HAL Id: hal-00272033
https://hal.archives-ouvertes.fr/hal-00272033
Submitted on 10 Apr 2008
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of
sci-entific research documents, whether they are
pub-lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
Linear diffusion with stationary switching regime
Xavier Guyon, Serge Iovleff, Jian-Feng Yao
To cite this version:
Xavier Guyon, Serge Iovleff, Jian-Feng Yao.
Linear diffusion with stationary switching regime.
ESAIM: Probability and Statistics, EDP Sciences, 2004, 8, pp.25-35. �10.1051/ps:2003017�.
�hal-00272033�
Xavier Guyon
,Serge Iovle
, Jian-Feng Yao
SAMOS, Université Paris1 et
IRMAR, Université de Rennes 1
guyonuniv-paris1.fr
February 14, 2002
Abstra t
SoitY unediusiondeOrnstein-Uhlenbe kgouvernéeparunrégimeX: dY t = a(X t )Y t dt+ (X t )dW t ;Y 0 = y 0 . On établit que = E (a(X 0
)) < 0 est une ondition susante d'ergodi ité de Y lorsque X est stationnaire de loi invariante . Puis on s'intéresse à l'existen e de moments pour la loi invariante de Y. Utilisant les résultats de Brandt sur les modèles à oe ient aléatoire, et le fait que Y est, onditionnellement à X, gaussien, onétablitsimplementune onditiond'existen edumomentd'ordres0lorsqueX estun pro essusdesautmarkovienànombrenid'états. OnretrouveunrésultatdeBasaketaltri établiàl'aidedete hniquesde ontrledesystèmelinéaire.
Mots lés: diusion deOrnstein-Uhlenbe kàrégime stationnaire,modèle à oe ient aléatoire,pro essusmarkoviendesauts,ergodi ité,momentdelaloiinvariante.
Classi ation AMS :60J60,60J75
1 Introdu tion
Les modèles à temps dis ret Y = (Y n
;n 2 N) gouvernés par une haîne de Markov X = (X
n
;n 2 N) sont bien adaptés aux situations où un régime autonome X module la
dynamique de Y. Ces modèles, relativement par imonieux en nombre de paramètres, élar-gissent signi ativement le as d'un régime unique. Parmi eux, les modèles auto-régressifs à régime markovien (swit hing Markov AR model) sont les plus populaires. Leur utilisation en
é onométrie est due à Hamilton ([7, 8℄). Leur étude statistique ( f. par exemple [8℄, [15 ℄, [9℄, [10℄) a pré édé les études probabilistes. L'ergodi ité a été étudiée par Fran q et Roussignol [6℄ et par Yao et Attali [17 ℄. Dans e dernier travail,les auteurs donnent :
(i) des onditions de stabilitéd'un AR non-linéaire Y à régimemarkovien X;
(ii) des onditions d'existen e d'un moment d'ordre s0 pour laloi de Y.
Ces deuxrésultats,obtenus sous des onditions desous-linéarité oude Lipshitzpourlafon tion
d'auto-régression, sont préalables àtoute étudeasymptotique.
Notreobje tif estd'établir des résultats(i)et (ii) pour une diusionde Ornstein-Uhlenbe k (notée O.U.) Y = (Y
t
;t 0) à régime X = (X t
;t > 0). On obtient une ondition générale de
stabilité (i) deY si lerégime X eststationnaire. La question(ii) estétudiée par Basak,Bisi et Ghosh [1 ℄ pour X un pro essus de saut markovien à nombre ni d'états, Y étant multidimen-sionnelle. Leurappro heutilise lastabilité et le ontrle desystèmes linéairesà saut, perturbés
ou non( f. Mariton [14℄,Jiet Chize k[12 ℄). Notre appro he de ette question(ii)estdiérente : elle repose d'une part sur l'utilisation d'une représentation AR (1) à oe ient aléatoire de Y
(Æ) =(Y
nÆ
;n 2 N), d'autre part sur les résultats d'ergodi ité de Brandt [3 ℄ pour les modèles
à oe ient aléatoire, et enn sur l'utilisation du ara tère onditionnellement gaussien de Y. Nous obtenons ainsi une ondition susante d'existen e de moment d'ordre s > 0 pour la loi
elledonnée par [1℄.
