Approche bayésienne pour le modèle de regression quantile avec pénalités

"Les modèles de régression des quantiles constituent une approche alternative aux modèles classiques pour l'estimation des événements de période de retour élevée lors de la conception des ouvrages. L'approche étudiée dans le cadre de ce travail de recherche, sera présentée dans un cadre Bayésien. En effet, l'approche Bayésienne permet de combier différentes sources d'information comme par exemple, celle extraites des données et celle obtenue à partir des connaissances à priori de la variable (information founie par des experts). L'approche Bayésienne nous permettra également de définir la distribution complète des estimateurs quantiles et d'en déduire les incertitudes sur l'estimation des extrêmes. La majorité des pénalités introduites dans la littérature se font dans le cadre fréquentiel avec les propriétés asymptotiques des estimateurs, appelées propriétés oracle (parcimonie et normalité asymptotique). Dans le cadre de cette étude nous nous sommes fixés les objectifs suivants: 1. Introduction des dfférentes pénalités dans un cadre Bayésien ; 2. Comparaison des propriétés des estimateurs pour les différentes pénalités dans le cadre d'échantillons de tailles finies ; 3. Développement et calibration d'algorithme de Monte Carlo par Chaîne de Markov (MCMC) pour l'estimation des distributions a posteriori des quantiles."--Page 5.

Name thesis:degree_name

Maîtrise ès sciences (mathématiques)

Level thesis:degree_level

2e cycle

Discipline thesis:degree_discipline

Faculté des sciences

Grantor dc:publisher

Université de Moncton

Year dc:date.issued

2015

Author dc:creator

• Salaou, Garba

Advisors dc:contributor.advisor

• El Adlouni, Salah-Eddine
• St-Hilaire, André

• Régression quantile
• Théorème de Bayes
• Processus de Markov
• Méthode de Monte-Carlo
• Distribution asymptotique (Théorie des probabilités)

Statement dc:rights

• Author

Language dc:language.iso

iso639-2b, fre

Identifier

oclc: 984658772

Dc Identifier Other

umir:1882

OAI identifier oai:identifier

oai:umoncton.scholaris.ca:20.500.14658/7400