Robustness of dual divergence estimators for models satisfying linear constraints

We consider new classes of estimators and test statistics for models satisfying linear constraints with unknown parameter. These procedures are based on minimization of divergences through duality techniques. We prove that, for various divergences, the new approach provides robust estimation and test procedures, unlike the empirical likelihood method. We give general results using the influence function approach, which we exemplify in detail in the case of the Cressie–Read divergences. It is found that the Hellinger distance is one of the divergences that leads to robust procedures.

RésuméNous considérons de nouvelles classes dʼestimateurs et de procédures de test pour des modèles satisfaisant des contraintes linéaires à paramètre inconnu. Ces procédures sont basées sur la minimisation des divergences grâce à des techniques de dualité. Nous prouvons que, pour de nombreuses divergences, la nouvelle approche fournit des estimateurs et des tests robustes, contrairement à la méthode de vraisemblance empirique. Nous donnons des résultats généraux en utilisant lʼapproche par fonction dʼinfluence, que nous illustrons en détail dans le cas des divergences de Cressie–Read. On remarque que la distance de Hellinger conduit à des procédures robustes.