conditionnelle. Par ailleurs, le processus de comptage des évènements
récurrents peut également devenir très grand dans les queues de distribution et perturber ainsi
la qualité d’estimation de µ. Nous avons donc établi une procédure spécifique nous permet-
tant de remédier à ces difficultés d’estimation dans les queues de distribution, en particulier
en imposant des conditions de moment sur N ∗ (t) et sur l’estimateur de Kaplan-Meier. Dans
cette optique, nous avons également introduit une mesure définie sur l’ensemble des t pour
compenser les poids trop grand accordés par l’estimateur de Kaplan-Meier dans les queues de
distribution. Notre procédure d’estimation nous permet alors de choisir cette mesure à partir
des données, nous permettant ainsi, à partir d’un critère fixé, de choisir la mesure optimale
dans notre estimation de µ.

12
Revue succincte des chapitres de la thèse

Dans le premier chapitre de cette thèse, nous introduisons le modèle de données censurées
à droite et nous présentons quelques unes de nos hypothèses. Nous rappelons ensuite l’écriture
de l’estimateur de Kaplan-Meier ainsi que certaines de ses propriétés. Puis nous introduisons
la notion d’intégrales Kaplan-Meier qui nous permet d’estimer toute fonction des variables
observées. Il est alors possible d’obtenir des représentations i.i.d. de ces intégrales et d’en
déduire ainsi une loi des grands nombres et un théorème central limite pour ces fonctions.
Ces résultats ont été introduit par Stute et Wang (1993), Stute (1993), Stute (1995) et Stute
(1996). Par ailleurs, nous présentons ces résultats uniformément sur des classes de fonctions
s’annulant dans les queues de distribution en faisant appel à l’article de Sánchez Sellero et al.
(2005). Enfin, nous avons étendu ce théorème à des classes de fonctions plus générales, ne
s’annulant pas forcément dans les queues de distribution.

Le deuxième Chapitre commence par quelques rappels sur les estimateurs à noyau, en
rappelant notamment des résultats de convergence uniforme de ces estimateurs. Ces résultats,
obtenus grâce à des outils de processus empirique, proviennent principalement de Einmahl
et Mason (2005). Dans la suite de ce chapitre nous nous attachons plus particulièrement au
modèle à direction révélatrice unique permettant de pallier le fléau de la dimension. Après une
brève revue des méthodes d’estimation dans ces modèles semi-paramétriques, nous présentons
le modèle défini par l’égalité (1) et nous donnons des résultats de convergence uniforme de
l’estimateur de fθ .

Dans le troisième chapitre, nous étudions le modèle à direction révélatrice unique (1)
portant sur la densité conditionnelle, en présence de censures à droite. Nous présentons notre
méthode d’estimation qui nécessite l’utilisation d’une borne de troncation pour remédier aux
problèmes d’estimation dans les queues de distribution dus à l’estimateur de Kaplan-Meier.
Nos résultats nous permettent alors de choisir cette borne de troncation de façon adaptative,
c’est à dire à partir des données. Avec cette borne adaptative, nous obtenons ainsi des résultats
de consistance et de normalité asymptotique pour l’estimateur de l’index. Nous concluons avec
des résultats de simulation et une étude sur des données réelles. On observe en particulier une

13
Introduction

nette amélioration de la performance de notre estimateur quand nous utilisons une borne de
troncation, choisie de façon adaptative.
Le dernier chapitre concerne l’étude des évènements récurrents en présence de données
censurées à droite. On étudie le modèle (2) et on présente une méthode d’estimation de l’index,
de type moindre carrés. Notre procédure d’estimation nécessite l’introduction d’une mesure
nous permettant de contrôler les poids, parfois trop grands dans les queues de distribution,
de l’estimateur de Kaplan-Meier. Ici encore nous établissons des résultats de consistance et
de normalité asymptotique de l’estimateur de l’index, obtenus pour une mesure adaptative
choisie à partir des données.

14
Chapitre 1

Représentations asymptotiques des

intégrales Kaplan-Meier en présence
de censures

Soient Y1 , . . . , Yn , n variables aléatoires indépendantes et de même loi que Y ∈ Y où Y ⊂ R

et soient X1 , . . . , Xn , n variables aléatoires indépendantes de même loi que X ∈ X ⊂ Rd . Yi
représente notre ième variable d’intérêt et Xi sa covariable associée. On introduit de même les
variables aléatoires de censure C1 , . . . , Cn , indépendantes et de même loi que C ∈ R. Dans le
modèle de censure, nos observations sont donc


Ti = Yi ∧ Ci 1 ≤ i ≤ n,






 δi = 1{Yi ≤Ci } 1 ≤ i ≤ n,



 X ∈ X ⊂ Rd

1 ≤ i ≤ n.
i

15
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

Nous introduisons maintenant quelques notations pour désigner les fonctions de répartition
des variables aléatoires apparaissant dans le modèle :

FX (t) = P(X ≤ t),








F (t) = P(Y ≤ t),






 FX,Y (x, y) = P(X ≤ x, Y ≤ y),



G(t) = P(C ≤ t),








H(t) = P(T ≤ t).


Enfin, on note τF = inf{t : F (t) = 1}, τG = inf{t : G(t) = 1} et τH = inf{t : H(t) = 1}

les bornes supérieures respectives des support de F , G et H. De façon évidente, on a alors la
relation, τH = τF ∧ τG .

1.1 Les premières hypothèses

Nous introduisons dans ce paragraphe des hypothèses que nous utiliserons tout au long de
cette thèse.

Hypothèse 1.1. On suppose que P(Y = C) = 0.

Cette hypothèse technique permet d’assurer une parfaite symétrie entre Y et C qui nous
permettra d’inverser à loisir les rôles de ces deux variables et donc de définir des estimateurs
similaires pour F et G. Dans la littérature, on peut trouver d’autres formulations équivalentes
de cette hypothèse : par exemple certains supposeront que F et G n’ont pas de sauts en commun
ou encore qu’un individu ne peut pas décéder et être censuré à la fois : en cas d’ex-aequo entre
décès et censure, on dit que l’individu est décédé.

Hypothèse 1.2. On suppose que


Y ⊥

⊥C,

P(Y ≤ C | X, Y ) = P(Y ≤ C | Y ).

16
 1.1 Les premières hypothèses

Cette hypothèse a été introduite pour la première fois par Stute (1993). Elle est vérifiée
dans le cas particulier où C est indépendant du couple (X, Y ) mais reste un peu plus générale.
En effet, sous cette hypothèse, la variable C est autorisée à dépendre de X dans une certaine
mesure.
Remarque. Comme le décrit Stute (1999) on peut facilement générer des variables aléatoires
X, Y et C vérifiant l’Hypothèse 1.2 sans que C soit nécessairement indépendant du couple
(X, Y ). Pour cela, il suffit de prendre deux variables aléatoires (X, Y ) suivant une loi jointe
puis de générer δ à partir de la relation suivante :

P(δ = 1 | X = x, Y = y) = 1 − G(y−),

où G(y−) représente la limite à gauche de y de G(y), c’est à dire que 1 − G(y−) = P(C > y).
Alors, sachant que Y = y et δ = 1, C est pris à partir de G restreint au domaine [y, +∞) (et
renormalisé) et sachant que Y = y et δ = 0, C est pris à partir de G restreint au domaine
[0, y). En termes mathématiques cela signifie donc que

G(t)1t≥y
P(C ≤ t | Y = y, δ = 1) = R ∞
y dG(c)

et
G(t)10≤t<y
P(C ≤ t | Y = y, δ = 0) = R y− .
0 dG(c)
Un calcul probabiliste élémentaire nous montre alors que

P(C ≤ t, Y = y) = G(t)dF (y),

ce qui signifie bien que C est indépendant de Y et de fonction de répartition égale à G.

Une dernière hypothèse, très courante dans le contexte des données censurées mais que
nous n’utiliserons pas ici, est de supposer que :

τF ≤ τG . (1.1)

Cette hypothèse est nécessaire pour obtenir la consistance de l’estimateur de Kaplan Meier
(introduit par la suite) sur toute la ligne réelle. En effet, quand τF > τG toutes les valeurs entre

17
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

τG et τF sont des censures et ne sont donc pas observées. Ainsi, si l’hypothèse (1.1) n’est pas
vérifiée, comme on le verra ultérieurement, on obtient un biais asymptotique dans l’estimation
de F dans les queues de distribution. Nous ferons référence de temps en temps à cette condition
en matière d’exemple jusqu’à ce que nous introduisions une hypothèse alternative pour les
intégrales Kaplan-Meier.

1.2 L’estimateur de Kaplan-Meier

En l’absence de censures, les fonctions de répartitions F, FX,Y et G s’estiment de manière

très simple en utilisant les fonctions de répartitions empiriques usuelles. Par exemple, F (t) et
FX,Y (x, y) seront respectivement estimés par :
n n
1X 1X
F̂emp (t) := 1Yi ≤t et F̂emp (x, y) := 1Xi ≤x,Yi ≤y ,
n n
i=1 i=1

où on désigne indifférement par F̂emp la fonction de répartition empirique dans le cas univarié
ou multivarié.
Malheureusement, dans le cas où les données sont censurées, il est impossible d’utiliser la
fonction F̂emp puisqu’elle fait intervenir des quantités non observées (tous les Yi censurés ne
sont pas observés). On estime alors généralement F et G en utilisant l’estimateur de Kaplan-
Meier. Pour estimer FX,Y , Stute (1996) propose une version adaptée de l’estimateur de Kaplan-
Meier en présence de covariables. Nous introduirons cet estimateur dans la Section 1.2.3. Ainsi,
en l’absence de covariables, l’estimateur classique de F (t) est le suivant :
!δi
Y 1
F̂ (t) = 1 − 1 − Pn .
i:Ti ≤t j=1 1Tj ≥Ti

C’est une fonction constante par morceaux, continue à droite et possédant une limite à gauche,
qui ne saute qu’aux instants de décès. Le poids accordé par F̂ pour chaque saut est croissant et
pour chaque observation censurée, ce poids est augmenté. Ainsi, ce poids est renforcé dans les
grandes observations afin de compenser le manque d’observations dans la queue de distribution
dû à la censure.

18
 1.2 L’estimateur de Kaplan-Meier

Il est à noter, qu’en l’absence de censures cet estimateur coïncide exactement avec la fonction
de répartition usuelle. De plus, grâce à l’hypothèse 1.1, on observe une sorte de symétrie par
rapport à Y et C, ce qui nous permet de définir un estimateur analogue pour G, que l’on notera
Ĝ par la suite. Cet estimateur est donc défini de la même façon que F̂ mais en remplaçant
δi par 1 − δi . Les résultats que nous obtiendrons concernant F̂ pourront donc être établis de
façon similaire avec Ĝ. Ainsi, pour plus de clarté nous énoncerons toujours nos résultats pour
F̂ mais nous les appliquerons indifféremment pour F̂ ou Ĝ.

Exemple. On prend un échantillon de taille 11 et on représente nos observations ordonnées,

notées T(i) , pour 1 ≤ i ≤ 11, de la façon suivante :

1 3 4∗ 5 7∗ 8∗ 9 10 11∗ 12 14∗

où les ∗ représentent les variables censurées. Par définition de l’estimateur de Kaplan-Meier,

on obtient donc :
F̂ (t) = 0, t ∈ [0, 1), F̂ (t) ≈ 0.427, t ∈ [9, 10),
F̂ (t) ≈ 0.091, t ∈ [1, 3), F̂ (t) ≈ 0.57, t ∈ [10, 12),
F̂ (t) ≈ 0.182, t ∈ [3, 5), F̂ (t) ≈ 0.785, t ≥ 12.
F̂ (t) ≈ 0.284, t ∈ [5, 9),

En effet, on a par exemple,

    
1 1 1 1
F̂ (9) = 1 − 1 − 1− 1− 1− ≈ 0.427.
11 10 8 5

On peut ainsi tracer la courbe de F̂ .

19
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

F̂(t)

0.785

0.57

0.427

0.284

0.182
0.091

1 2 3 4 5 6 7 8 9 10 11 12 13 14 t

On remarque en particulier dans cet exemple que l’estimateur de Kaplan-Meier n’atteint jamais
1. Ceci est dû au fait que la dernière observation T(11) est censurée.

1.2.1 Les sauts de l’estimateur de Kaplan-Meier

Nous présentons ici une autre écriture de l’estimateur de Kaplan-Meier sous forme de
somme. Cette écriture, plus intuitive dans son interprétation, est surtout plus facile à mani-
puler comme on le verra dans la suite. En effet, on préférera utiliser une quantité sous forme
de somme plutôt qu’une quantité sous forme de produit. Cela nous permettra notamment de
définir un estimateur des intégrales Kaplan-Meier (voir Section 1.4).

Puisque l’estimateur de Kaplan-Meier est une fonction constante par morceaux qui ne
saute qu’aux instants de décès, on peut l’écrire de la façon suivante :
n
X
F̂ (t) = Wi,n 1Ti ≤t , (1.2)
i=1

où Wi,n est nul si δi = 0. Le lemme suivant fournit l’expression exacte de Wi,n en fonction de
l’estimateur de Kaplan-Meier de G. Nous donnons ici une démonstration similaire à celle de

20
 1.2 L’estimateur de Kaplan-Meier

Satten et Datta (2001) qui n’utilise que des techniques combinatoires élémentaires.

Lemme 1.1. Les poids de l’estimateur de Kaplan-Meier de F sont égaux à :

δi
Wi,n =
.
n 1 − Ĝ(Ti −)

Démonstration. Nous allons calculer la statistique ordonnée W(i,n) du saut à la ième observation
T(i) dans l’échantillon ordonné. δ(i) est le δ correspondant à T(i) et en cas d’ex-aequo entre
deux T(i) on décide de les ordonner de façon arbitraire. On constate tout d’abord qu’on a :
!δ(j) i  δ(j)
Y 1 Y n−j
F̂ (T(i) ) = 1 − 1 − Pn =1− .
1
l=1 Tl ≥T(j) n−j+1
j:T(j) ≤T(i) j=1

Le i-ème poids de l’estimateur de Kaplan-Meier correspond donc à :

i−1  δ(j) Y i  δ(j)

Y n−j n−j
F̂ (T(i) ) − F̂ (T(i−1) ) = −
n−j+1 n−j+1
j=1 j=1
i−1  δ(j) "  δ(i) #
Y n−j n−i
= 1−
n−j+1 n−i+1
j=1
i−1  δ(j)
Y n−j δ(i)
= .
n−j+1 n−i+1
j=1

Par ailleurs,
i−1  1−δ(j)
Y n−j
1 − Ĝ(T(i) −) = ,
n−j+1
j=1

et
i−1  δ(j) Yi−1  1−δ(j)
Y n−j n−j n−i+1
× = ,
n−j+1 n−j+1 n
j=1 j=1

ce qui nous donne,

 

F̂ (T(i) ) − F̂ (T(i−1) ) × n 1 − Ĝ(T(i) −) = δ(i) .

21
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

L’estimateur de Kaplan-Meier de F a donc la spécificité de s’exprimer en fonction de

l’estimateur de Kaplan-Meier de G. Par ailleurs, l’écriture (1.2) permet de faire le lien avec
la fonction de répartition empirique usuelle. Si tous les poids Wi,n sont égaux à δi /n (ce qui
sera le cas si et seulement si aucune observation n’est censurée), on retombe exactement sur
la fonction de répartition empirique. F̂ ne somme que les observations non censurées (quand

−1
δi = 1) et leur attribue la masse n(1 − Ĝ(Ti −)) . Cette masse sera d’autant plus grande
que l’observation sera grande (puisque (1 − Ĝ(·−))−1 est croissant). Par ailleurs, sous cette
expression, on constate que F̂ est la somme de termes non i.i.d. puisque 1 − Ĝ(Ti −) fait
intervenir tous les Tj inférieurs à Ti . Cette particularité de l’estimateur de Kaplan-Meier le
rend difficile à étudier ; on essayera alors souvent de se ramener à une somme de termes i.i.d.
comme on le verra dans le Chapitre 1.4.

1.2.2 Le biais de l’estimateur de Kaplan-Meier

Dans l’étude de l’estimateur de Kaplan-Meier, de nombreux auteurs se sont efforcés à

calculer son biais. On trouve un premier résultat dans Gill (1980) où l’auteur montre, qu’à
moins qu’aucune observation ne soit censurée, l’estimateur de Kaplan-Meier a un biais négatif,
c’est à dire que :
 
E F̂ (t) − F (t) ≤ 0.

Par la suite, il a été possible de déterminer des minorations de plus en plus précises au fil
du temps (voir entre autres Mauro (1985), Zhou (1988) et Stute (1994)). Pour une expression
explicite de ce biais, on cite ici le résultat obtenu dans le Lemme 3.2.1. de Fleming et Harrington
(1991). Pour tout t tel que F (t) < 1, on a :
"

#
1 − F̂ (T(n) ) F (t) − F (T(n) )
E [F̂ (t) − F (t)] = −E 1T(n) <t .
1 − F (T(n) )

Ainsi, l’estimateur de Kaplan-Meier est sans biais pour tout t ≤ T(n) ou si la dernière
observation n’est pas censurée (puisque dans ce cas là, F̂ (T(n) ) = 1). Supposons que dans
notre échantillon, T(n) est censuré. On remarque alors que pour tout t ≥ T(n) , F̂ (t) a un biais
négatif et ce biais est d’autant plus grand (en valeur absolue) que l’on a de données censurées

22
 1.2 L’estimateur de Kaplan-Meier

et/ou que t est grand. En effet, plus l’écart entre t et la dernière observation T(n) est important
et plus F (t) − F (T(n) ) est grand. De même, plus il y a de données censurées et plus 1 − F̂ (T(n) )
est grand.

En conclusion, on remarque donc que l’estimateur de Kaplan-Meier est généralement sans

biais sauf dans les queues de distribution. Dès que l’on s’intéresse à un temps t > T(n) et si
T(n) est censuré, F̂ (t) a un biais qui est d’autant plus important que l’on s’éloigne de T(n) et
que l’on a eu d’observations censurées.

Dans cette thèse, nous nous attacherons plus spécifiquement aux propriétés asymptotiques
de l’estimateur de Kaplan-Meier. Dans la section suivante, nous définissons l’estimateur de
Kaplan-Meier en présence de covariables et nous donnons alors un résultat de consistance.

1.2.3 Consistance de l’estimateur de Kaplan-Meier en présence de cova-

riables

A partir de l’expression (1.2) de l’estimateur de Kaplan-Meier, Stute (1993) propose de le

modifier de la façon suivante pour obtenir un estimateur de FX,Y :

n
X
F̂X,Y (x, y) = Wi,n 1Xi ≤x,Ti ≤y . (1.3)
i=1

On définit aussi la fonction, non observée,

n
X
F̃X,Y (x, y) = W̃i,n 1Xi ≤x,Ti ≤y ,
i=1

−1
où W̃i,n = δi n(1 − G(Ti −)) . On essayera généralement, à partir d’une quantité s’expri-
mant en fonction de F̂X,Y , de se ramener à une quantité dépendant uniquement de F̃X,Y . Les
fonctionnelles de F̃X,Y possèdent l’avantage de ne plus dépendre que de quantités i.i.d., ce qui
les rend évidemment beaucoup plus faciles à utiliser. Cependant, le passage de F̂X,Y à F̃X,Y
entraîne un terme supplémentaire, qui comme on le verra par la suite contient des quantités
i.i.d. et un terme asymptotiquement négligeable. On constate également que cet estimateur
multivarié de la fonction de répartition est bien pertinent car, sous l’Hypothèse 1.2, on a pour

23
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

tout x ∈ X et pour tout y ≤ τH :

" #
h i δ1X≤x,T ≤y
E F̃X,Y (x, y) = E

1 − G(T −)
"  #
δ1X≤x,Y ≤y
=E E
X, Y
1 − G(Y −)
" #
1X≤x,Y ≤y
=E
E [δ|X, Y ]
1 − G(Y −)

= FX,Y (x, y), (1.4)

où la dernière ligne est obtenue en utilisant l’hypothèse 1.2. Ainsi, si G était connu, F̃X,Y serait
un estimateur sans biais de FX,Y sur X × [0, τH ]. Mais puisque la fonction de répartition de
la censure est inconnue, il semble bien logique d’estimer FX,Y par F̂X,Y .

Nous allons maintenant voir que sous certaines conditions F̂X,Y est consistant. A partir
de maintenant, nous ne donnerons des résultats que pour l’estimateur de Kaplan-Meier en
présence de covariables, ces résultats restant évidemment vrais pour F̂ . On trouve tout d’abord
dans Stute et Wang (1993), à partir d’un résultat plus fort, la fonction limite vers laquelle
converge F̂ (au sens presque sûr). On constate alors que sous certaines conditions cette fonction
limite est bien égale à F . Puis ce résultat a été étendu à F̂X,Y , dans Stute (1993). C’est ce
dernier résultat que nous introduisons ici (sans donner de démonstration), il est l’extension
logique au cas univarié. Tout d’abord, on notera pour tout y ∈ Y, FX,Y (x, {y}) = FX,Y (x, y) −
FX,Y (x, y−) et on désignera par la suite A l’ensemble de tous les points de discontinuité de
H. Le lemme obtenu par Stute (1993) est le suivant :

Lemme 1.2. Sous les Hypothèses 1.1 et 1.2,

p.s
sup |F̂X,Y (x, y) − F̄X,Y (x, y)| −→ 0,
x,y

où 
FX,Y (x, y),

si y < τH
F̄X,Y (x, y) =

X,Y (x, τH −) + 1τH ∈A FX,Y (x, {τH }), si y ≥ τH .
F

24
 1.2 L’estimateur de Kaplan-Meier

Nous renvoyons le lecteur à Stute (1993) pour une preuve détaillée de ce lemme. On
remarque donc que si τG < τF , la consistance de l’estimateur de Kaplan-Meier n’est pas
possible partout et on obtient alors un biais asymptotique négatif dans la queue de distribution.
En effet, dans ce cas là, pour tout x ∈ X et y ≥ τH = τG , F̂X,Y (x, y) converge vers F (x, τG )
qui est donc inférieur ou égal à F (x, y). Ainsi, la consistance de l’estimateur de Kaplan-Meier
est impossible sur l’intervalle [τG , τF ] ce qui est bien naturel puisque aucune observation n’est
disponible sur cet intervalle : elles sont toutes censurées.
F̂X,Y est donc consistant pour tout y ∈ [0, τH ). Si on veut obtenir la consistance sur toute
la ligne réelle, il est nécessaire de faire l’Hypothèse (1.1) ; nous verrons néanmoins dans la Sec-
tion 1.4, pour l’étude de fonctionnelles Kaplan-Meier, une variante possible à cette hypothèse.

Nous énonçons maintenant deux résultats de Gill (1983). Le premier considère le processus
(F̂ −F )(1−F )−1 et nous donne les lois limites de ce processus sous diverses formes. Ce résultat
est énoncé tel quel dans un théorème de Gill (1983), tandis que le second se déduit à partir
d’autres résultats de Gill (1983). Pour une preuve complète du théorème, nous renvoyons le
lecteur à Gill (1983).
On rappelle que pour t > 0, D[0, t] désigne l’ensemble des fonctions définies sur [0, t],
continues à droite et limitées à gauche.

Théorème 1.3. Pour tout processus W , on désigne par W T(n) le processus arrêté
W T(n) (t) = W (t ∧ T(n) ) et on note
t−
F̂ (t) − F (t)
Z
dF (t)
ZF (t) = et CF (t) =

.
1 − F (t) 0 1 − H(t) 1 − F (t)

(i) Soit h une fonction positive, continue et décroissante sur [0, τH ] telle que
Z τH
lim h2 (t)dCF (t) < +∞.
u→τH u
√ √ R √ R
Alors les processus n(hZF )T(n) , n (hdZF )T(n) et n (ZF dh)T(n) convergent en loi
sur D[0, τH ] respectivement vers les processus hZF∞ , (hdZF )∞ et (ZF∞ dh), où
R R

ZF∞ = B(CF ),

25
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

B désignant un mouvement Brownien sur [0, +∞) et

Z Z
hZF = (hdZF ) + (ZF∞ dh).
∞ ∞

(ii) Par ailleurs, on a également :

!
1 − F̂ (t−) ε
lim lim sup P sup >√ = 0 et
ε→∞ n→∞ t≤τH 1 − F (t−) n
!
1 − F (t−)
lim lim sup P sup >ε = 0. (1.5)
ε→∞ n→∞ t≤T(n) 1 − F̂ (t−)

Le lemme suivant considère la différence entre Wi,n et W̃i,n . Il nous donne une borne de
cet écart qui nous sera utile par la suite.

Lemme 1.4. Soit

Z t−
dG(s)
CG (t) =

.
0 1 − H(s) 1 − G(s)
On a, pour tout 0 ≤ α ≤ 1 et ε > 0,

|Wi,n − W̃i,n | ≤ Rn (α)W̃i,n CG (Ti )α(1/2+ε) ,

où Rn (α) = OP (n−α/2 ).

Démonstration. Pour 0 ≤ α ≤ 1, ε > 0, on écrit

α
1−α 1 − G(Ti −)
Wi,n − W̃i,n = W̃i,n CG (Ti )α(1/2+ε) ZG (Ti −)CG (Ti )−1/2−ε ZG (Ti −) ,
1 − Ĝ(Ti −)


−1
où ZG (t) = Ĝ(t) − G(t) 1 − G(t) . On a donc,
!
 α 1 − G(t−)
Wi,n − W̃i,n ≤ W̃i,n sup CG (t)−1/2−ε ZG (t−) ZG (t−)1−α sup CG (Ti )α/2+αε .
t≤T(n) t≤T(n) 1 − Ĝ(t−)

On utilise alors les deux résultats du Théorème 1.3 pour Ĝ. Tout d’abord, d’après (ii),

1 − G(t−)
sup = OP (1)
t≤T(n) 1 − Ĝ(t−)
et
sup ZG (t−)1−α = OP (1).
t≤T(n)

26
 1.2 L’estimateur de Kaplan-Meier

En appliquant (i) pour h(t) = CG (t)−1/2−ε , on a

h(t)ZG (t−) = OP (n−1/2 ),

sup
t≤T(n)

puisque
τ
τH τH
CG (t)−2ε H
Z Z 
2 −1−2ε
h (t)dCG (t) = CG (t) dCG (t) = −
u u 2ε u

et cette quantité est finie quand on fait tendre u vers τH . Ceci termine donc la preuve.

Dans le cadre des évènements récurrents, plutôt que les instants de sauts de l’estimateur de
Kaplan-Meier, on s’intéressera aux fonctions Ŵ (s) = (1− Ĝ(s−))−1 et W̃ (s) = (1−G(s−))−1 .
On aura alors besoin d’étudier la différence entre ces deux quantités. Le résultat, ainsi que la
démonstration est similaire au lemme précédent. Pour plus de clarté, nous souhaitons quand
même l’énoncer.

Lemme 1.5. Pour tout 0 ≤ α ≤ 1 et ε > 0, on a

|Ŵ (s) − W̃ (s)| ≤ Rn (s)W̃ (s)CG (s)α(1/2+ε) ,

où sups≤T(n) Rn (s) = OP (n−α/2 ).

Démonstration. Pour 0 ≤ α ≤ 1 et ε > 0, on a

α
1−α 1 − G(s−)
Ŵ (s) − W̃ (s) = W̃ (s)C(s)α(1/2+ε) ZG (s)C(s)−1/2−ε ZG (s) .
1 − Ĝ(s−)

(i) et (ii) du Théorème 1.3 nous permettent alors de conclure de façon similaire au Lemme
1.4.

Dans la suite, nous allons présenter des résultats de convergence uniforme sur des classes
de fonctions. Pour cela, nous devons introduire des classes de fonctions satisfaisant certaines
conditions d’entropie. Nous ferons alors appel aux VC-classes. Nous rappelons la définition de
ces classes de fonctions dans la section suivante, après avoir également introduit les covering
number et bracketing number.

27
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

1.3 Classes de Givenko-Cantelli et de Donsker

1.3.1 Rappels sur les conditions d’entropie

Il est nécessaire d’imposer des conditions sur nos classes de fonctions si l’on souhaite obtenir
des résultats de convergence uniforme. Ici, on s’intéressera à trouver les conditions nécessaires
pour qu’une classe de fonctions soit Glivenko-Cantelli ou Donsker.
Nous avons alors besoin de faire appel aux notions de bracketing number et de covering
number. Ces deux outils mathématiques nous permettent de décrire la complexité de nos classes
de fonctions. Nous rappelons ici leur définition. Le covering number N (ε, F, k · k) représente le
nombre minimal de boules de rayon ε, {g : kg − f k ≤ ε}, nécessaires pour recouvrir l’ensemble
F.
Étant donné deux fonctions l et u, le bracket [l, u] représente l’ensemble des fonctions f
telles que l ≤ f ≤ u. Un ε-bracket est le bracket [l, u] tel que ku−lk < ε. Le bracketing number
N[ ] (ε, F, k · k) représente alors le nombre minimal d’ε-brackets nécessaires pour recouvrir F.
Pour toute mesure de probabilité ν et pout tout p > 0, f ∈ F, on note kf kp,ν =
|f (w)|p dν(w) la norme de Lp (ν). On rappelle également qu’une fonction Φ est une enve-
R

loppe pour la classe de fonctions F si |f (w)| ≤ Φ(w) presque sûrement pour tout élément
f ∈ F.
En utilisant la condition sur les brackets, la classe de fonctions F sera Glivenko-Cantelli
si :


N[ ] ε, F, L1 (ν) < ∞.

Avec les covering numbers, une condition suffisante pour que F soit Givenko-Cantelli est alors :


sup N εkΦkν,1 , F, L1 (ν) < ∞.
ν:kΦkν,1 <∞

De la même manière, une condition suffisante sur les brackets pour que F soit Donsker est
Z ∞q


log N[ ] ε, F, L2 (ν) dε < ∞.
0

Par ailleurs, F sera Donsker si

Z ∞ q

sup log N εkΦkν,2 , F, L2 (ν) dε < ∞.
0 ν:kΦkν,2 <∞

28
 1.3 Classes de Givenko-Cantelli et de Donsker

En particulier, nous utiliserons ces résultats sur les bracketing number et les covering
number dans le Chapitre 4 pour montrer que certaines classes de fonctions sont Glivenko-
Cantelli ou Donsker.

1.3.2 Les classes de Vapnik-C̆ervonenkis

Soit A un ensemble quelconque et soit C une collection d’ensembles de A. On dit que C

sélectionne un sous ensemble de {x1 , . . . , xn } si ce sous ensemble peut s’écrire comme l’inter-
section entre C et {x1 , . . . , xn }, où C ∈ C. On dit que C pulvérise {x1 , . . . , xn } si chacun de
ses 2n sous ensembles peut être sélectionné de cette façon. Le V C-index V (C) de la classe C
est le plus petit entier n pour lequel aucun ensemble de taille n est pulvérisé par C. On voit
clairement que cet index est un indicateur de la « richesse » de C. Plus il est grand et plus
C pourra être complexe et inversement. On dira alors que la collection d’ensemble C est une
VC-classe si son index est fini.
Le sous-graphe d’une fonction f : A 7→ R est le sous ensemble de A × R défini par

{(x, t) : t < f (x)}.

Si l’ensemble de tous les sous-graphes des fonctions de F forme une VC-classe d’ensembles
dans A × R on dit que la classe de fonctions F est une VC-classe de fonctions. On note alors
V (F) le VC-index de l’ensemble des sous-graphes des fonctions de F.
L’intérêt de ces classes réside dans le résultat suivant. Il nous donne une borne exponentielle
du covering number (voir Van der Vaart et Wellner (1996)). Pour une VC-classe de fonctions
F d’enveloppe Φ, on a, pour toute mesure de probabilité ν, tout p ≥ 1,


N εkΦkν,p , F, Lp (ν) ≤ KV (F)(16e)V (F ) ε−p V (F )−1


,

où K est une constante universelle et 0 < ε < 1.

Ainsi, si Φ est intégrable, une VC-classe sera également une classe de Glivenko-Cantelli
tandis que si Φ est de carré intégrable, une VC-classe de fonctions sera Donsker. Par ailleurs,
les VC-classes de fonctions possèdent de nombreuses propriétés de stabilité très utiles. Nous

29
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

renvoyons le lecteur à Van der Vaart et Wellner (1996) pour plus de détails sur les VC-classes et
les conditions d’entropie (voir également Pakes et Pollard (1989) et Nolan et Pollard (1987)).

1.4 Les intégrales Kaplan-Meier

La représentation de l’estimateur de Kaplan-Meier sous forme de somme permet de définir

aisément des estimateurs de E [ϕ(Y )]. En effet, au lieu d’estimer cette quantité en utilisant la
fonction de répartition empirique (dans le cas sans censure), il suffit de prendre ici l’estimateur
de Kaplan-Meier. Ainsi, pour une fonction ϕ définie sur R, l’estimateur
Z n
1X
ϕ(t)dF̂emp (t) = ϕ(Yi ),
n
i=1

sera remplacé, dans le cas de données censurées, par

Z n
X
ϕ(t)dF̂ (t) = ϕ(Ti )Wi,n .
i=1

Dans cette partie, c’est à ce type d’intégrales, que nous appellerons par la suite les « intégrales
Kaplan-Meier », que nous nous intéresserons. Ces intégrales se rencontrent fréquemment en
pratique. En prenant par exemple ϕ(t) = tk on obtient un estimateur du moment d’ordre k de ϕ
ou encore, en prenant ϕ(t) = exp(itx), on obtient un estimateur de la fonction caractéristique.
Mais surtout, ces intégrales nous permettront d’obtenir une représentation i.i.d. des ϕ(Yi ) et
d’en déduire alors à la fois une loi des grands nombres et un théorème central limite.
Pour commencer, introduisons l’analogue des intégrales Kaplan-Meier dans le cas multiva-
rié. Pour une fonction ϕ définie sur Rd × R, on estime E [ϕ(X, Y )] par
ZZ n
X
ϕ(x, y)dF̂X,Y (x, y) = ϕ(Xi , Ti )Wi,n .
i=1

Le résultat de consistance uniforme énoncé dans la Section 1.2.3 reste vrai dans le cas des
intégrales Kaplan-Meier. Il a justement été initialement énoncé pour des fonctions ϕ générales,
RR
telles que |ϕ|dFX,Y < +∞. Comme le font remarquer Stute et Wang (1993), il est même
possible d’obtenir ce résultat uniformément sur toute une classe de fonctions, que l’on nommera
F par la suite. Pour cela, on a besoin d’imposer une condition qui nous permette de contrôler

30
 1.4 Les intégrales Kaplan-Meier

la complexité de F : on supposera ici qu’elle est Glivenko-Cantelli. On a alors le résultat

suivant.

Théorème 1.6. Sous les Hypothèses 1.1 et 1.2, si F est une classe de Glivenko-Cantelli
d’enveloppe Φ telle que E [Φ(X, Y )] < ∞, on a :
ZZ ZZ
p.s.
sup ϕ(x, y)dF̂X,Y (x, y) − ϕ(x, y)dF̄X,Y (x, y) −→ 0, (1.6)
ϕ∈F

où 
FX,Y (x, y),

si y < τH ,
F̄X,Y (x, y) =

X,Y (x, τH −) + 1τH ∈A FX,Y (x, {τH }), si y ≥ τH .
F

En particulier, on aura besoin de l’Hypothèse (1.1) pour s’assurer la consistance de

RR
ϕdF̂X,Y pour y ≥ τH (et évidemment, de l’hypothèse que le moment d’ordre 1 de Φ est
fini).
Comme nous l’avons mentionné dans la Section 1.2.3, les intégrales Kaplan-Meier font
intervenir des sommes de termes non i.i.d., ce qui les rend difficiles à manipuler. Une solution
consiste à remplacer l’intégrale par rapport à F̂X,Y par une intégrale par rapport à F̃X,Y , cette
dernière intégrale faisant alors intervenir une somme de termes i.i.d. Le passage de F̂X,Y à
F̃X,Y rajoute des termes supplémentaires, mais comme nous allons le voir, une partie de ces
termes est i.i.d. et le reste est asymptotiquement négligeable. A partir de cette représentation
i.i.d. découle naturellement un théorème central limite pour les intégrales Kaplan-Meier. C’est
Stute (1996) (Stute (1995) pour le cas univarié) le premier qui énonce une représentation i.i.d.
des intégrales Kaplan-Meier.
Cependant, nous aurons besoin d’appliquer ces résultats uniformément sur toute une classe
de fonctions et nous devrons donc faire appel à d’autres résultats. Comme pour Stute (1995), on
décompose ce problème en deux parties : tout d’abord on étudie les fonctions ϕ qui s’annulent
au voisinage de τH puis on étend ce résultat sur toute la droite réelle. Pour la première étape,
nous utilisons un résultat de Sánchez Sellero et al. (2005) qui fait appel à la théorie des VC-
classes. Ensuite, nous rajoutons les éléments de preuve nous permettant d’obtenir le résultat
final.

31
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

1.4.1 Représentation i.i.d. uniforme pour une classe de fonctions s’annulant

au voisinage de τH

Au préalable, on a besoin de faire des hypothèses sur notre classe de fonctions pour qu’elle
ne soit pas trop « riche » et nous permette d’avoir un TCL uniforme. Nous allons prendre
une VC-classe de fonctions qui s’annulent au voisinage de τH . Le fait que cet ensemble soit
une VC-classe nous assure au moins d’avoir un TCL uniforme pour ϕ(X, Y ) en l’absence de
censures. Par ailleurs, supposer que ces fonctions s’annulent au voisinage de τH nous permet
d’éviter les problèmes de queues de distribution. En effet, si on suppose que pour une fonction
ϕ de F il existe un τ < τH tel que ϕ(x, y) = 0 pour tout y > τ , on observe alors que
ZZ ZZ τ
ϕ(x, y)dF̂ (x, y) = ϕ(x, y)dF̂ (x, y)
0

et on se prémunie ainsi des problèmes d’estimation pour y > τ . En particulier, on n’a même
plus besoin de supposer (1.1), condition initialement faite dans Sánchez Sellero et al. (2005).
Enfin, pour énoncer ce théorème central limite, on a évidemment besoin de supposer que
toutes nos fonctions ϕ possèdent un moment d’ordre 2.

Théorème 1.7. Soit F une VC-classe d’enveloppe Φ de carré intégrable telle que

∃τ < τH : Φ(x, y) = 0, ∀y > τ. (1.7)

Sous les Hypothèses 1.1 et 1.2, on a alors pour tout ϕ ∈ F :

ZZ ZZ n n
1X 1X
ϕ(x, y)dF̂X,Y (x, y) = ϕ(x, y)dF̃X,Y (x, y) + γ1 (Ti )(1 − δi ) − γ2 (Ti ) + Rn (ϕ),
n n
i=1 i=1

où
Z Z τH
1
γ1 (t) = ϕ(x, w)dFX,Y (x, w),
1 − H(t) t+
Z Z τH
γ2 (t) = ϕ(x, w)CG (t ∧ w)dFX,Y (x, w),
0
Z t−
dG(y)
CG (t) =


0 1 − H(y) 1 − G(y)

et supϕ∈F |Rn (ϕ)| = OP n−1 (log n)3 .

32
 1.4 Les intégrales Kaplan-Meier

Pour une démonstration complète de ce Théorème, voir Sánchez Sellero et al. (2005). Nous
allons maintenant essayer d’expliciter un peu chacun des trois termes intervenant dans le
membre de droite.

Le premier correspond bien à l’intégrale Kaplan-Meier de ϕ où l’on a remplacé F̂X,Y par

F̃X,Y . On remarque alors que :

ZZ n n
1 X ϕ(Xi , Ti )δi 1 X ϕ(Xi , Yi )δi
ϕ(x, y)dF̃X,Y (x, y) =
=

n
i=1
n 1 − G(Ti −) n
i=1
n 1 − G(Yi −)

et donc puisque ce terme ne fait intervenir que des quantités i.i.d., en utilisant la même
démarche que pour (1.4), on obtient :

Z Z  " #
ϕ(X, Y )
E ϕ(x, y)dF̃X,Y (x, y) = E
E [δ|X, Y ]
1 − G(Y −)
ZZ
= ϕ(x, y)dFX,Y (x, y).

Il est important de noter que contrairement à (1.4), on obtient ici une intégrale sur tout Y.
En effet, ceci est dû à la condition (1.7) qui nous assure que ϕ s’annule au delà de τ .

