Estimation récursive en régression inverse par tranches (sliced inverse regression)

Résumé : L'intérêt des méthodes récursives est de prendre en compte l'arrivée temporelle des informations et d'affiner ainsi au fil du temps les estimations. L'idée est d'utiliser les estimations calculées sur la base de données initiales et de les remettre à jour en tenant uniquement compte des nouvelles données arrivant dans la base. Le gain en terme de temps de calcul peut être très intéressant et les applications d'une telle approche sont nombreuses. Dans cet article, nous nous intéressons à la méthode SIR (sliced inverse regression, que l'on peut traduire par régression inverse par tranches) qui permet d'estimer le paramètre q dans un modèle semi-paramétrique de régression du type y = f ( x 0 q ; e ) sans avoir à estimer le paramètre fonctionnel f ni à spécifier la loi de l'erreur e . Dans le cas particulier où l'on considère H = 2 tranches, il est possible d'obtenir une expression analytique de l'estimateur de la direction de q . Nous proposons dans cet article une forme récursive pour cet estimateur. Nous donnons des propriétés asymptotiques de cet estimateur (convergence presque sûre et normalité asymptotique). Nous illustrons aussi sur des simulations le bon comportement numérique de l'approche récursive proposée. Un avantage majeur de l'utilisation de la forme récursive est que les temps de calculs des estimateurs sont beaucoup plus courts que ceux obtenus avec la forme non récursive, en particulier lorsque la dimension de x est grande.