Programme et résumés (pdf) - Société statistique du Canada

124 Mardi 30 mai • Tuesday, May 30, 13:15–14:45Session 07G Mardi 30 mai • Tuesday, May 30, 13:15–14:45 SSC3014Tail Behaviour and Elliptically Contoured DistributionsComportement des ailes et distributions à contours elliptiques[MS-129]A Simulation Study of the GMM and the Second-order Least Squares Estimators in Nonlinear ModelsUne étude de simulation pour les estimateurs MMG et des moindres carrés du second ordre sous desmodèles non linéairesTaraneh ABARIN, University of ManitobaLa méthode des moments généralisée (MMG) est une techniqued’estimation largement appliquée en présence, entreautres, de modèles de régression non linéaire. Wang etLablanc (2005) ont étendu la méthode d’estimation parmoindres carrés ordinaire en incluant, dans la fonction cri-tère, la distance entre le carré de la variable réponse et sondeuxième moment conditionnel. Il a été montré que cet es-timateur, appelé estimateur des moindres carrés de secondordre (EMCS), est généralement asymptotiquement plus ef-ficace que l’estimateur des moindres carrés ordinaire. Cetteétude de simulation compare l’EMCS et l’estimateur MMGsous différents modèles de régression non linéaire.The Generalized Method of Moments (GMM) isa widely applied estimation technique in nonlinearregression models and many other setups. Wangand Leblanc (2005) extended the ordinary leastsquares estimation method by including in the criterionfunction the distance of the squared responsevariable to its second conditional moment. This socalledsecond-order least squares estimator (SLSE)has been shown to be asymptotically more efficientthan the ordinary least squares estimator in general.This simulation study compares the SLSE with theGMM estimator for various nonlinear regressionmodels.[MS-130]Robust Prediction Error Criterion for Pareto Modeling of Upper TailsUn critère robuste de prévision pour la modélisation Pareto des ailes supérieuresDebbie DUPUIS, HEC Montréal, Maria-Pia VICTORIA-FESER, Université de GenèveEstimation of the Pareto tail index from extreme orderstatistics is an important problem in many settings:income distributions, finance, and insurance.The upper tail of the distribution, where data aresparse, is typically fitted with a model such as thePareto model from which probabilities associatedwith extreme events are deduced. The success ofthis procedure relies heavily not only on the choiceof the estimator for the Pareto tail index but also onthe procedure used to determine the number of extremeorder statistics used for the estimation. Wedevelop and investigate a robust prediction errorcriterion.L’estimation de l’indice de Pareto à partir des statistiquesd’ordre extrêmes est un problème important dans plu-sieurs disciplines : les distributions de revenu, la financeet l’assurance. L’aile supérieure de la distribution, où lesdonnées sont rares, est souvent ajustée par un modèle tel quele modèle de Pareto. Les probabilités des événements ex-trêmes sont ensuite calculées à partir de ce dernier. Le suc-cès de cette procédure dépend beaucoup non seulement duchoix de l’estimateur de l’indice, mais aussi de la procédureutilisée pour déterminer le nombre de statistiques d’ordreextrêmes incluses dans l’estimation. Nous développons etexaminons un critère robuste de prévision.SH = Somerville House SSC = Social Science Centre UC = University College