Training course of the CE² 2022 Conference
Speaker: Yousri Slaoui
Associate Professor at University of Poitiers, France.
Bio: Yousri SLAOUI is Associate Professor at the Université de Poitiers. He holds a PhD in Mathematical statistics (2006, Université de Versailles). His research focuses on non-parametric statistics and stochastic block models with applications in biology, psychology and energy. He has been teaching statistics at the Université de Poitiers and has participated to several industrial projects.
Title: Statistique non-paramétrique :
De la théorie à l'application
Summary: Ce mini-cours est conçu pour avoir une vue de quelques sujets disponibles sur les statistiques non paramétriques. Dans la première partie, nous commençons par l’estimation d’une densité de probabilité, suivie par quelques résultats asymptotiques. Par ailleurs, nous soulignons l’intérêt du choix optimal du paramètre de lissage et nous proposons quelques approches pour automatiser ce choix. Par la suite, nous clôturons la première partie par des applications numériques sous le logiciel R.
Dans la seconde partie, nous proposons des estimateurs d’une fonction de régression. Ainsi, nous développons quelques résultats asymptotiques, par la suite l'accent sera porté sur l'automatisation du choix optimal du paramètre de lissage. Enfin, des applications sous le logiciel R seront mises en oeuvre pour illustrer les concepts abordés dans ledit minicours.
References:
Allaire, J. J., Y. Xie, J. McPherson, J. Luraschi, K. Ushey, A. Atkins, H. Wickham, J. Cheng, W. Chang, and R. Iannone. 2020. rmarkdown: Dynamic Documents for R. https://github.com/rstudio/rmarkdown.
Chacón, J. E., and T. Duong. 2018. Multivariate Kernel Smoothing and Its Applications. Vol. 160. Monographs on Statistics and Applied Probability. Boca Raton: CRC Press. https://doi.org/10.1201/9780429485572.
D’Agostino, R. B., and M. A. Stephens, eds. 1986. Goodness-of-Fit Techniques. Vol. 68. Statistics: Textbooks and Monographs. New York: Marcel Dekker. https://www.routledge.com/Goodness-of-Fit-Techniques/DAgostino/p/book/9780367580346.
DasGupta, A. 2008. Asymptotic Theory of Statistics and Probability. Springer Texts in Statistics. New York: Springer. https://doi.org/10.1007/978-0-387-75971-5.
Fan, J., and I. Gijbels. 1996. Local Polynomial Modelling and Its Applications. Vol. 66. Monographs on Statistics and Applied Probability. London: Chapman & Hall. https://doi.org/10.1201/9780203748725.
R Core Team. 2020. R: A Language and Environment for Statistical Computing. Vienna. https://www.R-project.org/. Scott, D. W. 2015. Multivariate Density Estimation. Second. Wiley Series in Probability and Statistics. Hoboken: John Wiley & Sons. https://doi.org/10.1002/9781118575574.
Sheskin, D. J. 2011. Handbook of Parametric and Nonparametric Statistical Procedures. Fifth. Boca Raton: CRC Press. https://doi.org/10.1201/9780429186196.
Silverman, B. W. 1986. Density Estimation for Statistics and Data Analysis. Monographs on Statistics and Applied Probability. London: Chapman & Hall. https://doi.org/10.1007/978-1-4899-3324-9.
Wand, M. P., and M. C. Jones. 1995. Kernel Smoothing. Vol. 60. Monographs on Statistics and Applied Probability. London: Chapman & Hall. https://doi.org/10.1201/b14876.
Wasserman, L. 2004. All of Statistics. Springer Texts in Statistics. New York: Springer. https://doi.org/10.1007/978-0-387-21736-9.
Wasserman, L. 2006. All of Nonparametric Statistics. Springer Texts in Statistics. New York: Springer. https://doi.org/10.1007/0-387-30623-4.
Xie, Y. 2016. Bookdown: Authoring Books and Technical Documents with R Markdown. The r Series. Boca Raton: CRC Press. https://bookdown.org/yihui/bookdown/.
Xie, Y. 2020. knitr: A General-Purpose Package for Dynamic Report Generation in R. https://CRAN.R-project.org/package=knitr.
Xie, Y., and J. J. Allaire. 2020. tufte: Tufte’s Styles for R Markdown Documents. https://CRAN.R-project.org/package=tufte.