Le modèle de diusion à régime X est présenté au 2. On établit au 3 la ondition (i) d'ergodi ité de Y si le régime X est stationnaire. Le 4 établit (ii), l'existen e d'un moment d'ordre s0pourlaloiinvariantedeY lorsqueX estunpro essusdesautmarkovienànombre
ni d'états.
2 Diusion linéaire à régime stationnaire
On dira qu'un pro essus à temps ontinu S = (S t
) t0
est ergodique s'il existe une mesure de
probabilité telle que quand t ! 1, la loi de S t
onverge faiblement vers indépendamment de laloiinitialede S
0
. sera appelée laloi limite deS. Si S estun pro essusdeMarkov, est laloi invariante de S etelle est unique.
Nous dénissons une diusion Y à régime X en deux étapes. On se donne d'abord un pro essusX =(X
t )
t0
,ditderégime. OnsupposeratoujoursparlasuitequeX eststationnaire, à valeurréelle et dénisurun espa ede probabilité (;;Q).
Soit ensuite W = (W t
) t0
un mouvement brownien (MB) standard déni sur un espa e de probabilité (;B;Q
0
), F =(F t
) laltration duMB. On onsidérera l'espa eproduit (; B;QQ
0
), P=QQ 0
et E l'espéran easso iée. Conditionnellement àX, Y =(Y t
) t0
est un
pro essusde diusion àvaleur réelledéni, pourtout !2, par :
1. Y 0
est unev.a. dénie sur(;B;Q 0
),F 0
-mesurable ;
2. Y estsolution del'EDS linéaire
dY t =a(X t )Y t dt+(X t )dW t ; t0: (1) Ainsi(Y t
)estunediusionlinéaireà oe ientsaléatoiresfon tionsd'unpro essusexogène
(X t
). I i a et sont deux fon tionsmesurables à valeurs réelles. L'existen e et l'uni ité d'une solution forte pour l'Eq. (1) est assurée par la ondition [S℄ suivante (voir [13℄, 5.6 ou [16 ℄),
ondition quenoussupposeronsvériée par lasuite :
[S℄ : Q-p.s,t7!a(X t
(!))et t7!(X t
(!)) sontlo alement bornées.
Notons pour 0st, (s;t)= s;t (!)=exp Z t s a(X u )du:
Le pro essusY admet lareprésentation ([13℄):
Y t =Y t (!)=(0;t) Y 0 + Z t 0 (0;u) 1 (X u )dW u
et pour 0st, Y vériela relationde ré urren e
Y t = (s;t) Y s + Z t s (s;u) 1 (X u )dW u = (s;t)Y s + Z t s exp Z t u a(X v )dv (X u )dW u :
Il est ommode de réé rire ette ré urren esous laforme
Y t (!)= s;t (!)Y s (!)+V s;t (!) 1=2 s;t ; (2) où s;t
est unevariablegaussienne entrée réduite,fon tion de (W u ;sut)et V s;t (!)= Z t s exp 2 Z t u a(X v )dv 2 (X u )du: (3)
Pour Æ > 0, nous appellerons dis rétisation à pas Æ de Y le pro essus à temps dis ret Y (Æ) = (Y nÆ ) n
oùn2N. Notre étudedeY est baséesur ellede sesdis rétisations (Y (Æ)
3.1 Ergodi ité des pro essus dis rétisés Y (Æ)
Dans ette se tion, on xe Æ >0 et on onsidère le pro essus dis rétisé Y (Æ) . D'après Eq. (2), pour n0, Y (n+1)Æ (!)= n+1 (!)Y nÆ (!)+V n+1 (!) 1=2 n+1 ; (4) ave n+1 (!) = exp Z (n+1)Æ nÆ a(X u (!))du; V n+1 (!) = Z (n+1)Æ nÆ exp " 2 Z (n+1)Æ u a(X v (!))dv # 2 (X u (!))du; où ( n
) estune suite i.i.dgaussienne réduite dénie sur(;B;Q 0
).
L'équation (4) dénit un modèle AR(1) à oe ients aléatoires, la suite des oe ients
( n ;V 1=2 n n
)étant stationnaire. Onpeut alors étendre (4)surZ.