Pour les deux termes faisant intervenir γ1 et γ2 , on constate tout d’abord qu’ils représentent
une somme de termes i.i.d. Nous allons maintenant montrer qu’ils ont également la même
espérance.

D’une part,

E [γ1 (T )(1 − δ)] = E [γ1 (C)(1 − δ)]

 
= E γ1 (C)E [1 − δ|C]
h
i
= E γ1 (C) 1 − F (C)
Z Z τH
h 1 i
=E ϕ(x, w)dFX,Y (x, w)
1 − G(C) C+
Z Z τH
ϕ(x, w)dFX,Y (x, w)dG(v)
= .
v+ 1 − G(v)

33
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

Et d’autre part,
ZZ τH
E [1v<T ]1v<w ϕ(x, w)dFX,Y (x, w)dG(v)
E [γ2 (T )] =


0 1 − H(v) 1 − G(v)
ZZ τH
1v<w ϕ(x, w)dFX,Y (x, w)dG(v)
=
1 − G(v)
Z Z 0 τH
ϕ(x, w)dFX,Y (x, w)dG(v)
= .
v+ 1 − G(v)

Comme cas particulier de ce théorème on a donc un analogue au théorème central limite.

Corollaire 1.8. Soit ϕ ∈ F une fonction vérifiant (1.7). Sous les Hypothèses 1.1 et 1.2, on
a:
√
Z Z ZZ 
L
n ϕ(x, y)dF̂X,Y (x, y) − ϕ(x, y)dFX,Y (x, y) −→ N (0, σ 2 ),

où σ 2 = Var{ϕ(X, T )δ(1 − G(T −))−1 + (1 − δ)γ1 (T ) − γ2 (T )} et γ1 , γ2 ont été définis au

Théorème 1.7.

Nous donnons ici une autre expression des termes γ1 et γ2 qui nous seront utiles par la
suite et vont notamment nous permettre d’estimer σ 2 . On note tout d’abord
(Z )
t−
dH̃ 0 (y)
γ0 (t) = exp ,
0 1 − H(y)

où
H̃ 0 (t) = P(T ≤ t, δ = 0).

On remarque alors, en utilisant l’hypothèse d’indépendance entre Y et C qu’on a d’une part

h Z t

i
H̃ 0 (t) = E 1C≤t E [1Y >C |C] = E 1C≤t 1 − F (C) =
 

1 − F (y) dG(y)
0

et donc
(Z
)
t− 1 − F (y) dG(y)
h 

it− 1
γ0 (t) = exp = exp − log 1 − G(y) = .
0 1 − H(y) 0 1 − G(t−)

On note maintenant

H̃ 11 (x, y) = P(X ≤ x, T ≤ y, δ = 1)
Z xZ y
 

= E 1X≤x 1Y ≤y E[1Y ≤C |X, Y ] = 1 − G(w−) dFX,Y (v, w),
0 0

34
 1.4 Les intégrales Kaplan-Meier

où l’on a utilisé l’Hypothèse 1.2 pour passer à la dernière égalité. On constate alors qu’on a
ZZ
1
1t≤w ϕ(x, w)γ0 (w)dH̃ 11 (x, w)
1 − H(t)
ZZ
1

= 1t≤w ϕ(x, w)γ0 (w)(1 − G(w−) dFX,Y (x, w)
1 − H(t)
= γ1 (t)

et
ZZ
1v<t,v<w ϕ(x, w)γ0 (w)

2 dH̃ 0 (v)dH̃ 11 (x, w)
1 − H(v)
ZZ
1v<t,v<w ϕ(x, w)γ0 (w)


=
2 1 − F (v) dG(v) 1 − G(w−) dFX,Y (x, w)
1 − H(v)
ZZ
1v<t,v<w ϕ(x, w)
=

dG(v)dFX,Y (x, w)
1 − H(v) 1 − G(v)

= γ2 (t).

Ainsi, on peut facilement obtenir un estimateur de σ 2 en estimant respectivement γ0 , γ1 et γ2

par :
(Z )
t−
dH̃n0 (y)
γ0n (t) = exp ,
0 1 − Hn (y)
ZZ
1
γ1n (t) = 1t≤w ϕ(x, w)γ0n (w)dH̃n11 (x, w),
1 − Hn (t)
1v<t,v<w ϕ(x, w)γ0n (w)
ZZ
γ2n (t) =
2 dH̃n0 (v)dH̃n11 (x, w), (1.8)
1 − Hn (v)
où
n
1X
H̃n0 (t) = 1Ti ≤t,δi =0 ,
n
i=1
n
1X
H̃n11 (x, y) = 1Xi ≤x,Ti ≤y,δi =1 et
n
i=1
n
1X
Hn (t) = 1Ti ≤t .
n
i=1

On estime alors σ2 par σ̂ 2 ,

défini par :
n
" n
#2
1 X 1 X
σ̂ 2 = ψ̂(δi , Xi , Ti , ϕ) − ψ̂(δi , Xi , Ti , ϕ) ,
n n
i=1 i=1

35
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

où
ψ̂(δ, X, T, ϕ) = δγ0n ϕ(X, T ) + γ1n (Ti )(1 − δi ) − γ2n (Ti ).

Nous donnons également cette représentation i.i.d. en considérant l’approche martingale.

En effet, on peut montrer qu’on a, sous les mêmes hypothèses que le Théorème 1.7,
Z R τ0 R ϕ(x, w)dF G
X,Y (x, w)dM̄ (y)
ZZ ZZ
y X
ϕ(x, y)dF̂X,Y (x, y) = ϕ(x, y)dF̃X,Y (x, y) +
1 − H(y)
+ R̃n (φ), (1.9)

où
n
1X G
M̄ G (y) = Mi (y),
n
i=1
Z y
1Ti ≥w dG(w)
MiG (y) = (1 − δi )1Ti ≤y −
0 1 − G(w−)
et supφ∈F |R̃n (φ)| = Op.s. ((log n)3 n−1 ). De plus MiG (y) est une martingale par rapport à la
filtration {σ(Ti 1Ti ≤y , δi 1Ti ≤y ), y ≥ 0}.
En fait, il est possible de montrer que les termes principaux dans la représentation du
Théorème 1.7 et dans (1.9) sont exactement égaux. Même si nous utiliserons principalement
la représentation du Théorème 1.7, l’approche martingale nous sera utile au Chapitre 3 pour
appliquer l’inégalité de Lenglart.

Pour terminer, nous rappelons également une représentation i.i.d. de Gijbels et Veraverbeke
(1991) pour la différence entre Ĝ(t) et G(t). En fait, ce résultat se déduit directement de
(1.9) (en l’absence de covariables) en prenant comme classe de fonctions indexées par t les
indicatrices {1y≤t , t ≤ τ }. Ce théorème sera utilisé dans le Chapitre 4.

Théorème 1.9. Soit τ < τH , on a la représentation asymptotique i.i.d. suivante :

n
Ĝ(t) − G(t) 1X
= ηt (Tj , δj ) + R̃1n (t),
1 − G(t) n
j=1

où supt≤τ |R̃n (t)| = Op.s. (n−1 log n) et

t
(1 − δ)1T ≤t
Z
1T ≥s dG(s)
ηt (T, δ) = −

.
1 − H(T −) 0 1 − H(s−) 1 − G(s−)

36
 1.4 Les intégrales Kaplan-Meier

L’intérêt de ce théorème vient donc du fait que les ηt sont i.i.d. et d’espérance nulle. En
effet,
   
(1 − δ)1T ≤t (1 − δ)1C≤t
E =E
1 − H(T −) 1 − H(C−)
 
1C≤t  
=E E (1 − δ)| C
1 − H(C−)
 
1C≤t
=E ,
1 − G(C−)
 
puisque, d’après l’Hypothèse 1.2, E (1 − δ)| C = 1 − F (C−). De plus,
"Z # Z
t t
1T ≥s dG(s) dG(s)
E

=
0 1 − H(s−) 1 − G(s−) 0 1 − G(s−)

et donc, pour tout t ∈ [0, τH ],

 
E ηt (T, δ) = 0.

1.4.2 Représentation i.i.d. uniforme dans le cas général

Sans la condition (1.7), nous devons rajouter deux nouvelles hypothèses. La première n’est
pas contraignante et paraît même être minimale ici. Quant à la seconde, elle porte sur le
moment d’ordre 1 de Φ : elle nous permet d’étendre notre résultat sur tout l’intervalle réel.

Hypothèse 1.3. On suppose que

τH
Φ2 (x, y)dFX,Y (x, y)
ZZ
< +∞.
0 1 − G(y−)

Hypothèse 1.4. Soit η > 0. On suppose que

ZZ τH
1/2+η
|Φ(x, y)|CG (y)dFX,Y (x, y) < +∞.
0

Théorème 1.10. Soit F une VC-classe d’enveloppe Φ. Sous les Hypothèses 1.1-1.4 on a alors,
pour tout ϕ ∈ F :
ZZ ZZ n n
1X 1X
ϕ(x, y)dF̂X,Y (x, y) = ϕ(x, y)dF̃X,Y (x, y) + γ1 (Ti )(1 − δi ) − γ2 (Ti ) + Rn (ϕ),
n n
i=1 i=1

−1/2


où supϕ∈F |Rn (ϕ)| = oP n et γ1 , γ2 ont été définis au Théorème 1.7.

37
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

On peut trouver une discussion détaillée de ce type d’hypothèses dans Stute (1995) pour
le cas univarié avec une seule fonction ϕ. L’Hypothèse 1.3 se comprend aisément : elle corres-
pond juste à l’analogue censuré de l’existence d’un moment d’ordre deux pour Φ dans le cas
sans censure. Elle apparaît donc ici logiquement et il sera impossible de s’affranchir de cette
hypothèse par la suite.
A l’inverse, l’Hypothèse 1.4 est plus difficile à interpréter. Comme on l’a dit précédemment,
c’est grâce à elle qu’il nous est possible d’étendre le Théorème 1.7 sur tout l’intervalle réel.
Cependant, cette hypothèse n’est pas trop contraignante et est généralement vérifiée. A l’ori-
gine, pour l’étude d’une seule fonction ϕ, Stute (1996) (ou Stute (1995) pour le cas univarié)
utilisait l’hypothèse suivante :
Z Z τH
1/2
|ϕ(x, y)|CG (y)dFX,Y (x, y) < +∞, (1.10)
0

qui correspondrait donc à notre Hypothèse 1.4 pour η = 0. Il donnait alors une interprétation
de cette condition que nous allons reprendre ici. Tout d’abord, on peut obtenir la majoration
suivante :
Z y  y
1 dG(t) 1 1 1
CG (y) ≤
2 = = ,
1 − F (y) 0 1 − G(t) 1 − F (y) 1 − G(t) 0 1 − H(y)

et l’Hypothèse de Stute (1996) sera alors vérifiée si

Z Z τH
|ϕ(x, y)|dFX,Y (x, y)

1/2 < +∞.
0 1 − H(y)
Pour clarifier cette condition, supposons

1 − F ∼ c(1 − G)β , au voisinage de τH , (1.11)

pour c > 0 et β > 0. La condition précédente sera donc vérifiée si

Z Z τH
|ϕ(x, y)|dFX,Y (x, y)

α/β < +∞,
0 1 − F (y)
où α = (1 + β)/2. Si on suppose en plus que ϕ est bornée (mais pas nécessairement à support


borné) alors, en posant le changement de variable u = 1 − F (y) , une condition suffisante
est :
Z 1
du
1+β < +∞,
0 u 2β

38
 1.4 Les intégrales Kaplan-Meier

qui sera évidemment vérifiée si β > 1.

Ainsi, la condition (1.10) sera vérifiée si (1.11) est vraie pour β > 1 (sous réserve que ϕ
soit bornée). On peut donc interpréter cette hypothèse comme une condition sur le poids de
la censure dans les queues de distribution : il faut que F ait un peu plus de poids que G au
voisinage de τH . En d’autres termes, on a besoin d’avoir suffisamment d’informations sur F
dans les queues de distribution.
Quant à notre Hypothèse 1.4, elle est donc un peu plus contraignante que celle de Stute (1996),
mais seulement dans une moindre mesure puisque l’on peut choisir η aussi petit que l’on veut.

Pour terminer, on remarque également que dans le cas où Φ vérifie la condition (1.7), on
a:
τH τ τ
Φ2 (x, y)dFX,Y (x, y) Φ2 (x, y)dFX,Y (x, y)
ZZ ZZ ZZ
1
= ≤ Φ2 (x, y)dFX,Y (x, y)
0 1 − G(y−) 0 1 − G(y−) 1 − G(τ ) 0

et
ZZ τH ZZ τ
1/2+η 1
|Φ(x, y)|CG (y)dFX,Y (x, y) ≤
1/2+η |Φ(x, y)|dF (x, y).
0 1 − H(τ ) 0

Dans ce cas là, les Hypothèses 1.3 et 1.4 reviennent alors à supposer que Φ est de carré
intégrable. On constate ainsi que si on prend comme cas particulier les fonctions vérifiant
(1.7) dans le Théorème 1.10, on retrouve de façon logique le Théorème 1.7.
Cela signifie donc que le Théorème 1.10 est vérifié pour la classe de fonctions
{ϕ(x, y)1y≤τ , ϕ ∈ F}. On va maintenant avoir besoin d’utiliser des critères de tension pour
faire tendre en quelque sorte τ vers τH et obtenir ainsi notre théorème sur toute la ligne réelle.
C’est ce que nous donne le lemme suivant.

Lemme 1.11. Soit Pn (t, ϕ) un processus indexé par t ∈ [0, τH ] et ϕ ∈ F. Pour tout τ < τH ,
on définit Rn (τ, ϕ) = Pn (τH , ϕ) − Pn (τ, ϕ). Supposons que pour tout τ < τH , tout ϕ ∈ F, on a

L

Pn (·, ϕ) −→ W Vϕ (·) sur D[0, τ ] (1.12)

où W (Vϕ ) est un processus gaussien de fonction de covariance Vϕ . On suppose également que

les conditions suivantes sont vérifiées :

39
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

(i) limτ →τH Vϕ (τ ) = Vϕ (τH ) et supϕ∈F |Vϕ (τH )| < +∞,

(ii) il existe une variable aléatoire Zn et deux fonctions décroissantes Gn et G telles que :

|Rn (τ, ϕ)| ≤ Zn Gn (τ ),

Zn = OP (1), Gn (τ ) converge vers G(τ ) en probabilité quand n tend vers l’infini et

limτ →τH G(τ ) = 0.

Alors, on a
L

Pn (τH , ϕ) −→ N 0, Vϕ (τH ) .

Démonstration. On utilise ici le Théorème A.1. La première condition est vérifiée par (1.12),
quant à la deuxième, on a besoin d’avoir

L
W Vϕ (1) − W Vϕ (1 − η) −→ 0
η→0

pour tout ϕ ∈ F, ce qui est évidemment vrai. Il ne reste donc plus qu’à montrer
!
lim lim sup P sup sup Rn (t, ϕ) ≥ ε = 0, ∀ε > 0.
τ →τH n→∞ τ ≤t≤τH ϕ∈F

Pour tout M > 0, on a alors :

!
P sup sup Rn (t, ϕ) ≥ ε ≤ P (Zn Gn (τ ) ≥ ε)
τ ≤t≤τH ϕ∈F


≤ P Gn (τ ) ≥ ε/M + P (Zn ≥ M ) ,


≤ P |Gn (τ ) − G(τ )| ≥ ε/M − G(τ ) + P (Zn ≥ M ) ,

où on a utilisé la décroissance de Gn à la première ligne. Puisque Gn (τ ) converge vers G(τ )

en probabilité quand n tend vers l’infini, on a :

lim sup P |Gn (τ ) − G(τ )| ≥ ε/M − G(τ ) ≤ 1ε/M −G(τ )≤0 .
n→∞

En prenant la limite quand τ tend vers τH de cette indicatrice on trouve donc

lim lim sup P |Gn (τ ) − G(τ )| ≥ ε/M − G(τ ) = 0.
τ →τH n→∞

40
 1.4 Les intégrales Kaplan-Meier

Par ailleurs,
lim lim sup P(Zn ≥ M ) = 0,
M →∞ n→∞

puisque Zn = OP (1), ce qui conclut la démonstration.

Nous sommes maintenant en mesure de donner une démonstration du Théorème 1.10.

Démonstration du Théorème 1.10. Définissons le processus :

ZZ t
√

Pn (t, ϕ) = n ϕ(x, y)d F̂ − F̃ (x, y).
0

Puisque pour tout τ < τH , la classe de fonctions Fτ = {ϕ(x, y)1y≤τ , ϕ ∈ F} est une VC-classe
d’enveloppe Φ(x, y)1y≤τ , on a d’après le Théorème 1.7 :

L

Pn (·, ϕ) −→ W Vϕ (·) sur D[0, τ ],

où W Vϕ est un processus gaussien de fonction de covariance
 
ϕ(X, T )δ
Vϕ (t) = Var 1T ≤t + (1 − δ)γ1 (T ) − γ2 (T ) .
1 − G(T −)

Il ne nous reste plus qu’à appliquer le Lemme 1.11 pour obtenir le résultat. D’après l’Hypothèse
1.3, supϕ∈F |Vϕ (τH )| < +∞ . Par ailleurs, on pose

Rn (τ, ϕ) = Pn (τH , ϕ) − Pn (τ, ϕ)

Z Z τH
√

= n ϕ(x, y)d F̂ − F̃ (x, y)
τ+
n
√ X
= n (Wi,n − W̃i,n )ϕ(Xi , Ti )1τ <Ti ≤τH
i=1

et on a alors,
|Rn (τ, ϕ)| ≤ Zn Gn (τ ),

où
√ Wi,n − W̃i,n
Zn = n sup
1≤i≤n W̃i,n CG (Ti )1/2+η
et
n
X
Gn (τ ) = W̃i,n ϕ(Xi , Ti )CG (Ti )1/2+η 1τ <Ti ≤τH .
i=1

41
CHAPITRE 1. Représentation asymptotique des intégrales Kaplan-Meier

En utilisant le Lemme 1.4, on obtient Zn = OP (1). De plus Gn est bien décroissante et

h i
P
Gn (τ ) −→ G(τ ) := E ϕ(X, Y )CG (Y )1/2+η 1τ <Y ≤τH .

Cette dernière quantité est bien finie d’après l’Hypothèse 1.4, elle est également décroissante
et limτ →τH G(τ ) = 0.

Enfin, comme précédemment, nous sommes en mesure d’énoncer un théorème central li-
mite. On remarque toutefois qu’ici,
Z Z  Z Z τH
E ϕ(x, y)dF̃X,Y (x, y) = ϕ(x, y)dFX,Y (x, y)
0
ZZ
= ϕ(x, y)dF̄X,Y (x, y).

Sans hypothèse supplémentaire, il sera impossible d’obtenir une intégrale sur toute la ligne
réelle en intégrant par rapport à FX,Y . On retrouve ici, de façon logique, le même problème
que pour la consistance de l’estimateur de Kaplan-Meier. L’intégrale Kaplan-Meier ne peut
RR
pas converger vers ϕ(x, y)dFX,Y (x, y) en toute généralité.

Corollaire 1.12. Soit ϕ ∈ F une fonction vérifiant les Hypothèses 1.3 et 1.4. Sous les Hypo-
thèses 1.1 et 1.2, on a :

√
Z Z ZZ 
L
n ϕ(x, y)dF̂X,Y (x, y) − ϕ(x, y)dF̃X,Y (x, y) −→ N (0, σ 2 ),

où σ 2 = Var{ϕ(X, T )δ(1 − G(T −))−1 + (1 − δ)γ1 (T ) − γ2 (T )} et γ1 , γ2 ont été définis au

Théorème 1.7.

42
Chapitre 2

Résultats de convergence uniforme des

estimateurs à noyau et présentation
des modèles à direction révélatrice
unique

On se place ici dans le contexte des données non censurées et on rappelle les definitions des
estimateurs à noyau de la densité, de la densité conditionnelle et de la régression. Puis nous
rappelons quelques propriétés de ces estimateurs qui nous amènent à considérer le problème
du « fléau de la dimension ». Parmi ces résultats nous énonçons un théorème de convergence
uniforme d’Einmahl et Mason (2005) qui permet de choisir la fenêtre de lissage de façon
adaptative, c’est à dire à partir des données. Nous introduisons ensuite les modèles à direction
révélatrice unique permettant de pallier le fléau de la dimension. Puis, après avoir présenté
quelques méthodes d’estimation, nous expliquons l’intérêt d’utiliser un tel modèle pour la
densité conditionnelle en présence de données censurées. En particulier, cela nous permettra
de généraliser le modèle de Cox.

43
CHAPITRE 2. Les modèles à direction révélatrice unique

2.1 Propriétés des estimateurs à noyaux

2.1.1 Un estimateur non paramétrique de la densité

Soient X1 , . . . , Xn , n variables aléatoires indépendantes et de même loi que X ∈ X , où X

est un sous-ensemble compact de Rd . On suppose de plus que X a pour densité fX . En l’absence
de censures, Rosenblatt (1956) propose tout d’abord un premier estimateur de fX , puis Parzen
(1962) le généralise par la suite pour aboutir finalement à l’estimateur de Parzen-Rosenblatt,
défini de la façon suivante :
n  
ˆ 1 X x − Xi
fX (x) = K , (2.1)
nhd h
i=1
R
où h > 0 est la fenêtre et K : R → R est une fonction intégrable telle que K(u)du = 1,
appelée noyau. Ces deux auteurs ont étudié les premières propriétés de cet estimateur, notam-
ment sa consistance et sa normalité asymptotique (voir également Rosenblatt (1971)). Dans la
suite, nous introduirons l’estimateur de la densité conditionnelle et de la régression. De par leur
écriture, ces estimateurs possèdent les mêmes propriétés et s’étudient de la même façon que
fˆX . Les vitesses de convergence optimales dans Lq , 0 < q ≤ ∞ de l’estimateur de la régression,
ainsi que de ses dérivées successives ont été obtenues par Stone (1982). On observe ainsi que
la vitesse de convergence est la même dans L∞ à un log près. On peut ensuite trouver d’autres
résultats de convergence uniforme de la fonction de régression « généralisée » E [ψ(Y )|X] (ψ est
une fonction mesurable bornée), dans Einmahl et Mason (2000). Deheuvels et Mason (2004)
étudient également cette fonction et en déduisent des intervalles de confiance. Tous ces types de
résultat de convergence uniforme font appel à des outils de processus empiriques et nécessitent
l’utilisation d’une inégalité de Talagrand (1994).
Les travaux de Einmahl et Mason (2005), très importants pour l’établissement de nos ré-
sultats, sont rappelés dans la Section 2.1.3. Dans cet article, les auteurs obtiennent un résultat
de convergence uniforme en la fenêtre, qui nous permettra ainsi d’utiliser une fenêtre adapta-
tive, c’est à dire une fenêtre pouvant dépendre des données. Ces résultats peuvent facilement
s’utiliser pour tout type d’estimateur à noyaux, comme nous le verrons dans le Théorème 2.5.

44
 2.1 Propriétés des estimateurs à noyaux

Nous présentons à présent un premier résultat élémentaire sur les estimateurs à noyaux.
Par souci de clarté, nous ne l’énonçons que pour fˆX mais ce résultat se vérifie évidemment pour
tout type d’estimateur à noyaux. Il s’agit d’un résultat de convergence de l’erreur quadratique
de fˆX qui permet de mettre en évidence le problème du « fléau de la dimension ». On pourra
le retrouver dans Bosq et Lecoutre (1997) ou Tsybakov (2004) (seulement le cas univarié pour
cette deuxième référence), ces deux livres donnant de nombreux résultats sur les premières
propriétés des estimateurs à noyau.
Tout d’abord, nous introduisons ici les notations que nous utiliserons par la suite.

Définition 2.1. On appelle K : R → R un noyau d’ordre k ≥ 1 si les fonctions u 7→

uj K(u), j = 0, 1, . . . , k sont intégrables et si
Z Z
K(u)du = 1, uj K(u)du = 0, j = 1, . . . , k − 1, pour k ≥ 2.

Le résultat suivant donne une décomposition biais-variance du risque quadratique, ce qui

nous permet d’en déduire alors une borne asymptotique.

K 2 (u)du < +∞. On suppose de

R
Proposition 2.2. Soit K un noyau d’ordre β ≥ 1, tel que
plus que fX est dérivable à l’ordre β et de β ème dérivée continue. On a alors :
 
h
2 i   1
sup E fˆX (x) − fX (x) =O h 2β
+O ,
x∈X nhd
quand n → ∞.

Le premier terme correspond au biais et le second à la variance. On observe donc que la

fenêtre h a un rôle déterminant sur la qualité de l’estimation. D’une part on a envie de choisir
h petit pour que le biais tende rapidement vers zéro et d’autre part, on a envie de prendre un
h grand pour que la variance soit suffisamment petite. Il s’agit donc de choisir h en respectant
l’équilibre biais-variance. Évidemment, on a besoin d’imposer les conditions suivantes sur h
pour que le risque quadratique tende vers 0 : h → 0 et nhd → ∞ quand n → ∞.
Un calcul direct nous montre alors que le risque quadratique minimal est obtenu pour
1
− 2β+d
h = Cn , où C est une constante qui peut être explicitée. On obtient donc le résultat
suivant.

45
CHAPITRE 2. Les modèles à direction révélatrice unique

K 2 (u)du < +∞. On suppose de

R
Corollaire 2.3. Soit K un noyau d’ordre β ≥ 1, tel que
− 1
 
plus que fX est dérivable à l’ordre β et de β ème dérivée continue. Pour h = O n 2β+d , on a
alors :
− 2β
h
2 i  
sup E fˆX (x) − fX (x) = O n 2β+d ,
x∈X

quand n → ∞.

On constate donc, d’une part qu’il est impossible d’obtenir une vitesse paramétrique d’es-
timation (i.e. en n−1/2 ) puisque 2β · (2β + d)−1 6= 1 et d’autre part, que plus la dimension d
des covariables est importante et plus la vitesse de convergence de fˆX vers fX est lente. En
pratique, on considère même que dès que d ≥ 4, une estimation purement non paramétrique
ne peut plus convenir. Ce problème très commun dans la littérature, s’appelle le « fléau de
la dimension ». Nous discuterons plus en détail dans la Section 2.2 des méthodes alternatives
pour pallier le fléau de la dimension.

Nous introduisons maintenant les estimateurs de la densité conditionnelle de Y sachant X

et de la fonction de régression. Comme on va le voir, à partir de l’estimateur à noyau (2.1), on
peut aisément construire ces deux nouveaux estimateurs et par là même, constater que leurs
propriétés sont similaires.

2.1.2 Estimation de la densité conditionnelle et de la fonction de régression

Dans notre contexte de données de survie, nous nous intéresserons à l’étude des variables Yi
expliquées par les covariables Xi , pour 1 ≤ i ≤ n. Puisqu’on veut prendre en compte l’impact
des variables explicatives sur les variables d’intérêt, il semble naturel de vouloir s’intéresser à
la loi conditionnelle de Y sachant X. Deux quantités d’intérêt apparaissent alors ici, la densité
conditionnelle fY |X de Y sachant X et la fonction de régression E (Y |X). Nous étudierons la
première quantité dans le Chapitre 3 en présence de données censurées et nous ferons appel à
l’estimateur non paramétrique de la régression dans le contexte des évènements récurrents, au
Chapitre 4.

46
 2.1 Propriétés des estimateurs à noyaux

A partir de la définition de l’estimateur de Parzen-Rosenblatt de fX , une définition natu-

relle de fˆY |X découle de la formule de Bayes :

fX,Y (x, y)
fY |X (x, y) = ,
fX (x)

à condition que fX (x) 6= 0. On peut alors définir un estimateur de fX,Y de la façon suivante :
n  
1 X 00 x − Xi y − Yi
fˆX,Y (x, y) = K , ,
nhd+1 h h
i=1

où K 00 : Rd+1 → R est un noyau. Cette écriture peut être simplifiée en supposant qu’il existe
un noyau K 0 : R → R tel que K 00 (x, y) = K(x) · K 0 (y) pour tout (x, y) ∈ X × Y. On obtient
alors l’estimateur suivant de fY |X :
 Pn    
h −1 K x−Xi
K 0 y−Yi
i=1

 h h Pn  
x−Xi
si i=1 K 6= 0,


h
 Pn  
x−X
fˆY |X (x, y) = i=1 K h
i



0

sinon.

C’est Nadaraya (1964) et Watson (1964) qui, dans deux articles distincts la même année,
proposent un estimateur de la régression. Une façon de comprendre sa construction est de
partir de l’égalité :
Z R
yfX,Y (x, y)dy
m(x) := E (Y |X = x) = yfY |X (x, y)dy = ,
fX (x)

si fX (x) 6= 0. On remarque alors que si on utilise l’estimateur

n    
1 X x − Xi 0 y − Yi
fˆX,Y (x, y) = K K
nhd+1 h h
i=1

de fX,Y défini précédemment, on a la relation :

 
y−Y
Z Z
1
yK dy = (Y + uh)K(u)du = Y,
h h

si K est un noyau d’ordre au moins deux. Ainsi, l’estimateur de Nadaraya-Watson de la

régresssion est le suivant :

47
CHAPITRE 2. Les modèles à direction révélatrice unique

P  
n x−Xi
 Y
 i=1 i
 K h Pn  
x−Xi

 P   si i=1 K h 6= 0,
n x−Xi
m̂(x) = i=1 K h



0 sinon.



D’après leurs écritures, ces trois estimateurs à noyau que nous avons présentés vont posséder
les mêmes propriétés. Par exemple, la Proposition 2.2 reste vraie pour m ; pour fˆY |X et fˆX,Y ,
il suffit simplement de remplacer d par d + 1.
Dans nos définitions de type quotient de fY |X et m, puisque fX se trouve au dénominateur,
il semblerait naturel de devoir supposer que la densité des X est strictement positive sur tout le
domaine X . Nous verrons néanmoins dans le Chapitre 3 une méthode adaptée à notre contexte
nous permettant de nous affranchir de cette hypothèse.
Nous présentons également une autre méthode d’estimation de la fonction de régression,
par polynômes locaux. L’idée est la suivante : en faisant un développement limité pour Xj
suffisament proche de x, on a l’approximation suivante,
β
0
X (Xj − x)k
m(Xj ) ≈ m(x) + ∇k m(x),
k!
k=1

où on a supposé que m était différentiable à l’ordre β. Pour clarifier les notations, on va

prendre β égal à 1 dans la suite, bien que cette méthode reste évidemment vraie pour tout β.
Par définition de la régression, on peut donc écrire :
 
n
m̂(x)
 
X
2 x − Xj
  = arg min Yj − α − β 0 (Xj − x) K .
∇m̂(x) α∈R,β∈Rd j=1 h

On peut alors résoudre ce système de façon classique par les moindres carrés, en définissant le
vecteur de taille n
Y = (Y1 , . . . , Yn )0 ,

la matrice de taille n × (d + 1)
 
(1) (d)
1 X1 − x1 · · · X1 − xd
. .. ..
 
X =  ..

. . 
 
(1) (d)
1 Xn − x1 · · · Xn − xd

48
 2.1 Propriétés des estimateurs à noyaux

et la matrice n × n
 
x−X1


K h 0 ··· 0 
 x−X2


 0 K h ··· 0 
W= .
 
.. .. .. ..

 . . . . 



x−Xn
0 0 ··· K h

On a alors  
m̂(x)
  = (X0 WX)−1 X0 Y,
∇m̂(x)

sous réserve que la matrice X0 WX soit inversible.

2.1.3 Consistance des estimateurs non paramétriques pour une fenêtre

adaptative

Nous présentons maintenant un résultat très général qui nous permet d’obtenir la consis-
tance uniforme en la fenêtre et en x d’une large classe d’estimateurs à noyaux. On peut trouver
de nombreux résultats de convergence uniforme d’estimateurs à noyaux dans la littérature :
voir entre autres Silverman (1978) pour la convergence uniforme en x de fˆX vers fX en pro-
babilité et presque sûrement ou Giné et Guillou (2002) pour l’extension de ce résultat au cas
multivarié.
Ici, nous nous intéressons à un article de Einmahl et Mason (2005) qui étend en quelque
sorte le résultat de Giné et Guillou (2002) puisqu’ils obtiennent la convergence d’estimateurs
à noyaux, uniformément en x et également uniformément en h. Par ailleurs, leur résultat
étant très général, il peut facilement s’appliquer à l’étude de la densité conditionnelle ou de la
régression.
L’intérêt des résultats de convergence uniforme en la fenêtre part de la problématique du
choix de la fenêtre de lissage. En effet, dans l’estimation non paramétrique et dans la définition
de nos estimateurs se posent la question du choix de deux quantités : le noyau K et la fenêtre
h. Le choix du noyau ne pose pas de problème réel en pratique. Il existe un certain nombre de
noyaux standards et il est possible de construire facilement un noyau de tout ordre, au besoin.

49
CHAPITRE 2. Les modèles à direction révélatrice unique

Par ailleurs, on sait que le noyau n’a pas d’influence majeure sur les propriétés des estimateurs
non paramétriques.
Au contraire, un choix judicieux de la fenêtre est primordial dans l’estimation non para-
métrique. Comme on l’a vu dans la décomposition biais-variance de la Proposition 2.2, h a un
impact très important sur l’estimation de fX . Si on choisit une fenêtre trop grande, notre esti-
mateur aura un biais très important, ce qui reviendra à sur-lisser notre estimateur. A l’inverse,
une fenêtre trop petite fera « exploser » le terme de variance et on obtiendra un estimateur
très irrégulier. Même si on peut donner une expression explicite de la fenêtre optimale, elle
dépend de constantes inconnues en pratique (telles que la densité fX elle même) ce qui rend
son calcul difficile.
Les résultats de convergence uniforme en h de Einmahl et Mason (2005) peuvent directe-
ment s’appliquer à une fenêtre dépendant de la localisation de x ou des données. C’est ce type
de fenêtre adaptative, c’est à dire une fenêtre qui peut dépendre des données, qui nous inté-
resse : on préférera évidemment une telle fenêtre plutôt qu’une fenêtre identique pour chaque
jeu de données, ne dépendant que de la taille de l’échantillon.

Comme nous l’avons dit, les résultats de Einmahl et Mason (2005) sont basés sur une
inégalité de concentration, due à Talagrand (1994). Comme cette inégalité est l’outil majeur
qui leur permet d’obtenir leur résultats de convergence uniforme, nous souhaitons la rappeler
ici.
Dans le lemme suivant, αn représente le processus empirique basé sur l’échantillon
X1 , . . . , Xn , c’est à dire que pour g : X → R, on a :
n 
X

αn (g) = n−1/2 g(Xi ) − E g(X) ,
i=1

et on note, pour toute classe de fonctions G,

√ √
k nαn kG = sup | nαn (g)|.
g∈G

On note également k · k∞ la norme infinie, c’est à dire que pour toute fonction g définie sur Rd
par exemple, kgk∞ = supx∈Rd g(x). Nous rappelons par ailleurs qu’une variable de Rademacher

50
 2.1 Propriétés des estimateurs à noyaux

ε est une variables aléatoire à valeurs dans {−1, 1} telle que P(ε = −1) = P(ε = 1) = 1/2.

Lemme 2.4. Soient ε1 , . . . , εn , n variables aléatoires de Rademacher, indépendantes entre

elles et indépendantes des Xi , 1 ≤ i ≤ n. Soit G une classe de fonctions mesurables ponctuel-
lement telle que, pour 0 < M < +∞,

kgk∞ ≤ M, g ∈ G.

Alors, pour tout t > 0, on a :

  
n
( ! )
√ 2

 X  A 2 t A2 t
P max k mαm kG ≥ A1 E  εi g(Xi ) + t ≤ 2 exp − 2 + exp − ,
1≤m≤n  nσG M
i=1 G

où σG2 = supgG Var(g(X)) et A1 , A2 sont des constantes universelles.

Avant d’introduire nos résultats de convergence uniforme en h, nous avons besoin de rajou-
ter quelques hypothèses portant sur la classe des noyaux que nous utilisons. En effet, puisque
le noyau dépend de h dans l’expression de nos estimateurs à noyaux et comme notre résultat
porte uniformément sur la fenêtre, on a besoin, en particulier d’une condition d’entropie sur
la classe des noyaux.
Tout d’abord, notons κ := supx |K(x)| et supposons cette dernière quantité est finie.
Introduisons maintenant la classe des noyaux K := {K (x − ·)/h : h > 0, x ∈ Rd }. On note

alors N (ε, K, dQ ), le nombre minimal de boules {g : dQ (g, g 0 ) < ε} de rayon ε nécessaires pour
couvrir K. Pour ε > 0, on note également N (ε, K) = supQ N (κε, K, dQ ), où le supremum est
pris sur toutes les mesures de probabilité Q sur (Rd , B) et où dQ représente la norme L2 (Q).
La condition d’entropie nécessaire dans Einmahl et Mason (2005) est la suivante :

∃ C, ν > 0 : N (ε, K) ≤ Cε−ν , 0 < ε < 1.

Cependant, en utilisant les résultats de Nolan et Pollard (1987), on peut facilement voir qu’en
supposant également que notre noyau K est à variation bornée, cette dernière condition est
vérifiée. On donne tout d’abord les hypothèses portant sur le noyau que nous utiliserons.

51
CHAPITRE 2. Les modèles à direction révélatrice unique

Hypothèse 2.1. On suppose que

(i) K est un noyau d’ordre β, à variation bornée et à support compact,

(ii) κ := kKk∞ < ∞,

(iii) K := {K (x − ·)/h : h > 0, x ∈ Rd } est une classe de fonctions mesurables ponctuelle-

ment.

A présent, introduisons G, une classe de fonctions définies sur R d’enveloppe Ψ, c’est à dire
telle que
Ψ(y) ≥ sup |ψ(y)|, y ∈ R.
ψ∈G

De plus, on suppose que Ψ est mesurable ponctuellement et à variations bornées. Pour tout
ψ ∈ G et toutes fonctions aψ et bψ continues sur X on pose, pour tout x ∈ X ,
n  
1 X x − Xi
ω̂ψh (x)


= aψ (x)ψ(Yi ) + bψ (x) K
nhd h
i=1
  
1 x−X
ω̄ψh (x) E ωψh (x)


= = dE aψ (x)ψ(Y ) + bψ (x) K ,
h h
et
ωψh (x) = aψ (x)E [ψ(Y )|X = x] + bψ (x) fX (x).

On introduit également les classes de fonctions A = {aψ , ψ ∈ G} et B = {bψ , ψ ∈ G}. Dans la

suite nous nous restreindrons à l’ensemble des h appartenant à H = {h : h = cn−α ; c, α > 0},
même si les résultats de Einmahl et Mason (2005) peuvent s’appliquer à une bien plus grande
classe de fenêtres. Nous rappelons également en remarque le résultat original de Einmahl et
Mason (2005) ainsi que la classe des fenêtres qu’ils considèrent.
Nous donnons à présent les hypothèses portant sur les classes de fonctions A, B et G.

Hypothèse 2.2. On suppose que Ψ est mesurable ponctuellement et à variations bornées et que
les classes de fonctions A et B sont uniformément bornées et uniformément équicontinues. On
suppose également que l’enveloppe Ψ de la classe G vérifie une des deux conditions suivantes :

∃M > 0, Ψ(Y ) ≤ M presque sûrement, (2.2)

52
 2.1 Propriétés des estimateurs à noyaux

ou
sup E Ψp (Y )|X = x < +∞, p > 2.


(2.3)
x∈X

Voici finalement notre résultat : très général, il donne la vitesse de convergence uniforme
en x, h et en ψ des ω̂ψh (x) vers leur espérance.

Théorème 2.5. On suppose que fX est continue et strictement positive sur X . Alors, sous
les Hypothèses 2.1 et 2.2, on a :
s
nhd
sup kω̂ h − ω̄ψh k∞ = Op.s. (1) ,
ψ∈G,h∈H log n ψ

où H = {h : h = cn−α ; c, α > 0}.

La preuve de ce Théorème est assez complexe et nécessite entre autres l’utilisation de

l’inégalité de Talagrand énoncée plus haut. Nous renvoyons le lecteur à Einmahl et Mason
(2005) pour une démonstration complète.
Nous donnons également la vitesse de convergence du biais. Même si ce dernier résultat
ne pose pas de difficultés majeures, nous en donnons une brève démonstration. Combiné au
théorème précédent, on pourra alors en déduire la vitesse de convergence uniforme en x, h et
ψ de ω̂ψh (x) vers ωψh (x).

