Cette thèse comporte cinq chapitres.<br /><br />Chapitre 1 : Schémas de discrétisation anticipatifs et estimation du paramètre de dérive d'une diffusion. <br />Pour estimer le paramètre de dérive d'une diffusion unidimensionnelle ergodique observée à pas d>0 et fixé, on construit des contrastes basés sur des schémas d'approximation anticipatifs (schéma du trapèze et de Simpson) couplés à la méthode d'estimation des moments généralisés. Les estimateurs obtenus présentent des biais d'estimation en d**2 pour le schéma du trapèze et en d**4 pour le schéma de Simpson. L'efficacité asymptotique est par ailleurs préservée à un facteur (1+O(d)) près.<br /><br />Chapitre 2 : Schéma d'approximation adapté à l'ordre p et estimation de la dérive d'une diffusion.<br />Pour estimer le paramètre de dérive d'une diffusion ergodique observée à pas d, nous approximons la vraisemblance exacte de l'échantillon par celle d'un processus gaussien dont l'espérance conditionnelle est approchée à l'ordre d**p. L'estimateur obtenu est asymptotiquement biaisé. Ce biais est explicite et est de l'ordre de d**p. L'efficacité asymptotique est par ailleurs préservée à un facteur près. <br /><br />Chapitre 3 : Estimation du paramètre de dérive d'une diffusion sous des conditions d'irrégularité de la dérive.<br />Le problème étudié est l'analogue de celui étudié par Chan pour les AR à seuil (Threshold, Ann. Stat. 1993). Ici, le temps n'est plus discret mais continu. La dérive de la diffusion est continue, mais à dérivées discontinues en un seuil r. Le problème étudié est celui de l'estimation de ce seuil r. Si le pas d'observation d_n tend vers 0 et si T=n*d_n tend vers l'infini, l'estimateur des Moindres carrés (associé au schéma d'Euler ) de r est consistant. Si de plus n*(d_n)**3 tend vers 0, il y a normalité asymptotique à une vitesse standard. <br /><br />Chapitre 4 : Estimation d'un CAR(p) incomplètement observé à partir des équations de Yule-Walker.<br />Un travail de Hyndman (JTSA, 93) présente les équations de Yule-Walker pour un CAR(p), X, (qui est aussi une diffusion p-dimensionnelle, Y=(X, X(1),...,X(p-1))) et l'estimation des paramètres déduite sur la base de ces équations et de l'observation complète de Y (temps continu et observation des p-composantes de Y). Adoptant une méthodologie identique, nous étudions ce problème d'estimation lorsque l'on ne dispose que de l'observation de X, la première composante de Y, et ceci à des instants discrets (au pas d). Nous proposons <br />un estimateur convergent des paramètres à un biais près de l'ordre de d.<br /><br />Chapitre 5 : Precision of systematic sampling and transitive methods.<br />Nous proposons une méthode d'estimation dérivée des méthodes transitives utilisées notamment dans le domaine de la stéréologie. Cette méthode permet d'estimer l'écart quadratique moyen d'estimateurs empiriques construits à partir d'un échantillonnage systématique.

Dans cette thèse, on considère une équation différentielle stochastique gouvernée par un processus de Lévy de saut pur dont l’indice d’activité des sauts α ∈ (0, 2) et on observe des données haute fréquence de ce processus sur un intervalle de temps fixé. Cette thèse est consacrée tout d’abord à l’étude du comportement de la densité du processus en temps petit. Ces résultats permettent ensuite de montrer la propriété LAMN (Local Asymptotic Mixed Normality) pour les paramètres de dérive et d’échelle. Enfin, on étudie des estimateurs de l’indice α du processus.La première partie traite du comportement asymptotique de la densité en temps petit du processus. Le processus est supposé dépendre d’un paramètre β = (θ,σ) et on étudie, dans cette partie, la sensibilité de la densité par rapport à ce paramètre. Cela étend les résultats de [17] qui étaient restreints à l’indice α ∈ (1,2) et ne considéraient que la sensibilité par rapport au paramètre de dérive. En utilisant le calcul de Malliavin, on obtient la représentation de la densité, de sa dérivée et de sa dérivée logarithmique comme une espérance et une espérance conditionnelle. Ces formules de représentation font apparaître des poids de Malliavin dont les expressions sont données explicitement, ce qui permet d’analyser le comportement asymptotique de la densité en temps petit, en utilisant la propriété d’autosimilarité du processus stable.La deuxième partie de cette thèse concerne la propriété LAMN (Local Asymptotic Mixed Normality) pour les paramètres. Le coefficient de dérive et le coefficient d’échelle dépendent tous les deux de paramètres inconnus et on étend les résultats de [17]. On identifie l’information de Fisher asymptotique ainsi que les vitesses optimales de convergence. Ces quantités dépendent de l’indice αLa troisième partie propose des estimateurs pour l’indice d’activité des sauts α ∈ (0,2) basés sur des méthodes de moments qui généralisent les résultats de Masuda [53]. On montre la consistence et la normalité asymptotique des estimateurs et on illustre les résultats par des simulations numériques / In this thesis, we consider a stochastic differential equation driven by a truncated pure jump Lévy process with index α ∈(0,2) and observe high frequency data of the process on a fixed observation time. We first study the behavior of the density of the process in small time. Next, we prove the Local Asymptotic Mixed Normality (LAMN) property for the drift and scaling parameters from high frequency observations. Finally, we propose some estimators of the index parameter of the process.The first part deals with the asymptotic behavior of the density in small time of the process. The process is assumed to depend on a parameter β = (θ,σ) and we study, in this part, the sensitivity of the density with respect to this parameter. This extends the results of [17] which were restricted to the index α ∈ (1,2) and considered only the sensitivity with respect to the drift coefficient. By using Malliavin calculus, we obtain the representation of the density, its derivative and its logarithm derivative as an expectation and a conditional expectation. These representation formulas involve some Malliavin weights whose expressions are given explicitly and this permits to analyze the asymptotic behavior in small time of the density, using the self-similarity property of the stable process.The second part of this thesis concerns the Local Asymptotic Mixed Normality property for the parameters. Both the drift coefficient and scale coefficient depend on the unknown parameters. Extending the results of [17], we compute the asymptotic Fisher information and find that the rate in the Local Asymptotic Mixed Normality property depends on the index α.The third part proposes some estimators of the jump activity index α ∈ (0,2) based on the method of moments as in Masuda [53]. We prove the consistency and asymptotic normality of the estimators and give some simulations to illustrate the finite-sample behaviors of the estimators