THÈSE Estimation, validation et identification des modèles ARMA ...

More documents

Recommendations

Info

Chapitre 1. Introduction 14 pour un réel ν > 0, qui est légèrement plus forte que l’hypothèse d’existence de moments d’ordre 4 qui est faite dans le cas standard. Étant donné l’hypothèse H1 sur les racines des polynômes, il est clair que les hypothèses de moment Eǫt 4+2ν < ∞ et EXt 4+2ν < ∞ sont équivalentes. Par contre, les hypothèses de mélanges ne sont pas équivalentes. Nous définissons la matrice des coefficients de la forme réduite du modèle par Mϑ0 = [A −1 00 A01 : ··· : A −1 00A0p : A −1 −1 00B01B 00 A00 : ··· : A −1 00 −1 B0qB00 A00 : Σe0]. Ainsi nous avons besoin d’une hypothèse qui spécifie comment cette matrice dépend du Mϑ0 la matrice ∂vec(Mϑ)/∂ϑ ′ appliquée en ϑ0. H6 : La matrice Mϑ0 est de plein rang k0. paramètre ϑ0. Soit Nous pouvons maintenant énoncer le théorème suivant qui nous donne le comportement asymptotique de l’estimateur du QML. Théorème 1.2. (Normalité asymptotique) Sous les hypothèses du Théorème 1.1, H4, H5 et H6, nous avons √ n ˆϑn L→ −1 −1 −ϑ0 N(0,Ω := J IJ ), où J = J(ϑ0) et I = I(ϑ0), avec J(ϑ) = lim n→∞ ∂ 2 ∂ϑ∂ϑ ′˜ ℓn(ϑ) p.s., I(ϑ) = lim n→∞ Var ∂ ∂ϑ ˜ ℓn(ϑ). La démonstration de ce théorème repose sur le théorème 1.13 7 de Herrndorf (1984), le théorème 1.1 et l’inégalité 8 de Markov (1968) pour les processus mélangeants. Remarque 1.1. Dans le cas standard de modèles VARMA forts, i.e. quand l’hypothèse H3 est remplacée par celle que les termes d’erreur (ǫt) sont iid, nous avons I = 2J, ainsi Ω = 2J −1 . Par contre dans le cas général, nous avons I = 2J. Comme conséquence, les logiciels utilisés pour ajuster les modèles VARMA forts ne fournissent pas une estimation correcte de la matrice Ω pour le cas de processus VARMA faibles. C’est aussi le même problème dans le cas univarié (voir Francq et Zakoïan (2007), et d’autres références ). Notons que, pour les modèles VARMA sous la forme réduite, il n’est pas restrictif de supposer que les coefficients A0,...,Ap0,B0,...,Bq0 sont fonctionnellement indépendants du coefficient Σe. Ceci nous permet de faire l’hypothèse suivante 7. Voir TCL pour processus α-mélangeant en annexe 8. Voir inégalité de covariance en annexe
Chapitre 1. Introduction 15 H7 : Posons ϑ = (ϑ (1)′ ,ϑ (2)′ ) ′ , où ϑ (1) ∈ Rk1 dépend des coefficients A0,...,Ap0 et B0,...,Bq0, et où ϑ (2) = DvecΣe ∈ Rk2 dépend uniquement de Σe, pour une matrice D de taille k2 ×d2 , avec k1 +k2 = k0. Par abus de notation, nous écrivons et(ϑ) = et(ϑ (1) ). Le produit de Kronecker de deux matrices A et B est noté par A⊗B (noté dans la suite A⊗2 quand A = B). Le théorème suivant montre que pour des modèles VARMA sous la forme réduite, les estimateurs du QML et du LS coincident. Théorème 1.3. Sous les hypothèses du Théorème 1.2 et H7, le QMLE ˆ ϑn = ( ˆ ϑ (1)′ n , ˆ ϑ (2)′ n ) ′ peut être obtenu par et De plus, nous avons J = J11 0 0 J22 ˆϑ (2) n = Dvec ˆ Σe, ˆ Σe = 1 n et J22 = D(Σ −1 e0 ⊗Σ −1 e0 )D ′ . ˆϑ (1) n = argmin ϑ (1) det , avec J11 = 2E n t=1 ˜et( ˆ ϑ (1) n )˜e ′ t( ˆ ϑ (1) n ), n ˜et(ϑ (1) )˜e ′ t(ϑ (1) ). t=1 ∂ ∂ϑ (1)e′ t (ϑ(1) 0 ) Σ −1 ∂ (1) e0 ∂ϑ (1)′et(ϑ 0 ) Remarque 1.2. Notons que