Sélection de modèle pour des contrastes de régression

L'estimation par minimisation du contraste des moindres carrés dans un modèle de régression linéaire est en général bien connue de tous. Lorsque la dépendance entre les variables n'est plus considérée comme a priori linéaire, des stratégies non paramétriques adaptatives visant à estimer une fonction quelconque ont été mises en place.
Elles visent à définir un estimateur construit en approximant la fonction cherchée par son développement dans une base et à proposer un critère de sélection de l'espace fondé sur les données. Il faut alors vérifier que le risque quadratique de l'estimateur résultant réalise un compromis biais-variance automatique. Des vitesses de convergence découlent des propriétés à distance finie, et peuvent donner lieu à des questions d'optimalité.
Cet exposé a pour but d'expliquer comment fonctionne une telle méthode dans une cadre standard d'abord, puis pour estimer la fonction drift d'une EDS, une densité conditionnelle, une densité de transition  ou le risque instantané (hazard rate) dans les modèles de survie, en présence ou non de censure ou de conditionnement.