Proposition 1 Supposonsque lesfon tionsmesurablesaet vérientles onditionssuivantes:
1. R ja(x)j(dx)<1 et := R (dx)a(x)<0 ; 2. R log + 2 (x)(dx)<1. Alors,
(i) il existe une unique solutionstationnaire ( ~ Y nÆ
) satisfaisant sur Zl'Eq. 4 et donnée par
~ Y nÆ = 1 X k=0 n n 1 n k+1 V 1=2 n k n k ; n2Z: (ii) Si Y (Æ)
est une suite satisfaisant l'Eq. 4 pour n 0, de valeur initiale une v. a. Y 0 quel onque, alors p.s. limsup n!1 1 n logjY nÆ ~ Y nÆ jÆ<0:
Preuve. (i). C'est une onséquen e du Theorème 1 de Brandt [3℄ dont nous vérions les onditions d'appli ation, à savoir:
(a) Elog + j 0 j<1 ; (b) Elog + jV 1=2 0 0 j<1 ; ( ) 1 := Elogj 0 j<0 . Pour x;y;a>0,log +
x=max(0;logx)vérie log + (xy)log + x+log + y et log + x a =alog + x.
( ) : en utilisant le théorèmede Fubini et l'hypothèse 1), onobtient :
1 = Elogj 0 j= E Z Æ 0 a(X u )du= Z Æ 0 Ea (X u )du=Æ <0: (a) : Elog + j 0 j = Elog + exp Z Æ 0 a(X u )du Elog + exp Z Æ 0 ja(X u )jdu = E Z Æ 0 ja(X u )jdu=ÆEj a(X 0 )j<1:
(b) : Elog + jV 0 0 j Elog + V 0 + Elog + j 0 j.
Le deuxième terme du majorant estni puisque 0
est gaussien. Pour lepremier terme :
V 0 = Z Æ 0 exp 2 Z Æ u a(X v )dv 2 (X u )du Z Æ 0 exp 2 Z Æ u ja(X v )jdv 2 (X u )du Z Æ 0 exp 2 Z Æ 0 ja(X v )jdv 2 (X u )du=exp 2 Z Æ 0 ja(X v )jdv Z Æ 0 2 (X u )du: (5) D'où log + V 0 2 Z Æ 0 ja(X v )jdv+log + Z Æ 0 2 (X u )du:
Le premierterme estd'espéran enied'aprèsl'hypothèse(1). Pour lese ondterme, log + étant on ave log + Z Æ 0 2 (X u )du = log + Æ Z Æ 0 2 (X u )(du=Æ) log + Æ+log + Z Æ 0 2 (X u )(du=Æ) log + Æ+ Z Æ 0 log + 2 (X u )(du=Æ);
qui estd'espéran enie d'aprèsl'hypothèse (2).
(ii). Ona pour n1, Y nÆ ~ Y nÆ = n 1 (Y 0 ~ Y 0 ):
Leshypothèsesentraînent quep.s.
lim n 1 n logj n 1 j= 1 <0:
La on lusion s'endéduit immédiatement.
Une onséquen edelapropositionestquesouslaloi P,sionnote laloi ommune des ~ Y
nÆ , pour toutesolution Y
(Æ) =(Y
nÆ
); n0de l'Eq. (4),Y nÆ
onverge enloi vers quand n!1 : Y
(Æ)
est ergodique.
3.2 Ergodi ité du pro essus Y
Dorénavant,on hoisira lepasÆ danslasuite(2 m
)pourdesentiersm1. Sousles onditions de la Proposition 1, Y
(2 m
)
est ergodique, et pour m 0
m, les pro essus dis rétisés Y (2 m ) et Y (2 m 0 )
ontlamême loi limite. Si Y estergodique,saloi limite estné essairement ellede tous ses pro essus dis rétisés Y
(Æ)
. Nous allons établir l'ergodi ité de Y en évaluant l'é art entre Y et ses dis rétisésY
(Æ) .
Proposition 2 Sousles onditions de la proposition1 etsi
lim Æ!0 Z Æ 0 2 (X u
)du=0; enprobabilité (6)
alors la diusionlinéaire Y à régime X dénie par 1 est ergodique.