Théorème 2.6. On suppose que la fonction x 7→ E [Y |X = x]fX (x) possède des dérivées
partielles jusqu’à l’ordre β, toutes continues. On suppose également que fX est strictement
positive sur X . Sous l’Hypothèse 2.1, on a alors :

sup h−β kω̄ψh − ωψh k∞ = O(1).

ψ∈G,h∈H

Démonstration. En conditionnant par rapport à X on a, pour tout x ∈ X :

(    )
h 1
x−X
ω̄ψ (x) = d E E aψ (x)ψ(Y ) + dψ (x) K X
h h
   
x−u x−u
Z Z
aψ (x)   dψ (x)
= K E ψ(Y )| X = u fX (u)du + K fX (u)du
hd h hd h
Z Z
 
= aψ (x) K(v)E ψ(Y )| X = x − vh fX (x − vh)dv + dψ (x) K(v)fX (x − vh)dv,

53
CHAPITRE 2. Les modèles à direction révélatrice unique

où on a fait le changement de variable v = (x − u)/h à la dernière ligne. Ensuite, il suffit

de faire un développement de Taylor à l’ordre β et d’utiliser le fait que la β ème dérivée de
E [Y |X = x]fX (x) est bornée sur X (car continue et X est un compact) et que le noyau K est
d’ordre β pour obtenir le résultat désiré.

Corollaire 2.7. On suppose que la fonction x 7→ E [Y |X = x]fX (x) est dérivable jusqu’à
l’ordre β et dont la β ème dérivée est continue. On suppose également que fX est strictement
positive sur X . Alors, sous les Hypothèses 2.1 et 2.2, on a :
s
nhd
sup kω̂ h − ωψh k∞ = Op.s. (1) ,
ψ∈G,h∈H log n ψ

où H = {h : h = cn−α , α(d + 2β) ≥ 1; c, α > 0}.

On remarque ainsi qu’à h fixé, en mettant chaque terme au carré dans les Théorèmes 2.5
et 2.6, on retombe sur l’expression de la Proposition 2.2 à un log près. Le h optimal peut
1
− 2β+d
être calculé de la même façon que précédemment. Il est égal à h = Cn , où C est une
constante. Avec ce h, on obtient alors :

− β
 1

sup kω̂ψh − ωψh k∞ = Op.s. n 2β+d (log n) 2 ,
ψ∈G

qui est donc du même ordre que pour le Corollaire 2.3 et met à nouveau en relief le problème
du fléau de la dimension.

Par ailleurs, ces résultats sur les fonctions ω̂ψh nous permettent de déduire les résultats
de convergence uniforme des trois estimateurs à noyau introduits précédemment. En effet, en
prenant G = {ψ1 }, A = {aψ1 }, B = {bψ1 }, aψ1 = 0, bψ1 = 0 où ψ1 (y) = 1, y ∈ Y, on obtient
directement le résultat pour kfˆX − fX k∞ . Ainsi, en supposant que la fonction fX est dérivable
jusqu’à l’ordre β avec la β ème dérivée continue, que fX est strictement positive sur X et en se
plaçant sous les Hypothèses 2.1 et 2.2, on obtient :

sup h−β E fˆX − fX ∞

= O(1)
ψ∈G,h∈H

54
 2.1 Propriétés des estimateurs à noyaux

et s
nhd ˆ
sup kfX − E fˆX k∞ = Op.s. (1) .
h∈H log n
Pour la fonction de régression, on prend cette fois G = {ψ1 }, A = {aψ1 }, B = {bψ1 },
aψ1 = 1, bψ1 = 0 avec ψ1 (y) = y, y ∈ Y. On a donc,
n  
1 X x − Xi
ω̂ψh (x) = Yi K ,
nhd h
i=1

ωψh (x) = E [Y |X = x]fX (x)

et on écrit

ω̂ψh (x) ωψh (x) ω̂ψh (x) − ωψh (x) |fˆX (x) − fX (x)| · |ωψh (x)|
− ≤ + . (2.4)
fˆX (x) fX (x) |fˆX (x)| |fX (x)fˆX (x)|

Le Corollaire 2.7 nous donne la convergence des numérateurs de chaque terme. Par ailleurs,
comme on l’a vu, fˆX converge vers fX et puisque fX est strictement positive on en déduit que
fˆX est également strictement positive sur X , uniformément en x et en h. Enfin, en se plaçant
sous (2.2) on constate que |ωψh /fX (x)| est bornée sur X , ce qui termine la preuve du résultat.
Ainsi, en supposant que la fonction x 7→ fX,Y (x, y), y ∈ Y est dérivable jusqu’à l’ordre β
avec la β ème dérivée continue, que fX est strictement positive sur X et en se plaçant sous les
Hypothèses 2.1 et 2.2, on obtient :

sup E m̂ − m ∞
= O(1)
h∈H

et s
nhd
sup km̂ − E m̂k∞ = Op.s. (1) .
h∈H log n
Quant à la densité conditionnelle fY |X , on a de même la convergence du numérateur
et du dénominateur de façon séparée, en appliquant directement le Corollaire 2.7. Pour la
convergence du numérateur (c’est à dire de fˆX,Y ) il suffit de prendre encore une fois G = {ψ1 },
A = {aψ1 }, B = {bψ1 }, ψ1 (y) = 1, y ∈ Y, aψ1 = 0 et bψ1 = 0. Il faut supposer de plus que le
noyau est défini sur X × Y (qui est donc un ensemble inclus dans Rd+1 ) et il faut remplacer
X par (X, Y ), x par (x, y) et d par d + 1. Une décomposition similaire à (2.4) nous donne

55
CHAPITRE 2. Les modèles à direction révélatrice unique

donc le résultat. En supposant que la fonction fX est dérivable jusqu’à l’ordre β avec la β ème
dérivée continue, que fX est strictement positive sur X et en se plaçant sous les Hypothèses
2.1 et 2.2, on obtient donc :

sup h−β E fˆY |X − fY |X ∞

= O(1)
h∈H

et s
nhd+1 ˆ
sup kf − E fˆY |X k∞ = Op.s. (1) .
h∈H log n Y |X
Notre contrainte sur la classe des fenêtres H = {h : h = cn−α ; c, α > 0} se résumera donc
juste à notre condition sur α : plus on autorise l’ensemble auquel α appartient à être grand,
plus notre classe H est riche et inversement. En pratique, on pourra donc choisir h de façon
adaptative. Selon la nature du problème, on donnera un critère de choix de la fenêtre et à
chaque jeu de données on choisira le h satisfaisant ce critère. On obtient ainsi une fenêtre qui
au lieu d’être déterministe sera différente pour chaque échantillon et pourra donc s’adapter au
jeu de donnée.
Remarque. Le théorème original de Einmahl et Mason (2005) est le suivant :
√
nhd kω̂ψh − ω̄ψh k∞
sup p = Op.s (1) ,
ψ∈G,h∈H log(1/h) ∨ log log n

où H = {h : c(log n/n)γ ≤ h ≤ h0 , 0 < h0 < 2d , c > 0} et γ = 1 dans le cas borné

(c’est à dire sous (2.2)), γ = 1 − 2/p sous (2.3). En restreignant la classe des fenêtres à
H = {h : nhd (log n)−1 → ∞, h log n → 0, n → ∞}, on obtient alors une vitesse en :

1/2 
Op.s. h−d/2 n−1/2 log(1/h) .

Et si on prend notre classe H = {h : h = cn−α ; c, α > 0}, on obtient bien la vitesse de

convergence du Théorème 2.5.

2.2 Une méthode de réduction de la dimension

Comme on l’a vu dans la section précédente, il est difficile de garder une approche pure-
ment non paramétrique quand la dimension d des covariables est trop grande. En pratique, on

56
 2.2 Une méthode de réduction de la dimension

considère même que dès que d ≥ 4, les méthodes d’estimation non paramétriques ne peuvent
plus convenir. Évidemment, une solution consisterait à utiliser un modèle complètement pa-
ramétrique et dans ce cas là, on ne sera plus affecté par le fléau de la dimension. Par exemple,
dans le cas de l’estimation de la régression, un des modèles paramétriques le plus connu et
l’un des plus simples est le modèle de régression linéaire. On suppose qu’on a :

Yi = E [Yi |Xi ] + ξi , 1 ≤ i ≤ n,

où E [Yi |Xi ] = θ00 Xi , θ0 ∈ Θ ⊂ Rd et les ξi sont tels que E (ξi |Xi ) = 0. Il s’agit donc ici
d’estimer le paramètre θ0 pour obtenir un estimateur de θ00 X, c’est à dire de la régression.
On constate tout de suite que ce modèle est très réducteur et on peut trouver de nombreux
exemples qui ne vérifient pas le modèle de régression linéaire. Une façon de complexifier ce
modèle, serait d’écrire

Yi = gθ0 (θ00 Xi ) + ξi , 1 ≤ i ≤ n,

avec les mêmes notations que précédemment et où g : R 7→ R est une fonction connue de R
dans R. Encore une fois, l’estimation de la régression se résume ici à l’estimation du paramètre
θ0 . Même si ce modèle, appelé modèle linéaire généralisé, est effectivement un peu plus général
que le précédent, il reste toujours très contraignant. Sans informations supplémentaires, il n’y
a aucune raison pour que la régression ait une telle écriture, surtout si gθ0 est connu.
Une idée naturelle, pour pouvoir considérer une plus grande classe de fonctions de régres-
sion, est de supposer gθ0 inconnue dans le modèle précédent. Or, puisque gθ0 est définie sur
R, nous pouvons utiliser un estimateur à noyau pour estimer cette fonction sans se heurter au
fléau de la dimension. Ainsi, on peut introduire un nouveau modèle identique au précédent où
l’on ne suppose pas gθ0 connu. L’estimation de la régression se résume alors à l’estimation du
paramètre θ0 et à l’estimation non paramétrique de la fonction gθ0 .
C’est ce type de modèle, qu’on nommera par la suite modèle à direction révélatrice unique
(ou modèle single-index) que nous allons étudier. C’est un modèle semi-paramétrique qui
permet de pallier le fléau de la dimension sans imposer de trop grosses conditions. Dans le
chapitre suivant, on donne quelques rappels sur le modèle single-index, son interprétation

57
CHAPITRE 2. Les modèles à direction révélatrice unique

et quelques méthodes d’estimation usuelles. Puis, par la suite, nous présentons un modèle
single-index analogue dans le cas de l’étude de la densité conditionnelle de Y sachant X.

2.2.1 Présentation du modèle à direction révélatrice unique : hypothèses

d’identifiabilité et méthodes d’estimation

Nous nous intéressons aux méthodes semi-paramétriques liées aux techniques de réduction
de la dimension. Dans ce domaine, différents types de modèles ont déjà été étudiés dans la
littérature : parmi les plus célèbres, les modèles additifs, les modèles à direction révélatrice
unique ou encore les modèles partiellement linéaires en sont des exemples. L’idée de ces mo-
dèles, dans le cas de l’estimation de la régression ou de la densité conditionnelle par exemple,
est de se ramener à des covariables de dimension plus petite que d (généralement 1) permettant
ainsi de pallier le fléau de la dimension. Dans le modèle partiellement linéaire par exemple, on
décompose la quantité que l’on cherche à estimer en une partie linéaire plus une partie fonc-
tionnelle. Cette dernière quantité ne pose pas de problèmes d’estimation puisqu’elle s’exprime
en fonction de variables explicatives de dimension petite, évitant ainsi les problèmes liés au
fléau de la dimension.

Hall (1989) présente une méthode d’estimation différente qui consiste à projeter m sur un
espace de dimension 1 pour se ramener à une estimation non paramétrique pour des covariables
de dimension 1. Quand on regarde alors la première étape de cette méthode, on constate que
cela revient exactement à estimer m dans un modèle single-index.

On trouve alors une présentation générale de ce modèle dans Ichimura (1993) où la consis-
tance et la normalité asymptotique sont démontrées. Par ailleurs, des exemples montrent que
les modèles à direction révélatrice unique sont particulièrement adaptés à l’étude des don-
nées censurées. Newey et Stoker (1993) prouvent l’efficacité de ce modèle pour l’estimation
de l’index avec la méthode ADE (Average Derivative Estimation). Dans le cas des M estima-
teurs, Delecroix et Hristache (1999) prouvent la consistance et la normalité asymptotique de
l’estimateur de l’index et ils étudient son efficacité.

Dans cette section, nous introduisons les hypothèses d’identifiabilité nécessaires pour le

58
 2.2 Une méthode de réduction de la dimension

modèle à direction révélatrice unique et nous présentons brièvement la méthode ADE dans
le cas de l’estimation de la régression et l’estimation par pseudo maximum de vraisemblance
dans le cas de l’estimation de la densité conditionnelle. Pour des rappels plus détaillés sur les
modèles à direction révélatrice unique, nous conseillons au lecteur de se référer à Delecroix et
Geenens (2006).

La définition d’Ichimura (1993) d’un modèle à direction révélatrice unique est un peu plus
générale que celle présentée plus haut. La relation qui lie θ0 à X n’est pas spécifiée, de telle
sorte qu’il pose :


m(x) = gθ0 h(θ0 , x) ,

où h : Θ × X 7→ R est connue et gθ0 : R 7→ R est inconnue. Cependant, en se restreignant

à h(θ0 , X) égal au produit scalaire entre θ0 et X, on simplifie grandement les résultats dans
Ichimura (1993) et on couvre parfaitement un large domaine d’applications statistiques, en
particulier notre contexte de données censurées.
Le modèle que l’on considère ici est donc le suivant :

m(x) = gθ0 (θ00 x), (2.5)

où θ0 ∈ Θ, g : R 7→ R sont inconnus.

Les hypothèses d’identifiabilité

Pour identifier ce modèle on besoin de rajouter quelques hypothèses. En effet, on réalise par
exemple que si la fonction gθ0 est constante, n’importe quel estimateur de θ0 pourrait convenir.
Par ailleurs, si le support de X appartient à un sous espace linéaire de Rd (c’est à dire s’il
existe une même relation linéaire entre les composantes de X quel que soit X ∈ X ) on obtient
encore une infinité d’estimateurs de θ0 possibles. On aura également besoin de supposer que
g est dérivable et que l’on connaît une composante de θ0 . Enfin, on aura besoin que θ00 X ait
une densité par rapport à la mesure de Lebesgue (mais pas nécessairement X) et pour cela il
suffit seulement de supposer qu’une des composantes de X est continue. Ainsi, θ00 X aura une
loi continue.

59
CHAPITRE 2. Les modèles à direction révélatrice unique

Les hypothèses d’identifiabilité pour le modèle à direction révélatrice unique sont les sui-
vantes (θ(1) représentant la première coordonnée de θ). Pour plus de détails concernant ces
hypothèses, voir Delecroix et Geenens (2006).

Hypothèse 2.3. On suppose que

(i) gθ0 est dérivable et non constant sur le support de θ00 X,

(ii) X admet au moins une composante de loi continue,

(iii) X n’est pas contenu dans un sous espace linéaire de Rd ,

(iv) θ0 ∈ Θ ⊂ Rd où ∀θ ∈ Θ, θ(1) = 1.

On pourra remarquer, qu’à la place de (iv), on peut supposer par exemple que pour
θ ∈ Θ, kθk = 1. Par ailleurs, on remarque que l’on a :

E [Y |θ00 X] = E E [Y |X] θ00 X = gθ0 (θ00 X).

 

Cela signifie donc qu’il y a équivalence entre le modèle (2.5) et le modèle suivant :

∃θ0 ∈ Θ, E [Y |X] = E [Y |θ00 X]. (2.6)

Sous cette forme, il devient facile de donner une interprétation du modèle single-index. Cela
signifie que θ00 X nous donne autant d’information sur l’espérance de Y que le vecteur X
tout entier. Cette information sur le vecteur X est entièrement contenue par une combinaison
linéaire des composantes de X ou encore par une direction de X (puisque θ00 X est également
la projection du vecteur X sur un espace de dimension un).
A partir de la relation (2.6), on peut construire un modèle single-index analogue, dans le
cas de l’étude de la densité conditionnelle de Y sachant X. C’est ce modèle là que nous allons
étudier par la suite. Il s’écrit donc de la façon suivante :

∃θ0 ∈ Θ, fY |X (x, y) = fθ0 (θ00 x, y), (2.7)

où fθ (u, y) représente la densité conditionnelle de Y sachant θ0 X = u évaluée au point y. Pour

rendre notre modèle identifiable on pourra faire les mêmes hypothèses que pour la régression

60
 2.2 Une méthode de réduction de la dimension

en prenant gθ (u, y) = fθ (u, y), cette fonction devant être dérivable par rapport à u et non
constante en u.

Dans la suite nous faisons une revue de quelques méthodes d’estimation dans le cadre des
modèles single-index. Ces méthodes peuvent s’appliquer à n’importe quelle fonction que l’on
cherche à estimer : la régression ou la densité conditionnelle donc, mais on peut également
penser à la densité de X tout simplement ou encore au quantile conditionnel de Y sachant X.
Par la suite, un des objectifs de cette thèse sera de comparer l’estimateur de θ0 obtenu par Lu
et Burke (2005) dans le cas du modèle (2.6) au nôtre, obtenu à partir du modèle (2.7). Comme
ces modèles se placent également dans un contexte de données censurées, la comparaison de
ces deux estimateurs et en particulier leurs performances pratiques se trouvent au Chapitre 3.

Les méthodes d’estimation

Pour estimer la régression, la densité conditionnelle ou n’importe quelle fonction satisfaisant

un modèle single-index, la seule difficulté consiste à trouver un estimateur de l’index. En
effet, supposons qu’on connaisse un estimateur θ̂ de θ0 . Alors, dans le cas de la régression
par exemple, puisque m(x) = g(θ00 x) = E [Y |θ00 X = θ00 x], on peut utiliser l’estimateur non
paramétrique classique suivant :
 
Pn θ̂0 x−θ̂0 Xi
i=1 Yi K h
ĝθ̂ (θ̂0 x) = P   .
n θ̂0 x−θ̂0 Xi
i=1 K h

C’est un estimateur non paramétrique de la régression pour des covariables de dimension 1.

Cela signifie en particulier qu’il ne sera pas touché par le fléau de la dimension. Ainsi, si θ̂ est
tel que θ̂ − θ0 = OP (n−1/2 ), alors

√
√
√
nh ĝθ̂ (θ̂0 x) − gθ0 (θ00 x) = nh ĝθ̂ (θ̂0 x) − ĝθ0 (θ00 x) + nh ĝθ0 (θ00 x) − gθ0 (θ00 x)

et en utilisant un développement limité à l’ordre 1, on a

√
√
nh ĝθ̂ (θ̂0 x) − ĝθ0 (θ00 x) = nh ĝθ0 0 (θ00 x)x0 (θ̂ − θ0 ) + oP (θ̂ − θ0 ) .

61
CHAPITRE 2. Les modèles à direction révélatrice unique

On peut facilement montrer avec les techniques classiques sur les estimateurs non paramé-
triques que

ĝθ0 0 (θ00 x) = gθ0 0 (θ00 x) + O(1) + OP (n−1/2 h−3/2 ),

si K est un noyau d’ordre 1 par exemple. Alors, en supposant nh2 → +∞ et puisque

θ̂ − θ0 = OP (n−1/2 ), on a
√
nh ĝθ̂ (θ̂0 x) − ĝθ0 (θ00 x) = oP (1).

On constate donc que

√
√
nh ĝθ̂ (θ̂0 x) − gθ0 (θ00 x) = nh ĝθ0 (θ00 x) − gθ0 (θ00 x) + oP (1),


(2.8)

ce qui signifie bien que remplacer θ̂ par θ0 ne change rien à la convergence de ĝ. L’estimation de
g est donc directe une fois qu’on a obtenu un estimateur de θ0 . C’est pourquoi, on s’attachera
plus particulièrement à décrire les méthodes d’estimation de l’index.
Dans le cas de l’étude de la densité conditionnelle, c’est à dire sous (2.7) on peut évidem-
ment faire la même chose, avec cette fois
Pn    0 0 
y−Yi
i=1 K h K θ̂ x−hθ̂ Xi
fˆθ̂h (θ̂0 x, y) =  0 0  (2.9)
h ni=1 K θ̂ x−hθ̂ Xi
P

et on peut alors obtenir le même type d’égalité que (2.8).

On commence tout d’abord par présenter la méthode ADE qui est celle utilisée par Lu
et Burke (2005) dans le cas des données censurées, pour l’estimation de la régression. Ce
type de méthode fait partie de ce que l’on appelle des méthodes directes d’estimation. En
effet, l’intérêt de cette méthode d’estimation vient du fait que les estimateurs de θ0 et de m
peuvent s’exprimer de façon explicite. Cependant, elle possède des propriétés théoriques ou
des résultats pratiques généralement moins bons que les autres méthodes d’estimation, comme
pour les M-estimateurs par exemple. De plus, on a besoin ici de supposer que X possède une
densité, ce qui est évidemment une hypothèse très restrictive : elle ne pourra pas s’appliquer
pour des variables aléatoires X discrètes.

62
 2.2 Une méthode de réduction de la dimension

L’idée de la méthode ADE est la suivante : si on suppose donc que X a une densité, on
peut écrire
δ := E [∇m(X)] = θ0 E [g 0 (θ00 X)],

où ∇m représente le vecteur gradient de m. Ainsi, si on a supposé par exemple que la première

composante de θ0 était égale à 1, on aura

δ
θ0 = ,
δ (1)

où δ (1) représente la première composante de δ. On cherchera donc à estimer δ pour trouver

un estimateur de θ0 , ce qui peut se faire par exemple en dérivant l’estimateur à noyau de m.
Dans le cas où m représente la régression, un estimateur possible de θ0 sera donc

δ̂
θ̂ = ,
δ̂ (1)

où
n
1X
δ̂ = ∇m̂(Xi ),
n
i

m̂ étant le « leave one out » estimateur de la régression, c’est à dire,

 
P Xi −Xj
Y
j6=i j K h
m̂(Xi ) =
nhd+1 fˆX (Xi )

et
 
ˆ 1 X Xi − Xj
fX (Xi ) = K .
nhd h
j6=i

Härdle et Stoker (1989) et Powell et al. (1989) présentent des estimateurs améliorés de m,
dans le cas de la régression, les premiers en intégrant par parties δ et les seconds en rajoutant
un poids dans la définition de δ. Ils réussissent tous deux à montrer que sous un certain
√
nombre d’hypothèses, n(δ̂ − δ) converge vers une loi normale centrée et dont la variance
peut être explicitée en fonction des données. Cependant, leurs méthodes les obligent à utiliser
des estimateurs non paramétriques de la densité de X ou bien du gradient de cette densité, ce
qui réduit grandement la performance de leurs estimateurs à cause du fléau de la dimension.
En effet, car même s’ils obtiennent une vitesse paramétrique d’estimation, ils sont obligés

63
CHAPITRE 2. Les modèles à direction révélatrice unique

d’imposer des conditions, notamment sur la fenêtre, très fortes. Par exemple, dans le cas de
Härdle et Stoker (1989), les auteurs doivent supposer que nh2β−2 → 0 et nh2d+2 → ∞ quand
h → 0, n → ∞ et où fX possède des dérivées partielles jusqu’à l’ordre β, le noyau K étant
d’ordre β. On constate donc que dès que d est grand on doit supposer en contrepartie β
suffisamment grand pour avoir ces conditions vérifiées.
Hristache et al. (2001) proposent alors une nouvelle méthode d’estimation directe pour
pallier ces inconvénients. Ils proposent d’estimer δ toujours par la méthode ADE mais en
utilisant cette fois des estimateurs par polynômes locaux. On cherche à estimer δ̂ introduit
précédemment, ce qui revient donc à trouver un estimateur de ∇m. Pour cela, ils utilisent
alors la méthode par polynômes locaux introduite dans la Section 2.1.2.
C’est cette technique, adaptée à leur contexte de censure, que Lu et Burke (2005) ont
utilisée pour estimer la régression. Quant à nous, nous avons utilisé une technique de M-
estimation, que nous allons maintenant présenter.

2.2.2 M-estimation dans un modèle à direction révélatrice unique pour

l’étude de la densité conditionnelle

Dans la cas de l’estimation de la régression, dans un modèle single-index, Delecroix et

Hristache (1999) proposent d’estimer θ0 par M-estimation. L’idée de cette méthode est donc
de définir un estimateur du type
n
X
θ̂ = arg max Ψ(Yi , ĝ(θ0 Xi )),
θ∈Θ i=1

où Ψ est une fonction définie sur R2 et à valeurs dans R satisfaisant un certain nombre de
conditions. Delecroix et Hristache (1999) montrent alors que θ̂ est presque sûrement consis-
tant et asymptotiquement normal dans le cas où Ψ est la log-vraisemblance d’une densité
appartenant à la famille exponentielle. Il existe d’autres méthodes d’estimation basées sur
les M-estimateurs dans la littérature. Ainsi, pour l’étude de la régression, Newey et Stoker
(1993) proposent un estimateur de type moindres carrés en rajoutant un poids dépendant des
covariables. Ils montrent en particulier l’efficacité de leur estimateur. Delecroix et al. (2003)

64
 2.2 Une méthode de réduction de la dimension

quant à eux considèrent le modèle (2.7) pour l’étude de la densité conditionnelle. L’idée est la
suivante : sous (2.7), la vraisemblance est égale à
n
Y
fθ (θ0 Xi , Yi )fX (Xi )
i=1

et la log-vraisemblance s’écrit
n
X n
X
0
log fθ (θ Xi , Yi ) + log fX (Xi ).
i=1 i=1
Pn
Puisque le terme i=1 log fX (Xi ) ne dépend pas de θ, l’estimateur du maximum de vraisem-
blance pourrait être défini, si fθ était connue, en maximisant le premier terme ni=1 log fθ (θ0 Xi , Yi ).
P

Comme fθ est inconnue, ils définissent le M-estimateur suivant :

n
X
log fˆθh (θ0 Xi , Yi ) ,


θ̂ = arg max (2.10)
θ∈Θ i=1

où fˆθh représente l’estimateur à noyau de fθ . C’est cet estimateur, adapté au contexte des
données censurées que nous étudions dans le Chapitre 3. Nous avons également introduit dans
notre modèle une fonction de trimming qui nous évite les problèmes d’estimation quand le
dénominateur de fˆθh est nul. En effet, si on note fθ0 X la densité de θ0 X on aimerait s’assurer
que notre estimateur défini par (2.10) ne prenne en compte que les Xi pour lesquels fθ0 X soit
positif, sans avoir pour autant à supposer fθ0 X (x) > 0 pour tout θ, x, y. Nous expliquons ici la
méthodologie qui nous permet de construire ce trimming. On introduit une fonction positive
J et on redéfinit alors notre estimateur par

θ̂ = arg max L̂n (θ, fˆh , J), (2.11)

θ∈Θ

où
n
X
L̂n (θ, fˆh , J) = log fˆθh (θ0 Xi , Yi ) J(Xi ).

i=1
Idéalement, on aimerait donc prendre la fonction de trimming

˜ θ0 X , θ00 x, c),
J0 (x, c) = J(f (2.12)
0

˜ u, c) = 1g(u)>c , pour une fonction g quel-

où c est une constante strictement positive et J(h,
conque. Malheureusement cette fonction dépend de θ0 et de fθ00 X qui sont inconnus. On doit

65
CHAPITRE 2. Les modèles à direction révélatrice unique

alors procéder en deux étapes : tout d’abord trouver un estimateur préliminaire consistant de
θ0 et ensuite utiliser cet estimateur pour estimer J0 et en déduire la normalité asymptotique
de θ0 .
Pour commencer, on suppose qu’on connaît un ensemble B pour lequel inf{fθ0 X (θ0 x) : x ∈
B, θ ∈ Θ} > c, où c > 0. Dans une phase préliminaire, on va utiliser cet ensemble B pour
introduire une première fonction de trimming JB (x) = 1x∈B . A l’aide de ce trimming et en
prenant une suite déterministe h0 de fenêtres, on peut définir un estimateur préliminaire de
θ0 ,
θn = arg max Ln (θ, fˆh0 , JB ).
θ∈Θ

Grâce à cet estimateur préliminaire de θ0 , on peut maintenant estimer J0 par

˜ fˆh00 , θn0 x, c).

Jˆ0 (x, c) = J( θ X
n

De plus, dans le cas où θn est consistant, Delecroix et al. (2006) ont montré que Jˆ0 était
équivalent à J0 .
L’estimateur final de θ0 est alors le suivant :

θ̂ = arg max Ln (θ, fˆh , Jˆ0 ), (2.13)

θ∈Θn

où Θn est une suite de voisinages décroissants de θ0 obtenue à partir de θn .

2.2.3 Vitesses de convergence de fˆθh et de ses dérivées partielles pour des

données censurées dans le cas où G est connue

On souhaite définir ici un estimateur de fˆθh adapté au contexte des données censurées et
en déduire les vitesses de convergence de cet estimateur et de ses dérivées partielles d’ordre 1
et 2 en utilisant les résultats de la Section 2.1. Tout d’abord, pour construire cet estimateur,
on remarque qu’en l’absence de censure il peut s’écrire de la façon suivante :
 0
θ x − θ0 v
  
y−w
ZZ
K K dF̂emp (v, w)
h h
fˆθh (θ0 x, y) =  0 .
θ x − θ0 v
ZZ 
h K dF̂emp (v, w)
h

66
 2.2 Une méthode de réduction de la dimension

Ainsi, une extension logique au cas censuré est de remplacer F̂emp par l’estimateur de Kaplan-
Meier. Dans ce chapitre nous allons supposer G connu pour simplifier les résultats et nous
verrons au Chapitre 3 comment étendre ce résultat au cas G inconnu. Cela signifie donc que
nous allons remplacer F̂emp par F̃X,Y . Par ailleurs, nous aurons besoin au Chapitre 3 d’intro-
duire un paramètre de troncation τ pour éviter les problèmes dans les queues de distribution.
On s’intéressera donc à l’étude de fθτ (u, y) qui représente la densité de Y sachant θ0 X = u et
Y ≤ τ évaluée au point y où τ est une constante positive. Notre estimateur de fθτ quand Y
est censuré et G connu, que nous noterons par la suite f˜θh,τ , est donc le suivant :
 0
θ x − θ0 v
  
y−w
ZZ
K K 1w≤τ dF̃X,Y (v, w)
h h
f˜θh,τ (θ0 x, y) =  0 (2.14)
θ x − θ0 v
ZZ 
h K 1w≤τ dF̃X,Y (v, w)
h
n  0
θ x − θ0 Xi
  
X y − Ti
W̃i,n K K 1Ti ≤τ
h h
i=1
= n  0 .
θ x − θ0 Xi
X 
h W̃i,n K 1Ti ≤τ
h
i=1

On donne ici les vitesses de convergence uniformes en θ, h, x, y et τ de f˜θh,τ et de ses dérivées

partielles par rapport à θ. Pour cela, on utilisera les résultats de la Section 2.1, en particulier
les Théorèmes 2.5 et 2.6 ainsi que l’inégalité de Talagrand énoncée au Lemme 2.4. Par ailleurs,
on utilisera également la fonction de trimming introduite précédemment pour nous prémunir
des problèmes d’estimation en cas de dénominateurs trop petits dans la définition de f˜θh,τ .
Puisqu’on considère les dérivées partielles de fθτ jusqu’à l’ordre deux on doit rajouter quelques
hypothèses par rapport à l’Hypothèse 2.1 pour obtenir nos résultats. Enfin, on note ∇θ fθτ (x, y)
(respectivement ∇2θ fθτ (x, y)) le vecteur des dérivées partielles (respectivement la matrice des
dérivées secondes) de fθτ par rapport à θ calculé au point (θ, x, y). On a alors la proposition
suivante.

67
CHAPITRE 2. Les modèles à direction révélatrice unique

Proposition 2.8. Supposons que K est deux fois différentiable et que ses dérivées partielles
d’ordre un et deux sont à variations bornées. Sous les Hypothèses 1.2 et 2.1 on a :
s
nh2 ˜h,τ 0
sup f (θ x, y) − E f˜θτ (θ0 x, y) 1y≤τ = Op.s. (1) ,
x,y,h,τ,θ log n θ
s
nh4
sup ∇θ f˜θh,τ (x, y) − E ∇θ f˜θτ (x, y) 1y≤τ = Op.s. (1) ,
x,y,h,τ,θ log n
s
nh6
sup ∇2θ f˜θh,τ (x, y) − E ∇2θ f˜θτ (x, y) 1y≤τ = Op.s. (1)
x,y,h,τ,θ log n

et
sup h−β E ∇γθ f˜θh,τ (x, y) − ∇γθ fθτ (x, y) 1y≤τ = O(1),
x,y,h,τ,θ

pour γ = 0, 1 et 2 et où les suprema sont tous pris pour x ∈ X tels que Jθ (x, c) > 0, pour
y ∈ Y, pour h ∈ H = {h : h = cn−α ; c, α > 0}, pour τ ≤ τF et pour θ ∈ Θ.

Démonstration. La difficulté majeure réside dans l’uniformité par rapport à θ qui nous em-
pêche d’appliquer directement le Théorème 2.5. Cependant, on peut très facilement reprendre
point par point la démonstration du Théorème 1 d’Einmahl et Mason (2005) pour adapter
leurs résultats à notre étude. En effet, on peut déduire ce résultat à partir de quantités telles
que
n  0
θ x − θ0 Xi
  
1 X ∗ γ y − Ti
Snh,τ (θ, x, y, γ) = W i φ(Xi , Zi , θ)∇ θ K K , (2.15)
h2 h h
i=1

où ∇γθ K((θ0 x − θ0 Xi )h−1 ) pour γ = 1 (respectivement pour γ = 2) représente le gradient de

K((θ0 x − θ0 Xi )/h) (respectivement la matrice Hessienne) par rapport à θ et évaluée en θ où
φ est une fonction bornée par rapport à θ et x. La fonction φ que nous considérons ici est
φ(X, T, θ) = fθτ0 X (θ0 X)−1 1T ≤τ avec la convention 0/0 = 0 et où fθτ0 X (u) = P(Y ≤ τ, θ0 X = u).
Le terme (2.15) peut alors s’étudier de la même façon que dans Einmahl et Mason (2005).
Pour cela, on remarque tout d’abord que {(X, T ) 7→ ∇γθ K((θ0 x − θ0 X)h−1 )K((y − T )h−1 ), θ ∈
Θ, x, y} satisfait les hypothèses de la Proposition 1 dans Einmahl et Mason (2005) (voir Lemme
22 (ii) dans Nolan et Pollard (1987)). Ainsi, en appliquant l’inégalité (2.4) et en suivant la même
démarche que dans Einmahl et Mason (2005), on obtient un résultat similaire au Théorème

68
 2.2 Une méthode de réduction de la dimension

2.5 :
s
nh2(1+γ) h,τ
Sn (θ, x, y, γ) − E Snh,τ (θ, x, y, γ) 1y≤τ = Op.s. 1 .
 

sup (2.16)
θ,x,y,h,τ log n

A présent, nous montrons comment à partir de (2.16) on obtient la convergence des dérivées
partielles de f˜θh,τ . Nous donnons le détail du résultat pour la dérivée première seulement, les
autres étant tous similaires. Tout d’abord, on a :

n  0 0
  
0 θ x − θ Xi y − Ti
X
(x − Xi )W̃i,n K K 1Ti ≤τ
h h
i=1
∇θ f˜θh,τ (x, y) =
h3 fˆθh,τ 0
0 X (θ x)
n
θ0 x − θ0 Xi
   
X y − Ti
K K W̃i,n 1Ti ≤τ
h h
i=1
−
h2 fˆθh,τ 0
0 X (θ x)
n  0 0

0 θ x − θ Xi
X
(x − Xi )W̃i,n K 1Ti ≤τ
h
i=1
× ,
h2 fˆθh,τ 0
0 X (θ x)

où
n
θ0 x − θ0 Xi
 
1X
fˆθh,τ 0
0 X (θ x) = W̃i,n K 1Ti ≤τ .
h h
i=1

Définissons maintenant chacun des termes intervenant dans le gradient de f˜θh,τ :

n  0
θ x − θ0 Xi
  
h,τ 1 X y − Ti
r̂1n,θ (x, y) = 3 W̃i,n (x − Xi )K 0 K 1Ti ≤τ ,
h h h
i=1
  0 0
   
h,τ 1 0 θx−θX y−Y
r̄1,θ (x, y) = 3 E (x − X)K K 1Y ≤τ ,
h h h
∂ n  o
τ
E (x − X)|θ0 X = u, Y = y fθ0 X,Y (u, y)

r1,θ (x, y) = 1y≤τ ,
∂u u=θ0 x

puis
n  0
θ x − θ0 Xi
  
h,τ 1 X y − Ti
r̂2n,θ (x, y) = 2 K K W̃i,n 1Ti ≤τ ,
h h h
i=1
  0
θ x − θ0 X
   
h,τ 1 y−Y
r̄2,θ (x, y) = 2 E K K 1Y ≤τ ,
h h h
τ
r2,θ (x, y) = fθ0 X,Y (θ0 x, y)1y≤τ

69
CHAPITRE 2. Les modèles à direction révélatrice unique

et
n  0 0

h,τ 1 X 0 θ x − θ Xi
r̂3n,θ (x, y) = 2 (x − Xi )K 1Ti ≤τ ,
h h
i=1
 0
θ x − θ0 X
  
h,τ 1
r̄3,θ (x, y) = 2 E (x − X)K 0 1Y ≤τ ,
h h
∂ 
τ
r3,θ (x, y) = E [(x − X)1Y ≤τ |θ0 X = u]fθ0 X (u) u=θ0 x
.
∂u

Enfin, définissons
  0
θ x − θ0 X
 
¯h,τ 0 1
fθ0 X (θ x) = E K 1Y ≤τ .
h h
Alors, en appliquant (2.16), on obtient :
s
nh ˆh,τ 0
sup fθ0 X (θ x) − f¯θh,τ 0
0 X (θ x) 1y≤τ = Op.s. (1),
θ,x,y,h,τ log n
s
nh4
r̂h,τ (x, y) − r̄1,θ
h,τ

sup (x, y) 1y≤τ = Op.s. 1 ,
θ,x,y,h,τ log n 1n,θ
s
nh2 h,τ h,τ

sup r̂2n,θ (x, y) − r̄2,θ (x, y) 1y≤τ = Op.s. 1 ,
θ,x,y,h,τ log n
s
nh3 h,τ h,τ

sup r̂3n,θ (x, y) − r̄3,θ (x, y) 1y≤τ = Op.s. 1 . (2.17)
θ,x,y,h,τ log n

Pour les termes de biais, de la même façon que pour le Théorème 2.6, on a directement :

sup h−β f¯θh,τ 0 τ 0

0 X (θ x) − fθ 0 X (θ x) 1y≤τ = O(1),
θ,x,y,h,τ

h,τ
sup h−β r̄i,θ τ
(x, y) − ri,θ (x, y) 1y≤τ = O(1), pour i = 1, 2 et 3. (2.18)
θ,x,y,h,τ

Par ailleurs, on remarque que,

τ (x, y)
r1,θ τ (x, y) × r τ (x, y)
r2,θ 3,θ
− = ∇fθτ (θ0 x, y).
fθτ0 X (θ0 x) fθτ0 X (θ0 x)2

En effet,
fθτ0 X,Y (θ0 x, y)
fθτ (θ0 x, y) = ,
fθτ0 X (θ0 x)
où
fθτ0 X,Y (θ0 x, y) = fθ0 X,Y (θ0 x, y)1y≤τ

70
 2.2 Une méthode de réduction de la dimension

et donc

x ∂  τ xfθτ0 X,Y (θ0 x, y)fθτ0 X (θ0 x)0

∇fθτ (θ0 x, y) = τ f0 (u, y) − .
fθ0 X (θ0 x) ∂u θ X,Y u=θ0 x fθτ0 X (θ0 x)2

De plus, on a
τ (x, y)
r1,θ x ∂  τ
= f0 (u, y)
fθτ0 X (θ0 x) fθτ0 X (θ0 x) ∂u θ X,Y u=θ0 x

∂ n  o
− E X|θ0 X = u, Y = y fθτ (θ0 x, y)
∂u 0
u=θ x
E X|θ0 X = θ0 x, Y = y ∂ n τ
 o
− f 0
θ X,Y (u, y)
fθτ0 X (θ0 x) ∂u u=θ0 x

et en écrivant R
xfX,Y (x, y)dx
E X|θ0 X = u, Y = y =
 
,
fθ0 X,Y (u, y)
on voit facilement que les deux derniers termes faisant intervenir E X|θ0 X, Y dans l’expres-
 

τ (x, y)(f τ (θ 0 x))−1 s’annulent. Ensuite,

sion de r1,θ θ0 X

τ (x, y) × r τ (x, y)
r2,θ fθτ0 X,Y (θ0 x, y)

3,θ ∂ n  0
 o
= E x1 Y ≤τ |θ X = u fθX0 (u)
fθτ0 X (θ0 x)2 fθτ0 X (θ0 x)2 ∂u u=θ0 x

∂ n  0
 o
− E X1Y ≤τ |θ X = u fθ0 X (u)
∂u u=θ0 x

et en remarquant que
fθτ0 X (u)
E [1Y ≤τ |θ0 X = u] = ,
fθ0 X (u)
E [X1Y ≤τ ]
E [X1Y ≤τ |θ0 X = u] =
fθ0 X (u)
et

∂ n  o
fθτ0 X (θ0 x)0 = E 1Y ≤τ |θ0 X = u fθ0 X (θ0 x) + E 1Y ≤τ |θ0 X = θ0 x fθ0 X (θ0 x)0
 
∂u u=θ0 x

on constate d’une part qu’on retrouve le deuxième terme de ∇fθτ (θ0 x, y) puisque
xfθτ0 X,Y (θ0 x, y)fθτ0 X (θ0 x)0 fθτ0 X,Y (θ0 x, y)

∂ n  0
o
= x E 1Y ≤τ |θ X = u fθ0 X (θ0 x)
fθτ0 X (θ0 x)2 fθτ0 X (θ0 x)2 ∂u u=θ0 x

0 0 0
+ xE [1Y ≤τ |θ X = u]fθ X (θ x)
0

τ (x, y)r τ (x, y)(f τ (θ 0 x)2 )−1 s’annulent.

et d’autre part que les deux autres termes de r2,θ 3,θ θ0 X

71
CHAPITRE 2. Les modèles à direction révélatrice unique

Finalement, pour étudier ∇θ fˆθh,τ − ∇θ fθτ , on écrit :

h,τ h,τ
τ (x, y) τ (x, y)
fθτ0 X (θ0 x) − fˆθh,τ 0

τ
r̂1n,θ (x, y) r1,θ r̂1n,θ (x, y) − r1,θ 0 X (θ x) r1,θ (x, y)
− τ = + (2.19)
fˆh,τ 0
0 (θ x)
fθ0 X (θ0 x) fˆh,τ 0
0 (θ x) fˆh,τ 0 τ
0 (θ x)f 0 (θ x)
0
θX θX θX θX

et on applique les résultats sur les vitesses de convergence obtenus par (2.17) et (2.18). Comme
on s’est placé sur des x ∈ X tels que Jθ (x, c) > 0, on a fθτ0 X (θ0 x) > 0 et fˆθh,τ 0
0 X (θ x) > 0 puisque

fˆθh,τ 0 τ 0
0 X (θ x) converge vers fθ 0 X (θ x). De même,

h,τ h,τ h,τ

!
r̂2n,θ (x, y)r̂3n,θ τ (x, y)r τ (x, y)
(x, y) r2,θ r̂2n,θ (x, y) τ (x, y)
r2,θ τ (x, y)
r3,θ
3,θ
− = −
fθτ0 X (θ0 x) fθτ0 X (θ0 x)

2
2
ˆh,τ 0
fθ0 X (θ x) τ
fθ0 X (θ0 x) fˆh,τ 0
0 (θ x)
θX
h,τ h,τ
!
r̂1n,θ (x, y) r̂3n,θ (x, y) τ (x, y)
r3,θ
+ −
fˆθh,τ 0
0 X (θ x) fˆh,τ 0
0 (θ x)
fθτ0 X (θ0 x)
θX

et en utilisant la même décomposition que (2.19) pour les deux termes entre parenthèses,
il suffit d’appliquer les vitesses de convergence obtenues par (2.17) et (2.18) pour obtenir le
résultat final.