la matrice J a la même expression dans les cas de modèles ARMA fort et faible (voir Lütkepohl (2005) page 480). Contrairement, à la matrice I qui est en général plus compliquée dans le cas faible que dans le cas fort. 1.1.2 Estimation de la matrice de variance asymptotique Afin d’obtenir des intervalles de confiance ou de tester la significativité des coefficients VARMA faibles, il sera nécessaire de disposer d’un estimateur au moins faiblement consistant de la matrice de variance asymptotique Ω. Estimation de la matrice J La matrice J peut facilement être estimée par ˆJ11 ˆJ 0 = 0 J22 ˆ , J22 ˆ = D( ˆ Σ −1 e0 ⊗ ˆ Σ −1 e0 )D′ et
Page 1 and 2: UNIVERSITÉ CHARLES DE GAULLE - LIL
Page 3 and 4: Résumé Dans cette thèse nous él
Page 5 and 6: Abstract The goal of this thesis is
Page 7 and 8: Table des matières Résumé ii Abs
Page 9 and 10: 4.6 Limiting distribution of the po
Page 11 and 12: 4.12 Empirical size (in %) of the s
Page 13 and 14: Chapitre 1 Introduction Lorsque l
Page 15 and 16: Chapitre 1. Introduction 3 Pour les
Page 17 and 18: Chapitre 1. Introduction 5 VARMA(p0
Page 19 and 20: Chapitre 1. Introduction 7 obtenir
Page 21 and 22: Chapitre 1. Introduction 9 les outi
Page 23 and 24: Chapitre 1. Introduction 11 1.1.1 E
Page 25: Chapitre 1. Introduction 13 Propri
Page 29 and 30: Chapitre 1. Introduction 17 Défini
Page 31 and 32: Chapitre 1. Introduction 19 où λ
Page 33 and 34: Chapitre 1. Introduction 21 Remarqu
Page 35 and 36: Chapitre 1. Introduction 23 où Eij
Page 37 and 38: Chapitre 1. Introduction 25 La dém
Page 39 and 40: Chapitre 1. Introduction 27 Théor
Page 41 and 42: Chapitre 1. Introduction 29 La sél
Page 43 and 44: Chapitre 1. Introduction 31 La dém
Page 45 and 46: Chapitre 1. Introduction 33 de BP d
Page 47 and 48: Chapitre 1. Introduction 35 Théor
Page 49 and 50: Chapitre 1. Introduction 37 Les exp
Page 51 and 52: Chapitre 1. Introduction 39 indispe
Page 53 and 54: Chapitre 1. Introduction 41 Lemme 1
Page 55 and 56: Chapitre 1. Introduction 43 En util
Page 57 and 58: Chapitre 1. Introduction 45 I11 = 2
Page 59 and 60: Chapitre 1. Introduction 47 ceux-ci
Page 61 and 62: Chapitre 1. Introduction 49 Remarqu
Page 63 and 64: Références bibliographiques Ahn,
Page 65 and 66: Chapitre 1. Introduction 53 Hannan,
Page 67 and 68: Chapitre 2 Estimating structural VA
Page 69 and 70: Chapitre 2. Estimating weak structu
Page 77 and 78:
Chapitre 2. Estimating weak structu
Page 79 and 80:
Page 81 and 82:
1(2, 2) − b ^ 1(2, 2) Density Cha
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97 and 98:
Page 99 and 100:
Page 101 and 102:
Chapitre 3. Estimating the asymptot
Page 103 and 104:
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Chapitre 4. Multivariate portmantea
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
Page 157 and 158:
Page 159 and 160:
Page 161 and 162:
Page 163 and 164:
Page 165 and 166:
Chapitre 5. Model selection of weak
Page 167 and 168:
Page 169 and 170:
Page 171 and 172:
Page 173 and 174:
Page 175 and 176:
Page 177 and 178:
Page 179 and 180:
Page 181 and 182:
Page 183:
show all

THÈSE Estimation, validation et identification des modèles ARMA ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?