Preuve. Soit laloi limite ommune despro essusdis rétisés. Soit ">0 xéet hoisissons A " telquefx:jxjA " g". Onnotera = E[ja (X 0 )j℄. Pour Æ=2 m ett>0,soitn t leplus grand multiple de Æ inférieur àt. Ona n
t
<tn t
+Æ. La relation deré urren e (2)s'é rit :
Y t Y nt =[(n t ;t) 1℄Y nt +e t ;
ave e t =V nt;t nt;t . Nousavons: P( jY t Y nt j2") P( j[(n t ;t) 1℄Y nt j")+ P[ je t j"℄ : (7) (1). Contrlede je t j : Ona pourK 0 fje t j"g=fje t j";j nt;t jKg[fje t j ";j nt;t j>Kg: nt;t
étant gaussienne réduite, onxe unK >0 telque P(j nt;t j>K)". D'où P[ je t j"℄ P h V 1=2 n t ;t " K i +":
D'autre part,de façon analogue àEq. (5),
0V nt;t exp 2 Z nt+Æ nt ja(X v )jdv Z nt+Æ nt 2 (X u )du: Ainsi, P V n t ;t ("=K) 2 P exp 2 Z n t +Æ nt ja(X v )jdv 2 + P Z n t +Æ nt 2 (X u )du("=K) 2 =2 :
Par l'inégalité deMarkov, lepremier terme estmajorépar 2 Æ=log(2); ledeuxième tend vers0 quandÆ !0d'après l'hypothèse. Il existe don unÆ
1
tel quepourtout ÆÆ 1
, ona
P[ je t
j"℄3": (8)
(2). Contrledupremierterme: utilisant lefait queje x 1je jxj 1,on a,pour s>0, P[ j(n t ;t) 1js℄ P Z t nt a(X u )du log(s+1) log (s+1) 1 E Z t nt a(X u )du log (s+1) 1 E Z (n t +Æ) nt ja(X u )jdu = ( Æ)=log(s+1): (9)
Par ailleurs,on déduit deladé omposition
fj[(n t ;t) 1℄Y n t j"g=fj [(n t ;t) 1℄Y n t j";jY n t j<A " g[fj [(n t ;t) 1℄Y n t j";jY n t jA " g; que P[ j [(n t ;t) 1℄Y nt j"℄ P[ j (n t ;t) 1j"=A " ℄+ P[ jY nt jA " ℄ ( Æ)=log(("=A " )+1)+ P[ jY nt jA " ℄ :
Choisissons unÆ tel queÆ Æ 1 et Ælog (("=A " )+1) 1 <". Ave eÆ, on a P[ j[(n t ;t) 1℄Y nt j"℄ P[ jY nt jA " ℄+": (10)
(3). n de la preuve : En résumé, desestimations (8)-(10) on obtient que 8" >0, 9A " , 9Æ, 8t>0,9n t ,tels que fjxjA " g", n t <tt+Æ et P( j Y t Y nt j2") P[ jY nt jA " ℄+4":
Considérons maintenant unesuite (Y t k ) k ave t k !1. L'inégalité pré édente en t=t k donne: P Y t k Y nt k 2" P h jY nt k jA " i +4":
limsup k!1 P Y t k Y nt k 2" fjxjA " g+4"5":
Notons C() l'ensemble des points de ontinuité de la f.d.r F
de la loi . Soit x 2 C(), et hoisissons>0 telquex22C(). Nousavons
P(Y t k x) P(Y nt k x+2")+ P Y t k Y nt k 2" ; et de façon analogue P(Y nt k x 2") P(Y t k x)+ P Y t k Y nt k 2" : D'où F (x 2") 5"liminf k P(Y t k x)limsup k P(Y t k x)F (x+2")+5":
En faisant tendre " vers 0 (ave x22C(), e qui est possible puisque C() est dense),on obtient : lim k P(Y t k x)=F (x); x2C():
4 Diusion linéaire à régime markovien ni
Dans ettese tion, nousexaminonsle asparti ulieroù lerégimeX estunpro essusmarkovien
de saut à valeur dansun ensembleni E =f1;2; ;Ng,N >1 (pms, f. Feller [5℄ , Co oza [4℄, h. 8). On onsidérera par lasuitesaversion anonique(;;(Q
x )
x2E
)où=D([0;1[) est l'espa e desfon tions réelles àdlàg sur [0;1[ et sa tribu borélienne asso iée à lamétrique de
Skohokod.
