You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
des nœuds on augmente <strong>le</strong> nombre de paramètres donc <strong>le</strong> temps de calcul. L’algorithmed’optimisation du nombre de nœuds a été déterminé selon une méthode graphique : lafonction de risque estimée est représentée graphiquement pour un nombre donné de nœuds,puis <strong>le</strong> nombre de nœuds est augmenté jusqu’à ce que <strong>le</strong> graphique de la fonction de risquereste inchangé ; <strong>le</strong> nombre de nœuds obtenu est alors considéré comme suffisant.3.3 Estimation du paramètre de lissageLe paramètre de lissage κ contrô<strong>le</strong> l’équilibre entre l’ajustement aux données et larégularité de la fonction estimée. Dans un but pratique, il est parfois suffisant de choisir<strong>le</strong>s paramètres de lissage de façon heuristique, en traçant plusieurs courbes et en choisissantcel<strong>le</strong> qui semb<strong>le</strong> la plus réaliste. Nous allons présenter brièvement deux autresapproches pour déterminer <strong>le</strong>s paramètres de lissage. Une première approche est de sedonner une connaissance a priori, en fixant <strong>le</strong> nombre de degrés de liberté pour estimerla courbe. Cependant il peut être plus satisfaisant d’utiliser une méthode automatique duchoix du paramètre de lissage puisqu’el<strong>le</strong> est moins subjective, cette seconde approche estcel<strong>le</strong> de la validation croisée.La méthode à degré de liberté fixé est relativement simp<strong>le</strong> à mettre en œuvre unefois que l’on a une bonne connaissance a priori de la forme de la fonction à estimer ;nous avons choisi de l’utiliser dans l’étude par simulations. Nous avons choisi d’utiliserla méthode par validation croisée uniquement dans l’application (chapitre 5) puisqu’el<strong>le</strong>demande des temps de calcul relativement longs. D’autre part nous n’avons pas adaptéla méthode de validation croisée au cas des modè<strong>le</strong>s à fragilité, el<strong>le</strong> est donc utilisée sousl’hypothèse d’indépendance des données.Nous nous sommes placés dans <strong>le</strong> cadre d’un modè<strong>le</strong> stratifié. Dans chaque souséchantillonou dans chaque strate un paramètre de lissage différent va être estimé.Notons tout d’abord que <strong>le</strong> terme de pénalisation peut éga<strong>le</strong>ment s’écrire :∫κ λ ′′0(u) 2 du = κη ′ Ωη (3.3)où Ω = ∫ M ′′ (u)M ′′ (u)du est la matrice des dérivées secondes des splines intégrés si <strong>le</strong>vecteur des paramètres est ζ ′ = η ′ = (η 1 , ..., η m ). Lorsque <strong>le</strong> vecteur des paramètres est