2.2.4 Un exemple pour les données censurées : le modèle de Cox

Le modèle de Cox a été très largement étudié dans les articles récents portant sur les
données censurées. Dans ce modèle, appelé aussi modèle à intensité multiplicative (voir Cox
(1972)), on fait une hypothèse semi paramétrique sur la fonction de hasard. On estime géné-
ralement le paramètre en utilisant des techniques de pseudo-vraisemblance et on peut trouver
les propriétés théoriques de cet estimateur dans de nombreux articles (voir par exemple Fle-
ming et Harrington (1991)). Cependant, les hypothèses du modèle de Cox ne sont pas toujours
vérifiées par les données. Nous proposons alors une généralisation possible de ce modèle, en
considérant un modèle à direction révélatrice unique portant sur la densité conditionnelle.
Avant d’introduire ce modèle, on rappelle tout d’abord quelques notations . On note h le taux
de hasard (ou risque instantané) de Y , défini dans le cas où Y possède une densité, par :

fY |X (x, y)
h(y|x) = ,
1 − FY |X (x, y)

72
 2.2 Une méthode de réduction de la dimension

où FY |X (x, y) = P(Y ≤ y|X = x). On remarque alors que h détermine toute la loi de Y
sachant X et également, si on l’écrit sous la forme

P (y < Y ≤ y + ∆y|Y > y, X = x)

h(y|x) = lim ,
∆y→0 ∆y

que h peut être interprété comme la « vitesse instantanée » de Y à l’instant y sachant X. Si Y

représente l’instant de décès par exemple, h sera alors le taux de mortalité du patient sachant
les informations données par la covariable X. Dans le modèle de Cox on fait l’hypothèse
suivante :
h(y|x) = h0 (y) exp(θ00 x), (2.20)

où h0 : Y 7→ R et θ0 ∈ Θ sont inconnus. On remarque tout d’abord une propriété intéressante

de ce modèle : le rapport des risques instantanés pour deux individus possédant respectivement
des covariables X1 et X2 ne dépend que de X1 et X2 et pas de Y . En effet,

h(y|x1 )
= exp(θ00 x1 − θ00 x2 ).
h(y|x2 )

C’est pourquoi on parle également (2.20), modèle à risques proportionnels. Cela signifie que le
risque relatif de décès à l’instant y d’un individu possédant les caractéristiques X1 par rapport
à un individu possédant les caractéristiques X2 , ne dépend pas du temps où l’on compare ces
risques mais seulement de leurs covariables X1 et X2 .
On constate aussi que (2.20) est un modèle semi-paramétrique : on a besoin d’estimer le
paramètre θ0 et la fonction h0 pour obtenir un estimateur de h. Cox (1972) propose alors
d’estimer θ0 en utilisant une vraisemblance partielle du modèle ne faisant pas intervenir h0 .
Quant à h0 , il existe de nombreuses méthodes permettant d’estimer des quantités s’exprimant
en fonction de h0 . Par exemple, Breslow et Crowley (1974) donne une méthode pour estimer
R
h0 (s)ds, en utilisant une généralisation de l’estimateur de Nelson-Aalen (voir Nelson (1969),
Nelson (1972) et Aalen (1978) ou encore Fleming et Harrington (1991)).
Ce modèle impose toutefois une relation précise entre θ0 et X et on aimerait généraliser
ce modèle, par exemple en écrivant

h(y|x) = g(θ00 x, y), (2.21)

73
CHAPITRE 2. Les modèles à direction révélatrice unique

où g : R2 7→ R est inconnue. En fait, une généralisation possible est de considérer un modèle

à direction révélatrice unique portant sur la densité conditionnelle de fθ . En effet, supposons
que fθ vérifie (2.7). Alors, FY |X vérifie évidemment un modèle single-index, c’est à dire qu’on
a:
FY |X = FY |θ0 X ,

où FY |θ0 X (θ0 x, y) = P(Y ≤ y|θ0 X = θ0 x). Ainsi, par définition de h, on a clairement un modèle
défini par l’égalité (2.21). Cela signifie donc que le modèle de Cox peut être considéré comme
un cas particulier du modèle à direction révélatrice unique (2.7). Dans le chapitre suivant, on
considère le modèle (2.7) dans le cadre des données censurées et on estime le paramètre θ0
en utilisant la procédure de pseudo-vraisemblance introduite dans la Section 2.2.2. Dans les
simulations, on propose un estimateur du paramètre dans un modèle qui vérifie (2.7) mais
n’est pas nécessairement un modèle de Cox.

74
Chapitre 3

Étude de la densité conditionnelle

dans un modèle à direction révélatrice
unique en présence de censures

3.1 Introduction

Dans ce chapitre, nous introduisons un modèle de régression semi-paramétrique plus gé-

néral que le modèle de Cox et nous établissons des résultats asymptotiques sur l’estimateur
obtenu. Cette nouvelle méthode d’estimation est une alternative intéressante au modèle de
Cox puisqu’elle couvre un plus grand nombre de situations.
Les alternatives au modèle de Cox qui ont déjà été introduites s’intéressent généralement
à estimer une espérance conditionnelle ou étudient un modèle de régression de type quantile.
Koul et al. (1981), Stute (1999) et Delecroix et al. (2008) ont considéré un modèle de régression
portant sur l’espérance conditionnelle où la fonction de régression est supposée appartenir à
une famille paramétrique mais avec une distribution inconnue des résidus. Gannoun et al.
(2005) ont étudié un modèle de régression paramétrique portant sur la fonction de quantile,
Lu et Burke (2005) et Lopez (2009) quant à eux, ont étudié un modèle à direction révélatrice
unique portant sur la fonction de régression.

75
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

Les modèles à direction révélatrice unique ont été initialement introduits pour pallier les pro-
blèmes de fléau de la dimension dans les modèles de regression non-paramétriques (voir la
Section 2.2), en supposant que l’espérance conditionnelle ne dépendait que d’une combinaison
linéaire inconnue des covariables. Comme on l’a expliqué au chapitre précédent, un intérêt
majeur de ces modèles est qu’ils englobent le modèle de Cox en tant que cas particulier. Dans
ce chapitre, nous étudions le modèle à direction révélatrice unique (2.7) qui porte sur la densité
conditionnelle de la variable réponse, plutôt que sur l’espérance conditionnelle et nous donnons
des résultats asymptotiques pour l’estimateur de l’index obtenu par M-estimation. On reprend
ici la méthode d’estimation de Delecroix et al. (2003) dans le cas de données censurées.

De la même façon que dans le cas sans censure, nous montrons une équivalence asympto-
tique entre l’approche semi-paramétrique et le cas paramétrique où la densité de la variable
réponse serait connue. Pour la partie non-paramétrique, nous utilisons un estimateur à noyau
classique. Comme la performance de cet estimateur dépend fortement du choix de la fenêtre de
lissage, nous fournissons aussi une méthode de choix adaptatif qui nous permet de choisir ce
paramètre de lissage à partir des données. Un autre aspect technique intervenant dans notre
approche concerne un paramètre de troncation. Ce paramètre intervient directement dans le
phénomène de censure puisque l’estimation de la fonction de répartition est parfois mauvaise
dans les queues de distribution, comme on l’a vu au Chapitre 1. On contourne souvent ce pro-
blème à l’aide d’une hypothèse de moment sur la variable réponse et la variable de censure (voir
l’Hypothèse 1.4). Une autre possibilité consiste à tronquer les données en enlevant toutes les
observations supérieures à une certaine borne (voir la condition 1.7). On cite à titre d’exemple
Heuchenne et Van Keilegom (2007) ou Brunel et Comte (2006) qui utilisent une condition qui
peut également être interprétée comme une hypothèse de troncation. Jusqu’à présent, la borne
de troncation utilisée était fixée de façon arbitraire et généralement aucune méthode n’était
proposée pour choisir cette borne en pratique. Cependant, dans notre procédure d’estimation
nous proposons également une méthode adaptative du choix de la borne de troncation ce qui
nous permet, comme pour le choix de la fenêtre, de choisir ce paramètre à partir des données.
Dans les simulations, nous utilisons un critère asymptotique basé sur le risque quadratique de

76
 3.2 Procédure d’estimation

l’estimateur de l’index pour choisir cette borne. Mais nous proposons également d’autres choix
possibles de critères qui restent en accord avec nos résultats théoriques. Dans la Section 3.2,
nous présentons la procédure d’estimation. Elle repose sur l’estimateur de Kaplan-Meier de la
fonction de répartition de la censure et sur l’estimateur semi-paramétrique (de type noyau) de
la densité conditionnelle de la variable réponse. Les résultats théoriques sont présentés dans
la Section 3.3. Dans la Section 3.4, nous donnons des résultats de simulation et d’étude sur
des données réelles. La Section 3.5 contient la preuve détaillée du Lemme principal qui nous
permet d’obtenir l’équivalence asymptotique, pour l’estimation de l’index, entre l’approche
semi-paramétrique et l’approche paramétrique.

3.2 Procédure d’estimation

3.2.1 Présentation générale

Dans ce chapitre, on s’intéresse à l’estimation de fY |X (x, y) qui représente la densité condi-

tionnelle de Y sachant X = x, évaluée au point y. Si on ne possède aucune information sur
fY |X , on a besoin d’estimer non paramétriquement cette fonction. On a vu dans le cas sans
censure, les méthodes à noyaux permettant cela (voir la Section 2.1). Cependant le fléau de
la dimension empêche d’utiliser cette approche dès que la dimension des covariables est trop
importante (d ≥ 4 en pratique). Dans le Chapitre 2, on présente une approche de type semi-
paramétrique qui semble être un bon compromis entre l’approche paramétrique qui impose
de fortes conditions sur le modèle et l’approche non paramétrique. Pour plus de clarté, on
rappelle ici le modèle à direction révélatrice unique que l’on va étudier :

∃θ0 ∈ Θ, fY |X (x, y) = fθ0 (θ00 x, y), (3.1)

où fθ (u, y) représente la densité conditionnelle de Y sachant θ0 X = u évaluée au point y. Pour

des problèmes d’identifiabilité, comme on l’a vu, on va imposer que la première composante de
θ0 soit égale à 0. En comparaison avec le modèle de Cox, notre modèle (3.1) est plus général
puisqu’il suppose seulement que la loi de Y sachant X dépend d’une combinaison linéaire des
covariables sans imposer de conditions supplémentaires sur le taux de hasard. Comme on l’a

77
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

dit, le modèle (3.1) a déjà été étudié par Delecroix et al. (2003) dans le cas sans censure.
Cependant on ne peut pas directement appliquer leurs résultats puisque les variables Y ne
sont pas toutes observées. Puisqu’on ne peut plus utiliser la fonction de répartition empirique,
on devra alors faire appel à l’estimateur de Kaplan-Meier, introduit dans la Section 1.2.3. Pour
pallier les problèmes d’estimation dans les queues de distribution on a vu qu’une solution était
de tronquer les variables Y . Dans la suite, on considèrera Aτ , une suite de compacts inclus dans
l’ensemble {t : τ1 ≤ t ≤ τ }, pour τ ≤ τ0 et où τ0 < τH . Ainsi, d’une part en ne considérant
que les observations de Aτ cela nous permet d’éviter les problèmes d’estimation de F̂X,Y dans
les queues de distribution. D’autre part, cette technique de troncation est particulièrement
adaptée à notre modèle. En effet, dans notre contexte, tronquer les observations n’ajoute
aucun biais dans l’estimation de θ0 , puisqu’on a sous l’hypothèse (3.1),

fYτ |X (x, y) = fθτ0 (θ00 x, y), (3.2)

où fYτ |X (x, y) représente la densité conditionnelle de Y sachant X = x et Y ∈ Aτ évaluée

au point y et fθτ (u, y) représente la densité conditionnelle de Y sachant θ0 X = u et Y ∈ Aτ
évaluée au point y. Par ailleurs il est important de remarquer que le paramètre θ0 est le même
dans (3.1) et dans (3.2). Dans la Section 3.2.4, nous présenterons alors une nouvelle méthode
permettant de choisir τ à partir des données pour améliorer la performance de notre estimateur
de θ0 .

3.2.2 Méthode d’estimation

Nous allons donc étendre au cas censuré la procédure d’estimation (2.11) développée par
Delecroix et al. (2003) et présentée au chapitre précédent (voir Section 2.2.2). On définit tout
d’abord, pour toute fonction J ≥ 0,
ZZ
Lτ (θ, J) = E log fθτ (θ0 X, Y )J(X)1Yi ∈Aτ = log fθτ (θ0 x, y)J(x)1y∈Aτ dFX,Y (x, y), (3.3)
 

où J représente notre fonction de trimming. Sous (3.2), θ0 maximise donc Lτ (θ, J) pour tout
τ < τ0 , ce maximum étant unique sous certaines conditions sur le modèle de régression et J.
Évidemment, puisque FX,Y et fθτ sont inconnus, nous allons devoir les estimer afin d’obtenir

78
 3.2 Procédure d’estimation

une version de empirique de Lτ (θ, J). On procède alors de la même façon que pour (2.11),
sauf qu’on va remplacer la fonction de répartition empirique par l’estimateur de Kaplan-Meier
puisque nos variables réponses sont censurées. Ainsi, en accord avec la définition (1.3) de
l’estimateur de Kaplan Meier en présence de covariables, on introduit à présent
ZZ
Lτn (θ, f τ , J) = log fθτ (θ0 x, y)J(x)1y∈Aτ dF̂X,Y (x, y)
n
X
= Win log fθτ (θ0 Xi , Ti )J(Xi )1Ti ∈Aτ ,
i=1

une version empirique de (3.3) dans le cas où {fθτ , θ ∈ Θ} serait connue. Finalement, puisque
cette famille de fonctions est inconnue, on estime fθτ par un estimateur à noyau, comme dans
(2.11). Encore une fois, la fonction de répartition empirique usuelle n’est pas directement
accessible et une solution consiste à utiliser l’estimateur de Kaplan-Meier à la place. Alors, on
définit tout d’abord pour un noyau K et une suite de fenêtres h,

θ0 x − θ0 v
   
y−w
ZZ
K K 1w≤τ dF̃X,Y (v, w)
h h
f˜θh,τ (θ0 x, y) =  0 (3.4)
θ x − θ0 v
ZZ 
h K 1w≤τ dF̃X,Y (v, w)
h

et enfin,

θ0 x − θ0 v
   
y−w
ZZ
K K 1w≤τ dF̂X,Y (v, w)
h h
fˆθh,τ (θ0 x, y) =  0 . (3.5)
θ x − θ0 v
ZZ 
h K 1w≤τ dF̂X,Y (v, w)
h

La quantité f˜θh,τ jouera un rôle important dans l’étude asymptotique de fˆθh,τ . En effet, la
Proposition 2.8 nous donne les propriétés de f˜θh,τ dont nous aurons besoin ici. Quant à fˆθh,τ ,
son étude est bien plus délicate, en particulier parce que cette quantité fait intervenir une
somme de termes non i.i.d. Ainsi, la difficulté majeure résidera dans l’étude de la différence
entre fˆh,τ et f˜h,τ . Pour plus de clarté, nous résumons à présent toutes les conditions que nous
utiliserons portant sur le noyau et la fenêtre.

Hypothèse 3.1. On suppose que,

79
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

(i) K est un noyau 2 fois différentiable et d’ordre 4 dont ses dérivées partielles d’ordre 0, 1
et 2 sont à variations bornées. Il est également à support compact, disons [−1/2, 1/2] et
R
R K(s)ds = 1,

(ii) κ := kKk∞ = supx∈R |K(x)| < ∞,

(iii) K := {K (x − ·)/h : h > 0, x ∈ Rd } est une classe de fonctions mesurables ponctuelle-

ment,

(iv) h ∈ Hn ⊂ [an−α , bn−α ] avec a, b ∈ R, 1/8 < α < 1/6 et où Hn est de cardinalité kn
satisfaisant kn n−4α → 0.

Quant à la fonction de trimming J, elle est définie de la même façon que dans la Section
2.2.2, en gardant les mêmes notations. Ainsi notre estimateur préliminaire sera défini par

θn = arg max Lτn (θ, fˆh0 , JB )

θ∈Θ

et notre estimateur final par

θ̂ = arg max Lτn (θ, fˆh , Jˆ0 ).

θ∈Θn

Par ailleurs Delecroix et al. (2006) ont montré que Jˆ0 est en fait équivalent à J0 ce qui nous
permettra de remplacer partout Jˆ0 par J0 . Comme on l’a déjà fait remarquer, l’estimation non
paramétrique repose fortement sur le choix de la fenêtre. Ainsi, il paraît très intéressant de
réussir à mettre en place une méthode qui sélectionne la fenêtre la plus adaptée à partir des
données. Nous détaillons cette méthode dans la section suivante.

3.2.3 Choix adaptatif de la fenêtre

Cette méthode d’estimation consiste donc à choisir à partir des données, pour chaque θ,
une fenêtre adaptée à l’estimation de fθτ . Pour cela, nous utilisons la version améliorée de cross
validation de Fan et Yim (2004) suivante :
n Z 
h,τ 0 h,τ 0
X
τ
ĥ (θ) = arg min Win 1Ti ∈Aτ ˆ 2 ˆ
fθ (θ Xi , w) dw − 2fθ (θ Xi , Ti ) . (3.6)
h∈Hn i=1 Aτ

80
 3.2 Procédure d’estimation

Ce critère est simplement une version empirique du critère ISE défini en (3.3) dans Fan et
Yim (2004) par Aτ {fˆθh,τ (θ0 x, y) − fθτ (θ0 x, y)}2 fθ0 X (θ0 x)dxdy, adaptée à notre contexte de
R R

données censurées. On obtient alors un estimateur de θ avec une fenêtre adaptative défini par

θ̂τ (ĥ) = arg max Lτn (θ, fˆĥ,τ , Jˆ0 ). (3.7)

θ∈Θn

Dans les notations ci-dessus, par souci de simplicité, nous n’avons pas mis en avant le fait que
ĥ dépend à la fois de θ et de τ . A présent, nous nous intéressons au choix du paramètre de
troncation. Comme pour la fenêtre, nous avons mis en place une méthode adaptative de choix
de τ , c’est à dire une méthode de choix à partir des données.

3.2.4 Choix adaptatif de la borne de troncation

Comme nous l’avons déjà mentionné à plusieurs reprises, l’estimateur de Kaplan Meier se
comporte mal dans les queues de distribution. Nous avons vu entre autres, que si la condition
√
de moment (1.4) n’était pas satisfaite, il n’était même pas n consistant. Par ailleurs même
sous (1.4), il peut arriver, à distance finie par exemple, que les poids Wi,n correspondant aux
plus grandes observations soient trop importants et influencent considérablement la procédure
d’estimation. Pour y remédier, nous avons donc choisi d’utiliser une borne de troncation.
Cependant, même s’il existe de nombreuses méthodes utilisant ce type de troncation, elles ne
donnent pas de procédures de choix de τ .
Nous proposons de choisir ce paramètre à partir des données de la façon suivante. On note
h i
E 2 (τ ) = lim sup E kθ̂τ (ĥτ ) − θ0 k2
n→∞

l’erreur quadratique de θ̂τ (ĥ) et on suppose qu’on a un estimateur consistant Ê 2 (τ ) de cette

quantité, c’est à dire tel que
P
sup |Ê 2 (τ ) − E 2 (τ )| −→ 0.
τ1 ≤τ ≤τ0

C’est un estimateur de ce type que l’on propose à la Section 3.4. À l’aide de cet estimateur
empirique, on décide de choisir τ de la façon suivante :

τ̂ = arg min Ê 2 (τ ).
τ1 ≤τ ≤τ0

81
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

Notre estimateur final de θ0 sera donc construit à partir d’une fenêtre adaptative et d’un choix
adaptatif du paramètre de troncation. Pour simplifier les notations, on le notera

θ̂ = θ̂τ̂ (ĥ).

Comme on l’a dit précédemment, tronquer nos observations ne rajoute pas de biais dans l’es-
timation de θ0 . Par contre, si on enlève trop de points on risque d’augmenter grandement la
variance tandis que si on enlève que quelques points correspondant aux plus grandes observa-
tions cela devrait la diminuer. C’est pourquoi notre méthode de sélection de τ est basée sur
l’estimation de la variance de θ̂ et consiste à trouver le meilleur compromis parmi ces deux
aspects.

3.3 Résultats asymptotiques

3.3.1 Consistance de θ̂

Nous donnons tout d’abord les hypothèses portant sur le modèle permettant d’obtenir la
consistance de θ̂. Évidemment, puisque nos variables sont censurées on supposera dans toute
la suite qu’on est sous les Hypothèses 1.1 et 1.2. En plus de ces hypothèses, on doit rajouter
des conditions d’identifiabilité sur le modèle. Dans ce paragraphe, on simplifiera les notations
en écrivant supx,y,h,τ,θ pour désigner le supremum sur x ∈ X , y ∈ Y, h ∈ Hn , τ1 ≤ τ ≤ τ0 et
θ ∈ Θ.

Hypothèse 3.2. On suppose que pour tout τ1 ≤ τ ≤ τ0 et tout θ ∈ Θ − {θ0 },

Lτ (θ0 , JB ) − Lτ (θ, JB ) > 0.

Hypothèse 3.3. On suppose que pour tout θ1 , θ2 ∈ Θ, γ > 0, x ∈ X , y ∈ Y et pour une

fonction Φ telle que E [Φ(X, Y )] < +∞, on a

sup |fθτ1 (θ10 x, y) − fθτ2 (θ20 x, y)| ≤ kθ1 − θ2 kγ Φ(x, y).

τ

82
 3.3 Résultats asymptotiques

Théorème 3.1. Sous les Hypothèses 3.2 and 3.3, on a

sup Lτn (θ, fˆh0 ,τ , JB ) − Lτ (θ, JB ) = oP (1), (3.8)

τ,θ

et donc
P
θn −→ θ0 .

Démonstration. Pour montrer (3.8), on procède en deux étapes. On considère tout d’abord la
partie paramétrique Lτn (θ, f τ , JB )−Lτ (θ, JB ). D’après l’Hypothèse 3.3, la famille {log(fθτ (θ0 ·, ·)),
θ ∈ Θ, τ1 ≤ τ ≤ τ0 } est Glivenko-Cantelli et donc le Théorème 1.6 nous donne :

P
sup Lτn (θ, f τ , JB ) − Lτ (θ, JB ) −→ 0.
τ,θ

On étudie ensuite Lτn (θ, fˆh0 ,τ , JB ) − Lτn (θ, f τ , JB ). En utilisant l’inégalité des accroissements
finis, il existe un c > 0 tel que pour tout x, y, θ,

log fˆθh0 ,τ (θ0 x, y) − log fθτ (θ0 x, y) JB (x) ≤ c−1 fˆθh0 ,τ (θ0 x, y) − fθτ (θ0 x, y) JB (x).

Ainsi,

sup |Lτn (θ, fˆh0 ,τ , JB ) − Ln (θ, f τ , JB )|

τ,θ
ZZ
≤ c−1 sup |fˆθh0 ,τ (θ0 x, y) − fθτ (θ0 x, y)|JB (x)1y∈Aτ dF̂ (x, y)
x,y,τ,θ

≤ c−1 sup |fˆθh0 ,τ (u, y) − fθτ (u, y)|JB (x)1y∈Aτ .

θ,y,u,τ

En utilisant le résultat de convergence uniforme de fˆθh,τ obtenu dans la Proposition 3.7, on en

déduit donc
sup Lτn (θ, fˆh0 ,τ , JB ) − Lτn (θ, f τ , JB ) −→ 0.
P
θ,τ

3.3.2 Normalité asymptotique de θ̂

On commence par rappeler les Théorèmes 1 et 2 de Sherman (1994). Ces deux résul-
tats vont nous permettre d’obtenir la normalité asymptotique de θ̂ à condition d’obtenir une

83
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

décomposition adéquate de Lτn (θ, fˆh,τ , Jˆ0 ) − Lτ (θ, J0 ). Pour cela introduisons Γ et Γn , deux
fonctions qui ont respectivement pour maximum θ0 et θn . Le premier théorème va nous donner
la n-consistance de θn vers θ0 sous l’hypothèse que θn converge vers θ0 en probabilité. Combiné
avec le deuxième théorème, on obtient alors la convergence en loi de θn − θ0 vers une variable
aléatoire gaussienne. Dans ce paragraphe, les supremum sur θ seront maintenant pris pour
θ ∈ Θn . Les notations concernant les supremum sur les autres variables restent inchangées.

Théorème 3.2. On suppose que θn maximise Γn (θ) et θ0 maximise Γ(θ). On suppose égale-
ment que θn converge en probabilité vers θ0 et que

(i) il existe un voisinage N de θ0 et une constante η > 0 tels que

Γ(θ) ≤ −η(θ − θ0 )0 (θ − θ0 )

pour tout θ ∈ N ,

(ii) uniformément sur un oP (1)-voisinage de θ0 ,

Γn (θ) = Γn (θ0 ) + Γ(θ) + (θ − θ0 )0 Q1n (θ) + (θ − θ0 )0 Q2n (θ)(θ − θ0 ) + Q3n (θ) − Γ(θ0 ), (3.9)

où supθ Q1n (θ) = OP (n−1/2 ), supθ Q2n (θ) = oP (1) et supθ Q3n (θ) = OP (n−1 ). Alors

θn − θ0 = OP (n−1/2 ).

√
Une fois obtenue la n-consistance de θn le deuxième théorème nous donne alors la conver-
gence en loi de θn − θ0 sous réserve d’avoir une bonne approximation quadratique de Γn dans
un OP (n−1/2 )-voisinage de θ0 .
√
Théorème 3.3. On suppose que θn est n-consistant pour θ0 et que uniformément sur les
OP (n−1/2 )-voisinages de θ0 ,

1 1
Γn (θ) = Γn (θ0 ) + (θ − θ0 )0 V θ + √ (θ − θ0 )0 Wn + oP (n−1 ), (3.10)
2 n

où V est une matrice définie négative et Wn converge en loi vers un vecteur aléatoire de loi
N (0, ∆). Alors,
θn − θ0 = −n−1/2 V −1 Wn + Rn (θ),

84
 3.3 Résultats asymptotiques

où supθ Rn (θ) = oP (n−1/2 ) et donc

√ L
n(θn − θ0 ) −→ N (0, V −1 ∆V −1 ).

Hypothèse 3.4. On suppose que pour tout θ1 , θ2 ∈ Θ, pour une fonction Φ telle que
kΦk∞ < +∞, pour γ > 0, x ∈ X et y ∈ Y, on a

supk∇2θ fθτ1 (x, y) − ∇2θ fθτ2 (x, y)k ≤ kθ1 − θ2 kγ Φ(x, y).
τ

Remarque. Cette hypothèse nous donne également les inégalités suivantes, obtenues par le
théorème des accroissements finis :

supk∇θ fθτ1 (x, y) − ∇θ fθτ2 (x, y)k ≤ kθ1 − θ2 kM

τ

et
supkfθτ1 (x, y) − fθτ2 (x, y)k ≤ kθ1 − θ2 kM 0 ,
τ

pour 0 < M, M 0 < +∞. On utilisera souvent ces inégalités dans la Section 3.5 en faisant
référence à l’Hypothèse 3.4.
Pour obtenir la normalité asymptotique de notre estimateur, on a besoin également de
rajouter des hypothèses de régularité sur notre modèle. Dans la suite, comme dans Van der
Vaart et Wellner (1996), C α (A, M ) désignera l’ensemble de toutes les fonctions définies sur
un ensemble borné A de Rd dont toutes les dérivées partielles jusqu’à l’ordre α (le plus grand
entier plus petit que α) sont uniformément bornées et dont la dérivée partielle de plus grand
ordre est Lipschitz d’ordre α − α (voir page 154 de Van der Vaart et Wellner (1996)). D’un
point de vu plus formel, définissons k = (k1 , . . . , kd ) les d entiers de l’opérateur différentiel,

∂ k.
Dk = ,
∂xk11 · · · ∂xkdd
P
où k. = ki . Pour toute fonction g : A 7→ R, on définit la norme

|Dk g(x) − Dk g(y)|

kgkC α = max sup |Dk g(x)| + max sup .
k. ≤α x k. =α x,y,x6=y kx − ykα−α

L’ensemble C α (A, M ) représente alors l’ensemble de toutes les fonctions continues g de A dans
R telles que kgkC α ≤ M .

85
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

L’intérêt de ces classes de fonctions réside alors dans les bornes sur leurs covering number
ou bracketing number qui nous assurent qu’elles sont Donsker (voir Van der Vaart et Wellner
(1996)). Elles possèdent également des propriétés de stabilité nous permettant d’affirmer que
la deuxième classe de fonctions présentée ci-dessous est Donsker.

Hypothèse 3.5. Soient

H1 = C 1+δ (θ00 X × Aτ , M ),

H2 = xC 1+δ (θ00 X × Aτ , M ) + C 1+δ (θ00 X × Aτ , M ).

On suppose que fθτ0 (·, ·) ∈ H1 (en tant que fonction de θ00 x et y) et ∇θ fθτ0 (·, ·) ∈ H2 .

Nous montrons alors, dans la Proposition 3.10, que les estimateurs de fθτ0 et de ∇θ fθτ0
appartiennent également respectivement à H1 et H2 .
Rappelons également une propriété intéressante des classes de Donsker que nous utilise-
rons pour nos classes de fonctions de H1 et H2 . Soient W1 , . . . , Wn , n variables aléatoires
indépendantes et de même loi que W ∈ θ00 X × Aτ . On définit le processus empirique Gn par
n
1 X  
Gn (g) = √ g(Wi ) − E g(W ) ,
n
i=1

et la seminorme ρP par
p
ρP (g) = Var g(W ),

pour toute fonction g de H1 ou H2 . Les classes de Donsker ne vérifient pas seulement un

théorème central limite, elles imposent également que le processus Gn soit asymptotiquement
tendu. C’est cette caractérisation des classes de Donsker qui permet d’obtenir la propriété
d’équicontinuité suivante. Pour tout ε > 0, on a :
!
lim lim sup P sup |Gn (g1 − g2 )| > ε = 0. (3.11)
δ→0 n→∞ ρP (g1 −g2 )<δ

Nous ferons ainsi souvent référence, dans la preuve du Lemme principal, à la propriété
d’équicontinuité (3.11) vérifiée par les classes de fonctions H1 et H2 .

86
 3.3 Résultats asymptotiques

Si la famille de fonctions fθτ était connue, on serait dans un cadre paramétrique et la

normalité asymptotique de θ̂ pourrait s’obtenir facilement en utilisant les résultats sur les
intégrales Kaplan-Meier de la Section 1.5, de la même manière que dans Stute (1999) ou
Delecroix et al. (2008). A l’aide de ces résultats nous obtenons donc le lemme suivant qui
nous permet d’obtenir la normalité asymptotique de θ̂ dans le cas paramétrique, à partir des
Théorèmes 3.2 et 3.3. On introduit au préalable la fonction ψ définie pour toute fonction ϕ
par
ψ(δ, X, T ; ϕ) = δγ0 (T )ϕ(X, T ) + (1 − δ)γ1 (T ) − γ2 (T ),

où γ0 ,γ1 et γ2 sont définis dans la Section 1.4.1.

Lemme 3.4. Sous les Hypothèse 3.4 et 3.5, on a la représentation suivante :

(i) sur les oP (1)− voisinages de θ0 ,

Lτn (θ, f τ , J0 ) = Lτ (θ, J0 ) + (θ − θ0 )0 T1n (θ) + (θ − θ0 )0 T2n (θ)(θ − θ0 ) + T3n (θ0 ),

où supθ,τ |T1n | = OP (n−1/2 ), supθ,τ |T2n | = oP (1) et T3n (θ0 ) = Lτn (θ0 , f τ , J0 )−Lτ (θ0 , J0 ).

(ii) sur les OP (n−1/2 )− voisinages de θ0 ,

1
Lτn (θ, f τ , J0 ) = Lτn (θ0 , f τ , J0 ) + n−1/2 (θ − θ0 )0 Wn,τ − (θ − θ0 )0 Vτ (θ − θ0 ) + T4n (θ),
2
−1
où supθ,τ |T4n | = oP (n−1 ), f1 (x, y) = fθτ0 (θ00 x, y)J0 (x, c)∇θ fθτ0 (x, y),
n
1 X
Wn,τ = √ ψ(δi , Xi , Ti ; f1 1Aτ ) et
n
i=1
h −2 i
Vτ = E fθτ0 (θ00 X, Y )J0 (X, c)∇θ fθτ0 (X, Y )∇θ fθτ0 (X, Y )0 1Y ∈Aτ .

Démonstration. Un développement de Taylor en θ0 de Lτn (θ, f τ ) nous donne :

Lτn (θ, f τ , J0 ) = Lτn (θ0 , f τ , J0 ) + (θ − θ0 )0 ∇θ Lτn (θ, f τ , J0 )|θ=θ0

1
+ (θ − θ0 )0 ∇2θ Lτn (θ, f τ , J0 ) θ=θ̃
(θ − θ0 ), (3.12)
2

pour θ̃ compris entre θ et θ0 .

87
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

Pour prouver (i), on fait le même développement de Taylor pour Lτ (θ, J0 ). Alors, le terme

∇θ Lτn (θ, f τ , J0 )|θ=θ0 − ∇θ Lτ (θ, f τ , J0 )|θ=θ0

n
!
X
= Win ∇θ log fθτ0 (Xi , Ti )J0 (Xi )1Ti ∈Aτ − E [∇θ log fθτ0 (X, Y )J0 (X)1Y ∈Aτ ] (3.13)
i=1

est bien un OP (n−1/2 ) d’après le Théorème 1.7, puisque la classe de fonctions

{(x, y) 7→ ∇θ log fθτ0 (x, y)J0 (x)1Ti ∈Aτ } est une VC classe d’après l’Hypothèse 3.5. Pour le
gradient d’ordre deux, on écrit
 
∇2θ Lτn (θ, f τ , J0 ) θ=θ̃ = ∇2θ Lτn (θ, f τ , J0 ) θ=θ̃
− ∇2θ Lτn (θ, f τ , J0 ) θ=θ0
+ ∇2θ Lτn (θ, f τ , J0 ) θ=θ0

(3.14)
et le premier terme tend vers 0 puisque θ̃ est dans un oP(1) voisinage de θ0 . On fait la même
chose pour Lτ (θ, f τ , J0 ) et on applique le même raisonnement que pour (3.13) pour le gradient
d’ordre deux pris en θ0 , puisque la classe de fonctions {(x, y) 7→ ∇2θ log fθτ0 (x, y)J0 (x)1Ti ∈Aτ }
est également une VC classe d’après les Hypothèses 3.4 et 3.5.

Pour prouver (ii), on reprend la décomposition (3.12) et en utilisant encore le Théorème

1.7, on trouve
n
1X
∇θ Lτn (θ, f τ , J0 )|θ=θ0 = ψ(δi , Xi , Ti ; f1 1Aτ ) + Rn (f1 1Aτ ),
n
i=1

où supf1 ,τ Rn (f1 1Aτ ) = OP (n−1 (log n)3 ), ce qui nous donne bien le terme n−1/2 (θ − θ0 )0 Wn,τ ,
(θ − θ0 )0 Rn (f1 1Aτ ) étant un oP (n−1 ) uniformément en θ et τ . Pour le gradient d’ordre deux,
en écrivant (3.14), on observe que le premier terme est un oP (n−1 ) puisque cette fois on est
sur des OP (n−1/2 ) -voisinages de θ0 . Pour ∇2θ Lτn (θ, f τ , J0 ) θ=θ0
, on applique encore une fois
le Théorème 1.7 : le premier terme de cette décomposition converge bien vers Vτ tandis que
les autres (ceux faisant intervenir γ1 , γ2 ainsi que le reste) convergent vers 0 et en utilisant le
fait que kθ − θ0 k2 = OP (n−1 ), on obtient bien que ces termes sont uniformément en θ et τ des
oP (n−1 ).

Dans le théorème suivant, on montre que notre estimateur semi-paramétrique θ̂ a la même

loi asymptotique que dans le cas purement paramétrique.

