The main subject of this thesis concerns the optimum design of experiments for discriminating between two rival mathematical models. In addition, optimality of designs for parameter estimation is investigated although restricted to binary response models. Optimal design theory and generalized linear models form the background for this work. The former provides the tools for construction of the optimum designs whereas the latter provides the framework in which the methods are developed. For model discrimination the procedures which are proposed may not only be applied to compare two regression models but also to compare two generalized linear models as long as they belong to the same subclass. The principle of the so called T-optimality criterion, originally introduced for discriminating between two regression models, is extended to other classes such as generalized linear models. Within each context a theorem based on the General Equivalence Theorem from the optimal design theory is shown to hold thus allowing both constructing and checking optimum designs. Optimum experimental designs to estimate the parameters of a binary response model is the other subject of this thesis. Initially, well known link functions such as logit, probit and complementary log-log are considered. Later, this range is widened by introducing a family of link functions which includes the logit and the complementary log-log links as particular members. One common feature of these two problems is that classical optimal designs depend on the unknown values of the model parameters. Therefore, only locally optimal designs can be obtained unless observations may be taken sequentially, in which case several methods to search for the optimum are available in the literature. As an alternative to locally and sequentially optimal experiments, Bayesian designs are introduced for both model discrimination and parameter estimation.

This thesis presents different methods of estimating the co-integrating parameter in a bivariate fractionally co-integrated model. The proposed estimates enjoy optimal convergence rates and standard asymptotic distributions, yielding Wald test statistics with x2 null limit distribution. In the last few years increasing interest has developed in the issue of fractional co-integration, where both the observable series and the co-integrating error can be fractional processes, nesting the familiar situation where their respective orders are 1 and 0. These values have typically been assumed known. Chapter 1 is mainly devoted to reviewing this traditional prescription and motivate the relevance of fractional co-integration. In Chapter 2, we analyse a fully parametric model where the co-integrating gap, that is the difference between the integration order of the observables and that of the co-integrating error, is larger than 0.5. There, we show that our estimates share with the Gaussian maximum likelihood estimate the same limiting distribution, irrespective of whether the orders of integration are known or unknown, subject in the latter case to their estimation with adequate rates of convergence. Chapter 3, still in a parametric framework, proposes estimates of the parameter of co-integration in case the co-integrating gap is less than 0.5. Again, we cover both situations where the orders of integration are known and unknown. Our estimates are inefficient relative to the Gaussian maximum likelihood, but share with this estimate optimal rate of convergence and asymptotic normality, being computationally much more convenient. Chapter 4 concentrates on both situations described in the previous two chapters from a semiparametric perspective, that is without assuming knowledge of the parametric structure of the input series generating the fractional processes in the model. Finally, Chapter 5 describes a simple procedure of testing for the equality of orders of integration of different series. This is as essential step in any empirical work in order to asses for the presence of co-integration in a certain estimated model.

No description available.

Η παρούσα μεταπτυχιακή διατριβή εντάσσεται ερευνητικά στην περιοχή της Στατιστικής Θεωρίας Αποφάσεων και ειδικότερα στη βελτίωση των εκτιμητών του μέτρου της διασποράς για την αντίστροφη κανονική κατανομή IG(μ,λ), όπου μ είναι η παράμετρος θέσης, ενώ το λ είναι η παράμετρος κλίμακος και εκφράζει το αντίστροφο μέτρο της διασποράς. Στο Κεφάλαιο 1 παρουσιάζονται κάποιοι χρήσιμοι, για την πορεία της μελέτης μας, ορισμοί και θεωρήματα, στο Κεφάλαιο 2 μελετάται το μοντέλο της αντίστροφης κανονικής κατανομής, δίνονται τα χαρακτηριστικά μεγέθη αυτής και υπολογίζονται γνωστοί εκτιμητές για το μέτρο της διασποράς. Στο Κεφάλαιο 3, εξετάζεται το πρόβλημα εκτίμησης του μέτρου της διασποράς , τόσο ως προς την τετραγωνική συνάρτηση ζημίας , όσο και προς την συνάρτηση ζημίας εντροπίας . Υπό ορισμένες συνθήκες, αποδεικνύεται η μη αποδεκτικότητα, του βέλτιστου αναλλοίωτου εκτιμητή, κατασκευάζοντας καλύτερους εκτιμητές τύπου Stein [1964, Ann. Inst. Statist. Math.]. Η μέθοδος κατασκευής αυτών των εκτιμητών παρουσιάστηκε στην εργασία των N. Pal and B. Sinha [1989, Statistical data analysis and inference]. Στο Κεφάλαιο 4, και για το ίδιο πρόβλημα εκτίμησης που πραγματεύεται το προηγούμενο κεφάλαιο,κατασκευάζονται καλύτεροι εκτιμητές από το βέλτιστο αναλλοίωτο εκτιμητή χρησιμοποιώντας την μεθοδολογία των Brewster and Zidek [1974, Ann. Statist.]. Η μέθοδος κατασκευής αυτών των εκτιμητών παρουσιάζεται στην εργασία των B.MacGibbon and G.Shorrock [1997, Statist. Probab. Lett.]. / The present postgraduate thesis is placed among the area of Statistical Decision Theory and especially we give improved estimators of dispersion of an inverse Gaussian distribution IG(μ,λ), where μ is the mean and λ is a parameter, known as inverse measure of dispersion. In Chapter 1 are some useful definitions and theorems are presented, in Chapter 2 the model of inverse Gaussian distribution is studied, we give some properties of the model and known estimators for the measure of dispersion , are presented. In Chapter 3, we examine the problem of estimating the measure of dispersion under quadratic and entropy losses. Under certain conditions, we derive improved estimators (Stein [1964, Ann. Inst. Statist. Math.]) of the best affine equivariant estimator for . The method of construction of these estimators is presented in the paper of N. Pal and B. Sinha [ 1989, Statistical data analysis and inference ]. In Capital 4, and for the same problem of estimating , improved estimators of the best affine equivariant estimator are derived, using the methodology of Brewster and Zidek [1974, Ann. Statist. ]. This method of construction of these estimators is presented in the paper of B. MacGibbon and G. Shorrock [1997, Statist. Probab. Lett. ].

