Cette thèse, composée de trois essais, identifie des modèles factoriels dynamiques de prévisions en temps réel du cycle économique. Il a pour objectif principal de proposer une structure de modèles d’analyse du cycle économique avec des données à hautes fréquences dans un contexte de révisions de donnée. Ceci est pertinent pour trois raisons. Premièrement, la prévision du cycle économique est une question centrale en macroéconométrie. Deuxièmement, les décideurs politiques bénéficieraient à avoir des informations à hautes fréquences et évaluées en temps réel sur les conditions économiques pour leur prise de décisions. Enfin, les décisions sont souvent prises en se basant sur les données sujettes à des révisions et l’incertitude relative de ces données doit être incorporée dans le processus d’élaboration de décision. Après un bref survol de la littérature sur le cycle économique et des modèles d’analyse des points tournants, nous proposons une structure rigoureuse d’estimation du Produit Intérieur Brut (PIB) mensuel réel des États-Unis. Le problème récurrent rencontré dans l’estimation de cette classe de modèles est que les estimations du PIB mensuel ne sont pas cohérentes avec celles trimestrielles et ces dernières à leur tour ne sont pas cohérentes avec les estimations annuelles. Notre approche résout ce genre de problème et facilite les interprétations intrapériodes. Dans le premier essai (chapitre 2), nous développons et estimons un modèle factoriel dynamique traitant le PIB mensuel comme une variable inobservable. Contrairement aux approches existantes, la moyenne trimestrielle de nos estimations mensuelles est exactement égale à l’estimation trimestrielle du «Bureau of Economic Analysis». Par contruction, nos estimations mensuelles ont l’avantage d’être à la fois en temps réel et facile à interpréter. Le second essai (chapitre 3) est une extension de la structure précédente en y ajoutant un modèle markovien de changements de régimes du cycle économique au modèle factoriel dynamique. Le modèle est maintenant un modèle avec trois niveaux à deux composantes inobservables. Nous portons une attention particulière à la sensibilité des indicateurs usuels du cycle économique aux points tournants. L’indice de production industrielle, les ventes manufacturières et de commerce transmettent plus rapidement à la composante commune (PIB mensuel) les chocs qu’ils subissent du cycle économique que l’emploi. Dans le dernier essai (chapitre 4), nous intégrons les révisions de données dans le modèle factoriel dynamique à régimes markoviens dans une perspective d’évaluer leurs effets sur le cycle économique. Il apparait que les révisions de données ont un impact significatif sur les comouvements entre les variables et les points tournants sans compromettre la nature asymétrique du cycle économique. Mots clés : Modèle Factoriel Dynamique (MFD), Haute fréquence, Temps réel, Régimes markoviens, Composantes inobservables, Révisions, Comouvement, Points tournants, Asymétrie, Cycle économique. / This thesis is composed of three essays on real-time forecasting dynamic factor models. The main objective is to provide frameworks for high-frequency business cycle analysis in the presence of data revisions. This is relevant for three reasons. First, business cycle forecasting is a central question in macroeconometrics. Secondly, policy-makers would benefit from having access to timely, high-frequency information about business conditions to inform their decisions. Finally, decisions must frequently be made based on data that are subject to revision, and this data uncertainty should be incorporated into the decision-making process. After a review of the empirical business cycle literature and of models of business cycle turning points, we propose a rigorous framework for estimating monthly real US Gross Domestic Product (GDP). A recurring problem in this class of models is that estimates for monthly GDP are generally not consistent with quarterly estimates in the same way that quarterly estimates are not consistent with annual data. Our approach solves this problem. In the first essay (chapter 2), we develop and estimate a dynamic factor model treating the monthly Gross Domestic Product (GDP) as an unobservable latent variable. In contrast with existing approaches, the quarterly averages of our monthly estimates are exactly equal to the Bureau of Economic Analysis quarterly estimates. By construction, our monthly estimates have the advantage of being both timely and easy to interpret. The second essay (chapter 3) extends this framework by adding a Markov-switching model of business cycle regimes to the dynamic factor model. The model is now one with three levels, two of which have latent dependent variables. We pay particular attention to the sensibility of the usual indicators at turning points. The industrial production index, manufacturing and trade sales transmit more information about business cycle shocks to the common component (monthly GDP) than does employment. Finally, we integrate data revisions into our Markov- switching dynamic factor model in order to evaluate the effects of the revisions process on monthly estimates. It appears that data revisions have a significant impact on the co-movement of variables and on turning points without compromising the asymmetric nature of the business cycle. Keywords : Dynamic Factor Model (DFM), High-frequency, Real-time, Markov-switching, unobservable components, Revisions, co-movement, Turning points, Asymmetric, Business cycle.