Soit: E !℄0;1[ lafon tion d'intensité deX quel'on supposera stri tement positive : X est alors ergodique de loiinvariante . Si T
1
est lepremierinstant de saut
T 1 =infft : t>0 et X t 6=X 0 g T 1
suit laloiexponentielle deparamètre (X 0 ),etlatransitionde X T 1 versX T 1
est déniepar
un noyau markovien q(x;y) sur E vériant q(x;x)=0 pour toutx2E. Ondénit de lamême
manière lesinstantsde sauts (T n ), ave T 0 =0,par 8n0; T n+1 =infft : t>T n et X t 6=X T n g:
La suite des états visités Z = (Z n ), Z n = X T n
; est une haîne de Markov de transition q. Elle est ergodique et on notera sa loi invariante. Les deux lois invariantes sont reliées par la relation : i / i (i); i2E:
Par onstru tion, les intervalles de sauts ( n
=T n+1
T n
;n 0) sont des variables expo-nentiellesde paramètres ((Z
n
);n0),indépendantes entreelleset indépendantesde la haîne
Z.
Les probabilités produit seront notées P x
= Q x
Q 0
. En parti ulier, sous la probabilité P = Q Q 0
, le régime X est stationnaire. La trans ription de la Proposition 2 dans le as présent donne :
Corollaire 1 Onsuppose que le pro essus markovien de sauts X à nombre ni d'états est sta-tionnaire deloi invariante . Alorsla diusionde O.U.Y à régime markovien X est ergodique dès que X i=1;N i a(i)<0: (11)
Nousallonsdonnerdes onditionssusantespour l'existen edemomentsd'ordre s0dans e asparti ulier. Nousmontreronsauparagraphe 4.3quenos onditionssont équivalentesave elles de Basaket al[1℄. Toutefoisnotre méthodede démonstration esttrès diérente.
n Tn n Soit U =(U n =Y T n
;n0) ladiusion auxinstants de hangement de régime. Utilisant (4), U est unAR (1)à oe ientsaléatoires C=(C
n ) : U n =C n U n 1 +e n ; n1;C n =exp[a(Z n 1 ) n ℄; (12) où n =T n T n 1
estlalongueurdun-ièmeintervalledesaut. Sous P
,lasuiteZ =(Z n
)des régimes étant stationnaire et les variables
n
étant exponentielles E((Z n 1
)) indépendantes, C =(C
n
) est stationnaire. D'autre part, onditionnellement à X =(X t
;t0), les variables e n sont gaussiennes entrées, indépendantes, de varian es:
Var (e n jX)= 2 (Z n 1 ) expf 2a(Z n 1 ) n g 1 2a(Z n 1 )
Une première onséquen e de lareprésentation (12)est l'obtention dire tede l'ergodi itéde U: ((C
n ;e
n
);n 1) étant stationnaire, log + C n et log + je n
j étant intégrables, les résultats de Brandt [3℄ ( f. aussi Bougerol et Pi ard [2℄) assurent que U est ergodique dès que l'exposant
supérieur de Lyapunovde lasuite (C n
)est négatif,à savoir:
= inf n1 1 n E [logfC n C n 1 C 1 g℄<0
Ce oe ient esti i simpleà évaluer :
= E [logC 1 ℄= E [a(Z 0 ) 1 ℄= E [a(Z 0 )(Z 0 ) 1 ℄ = X i i a(i)(i) 1 = P i i a(i) P i i (i) :
Onretrouve la onditiond'ergodi ité (11)de Y établie auparagraphe pré edent.
4.2 Existen e de moments pour la loi invariante de Y
Une deuxième onséquen e est que(12) permet d'estimer les moments de la loi invariante de Y. Dénissons, pour s0,lamatri e : Q
s =((q(i;j) (j);i;j =1;N), où (j)= (j) (j) sa(j) : (13) Onalerésultat suivant:
Proposition 3 Supposons que, pour s0, les deux onditions suivantessontsatisfaites :
1. 8i2E : sa(i) (i)<0. 2. le rayonspe tral (Q s ) de Q s est inférieur à 1.
Alors la loi invariante deY admet un momentd'ordre s.