Η παρούσα διατριβή εντάσσεται ερευνητικά στην περιοχή της στατιστικής θεωρίας αποφάσεων. Αντικείμενο της είναι η μελέτη προβλημάτων εκτίμησης ποσοστιαίου σημείου για το μοντέλο της παραμετρικής εκθετικής κατανομής. Στο πρώτο κεφάλαιο περιέχονται κάποιοι ορισμοί και παρουσιάζονται γνωστά αποτελέσματα. Στο δεύτερο κεφάλαιο παρατίθεται το μοντέλο της διπ. εκθετικής κατανομής και κατασκευάζονται γνωστοί εκτιμητές για το ποσοστιαίο σημείο της. Στο τρίτο κεφάλαιο εξετάζονται οι εκτιμητές τύπου stein, στο τέταρτο κεφάλαιο οι εκτιμητές τύπου bayes, ενώ στο τελευταίο κεφάλαιο δίνονται οι γραφικές παραστάσεις οι οποίες δείχνουν το ποσοστό βελτίωσης που πετυχαίνεται με την χρήση των πιο πάνω εκτιμητών. / This paper is enlisted in the area of the statistical decision theory. Its objective is the problem of estimation of the fraction point in the model of the exponential distribution with two parameters. In the first chapter, we propose simple and well known theorems, the second chapter comprises of the model of the exponential distribution and well known estimators for her fraction point, in the third chapter the stein estimators are presented, the fourth chapter has the bayes estimators and finally we present the graphical presentations.

- / -

Dans cette thèse nous considérons une population branchante générale où les individus vivent et se reproduisent de manière i.i.d. La durée de vie de chaque individu est distribuée suivant une mesure de probabilité arbitraire et chacun d'eux donne naissance à taux exponentiel. L'arbre décrivant la dynamique de cette population est connu sous le nom de splitting tree. Le processus comptant le nombre d’individus vivant au temps t est connu sous le nom de processus de Crump-Mode-Jagers binaire homogène, et il est connu que ce processus, quand correctement renormalisé, converge presque sûrement en temps long vers une variable aléatoire. Grâce à l'étude du splitting tree sous-jacent à la population via les outils introduit par A. Lambert en 2010, nous montrons un théorème central limite pour cette convergence p.s. dans le cas surcritique. Nous supposons, de plus, que les individus subissent des mutations à taux exponentiel sous l'hypothèse d'infinité d'allèles. Nous nous intéressons alors au spectre de fréquence allélique de la population qui compte la fréquence des tailles de familles dans la population à un instant donnée. Grâce aux méthodes développées dans cette thèse, nous obtenons des résultats d’approximations du spectre de Fréquence. Enfin nous nous intéressons à des questions statistiques sur des arbres de Galton-Watson conditionnés par leurs tailles. Le but est d'estimer la variance de la loi de naissance rendue inaccessible par le conditionnement. On utilise le fait que le processus de contour d'un tel arbre converge vers une excursion Brownienne quand la taille de l'arbre grandit afin de construire des estimateurs de la variance à partir de forêts / In this thesis we consider a general branching population. The lifetimes of the individuals are supposed to be i.i.d. random variables distributed according to an arbitrary distribution. Moreover, each individual gives birth to new individuals at Poisson rate independently from the other individuals. The tree underlying the dynamics of this population is called a splitting tree. The process which count the number of alive individuals at given times is known as binary homogeneous Crump-Mode-Jagers processes. Such processes are known, when properly renormalized, to converge almost surely to some random variable. Thanks to the study of the underlying splitting tree through the tools introduced by A. Lambert in 2010, we show a central limit theorem associated to this a.s. convergence. Moreover, we suppose that individuals undergo mutation at Poisson rate under the infinitely many alleles assumption. We are mainly interested in the so called allelic frequency spectrum which describes the frequency of sizes of families (i.e. sets of individuals carrying the same type) at fixed times. Thanks to the methods developedin this thesis, we are able to get approximation results for the frequency spectrum. In a last part, we study some statistical problems for size constrained Galton-Watson trees. Our goal is to estimate the variance of the birth distribution. Using that the contour process of such tree converges to a Brownian excursion as the size of the tree growth, we construct estimators of the variance of the birth distribution

