Estimation paramétrique d'une diffusion ergodique observée à temps discret
Résumé
This thesis deals with several subjects : parametric estimation for an ergodic diffusion observed at constant step using approximate scheme, parametric estimation for a diffusion under irregural conditions, parametric estimation for a CAR using an estimation of Yule-Wlaker equations, precision of systematic sampling.
Cette thèse comporte cinq chapitres.
Chapitre 1 : Schémas de discrétisation anticipatifs et estimation du paramètre de dérive d'une diffusion.
Pour estimer le paramètre de dérive d'une diffusion unidimensionnelle ergodique observée à pas d>0 et fixé, on construit des contrastes basés sur des schémas d'approximation anticipatifs (schéma du trapèze et de Simpson) couplés à la méthode d'estimation des moments généralisés. Les estimateurs obtenus présentent des biais d'estimation en d**2 pour le schéma du trapèze et en d**4 pour le schéma de Simpson. L'efficacité asymptotique est par ailleurs préservée à un facteur (1+O(d)) près.
Chapitre 2 : Schéma d'approximation adapté à l'ordre p et estimation de la dérive d'une diffusion.
Pour estimer le paramètre de dérive d'une diffusion ergodique observée à pas d, nous approximons la vraisemblance exacte de l'échantillon par celle d'un processus gaussien dont l'espérance conditionnelle est approchée à l'ordre d**p. L'estimateur obtenu est asymptotiquement biaisé. Ce biais est explicite et est de l'ordre de d**p. L'efficacité asymptotique est par ailleurs préservée à un facteur près.
Chapitre 3 : Estimation du paramètre de dérive d'une diffusion sous des conditions d'irrégularité de la dérive.
Le problème étudié est l'analogue de celui étudié par Chan pour les AR à seuil (Threshold, Ann. Stat. 1993). Ici, le temps n'est plus discret mais continu. La dérive de la diffusion est continue, mais à dérivées discontinues en un seuil r. Le problème étudié est celui de l'estimation de ce seuil r. Si le pas d'observation d_n tend vers 0 et si T=n*d_n tend vers l'infini, l'estimateur des Moindres carrés (associé au schéma d'Euler ) de r est consistant. Si de plus n*(d_n)**3 tend vers 0, il y a normalité asymptotique à une vitesse standard.
Chapitre 4 : Estimation d'un CAR(p) incomplètement observé à partir des équations de Yule-Walker.
Un travail de Hyndman (JTSA, 93) présente les équations de Yule-Walker pour un CAR(p), X, (qui est aussi une diffusion p-dimensionnelle, Y=(X, X(1),...,X(p-1))) et l'estimation des paramètres déduite sur la base de ces équations et de l'observation complète de Y (temps continu et observation des p-composantes de Y). Adoptant une méthodologie identique, nous étudions ce problème d'estimation lorsque l'on ne dispose que de l'observation de X, la première composante de Y, et ceci à des instants discrets (au pas d). Nous proposons
un estimateur convergent des paramètres à un biais près de l'ordre de d.
Chapitre 5 : Precision of systematic sampling and transitive methods.
Nous proposons une méthode d'estimation dérivée des méthodes transitives utilisées notamment dans le domaine de la stéréologie. Cette méthode permet d'estimer l'écart quadratique moyen d'estimateurs empiriques construits à partir d'un échantillonnage systématique.
Chapitre 1 : Schémas de discrétisation anticipatifs et estimation du paramètre de dérive d'une diffusion.
Pour estimer le paramètre de dérive d'une diffusion unidimensionnelle ergodique observée à pas d>0 et fixé, on construit des contrastes basés sur des schémas d'approximation anticipatifs (schéma du trapèze et de Simpson) couplés à la méthode d'estimation des moments généralisés. Les estimateurs obtenus présentent des biais d'estimation en d**2 pour le schéma du trapèze et en d**4 pour le schéma de Simpson. L'efficacité asymptotique est par ailleurs préservée à un facteur (1+O(d)) près.
Chapitre 2 : Schéma d'approximation adapté à l'ordre p et estimation de la dérive d'une diffusion.
Pour estimer le paramètre de dérive d'une diffusion ergodique observée à pas d, nous approximons la vraisemblance exacte de l'échantillon par celle d'un processus gaussien dont l'espérance conditionnelle est approchée à l'ordre d**p. L'estimateur obtenu est asymptotiquement biaisé. Ce biais est explicite et est de l'ordre de d**p. L'efficacité asymptotique est par ailleurs préservée à un facteur près.
Chapitre 3 : Estimation du paramètre de dérive d'une diffusion sous des conditions d'irrégularité de la dérive.
Le problème étudié est l'analogue de celui étudié par Chan pour les AR à seuil (Threshold, Ann. Stat. 1993). Ici, le temps n'est plus discret mais continu. La dérive de la diffusion est continue, mais à dérivées discontinues en un seuil r. Le problème étudié est celui de l'estimation de ce seuil r. Si le pas d'observation d_n tend vers 0 et si T=n*d_n tend vers l'infini, l'estimateur des Moindres carrés (associé au schéma d'Euler ) de r est consistant. Si de plus n*(d_n)**3 tend vers 0, il y a normalité asymptotique à une vitesse standard.
Chapitre 4 : Estimation d'un CAR(p) incomplètement observé à partir des équations de Yule-Walker.
Un travail de Hyndman (JTSA, 93) présente les équations de Yule-Walker pour un CAR(p), X, (qui est aussi une diffusion p-dimensionnelle, Y=(X, X(1),...,X(p-1))) et l'estimation des paramètres déduite sur la base de ces équations et de l'observation complète de Y (temps continu et observation des p-composantes de Y). Adoptant une méthodologie identique, nous étudions ce problème d'estimation lorsque l'on ne dispose que de l'observation de X, la première composante de Y, et ceci à des instants discrets (au pas d). Nous proposons
un estimateur convergent des paramètres à un biais près de l'ordre de d.
Chapitre 5 : Precision of systematic sampling and transitive methods.
Nous proposons une méthode d'estimation dérivée des méthodes transitives utilisées notamment dans le domaine de la stéréologie. Cette méthode permet d'estimer l'écart quadratique moyen d'estimateurs empiriques construits à partir d'un échantillonnage systématique.