Preuve. Montronsd'abordque es onditionsentraînent <0etpar onséquentl'ergodi ité
de Y. Utilisant leLemme 2 de[17 ℄, ona X i i log (j) = X i i log [1 sa(i)(i) 1 ℄ 1 log(Q s )<0: La fon tion log(1 sx) 1
étant onvexe surfx:x<s 1 g,on a: log 1 s X i i a(i)(i) 1 ! 1 X i i log(1 sa(i)(i) 1 ) 1 <0:
Don i i a(i)(i) 1
= < 0. Ainsi Y est ergodique de même loi invariante que U. Plus pré isément, lasérie U n = 1 X k=0 d n;k e n k ; (14) ave d n;k =C n C n 1 C n k+1 =exp k 1 X `=0 a(Z n ` 1 ) n ` ;
onverge p.s. et est une solution stationnaire de Eq. (12). Montrons que ette série onverge absolument dansL s . Conditionnement àX,lesd n;k ete n k
sontrespe tivement des onstantesetdesgaussiennes entrées de varian e Var (e n k jX)= 2 (Z n k 1 ) expf2a(Z n k 1 ) n k g 1 2a(Z n k 1 ) : D'où n;k := E jd n;k e n k j s jX =jd n;k j s E je n k j s jX C 1 jd n;k j s 2 (Z n k 1 ) expf2a(Z n k 1 ) n k g 1 2a(Z n k 1 ) s=2 ; où C 1
dépend de s seulement. L'espéran e en X, pro essus qui est résumé par ((Z n
; n
)), se al ule en2 étapes:
(i) onprend l'espéran e en=( n
)àZ =(Z n
)xée. Lesvariables n
étant exponentielles et indépendantes, lesespéran es i-dessousexistent et sont nies à ondition que, 8i2E, sa(i) (i)<0. D'unepart, pourC
2 dépendant de sseul,on a: E " expf2a(Z ` 1 ) ` g 1 2a(Z ` 1 ) s=2 jZ # E h f ` (1_expf2a(Z ` 1 ) ` g) g s=2 jZ i E h s=2 ` + s=2 ` expfsa(Z ` 1 ) ` gjZ i C 2 n (Z ` 1 ) s=2 +[ sa(Z ` 1 )+(Z ` 1 )℄ (s=2+1) o = C 2 '(Z ` 1 );
où lapremière inégalité dé oule de
e x 1 x 1_e x ; x2R et où ona posé '(z)=(z) s=2 +[(z) sa(z)℄ (s=2+1) : (15) D'autre part, E expfsa(Z ` 1 ) ` gjZ = (Z ` 1 ): D'où,pour C 3 dépendant de sseul,on a: E n;k jZ C 3 2 (Z n k 1 )'(Z n k 1 ) k 1 Y `=0 (Z n ` 1 ):
E [jd n;k e n k j s ℄ = E [ n;k ℄ C 3 X i0;i1;;i k 2E i 0 2 (i 0 )'(i 0 ) Y `=1;k q(i ` 1 ;i ` ) (i ` )=C 3 u T Q k s 1I;
oùuestleve teurde omposantesu i = i 2 (i)'(a i
)et1Ileve teurde omposantestoutes
égalesà 1. Comme(Q s
)<1,Q k s
tend vers 0à vitesseexponentielle quandk !1.
D'oùla onvergen e absolue de lasérieU n
dansL s
.
4.3 Comparaison ave les résultats [1℄
Transposonslerésultat deBasaketal[1 ℄. Con ernant X, lerégimeàN états,rien n'est hangé si en'est queleurrésultat utilise ,le générateurinnitésimalde X :
(i;j)=
(i)q(i;j) sii6=j
(i) sii=j
Considéronsunediusionve torielleY 2R d
solutionde(1),mais ettefois ipour(a(i);(i)); i= 1;:::;N desmatri esdd. Leur ondition(A2)assurant l'existen ed'un moment d'ordres>0
est lasuivante :
(A2) Il existe N matri esdd symétriquesB i
, dénies positives, >0,s>0tels que :
u 0 B i a(i)u+ 1 s u 0 B i u N X j=1 ij u 0 B j u u 0 B i u s=2 juj 2 ; 8u2R d ; u6=0; i=1;:::;N:
Leurrésultat estlesuivant(Théorème 3.1et Lemme 3.2) :
Proposition 4 Sous la ondition (A2) le pro essus (X t
;Y t
) est ergodique et la loi limite de Y t admet unmoment d'ordre s.
