The shape of drift function in continuous time interest rate models has been investigated by many authors during the past decade. The main concerns have been whether the drift function is linear or nonlinear, but no convincing conclusions have been seen. In this dissertation, we investigate the reason for this problem and test several models of the drift function using a nonparametric test. Furthermore, we study some related problems, including the empirical properties of the nonparametric test. First, we propose regression models for the estimation of the drift function in some continuous time models. The limiting distribution of the parameter estimator in the proposed regression model is derived under certain conditions. Based on our analyses, we conclude that the effect of drift function for some U.S. Treasury Bill yields data is negligible. Therefore, neither linear nor nonlinear modeling has a significant effect. Second, parametric linear and nonlinear proposed regression models are applied and the correctness of those models is examined using the consistent nonparametric model specification test introduced by Li (1994) and Zheng (1996), henceforth the Jn test. The test results indicate that there is no strong statistical evidence against the assumed drift models. Furthermore, the constant drift model is not rejected either. Third, we compare the Jn and generalized likelihood ratio (GLR) tests through Monte Carlo simulation studies concerning whether the sizes of tests are stable over a range of bandwidth values, which is an important indicator to measure the usefulness of nonparametric tests. The GLR test was applied to testing the linear drift function in continuous time models by Fan and Zhang (2003). Our simulation study shows that the GLR test does not provide stable sizes over a grid of bandwidth values in testing the drift function of some continuous time models, whereas the Jn test usually does.

No description available.

Distance sampling and spatial capture-recapture are statistical methods to estimate the number of animals in a wild population based on encounters between these animals and scientific detectors. Both methods estimate the probability an animal is detected during a survey, but do not explicitly model animal movement. The primary challenge is that animal movement in these surveys is unobserved; one must average over all possible paths each animal could have travelled during the survey. In this thesis, a general statistical model, with distance sampling and spatial capture-recapture as special cases, is presented that explicitly incorporates animal movement. An efficient algorithm to integrate over all possible movement paths, based on quadrature and hidden Markov modelling, is given to overcome the computational obstacles. For distance sampling, simulation studies and case studies show that incorporating animal movement can reduce the bias in estimated abundance found in conventional models and expand application of distance sampling to surveys that violate the assumption of no animal movement. For spatial capture-recapture, continuous-time encounter records are used to make detailed inference on where animals spend their time during the survey. In surveys conducted in discrete occasions, maximum likelihood models that allow for mobile activity centres are presented to account for transience, dispersal, and heterogeneous space use. These methods provide an alternative when animal movement causes bias in standard methods and the opportunity to gain richer inference on how animals move, where they spend their time, and how they interact.

Les études menées permettent de prendre en main un système depuis l’identification jusqu’à la commande robuste des systèmes non entiers. Les principes de la platitude permettent de parvenir à la planification de trajectoire à condition de connaître le modèle du système, d’où l’intérêt de l’identification des paramètres du système. Les principaux travaux de cette thèse concernent l’identification de système par modèles non entiers, la génération et la poursuite robuste de trajectoire par l’application des principes de la platitude aux systèmes non entiers.Le chapitre 1 rappelle les définitions et propriétés de l’opérateur non entier ainsi que les diverses méthodes de représentation d’un système non entier. Le théorème de stabilité est également remémoré. Les algèbres sur les polynômes non entiers et sur les matrices polynômiales non entières sont introduites pour l’extension de la platitude aux systèmes non entiers.Le chapitre 2 porte sur l’identification par modèle non entier. Après un état de l’art sur les méthodes d’identification par modèle non entier, deux contextes sont étudiés : en présence de bruit blanc et en présence de bruit coloré. Dans chaque cas, deux estimateurs optimaux (sur la variance et le biais) sont propos´es : l’un, en supposant une structure du modèle connue et d’ordres de dérivation fixés, et l’autre en combinant des techniques de programmation non linéaire qui optimise à la fois les coefficients et les ordres de dérivation.Le chapitre 3 établit l’extension des principes de la platitude aux systèmes non entiers.La platitude des systèmes non entiers linéaires en proposant différentes approches telles que les fonctions de transfert et la pseudo-représentation d’état par matrices polynômiales est étudiée.La robustesse du suivi de trajectoire est abordée par la commande CRONE. Des exemples de simulations illustrent les développements théoriques de la platitude au travers de la diffusion thermique sur un barreau métallique.Enfin, le chapitre 4 est consacré à la validation des contributions en identification, en planification de trajectoire et en poursuite robuste sur un système non entier réel : un barreau métallique est soumis à un flux de chaleur. / The general theme of the work enables to handle a system, from identification to robust control. Flatness principles tackle path planning unless knowing the system model, hence the system parameter identification necessity. The principal contribution of this thesis deal with system identification by non integer models and with robust path tracking by the use of flatness principles for fractional models.Chapter 1 recalls the definitions and properties of a fractional operator and also the various representation methods of a fractional system. The stability theorem is also brought to mind. Fractional polynomial and fractional polynomial matrice algebras are introduced for the extension of flatness principles for fractional systems.Chapter 2 is about non integer model identification. After a state of the art on system identification by non integer model. Two contexts are considered : in presence of white noise and of colored noise. In each situation, two optimal (in variance and bias sense) estimators are put forward : one, when considering a known model structure with fixed differentiating orders, and another one by combining nonlinear programming technics for the optimization of coefficients and differentiating orders.Chapter 3 establishes the extension of flatness principles to fractional systems. Flatness of linear fractional systems are studied while considering different approaches such as transfer functions or pseudo-state-space representations with polynomial matrices. Path tracking robustness is ensured with CRONE control. Simulation examples display theoretical developments on flatness through thermal diffusion on a metallic rod. Finally, Chapter 4 is devoted to validate the contributions to system identification, to trajectory planning and to robust path tracking on a real fractional system : a metallic rod submitted to a heat flux.