Η παρούσα διπλωματική εργασία πραγματεύεται την μελέτη της μεθόδου Bootstrap στα πλαίσια συμπλήρωσης των ελλείψεων της DEA, κατά τον υπολογισμό της τεχνικής αποτελεσματικότητας διαφόρων μονάδων λήψης αποφάσεων. Πιο συγκεκριμένα θα μελετηθεί η Bootstrap ως μέσο για τον υπολογισμό της μεροληψίας, και διαστημάτων εμπιστοσύνης των efficiency scores που προκύπτουν από την χρήση της DEA. Όπως θα φανεί, η DEA, ως μία εφαρμογή του γραμμικού προγραμματισμού, αποτελεί μία μη παραμετρική μέθοδο υπολογισμού της τεχνικής αποτελεσματικότητας και χαρακτηρίζεται από το μειονέκτημα της έλλειψης στατιστικών μεγεθών καθώς και την αδυναμία να ξεχωρίσει τον θόρυβο από την αναποτελεσματικότητα. Η Bootstrap από την άλλη, αποτελεί μία επαναληπτική εφαρμογή της DEA, η οποία καλείται να δώσει λύση στα παραπάνω προβλήματα. Σκοπός της παρούσας διπλωματικής είναι να ελέγξει τον βαθμό στον οποίο η Bootstrap καταφέρνει να εκπληρώσει αυτή την αποστολή. Για το σκοπό αυτό χρησιμοποιούνται πραγματικά δεδομένα που αφορούν ιχθυοκαλλιέργειες που δραστηριοποιούνται στην ελληνική επικράτεια, ενώ οι υπολογισμοί γίνονται μέσω των προγραμμάτων DEAP και PIM – DEA v2.0. / The present diplomatic essay treats the study of Bootstrap method within the bounds of completion of DEA deficiencies during the estimation of technical efficiency of several decision-making units. More precisely it will be scrutinized bootstrap as a mean of estimating biasness and the confidence intervals of the efficiency scores, which arise from the use of DEA. As it will be come clear, DEA as an implementation of linear programming, constitutes a non-parametric method of estimating technical efficiency and is characterized by the drawback of non-distinguishing the noise by the inefficiency. On the other hand, bootstrap constitutes a repetitive implementation of DEA, which is assigned to give a solution to the above questions. The purpose of this essay is to verify the degree in which bootstrap completes this mission. For this reason there are used real data, which concern fish farms that are placed in Greek territory while, the calculations are executed through the programs DEAP and PIM – DEA V2.0

Η παρούσα μεταπτυχιακή διατριβή εντάσσεται ερευνητικά στην περιοχή της Στατιστικής Θεωρίας Αποφάσεων και ειδικότερα στην εκτίμηση των παραμέτρων στο μοντέλο της διπαραμετρικής εκθετικής κατανομής με παράμετρο θέσης μ και παράμετρο κλίμακος σ. Θεωρούμε ένα δείγμα n τυχαίων μεταβλητών, καθεμία από τις οποίες ακολουθεί την διπαραμετρική εκθετική κατανομή. Λογοκρίνουμε κάποιες αρχικές παρατηρήσεις και έστω ότι τερματίζουμε το πείραμά μας πριν αποτύχουν όλες οι συνιστώσες. Τότε προκύπτει ένα διπλά διακεκομμένο δείγμα διατεταγμένων παρατηρήσεων. Η εκτίμηση των παραμέτρων της διπαραμετρικής εκθετικής κατανομής, γίνεται από το συγκεκριμένο δείγμα. Πρώτα μελετάμε κάποιες βασικές έννοιες της Στατιστικής και της Εκτιμητικής και βρίσκουμε εκτιμητές για τις παραμέτρους. Πιο συγκεκριμένα, βρίσκουμε αμερόληπτο εκτιμητή ελάχιστης διασποράς, εκτιμητή μέγιστης πιθανοφάνειας, εκτιμητή με την μέθοδο των ροπών και τον βέλτιστο αναλλοίωτο εκτιμητή σε συγκεκριμένη κλάση, αντίστοιχα και για τις δύο παραμέτρους. Σαν βελτίωση των προηγούμενων εκτιμητών, ακολουθούν οι εκτιμητές τύπου Stein και, ολοκληρώνοντας, ασχολούμαστε με πρόβλεψη κατά Bayes για μια μελλοντική παρατήρηση / The present master thesis deals with the estimation of the location parameter μ and the scale parameter σ of the two-parameter exponential distribution. A sample n of random variables from the two-parameter exponential distribution is assumed. Part of the initial variables is censored and the experiment is terminated before all the components fail. A doubly censored sample emerges from which the two-parameter exponential distribution's parameters are estimated. First of all, basic Statistics' concepts are studied in order to estimate the parameters. More specifically, the Minimum Variance Unbiased Estimator (MVUE), the Maximum Likelihood Estimator (MLE), the estimator based on the Method of Moments and the best affine equivariant estimator are computed for both the parameters. To improve the previous estimators, the Stein method is used and to conclude the Bayes prediction is used for future observation