88
 3.3 Résultats asymptotiques

Théorème 3.5. Soit τ ∗ = arg minτ E 2 (τ ). Sous les Hypothèses 3.1 à 3.5, on a la représenta-
tion i.i.d. asymptotique suivante :
1
θ̂ − θ0 = − Vτ−1
∗ Wn,τ ∗ + oP (n
−1/2
), (3.15)
n1/2
où Vτ et Wn,τ sont définis au Lemme 3.4. En conséquence,

L
n1/2 (θ̂ − θ0 ) −→ N (0, Στ ∗ )

où Στ ∗ = Vτ−1 −1


∗ ∆τ ∗ (f1 )Vτ ∗ , ∆τ ∗ (f1 ) = Var ψ(δ, X, T ; f1 1Aτ ∗ ) et f1 est défini au Lemme 3.4.

Ce théorème est une conséquence du Lemme principal énoncé ci-dessous. Il montre qu’asymp-
totiquement, maximiser Lτn (θ, fˆh,τ , J) est équivalent à maximiser Lτn (θ, f τ , J).

Lemme principal . Sous les Hypothèses 3.1 à 3.5,

Lτn (θ, fˆh,τ , Jˆ0 ) = Lτn (θ, f τ , J0 ) + (θ − θ0 )0 Rn (θ, h, τ ) + (θ − θ0 )0 Qn (θ, h, τ )(θ − θ0 ) + L̃τn (θ0 ),

où

sup Rn (θ, h, τ ) = oP (n−1/2 ),

θ,h,τ

sup Qn (θ, h, τ ) = oP (1)

θ,h,τ

et
L̃τn (θ0 ) = Aτ1n (θ0 , fˆh,τ ) − B2n
τ
(θ0 , fˆh,τ ),

Aτ1n (θ0 , fˆh,τ ) et B2n

τ (θ , fˆh,τ ) étant définis dans la preuve de ce lemme.
0

En vue des Théorèmes 3.2 et 3.3, ce résultat, combiné avec le Lemme 3.4 va nous per-
mettre d’obtenir la vitesse de convergence de notre estimateur. On obtient ainsi la même loi
asymptotique que dans le cas paramétrique.

Preuve du Théorème 3.5. Soient

Γ0n (θ, τ, h) = Lτn (θ, fˆh,τ , Jˆ0 ),

Γ1n (θ, τ ) = Lτn (θ, fˆĥ,τ , Jˆ0 ) et

Γ2n (θ) = Lτ̂n (θ, fˆĥ,τ̂ , Jˆ0 ).

89
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

On applique à présent les Théorèmes 3.2 et 3.3 à Γin , pour i = 0, 1, 2. Du Lemme principal et
de (i) du Lemme 3.4 découlent une représentation asymptotique similaire à (3.9) du théorème
3.2. On en déduit ainsi la OP (n−1/2 )− consistance de θ̂. Le Lemme principal et (ii) du Lemme
3.4 nous permettent alors d’obtenir une représentation asymptotique de type (3.10), ce qui
nous donne donc
1
θ̂ − θ0 = − Vτ−1 Wn,τ + Rn,τ (θ), (3.16)
n1/2
où supθ,τ Rn,τ (θ) = oP (n−1/2 ). On a en particulier la représentation (3.15) et le théorème
central limite.

3.4 Simulations et étude de données réelles

3.4.1 Implémentation pratique du choix adaptatif de τ

On part de la représentation (3.16). Comme dans la Section 1.4.1, la fonction ψ du Lemme

3.4 peut s’estimer à partir des données de la façon suivante :

ψ̂(T, δ, X; fˆ1 ) = δγ0n fˆ1 (X, T ) + γ1n (Ti )(1 − δi ) − γ2n (Ti ),

où γ0n ,γ1n et γ2n sont définis en (1.8) et fˆ1 est notre estimateur à noyau de f1 , c’est à dire
−1
fˆ1 (x, y) = fˆθ̂τ (θ̂0 x, y)Jˆ0 (x, c)∇θ fˆθ̂τ (x, y) . Ainsi,

n
1 X
Ŵn,τ = √ ψ̂(Ti , δi , Xi ; fˆ1 ).
n
i=1

Pour obtenir un estimateur consistant de ∆(f1 ), on utilise la technique générale de Stute

(1996),
n
" n
#⊗2
ˆ τ (fˆ1 ) = 1 X 1 X
∆ ψ̂(Zi , δi , Xi ; fˆ1 ) − ψ̂(Zi , δi , Xi ; fˆ1 ) , (3.17)
n n
i=1 i=1

où ⊗2 représente le produit de la matrice avec sa transposée. On alors l’estimateur consistant

de Vτ suivant
ZZ
−2
V̂τ = fˆh,τ (y, θ̂0 x)Jˆ0 (x, c)∇θ fˆh,τ (y, x)∇θ fˆh,τ (y, x)0 1y∈Aτ dF̂ (x, y).
θ̂ θ̂ θ̂

90
 3.4 Simulations et étude de données réelles

Finalement, pour estimer le risque quadratique on prend

1 0 ˆ −1 ˆ −1
Êτ2 = Ŵ Vτ Vτ Ŵn,τ .
n n,τ

3.4.2 Simulations

Pour vérifier le comportement de notre estimateur de θ0 à distance finie, on présente ici

des simulations. Notre modèle, basé sur celui de Delecroix et al. (2003) est le suivant :

Yi = θ00 Xi + εi , i = 1, . . . , n,

où Yi ∈ R, θ0 = (1, 0.5, 1.4, 0.2)0 et Xi ∼ ⊗4 {0.2 N (0, 1) + 0.8 N (0.25, 2)}. Les erreurs εi sont
centrées de loi normale de variance conditionnelle égale à |θ00 X|. On a pris le noyau d’ordre 4

K(u) = 2k(u) − k ∗ k(u),

où ∗ représente ici le produit de convolution et

3
k(u) = (1 − u2 )1|u|≤1
4

est le noyau d’Epanechnikov. Les censures suivent une loi exponentielle de paramètre λ. Ce
paramètre est choisi pour fixer le taux de censures : on étudie d’abord notre modèle pour
p = 25% de données censurées puis pour p = 40%. ĥ est choisi suivant une grille régulière
entre 1 et 1.5, en utilisant notre critère (3.6).
On compare alors notre estimateur θ̂τ̂ avec deux autres estimateurs : θ̂∞ qui représente
notre estimateur de θ0 sans troncation des données (donc sans choix de τ ) et θ̂ADE qui est
l’estimateur de Lu et Burke (2005) obtenu par la méthode ADE (voir la Section 2.2.1 pour des
rappels sur cette méthode d’estimation). Dans le tableau ci-dessous, on a reporté nos résultats
sur 100 simulations d’échantillons de taille 100 et 200, pour deux proportions de censure.
On rappelle que, pour que notre modèle soit identifiable, on a dû imposer que la première
composante de θ0 soit égale à 1. Cela signifie donc que l’on doit seulement estimer les trois
autres composantes de θ0 . Pour chacun de ces estimateurs, on décompose l’erreur quadratique
(notée MSE) E (kθ̂ − θ0 k2 ) entre biais et variance.

91
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

p = 25%, n = 100 Biais Variance MSE

   
−0.112 0.14 0.005 −0.022
   
θ̂ADE  −0.551  0.6714181
   
 0.005 0.075 0.016 
   
−0.155 −0.022 0.016 0.116
   
0.057 0.033 0.012 0.001
   
θ̂∞  0.012 0.073 −0.004  0.1841227
   
 0.215 
   
0.048 0.001 −0.004 0.027
   
0.07 0.034 0.002 0.002
   
θ̂τ̂ 0.1825980
   
 0.221   0.002 0.074 0 
   
0.028 0.002 0 0.02

Tab. 3.1 – Biais, variances et erreurs quadratiques pour 25% de censure et des échantillons
de taille 100.

p = 40%, n = 100 Biais Variance MSE

   
−0.334 0.159 0.009 −0.014
   
θ̂ADE  −0.743  1.280163
   
 0.009 0.268 0.048 
   
−0.158 −0.014 0.048 0.165
   
0.127 0.11 −0.034 −0.01
   
θ̂∞  −0.034 0.3829797
   
 0.296  0.101 0.021 
   
0.096 −0.01 0.021 0.059
   
0.074 0.064 −0.005 −0.004
   
θ̂τ̂  −0.005 0.2239023
   
 0.176  0.051 0.014 
   
0.061 −0.004 0.014 0.069

Tab. 3.2 – Biais, variances et erreurs quadratique pour 40% de censure des échantillons de
taille 100.

92
 3.4 Simulations et étude de données réelles

p = 25%, n = 200 Biais Variance MSE

   
−0.189 0.096 0.003 0.006
   
θ̂ADE  −0.578  −0.016  0.7620268
   
 0.003 0.148
   
−0.133 0.006 −0.016 0.131
   
0.073 0.033 0.004 −0.004
   
θ̂∞ 0.0910719
   
 0.133   0.004 0.023 0.002 
   
0.015 −0.004 0.002 0.012
   
0.034 0.007 0.001 0.004
   
θ̂τ̂ 0.0364064
   
 0.107   0.001 0.011 0 
   
0.014 0 0 0.006

Tab. 3.3 – Biais, variances et erreurs quadratiques pour 25% de censure et des échantillons
de taille 200.

p = 40%, n = 200 Biais Variance MSE

   
−0.109 0.146 −0.02 0.056
   
θ̂ADE  −0.763   −0.02 0.143 −0.014  1.078027
   
   
−0.053 0.056 −0.014 0.192
   
0.104 0.109 0.008 0.042
   
θ̂∞ 0.2521227
   
 0.151   0.008 0.049 0.003 
   
0.077 0.042 0.003 0.055
   
0.043 0.018 −0.001 0.002
   
θ̂τ̂  −0.001 0.022 0.002  0.07533921
   
 0.14 
   
0.021 0.002 0.002 0.014

Tab. 3.4 – Biais, variances et erreurs quadratiques pour 40% de censure et des échantillons
de taille 200.

93
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

Pour avoir une idée précise du nombre d’observations que l’on retire de l’étude quand on
choisit τ de façon adaptative, on introduit N = card{1 ≤ i ≤ n, Ti ≤ τ̂ }. Dans le tableau
suivant, on a calculé E [N ] pour chaque cas considéré dans nos simulations. On a également
relevé le poids moyen accordé à la plus grande observation (non censurée), tout d’abord dans
le cas non tronqué (représenté par Poids∞ ), où l’on considère l’ensemble des données puis
dans le cas tronqué où l’on a enlevé toutes les observations telles que Ti ≥ τ̂ (représenté par
Poidsτ̂ ).

Ê(N ) Poids∞ Poidsτ̂

n = 100, p = 25% 90 0.0667 0.0204

n = 100, p = 40% 87 0.124 0.0236
n = 200, p = 25% 185 0.0402 0.0119
n = 200, p = 40% 172 0.0997 0.0122

Tab. 3.5 – Dernière observation dans le modèle tronqué et poids accordé à la plus grande
observation dans chaque cas.

Clairement l’erreur quadratique est de plus en plus grande quand on augmente le taux de
censure. Par ailleurs, θ̂τ̂ et θ̂∞ semblent bien plus performant que θ̂ADE , tandis que, comme
attendu, choisir τ de façon adaptative améliore notre qualité d’estimation. Cela ne semble
pas flagrant dans le cas où l’on a 25% de censure. Cependant, si on augmente le taux de
censure, l’estimation des queues de distribution par l’estimateur de Kaplan-Meier devient plus
imprévisible et la borne de troncation semble alors jouer un rôle réellement important. Cela
apparaît de façon significative quand on regarde la différence des erreurs quadratiques entre
θ̂τ̂ et θ̂∞ . On voit également l’importance de la borne de troncation en regardant le Tableau
3.5. Pour 40 % de censure, en l’absence de borne de troncation, le poids accordé à la plus
grande observation est en moyenne 10 fois plus grand que le poids accordé à la plus grande
observation dans le cas tronqué. Ce rapport est moins important pour 25 % de censure : il est
environ égal à 3. Ainsi, quand on considère le jeux de données dans sa totalité, il semble que

94
 3.4 Simulations et étude de données réelles

le poids accordé par la plus grande observation ait une trop grande influence sur l’estimation
de θ0 , ce qui explique les différences de performance entre θ̂τ̂ et θ̂∞ .

3.4.3 Un exemple sur un jeu de données réelles : les greffes de coeur à

Stanford

On donne à présent une illustration de notre méthode d’estimation sur des greffes de coeur
à Stanford. Ce jeu de données a été initialement étudié par Miller et Halpern (1982). Dans
ce programme, 184 patients sur 249 ont subi une greffe de coeur entre octobre 1967 et février
1980. La variable réponse Z représente les durées de vie et le vecteur X contient l’âge et
le carré de l’âge de chaque patient. Les patients en vie après le mois de février 1980 sont
considérés censurés. Pour pouvoir comparer avec les travaux précédents sur ce jeu de données,
on s’intéresse uniquement aux 157 patients sur les 184 qui n’ont pas rejeté la greffe. Parmi ces
157 patients, 55 ont été censurés. Différentes méthodes d’estimation ont déjà été utilisées sur
ce jeu de données pour estimer le modèle de régression suivant

Z = α + β 0 X + ε(X), (3.18)

où β = (β1 , β2 )0 , E [ε(X)|X] = 0, voir Miller et Halpern (1982), Wei et al. (1990) et Stute
et al. (2000). De plus, en utilisant des tests d’ajustement Stute et al. (2000) et Lopez et Patilea
(2009) ont montré que le modèle (3.18) semblait en accord avec les données. Il semble donc
pertinent de tester notre modèle sur ce jeu de données : il renforce ainsi l’hypothèse sur les
résidus en supposant que ε(X) = ε(θ00 X), où θ0 = (1, β2 /β1 )0 , mais en même temps il accorde
plus de flexibilité sur la fonction de régression. Dans le tableau suivant, on donne la valeur
de nos estimateurs de β2 /β1 que l’on compare aux estimateurs de Miller et Halpern (1982) et
de Stute et al. (2000). Comme précédemment, on a tout d’abord calculé θ̂∞ , notre estimateur
de θ0 qui prend en compte toutes les observations, puis θ̂τ̂ , celui obtenu par troncation, où
τ̂ a été choisi de façon adaptative comme expliqué dans la Section 3.4.1. Pour ce deuxième
estimateur, on trouve τ̂ = T(90) ; cela signifie qu’on a retiré les 67 plus grandes observations
pour estimer θ0 (mais pas sur les poids de l’estimateur de Kaplan-Meier que l’on a calculés

95
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

en prenant en compte toutes les observations). On a également calculé Poids∞ = 0.0397 et

Poidsτ̂ = 0.0076. La fenêtre adaptative est égale à 1.7 pour θ̂∞ et 1.3 pour θ̂τ̂ . Les erreurs
2 = 0.1089375 et E 2 = 0.01212701 pour
quadratiques estimées sont égales respectivement à E∞ τ̂

θ̂∞ et θ̂τ̂ .

Estimator of θ0,2 = β2 /β1

Miller and Halpern -0.01588785

Wei et al. 63.75
Stute et al. -0.01367034
θ̂∞ (without adaptive choice of τ ) -0.07351351
θ̂τ̂ (with adaptive choice of τ ) -0.0421508

Tab. 3.6 – Comparaison de différents estimateurs de θ0,2 .

Nos estimateurs semblent donc relativement proches de ceux obtenus par Miller et Halpern
(1982) et Stute et al. (2000) obtenus respectivement à partir de la méthode Buckley-James
et de la méthode basée sur les intégrales Kaplan-Meier integrals pour le modèle de régression
linéaire.

3.5 Preuve du Lemme principal

Tout d’abord, on applique les même arguments que dans Delecroix et al. (2006) pour
remplacer Jˆ0 by J0 . On définit alors Jθ (x, c) = 1fθ0 X (θ0 x)≥c . L’Hypothèse 3.3 sur la densité de
θ0 x nous permet alors, sur une suite de voisinages décroissants de θ0 , de remplacer J0 (x, c)
par Jθ (x, c/2). On rappelle qu’ici supx,y,h,τ,θ désigne le supremum sur x ∈ X , y ∈ Y, h ∈ Hn ,

96
 3.5 Preuve du Lemme principal

τ1 ≤ τ ≤ τ0 et θ ∈ Θn . En utilisant un développement de Taylor, on a

n
!
X ˆh,τ (θ0 Xi , Ti )
f
Ln (θ, fˆ , J0 ) − Ln (θ, f , J0 ) =
τ h,τ τ τ
δi Win 1Zi ∈Aτ log θ
J0 (Xi , c)
fθτ (θ0 Xi , Ti )
i=1
 
n δi Win 1T ∈A ˆh,τ (θ0 Xi , Ti ) − f τ (θ0 Xi , Ti ) J0 (Xi , c)
f
X i τ θ θ
= τ 0
fθ (θ Xi , Ti )
i=1
 2
n δi Win 1T ∈A ˆh,τ (θ0 Xi , Ti ) − f τ (θ0 Xi , Ti ) J0 (Xi , c)
f
X i τ θ θ
− h,τ
i=1 φ(fθ (θ Xi , Ti ), fˆθ (θ0 Xi , Ti ))2
τ 0

=: Aτ1n (θ, fˆh,τ ) − B1n

τ
(θ, fˆh,τ ),

où φ(fθτ (θ0 Xi , Ti ), fˆθh,τ (θ0 Xi , Ti )) est entre fˆθh,τ (θ0 Xi , Ti ) et fθτ (θ0 Xi , Ti ).
Première étape. On étudie tout d’abord Aτ1n . Un développement de Taylor appliqué en
θ0 nous donne la décomposition suivante,
 
ˆ h,τ 0 τ (θ 0 X , T ) J (X , c)
n W 1 f
X in Ti ∈Aτ θ0 0 i i (θ X , T ) − fθ0 0 i i 0 i
Aτ1n (θ, fˆh,τ ) = τ 0
fθ (θ Xi , Ti )
i=1
n
Win 1Ti ∈Aτ ∇θ fˆθh,τ τ (X , T ) J (X , c/2)


0
X
0
(X i , Ti ) − ∇ θ fθ 0 i i θ i
+(θ − θ0 )
fθτ (Ti , θ0 Xi )
i=1
X Win 1Ti ∈Aτ ∇2θ fˆh,τ (Xi , Ti ) − ∇2θ f τ (Xi , Ti ) Jθ (Xi , c/2)
" n
#
0 θ̃ θ̃
+(θ − θ0 ) (θ − θ0 )
2fθτ (θ0 Xi , Ti )
i=1

pour θ̃ entre θ et θ0 . On remplace alors θ par θ0 dans le premier terme de la façon suivante
 
n Win 1T ∈A ˆh,τ (θ0 Xi , Ti ) − f τ (θ0 Xi , Ti ) J0 (Xi , c)
f
X i τ θ0 0 θ0 0
τ 0
= Aτ1n (θ0 , fˆh,τ ) + Aτ4n (θ, fˆh,τ ),
fθ (θ Xi , Ti )
i=1

où

Aτ4n (θ, fˆh,τ )

n  
Win 1Ti ∈Aτ fˆθh,τ
X
0 τ 0
= 0
(θ X ,
0 i i T ) − f (θ
θ0 0 i iX , T ) J0 (Xi , c)
i=1

−1
× fθτ0 (θ00 Xi , Ti ) − fθτ (θ0 Xi , Ti ) Jθ (Xi , c/2) fθτ (θ0 Xi , Ti )fθτ0 (θ00 Xi , Ti ) .

On pose alors
n
Win 1Ti ∈Aτ ∇θ fˆθh,τ (Xi , Ti ) − ∇θ fθτ0 (Xi , Ti ) Jθ (Xi , c/2)


X
Aτ2n (θ, fˆh,τ ) = 0
fθτ (Ti , θ0 Xi )
i=1

97
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

et
n W 1 2 ˆh,τ 2 τ


X in Ti ∈Aτ ∇θ fθ̃ (Xi , Ti ) − ∇θ fθ̃ (Xi , Ti ) Jθ (Xi , c/2)
Aτ3n (θ̃, fˆh,τ ) = ,
2fθτ (θ0 Xi , Ti )
i=1

de telle sorte que

Aτ1n (θ, fˆh,τ ) = Aτ1n (θ0 , fˆh,τ ) + (θ − θ0 )0 Aτ2n (θ, fˆh,τ ) + (θ − θ0 )0 Aτ3n (θ̃, fˆh,τ )(θ − θ0 ) + Aτ4n (θ, fˆh,τ ),

pour θ̃ compris entre θ et θ0 . Comme ∇2θ fˆθh,τ (x, y) converge uniformément en x, y, h, τ et θ

vers ∇2θ fθτ (x, y) d’après la Proposition 3.7 et l’Hypothèse 3.1, on a

sup Aτ3n (θ̃, fˆh,τ ) = oP (1).

θ̃,τ,h

En utilisant l’écriture (1.3) sous forme de sauts de l’estimateur de Kaplan-Meier, on a, pour

Aτ2n (θ, fˆh,τ ),

Aτ2n (θ, fˆh,τ )

n
W̃i,n 1Ti ∈Aτ ∇θ fˆθh,τ τ (X , T ) J (X , c/2)


X
0
(Xi , Ti ) − ∇ θ fθ 0 i i θ i
=
fθτ (θ0 Xi , Ti )
i=1
n
δi 1Zi ∈Aτ ∇θ fˆθh,τ (Xi , Ti ) − ∇θ fθτ0 (Xi , Ti ) Jθ (Xi , c/2) 1 − G(Ti −)


1X 0
+ W̃i,n ZG (Ti −)
n fθτ (θ0 Xi , Ti ) 1 − Ĝ(Ti −)
i=1

=: Aτ21n (θ, fˆh,τ ) + Aτ22n (θ, fˆh,τ ),

où l’on rappelle que

Ĝ(t) − G(t)
ZG (t) = .
1 − G(t)

En utilisant les égalités (3.20), (3.21) et le Théorème 3.7 on obtient

n
X
−1
sup |A22n (θ, fˆh,τ )| ≤ oP (n−1/2 ) × n−1 δi 1 − G(Zi −) ,
τ,θ i=1

et le dernier terme est un OP (1) puisqu’il est d’espérance nulle. Ensuite, pour Aτ21n , on remplace

98
 3.5 Preuve du Lemme principal

tout d’abord θ au dénominateur par θ0 , ce qui nous donne :

Aτ21n (θ, fˆh,τ )

n
W̃i,n 1Zi ∈Aτ ∇θ fˆθh,τ τ (X , T ) J (X , c/4)


X
0
(Xi , Ti ) − ∇ θ fθ 0 i i 0 i
=
fθτ0 (θ00 Xi , Ti )
i=1
n
X
W̃i,n 1Ti ∈Aτ fθτ0 (θ00 Xi , Ti ) − fθτ (θ0 Xi , Ti ) J0 (Xi , c/4)


+
i=1

−1
× ∇θ fˆθh,τ (Xi , Ti ) − ∇θ fθτ0 (Xi , Ti ) Jθ (Xi , c/8) fθτ0 (θ00 Xi , Ti )fθτ (θ0 Xi , Ti ) .


0

En utilisant l’Hypothèse 3.4 et la convergence uniforme de ∇θ fˆθh,τ

0
obtenue par la Proposition
τ (θ, h)(θ − θ ) où sup τ
3.7, le deuxième terme est égal à R1n 0 θ,τ,h |R1n (θ, h)| = oP (1). L’Hypothèse

3.5 et la Proposition 3.10 nous assurent que les classes de fonctions {(x, y) 7→ ∇θ fθτ0 (x, y)}
et {(x, y) 7→ ∇θ fˆθh,τ
0
(x, y)} sont des classes de Donsker. Par ailleurs, la Proposition 3.7 nous
donne également la convergence uniforme de ∇θ fˆθh,τ
0
(x, y) vers ∇θ fθτ0 (x, y). Alors, en utilisant
la propriété d’équicontinuité des classes de Donsker (voir l’égalité (3.11)), on obtient :
 
ZZ ∇θ fˆθh,τ
0
(x, y) − ∇ f τ (x, y) 1
θ θ0 y∈Aτ J0 (x, c/4)dP(x, y)
Aτ2n (θ, fˆh,τ ) =
fθτ0 (θ00 x, y)
τ τ
+ R1n (θ, h)(θ − θ0 ) + R2n (θ, h),

τ (θ, h)| = o (1) et sup

où supθ,τ,h |R1n τ −1/2 ). Ensuite, la Proposition 3.6
P θ,τ,h |R2n (θ, h)| = oP (n

combinée avec des arguments classiques sur les noyaux nous donne

ZZ
∇θ f˜θh,τ τ


sup 0
(x, y) − ∇ θ fθ 0
(x, y) 1y∈Aτ J0 (x, c/4)dP(x, y)
τ,h
ZZ
= sup ∇θ f˜θh,τ
0
(x, y)1y∈Aτ J0 (x, c/4)dP(x, y) = OP (h4 ) = oP (n−1/2 ),
τ,h

puisque nh8 → 0 d’après l’Hypothèse 3.1. Enfin, il suffit d’appliquer le Lemme 3.9 pour
conclure la preuve pour Aτ2n (θ, fˆh,τ ).

Aτ4n (θ, fˆh,τ ) peut être traité de façon similaire. Tout d’abord, de la même manière que pour
Aτ2n , on peut remplacer Win par W̃i,n . On appelle ce terme Ãτ4n (θ, fˆh,τ ). On remplace ensuite

99
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

θ par θ0 au dénominateur. On a donc :

Ãτ4n (θ, fˆh,τ )

 
ˆh,τ (θ0 Xi , Ti ) − f τ (θ0 Xi , Ti ) f τ (θ0 Xi , Ti ) − f τ (θ0 Xi , Ti ) J0 (Xi , c)


n W̃i,n 1T ∈A f
X i τ θ0 0 θ0 0 θ0 0 θ
=
2
i=1 fθτ0 (θ00 Xi , Ti )
n

2
W̃i,n 1Ti ∈Aτ fθτ0 (θ00 Xi , Ti ) − fθτ (θ0 Xi , Ti ) fˆθh,τ
X
(θ00 Xi , Ti ) − fθτ0 (θ00 Xi , Ti )


+ 0
i=1

−1
−2
× fθτ (θ0 Xi , Ti ) fθτ0 (θ00 Xi , Ti ) J0 (Xi , c)Jθ (Xi , c/2)

D’après l’Hypothèse 3.4, le deuxième terme est égal à (θ − θ0 )0 R3n

τ (θ, h)(θ − θ ) où
0
τ (θ, h)| = o (1). Quant au premier terme, l’Hypothèse 3.5 et la Proposition 3.10
supθ,τ,h |R3n P

nous assurent que les classes de fonctions {(x, y) 7→ fθτ0 (x, y)} et {(x, y) 7→ fˆθh,τ
0
(x, y)} sont
des classes de Donsker et en utilisant la convergence uniforme de fˆθh,τ
0
(x, y) vers fθτ0 (x, y)
obtenue par la Proposition 3.7, on peut alors utiliser la propriété d’équicontinuité des classes
de Donsker encore une fois. En utilisant également l’Hypothèse 3.4 pour le terme fθτ0 (θ00 Xi , Ti )−
fθτ (θ0 Xi , Ti ), on peut donc écrire :
 
ZZ fˆθh,τ
0
(θ 0 x, y) − f τ (θ 0 x, y) 1
0 θ 0 0
0 τ
y∈Aτ (θ − θ0 ) ∇θ fθ0 (x, y)J0 (x, c/4)dPX,Y (x, y)
Ãτ4n (θ, fˆh,τ ) =
2
fθτ0 (θ00 x, y)

+ (θ − θ0 )0 R3n
τ τ
(θ, h)(θ − θ0 ) + R4n (θ, h),

τ (θ, h)| = o (1) et sup

où supθ,τ,h |R3n τ −1/2 ). Enfin, en décomposant
P θ,τ,h |R4n (θ, h)| = oP (n

dPX,Y (x, y) de la façon suivante,

dPX,Y = dPY |X dPX|θ00 X dPθ00 X

et en utilisant le fait que pour tout y ∈ Y

ZZ
∇θ fθτ0 (x, y)J0 (x, c/4)dPX|θ00 X (x, u) = 0

d’après la Proposition 3.6, ont trouve que le premier terme de Ãτ4n est nul.
τ . Tout d’abord, un développement de Taylor en θ
Deuxième étape On s’intéresse à B1n 0

100
 3.5 Preuve du Lemme principal

nous donne :
 2
fˆθh,τ (θ0 Xi , Ti ) − fθτ (θ0 Xi , Ti )

2
= fˆθh,τ 0
(θ 0
X ,
0 i i T ) − f τ
(θ 0
θ0 0 i iX , T ) + (θ − θ 0 )0
∇ fˆh,τ 0
θ θ̃ (θ̃ X ,
i iT ) − ∇ f τ 0
θ θ̃ (θ̃ X ,
i iT )

2
= fˆθh,τ
0
(θ00 Xi , Ti ) − fθτ0 (θ00 Xi , Ti )

+ 2(θ − θ0 )0 ∇fˆθ̃h,τ (θ̃0 Xi , Ti ) − ∇fθ̃τ (θ̃0 Xi , Ti ) fˆθh,τ (θ00 Xi , Ti ) − fθτ0 (θ00 Xi , Ti )

0

0
+ ∇fˆθh,τ 0 τ 0 ˆh,τ (θ̃0 Xi , Ti ) − ∇f τ (θ̃0 Xi , Ti ) .


0
(θ 0 Xi , Ti ) − ∇f θ 0
(θ 0 Xi , Ti ) ∇f θ̃ θ̃

On a alors l’expression suivante de B1n τ

 2
Xn Win 1T ∈A
i τ fˆθh,τ
0
(θ 0 X , T ) − f τ (θ 0 X , T )
0 i i θ0 0 i i Jθ (Xi , c/2)
τ
B1n (θ, fˆh,τ ) = 2
φ fθτ (θ0 Xi , Ti ), fˆθh,τ (θ0 Xi , Ti )


i=1
n  
Win 1Ti ∈Aτ fˆθh,τ
X
0 0 τ 0
+ 2(θ − θ0 ) 0
(θ 0 X i , Ti ) − fθ (θ 0 Xi , Ti ) Jθ (Xi , c/2)
i=1
 
2 −1
× ∇θ fˆθ̃h,τ (θ̃0 Xi , Ti ) − ∇θ fθ̃τ (θ̃0 Xi , Ti ) φ fθτ (θ0 Xi , Ti ), fˆθh,τ (θ0 Xi , Ti )
n
0 ∇ fˆh,τ (X , T ) − ∇ f τ (X , T )

o2
Xn (θ − θ 0 ) θ θ̃ i i θ θ̃ i i
+ Win 1Ti ∈Aτ Jθ (Xi , c/2) h,τ
.
i=1 φ(fθτ (θ0 Xi , Ti ), fˆθ (θ0 Xi , Ti ))2

On remplace θ par θ0 dans le dénominateur du premier terme et alors, de la même manière

que précédemment pour Aτ21n , en utilisant l’Hypothèse 3.4 et la convergence uniforme de
fˆθh,τ
0
(θ00 Xi , Ti ) vers fθτ (θ00 Xi , Ti ) d’après la Proposition 3.7, on peut remplacer ce terme par
 2
ˆ h,τ 0 τ (θ 0 X , T )
n W 1
X in Ti ∈Aτ θ0 0 i i f (θ X , T ) − fθ0 0 i i J0 (Xi , c/4)
h,τ 0 2 + (θ − θ0 )0 R3n
τ
(θ, h)(θ − θ0 ),
τ 0 ˆ


i=1 φ fθ0 (θ0 Xi , Ti ), fθ0 (θ0 Xi , Ti )
τ (θ, h)| = o (1). On peut donc écrire :
où supθ,τ,h |R3n P

τ
B1n (θ, fˆh,τ ) = B2n
τ
(θ0 , fˆh,τ ) + (θ − θ0 )0 B3n
τ
(θ, fˆh,τ ) + (θ − θ0 )0 B4n
τ
(θ̃, fˆh,τ )(θ − θ0 )

+ (θ − θ0 )0 R3n
τ
(θ, h)(θ − θ0 ),

où  2
n Win 1T ∈A ˆh,τ (θ0 Xi , Ti ) − f τ (θ0 Xi , Ti ) J0 (Xi , c/4)
f
X i τ θ0 0 θ0 0
τ
B2n (θ0 , fˆh,τ ) = ,
i=1 φ(fθτ0 (θ00 Xi , Ti ), fˆθh,τ
0
(θ00 Xi , Ti ))2

101
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

τ
B3n (θ, fˆh,τ )
n  
Win 1Ti ∈Aτ fˆθh,τ
X
0 τ 0
=2 0
(θ X ,
0 i i T ) − f (θ X
θ 0 i i, T ) Jθ (Xi , c/2)
i=1
 
2 −1
× ∇θ fˆθ̃h,τ (θ̃0 Xi , Ti ) − ∇θ fθ̃τ (θ̃0 Xi , Ti ) φ fθτ (θ0 Xi , Ti ), fˆθh,τ (θ0 Xi , Ti ) ,

τ
B4n (θ, fˆh,τ )
n

−1
Win 1Ti ∈Aτ Jθ (Xi , c/2) φ(fθτ (θ0 Xi , Ti ), fˆθh,τ (θ0 Xi , Ti ))2
X
=
i=1

0
× ∇θ fˆθ̃h,τ (Xi , Ti ) − ∇θ fθ̃τ (Xi , Ti ) ∇θ fˆθ̃h,τ (Xi , Ti ) − ∇θ fθ̃τ (Xi , Ti )

τ (θ, h)| = o (1). Les résultats de convergence uniforme de fˆh,τ et ∇ fˆh,τ de la

et supθ,τ,h |R3n P θ

Proposition 3.7 nous permettent alors de conclure

τ
sup kB3n (θ, fˆh,τ )k = oP (n−1/2 ) et
θ,τ,h

τ
sup kB4n (θ, fˆh,τ )k = oP (1),
θ,τ,h

ce qui termine la preuve de ce lemme.

3.6 Conclusion

Dans ce chapitre, nous avons proposé une nouvelle méthode d’estimation de la densité
conditionnelle sous une hypothèse de direction révélatrice unique et en présence de censure.
Cette procédure d’estimation est l’extension logique de l’approche de Delecroix et al. (2003)
au cas censuré. Un des principaux avantages de ce modèle est qu’il permet une généralisation
du modèle de Cox, notre modèle reposant sur des hypothèses moins restrictives. On a montré
qu’estimer l’index de la régression dans notre modèle semi-paramétrique était équivalent à
estimer cet index dans un modèle paramétrique, ce qui nous a permis d’avoir une vitesse de
convergence de l’ordre n−1/2 . Cet estimateur a pu ensuite être utilisé pour estimer la densité
conditionnelle en utilisant un estimateur non-paramétrique classique en présence de censure.
Dans cette procédure nous avons également introduit une méthode de choix adaptatif du
paramètre de lissage de notre estimateur à noyau ainsi qu’une méthode de choix adaptatif

102
 3.7 Résultats techniques

de la borne de troncation qui nous permet de compenser les problèmes d’estimation dans les
queues de distribution de l’estimateur de Kaplan-Meier. Dans notre contexte, cette technique
de troncation ne rajoute aucun biais et semble même améliorer la qualité d’estimation. En
effet, les résultats de simulation montrent que quand le taux de censure est important, notre
estimateur obtenu par cette technique de troncation peut être jusqu’à 10 fois plus performant.
Nous avons décidé ici de choisir un critère de choix de la borne de troncation basé sur l’erreur
quadratique, mais notre méthode peut s’adapter à d’autres types de critères : par exemple en
se focalisant plus sur l’erreur d’estimation dans une direction spécifique ou bien sur l’erreur
d’estimation de la densité conditionnelle elle-même.

3.7 Résultats techniques

3.7.1 Le gradient de f
(n)
Dans toute la suite, pour simplifier la lourdeur des expressions on notera parfois ϕh (·) pour
représenter h−n ϕ(n) (·/h), pour une fonction ϕ quelconque. Par exemple, avec cette écriture,
Kh0 (·) = h−1 K 0 (·/h) .

Proposition 3.6. On note

f˙τ (u, y) = ∇v fθτ0 (v, y) v=u

.

On a alors

∇θ fθτ0 (x, y) = x0 f1,τ (θ00 x, y) + f2,τ (θ00 x, y),

où

f1,τ (θ00 x, y) = f˙τ (θ00 x, y),

f2,τ (θ00 x, y) = −f˙τ0 (θ00 x, y)E X|θ00 X = θ00 x .

 

En particulier, E [∇θ fθτ0 (X, Y )|θ00 X] = 0.

Démonstration. La preuve de ce résultat est similaire à celle de Dominitz et Sherman (2005).

103
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

Tout d’abord, soit B un ensemble mesurable inclus dans Y. On a

Z
fθτ (θ0 X, y)dy = E 1Y ∈Aτ ∩B |θ0 X
 
B

= E E [1Y ∈Aτ ∩B |X] |θ0 X

 
h  i
= E E 1Y ∈Aτ ∩B |θ00 X |θ0 X

Z 
τ 0 0
=E fθ0 (θ0 X, y)dy θ X
B
Z
E fθτ0 (θ00 X, y) θ0 X dy,
 
=
B

où on a utilisé l’égalité (3.2) pour passer de la deuxième à la troisième égalité et on a utilisé

le théorème de Fubini pour la dernière égalité. On a donc montré que pour tout y ∈ Y,

fθτ (θ0 X, y) = E [fθτ0 (θ00 X, y)|θ0 X]. (3.19)

A présent, introduisons

ψ(X, y, θ1 , θ2 ) = E [fθτ0 (θ00 X − θ10 X + θ20 X, y)|θ20 X].

En utilisant (3.19), on observe que ψ(X, y, θ, θ) = fθτ (θ0 X, y) ce qui nous donne

 
∇θ fθ0 (X, y) = ∇θ1 ψ(X, y, θ1 , θ0 )|θ1 =θ0 + ∇θ2 ψ(X, y, θ0 , θ2 )|θ2 =θ0 .

Or

∇θ1 ψ(X, y, θ1 , θ0 )|θ1 =θ0 = −E [X 0 f˙τ (2θ00 X − θ10 X, y)|θ00 X]|θ1 =θ0

= f2,τ (θ00 x, y),

et
ψ(X, y, θ0 , θ2 ) = E [fθ0 (θ20 X, y)|θ20 X] = fθτ0 (θ20 X, y),

donc
∇θ2 ψ(X, y, θ0 , θ2 )|θ2 =θ0 = X 0 f˙τ (θ20 X, y).

D’où le résultat.

104
 3.7 Résultats techniques

3.7.2 Etude de la différence entre f ∗ et fˆ

Vitesse de convergence de fˆ

Dans cette partie, on étudie tout d’abord les vitesses de convergence uniforme de fˆθh,τ − fθτ
et de ses dérivées partielles d’ordre 1 et 2. En particulier, on va voir ici que remplacer f˜θh,τ par
fˆθh,τ ne modifie pas la vitesse de convergence de ces estimateurs. Ainsi, les résultats obtenus
dans la Proposition 2.8 vont pouvoir s’appliquer directement pour fˆθh,τ − fθτ . Intuitivement,
ceci se comprend aisément puisque f˜θh,τ est obtenu à partir de fˆθh,τ en remplaçant Ĝ par G et
le résultat (ii) du Théorème 1.3 appliqué en Ĝ nous donne :

sup |Ĝ(t) − G(t)| = OP (n−1/2 ) et (3.20)

t≤τ0
1 − G(t)
sup = OP (1). (3.21)
t≤τ0 1 − Ĝ(t)

On observe donc que la vitesse de convergence de Ĝ est plus rapide que la vitesse de convergence
de f˜θh,τ , ce qui explique l’équivalence asymptotique entre fˆθh,τ et f˜θh,τ . C’est ce qui est obtenu
dans la proposition suivante.

Proposition 3.7. Sous les Hypothèses 1.1, 1.2 et 3.1 on a :

s
nh2 ˆh,τ 0
sup fθ (θ x, y) − fθτ (θ0 x, y) 1y≤τ = Op.s. (1) ,
x,y,h,τ,θ log n
s
nh4
sup ∇θ fˆθh,τ (x, y) − ∇θ fθτ (x, y) 1y≤τ = Op.s. (1) ,
x,y,h,τ,θ log n
s
nh6
sup ∇2θ fˆθh,τ (x, y) − ∇2θ fθτ (x, y) 1y≤τ = Op.s. (1) ,
x,y,h,τ,θ log n

où les suprema sur x sont pris pour x ∈ X tels que Jθ (x, c) > 0, pour un c > 0.

