T - International Actuarial Association
T - International Actuarial Association
T - International Actuarial Association
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Ĉ et ĉ sont discontinues par construction et leur discontinuité s’accentue lorsque T diminue.<br />
Dans la pratique, leur temps de calcul, croissant avec T, peut être assez long. Il est conseillé<br />
de ne pas choisir une valeur trop grande de T afin de limiter les temps de traitement<br />
informatique tout en veillant à ne pas retenir une valeur trop faible qui conduirait à des<br />
résultats trop discontinus, engendrant alors une perte d’information sur la forme de la<br />
distribution. Ces deux fonctions empiriques peuvent être utilisées graphiquement mais elles<br />
ne permettent pas par simple visualisation de choisir la famille paramétrique de copules la<br />
mieux adaptée à la structure de dépendance des données.<br />
2.8. Inférence statistique<br />
Cette partie présente les principales méthodes permettant d’estimer le paramètre de la copule.<br />
Méthode des moments<br />
Cette méthode revient à se donner une mesure de concordance<br />
κ C et à considérer que la<br />
valeur du paramètre a de la copule C est celle qui égalise la valeur théorique κ C(a)<br />
à<br />
ˆ κ C . Elle n’assure aucune robustesse de l’estimateur. Dans la pratique, l’estimateur<br />
empirique du tau de Kendall est le plus souvent utilisé comme mesure de concordance en<br />
raison de sa simplicité de calcul.<br />
Méthode du maximum de vraisemblance<br />
A partir du théorème 1 et de la définition 2, sous des conditions de continuité, la densité<br />
jointe de la distribution F s’écrit :<br />
f<br />
n<br />
1 fi(<br />
xi<br />
).<br />
( x ,..., xn<br />
) = c( F1<br />
( x1<br />
),..., Fn<br />
( xn)<br />
)∏<br />
i=<br />
1<br />
t t<br />
Soient {( x x } T 1 ,..., n)<br />
t= 1<br />
l’échantillon d’observations, θ le vecteur K × 1 des paramètres à estimer<br />
et Θ l’espace dans lequel θ prend ses valeurs.<br />
= T<br />
T n<br />
t<br />
1 ln fk<br />
( xk<br />
).<br />
t= 1 t= 1 k=<br />
1<br />
t<br />
t<br />
La log-vraisemblance s’exprime alors l(θ<br />
) ∑ln<br />
c(<br />
F ( x1<br />
),..., Fn<br />
( xn))<br />
+ ∑∑<br />
L’estimateur de θ , noté<br />
ˆML θ , est tel que l( ˆ θ ML ) ≥ l(<br />
θ ), ∀θ<br />
∈ Θ.<br />
Il vérifie la propriété de<br />
normalité asymptotique :<br />
( ˆ<br />
−1<br />
θ −θ 0<br />
) → N( 0, Ι ( θ ))<br />
T ML<br />
L<br />
0<br />
, avec Ι θ ) la matrice d’information de Fisher.<br />
( 0<br />
Le problème avec cette méthode est qu’elle peut engendrer des temps de calcul très longs<br />
dans le cas d’une grande dimension car elle nécessite d’estimer conjointement les paramètres<br />
des lois marginales et les paramètres de la structure de dépendance. De plus, l’estimation de<br />
la copule est sensible à une éventuelle erreur d’estimation des marginales car elles<br />
interviennent directement dans le calcul de la log-vraisemblance.<br />
12