Nonparametric density estimation in compound Poisson process using convolution power estimators.

Abstract : Consider a compound Poisson process which is discretely observed with sampling interval $\Delta$ until exactly $n$ nonzero increments are obtained. The jump density and the intensity of the Poisson process are unknown. In this paper, we build and study parametric estimators of appropriate functions of the intensity, and an adaptive nonparametric estimator of the jump size density. The latter estimation method relies on nonparametric estimators of $m$-th convolution powers density. The $L^2$-risk of the adaptive estimator achieves the optimal rate in the minimax sense over Sobolev balls. Numerical simulation results on various jump densities enlight the good performances of the proposed estimator.
Type de document :
Article dans une revue
Metrika, Springer Verlag, 2014, 77 (1), pp.163-183. 〈10.1007/s00184-013-0475-3〉
Liste complète des métadonnées

Littérature citée [26 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-00780300
Contributeur : Fabienne Comte <>
Soumis le : mercredi 23 janvier 2013 - 16:39:41
Dernière modification le : mardi 10 octobre 2017 - 11:22:04
Document(s) archivé(s) le : mercredi 24 avril 2013 - 03:58:00

Fichier

GenonContribMetrika.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

Collections

Citation

Fabienne Comte, Céline Duval, Valentine Genon-Catalot. Nonparametric density estimation in compound Poisson process using convolution power estimators.. Metrika, Springer Verlag, 2014, 77 (1), pp.163-183. 〈10.1007/s00184-013-0475-3〉. 〈hal-00780300〉

Partager

Métriques

Consultations de
la notice

489

Téléchargements du document

279