1.3 Contributions de la thèse
1.3.3 Plan de la thèse
L'introdu tiondenouvelles lassesdemodèlesautorégressifsàvaleursentièresprésente
l'objetdenosre her hesau oursde ettethèse.Dans ebut,nousnoussommesbaséssur
l'opérateur d'arrondi à l'entier le plus près qui nous semble assez intuitif etnaturel pour
générerdesobservationsàvaleursentières.Lesmodèlesproposésdans ettethèseexploitent
undomainerarement examiné:lamodélisationdesséries hronologiquesàvaleursentières
ayant des observations négatives. Par ailleurs, omparés aux modèles existants dans la
littérature esnouveauxmodèlespossèdentplusieursavantages.Ainsi,lathèseestorganisé
de lamanière suivante.
L'étude théoriquedu modèlearrondi autorégressif àvaleursentièresdu premierordre,
RINAR(1), fait l'objet du Chapitre 2 de ette thèse. Ainsi, après une présentation des
propriétés de l'opérateur d'arrondi à l'entier le plus près, nous introduisons le modèle
RINAR(1). Ensuite, nous donnons les onditions de stationnarité et d'ergodi ité de e
pro essus. Spé iquement, nous signalons que omme pour un pro essus AR(1) réel, la
valeurabsolue du oe ient derégressiondoitêtreinférieure stri tement à
1
.Par ailleurs, nous présentons quelques propriétés générales du modèle introduit. En parti ulier, nousnousintéressonsaux al ulsdelamoyenneetdes oe ientsd'auto orrélationdupro essus
paramètres enfon tionde leursvaleurshomologuesdansle asd'unpro essusAR(1)réel.
D'autrepart,nousexaminonsleproblèmed'identiabilité,dûaussiàl'opérateurd'arrondi,
et la onsistan e forte de l'estimateur des moindres arrés proposé pour l'estimation des
paramètresdumodèle.Danslasuite,nousproposonsuneméthodenumériquepour al uler
e dernier. Finalement, nous analysons deux exemples de série hronologique à valeurs
entièresbien onnus, ave le pro essusRINAR(1).
LeChapitre3est onsa réàl'étudedumodèlearrondiautorégressifàvaleursentières
d'ordresupérieur,notéRINAR(p).Cedernierestuneextensionnaturelleetdire tedu
mo-dèleRINAR(1)étudier dansleChapitre 2.Enpremier lieu,nousimposonsdes onditions
pour assurer la stationnarité et l'ergodi ité du pro essus. Ensuite, nous proposons
l'esti-mateurdesmoindres arréspourestimer les paramètresdumodèleRINAR(p).Puis, nous
examinonsleproblème d'identiabilité, dûà l'opérateur d'arrondi, et la onsistan ede e
dernier.Parailleurs,nousproposonsuneméthodenumériquepour al ulerl'estimateurdes
moindres arrés.Cettedernièren'est autrequ'une généralisationdelaméthode numérique
onsidéréedansle Chapitre2.Pour en nir, nousprésentons uneappli ation réelletraitée
ave un modèle RINAR(p).
Dans le Chapitre 4 nous étudions le modèle RINVAR dédié à l'analyse des séries
hronologiques à valeurs entières multivariées. En parti ulier, nous nous on entrons sur
lemodèledupremier ordre,notéRINVAR(1).Premièrement,nousdonnonsles onditions
destationnarité etd'ergodi itédupro essus.Ensuite, nousexaminonsleproblème
d'iden-tiabilité, dûàl'opérateur d'arrondi, etla onsistan edel'estimateur desmoindres arrés
proposépourestimerlesparamètresdumodèle.D'autrepart,nousproposonsuneméthode
numérique pour al uler l'estimateur desmoindres arrés.Nous terminons le hapitre par
une appli ation réelletraitée ave un modèleRINVAR(1).
L'étude du modèle arrondi entré autorégressif à valeurs entières du premier ordre
fait l'objetdu Chapitre 5. Cedernier est appeléRINAR(1) entré et permet d'analyser
des séries hronologiques à valeurs entières dont les observations os illent autour de
0
(et ainsi de moyenne nulle). La stationnarité et l'ergodi ité de e modèle sont assurées
dans les mêmes onditions que elles pour le modèle RINAR(1). Le RINAR(1) entré ne
possède pasunproblèmed'identiabilité. Ainsi,l'estimateurdesmoindres arrés onsidéré
pour l'estimationduparamètredumodèleestfortement onsistant.Nousintroduisonsdes
RINAR(1). En parti ulier, nous n'arrivons pas à al uler expli itement es oe ients
d'auto orrélationmaisnouspouvonslesen adrer.Parailleurs,nousproposonsuneméthode
numérique pour al ulerl'estimateurdesmoindres arrés.Suiteàune étudedesimulation
qui ompare les oe ients d'auto orrélation du modèle RINAR(1) entré et eux d'un
AR(1) réel, nous distinguons deux omportements diérents dépendant de la nature du
bruit onsidéré(grandoupetit).Finalement,nous omparonslemodèleRINAR(1) entré
étudié dans e hapitre etlemodèle RINAR(1)re entré.
Dans le Chapitre 6, nous introduisons un pro essus autorégressif du premier ordre
basé sur l'opérateur d'arrondi pour analyser des séries hronologiques à valeurs entières
positives,notéPRINAR(1).Enpremierlieu,nousintroduisonsles onditionsquiassurentla
positivité,lastationnaritéetl'ergodi itéde emodèle.Parlasuite,nousdonnonslerésultat
prin ipal on ernant la onsistan e forte de l'estimateur des moindres arrés onsidéré
pour estimer les paramètres du modèle. Puis, nous étudions les propriétés générales du
modèle.Enparti ulier,noustrouvonsdesen adrementspoursamoyenne etses oe ients
d'auto orrélation.Suiteàuneétudedesimulation on ernant esdeniers,nousremarquons
beau oupdedétails urieuxdansle asoùbruitutiliséestpetit.Finalement,nousdonnons
les onditionsné essairespourquelaloistationnairedupro essusPRINAR(1)possèdeun
Le modèle RINAR(1)
Sommaire
2.1 Quelquesdénitions . . . 20