Programme et résumés (pdf) - Société statistique du Canada

Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 155[MS-194]Algorithm of Maximum Likelihood Parameters Estimation for First-order Superdiagonal Bilinear TimeSeriesAlgorithme d’estimation par maximum de vraisemblance des paramètres du modèle bilinéairesuperdiagonal d’ordre unKhadija BOUZAACHANE, Ecole Mohammadia d’Ingénieurs, Maroc, Youssef BENGHABRIT, Ecole Nationale Supérieuredes Arts et Métiers, Meknès, Mostaf HARTI, Université Sidi Mohammed Ben Abdellah, MarocBilinear models represent a simple and powerfulclass of nonlinear models. Their analysis and par-Les modèles bilinéaires représentent une classe particulièredes modèles non linéaires de séries chronologiques.ticularly the estimation of their parameters is of L’estimation des paramètres de ces modèles a été peucentral interest. Our work deals with the design développée et demeure un axe de recherche intéressant.of a new algorithm for estimating the parameters Dans notre travail nous avons établi un nouvel algorithmeof the first-order superdiagonal bilinear time se- d’estimation des paramètres des modèles bilinéaires. Cetries model. This iterative algorithm is based on algorithme est fondé sur la méthode du maximum de vraimaximumlikelihood method and the widely used semblance et le filtre de Kalman. Pour démontrer l’utilité etKalman filter.la bonne performance de notre algorithme nous avons généréTo demonstrate the usefulness of our algorithm se- des séries de simulations par la méthode de Monte Carlo.ries of Monte Carlo simulations were performed.[MS-195]Improved Estimation for Dynamic Linear Regression ModelEstimation améliorée pour un modèle de régression linéaire dynamiqueZahirul HOQUE, University of Newcastle, Australia, Richard GERLACH, University of Sydney, AustraliaThis study investigates the preliminary test andshrinkage estimators of linear state space regressionmodel via Kalman filtering. The performanceof the estimators, with respect to mean squared error,has been investigated. It has been revealed thatunder certain conditions both preliminary test andshrinkage estimators outperform Kalman filter butshrinkage estimator is superior to preliminary testestimator. Hence, the result presented in this paperinvalidates the minimum mean square error propertyof Kalman filter that is widely used by the engineersfor estimation of the parameters of linearstate space models.Cette étude porte sur le test préliminaire et les estimateurspar rétrécissement d’un modèle de régression spatiale à étatlinéaire avec filtrage de Kalman. La performance des esti-mateurs a été étudiée en ce qui a trait à l’erreur quadratiquemoyenne. Sous certaines conditions, le test préliminaire etl’estimateur par rétrécissement sont plus performants quele filtre de Kalman, mais l’estimateur par rétrécissements’avère supérieur à l’estimateur du test préliminaire. Les ré-sultats présentés dans cet article invalident donc la propriétéd’erreur quadratique minimale du filtre de Kalman, large-ment utilisé en ingénierie pour l’estimation des paramètresde modèles spatiaux à état linéaire.[MS-196]Subset Autoregression: A New ApproachUne nouvelle approche pour modèles autorégressifs sur sous-ensemblesIan MCLEOD, University of Western Ontario, Ying ZHANG, AcadiaA new family of subset autoregressive models areintroduced and a comprehensive approach to modelidentification, estimation and diagnostic checkingis developed for these models. Also a new versionof the partial autocorrelation plot is introduced.Une nouvelle famille de modèles à sous-ensembles autorégressifsest introduite et une approche compréhensive àl’identification de modèle, à l’estimation et à la vérificationdiagnostique est développée pour ces modèles. Une nouvelleversion du graphe d’autocorrélation partielle est aussi pré-SH = Somerville House SSC = Social Science Centre UC = University College