Horizon Portail d'Information

Ressources numériques

Recherche rapide

Recherche avancée

Recherche alphabétique

Modifier la recherche

Saïdi , Sarra , 1992-....

Bec , Frédérique , 19..-....

Couharde , Cécile , 19..-....

Hurlin , Christophe , 1972-....

Ferrara , Laurent , 1972-....

Kengne , William Charky , 1982-....

CY Cergy Paris Université , 2020-....

École doctorale Économie, Management, Mathématiques, Physique et Sciences Informatiques , Cergy-Pontoise, Val d'Oise

THEMA Théorie économique, modélisation et applications , Cergy , 2006-

Les modèles non causaux : tests de racine unitaire et prévision , Sarra Saïdi ; sous la direction de Frédérique Bec

Titre provenant de l'écran-titre

Ecole(s) Doctorale(s) : Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI)

Partenaire(s) de recherche : THEMA -Théorie économique, modélisation et applications (Laboratoire)

Autre(s) contribution(s) : Cécile Couharde (Président du jury) ; Frédérique Bec, Alain Hecq, Christophe Hurlin, Laurent Ferrara, William Charky Kengne (Membre(s) du jury) ; Alain Hecq, Christophe Hurlin (Rapporteur(s))

Thèse de doctorat Sciences économiques - EM2PSI CY Cergy Paris Université 2023

Les modèles mixtes causaux-non causaux autorégressifs (MAR) sont des processus autorisant l observation présente à dépendre des valeurs futures ce qui était impossible avec les modèles causaux classiques. Ils peuvent se révéler plus performants que les modèles causaux en termes de prévision et de précision et peuvent être appliqués à plusieurs sujets tels que la modélisation du taux d inflation, des taux de change, des taux d intérêt, du prix des matières premières, des bulles spéculatives, etc... Cette thèse a pour ambition de revisiter les approches traditionnelles en considérant l éventualité de la présence d une composante non causale. Tout d'abord, nous étudierons la bimodalité de la fonction de vraisemblance et ses conséquences sur l'interprétabilité des séries et les tests de racine unitaire. Ainsi, nous proposerons une stratégie d'estimation pour pallier à ce problème. Puis, la pertinence de l hypothèse de racine unitaire sera réévaluée dans un contexte non causal grâce à une comparaison entre plusieurs tests de racine unitaire implémentés sous des hypothèses alternatives linéaires causales, non linéaires et linéaires non causales. Enfin, nous nous intéresserons à la prévision de ces processus non causaux en utilisant notamment des techniques basées sur les réseaux de neurones.

Mixed causal-noncausal AutoRegressive models (MAR) have the particularity to allow for dependence on both past and future times, by contrast with the well-known backward-looking causal autoregression (namely the AR model) which rules out dependence on future observations. They may be more efficient than causal models in terms of forecasting and accuracy and can be applied to several topics such as modeling inflation rate, exchange rates, interest rates, commodity prices , speculative bubbles, etc... This Phd thesis aims to revisit traditional approaches by considering the possibility of the presence of a non-causal component. First, we will study the bimodality of the likelihood function and its consequences on the interpretability of series and unit root tests. Thus, we will propose an estimation strategy to overcome this problem. Then, the relevance of the unit root hypothesis will be re-evaluated in a non-causal context thanks to a comparison between several unit root tests implemented under alternative linear causal, non-linear and linear non-causal hypotheses. Finally we will focus on the forecast of these non-causal processes using techniques based on neural networks.

Thèses et écrits académiques

Pour toute question, contactez la bibliothèque

Horizon Information Portal 3.25_france_v1m© 2001-2019 SirsiDynix Tous droits réservés.

Horizon Portail d'Information