Estimation problems on null recurrent time series
Auteur / Autrice : | Carlos Alejandro Fernández Sanz |
Direction : | Patrice Bertail, Cécile Durot |
Type : | Thèse de doctorat |
Discipline(s) : | Mathématiques appliquées et applications mathématiques |
Date : | Soutenance le 08/06/2023 |
Etablissement(s) : | Paris 10 |
Ecole(s) doctorale(s) : | École doctorale Connaissance, langage, modélisation (Nanterre, Hauts-de-Seine ; 1992-....) |
Partenaire(s) de recherche : | Laboratoire : Modal'X (Nanterre). Université Paris Nanterre |
Jury : | Président / Présidente : Elisabeth Gassiat |
Examinateurs / Examinatrices : Patrice Bertail, Cécile Durot, Elisabeth Gassiat, Jens-Peter Kreis, Sana Louhichi, Randal Douc, Anna E. Dudek, Hendrik Paul Lopuhaä | |
Rapporteurs / Rapporteuses : Jens-Peter Kreis, Sana Louhichi |
Mots clés
Résumé
Parmi chaînes de Markov, les chaînes de Markov β-nulles récurrentes représentent une classe de processus stochastiques aux propriétés complexes et particulières. Ces chaînes non stationnaires possèdent des mesures invariantes infinies, rendant les problèmes d'estimation associés particulièrement délicats.Cette thèse aborde plusieurs problèmes d'estimation dans le contexte des chaînes de Markov β -nulles récurrentes, en apportant de nouvelles perspectives pour relever ces défis. Notre première contribution est la proposition d'un estimateur d'indice de queue pour les distributions de Pareto discrètes généralisées, qui est ensuite utilisé pour estimer le paramètre β des chaînes de Markov β-nulles récurrentes atomiques. La deuxième contribution concerne l'adaptation et la validation des méthodes de bootstrap basées sur la régénération et le bootstrap par blocs régénératifs pour ces types de chaînes. Enfin, nous développons un estimateur pour les fonctions monotones dans les modèles de cointégration non linéaires, où le processus sous-jacent est une chaîne de Markov récurrente de Harris (récurrente positive ou β-nulle).