Propriétés asymptotiques pour des estimateurs non paramétriques des processus autorégressifs.

Abstract

La classe la plus populaire des modèles des séries temporelles se compose des modèles autorégressifs d’ordre p (AR (p)), modèles à moyenne mobile d’ordre q (MA (q)) et les modèles mixte d’ordre (p, q) (ARMA (p, q)). On cite aussi des modèles particuliers ARIMA, SARIMA .... Un processus autorégressif est un modèle de régression dans lequel la variable de la série est expliquée par ses valeurs passées plutôt que par d'autres variables. Les processus autorégressifs supposent que chaque point peut être prédit par la somme pondérée d'un ensemble de points précédents, plus un terme aléatoire d'erreur. Ces processus forment une classe flexible de modèles pour de nombreux phénomènes observés. Ils sont construits à partir de l'idée que l'observation au temps t s'explique linéairement par les observations précédentes. Les processus autorégressifs sont utilisés pour modéliser des séries chronologiques dans de nombreux domaines, en finance, en biologie, en climatologie, en médecine, en économétrie et en météorologie et dans bien d'autres domaines. Les premiers processus autorégressifs ont été introduits par George Udny Yule (1871-1951). Les recherches actuelles se concentrent autour de deux thèmes, l'étude des propriétés théoriques et d'autre part l'estimation des paramètres. Dans cette thèse nous donnons des propriétés asymptotiques pour des estimateurs non paramétriques des processus autorégressifs. En particulier l’estimateur du paramètre d’un AR(1) et l’estimateur de la densité d’erreur .