Les deux lemmes suivants donnent également une représentation asymptotique entre ∇θ f˜θh,τ
0

et ∇θ fˆθh,τ
0
et la vitesse de convergence de l’intégrale de cette différence, tous ces résultats étant
nécessaires pour la preuve du Lemme principal. Dans le lemme suivant, on notera fθ0τ0 X (u)
0

pour désigner la dérivée par rapport à u de fθτ0 X (u), la densité conditionnelle de θ00 X sachant
0

Y ∈ Aτ prise au point u.

105
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

Lemme 3.8. Pour tout x tel que J0 (x, c) 6= 0,

R R τ0 h,τ

h,τ h,τ
 Z
X t gf,x,y (x2 , y2 )dP(x2 , y2 )dM̄ G (t)
ˆ ˜
∇θ fθ0 (y, x) − ∇θ fθ0 (y, x) =
1 − H(t)
+ Rn (x, y, τ, h), (3.22)

où
n
1X G
M̄ G (y) = Mi (y),
n
i=1
Z y
1Ti ≥t dG(t)
MiG (y) = (1 − δi )1Ti ≤y − ,
0 1 − G(t−)

nh3
sup √ kRn (x, y, τ, h)k = OP (1)
x,y,τ,h log n
et

h,τ 1 (x1 − x2 )Kh0 (θ00 x1 − θ00 x2 )Kh (y1 − y2 )

gf,x (x2 , y2 ) =
1 ,y1 h fθτ0 X (θ00 x1 )
0

Kh (θ00 x1 − θ00 x2 )Kh (y1 − y2 )fθ0τ0 X (θ00 x1 )

0
− .
fθτ0 X (θ00 x1 )2
0

Lemme 3.9. Sous les Hypothèses 3.1, 3.4 et 3.5, on a

∇θ fˆθh,τ (x, y) − ∇θ f˜θh,τ

(x, y) 1y∈Aτ J0 (x, c/4)dP(x, y)
ZZ
sup 0 0
= oP (n−1/2 ),
h,τ fθτ0 (θ00 x, y)

où le supremum sur x est pris pour x ∈ X tels que J0 (x, c) > 0, pour un c > 0.

Preuve du Lemme 3.7. D’après la Proposition 2.8, il suffit juste de montrer

√
sup nh2α ∇αθ fˆθh,τ
0
(x, y) − ∇αθ f˜θh,τ
0
(x, y) 1y∈Aτ = OP (1),
x,y,h,τ

pour α = 0, 1 et 2. On va faire la démonstration seulement pour α = 2 puisque les autres cas

sont tous similaires. La différence entre ∇αθ fˆθh,τ
0
(x, y) et ∇αθ f˜θh,τ
0
(x, y) se décompose en plusieurs
termes qui se traitent tous de la même manière. Nous montrons le raisonnement seulement

106
 3.7 Résultats techniques

pour l’expression suivante qui fait intervenir la dérivée seconde du noyau :

n
1X
Win (x − Xi )Kh00 (θ0 x − θ0 Xi )Kh (y − Ti )(x − Xi )0 1Ti ∈Aτ
h
i=1
n
1X
= W̃i,n (x − Xi )Kh00 (θ0 x − θ0 Xi )Kh (y − Ti )(x − Xi )0 1Ti ∈Aτ
h
i=1
n
1X 1 − G(Ti −)
+ W̃i,n ZG (Zi −)(x − Xi )Kh00 (θ0 x − θ0 Xi )Kh (y − Ti )(x − Xi )0 1Ti ∈Aτ ,
h 1 − Ĝ(Ti −)
i=1

où de façon usuelle, on s’est ramené à un terme faisant intervenir W̃i,n à la place de Win . Le
premier terme est donc contenu dans ∇2θ f˜θh,τ tandis que le deuxième peut être borné par
n  0 0X
  !
1 X θ x − θ i y − Ti
OP (n−1/2 h−2 ) sup δi 1Ti ∈Aτ K 00 K ,
x,y,h,τ nh2 h h
i=1

en utilisant les résultats (3.20) et (3.21). Le Théorème B.1 nous assure que le terme entre
parenthèses est un OP (1) uniformément en x, y, θ, τ et h puisque la famille de fonctions
indéxées par x, y, θ, τ et h
 0
θ x − θ0 X
   
y−T
(X, T ) 7→ δ1T ∈Aτ K 00 K
h h

est une VC-classe d’enveloppe kK 00 k∞ kKk∞ .

Preuve du Lemme 3.8. Tout d’abord on note,

n
u − θ00 Xi
 
ˆτ 1 X
fθ0 X (u) = K 1Ti ∈Aτ ,
0 nh h
i=1
n  0

ˆ0τ 1 X 0 u − θ0 Xi
fθ0 X (u) = (x − Xi )K 1Ti ∈Aτ ,
0 nh2 h
i=1

et on a donc :

∇θ fˆθh,τ − f˜θh,τ


0 0
(x, y)
Pn
(Ŵi,n − W̃i,n )(x − Xi )Kh0 (θ00 x − θ00 Xi )Kh (y − Ti )1Ti ∈Aτ
= i=1
hfˆθτ0 X (θ00 x)
0
Pn 0 x − θ 0 X )K (y − T )fˆ0τ (θ 0 x)1
i=1 ( Ŵ i,n − W̃ i,n )K (θ
h 0 0 i h i θ0 X 0 Ti ∈Aτ
0
− 2 . (3.23)
fˆθτ0 X (θ00 x)


0

107
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

On va alors remplacer tous les fˆθτ0 X par fθτ0 X et les fˆθ0τ0 X par fθ0τ0 X . Cela va donc nous rajouter
0 0 0 0

un terme de reste, mais qui sera entièrement contrôlé par les vitesses de convergence de (fˆθτ0 X −
0

fθτ0 X ) et (fˆθ0τ0 X − fθ0τ0 X ). De la même façon que pour les Propositions 2.8 et 3.7, on peut montrer
0 0 0

que
s
nh ˜τ
sup fθ0 X (θ00 x) − fθτ0 X (θ00 x) 1y≤τ = Op.s. (1) ,
x,y,h,τ log n 0 0

√
sup n fˆθτ0 X (θ00 x) − f˜θτ0 X (θ00 x) 1y≤τ = OP (1)
0 0
x,y,h,τ

et
s
nh3
sup f˜θ0τ0 X (θ00 x) − fθ0τ0 X (θ00 x) 1y≤τ = Op.s. (1) ,
x,y,h,τ, log n 0 0
r
n
sup fˆθ0τ0 X (θ00 x) − f˜θ0τ0 X (θ00 x) 1y≤τ = OP (1)
x,y,h,τ h2 0 0

ce qui nous donne donc

s
nh ˆτ
sup f 0 (θ0 x) − fθτ0 X (θ00 x) 1y≤τ = Op.s. (1) ,
x,y,h,τ log n θ0 X 0 0
s
nh3 ˆ0τ
sup f 0 (θ0 x) − fθ0τ0 X (θ00 x) 1y≤τ = Op.s. (1) .
x,y,h,τ, log n θ0 X 0 0

On peut donc écrire,

∇θ fˆθh,τ − f˜θh,τ


0 0
(x, y)
Pn
(Ŵi,n − W̃i,n )(x − Xi )Kh0 (θ00 x − θ00 Xi )Kh (y − Ti )1Ti ∈Aτ
= i=1
hfθτ0 X (θ00 x)
0
Pn 0 x − θ 0 X )K (y − T )f 0τ (θ 0 x)1
i=1 ( Ŵ i,n − W̃ i,n )K (θ
h 0 0 i h i θ0 X 0 Ti ∈Aτ
0
− 2 + Rn (x, y, h, τ )
fθτ0 X (θ00 x)


0

(3.24)

où supx,y,h,τ n1/2 h3/2 (log n)−1 |Rn (x, y, h, τ )| = OP (1). Finalement, en utilisant l’écriture (1.9)
du Théorème 1.7, on obtient une représentation i.i.d. du terme principal puisque la classe de
fonctions indexées par x, y, h et τ
 0
θ x−θ0 X
 0
θ0 x−θ00 X
       
 (x − X)K 0 0 h 0 K y−Y
h K h K y−Y
h f 0τ (θ 0 x) 
0
θ0 X 0
(X, Y ) 7→ −
 fθτ0 X (θ00 x) fθτ0 X (θ00 x)2 
0 0

108
 3.7 Résultats techniques

est une VC-classe d’après les résultats de Nolan et Pollard (1987).

Preuve du Lemme 3.9. En utilisant des arguments classiques sur les estimateurs à noyau (voir
par exemple la preuve du Théorème 2.6) on obtient
ZZ
h,τ
sup gf,x,y (x2 , y2 )dP(x2 , y2 )dP(x, y) = O(h4 ),
t x2 ,t≤y2 ≤τ0

puisque K est un noyau d’ordre 4 et on rappelle que

E ∇θ fθτ0 (X, Y ) = 0
 

d’après la Proposition 3.6. A partir de la representation (3.22) du Lemme 3.8, on a

ZZ
∇θ fˆθh,τ ˜h,τ (x, y) dP(x, y)


0
(x, y) − ∇ θ f θ0
Z Z Z 
−1 h,τ
= [1 − H(t)] gf,x,y (x2 , y2 )dP(x2 , y2 )dP(x, y) dM̄ G (t)
x2 ,t≤y2 ≤τ0
ZZ
+ Rn (x, y, h, τ )dP(x, y), (3.25)

Rn (x, y, h, τ )dP(x, y) = oP (n−1/2 ). Introduisons alors

RR
où suph,τ
RR h,τ
x2 ,t≤y2 ≤τ0 gf,x,y (x2 , y2 )dP(x2 , y2 )dP(x, y)
φn (t, h, τ ) = .
1 − H(t)

En utilisant le fait que Hn est de cardinalité kn , on a :

 Z  Z 
G G
P sup φn (t, h, τ )dM̄ (t) ≥ ε ≤ kn sup P φn (t, h, τ )dM̄ (t) ≥ ε .
h h∈Hn

On applique maintenant l’inégalité de Lenglart (1977) (voir Théorème C.1) : pour tout ε > 0
et tout η > 0,
2 !
Z s
P sup φn (t, h, τ )dM̄ G (t) ≥ ε2
s≤τ 0

!
Z τ 1 − Ĥ(t−) dG(t)
η
≤ 2 + P n−1 φ2n (t, h, τ ) ≥η . (3.26)
ε 0 1 − G(t−)

Comme on l’a dit précédemment , supt |φn (t, h, τ )| = O(h4 ). L’inégalité (3.26) et notre condi-
tion sur kn dans l’Hypothèse 3.1 nous donnent le résultat désiré.

109
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

3.7.3 Les classes de Donsker

Comme on l’a dit dans la présentation de l’Hypothèse 3.5, pour obtenir une vitesse de
convergence de θ̂ en n−1/2 , on a besoin d’imposer des conditions de régularité sur la densité
conditionnelle et sur son gradient. Dans le lemme suivant, on montre tout d’abord que les
classes de fonctions introduites dans l’Hypothèse 3.5 sont Donsker, puis que fˆθh,τ
0
appartient à
la même classe de régularité que fθτ0 et que ∇θ fˆθh,τ
0
appartient à la même classe de régularité
que ∇θ fθτ0 avec probabilité tendant vers 1.

Proposition 3.10. Les classes de fonctions H1 et H2 introduites dans l’Hypothèse 3.5 sont
des classes de Donsker. De plus, fˆθh,τ
0
et ∇θ fˆθh,τ
0
appartiennent respectivement aux classes H1
et H2 avec probabilité tendant vers 1 pour une constante M suffisamment grande.

Démonstration. Comme nous l’avons déjà mentionné, la classe de fonctions H1 est une classe
de Donsker d’après le Corollaire 2.7.4 de Van der Vaart et Wellner (1996). La classe de fonctions
H2 est également une classe de Donsker d’après une propriété de stabilité sur les classes de
Donsker (voir les exemples 2.10.10 et 2.10.7 de Van der Vaart et Wellner (1996)). On ne va
faire la preuve que pour ∇θ fˆθh,τ
0
puisque celle pour fˆθh,τ
0
est identique. On décompose tout
d’abord ∇θ fˆθh,τ
0
de la façon suivante :

∇θ fˆθh,τ
0
(x, y)
n
X Ŵi,n 1Ti ∈Aτ (x − Xi )Kh0 (θ00 x − θ00 Xi )Kh (y − Ti )
= J0 (Xi , c/2)
hfθτ0 X (θ00 x)
i=1 0

Ŵi,n 1Ti ∈Aτ (x − Xi )Kh0 (θ00 x − θ00 Xi )Kh (y − Ti ) fθτ0 X (θ00 x) − fˆθτ0 X (θ00 x)


n
X
0 0
+ J0 (Xi , c/2)
i=1 hfˆθτ0 X (θ00 x)fθτ0 X (θ00 x)
0 0

110
 3.7 Résultats techniques

 
n 0 (θ 0 x − θ 0 X )J (X , c/2)
X (x − Xi )K h 0 0 i 0 i
−
2 
τ
nh fθ0 X (θ0 x)0
i=1 0
n
!
X
× Ŵi,n Kh (θ00 x − θ00 Xi )Kh (y − Ti )1Ti ∈Aτ
i=1
 
2
2  
X n (x − Xi )K 0 (θ 0 x − θ 0 Xi )
h 0 0 fˆθτ0 X (θ00 x) − fθτ0 X (θ00 x) J0 (Xi , c/2)
0 0
+
2 
nh ˆ
f τ
0 (θ 0 x)f τ
0 (θ 0 x)
i=1 θ0 X 0 θ0 X 0
n
!
X
0 0
× Ŵi,n 1Ti ∈Aτ Kh (θ0 x − θ0 Xi )Kh (y − Ti ) .
i=1

A partir de cette expression, on voit clairement qu’on peut écrire

∇θ fˆθh,τ
0
(x, y) = xφ1 (θ00 x, y) + φ2 (θ00 x, y).

Maintenant, il suffit juste de vérifier que φ1 et φ2 appartiennent à H1 avec probabilité tendant

vers 1. Puisque les fonctions φ1 et φ2 sont continument différentiables d’après nos hypothèses
sur K, il reste juste à prouver que les fonctions sont bornées et que leurs dérivées partielles
d’ordre 1 sont bornées et Lipschitzienne d’ordre δ, pour un δ > 0. On a vu dans la Proposition
3.7 qu’il suffisait de le vérifier seulement pour f˜h,τ . Parmi les nombreux termes obtenus dans
la décomposition de ∇f˜h,τ , nous allons vérifier ces conditions seulement pour
n
X W̃i,n 1Ti ∈Aτ Xi Kh0 (u − θ00 Xi )Kh (y − Ti )J0 (Xi , c/2)
φ∗2 (u, y) = ,
hfθτ0 X (u)
i=1 0

les autres termes pouvant être traités de façon similaire.

Nous commençons donc par montrer que

sup |∂uj ∂yk φ∗2 (u, y)| −→ 0,

P
u,y

pour k + j ≤ 1. En utilisant les mêmes techniques que dans la Propositions 2.8, on a

s
nh4
φ∗2 (u, y) − E φ∗2 (u, y) = OP (1)
 
sup
u,y log n

et puisque nh4 → ∞, φ∗2 converge bien en probabilité uniformément vers E φ∗2 . De plus,
 

notre Hypothèse 3.5 nous assure que E φ∗2 est bien uniformément borné. Pour les dérivées
 

111
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

partielles d’ordre 1, on a
n
X W̃i,n 1Ti ∈Aτ Xi Kh00 (u − θ00 Xi )Kh (y − Ti )J0 (Xi , c/4)
∂u φ∗2 (u, y) = −
h2 fθτ0 X (u)
i=1 0
n W̃ 1 0 0 0τ
X i,n Ti ∈Aτ Xi Kh (u − θ0 Xi )Kh (y − Ti )J0 (Xi , c/4)fθ0 X (u)
0
− .
τ (u) 2


i=1 h fθ0 X 0

Ici encore, en utilisant les techniques de même type que dans la Proposition 2.8, on montre
que s
nh6
∂u φ∗2 (u, y) − ∂u E φ∗2 (u, y) = OP (1)
 
sup
u,y log n
et donc ∂u φ∗2 converge bien uniformément vers ∂u E φ∗2 en probabilité, puisque nh6 → ∞
 

d’après nos hypothèses. De même, ∂u E φ∗2 est bien uniformément bornée d’après l’Hypothèse
 

3.5. On peut montrer la même chose pour ∇y φ∗2 avec des arguments similaires.
Finalement il ne reste plus qu’à montrer que ∂u φj et ∇y φj sont δ- Hölder pour j = 1 et
j = 2 avec probabilité tendant vers 1. Nous ne prouvons le résultat que pour ∂u φ1 . On a :

|∂u φ1 (u, y) − ∂u φ1 (u0 , y 0 )| |∂u φ1 (u, y) − ∂u φ1 (u0 , y 0 )|

sup = max sup ,
u,y,u0 ,y 0 k(u, y) − (u0 , y 0 )kδ |(u,y)−(u0 ,y 0 )|≥n−1 k(u, y) − (u0 , y 0 )kδ
!
|∂u φ1 (u, y) − ∂u φ1 (u0 , y 0 )|
sup
|(u,y)−(u0 ,y 0 )|≤n−1 k(u, y) − (u0 , y 0 )kδ

=: max(S1 , S2 ).

En introduisant le terme E [∂u φ1 (u, y) − E ∂u φ1 (u0 , y 0 )] à l’intérieur de S1 , on peut écire

 

|E ∂u φ1 (u, y) − E ∂u φ1 (u0 , y 0 ) |
   
S1 ≤ sup
u,y,u0 ,y 0 k(u0 , y 0 ) − (u, y)kδ

+ 2nδ sup |∂u φ1 (u, y) − E ∂u φ1 (u, y) |.

 
u,y,u0 ,y 0

Puisque K est un noyau d’ordre 4, le premier terme est borné par OP (nδ h4 ) et puisque l’on peut
choisir δ aussi petit que l’on veut, ce terme tend vers 0. Quant au deuxième terme, toujours en
utilisant des résultats similaire à la Proposition 2.8, il est OP (n−1/2+δ (log n)1/2 h−3 ). Ce terme
tend donc vers 0 puisque, d’après nos hypothèses, nh6+δ → ∞. Pour S2 , puisque K dérivable
jusqu’à l’ordre 3, ses dérivées étant toutes bornées et continues, on a, pour une constante M

112
 3.7 Résultats techniques

positive :
3 n
X MX
S2 ≤ Rn (u, y) |K (i) | sup k(u, y) − (u0 , y 0 )k1−δ W̃i,n ,
k(u,y)−(u0 ,y 0 )k≤n−1 h5
i=1 ∞ i=1

où supu,y Rn (u, y) = OP (1). S2 peut donc être bornée par OP (n−1+δ h−5 ) qui tend vers 0
puisque nh6 → ∞.

113
CHAPITRE 3. Étude de la densité conditionnelle dans un SIM

114
Chapitre 4

Étude des évènements récurrents dans

un modèle à direction révélatrice
unique en présence de censures

4.1 Introduction

L’étude des évènements récurrents a connu un essor important ces dernières années. Dans
un cadre médical par exemple, on peut vouloir s’intéresser aux répétitions des crises d’asthme
chez un patient asthmatique ou encore aux crises d’épilepsie, pour des patients épileptiques.
Dans ce chapitre, on sera également en présence d’un évènement terminal Y , qui peut repré-
senter dans les deux exemples précédents la durée de vie du patient. De même, dans ce type de
contexte, on devra faire face à des observations censurées, ce qui signifie que ces évènements
récurrents ne seront pas toujours observés. Plusieurs quantités d’intérêt peuvent alors être étu-
diées. On peut alors vouloir s’intéresser par exemple aux temps d’apparition des évènements
récurrents ou à l’intervalle de temps moyen entre deux évènements récurrents consécutifs. Ici,
nous avons décidé d’étudier le processus N ∗ (t) qui compte le nombre d’évènements récurrents
survenant dans l’intervalle de temps [0, t] et précédant l’évènement terminal Y . Comme nos
observations sont censurées, N ∗ (t) ne sera pas toujours observé. Par exemple dans le cas où Y

115
CHAPITRE 4. Étude des évènements récurrents dans un SIM

est censuré, si un évènement récurrent survient entre C et Y , on observera seulement N ∗ (C) :

le nombre d’évènements récurrents survenus jusqu’à la date C, antérieure à t.
De nombreux modèles ont déjà été étudiés concernant le processus N ∗ : par exemple
certains modèles cherchent à estimer la densité conditionnelle de N ∗ (t) sachant la tribu de
tous les évènements récurrents jusqu’à l’instant t−. D’autres modèles encore s’intéressent à
l’estimation de E [N ∗ (t)] (voir par exemple Ghosh et Lin (2000)). C’est cette dernière approche
que nous souhaitons développer ici, en prenant également en compte l’information apportée par
une covariable X. Ainsi, dans ce chapitre, nous nous focaliserons sur l’étude d’un estimateur
de la fonction de régression,
µ(t|x) = E [N ∗ (t) | X = x], (4.1)

où X ∈ X ⊂ Rd . Le processus de comptage N ∗ nous donne des informations importantes sur

Y . Dans le cadre médical par exemple, on sait que la fréquence des évènements récurrents est
un bon indicateur de la qualité de vie du patient et par là même, nous renseigne sur sa durée
de vie. Par ailleurs, dans ce type d’étude, on veut généralement utiliser des covariables qui
peuvent contenir de nombreuses informations sur le patient. Il semble donc logique de vouloir
estimer µ, qui compte le nombre d’évènements récurrents moyen à chaque instant, sachant un
vecteur de variables explicatives X. Évidemment, sans hypothèses supplémentaires sur µ, on
risque de se heurter au problème du fléau de la dimension. Il est alors possible d’utiliser un
modèle à direction révélatrice unique pour pallier cet inconvénient. De plus, comme dans le
chapitre précédent, ce modèle aura l’avantage de généraliser d’autres modèles existants dans le
contexte des évènements récurrents. En particulier, dans ce cadre là, il existe un analogue au
modèle de Cox défini de la façon suivante : on suppose qu’il existe θ0 ∈ Θ ⊂ Rd et µ0 : R+ → R,
tels que,
0
µ(t|x) = µ0 (t)eθ0 x .

On pourra alors retrouver ce modèle comme cas particulier de notre modèle single-index. Par
ailleurs, nous avons dû adapter notre procédure d’estimation aux données censurées car l’uti-
lisation de l’estimateur de Kaplan-Meier peut entraîner des problèmes d’estimation dans les
queues de distribution. C’est pour cela que nous avons dû introduire une mesure w définie

116
 4.2 Présentation du modèle et méthodes d’estimation

sur l’espace des temps t nous permettant en particulier de vérifier les conditions de moment
introduites dans le Chapitre 1 (voir l’Hypothèse 1.4). Un autre problème, spécifique aux évè-
nements récurrents, concerne le processus N ∗ qui aura également tendance à être très grand
dans les queues de distribution. Ici encore, des conditions de moment appropriées pour N ∗ par
rapport à la mesure w, vont nous assurer que ce processus ne grandit pas trop vite dans les
queues de distribution.
Le modèle à direction révélatrice unique est introduit dans la Section 4.2.1, puis nous
présentons la méthode d’estimation dans la Section 4.2.2. Nous estimons l’index de la régression
par une méthode de type moindres carrés faisant intervenir la mesure w. Nous obtenons des
résultats de consistance et de normalité asymptotique de cet estimateur dans la Section 4.3.
Nous proposons également un choix adaptatif de la mesure w, dans le sens où il sera possible de
choisir cette mesure directement à partir des données. Le critère de choix de w que nous avons
choisi est basé sur l’erreur quadratique asymptotique. Cependant, il est important de noter
que notre procédure d’estimation nous permet également d’établir d’autres critères, peut-être
plus adaptés à notre cadre d’étude.

4.2 Présentation du modèle et méthodes d’estimation

4.2.1 Un modèle de regression pour l’étude des évènements récurrents

On rappelle qu’on s’intéresse au processus de comptage N ∗ (t) qui représente le nombre

d’évènements récurrents survenus durant l’intervalle de temps [0, t], pour t ∈ [0, Y ]. Par défini-
tion, ce processus est une fonction constante par morceaux, qui saute pour chaque évènement
récurrent de l’intervalle de temps [0, Y ]. Pour estimer la fonction µ définie en (4.1), nous pro-
posons tout d’abord un modèle paramétrique puis un modèle semi-paramétrique. Le premier
modèle a l’avantage majeur d’être relativement simple et facile à étudier.
Modèle 1 : cas paramétrique

µ(t|x) = µ0 (t, x; θ0 ), (4.2)

où θ0 ∈ Θ ⊂ Rd est inconnue, tandis que µ0 est une fonction connue.

117
CHAPITRE 4. Étude des évènements récurrents dans un SIM

Cependant, ce modèle reste restrictif, nous étudierons donc par la suite un modèle plus
général, qui correspond au cas où µ0 est inconnu.
Modèle 2 : cas semi-paramétrique

µ(t|x) = µθ0 (t, θ00 x), (4.3)

où θ0 ∈ Θ ⊂ Rd et µθ (t, u) = E [N ∗ (t)|θ0 X = u], la famille de fonctions F = {µθ : θ ∈ Θ}

étant inconnue.
Encore une fois, le second modèle permet une approche intermédiaire entre une approche
purement non-paramétrique où l’on serait en présence du fléau de la dimension et le modèle 1,
qui repose sur des hypothèses très fortes, pas toujours vérifiées en pratique. De plus, comme
nous l’avons déjà dit il inclut le modèle de Cox adapté aux évènements récurrents. Un autre
exemple de ce type de modèle est le modèle AFT (Accelarated Failure Time), où

µ(t|x) = µ0 t exp(θ00 x) .

En pratique, N ∗ ne sera pas toujours directement observé sur tout l’intervalle de temps
[0, Y ], puisque Y peut être censuré. On utilisera les mêmes notations que dans les chapitres
précédents pour C, T et δ. Ainsi, pour tout t, au lieu d’observer N ∗ (t) on observera
N (t) := N ∗ (t∧T ). Dans ce chapitre, nos observations seront donc constituées de n réplications
i.i.d. de (Ti , δi , Xi , Ni (·))1≤i≤n .
Nous utiliserons des hypothèses similaires aux conditions (1.1) et (1.2), adaptées à ce
nouveau contexte.

Hypothèse 4.1. On suppose que


P dN ∗ (C) 6= 0 = 0,



P(Y = C) = 0.

Cette hypothèse technique nous permet d’éviter les problèmes possibles causés par les
ex-aequo entre décès, censure ou l’apparition d’évènements récurrents.

118
 4.2 Présentation du modèle et méthodes d’estimation

Hypothèse 4.2. On suppose que


C⊥ ⊥(N ∗ , Y ),


P(C ≤ t|N ∗ , X, Y ) = P(C ≤ t|N ∗ , Y ) pour tout t ∈ [0, τ ].


H

La première de ces hypothèses est classique dans le contexte des évènements récurrents
et remplace notre hypothèse d’indépendance entre Y et C que l’on avait dans les chapitres
précédents. Évidemment, ces deux hypothèses sont vraies dans le cas où C est indépendant de
(N ∗ , X, Y ) mais elles restent un peu plus générales puisqu’elles n’imposent pas d’indépendance
entre C et X.

4.2.2 Méthode d’estimation

Le processus Z(·)

La première difficulté que l’on rencontre ici dans l’estimation de µ vient du fait que le
processus N ∗ n’est pas directement observé. Les critères naturels d’estimation auxquels on
pourrait penser ne peuvent donc pas s’appliquer ici puisqu’ils font intervenir N ∗ . C’est pour-
quoi nous introduisons le processus Z(·), destiné à compenser les problèmes dans les queues
de distribution dus à la censure. Soit
Z t
dN (s)
Z(t) = . (4.4)
0 1 − G(s−)

Dans la définition de (4.4), on observe que le dénominateur va décroître quand t tend vers
l’infini. Cela signifie qu’on va accorder plus de poids pour les grandes observations, le but étant
d’essayer de compenser le manque d’observations dans les queues de distribution causé par la
censure. On a alors :

E dN (s)|X = E dN ∗ (s ∧ C)|X
   

= E dN ∗ (s)1s≤C |X
 
h  i
= E dN ∗ (s)E 1s≤C |N ∗ , X, Y X


= E dN ∗ (s)|X (1 − G(s−)),
 

119
CHAPITRE 4. Étude des évènements récurrents dans un SIM

où on a utilisé l’Hypothèse 4.1 pour la première ligne et l’Hypothèse 4.2 pour obtenir la dernière
égalité. On a ainsi la relation suivante :

E Z(t)|X = E N ∗ (t)|X = µ(t|X).

   
(4.5)

Malheureusement le processus Z ne peut pas être calculé en pratique puisqu’il fait intervenir
la fonction de répartition G qui est supposée inconnue. On peut alors facilement estimer Z en
remplaçant G par son estimateur de Kaplan-Meier, de la façon suivante :
Z t
dN (s)
Ẑ(t) = . (4.6)
0 1 − Ĝ(s−)

On essayera alors généralement de remplacer Ẑ par Z. D’un point de vue théorique, le plus
grand enjeu ici sera donc d’étudier la différence entre Z et sa quantité estimée. Le lemme
suivant fournit justement une représentation asymptotique i.i.d. uniforme, pour une classe de
fonctions faisant intervenir le processus Ẑ(·). On considère une version intégrée de ce processus
par rapport à une mesure w appartenant à une classe de mesures de probabilité W. Nous ex-
plicitons tout d’abord cette famille de mesure en présentant les hypothèses qu’elle doit vérifier
pour nous permettre d’obtenir ce lemme. Dans la Section 4.2.2 nous donnons une discussion
plus détaillée sur cette famille et son rôle dans la procédure d’estimation puis dans la Section
4.3.4 nous expliquons également comment choisir cet ensemble en pratique.

On introduit maintenant une condition portant sur une classe de fonctions,

G = {g : (t, x) ∈ [0, τH ] × X 7→ g(t, x)}.

On s’intéressera notamment à G = {µθ : (t, x) ∈ [0, τH ] × X 7→ µθ (t, x), θ ∈ Θ} ou aux classes

de fonctions des dérivées partielles d’ordre 1 ou 2 de µθ .

Condition 1. Soit Gτ = {g(t, ·), t ∈ [0, τ ], g ∈ G}, une classe de fonctions définie sur X pour
τ < τH . Alors, pour tout τ < τH , Gτ est une VC-classe de fonctions.

Voici maintenant une hypothèse portant sur W, nécessaire à l’obtention du lemme suivant.

120
 4.2 Présentation du modèle et méthodes d’estimation

Hypothèse 4.3. On suppose qu’il existe une mesure w0 et une constante positive C0 telles
que, pour tout w ∈ W,
Z τH
dw(s) ≤ C0 W0 (t),
t
R τH
où W0 (t) = t dw0 (s). De plus,

W0 (t) = W1 (t)W2 (t),

où W1 et W2 sont deux fonctions positives et décroissantes telles que

Z τH
W12 (t)dG(t)


2 < ∞,
0 1 − F (t−) 1 − G(t−)
Z τH
W2 (t)E [dN ∗ (t)] < ∞
0

et limt→τH W2 (t) = 0.

L’Hypothèse 4.3 ne nous restreint pas à des classes de mesures W à support compact, elle
reste également vraie pour une large classe de mesures à support sur tout [0, τH ]. De façon
plus précise, cette hypothèse impose deux conditions de moments. La première, portant sur
W1 (t), nous permet de contrôler 1 − Ĝ(t−) (dans la définition de Z) pour t dans les queues
de distribution. La deuxième, quant à elle, sert à vérifier que N ∗ (t) ne grandit pas trop vite
dans les queues de distribution.
Par exemple, prenons τH = +∞. Avec W1 (t) = (1 − H(t))1/2 (1 − G(t))ε on a bien la
première condition vérifiée. De plus, si on suppose que E [N ∗ (t)] ∼ αt quand t → ∞, pour un
α > 0, il suffit de prendre W2 (t) = t−β avec β > 1, pour avoir la deuxième condition.

L’Hypothèse suivante quant à elle, impose une condition de Hölder sur le processus N .
Cela nous permettra de nous assurer que certaines de nos classes de fonctions appartiennent
à des VC-classes.

Hypothèse 4.4. On suppose que pour tout τ < τH , il existe une constante α > 0 telle que,
" #
|N (t) − N (t0 )|
E sup < ∞.
t≤τ,t0 ≤τ |t − t0 |α

121
CHAPITRE 4. Étude des évènements récurrents dans un SIM

Lemme 4.1. Soit G, une classe de fonctions d’enveloppe Φ vérifiant la Condition 1 et soit W
une classe de mesures vérifiant l’Hypothèse 4.3. On suppose également que l’Hypothèse 4.4 est
vérifiée. On définit, pour tout g ∈ G,
n Z τH
1X
Sn (g, w) = Zi (t)g(t, Xi )dw(t)
n 0
i=1

et
n Z T(n)
1X
Ŝn (g, w) = Ẑi (t)g(t, Xi )dw(t).
n 0
i=1
 
(i) On suppose que supw∈W E Sn (Φ, w) < ∞. Alors, pour tout g ∈ G, on a :

n Z τH Z t
1X  
Ŝn (g, w) − Sn (g, w) = ηs− (Ti , δi )E g(t, X)dµ(s|X) dw(t) + Rn (g, w),
n 0 0
i=1

où
t
(1 − δ)1T ≤t
Z
1T ≥s dG(s)
ηt (T, δ) = −


1 − H(T −) 0 1 − H(s−) 1 − G(s−)

et supw∈W,g∈G |Rn (g, w)| = oP (n−1/2 ). De plus, si les supports des mesures w sont tous
inclus dans [0, τ ], pour un τ < τH , alors supw∈W,g∈G |Rn (g, w)| = OP (n−1 log n).

(ii) Si ĝ représente une famille d’estimateurs nonparamétriques de g telle que

supg∈G kĝ−gk∞ = oP (1), alors supw∈W |Ŝn (ĝ, w)−Sn (ĝ, w)| = oP (n−1/2 ) (respectivement
OP (n−1 log n) si les supports des mesures w sont tous inclus dans [0, τ ]).

La preuve de ce lemme est reportée dans la Section 4.5.1. Grâce à l’égalité (4.5), il est
maintenant possible de construire un estimateur de θ0 pour les modèle 4.2 et 4.3 de type
moindres carrés. Puisque N ∗ n’est pas directement observé on va utiliser un critère basé sur
le processus Z.

Le cas paramétrique


Définissons, pour une mesure w telle que w [0, ∞) < ∞,
Z τH Z τH
2
   
Mw (θ, µ0 ) = E µ0 (t, X; θ) dw(t) − 2 E Z(t)µ0 (t, X; θ) dw(t).
0 0

122
 4.2 Présentation du modèle et méthodes d’estimation

D’après (4.5), on a alors :

Z τH h
2 i
θ0 = arg min E Z(t) − µθ (t, θ0 X) dw(t)
θ∈Θ 0

= arg min Mw (θ, µ0 ).

θ∈Θ

Pour estimer θ0 , il semble naturel de remplacer Mw par la version empirique :

n Z T(n) n Z T(n)
1X 2X
Mn,w (θ, µ0 ) = µ0 (t, Xi ; θ)2 dw(t) − Ẑi (t)µ0 (t, Xi ; θ)dw(t).
n 0 n 0
i=1 i=1

On définit ainsi l’estimateur suivant de θ0 :

θ̂(w) = arg min Mn,w (θ, µ0 ). (4.7)

θ∈Θ

Dans cette définition, nous avons mis en avant le fait que cet estimateur dépend du choix de la
mesure w. Dans notre procédure d’estimation, cette mesure jouera deux rôles importants : tout
d’abord, d’un point de vue pratique, le statisticien pourra par exemple accorder plus de poids
sur certains intervalles de temps de plus grande importance. D’un point de vue plus théorique,
cette mesure nous permettra de contrôler le processus Z dans les queues de distribution. En
effet, dans la définition (4.6) de Ẑ, le dénominateur décroît vers 0 quand t se rapproche de
τH et w doit donc être choisi de manière à compenser cela. Pour toutes ces raisons, la qualité
de notre estimateur est intimement liée au choix de la mesure w. Passons à présent au cas
semi-paramétrique.

Le cas semi-paramétrique

Dans ce modèle, la famille de fonctions {µθ , θ ∈ Θ} est inconnue. De la même façon que
dans le cas paramétrique :

θ0 = arg min Mw (θ, µθ ),

θ∈Θ

où
Z τH Z τH
E µθ (t, θ0 X)2 dw(t) − 2 E Z(t)µθ (t, θ0 X) dw(t).
   
Mw (θ, µθ ) =
0 0

123
CHAPITRE 4. Étude des évènements récurrents dans un SIM

Maintenant, en prenant une famille non-paramétrique d’estimateurs {µ̂θ , θ ∈ Θ} de {µθ , θ ∈

Θ}, on définit l’estimateur de θ0 suivant :

θ̂(w) = arg min Mn,w (θ, µ̂θ ), (4.8)

θ∈Θ

où
n Z
X T(n) n Z
X T(n)
−1 0 −1
Mn,w (θ, µ̂θ ) = n 2
µ̂θ (t, θ Xi ) dw(t) − 2n Ẑi (t)µ̂θ (t, θ0 Xi )dw(t).
i=1 0 i=1 0

Dans la suite on donne une représentation asymptotique i.i.d. de θ̂(w) pour une large classe
d’estimateurs µ̂θ vérifiant un certains nombre de conditions de convergence uniforme. Toutefois,
nous donnons ici un exemple d’estimateur à noyau possible pour µ̂θ . Puis nous vérifions, dans
la Section 4.5.2, que les conditions imposées sur notre classe d’estimateurs non-paramétriques
sont bien toutes vérifiées pour cette classe d’estimateurs à noyaux.
On rappelle que, d’après Ghosh et Lin (2000) par exemple, on a la relation
Z t


µθ (t, u) = 1 − Fθ (s − |u) dRθ (s|u),
0

où
Rθ (t|u) := E N ∗ (t)|Y ≥ t, θ0 X = u
 

et
Fθ (s|u) = P(Y ≤ s|θ0 X = u).

En utilisant l’Hypothèse 4.2, on peut écrire

E dN (s)|θ00 X = E dN ∗ (s)|θ00 X (1 − G(s−)).

   

Par ailleurs, on a

P dN ∗ (s) = 1, Y ≥ s, θ0 X = u = P dN ∗ (t) = 1, θ0 X = u ,

puisqu’on ne peut avoir l’apparition d’un évènement récurrent en s que si Y ≥ s. Ainsi,

dRθ (s|u) = P dN ∗ (s) = 1|Y ≥ s, θ0 X = u

P dN ∗ (s) = 1, θ0 X = u


=

1 − Fθ (s − |u) fθ00 X (u)
E dN ∗ (s)|θ00 X
 
= .
1 − Fθ (s − |u)

124
 4.3 Résultats asymptotiques

Finalement, on obtient
E dN (s)|θ0 X = u
Z t
 
µθ (t, u) = . (4.9)
0 1 − G(s−)
On estime alors le numérateur de (4.9) par un estimateur à noyau et le dénominateur par
l’estimateur Kaplan-Meier de G, ce qui nous donne
 
Pn u−θ0 Xi
Z t
i=1 K h dNi (s)
µ̂θ,h (t, u) =  
, (4.10)
Pn u−θ0 Xj
0
j=1 K h 1 − Ĝ(s−)

où K est un noyau et h une fenêtre tendant vers 0. Dans la Section 4.5.2, nous donnons la liste
des conditions sur K et h. Nous donnons également un critère pratique de choix de h dans la
Section 4.3.6.

4.3 Résultats asymptotiques

Dans cette section, nous donnons les propriétés asymptotiques de nos estimateurs. Nous
commençons tout d’abord par donner une liste d’hypothèses techniques sur le modèle et sur les
estimateurs non-paramétriques que nous considérons. Nous donnons ensuite une représentation
asymptotique de θ̂(w) pour les modèles (4.7) et (4.8). Finalement, nous discutons des choix
possibles de mesures w et de fenêtres h nous permettant d’améliorer la performance de notre
estimateur dans les Sections 4.3.4 et 4.5.2.

