Estimation bayésienne des paramètres d'un modèle autorégressif par la méthode d'échantillonnage descriptif amélioré

Voir Plus Voir Moins

Afficher le Résumé

Cette thèse porte sur la simulation de Monte Carlo dans un cadre bayésien. Elle montre la flexibilité de l'utilisation des expériences de Monte Carlo, à travers l'échantillonnage descriptif amélioré pour estimer les paramètres au sein d'un modèle autorégressif du premier ordre. Le modèle est donné par Xt = _Xt1 + Yt où 0 < p< 1et Yt représentent les erreurs qui sont des variables aléatoires indépendantes suivant une distribution exponentielle de paramètre v. Nous nous intéressons à l'estimation des paramètres p et v dans un cadre Bayésien. Cette estimation se fera en simulant la distribution a posteriori par des procédures d'échantillonnage de Monte Carlo et plus précisément l'échantillonnage descriptif amélioré, qui est basé sur un bloc de sous-échantillons de tailles de nombres premiers générés aléatoirement. Dans ce but, nous avons pu développer un algorithme d'échantillonnage descriptif amélioré adapté à l'approche Bayésienne pour estimer les paramètres de ce modèle..