Inférence dans les modèles autorégressifs a`coefficients aléatoires RCAR(1)
| dc.contributor.author | Menouche, Ourdia | |
| dc.date.accessioned | 2024-12-16T10:10:07Z | |
| dc.date.available | 2024-12-16T10:10:07Z | |
| dc.date.issued | 2023 | |
| dc.description | 105f.:ill.;30cm | |
| dc.description.abstract | Ce mémoire se penche sur l'inférence statistique dans les modèles autorégressifs à coefficient aléatoire d'ordre 1 RCAR(1). L'objectif principal de cette étude est d'estimer les paramètres clés de ces modèles, en utilisant trois méthodes différentes : les moindres carrés, la méthode du maximum de vraisemblance et l'approche Bayésienne hiérarchique basée sur la méthode de Monte-Carlo par chaînes de Markov (MCMC). La méthode des moindres carrés consiste à minimiser la somme des carrés des résidus et à dériver par rapport aux paramètres inconnus. Ensuite, la méthode du maximum de vraisemblance nous permet d'estimer les paramètres via la fonction de vraisemblance. Enfin, dans le cas de la méthode Bayésienne hiérarchique l'échantillonneur de Gibbs permet de générer des échantillons à partir d'une distribution a posteriori, qui, une fois moyennés, donne la valeur estimée du paramètre inconnu. L'efficacité des trois méthodes est comparée en fonction de la moyenne de l'erreur quadratique moyenne (AMSE) pour des données de simulation | |
| dc.identifier.citation | Probabilité et statistique | |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/25808 | |
| dc.language.iso | fr | |
| dc.publisher | ummto | |
| dc.subject | Estimation | |
| dc.subject | Echantillonnage de Gibbs | |
| dc.subject | Modèle autorégressif à coefficients aléatoires d'ordre 1 (RCAR(1) | |
| dc.subject | Stationnarité | |
| dc.subject | Méthode des moindres carrés | |
| dc.subject | Estimation du maximum de vraisemblance | |
| dc.title | Inférence dans les modèles autorégressifs a`coefficients aléatoires RCAR(1) | |
| dc.title.alternative | Etude de la décomposition modulaire dans les graphes | |
| dc.type | Thesis |