4.3.1 Discussion des hypothèses

Hypothèses concernant le modèle paramétrique

Les Conditions 2 et 3 peuvent être interprétées comme des conditions de régularité sur le
modèle de régression.

Condition 2. Soit G = {gθ : (t, x) ∈ [0, τH ] × X →

7 gθ (t, x), θ ∈ Θ} une classe de fonctions.
R τH
On suppose que {(x, z) 7→ 0 z(t)g(t, x)dw(t), gθ ∈ G, w ∈ W} est Glivenko Cantelli.

Exemple. Nous donnons ici un exemple de classe de fonctions G et de classe de mesures W,

vérifiant cette hypothèse. Nous allons utiliser des résultats sur les « bracketing number » de

125
CHAPITRE 4. Étude des évènements récurrents dans un SIM

classes de fonctions. Nous allons montrer que N[] (ε, G, L1 ) < ∞, pour tout ε > 0. Soit W = {w :
dw(t) = W0 (t)dw̃(t), w̃ ∈ W̃, t ∈ [0, τH ]} où W̃ est un sous-ensemble inclus dans l’ensemble de
Rτ
toutes les mesures w̃ telles que t H dw̃(u) = −W̃ (t) et W̃ est une fonction croissante bornée
par une constante M . On suppose que N[] (ε, W̃, L∞ ) < ∞ et N[] (ε, W0 G, L∞ ) < ∞. De plus,
on définit ψg,W0 (t) = Z(t)g(t, X)W0 (t) et on suppose que
" Z τH # "Z #
τH
E sup d|ψg,W0 (t)| := κ1 < ∞ et E sup Z(t)dw̃(t) := κ2 < ∞.
g∈G 0 0 w̃∈W̃

W , g W ]}
Alors, on prend {[gl,i u,i 1≤i≤N1 et {[w̃l,j , w̃u,j ]}1≤j≤N2 , les ε/(2κ1 )-brackets recouvrant W0 G

et les ε/(2κ2 )-brackets recouvrant W̃. Pour tout 1 ≤ i ≤ N1 et 1 ≤ j ≤ N2 , on a :

Z τH Z τH Z τH
W W W W
E Z(t)gu,i dw̃u,j − Z(t)gl,i dw̃l,j ≤ E Z(t)(gu,i − gl,i )dw̃l,j
0 0 0
Z τH
W
+E Z(t)gu,i (dw̃u,j − dw̃l,j ) .
0

En utilisant une intégration par parties pour le deuxième terme, on voit qu’on peut borner
cette quantité par ε. Ainsi, le bracketing number de cette classe de fonctions est borné par
N1 N2 , qui est fini.

Condition 3. Soit gθ ∈ {(t, x) 7→ gθ (t, x), θ ∈ Θ}. On suppose que pour tout (θ1 , θ2 ) ∈ Θ2 et
x ∈ X,
Z τH
sup kgθ1 (t, x) − gθ2 (t, x)kdw(t) ≤ Ckθ1 − θ2 k,
w∈W 0

où C est une constante positive.

De plus, ∇θ µ0 (s, x; θ1 ) (respectivement ∇2θ µ0 (s, x; θ1 )) représente le vecteur des dérivées

partielles (respectivement la matrice Hessienne) de µ0 (s, x; θ) par rapport à toutes les compo-
santes de θ, évalué en θ1 .

Hypothèse 4.5. On suppose que pour tout w ∈ W,

Rτ
Vw,p = 0 H E ∇θ µ0 (t, X, θ0 )∇θ µ0 (t, X, θ0 )0 ]dw(t) est inversible. De plus les classes de fonc-


tions {µ0 (·, ·; θ), θ ∈ Θ}, {∇θ µ0 (·, ·; θ), θ ∈ Θ} et {∇2θ µ0 (·, ·; θ), θ ∈ Θ} vérifient les Conditions
1, 2 et 3.

126
 4.3 Résultats asymptotiques

Hypothèses supplémentaires pour le modèle semi-paramétrique

Les hypothèses suivantes sont similaires à l’Hypothèse 4.5. Ici, ∇θ µθ1 (s, x) (respectivement
∇2θ µθ1 (s, x)) représente le vecteur des dérivées partielles (respectivement la matrice Hessienne)
de µθ (s, θ0 x) par rapport à toutes les composantes de θ, évalué en θ1 . On remarque que le
gradient ∇θ µθ1 (s, x) ne dépend pas seulement de θ0 x mais de tout le vecteur x. Nous donnons
une expression explicite de ce gradient au Lemme 4.9.

Hypothèse 4.6. On suppose que pour tout w ∈ W,

Rτ
Vw,sp = 0 H E ∇θ µθ0 (t, X)∇θ µθ0 (t, X)0 ]dw(t) est inversible. De plus, les classes de fonctions


{µθ (·, ·), θ ∈ Θ}, {∇θ µθ (·, ·), θ ∈ Θ} et {∇2θ µθ (·, ·), θ ∈ Θ} vérifient les Conditions 1, 2 et 3.

Comme nous l’avons dit, nous avons besoin d’hypothèses de convergence uniforme de l’es-
timateur non-paramétrique µ̂θ et de ses dérivées partielles d’ordre 1 et 2. Cependant, nous
avons dû introduire une quantité supplémentaire au dénominateur pour obtenir les vitesses de
convergence nécessaires sans avoir à imposer des conditions trop restrictives sur le modèle.

Hypothèse 4.7. (i) Soient λ1 , λ2 tels que λ1 + λ2 ≥ 1 et µ̄θ (t, u) = sup(µθ (t, u), 1). On
suppose que :

µ̂θ (t, θ0 x) − µθ (t, θ0 x)

sup = oP (1),
t,θ,x µ̄θ0 (t, θ00 x)λ1 +λ2
∇θ µ̂θ (t, z) − ∇θ µθ (t, x)
sup = oP (1),
t,θ,x µ̄θ0 (t, θ00 x)λ1 +λ2
∇2θ µ̂θ (t, z) − ∇2θ µθ (t, x)
sup = oP (1),
t,θ,x µ̄θ0 (t, θ00 x)λ1 +λ2

où les suprema sont pris pour t ≤ T(n) , θ ∈ Θ et x ∈ X .

(ii) On suppose également que

sup |µ̂θ0 (t, θ00 x) − µθ0 (t, θ00 x)| = OP (ε1,n ),

t,x

sup k∇θ0 µ̂θ0 (t, x) − ∇θ µθ0 (t, x)k = OP (ε2,n ),

t,x

où les suprema sont pris pour t ≤ T(n) , x ∈ X et ε1,n ε2,n = oP (n−1/2 ).

L’introduction de µ̄θ nous oblige alors à rajouter une condition supplémentaire.

127
CHAPITRE 4. Étude des évènements récurrents dans un SIM

Hypothèse 4.8. Pour tout w ∈ W, on suppose que

Z τH 
2(λ1 +λ2 )
E N ∗ (t)|X = x

sup dw(t) < ∞,
x 0

où λ1 et λ2 ont été définis dans l’Hypothèse 4.7.

L’hypothèse suivante est primordiale pour utiliser les outils de processus empiriques néces-
saires à nos preuves. On a besoin de supposer que certaines classes de fonctions appartiennent
à des classes de Donsker.

Hypothèse 4.9. On suppose qu’il existe des classes de Donsker H1 et H2 telles que pour tout
w ∈ W,
Z τH
µθ0 (t, θ00 x) − z(t) ∇θ µθ0 (t, x)dw(t) ∈ H1 ,


(t, z) 7−→
0
Z τH
z 7−→ µθ0 (t, θ00 x)∇θ µθ0 (t, x)dw(t) ∈ H2 .
0

De plus, on suppose que pour un n suffisament grand,

Z τH
µθ0 (t, θ00 x) − z(t) ∇θ µ̂θ0 (t, x)dw(t) ∈ H1 ,


(t, z) 7−→
0
Z τH
y 7−→ µ̂θ0 (t, θ00 x)∇θ µθ0 (t, x)dw(t) ∈ H2 ,
0

avec probabilité tendant vers 1.

Exemple. Comme pour la Condition 2, nous donnons ici un exemple de classe de fonc-
tions G vérifiant cette hypothèse. Cette fois, nous allons faire appel aux résultats portant
R∞p
sur les covering number. Nous allons montrer que 0 log N (ε, G, L∞ )dε < ∞. Pour η > 0
on introduit C 1+η (θ00 X , M ), la classe de fonctions uniformément bornées définies sur θ00 X
dont la dérivée partielle d’ordre 1 est uniformément bornée et Lipschitzienne d’ordre η (voir
Van der Vaart et Wellner (1996), Section 2.7). On pose N1 (ε) = N (ε, C 1+η (θ00 X , M ), L∞ )
et on représente par {ψj }1≤j≤N1 (ε) l’ensemble des N1 (ε) boules recouvrant C 1+η (θ00 X , M ).
Alors, pour un 0 < ε ≤ 1, on pose nε = −ε−1 log ε et on partitionne [0, τH ] en nε intervalles
[tj−1 , tj ], 1 ≤ j ≤ nε de taille ε. On introduit également H0 , l’ensemble des fonctions hk1 ,...,kn(ε)
définies sur [0, τH ] × θ0 X par

hk1 ,...,kn(ε) (t, θ00 x) = ψkj (θ00 x), for t ∈ [tj−1 , tj ].

128
 4.3 Résultats asymptotiques

On suppose également que pour toute fonction hk1 ,...,kn(ε) ∈ H0 ,

khk1 ,...,kn(ε) (t, u) − hk1 ,...,kn(ε) (t0 , u)k ≤ M |t − t0 |, pour tout t, t0 ∈ [0, τH ], u ∈ θ0 X , (4.11)

et x 7→ hk1 ,...,kn(ε) (t, θ00 x) ∈ C 1+η (θ00 X , M 0 ), pour M, M 0 > 0. Ensuite, d’après la condition de
Lipschitz (4.11), on peut choisir N1 (ε) boules sur chaque intervalle de taille ε, de telle sorte
que la classe H0 est bornée par

  η+2 !

n 1 η+1
N2 (ε) := N1 (ε) ε = exp − log ε .
ε

Or
Z 1p
log N2 (ε)dε < ∞
0

et donc H0 est une classe de Donsker. On note alors {hi }1≤i≤N2 (ε) l’ensemble des N2 (ε) boules
recouvrant H0 puis on introduit

n o
H00 := (x, y) 7−→ φ(h, w̃), h ∈ H0 , w̃ ∈ W̃ , (4.12)

où W̃ représente le même ensemble de mesures que celui introduit dans la Condition 2 et

Z τH
µθ0 (t, θ00 x) − y(t) h(t, θ00 x)W0 (t)dw̃(t).


φ(h, w̃) =
0

On suppose alors que ∇θ µθ0 (t, x) et ∇θ µ̂θ0 (t, x) peuvent se décomposer en xh1 (t, θ00 x) +
h2 (t, θ00 x), où h1 , h2 ∈ H0 . Alors, d’après une propriété de stabilité des classes de Donsker
(voir exemples 2.10.7 et 2.10.10 dans Van der Vaart et Wellner (1996)), il suffit de montrer
que H00 est une classe de Donsker pour conclure la preuve. On suppose que
Z ∞p
log N3 (ε)dε < +∞,
0

où N3 (ε) = N (ε, W̃, L∞ ) et on représente par {w̃j }1≤j≤N3 (ε) l’ensemble des N3 (ε) boules
recouvrant W̃. Finalement on utilisera l’ensemble des N2 (ε) × N3 (ε) fonctions
{φ(hi , w̃j )}1≤i≤N2 (ε),1≤j≤N3 (ε) pour recouvrir H00 . Pour tout h ∈ H0 , w̃ ∈ W̃, il existe un

129
CHAPITRE 4. Étude des évènements récurrents dans un SIM

i ∈ [1, N2 (ε)] et un j ∈ [1, N3 (ε)] tels que :

Z τH
µθ0 (t, θ00 x) − z(t) h(t, θ00 x) − hi (t, θ00 x) W0 (t)dw̃(t)



kφ(h, w̃) − φ(hi , w̃j )k∞ ≤
0 ∞
Z τH
µθ0 (t, θ00 x) − z(t) h(t, θ00 x)W0 (t) dw̃(t) − dw̃j (t)



+
0 ∞
Z τH
≤ Mε + kW̃ − W̃j k∞ dϕht (z, θ00 x) ,
0 ∞

où Mε > 0, ϕht (z, θ00 x) = µθ0 (t, θ00 x) − z(t) h(t, θ00 x)W0 (t) et la dernière égalité a été obtenue


Rτ
par intégration par partie. Ainsi, tant que 0 H W0 (t)dϕht (y, θ00 z) ∞ < ∞, G sera une classe
de Donsker.

4.3.2 Normalité asymptotique de θ̂ pour le cas paramétrique

Théorème 4.2. On suppose que l’égalité (4.2) est vérifiée. Soit θ̂(w), défini par (4.7). Sous
les Hypothèses 4.1 à 4.5, on a la représentation asymptotique suivante de θ̂(w),
( n Z
τH
−1 1X

θ̂(w) − θ0 = Vw,p Zi (t) − µ0 (t, Xi ; θ0 ) ∇θ µ0 (t, Xi ; θ0 )dw(t)
n 0
i=1
Z τHZ t 
 
+ ηs− (Ti , δi )E ∇θ µ0 (t, X; θ0 )dµ0 (s, X; θ0 ) dw(t) + Rn (w),
0 0

où
t
(1 − δ)1T ≤t
Z
1T ≥s dG(s)
ηt (T, δ) = −


1 − H(T −) 0 1 − H(s−) 1 − G(s−)
et supw∈W |Rn (w)| = oP (n−1/2 ). En conséquence, pour tout w ∈ W,
√
L
n θ̂(w) − θ0 −→ N (0, Σw,p ),

−1 ∆
où Σw,p = Vw,p −1
w,p Vw,p et ∆w,p est la matrice de covariance associée à chaque terme de la

somme entre accolades.

Remarque. Ce théorème nous donne donc une représentation i.i.d. de θ̂(w) − θ0 puisque le
terme entre accolades représente la somme de termes i.i.d. et d’espérance nulle. En effet,
h
i h   i
E µ0 (t, X; θ0 ) − Z(t) ∇θ µ0 (t, X; θ0 ) = E ∇θ µ0 (t, X; θ0 ) µ0 (t, X; θ0 ) − E Z(t)| X

= 0,

130
 4.3 Résultats asymptotiques

d’après (4.5). De plus, en utilisant l’Hypothèse 4.2, on montre que (voir la remarque du Théo-
rème 1.9)
 
E ηt (T, δ) = 0. (4.13)

Démonstration du Théorème 4.2. La démonstration de ce théorème se décompose en deux

parties. La première concerne la consistance de θ̂(w) vers θ0 tandis que la seconde nous donne
le théorème central limite de θ̂(w).

Consistance de θ̂(w)

En utilisant (i) du Lemme 4.1, on a

n Z T(n)
1X
Mn,w (θ, µ0 ) = −2Ŝn (µ0 (·, ·; θ), w) + µ0 (t, Xi ; θ)2 dw(t)
n 0
i=1
n Z
1 X T(n)
= −2Sn (µ0 (·, ·; θ), w) + µ0 (t, Xi ; θ)2 dw(t)
n 0
i=1
n Z τH Z t
1 X  
+ ηs− (Ti , δi )E µ0 (t, X; θ)dµ(s|X) dw(t) + Rn (µ0 (·, ·; θ), w),
n 0 0
i=1

où supw,θ Rn (µ0 (·, ·; θ), w) = oP (n−1/2 ). Puisque la classe de fonctions {µ0 : (t, x) ∈ [0, τH ] ×
X 7→ µ0 (t, θ0 x), θ ∈ Θ} vérifie la Condition 2,
Z τH
 
sup Sn (µ0 (·, ·; θ), w) − E Z(t)µ0 (t, X; θ) dw(t) = oP (1).
θ,w 0

De même, la classe de fonctions {µ20 : (t, x) ∈ [0, τH ] × X 7→ µ0 (t, θ0 x)2 , θ ∈ Θ} étant Glivenko-
Cantelli d’après la Condition 3, on a
n Z
1 X T(n)
Z τH
µ0 (t, Xi ; θ)2 dw(t) − E µ0 (t, X; θ)2 dw(t) = oP (1).
 
sup
θ,w n i=1 0 0

Enfin,
n Z τH Z t
1X  
sup ηs− (Ti , δi )E µ0 (t, X; θ)dµ(s|X) dw(t) = oP (1),
θ,w n i=1 0 0

d’après (4.13). On a donc montré que

sup |Mn,w (θ, µ0 ) − Mw (θ, µ0 )| = oP (1),

θ,w

131
CHAPITRE 4. Étude des évènements récurrents dans un SIM

ce qui nous donne la convergence uniforme (en w) en probabilité de θ̂(w) vers θ0 .

Théorème Central Limite de θ̂(w)

Pour obtenir le Théorème Central Limite pour θ̂(w), on utilise un développement de Taylor
de ∇θ Mn,w (θ, µ0 ) en θ0 :

∇θ Mn,w (θ̂, µ0 ) = ∇θ Mn,w (θ0 , µ0 ) + ∇2θ Mn,w (θ̃, µ0 )(θ̂ − θ0 ), (4.14)

pour un θ̃ entre θ̂ et θ0 . La partie gauche de (4.14) est nulle par définition de θ̂. De plus, pour
un n suffisament grand, la matrice ∇2θ Mn,w (θ̃, µ0 ) est presque sûrement inversible, d’après
l’Hypothèse 4.5, puisque θ̃ converge vers θ0 . On a ainsi,

−1
θ̂(w) − θ0 = −∇2θ Mn,w (θ̃, µ0 )∇θ Mn,w (θ0 , µ0 ).

On écrit,

∇2θ Mn,w (θ̃, µ0 )

n Z τH
1X 
= −2 Ŝn (∇2θ µ0 (·, ·; θ̃), w) − ∇θ µ0 (t, Xi ; θ̃)∇θ µ0 (t, Xi ; θ̃)0
n 0
i=1
n Z
 1 X τH 
+µ0 (t, Xi ; θ̃)∇2θ µ0 (t, Xi ; θ̃) dw(t) + ∇θ µ0 (t, Xi ; θ̃)∇θ µ0 (t, Xi ; θ̃)0
n
i=1 T(n)
!

+µ0 (t, Xi ; θ̃)∇2θ µ0 (t, Xi ; θ̃) dw(t)

=: −2 A1n,w (θ̃, µ0 ) + A2n,w (θ̃, µ0 ) + A3n,w (θ̃, µ0 ) ,

où

A1n,w (θ̃, µ0 ) = Ŝn (∇2θ µ0 (·, ·; θ̃), w),

n Z
1 X τH  
A2n,w (θ̃, µ0 ) = ∇θ µ0 (t, Xi ; θ̃)∇θ µ0 (t, Xi ; θ̃)0 + µ0 (t, Xi ; θ̃)∇2θ µ0 (t, Xi ; θ̃) dw(t),
n
i=1 0
n Z
1 X τH  
A3n,w (θ̃, µ0 ) = ∇θ µ0 (t, Xi ; θ̃)∇θ µ0 (t, Xi ; θ̃)0 + µ0 (t, Xi ; θ̃)∇2θ µ0 (t, Xi ; θ̃) dw(t).
n T(n)
i=1

132
 4.3 Résultats asymptotiques

En utilisant le théorème de convergence dominée de Lebesgue, A3n,w (θ̃, µ0 ) converge en

probabilité, uniformément par rapport à w, vers 0 puisque T(n) converge vers τH et
Z τH
E ∇θ µ0 (t, Xi ; θ0 )∇θ µ0 (t, Xi ; θ0 )0 + µ0 (t, X; θ0 )∇2θ µ0 (t, X; θ0 ) dw(t) < ∞.
 
0

Comme précédemment, on utilise le Lemme 4.1 pour A1n,w (θ̃, µ0 ). Puisque la classe de fonc-
tions {∇2θ µ0 : (t, x) ∈ [0, τH ] × X 7→ ∇2θ µ0 (t, θ0 x), θ ∈ Θ} vérifie les Conditions 2 et 3, et
puisque θ̃ converge uniformément en w vers θ0 , on a alors :
Z τH
E Z(t)∇2θ µ0 (t, X; θ0 ) dw(t) = oP (1).
 
sup A1n,w (θ̃, µ0 ) −
w 0

Pour A2n,w , puisque les classes de fonctions {µ0 : (t, x) 7→ µ0 (t, θ0 x), θ ∈ Θ}, {∇θ µ0 : (t, x) 7→
∇θ µ0 (t, θ0 x), θ ∈ Θ} et {∇2θ µ0 : (t, x) 7→ ∇2θ µ0 (t, θ0 x), θ ∈ Θ} vérifient les Conditions 2 et 3, le
terme
Z τH
E ∇θ µ0 (t, X; θ0 )∇θ µ0 (t, X; θ0 )0 − µ0 (t, X; θ0 )∇2θ µ0 (t, X; θ0 ) dw(t)
 
sup A2n,w (θ̃, µ0 ) −
w 0

converge en probabilité vers 0.

Enfin, on remarque que
Z τH
E µ0 (t, X; θ0 )∇2θ µ0 (t, X; θ0 ) − Z(t)∇2θ µ0 (t, X; θ0 ) dw(t)
 
0
Z τH h  i
= ∇2θ µ0 (t, X; θ0 )E E µ0 (t, X; θ0 ) − Z(t)|X dw(t)
0

= 0,

d’après la Proposition 4.9. On a donc montré que,

−1
sup ∇2θ Mn,w (θ̃, µ0 ) − ∇2θ Mw−1 (θ0 , µ0 ) = oP (1).
w

Finalement,
n Z
!
1 X τH
∇θ Mn,w (θ0 , µ0 ) = −2 Ŝn (∇θ µ0 (·, ·; θ0 ), w) − µ0 (t, X; θ0 )∇θ µ0 (t, X; θ0 )dw(t)
n
i=1 0
n Z
2 X τH
+ µ0 (t, X; θ0 )∇θ µ0 (t, X; θ0 )dw(t).
n T(n) i=1

133
CHAPITRE 4. Étude des évènements récurrents dans un SIM

On regarde la vitesse de convergence dans L1 du dernier terme. On a

√   √
nE 1T(n) ≤t<τH µ0 (t, X; θ0 )∇θ µ0 (t, X; θ0 ) ≤ nkµ0 ∇θ µ0 k∞ P(T(n) ≤ t < τH )
√


≤ nkµ0 ∇θ µ0 k∞ exp n log H(t) 1t<τH

et le terme à droite de l’inégalité converge vers 0. Ainsi, en utilisant le théorème de convergence

dominée de Lebesgue, on a
√ n Z
2 n X τH
sup µ0 (t, X; θ0 )∇θ µ0 (t, X; θ0 )dw(t) = oP (1),
w n T(n) i=1

puisque
Z τH
E [µ0 (t, X; θ0 )∇θ µ0 (t, X; θ0 )] dw(t) < ∞.
0

On conclut la preuve de ce théorème en utilisant une dernière fois la représentation asympto-

tique du Lemme 4.1 pour Ŝn (∇θ µ0 (·, ·; θ0 ), w).

4.3.3 Normalité asymptotique de θ̂ pour le cas semi-paramétrique

Théorème 4.3. On suppose que l’égalité (4.3) est vérifiée. Soit θ̂(w), défini par (4.8). Sous
les Hypothèses 4.1, 4.2 et 4.6 à 4.9, on a la représentation asymptotique suivante de θ̂(w),
( n Z
τH
−1 1X
Zi (t) − µθ0 (t, θ00 Xi ) ∇θ µθ0 (t, Xi )dw(t)


θ̂(w) − θ0 = Vw,sp
n 0
i=1
Z τHZ t 
0 0
 
+ ηs− (Ti , δi )E ∇θ µθ0 (t, θ0 X)dµθ0 (s, θ0 X) dw(t) + Rn (w),
0 0

où ηt (T, δ) a été défini au Théorème 4.2 et supw∈W |Rn (w)| = oP (n−1/2 ). En conséquence,
pour tout w ∈ W,
√ L
n(θ̂(w) − θ0 ) −→ N (0, Σw,sp ),

−1 ∆
où Σw,sp = Vw,sp −1
w,sp Vw,sp et ∆w,sp est la matrice de covariance associée à chaque terme de

la somme entre accolades.

Démonstration. La consistance de θ̂ se démontre exactement de la même manière que pour le

Théorème 4.2, en utilisant le (ii) du Lemme 4.1 et la convergence uniforme de µ̂θ obtenue par

134
 4.3 Résultats asymptotiques

l’Hypothèse 4.7. De même, on a

−1
θ̂(w) − θ0 = −∇2θ Mn,w (θ̃, µ̂θ̃ )∇θ Mn,w (θ0 , µ̂θ0 )

et
−1
sup k∇2θ Mn,w (θ̃, µ̂θ̃ ) − ∇2θ Mw−1 (θ0 , µθ0 )k = oP (1),
w

par les mêmes arguments que pour le Théorème 4.2, en utilisant cette fois le (ii) du Lemme 4.1.
La difficulté majeure ici, va être d’obtenir la représentation asymptotique de ∇θ Mn,w (θ0 , µ̂θ0 ).
On a
n
!
Z T(n)
1X
∇θ Mn,w (θ0 , µ̂θ0 ) = −2 Ŝn (∇θ µ̂θ0 (·, θ00 ·), w) − µ̂θ0 (t, θ00 Xi )∇θ µ̂θ0 (t, Xi )dw(t) .
n 0
i=1

On utilise à présent le (ii) du Lemme 4.1 :

∇θ Mn,w (θ0 , µ̂θ0 )

= ∇θ Mn,w (θ0 , µθ0 )

n Z
2 X τH
∇θ µθ0 (t, Xi ) − ∇θ µ̂θ0 (t, Xi )
− µ̄θ0 (t, θ00 Xi )λ1 +λ2 µθ0 (t, θ00 Xi ) − Zi (t) dw(t)
n 0 µ̄θ0 (t, θ00 Xi )λ1 +λ2
i=1
n Z
2 X τH µ̂θ0 (t, θ00 Xi ) − µθ0 (t, θ00 Xi )
+ 0 X )λ1 +λ2 µ̄θ0 (t, θ00 Xi )λ1 +λ2 ∇θ µθ0 (t, Xi )dw(t)
n µ̄ θ0 (t, θ 0 i
i=1 0
n
2 X τH µ̂θ0 (t, θ0 Xi ) − µθ0 (t, θ00 Xi ) ∇θ µ̂θ0 (t, Xi ) − ∇θ µθ0 (t, Xi )
0
Z


+ 0 X )2(λ1 +λ2 ) µ̄ (t, θ 0 X )−2(λ1 +λ2 )
dw(t)
n 0 µ̄ θ 0 (t, θ0 i θ0 0 i
i=1

+ R4n (w)

=: ∇θ Mn,w (θ0 , µθ0 ) + R1n (w) + R2n (w) + R3n (w) + R4n (w),

où R4n (w) vient du Lemme 4.1 et du passage de T(n) à τH dans les bornes d’intégration. Donc,
en utilisant les mêmes arguments que dans le Théorème 4.2,

sup kR4n (w)k = oP (n−1/2 ).

w

Les vitesses de convergence uniforme de µ̂θ0 − µθ0 et ∇θ µ̂θ0 − ∇θ µθ0 de l’Hypothèse 4.7 ainsi
que l’Hypothèse 4.8 nous donnent directement

sup kR3n (w)k = oP (n−1/2 ).

w

135
CHAPITRE 4. Étude des évènements récurrents dans un SIM

En utilisant l’Hypothèse 4.9 et les vitesses de convergence uniforme de l’Hypothèse 4.7, la

propriété d’équicontinuité des classes de Donsker nous donne
Z Z τH
µθ0 (t, θ00 x) − z(t) ∇θ µθ0 (t, x) − ∇θ µ̂θ0 (t, x) dPX,Z (x, z)dw(t)



R1n (w) = 2
0
∗
+ R1n (w)
Z τH Z


=2 ∇θ µθ0 (t, x) − ∇θ µ̂θ0 (t, x) dPX (x)
0Z 
0 ∗


× µθ0 (t, θ0 x) − z(t) dPZ|X (z|x) dw(t) + R1n (w),

∗ (w)k = o (n−1/2 ). Or
où supw kR1n P
Z
µθ0 (t, θ00 x) − z(t) dPZ|X (z|x) = E [µθ0 (t, θ00 x) − z(t)|Z = z] = 0,

d’après (4.5), donc

sup kR1n (w)k = oP (n−1/2 ).
w

R2n (w) se traite de la même façon. L’Hypothèse 4.9 et les vitesses de convergence uniforme de
l’Hypothèse 4.7 nous permettent d’utiliser la propriété d’équicontinuité des classes de Donsker
et d’avoir ainsi
ZZ τH
µ̂θ0 (t, θ00 x) − µθ0 (t, θ00 x) ∇θ µθ0 (t, x)dPX (x)dw(t)


R2n (w) = 2
0
∗
+ R2n (w)
Z Z τH Z 


=2 µ̂θ0 (t, u) − µθ0 (t, u) ∇θ µθ0 (t, x)dPX|θ00 X (x|u) dPθ00 X (u)dw(t)
0
∗
+ R2n (w),

∗ (w)k = o (n−1/2 ). Or
où supw kR2n P
Z
∇θ µθ0 (t, x)dPX|θ00 X (x|u) = E [∇θ µθ0 (t, X)|θ00 X = u] = 0,

d’après la Proposition 4.9, donc

sup kR2n (w)k = oP (n−1/2 ).

w

136
 4.3 Résultats asymptotiques

4.3.4 Choix adaptatif de la mesure

Les représentations uniformes en w ∈ W dans les Théorèmes 4.2 et 4.3 vont nous permettre
de choisir la mesure w de façon adaptative, c’est à dire à partir des données. Ainsi, nos
résultats nous autorisent à choisir un ensemble W qui améliore la qualité d’estimation de θ0 .
Nous présentons ici un critère de choix basé sur l’erreur quadratique de θ̂(w). On note Σw
pour représenter indifféremment Σw,p dans le cas paramétrique ou Σw,sp dans le cas semi-
paramétrique.
Considérons un ensemble fini Wn . On calcule alors Σw pour tout w ∈ Wn . On utilise ensuite
cet estimateur de la variance asymptotique pour calculer un estimateur de l’erreur quadratique
E 2 (w) = E [kθ̂(w)−θ0 k2 ]. On choisit alors ŵ comme l’élément de Wn qui minimise cette erreur
quadratique :

ŵ = arg min Ê(w),

w∈Wn

où Ê 2 (w) est un estimateur consistant de E 2 (w). Finalement,

θ̂ = θ̂(ŵ).

La convergence uniforme du reste dans les représentations asymptotiques des Théorèmes 4.2
et 4.3 nous donne alors :
√
L
n θ̂(ŵ) − θ0 −→ N (0, Σw0 ),

où Σŵ → Σw0 presque sûrement, pour un Σw0 ∈ Wn . La raison pour laquelle nous prenons un
ensemble fini Wn , vient simplement de la difficulté de minimiser sur tout l’ensemble Wn , qui
peut être par exemple un espace fonctionnel. La matrice limite Σw0 existe à partir du moment
où l’on prend une suite croissante de sous ensembles de Wn .

4.3.5 Estimation de la variance

On propose un estimateur de la variance dans le cas semi-paramétrique ainsi qu’un estima-

teur Ê 2 (w) de E 2 (w). On peut évidemment en déduire les estimateurs similaires pour le cas
paramétrique. On représente notre estimateur de µθ par µ̂θ . On appelle Wn,w le terme entre

137
CHAPITRE 4. Étude des évènements récurrents dans un SIM

crochets dans la représentation i.i.d. du Théorème 4.3 de telle sorte qu’on a

−1
θ̂(w) − θ0 = Vw,sp Wn,w + Rn (w),

où supw∈W |Rn (w)| = oP (n−1/2 ). On l’estime de la façon suivante :

n
1X
Ŵn,w = ψ̂(δi , Xi , Ti , Ẑi ; w),
n
i=1

où
Z τH
Ẑ(t) − µ̂θ̂ (t, θ̂0 X) ∇θ µ̂θ̂ (t, X)dw(t)


ψ̂(δ, X, T, Ẑ; w) =
0
Z τHZ t n
X
η̂s− (T, δ)n−1 ∇θ µ̂θ̂ (t, θ̂0 Xi )dµ̂θ̂ (s, θ̂0 Xi ) dw(t)


+
0 0 i=1

et
t
(1 − δ)1T ≤t
Z
1T ≥s dĜ(s)
η̂t (T, δ) = −

.
1 − Ĥ(T −) 0 1 − Ĥ(s−) 1 − Ĝ(s−)
On estime également Vw,sp par
n Z τH
1X
V̂w,sp = ∇θ µ̂θ̂ (t, Xi )∇θ µ̂θ̂ (t, Xi )0 dw(t).
n 0
i=1

−1 ∆
Finalement, la variance peut s’estimer par V̂w,sp ˆ w,sp V̂ −1 où
w,sp

n n
!⊗2
ˆ w,sp 1X 1X
∆ = ψ̂(δ, X, T, Ẑ; w) − ψ̂(δ, X, T, Ẑ; w) ,
n n
i=1 i=1

⊗2 représentant le produit de la matrice avec sa transposée. Pour le risque quadratique, on

prend
0 −1 −1
Ê 2 (w) = Ŵn,w V̂w,sp V̂w,sp Ŵn,w .

4.3.6 Estimation de la partie non-paramétrique

Dans le modèle semi-paramétrique (4.3), l’estimation de θ0 représente seulement la pre-

mière étape de notre procédure. Avec cet estimateur θ̂ à notre disposition, nous souhaitons
construire un estimateur de µ. D’un point de vue théorique, nous ne sommes pas obligés de
prendre le même type d’estimateur non-paramétrique que celui utilisé dans l’estimation de θ̂.

138
 4.3 Résultats asymptotiques

La Proposition 4.4 ci-dessous nous affirme que, sous certaines hypothèses de convergence, l’es-
timateur semi-paramétrique final de µ a le même comportement asymptotique que l’estimateur
purement non-paramétrique de µ dans le cas où θ0 est connu.

Proposition 4.4. Soit Θ∗ un voisinage de θ0 , et soit T un ensemble sur lequel

supθ∈Θ∗ ,t∈T ,x∈X k∇θ µθ (t, x)k < ∞. Soit µ̂θ , θ ∈ Θ une famille d’estimateurs non-paramétriques
de µθ tels que
sup k∇θ µ̂θ (t, x) − ∇θ µθ (t, x)k = oP (1). (4.15)
θ∈Θ∗ ,t∈T ,x∈X

Alors,
sup |µ̂θ̂ (t, θ̂0 x) − µ̂θ0 (t, θ00 x)| = OP (n−1/2 ).
t∈T ,x∈X

Démonstration. Un développement de Taylor de µ̂ en θ0 nous donne :

µ̂θ̂ (t, θ̂0 x) = µ̂θ0 (t, θ00 x) + (θ̂ − θ0 )0 ∇θ µ̂θ̃ (t, x),

pour θ̃ compris entre θ0 et θ̂. Le Théorème 4.3 nous assure que θ̂ − θ0 = OP (n−1/2 ) tandis que
la condition (4.15) et notre hypothèse sur ∇θ µθ (t, x) nous donnent le résultat désiré.

Les estimateurs à noyau que nous proposons dans l’équation (4.10) nécessitent un choix
adéquat de la fenêtre h pour avoir des estimateurs non-paramétriques performants. Une pre-
mière méthode pour déterminer notre estimateur final de θ0 serait de choisir une suite arbitraire
de fenêtres h et de calculer θ̂ pour chacune de ces fenêtres. Ensuite, avec une technique de
type cross-validation, on sélectionne la fenêtre ĥ et notre estimateur final devient µ̂θ̂,ĥ (t, θ̂0 x).
Cependant il nous semble plus intéressant de choisir une procédure qui choisit à la fois la
fenêtre adaptative ĥ et la direction θ̂. Cette procédure d’estimation est une extension de celles
proposées par Härdle et al. (1993) et Delecroix et al. (2006). Soit

(θ̂, ĥ) = arg min Mn,w (θ, µ̂θ,h ).

θ∈Θ,h∈H

Les estimateurs à noyau que nous utilisons (voir Section 4.5.2) vérifient bien les Hypothèses
4.7 et 4.9 et donc nous assurent que θ̂ vérifient les mêmes propriétés asymptotiques que dans le
Théorème 4.3. Par ailleurs la Proposition 4.5 ci-dessous nous montre que la fenêtre adaptative

139
CHAPITRE 4. Étude des évènements récurrents dans un SIM

ĥ est asymptotiquement équivalente à la fenêtre obtenue par validation croisée dans le cas où
θ0 est connu. Pour plus de clarté, les hypothèses concernant notre ensemble de fenêtres sont
introduites dans la Section 4.5.2.

Proposition 4.5. Soit H = [cn−a , Cn−a ], un ensemble de fenêtres satisfaisant l’Hypothèse

4.10 et soit

h0 = arg min Mn,w (θ0 , µ̂θ0 ,h ).

h∈H

Sous les hypothèses du Théorème 4.3 et sous réserve que

sup |µ̂θ,h (t, θ0 x) − µθ,h (t, θ0 x)| = oP (1),

h,t,x

on a

ĥ/h0 → 1,

presque sûrement.

Démonstration. Soit φ(h/h0 ) = Mn,w (θ0 , µ̂θ0 ,h ). Par définition de h0 , arg mins∈[c,C] φ(s) = 1.
Soit φn (h/h0 ) = arg minθ∈Θ Mn,w (θ, µ̂θ,h ). Par définition de ĥ, ĥ/h0 = arg mins∈[c,C] φn (s).
On a
n Z
2 X τH
Ẑi (t) µ̂θ,sh0 (t, θ0 Xi ) − µ̂θ,h0 (t, θ0 Xi ) dw(t)


φn (s) = φ(s) −
n
i=1 0
n
1 X τH
Z
µ̂θ,sh0 (t, θ0 Xi )2 − µ̂θ,h0 (t, θ0 Xi )2 dw(t) + Mn,w (θ, µ̂θ,h0 ).


+
n 0
i=1

A l’aide du Lemme 4.1 et de la convergence uniforme en h de µ̂, les deuxième et troisième

termes de la décomposition convergent vers 0 uniformément en s. Par ailleurs, le dernier terme
ne dépend pas de s. On a donc,

sup |φn (s) − φ(s)| = oP (1),

s

ce qui implique ĥ/h0 → 1 presque sûrement.

140
 4.4 Conclusion

4.4 Conclusion

Dans ce chapitre nous nous sommes intéressés à l’étude des évènements récurrents en
présence de censures en étudiant le processus de comptage N ∗ . Nous avons étudié deux modèles
de régression portant sur N ∗ : le premier est un modèle paramétrique tandis que le second,
plus général, est un modèle semi-paramétrique de type single-index. L’intérêt du second modèle
vient en particulier du fait qu’il généralise le modèle de Cox ou le modèle AFT dans le contexte
des évènements récurrents. Par ailleurs, notre procédure d’estimation prend en compte les
problèmes d’estimation dans les queues de distribution liés à l’estimateur de Kaplan-Meier. En
effet, nous avons introduit une mesure nous permettant de compenser les poids de l’estimateur
de Kaplan Meier, parfois trop importants dans les queues de distribution.
Notre méthode d’estimation nous permet également de choisir cette mesure de façon adap-
tative, c’est à dire à partir des données. Ainsi, nous avons pris un critère de choix de w basé
sur l’erreur quadratique de l’index, mais nous pouvons adapter nos résultats à d’autres cri-
tères. En particulier, il serait intéressant de voir ce qu’on obtient pour un critère qui prenne
en compte directement l’estimation de µ.

4.5 Résultats techniques

4.5.1 Preuve du Lemme 4.1

Soit
n Z T(n)
T 1X
Sn (n) (g, w) = Zi (t)g(Xi , t)dw(t).
n 0
i=1
On a :
n T(n) t


Ĝ(s−) − G(s−) dNi (s)
Z Z
T 1X
Ŝn (g, w) = Sn (n) (g, w) + g(Xi , t)

dw(t)
n 0 0 1 − G(s−) 1 − Ĝ(s−)
i=1
T
= Sn (n) (g, w) + Rn (g, w).

