Threshold Autoregressive Moving-Average models: probabilistic structure, statistical aspects and applications
Notice bibliographique
Résumé
The thesis analyses threshold autoregressive moving-average models (TARMA). They are an extension of threshold autoregressive models (TAR) as to allow serially dependent noise. TARMA models describe parsimoniously many non-linear phenomena. The systematic study of TARMA models presents several challenges. The thesis solves the probabilistic problems for the first order TARMA models enabling their practical application. The results allow to develop a powerful unit root test for both linear and non-linear processes. Most unit root tests are affected by size distortion in presence of dependent errors, especially of the moving-average kind. The proposals that address such problem do not consider non-linear alternatives. On the other hand, tests that have a non-linear specification in the alternative hypothesis do not deal with the size issue. We use TARMA models to develop a novel unit root test based upon Lagrange multipliers that does not suffer from size distortions and, at the same time, allows for a wide and flexible non-linear alternative. We prove that our supLM test is consistent, it is similar and it is nuisance-parameters free. In addition to the asymptotic version of the test we propose a wild bootstrap version with very good properties in terms of size and power. The final part of the thesis is devoted to a preliminary empirical investigation regarding the parsimony of TARMA models. Moreover, we use TARMA models to analyse the Canadian lynx time series.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».