Inférence dans un modèle autorégressif avec tendance et à contaminations multiples: Approche Bayésienne

Voir Plus Voir Moins

Afficher le Résumé

Deux types de contaminations pouvant affecter des données d’observation sont considrées dans cette thèse : les contaminants additifs (AO) et les contaminants innovants (IO). Nous avons généralisé les deux types de contaminations AO et IO au cas multiple pour un mod`ele autorégressif d’ordre p avec une tendance de régression. Nous adoptons l’approche bayésienne et l’échantillonnage de Gibbs pour estimer d’abord les paramètres du modèle et les amplitudes des contaminants, ensuite nous utilisons un test basé sur les p-values et d’autres critères de discrimination bayésiens pour détecter la position des deux types de contaminants. Une étude de simulation intensive est présentée pour illustrer la performance de la méthode par rapport `a l’estimation par maximum de vraisemblance, principalement pour des échantillons de petite taille. La prévision d’une valeur future est donnée. Notre méthode est appliquée `a un ensemble de données réelles