De plus, en utilisant les mêmes arguments que dans la démonstration du Théorème 4.2, on a
T
sup |Sn (n) (g, w) − Sn (g, w)| = oP (n−1/2 ).
w∈W,f ∈F

141
CHAPITRE 4. Étude des évènements récurrents dans un SIM

Soient τ < τH et wτ (t) = w(t)1t≤τ . Sur [0, τ ] on utilise la représentation asymptotique

i.i.d. de l’estimateur de Kaplan-Meier Ĝ énoncée au Théorème 1.9,
n
Ĝ(t) − G(t) 1X
= ηt (Tj , δj ) + R̃1n (t),
1 − G(t) n
j=1

où supt≤τ |R̃n (t)| = Op.s. (n−1 log n) et

t
(1 − δ)1T ≤t
Z
1T ≥s dG(s)
ηt (T, δ) = −

.
1 − H(T −) 0 1 − H(s−) 1 − G(s−)

De plus, on rappelle que le (ii) du Théorème 1.3 nous donne

sup |Ĝ(t) − G(t)| = OP (n−1/2 )

t≤τ

et
1 − G(t)
sup = OP (1).
t≤τ 1 − Ĝ(t)
On obtient donc,

1 X T(n)
Z Z t
ηs− (Tj , δj )dNi (s)
Rn (g, wτ ) = 2
g(Xi , t) dwτ (t) + R2n (g, wτ ).
n 0 0 1 − G(s−)
i,j

R
En utilisant le fait que F est un ensemble uniformément borné, que dwτ ≤ 1 et que
E [N (τ )] ≤ ∞ pour tout τ , on en déduit que

sup |R2n (g, wτ )| = OP (n−1 ).

g,w

Le terme principal de Rn (g, wτ ) peut se récrire de la façon suivante

 
n Z T(n) Z t Z
1X 1 X
ψ g,t (Xi , Ni , Tj , δj ) dwτ (t),
 
ηs− (Tj , δj )E g(X, t)dµ(s|X) dwτ (t) + 
n 0 0 n2
j=1 i,j

où
Z t  
g,t g(Xi , s)dNi (s)  
ψ (Xi , Ni , Tj , δj ) = ηs− (Tj , δj ) − E g(X, s)dµ(s|X) .
0 1 − G(s−)

On observe de plus qu’il est possible de remplacer la borne T(n) par τ dans les intégrales, avec

142
 4.5 Résultats techniques

probabilité tendant vers 1. Soient (g, g 0 ) ∈ G 2 et (t, t0 ) ∈ [0, τ ]2 , on a alors,

0 0 0
|ψ g,t (Zi , Ni , Tj , δj ) − ψ g ,t (Zi , Ni , Tj , δj )| ≤ |ψ g,t (Zi , Ni , Tj , δj ) − ψ g,t (Zi , Ni , Tj , δj )|
0 0 0
+ |ψ g,t (Zi , Ni , Tj , δj ) − ψ g ,t (Zi , Ni , Tj , δj )|

≤ Cτ kg − g 0 k∞ Ni (τ )
|Ni (t) − Ni (t0 )|
+ Cτ0 |t − t0 |α sup ,
t,t0 ≤τ |t − t0 |α
où Cτ , Cτ0 < ∞ et α > 0. Soit Hτ l’ensemble de toutes les fonctions ψ g,t pour g ∈ G et t ∈ [0, τ ].
Cette dernière inégalité et l’Hypothèse 4.4 nous assurent alors que Hτ est une VC-classe de
fonctions uniformément bornées. La propriété de Glivenko-Cantelli de cette classe nous donne
n
1 X g,t
sup 2 ψ (Xi , Ni , Ti , δi ) = OP (n−1 ).
g,t≤τ n
i=1

D’autre part, le Théorème B.1 nous donne

1 X g,t
sup ψ (Xi , Ni , Tj , δj ) = OP (n−1 ),
g,t≤τ n2
i6=j

puisque cette quantité peut être vue comme un U −processus dégénéré d’ordre deux indexé
par Hτ . On a donc obtenu la représentation i.i.d. pour Ŝn (g, wτ ), τ < τH . Pour obtenir la
représentation pour Ŝn (ĝ, wτ ), on écrit
T
Ŝn (ĝ, wτ ) = Sn (n) (ĝ, wτ ) + Rn (ĝ − f, wτ ) + Rn (g, wτ ).

En utilisant le fait que

sup kg − ĝk∞ = oP (1),
g∈G

et
sup |Ĝ(t) − G(t)| = OP (n−1/2 ),
t≤τ

on en déduit que supg,w |Rn (g − ĝ, wτ )| = oP (n−1/2 ) ce qui nous donne la représentation pour
Ŝn (ĝ, wτ ).
On veut maintenant faire tendre τ vers τH . Pour cela on va devoir utiliser des arguments
de tension en utilisant notamment le Lemme 1.11. Soient
T
P̂nτ (g, w) = Ŝn (g, w) − Sn (n) (g, w),

143
CHAPITRE 4. Étude des évènements récurrents dans un SIM

T
et Pnτ (f, w) = Ŝn (f, wτ ) − Sn (n) (f, wτ ). Puisque la classe de fonctions G est uniformément
bornée, on a
n Z
M X T(n) t |Ĝ(s−) − G(s−)|
Z
|P̂nτ (g, w) − Pnτ (g, w)| ≤ dNi (s)dw(t)
n τ 0 [1 − G(s−)][1 − Ĝ(s−)]
i=1
n Z
M 0 X T(n) W0 (s ∨ τ )|Ĝ(s−) − G(s−)|dNi (s)
≤ ,
n 0 [1 − G(s−)][1 − Ĝ(s−)]
i=1

où la dernière inégalité vient du théorème de Fubini et de l’Hypothèse 4.3. Le Théorème 1.3,

notre condition sur W1 de l’Hypothèse 4.3 et en utilisant le fait que supt≤T(n) (1 − G(t−))(1 −
Ĝ(t−))−1 = OP (1) on a,
n Z
An X T(n) W2 (s ∨ τ )dNi (s)
|P̂nτ (f, w) − Pnτ (f, w)| ≤ ,
n 0 1 − G(s−)
i=1

où An = OP (n−1/2 ). On conclut alors en utilisant le Lemme 1.11.

4.5.2 Convergence uniforme des estimateurs non-paramétriques

Dans cette section nous allons montrer que l’estimateur à noyau µ̂θ défini par (4.10) vérifie
les vitesses de convergence de l’Hypothèse 4.7. On introduit la quantité
 
n u−θ0 Xi
X Z t K h dNi (s)
µ̃θ,h (t, u) =  
,
Pn u−θ0 Xj
i=1 0 j=1 K h 1 − G(s−)

qui correspond à notre estimateur non-paramétrique où l’on a remplacé Ĝ par la vraie fonction
G. La technique est la suivante : nous commençons tout d’abord par étudier la différence entre
µ̃θ,h et µθ,h et leurs dérivées partielles d’ordre un et deux. Puisque l’estimateur de Kaplan-
Meier n’intervient pas dans ces quantités, on peut utiliser les résultats sur les convergences
uniformes d’estimateurs à noyau, similaires à ceux obtenus dans la Section 2.2.3. Puis nous
étudierons ensuite la différence entre µ̂θ,h et µ̃θ,h et leurs dérivées partielles d’ordre un et deux.

144
 4.5 Résultats techniques

Hypothèse 4.10. On suppose que

(i) K est un noyau 2 fois différentiable et d’ordre 2 dont ses dérivées partielles d’ordre 0, 1
et 2 sont à variations bornées. Il est également à support compact, disons [−1/2, 1/2] et
R
R K(s)ds = 1,

(ii) κ := kKk∞ = supx∈R |K(x)| < ∞,

(iii) K := {K (x − ·)/h : h > 0, x ∈ Rd } est une classe de fonctions mesurables ponctuelle-

ment,

(iv) h ∈ Hn ⊂ [an−α , bn−α ] avec a, b ∈ R, 1/8 < α < 1/5.

La fonction de trimming J est définie de la même façon que dans la Section 2.2.2, en
gardant les mêmes notations. Ainsi notre estimateur préliminaire sera défini par

θn (w) = arg min Mn,w (θ, µ̂θ )JB (x)

θ∈Θ

et notre estimateur final par

θ̂(w) = arg min Mn,w (θ, µ̂θ )Jˆ0 (x, c),

θ∈Θn

où Θn est un voisinage décroissant de θ0 basé sur l’estimateur préliminaire de θn .

Comme on l’a déjà dit, Jˆ0 est en fait équivalent à J0 (voir Delecroix et al. (2006)) ce qui nous
permettra de remplacer partout Jˆ0 par J0 .
La proposition suivante donne donc les vitesses de convergence de µ̃θ,h et de ses dérivées
partielles.

Proposition 4.6. Sous l’Hypothèse 4.10,

s
nh µ̃θ (t, θ0 x) − µθ (t, θ0 x)
sup = OP (1), (4.16)
t≤T(n) ,θ,x,h log n µ̄θ0 (t, θ00 x)λ1 +λ2
s
nh3 ∇θ µ̃θ (t, x) − ∇θ µθ (t, x)
sup = OP (1) , (4.17)
t≤T(n) ,θ,x,h log n µ̄θ0 (t, θ00 x)λ1 +λ2
s
nh5 ∇2θ µ̃θ (t, z) − ∇2θ µθ (t, x)
sup = OP (1) , (4.18)
t≤T(n) ,θ,x,h log n µ̄θ0 (t, θ00 x)λ1 +λ2

où les suprema sur x sont pris pour x ∈ X tels que Jθ (x, c) > 0, pour un c > 0.

145
CHAPITRE 4. Étude des évènements récurrents dans un SIM

Démonstration. Les preuves de (4.16)-(4.18) sont toutes similaires. Nous n’étudierons que le
terme suivant, qui intervient dans la décomposition de (4.18) :
n  0 0
Z t
h 1 X (x − Xi )2 00 θ x − θ Xi dNi (s)
Âθ (t, z) := K .
nh3 µ̄θ0 (t, θ00 x)λ1 +λ2 h 0 1 − G(s−)
i=1

La preuve suit la démonstration de la Proposition 2.8. On peut donc vérifier que pour un
noyau vérifiant l’Hypothèse 4.10, on a, pour C > 0, 0 < ε < 1 et ν > 0, N (ε, K) ≤ Cε−ν . Par
n o
ailleurs la famille de fonctions (X, N ) 7−→ Ân,h
θ (t, x) vérifie les hypothèses de la Proposition
1 de Einmahl et Mason (2005). Soient
 0 0
Z t
(x − X)2
 
h 1 00 θ x − θ X dN (s)
Ãθ (t, x) := 3 E K ,
h µ̄θ0 (t, θ00 x)λ1 +λ2 h 0 1 − G(s−)
(  Z t )
2 2

∂ (x − X) dN (s)
Ahθ (t, x) := E θ0 X = u fθ0 X (u)
∂u2 µ̄θ0 (t, θ00 x)λ1 +λ2 0 1 − G(s−)
u=θ0 x
et en appliquant l’inégalité de Talagrand 2.4, on montre qu’on a :
s
nh5 h
sup |Â (t, x) − Ãhθ (t, x)| = OP (1) .
t≤T(n) ,θ,x,h log n θ

Quant au terme de biais, il se traite de façon identique au Théorème 2.6 par exemple.
Puisque notre noyau est d’ordre deux, on a donc :
 2  2
−2 E ∇θ µ̃θ (t, x) − ∇θ µθ (t, x)
sup h = OP (1) ,
t≤T(n) ,θ,x,h µ̄θ0 (t, θ00 x)λ1 +λ2

ce qui termine la preuve pour 4.18.

Il nous reste maintenant à étudier le terme µ̂θ,h − µ̃θ,h et ses dérivées partielles d’ordre
un et deux. Pour cela, on a besoin d’évaluer la différence entre les poids de l’estimateur de
Kaplan-Meier de la fonction µ̂θ,h et les poids de µ̃θ,h , faisant intervenir la vraie fonction G. Ce
résultat a été obtenu dans le Lemme 1.5.
Comme nos estimateurs non-paramétriques font intervenir Ĝ, ils vont souffrir de problèmes
dans les queues de distributions dûs à l’estimateur de Kaplan-Meier. Dans le Chapitre 1,
l’Hypothèse 1.4 nous permettait de remédier à ce problème grâce à une condition de moment
faisant intervenir la fonction CG . Nous introduisons ici une hypothèse semblable, mais adaptée
au contexte des évènements récurrents.

146
 4.5 Résultats techniques

Hypothèse 4.11. On suppose que pour un η > 0,

CG (t)7/20+η
sup <∞
t,x µ̃(t, θ00 x)λ1

et Rt
1 − G(s−) E N ∗ (s)dN ∗ (s)

 
0
sup
2 < ∞.
t,x 1 − G(t−) µ̃(t, θ00 x)2λ2

Proposition 4.7. Sous les Hypothèses 4.10 et 4.11, on a

µ̂θ (t, θ0 x) − µ̃θ (t, θ0 x) 

−7/20

sup = OP n , (4.19)
t≤T(n) ,θ,x,h µ̄θ0 (t, θ00 x)λ1 +λ2
∇θ µ̂θ (t, x) − ∇θ µ̃θ (t, x) 
−7/20

sup h = OP n , (4.20)
t≤T(n) ,θ,x,h µ̄θ0 (t, θ00 x)λ1 +λ2
∇2θ µ̂θ (t, x) − ∇2θ µ̃θ (t, x) 
−7/20

sup h2 = OP n , (4.21)
t≤T(n) ,θ,x,h µ̄θ0 (t, θ00 x)λ1 +λ2

où les suprema sont pris pour des x tels que Jθ (θ0 x, c) > 0.

Démonstration. Nous ne donnons la démonstration que pour (4.21) puisque tous les autres
termes peuvent se traiter de façon similaire. Considérons le terme, faisant intervenir la dérivée
seconde de K :
n  0 0
 −1 Z t
1 X 2 00 θ x − θ Xi 0 λ1 +λ2 0


(x − Xi ) K µ̄ θ0 (t, θ0 x) fθ 0 X (θ x) Ŵ (s) − W̃ (s) dNi (s),
nh3 h 0
i=1

où l’on rappelle que Ŵ (s) = (1 − Ĝ(s−))−1 et W̃ (s) = (1 − G(s−))−1 . En utilisant le Lemme

1.5, ce terme peut être borné par
n
θ0 x − θ0 Xi t
  Z
1 X 00
α
R3n (t, θ, x, h) K µ̄θ0 (t, θ00 x)−(λ1 +λ2 ) W̃ (s)CG (s)α(1/2+ε) dNi (s) ,
nh h 0
i=1
(4.22)
où
sup h2 R3n
α
(t, θ, x, h) = OP (n−α/2 ).
t,θ,x,h

Considérons maintenant la famille suivante de fonctions, indexées par t, θ, x et h,

θ0 x − θ0 X t
   Z 
00
(X, N ) 7−→ K µ̄θ0 (t, θ00 x)−(λ1 +λ2 ) W̃ (s)CG (s) α(1/2+ε)
dN (s) .
h 0

147
CHAPITRE 4. Étude des évènements récurrents dans un SIM

Cette famille est une VC-classe pour une enveloppe égale à

α(1/2+ε)
W̃ (t)CG (t)N (t)
sup 0 .
t,x µ̄θ0 (t, θ0 x) +λ2
λ1

Pour α = 7/10, cette enveloppe est de carré intégrable d’après l’Hypothèse 4.11 puisqu’on a
 !2 
W̃ (t)N (t) = W̃ (t)2  2

E E N (t)
µ̄θ0 (t, θ00 x)λ2 µ̄θ0 (t, θ00 x)2λ2

et
h
i h i
E d N (t)2 = E d N ∗ (t)2 1t≤C .

Ainsi, en intégrant des deux côtés on obtient, d’après l’Hypothèse 4.2,

Z t
2
E N ∗ (s)E 1s≤C |N ∗ (s) dN ∗ (s)
     
E N (t) =2
0
Z t
1 − G(s−) E [N ∗ (s)dN ∗ (s)] .


=2
0

Pour terminer, on a :
  0 0
 Z t 
1 00 θ x − θ X 0 −(λ1 +λ2 ) α(1/2+ε)
sup E K µ̄θ0 (t, θ0 x) W̃ (s)CG (s) dN (s) = O(1)
t,θ,x,h h h 0

et donc, les résultats de Sherman (1994) (voir Théorème B.1) nous permettent d’affirmer que
n
θ0 x − θ0 Xi t
  Z
1 X 00
sup K µ̄θ0 (t, θ00 x)−(λ1 +λ2 ) W̃ (s)CG (s)α(1/2+ε) dNi (s)
t,θ,x,h nh i=1
h 0

est un OP (1).

Alors, en combinant les Propositions 4.6 et 4.7 on obtient le résultat suivant.

Corollaire 4.8. Sous les Hypothèses 4.10 et 4.11,

sup |µ̂θ (t, θ0 x) − µθ (t, θ0 x)| · k∇θ µ̂θ (t, x) − ∇θ µθ (t, x)k = oP (n−1/2 ),
t≤T(n) ,θ,x,h

où les suprema sont pris pour des x tels que Jθ (θ0 x, c) > 0.

148
 4.5 Résultats techniques

4.5.3 Calcul du gradient de µθ0

Le lemme suivant nous donne une expression explicite du gradient de µθ0 , qui nous permet
en particulier d’en déduire que ce gradient est d’espérance conditionnelle nulle, en condition-
nant par rapport à θ00 X. Ce résultat est utilisé dans la preuve du Théorème 4.3.

Proposition 4.9. Si la fonction θ 7→ µθ (t|θ0 x) est différentiable, on a

∇θ µθ0 (t|X) = µ0θ0 (t|θ00 X) X − E [X|θ00 X] ,

où µ0θ0 (t|u) = ∂
∂u µθ0 (t|u). En particulier,

E ∇θ µθ0 (t|X)|θ00 X = 0.
 
(4.23)

Démonstration. On remarque tout d’abord que

h  i
E µθ0 (t|θ00 X)|θ0 X = E E N ∗ (t)|X |θ0 X = E N ∗ (t)|θ0 X = µθ (t|θ0 X),
    
(4.24)

d’après (4.3). Posons alors, pour θ ∈ Θ,

α(X, θ) = θ00 X − θ0 X.

D’après (4.24), on a
µθ (t|θ0 X) = E µθ0 (t|α(X, θ) + θ0 X)|θ0 X .
 

Soit
Γ(θ1 , θ2 ) = E µθ0 (t|α(X, θ1 ) + θ20 X)|θ20 X .
 

On conclut alors la preuve en remarquant que Γ(θ, θ) = µθ (t|θ0 X) et en écrivant :

∇θ1 Γ(θ1 , θ0 )|θ1 =θ0 = −µ0θ0 (t|θ00 X)E X|θ00 X ,

 

∇θ2 Γ(θ0 , θ2 )|θ2 =θ0 = Xµ0θ0 (t|θ00 X).

149
CHAPITRE 4. Étude des évènements récurrents dans un SIM

150
Conclusion

Dans cette thèse, nous nous sommes intéressés à l’utilisation de modèles semi-paramétriques
pour la réduction de la dimension. Tout d’abord dans un contexte de données censurées puis
dans le contexte des évènements récurrents en présence de censure. Le modèle à direction ré-
vélatrice unique est particulièrement adapté à ces contextes puisque d’une part il nous permet
de pallier les problèmes de fléau de la dimension et d’autre part il généralise le modèle de Cox
dans chacun de ces cas.

Nous avons donc cherché, dans chaque cadre d’étude, à introduire des modèles à direction
révélatrice unique nous permettant ainsi de généraliser l’approche de Cox. D’autre part, nous
avons également proposé une méthode d’estimation prenant en compte les problèmes d’esti-
mation dans les queues de distribution. Les deux hypothèses que nous utilisons pour remédier
aux problèmes dans les queues de distribution ont été présentées au premier chapitre : on peut
soit utiliser une borne de troncation, soit utiliser des hypothèses de moment.
Ainsi, dans le troisième chapitre, nous avons présenté un modèle à direction révélatrice
unique pour estimer la densité conditionnelle, en présence de censures. La méthode de tronca-
tion des données nous a alors semblé judicieuse ici puisqu’en tronquant nos observations, nous
conservons un modèle à direction révélatrice unique pour le même index de la régression.

Dans le contexte des évènements récurrents, nous nous sommes penchés sur l’étude du
processus de comptage des évènements récurrents. Nous avons alors introduit un modèle de
régression satisfaisant une hypothèse à direction révélatrice unique. Encore une fois, nous avons
dû faire face aux problèmes d’estimation dans les queues de distribution, dûs à l’estimateur
de Kaplan-Meier. En introduisant une mesure, nous avons pu utiliser des conditions de mo-

151
Conclusion

ment (similaires à celle introduite au Chapitre 1) nous permettant de contrôler les poids de
l’estimateur de Kaplan-Meier.

Dans ces deux contextes, nous avons également implémenté une méthode de choix adaptatif
des paramètres intervenant dans les procédures d’estimation. Ainsi, pour l’étude de la densité
conditionnelle, nous proposons une méthode nous permettant de choisir la borne de tronca-
tion et la fenêtre de lissage intervenant dans nos estimateurs à noyau à partir des données.
Les résultats de simulations nous ont alors permis de constater que la qualité d’estimation
était relativement sensible à ce choix de τ . En effet, on constate qu’un choix judicieux de la
borne nous permet d’améliorer de façon notable la performance de notre estimateur. Pour
l’étude du processus de comptage, nous choisissons également la mesure à partir des don-
nées, nous permettant ainsi de contrôler les poids, parfois trop grands, de l’estimateur de
Kaplan-Meier. Même si notre procédure d’estimation considère toute une famille d’estima-
teurs non-paramétriques, nous avons également proposé une méthode de choix de la fenêtre de
lissage dans le cas où l’on utilise un estimateur à noyau, permettant ainsi à notre procédure
de s’adapter au jeu de données. Pour obtenir les propriétés théoriques de nos méthodes d’es-
timation, nous avons dû alors faire appel des éléments de théorie des processus empiriques,
notamment des inégalités de concentration permettant de démontrer la convergence uniforme
d’estimateurs non paramétriques, ainsi que des résultats issus de la théorie des martingales.

Dans le troisième chapitre, il semblerait intéressant, d’un point de vue pratique, d’in-
troduire de nouveaux critères de choix de τ . Nous avons choisi un critère basé sur l’erreur
quadratique de l’estimation de l’index, mais on pourrait penser par exemple à un critère mi-
nimisant l’erreur d’estimation de la densité conditionnelle. De même, dans un premier temps,
nous n’avons considéré que des estimateurs à noyaux pour estimer la partie non paramétrique.
Cependant, nos résultats peuvent vraisemblablement s’adapter à d’autres types d’estimateurs.
Il serait alors intéressant d’essayer d’étendre nos résultats, par exemple pour des estimateurs
par polynômes locaux ou des estimateurs par projection.

Dans le cadre des évènements récurrents, il reste encore à étudier la performance de nos

152
estimateurs en pratique. Ici également nous projetons d’étudier différents critères de choix
de la mesure et d’étudier leurs impacts sur la qualité d’estimation. D’un point de vue plus
théorique, il serait intéressant d’étudier un modèle où l’index de la régression dépend du temps.
En utilisant les notations du Chapitre 4, on s’intéresserait donc au modèle suivant :

E [N ∗ (t)|X] = E [N ∗ (t)|θ0 (t)0 X].

Pour commencer, on pourra supposer que θ0 (t) est constant par morceau et il nous suffira alors
d’estimer les instants de saut de l’index. De la même manière, on pourra également étudier le
cas où les covariables X dépendent du temps.
Dans ces deux parties, nous n’avons obtenu que des résultats asymptotiques. Il serait alors
intéressant d’étudier le comportement de nos estimateurs à distance finie, puisque cela nous
permettrait sans doute d’améliorer nos procédures adaptatives de choix des paramètres. Alors
qu’il semble tout à fait possible d’obtenir ces résultats quand nos observations ne sont pas
censurées, cela parait plus difficile en présence de données censurées à moins d’imposer de
fortes conditions sur les queues de distribution. Même si Bitouzé et al. (1999) réussissent
à prendre en compte ces problèmes dans leurs résultats, leur procédure parait difficilement
applicable dans notre cadre d’étude. En effet, leurs résultats sur l’estimateur de Kaplan-Meier
reposent sur une pondération faisant intervenir la fonction de survie de la censure qui semble
difficile à introduire dans nos problèmes de régression.

153
154
Annexes

155
Annexe A

Un critère de convergence

On note ici D = D[0, 1], l’ensemble de toutes les fonctions continues à droite et limitées
à gauche, définies sur [0, 1]. Soit (Ω, A, P) un espace de probabilité et soit X une variable
aléatoire de Ω dans D, tel que X(w) est un élément de D ayant pour valeur en t, Xt (w) =
X(t, w). On note alors (Xt1 , . . . , Xtk ), le processus défini sur Rk qui associe à w le point
(Xt1 (w), . . . , Xtk (w)). Par ailleurs, X, X 1 , X 2 , . . . sont des fonctions aléatoires et on définit

w(f, δ) = sup |f (s) − f (t)|.

s,t

Sous réserve d’avoir la convergence en loi des trajectoires finies (Xt1 (w), . . . , Xtk (w)), le Théo-
rème 13.5 de Billingsley (1999) nous donne la convergence en loi de tout le processus X n .

Théorème A.1. On suppose qu’on a :

(i) pour tout t1 , . . . , tk ,

L
(Xtn1 , . . . , Xtnk ) −→ (Xt1 , . . . , Xtk ),
n→∞

(ii)
L
X1 − X1−δ −→ 0,
δ→0

(iii) et pour tout ε > 0, η > 0, il existe δ, 0 < δ < 1 et n0 tels que

P(w(X n , δ) ≥ ε) ≤ η, n ≥ n0 .

157
ANNEXE A. Un critère de convergence

Alors,
L
X n −→ X.
n→∞

Remarque. A l’origine, dans le théorème de Billingsley (1999), la condition (iii) est la sui-
vante :
P(w00 (X n , δ) ≥ ε) ≤ η, n ≥ n0 ,

où
w00 (f, δ) = sup {|f (t) − f (t1 )| ∧ |f (t2 ) − f (t)|} .
t1 ≤t≤t2
t2 −t1 ≤δ

Cependant, si on définit
w0 (f, δ) = inf max w(f, [ti−1 , ti )),
{ti } 1≤i≤v

où l’infimum est pris pour tous les ti tels que min1≤i≤v (ti − ti−1 ) > δ et où

w(x, δ) = sup sup |f (r) − f (s)|,

0≤t≤1−δ r,s∈[t,t+δ]

on a alors la relation
w00 (f, δ) ≤ w0 (f, δ) ≤ w(f, 2δ)

et on retrouve donc bien notre condition puisque

P(w00 (X n , δ) ≥ ε) ≤ P(w(X n , 2δ) ≥ ε).

158
Annexe B

Un résultat de convergence pour les

U -processus

Soient W1 , . . . , Wn , n variables aléatoires i.i.d, soit k un entier positif et F une classe de

fonctions à valeurs réelles. Pour tout k ≥ 1, on définit le processus

n! X
Unk (f ) = f (Wi1 , . . . , Wik ).
(n − k)!
i1 <···<ik

On appelle Unk (f ), une U -statistique d’ordre k (voir Serfling (1980)) et {Unk (f ) : f ∈ F} un

U -processus indexé par F d’ordre k (voir Sherman (1994) par exemple).
Exemple. Pour k = 1,
n
1X
Un1 (f ) = f (Wi ),
n
i=1
tandis que
1 X
(Wi − Wj )2
n(n − 1)
i<j

est une U -statistique d’ordre deux pour f (w1 , w2 ) = (w1 − w2 )2 .

Si on a :
 
E f (w1 , . . . , wi−1 , Wi , wi+1 , . . . , wk ) = 0,

pour tout f ∈ F on dit alors que la classe de fonctions F est dégénérée. Le résultat de Sherman
(1994) qui nous intéresse ici est le suivant :

159
ANNEXE B. Un résultat de convergence pour les U -processus

Théorème B.1. Soit F une VC-classe de fonctions dégénérée d’enveloppe de carré intégrable.
On a alors,
sup |nk/2 Unk f | = OP (1).
F

On peut trouver une preuve de ce résultat dans Sherman (1994). Nous utilisons ce théorème
dans les Chapitres 3 et 4.

160
Annexe C

L’inégalité de Lenglart

Nous rappelons ici un résultat bien connu dans l’étude des intégrales Kaplan-Meier. Il
met en avant l’intérêt de l’approche martingale dans le contexte des données censurées. En
particulier, on utilisera cette inégalité dans la représentation (1.9).
Au préalable, nous rappelons la définition de la variation quadratique hM (t), M (t)i. Soit
M une martingale par rapport à une filtration {Ft , t ≥ 0}. Si M est continue à droite et si pour
tout t ≥ 0, E M 2 (t) < ∞, alors il existe un unique processus croissant prévisible continu à
 

droite noté hM (·), M (·)i tel que :

(i) hM (0), M (0)i = 0 presque sûrement,

 
(ii) pour tout t ≥ 0, E hM (t), M (t)i < ∞,

(iii) M 2 (t) − hM (t), M (t)i est une martingale continue à droite par rapport à la filtration Ft .

Par exemple, dans la représentation (1.9), on peut voir que

Z t
G G 1Ti ≥w dG(w)
hMi (t), Mi (t)i = ,
0 1 − G(w−)

où
Z t
1Ti ≥w dG(w)
MiG (t) = (1 − δi )1Ti ≤t − .
0 1 − G(w−)
Pour plus de détails sur les outils martingales dans le contexte des données censurées, voir
Fleming et Harrington (1991).
Voici maintenant l’énoncé de l’inégalité de Lenglart, sous une forme appropriée à notre contexte.

161
ANNEXE C. L’inégalité de Lenglart

Théorème C.1. Soit M une martingale par rapport à la filtration {Ft , t ≥ 0} de carré inté-
grable. Soit f un processus prévisible, localement borné. Alors, pour tout temps d’arrêt τ tel
que P(τ < ∞) = 1 et pour tous ε, η > 0, on a :
Z t 2 ! Z τ 
η 2
P sup f (s)dM (s) ≥ ε ≤ + P f (s)dhM (t), M (t)i(s) ≥ η .
t≤τ 0 ε 0

On peut retrouver l’énoncé ainsi que la démonstration de ce théorème dans le livre de Fleming
et Harrington (1991).

162
Bibliographie

O. Aalen : Nonparametric inference for a family of counting processes. Ann. Statist., 6:701–
726, 1978.

P. Billingsley : Convergence of probability measures. Wiley Series in Probability and Sta-

tistics : Probability and Statistics. John Wiley & Sons Inc., New York, second édn, 1999.
ISBN 0-471-19745-9. A Wiley-Interscience Publication.

D. Bitouzé, B. Laurent et P. Massart : A Dvoretzky-Kiefer-Wolfowitz type inequality for

the Kaplan-Meier estimator. Ann. Inst. H. Poincaré Probab. Statist., 35(6):735–763, 1999.
ISSN 0246-0203.

D. Bosq et J.-P. Lecoutre : Théorie de l’estimation fonctionnelle, vol. 3 de Economie et

statistiques avancées. Economica, Paris, 1997.

N. Breslow et J. Crowley : A large sample study of the life table and product-limit
estimates under random censorship. Ann. Statist., 2:437–453, 1974.

E. Brunel et F. Comte : Adaptive nonparametric regression estimation in presence of right

censoring. Math. Methods Statist., 15(3):233–255, 2006.

D. R. Cox : Regression models and life-tables. J. Roy. Statist. Soc. Ser. B, 34:187–220, 1972.

P. Deheuvels et D. M. Mason : General asymptotic confidence bands based on kernel-type

function estimators. Stat. Inference Stoch. Process., 7(3):225–277, 2004.

163
BIBLIOGRAPHIE

M. Delecroix et G. Geenens : A survey about single-index models theory. J. Statist. Plann.

Inference, 1(2):203–230, 2006.

M. Delecroix, W. Härdle et M. Hristache : Efficient estimation in conditional single-

index regression. J. Multivariate Anal., 86(2):213–226, 2003.

M. Delecroix et M. Hristache : M -estimateurs semi-paramétriques dans les modèles à

direction révélatrice unique. Bull. Belg. Math. Soc. Simon Stevin, 6(2):161–185, 1999.

M. Delecroix, M. Hristache et V. Patilea : On semiparametric M -estimation in single-

index regression. J. Statist. Plann. Inference, 136(3):730–769, 2006.

M. Delecroix, O. Lopez et V. Patilea : Nonlinear censored regression using synthetic

data. Scand. J. Statist., 35(2):248–265, 2008.

J. Dominitz et R. P. Sherman : Some convergence theory for iterative estimation procedures

with an application to semiparametric estimation. Econometric Theory, 21(4):838–863, 2005.

U. Einmahl et D. M. Mason : An empirical process approach to the uniform consistency of

kernel-type function estimators. J. Theoret. Probab., 13(1):1–37, 2000.

U. Einmahl et D. M. Mason : Uniform in bandwidth consistency of kernel-type function

estimators. Ann. Statist., 33(3):1380–1403, 2005.

J. Fan et T. H. Yim : A crossvalidation method for estimating conditional densities. Biome-

trika, 91(4):819–834, 2004.

T. Fleming et D. Harrington : Counting processes and survival analysis. Wiley, New-York,

1991.

A. Gannoun, J. Saracco, A. Yuan et G. E. Bonney : Non-parametric quantile regression

with censored data. Scand. J. Statist., 32(4):527–550, 2005.

D. Ghosh et D. Lin : Nonparametric analysis of recurrent events and death. Biometrics,

56:554–562, 2000.

164
 BIBLIOGRAPHIE

I. Gijbels et N. Veraverbeke : Almost sure asymptotic representation for a class of functio-

nals of the Kaplan-Meier estimator. Ann. Statist., 19(3):1457–1470, 1991. ISSN 0090-5364.

R. Gill : Censoring and stochastic integrals. Mathematical Centre Tracts 124, Mathematisch
Centrum, Amsterdam, 1980.

R. Gill : Large sample behavior of the product-limit estimator on the whole line. Ann.
Statist., 11:49–58, 1983.

E. Giné et A. Guillou : Rates of strong uniform consistency for multivariate kernel density
estimators. Ann. Inst. H. Poincaré Probab. Statist., 38(6):907–921, 2002. En l’honneur de
J. Bretagnolle, D. Dacunha-Castelle, I. Ibragimov.

P. Hall : On projection pursuit regression. Ann. Statist., 17(2):573–588, 1989.

W. Härdle, P. Hall et H. Ichimura : Optimal smoothing in single-index models. Ann.

Statist., 21(1):157–178, 1993.

W. Härdle et T. M. Stoker : Investigating smooth multiple regression by the method of

average derivatives. J. Amer. Statist. Assoc., 84(408):986–995, 1989.

C. Heuchenne et I. Van Keilegom : Nonlinear regression with censored data. Technome-

trics, 49(1):34–44, 2007.

M. Hristache, A. Juditsky et V. Spokoiny : Direct estimation of the index coefficient in

a single-index model. Ann. Statist., 29(3):595–623, 2001.

H. Ichimura : Semiparametric least squares (SLS) and weighted SLS estimation of single-
index models. J. Econometrics, 58(1-2):71–120, 1993.

H. Koul, V. Susarla et J. Van Ryzin : Regression analysis with randomly right-censored

data. Ann. Statist., 9(6):1276–1288, 1981.

E. Lenglart : Relation de domination entre deux processus. Ann. Inst. H. Poincaré Sect. B
(N.S.), 13(2):171–179, 1977.

165
BIBLIOGRAPHIE

O. Lopez et V. Patilea : Nonparametric lack-of-fit tests for parametric mean-regression

models with censored data. J. Multivariate Anal., 100(1):210–230, 2009. ISSN 0047-259X.

O. Lopez : Single-index regression models with right-censored responses. J. Statist. Plann.

Inference, 139(3):1082–1097, 2009.

X. Lu et M. D. Burke : Censored multiple regression by the method of average derivatives.

J. Multivariate Anal., 95(1):182–205, 2005.

D. Mauro : A combinatoric approach to the Kaplan-Meier estimator. Ann. Statist., 13

(1):142–149, 1985.

R. Miller et J. Halpern : Regression with censored data. Biometrika, 69(3):521–531, 1982.

E. Nadaraya : On estimating regression. Theory. Probab. Appl., 9:141–142, 1964.

W. Nelson : Hazard plotting for incomplete failure data. J. Qual. Technol., 1(1):27–52, 1969.

W. Nelson : Thery and applications of hazard plotting for censored failure data. Technome-
trics, 14(1):945–965, 1972.

W. K. Newey et T. M. Stoker : Efficiency of weighted average derivative estimators and

index models. Econometrica, 61(5):1199–1223, 1993.

D. Nolan et D. Pollard : U -processes : rates of convergence. Ann. Statist., 15(2):780–799,

1987. ISSN 0090-5364.

A. Pakes et D. Pollard : Simulation and the asymptotics of optimization estimators.

Econometrica, 57(5):1027–1057, 1989. ISSN 0012-9682.

E. Parzen : On estimation of a probability density function and mode. Ann. Math. Statist.,
33:1065–1076, 1962. ISSN 0003-4851.

J. L. Powell, J. H. Stock et T. M. Stoker : Semiparametric estimation of index coefficients.

Econometrica, 57(6):1403–1430, 1989. ISSN 0012-9682.

166
 BIBLIOGRAPHIE

M. Rosenblatt : Remarks on some nonparametric estimates of a density function. Ann.

Math. Statist., 27:832–837, 1956.

M. Rosenblatt : Curve estimates. Ann. Math. Statist., 42:1815–1842, 1971.

C. Sánchez Sellero, W. González Manteiga et I. Van Keilegom : Uniform repre-

sentation of product-limit integrals with applications. Scand. J. Statist., 32(4):563–581,
2005.

G. A. Satten et S. Datta : The Kaplan-Meier estimator as an inverse-probability-of-censoring

weighted average. Amer. Statist., 55(3):207–210, 2001.

R. Serfling : Approximation theorems of mathematical statistics. Wiley, New-York, 1980.

R. P. Sherman : Maximal inequalities for degenerate U -processes with applications to opti-

mization estimators. Ann. Statist., 22(1):439–459, 1994.

B. W. Silverman : Weak and strong uniform consistency of the kernel estimate of a density
and its derivatives. Ann. Statist., 6(1):177–184, 1978.

C. J. Stone : Optimal global rates of convergence for nonparametric regression. Ann. Statist.,
10(4):1040–1053, 1982. ISSN 0090-5364.

W. Stute, W. González Manteiga et C. Sánchez Sellero : Nonparametric model

checks in censored regression. Comm. Statist. Theory Methods, 29(7):1611–1629, 2000.

W. Stute et J.-L. Wang : The strong law under random censorship. Ann. Statist., 21
(3):1591–1607, 1993.

W. Stute : Consistent estimation under random censorship when covariables are present. J.
Multivariate Anal., 45(1):89–103, 1993.

W. Stute : The bias of Kaplan-Meier integrals. Scand. J. Statist., 21(4):475–484, 1994.

W. Stute : The central limit theorem under random censorship. Ann. Statist., 23(2):422–439,
1995.

167
BIBLIOGRAPHIE

W. Stute : Distributional convergence under random censorship when covariables are present.
Scand. J. Statist., 23(4):461–471, 1996.

W. Stute : Nonlinear censored regression. Statist. Sinica, 9(4):1089–1102, 1999.

M. Talagrand : Sharper bounds for Gaussian and empirical processes. Ann. Probab., 22
(1):28–76, 1994.

A. B. Tsybakov : Introduction à l’estimation non-paramétrique, vol. 41 de Mathématiques &

Applications (Berlin) [Mathematics & Applications]. Springer-Verlag, Berlin, 2004.

A. W. Van der Vaart et J. A. Wellner : Weak convergence and empirical processes. Springer
Series in Statistics. Springer-Verlag, New York, 1996. With applications to statistics.

G. S. Watson : Smooth regression analysis. Sankhyā Ser. A, 26:359–372, 1964.

L. J. Wei, Z. Ying et D. Y. Lin : Linear regression analysis of censored survival data based
on rank tests. Biometrika, 77(4):845–851, 1990.

M. Zhou : Two-sided bias bound of the Kaplan-Meier estimator. Probab. Theory Related
Fields, 79(2):165–173, 1988.

168