Plusieurs auteurs ont proposé récemment des modèles et des algorithmes pour l'estimation nonparamétrique de mélanges multivariés finis dont l'identifiabilité n'est pas toujours assurée. Entre les modèles considérés, l'hypothèse des coordonnées indépendantes conditionnelles à la sous-population de provenance des individus fait l'objet d'une attention croissante, en raison des développements théoriques et pratiques envisageables, particulièrement avec la multiplicité des variables qui entrent en jeu dans le framework statistique moderne. Dans ce travail, nous considérons d'abord un modèle plus général supposant l'indépendance, conditionnellement à la composante, de blocs multivariés de coordonnées au lieu de coordonnées univariées, permettant toute structure de dépendance à l'intérieur de ces blocs. Par conséquent, les fonctions de densité des blocs sont complètement multivariées et non paramétriques. Nous présentons des arguments d'identifiabilité et introduisons pour l'estimation dans ce modèle deux algorithmes méthodologiques dont les procédures de calcul ressemblent à un véritable algorithme EM mais incluent une étape additionnelle d'estimation de densité: un algorithme rapide montrant l'efficacité empirique sans justification théorique, et un algorithme lissé possédant une propriété de monotonie comme certain algorithme EM, mais plus exigeant en terme de calcul. Nous discutons également les méthodes efficaces en temps de calcul pour l'estimation et proposons quelques stratégies. Ensuite, nous considérons une extension multivariée des modèles de mélange utilisés dans le cadre de tests d'hypothèses multiples, permettant une nouvelle version multivariée de contrôle du False Discovery Rate. Nous proposons une version contrainte de notre algorithme précédent, adaptée spécialement à ce modèle. Le comportement des algorithmes de type EM que nous proposons est étudié numériquement dans plusieurs expérimentations de Monte Carlo et sur des données réelles de grande dimension et comparé avec les méthodes existantes dans la littérature. En n, les codes de nos nouveaux algorithmes sont progressivement ajoutés sous forme de nouvelles fonctions dans le package en libre accès mixtools pour le logiciel de statistique R. / Recently several authors have proposed models and estimation algorithms for finite nonparametric multivariate mixtures, whose identifiability is typically not obvious. Among the considered models, the assumption of independent coordinates conditional on the subpopulation from which each observation is drawn is subject of an increasing attention, in view of the theoretical and practical developments it allows, particularly with multiplicity of variables coming into play in the modern statistical framework. In this work we first consider a more general model assuming independence, conditional on the component, of multivariate blocks of coordinates instead of univariate coordinates, allowing for any dependence structure within these blocks. Consequently, the density functions of these blocks are completely multivariate and nonparametric. We present identifiability arguments and introduce for estimation in this model two methodological algorithms whose computational procedures resemble a true EM algorithm but include an additional density estimation step: a fast algorithm showing empirical efficiency without theoretical justification, and a smoothed algorithm possessing a monotony property as any EM algorithm does, but more computationally demanding. We also discuss computationally efficient methods for estimation and derive some strategies. Next, we consider a multivariate extension of the mixture models used in the framework of multiple hypothesis testings, allowing for a new multivariate version of the False Discovery Rate control. We propose a constrained version of our previous algorithm, specifically designed for this model. The behavior of the EM-type algorithms we propose is studied numerically through several Monte Carlo experiments and high dimensional real data, and compared with existing methods in the literature. Finally, the codes of our new algorithms are progressively implemented as new functions in the publicly-available package mixtools for the R statistical software.