Cette thèse traite de l’identification de systèmes dynamiques à partir de données échantillonnées à pas variable. Ce type de données est souvent rencontré dans les domaines biomédical, environnemental, dans le cas des systèmes mécaniques où un échantillonnage angulaire est réalisé ou lorsque les données transitent sur un réseau. L’identification directe de modèles à temps continu est l’approche à privilégier lorsque les données disponibles sont échantillonnées à pas variable ; les paramètres des modèles à temps discret étant dépendants de la période d’échantillonnage. Dans une première partie, un estimateur optimal de type variable instrumentale est développé pour estimer les paramètres d’un modèle Box-Jenkins à temps continu. Ce dernier est itératif et présente l’avantage de fournir des estimées non biaisées lorsque le bruit de mesure est coloré et sa convergence est peu sensible au choix du vecteur de paramètres initial. Une difficulté majeure dans le cas où les données sont échantillonnées à pas variable concerne l’estimation de modèles de bruit de type AR et ARMA à temps continu (CAR et CARMA). Plusieurs estimateurs pour les modèles CAR et CARMA s’appuyant sur l’algorithme Espérance-Maximisation (EM) sont développés puis inclus dans l’estimateur complet de variable instrumentale optimale. Une version étendue au cas de l’identification en boucle fermée est également développée. Dans la deuxième partie de la thèse, un estimateur robuste pour l'identification de systèmes à retard est proposé. Cette classe de systèmes est très largement rencontrée en pratique et les méthodes disponibles ne peuvent pas traiter le cas de données échantillonnées à pas variable. Le retard n’est pas contraint à être un multiple de la période d’échantillonnage, contrairement à l’hypothèse traditionnelle dans le cas de modèles à temps discret. L’estimateur développé est de type bootstrap et combine la méthode de variable instrumentale itérative pour les paramètres de la fonction de transfert avec un algorithme numérique de type gradient pour estimer le retard. Un filtrage de type passe-bas est introduit pour élargir la région de convergence pour l’estimation du retard. Tous les estimateurs proposés sont inclus dans la boîte à outils logicielle CONTSID pour Matlab et sont évalués à l’aide de simulation de Monte-Carlo / The output of a system is always corrupted by additive noise, therefore it is more practical to develop estimation algorithms that are capable of handling noisy data. The effect of white additive noise has been widely studied, while a colored additive noise attracts less attention, especially for a continuous-time (CT) noise. Sampling issues of CT stochastic processes are reviewed in this thesis, several sampling schemes are presented. Estimation of a CT stochastic process is studied. An expectation-maximization-based (EM) method to CT autoregressive/autoregressive moving average model is developed, which gives accurate estimation over a large range of sampling interval. Estimation of CT Box-Jenkins models is also considered in this thesis, in which the noise part is modeled to improve the performance of plant model estimation. The proposed method for CT Box-Jenkins model identification is in a two-step and iterative framework. Two-step means the plant and noise models are estimated in a separate and alternate way, where in estimating each of them, the other is assumed to be fixed. More specifically, the plant is estimated by refined instrumental variable (RIV) method while the noise is estimated by EM algorithm. Iterative means that the proposed method repeats the estimation procedure several times until a optimal estimate is found. Many practical systems have inherent time-delay. The problem of identifying delayed systems are of great importance for analysis, prediction or control design. The presence of a unknown time-delay greatly complicates the parameter estimation problem, essentially because the model are not linear with respect to the time-delay. An approach to continuous-time model identification of time-delay systems, combining a numerical search algorithm for the delay with the RIV method for the dynamic has been developed in this thesis. In the proposed algorithm, the system parameters and time-delay are estimated reciprocally in a bootstrap manner. The time-delay is estimated by an adaptive gradient-based method, whereas the system parameters are estimated by the RIV method. Since numerical method is used in this algorithm, the bootstrap method is likely to converge to local optima, therefore a low-pass filter has been used to enlarge the convergence region for the time-delay. The performance of the proposed algorithms are evaluated by numerical examples