Montronsque(A2)impliqueles onditions1. et2. delaproposition3sid=1. Enexprimant à partir deset q, quelquesmanipulations simplesmontrent que(A2) seréé rit :
(A2)' 9b i >0; i=1;:::;N, s>0tels que: (sa(i) (i))b i + X j:j6=i (i)q(i;j)b j <0; i=1;:::N:
Cequiimpliquela ondition1. D'autrepart omme,pourtouti,sa(i) (i)6=0,alors,pour
lamatri eQ s déniepré édemment,b=(b 1 ;:::;b N ) 0
>0,où>estlarelationd'ordre stri tsur haque oordonnées,la ondition(A2)' devient : Q
s
B <B, onditionqui implique 2. (voir par exemple [11℄,pp. 492).
4.4 Exemple : une diusion linéaire à deux régimes
X est àdeux états E =f1;2g, de fon tion d'intensité =(1) >0, =(2) >0. La matri e
de transition des sauts est q =
0 1 1 0
. La loi invariante de X est =(;)=(+). On
suppose également que(1)>0; (2)>0. On obtient alors : Ergodi ité deY si:
trouve sous la droite d'équation y = 2x et la zone de stabilité à l'ordre 2 (E2) se trouve en
ha huré.
Ergodi ité et existen ed'un moment d'ordre spour Y :
(E2): 8 <
:
(i) sa(1) <0; sa(2) <0
(ii) a(1)+a(2) sa(1)a(2)<0
Dans leplan(a(1);a(2)) :
(i) (E)est délimitéepar le demi-planinférieur de frontière a(2)+a(1)=0.
(ii) (E2)estledemi-espa einférieurdefrontièrel'ar d'hyperbolepassantparl'originetangent à ladroite délimitant (E) et d'équation : a(1)+a(2) 2a(1)a(2)=0.
Referen es
[1℄ BasakG.K.,BisiA.et Ghosh M.K.,1996,Stabilityofrandomdiusionwith lineardrift,J. Math.Anal. Appl. 202,604-622
[2℄ Bougerol P. et Pi ard N., 1992, Stri t stationarity of generalized autoregressive pro esse, Ann.Proba. 20,1714-1730
[3℄ Brandt A.,1986, Thesto hasti equationY n+1 =A n Y n +B n
with stationnary oe ients, Adv. Appl. Proba.18, 211-220
[4℄ Co ozza-Thivent C.,1997,Pro essus sto hastiques et abilitédes systèmes, Springer
[5℄ FellerW. , 1966, An Introdu tion to Probability Theory, Vol. II,Wiley
[6℄ Fran q C. et Roussignol M., 1998, Ergodi ity of autoregressive pro esses with Markov swit hing and onsisten y of maximum-likelihoodestimator, Statisti s 32,151-173
andthe business y leE onometri a, 57,151-173
[8℄ Hamilton J.D., 1990, Analysisof time series subje tto hanges in regime, J. ofE onomet. 45,39-70
[9℄ Hamilton J.D., 1996, Spe i ation testing in Markov-swit hing time series models, J. of E onomet.70, 127-157
[10℄ Hansen B., 1996, The likelihood ratio test under nonstandard onditions : testing the
Markovswit hingmodelof GNP, J. Applied E onometri s7,61-82
[11℄ R.A.Horn etC.R. Johnson, 1985.Matrix Analysis CambridgeUniversityPress
[12℄ Ji Y.et Chize k H.J., 1990, Controllability, stabilizability and ontinuous-time Markovian jumplinearquadrati ontrol,IEEETrans. Automat.Control 35,777-788
[13℄ I. Karatzas et S.E. Shreve, 1991. Brownian Motion and Sto hasti al ulus (2nd ed.), Springer,New-York
[14℄ Mariton M.,1990, Jumplinear systems in Automati Control, Dekker
[15℄ M Cullogh R.E. et Tsay R.S., 1994, Statisti al analysis of e onometri times series via
Markovswit hingmodels,J. TimeSeriesAnal. 15,523-539
[16℄ B.Oksendal, 1998.Sto hasti Dierential Equations (5ème ed.), Springer-Verlag,Berlin
[17℄ YaoJ.F.etAttaliJ.G.,2000,OnstabilityofnonlinearARpro esseswithMarkovswit hing, Adv. Appl. Proba.32, 394-407