Résumé : Nous cherchons à estimer/apprendre le lien entre des covariables en grande dimension et l’intensité avec laquelle des événements se produisent (décès, crises d’asthme, achats, notes de blogs, sinistres...). Pour répondre à cette problématique, nous proposons deux approches pour estimer l’intensité de sauts d’un processus de comptage en présence d’un grand nombre de covariables. D’abord, nous considérons une intensité non-paramétrique et nous l’estimons par le meilleur modèle de Cox. Nous considérons alors une procédure Lasso, spécifique à la grande dimension, pour estimer simultanément les deux paramètres inconnus du meilleur modèle de Cox approximant l’intensité. Nous prouvons des inégalités oracles non-asymptotiques pour l’estimateur Lasso obtenu. Dans une seconde partie, nous supposons que l’intensité satisfait un modèle de Cox. Nous proposons deux procédures en deux étapes pour estimer les paramètres inconnus du modèle de Cox. La première étape est commune aux deux procédures, il s’agit d’estimer le paramètre de régression en grande dimension via une procédure Lasso. Le risque de base est ensuite estimé soit par sélection de modèles, soit par un estimateur à noyau avec une fenêtre choisie par la méthode de Goldenshluger et Lepski. Nous établissons des inégalités oracles non-asymptotiques pour les deux estimateurs du risque de base ainsi obtenus. Nous menons une étude comparative de ces estimateurs sur des données simulées, et enfin, nous appliquons les procédures implémentées à une base de données sur le cancer du sein.

Lieu : salle 3L15