Résumé: Notre travail consiste à estimer les trois composantes des séries chronologiques non-stationnaires et saisonnières à savoir la tendance T, la composante irrégulière C et la composante saisonnière S. Plus précisément nous avons étudié en détail les méthodes paramétriques de Newbold et Vougas (1996) pour la décomposition des processus ARIMA(p,1,q), ARIMA(p,2,q) et SARIMAS(p,1,q)´(P,1,Q) et nous avons ainsi étudié les performances de ces méthodes paramétriques par le biais de plusieurs études de simulation. Pour les processus ARIMA(p,1,q) nous avons montré que la sous estimation du paramètre q a une influence considérable sur l'estimation de la tendance T. Aussi, nous avons constaté que ces méthodes sont très performantes spécialement lorsque la taille de l'échantillon est grande et lorsque le bruit blanc est gaussien. Pour contourner la non robustesse de ces méthodes paramétriques lorsque les erreurs sont corrélées, nous avons proposé deux méthodes: nonparamétrique dans le cas où les effets saisonniers sont négligeables et semiparamétrique dans le cas où les effets saisonniers ne sont pas négligeables. Elles consistent à estimer la tendance T par la méthode de régression nonparamétrique du noyau et pour cela nous avons développé deux algorithmes et étudié les performances de ces deux méthodes à l'aide de plusieurs études de simulation. Nous avons ainsi constaté que les résultats de ces deux méthodes: nonparamétrique et paramétriquement sont très satisfaisants et leur avantage principal est qu'elles sont applicables indépendamment du type du modèle paramétrique.

Alger:
Langue: Français
Collation: 110 p. ill. ;30 cm
Diplôme: Magister
Etablissement de soutenance: Alger, Université des Sciences et de la Technologie Houari Boumédiene
Spécialité: Recherche operationnelle
Index décimal 510 .Mathématiques
Thème Mathématiques

Mots clés:
Analyse de régression
Séries chronologiques

Note: Annexe pp.96-107; Bibliogr.pp.108-110