Cette thèse se consacre à l'estimation non paramétrique pour les modèles autorégressifs. Nous considérons le problème de l'estimation d'une fonction inconnue en un point fixe à l'aide de données régies par des modèles autorégressifs. Pour définir le risque associé à l'emploi d'un estimateur et ainsi mesurer la qualité de celui-ci, nous utilisons la fonction de perte liée à l'erreur absolue. Le travail de cette thèse suit l'approche minimax dont l'objectif est de trouver une borne inférieure asymptotique du risque minimax puis de construire un estimateur, dit asymptotiquement efficace, dont le risque maximal atteint asymptotiquement cette borne. Pour un modèle autorégressif non paramétrique où la fonction autorégressive est supposée appartenir à une classe H\"{o}ldérienne faible de régularité connue, nous montrons qu'un estimateur à noyau est asymptotiquement efficace. Lorsque la régularité de la fonction autorégressive est inconnue, nous obtenons la vitesse de convergence minimax adaptative des estimateurs sur une famille de classes H\"{o}ldériennes.\\

Ce mémoire examine la qualité de prévision des prix immobiliers au Canada et dans cinq de ses régions métropolitaines, en utilisant trois modèles économétriques: VAR (Modèle d'autorégression vectorielle), VECM (Modèle vectoriel à correction d'erreur), VAR spatial (Modèle d'autorégression vectorielle spatiale). Le VAR spatial permet d'incorporer les effets spatiaux dans la modélisation. Les résultats des estimations du VAR, du VECM et du VAR spatial et les fonctions de réponse permettent de faire les constats suivants: (i) un choc d'emploi affecte positivement le prix du logement; (ii) un choc de politique monétaire (taux d'intérêt) a un impact négatif sur le prix immobilier. Pour mesurer la qualité prédictive des trois approches, nous avons fait appel à deux mesures de choix de modèle: la Racine de l'Erreur Quadratique Moyenne (Root Mean Squared Error, RMSE) et le gain d'efficacité (Relative Root Mean Squared Error). Les résultats indiquent que: (i) le VAR spatial donne une prévision de meilleure qualité comparativement au VECM et au VAR conventionnel; (ii) l'incorporation de l'interaction entre deux régions dans un modèle VAR permet de mieux prévoir le prix immobilier. En somme, le taux d'intérêt et l'emploi demeurent des facteurs-clés dans la modélisation du prix du logement. De plus, l'approche VAR spatial permet d'améliorer la qualité de la prévision de cette variable d'intérêt. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Économétrie, Prévision, Prix immobilier, VAR spatial, VECM, VAR.

Ce mémoire vise à déterminer les causes de la stabilisation du cycle économique américain, phénomène mieux connu sous le nom de la Grande Modération. Ce dernier fut remarqué au début des années quatre-vingt et quatre causes principales furent évoquées par la littérature: une meilleure politique monétaire, une meilleure gestion des stocks, une réduction de la taille des chocs économiques et finalement un changement d'ordre structurel de l'économie. Nous comparons les statistiques cycliques et les sentiers de réponse des principales variables économiques de la période 1959 à 1979 par rapport à la période 1984 à 2006. Les sentiers de réponses sont obtenus par plusieurs spécifications d'une représentation vectorielle autorégressive structurelle (SVAR) avec restrictions de long terme à la Blanchard et Quah. Les intervalles de confiance de ces sentiers sont obtenus par méthode de bootstrap. Cette méthodologie nous permet d'évaluer si, effectivement, des changements structurels pourraient expliquer cette stabilisation du cycle économique. Nous trouvons d'abord que de nombreux faits cycliques ont changé entre ces deux périodes. Ensuite, nos résultats montrent que la stabilisation du PIB pourrait être due à une réduction de la taille des chocs, alors que la stabilisation de l'inflation serait due à une politique monétaire plus crédible. Nous trouvons également qu'une plus grande flexibilité du marché du travail, notamment celle des salaires, pourrait avoir jouée un rôle dans cette Grande Modération. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Grande Modération, SVAR, Cycles économiques.

Dans le but de guider l'évaluation et le développement des modèles dynamiques d'équilibre général, les vecteurs autorégressifs structurels (SVAR) ont été largement utilisés. Une importante application récente de cette approche est introduite par Galì (1999). Plus récemment, le débat à propos de l'effet d'une augmentation de la technologie sur les heures travaillées a déclenché l'émergence de plusieurs contributions concernant la capacité de l'approche SVAR à mesurer adéquatement l'impact des chocs technologiques sur des variables agrégées. L'objectif de ce projet de recherche est d'évaluer la capacité des représentations vectorielles autorégressives (VAR) structurelles, en utilisant des restrictions de long terme, à identifier les fonctions de réponses suite à un choc technologique. Pour cela, nous effectuons une étude de Monte-Carlo, dans laquelle nous générons 1000 échantillons de données à partir du modèle de cycle réel. À des fins de comparaison, nous considérons plusieurs approches: (i) l'approche SVAR standard qui utilise la méthode de restriction de Blanchard et Quah; (ii) l'approche SVAR WEN, laquelle utilise les restrictions basées sur la méthode dans le domaine des fréquences suggérée par WEN; (iii) l'approche SVAR-Bartlett dans laquelle nous remplaçons l'estimateur standard de la matrice variance-covariance par un estimateur non paramétrique à noyau de Bartlett; (iv) l'approche SVAR Andrews-Mohanan où on utilise un autre estimateur non paramétrique, celui d'Andrews-Mohanan. Par la suite, nous évaluons chaque approche, en calculant le biais absolu cumulatif et la racine carrée de l'erreur quadratique moyenne cumulative. Nos principaux résultats sont les suivants: (i) la meilleure approche est celle de Bartlett lorsque l'on fixe le paramètre à l'aide de la méthode de Newey-West, ou lorsqu'il est fixé à 10 ou 20; (ii) les intervalles de confiance sont grands pour les différentes approches; (iii) les VAR structurelles, ne peuvent faire de la discrimination entre des modèles, impliquant une réponse de signe contraire suite à un choc technologique. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : choc technologique, heures travaillées, domaine des fréquences, VAR

Ce travail explore la dynamique de consommation résidentielle d’électricité au Québec à l’aide de données horaires fournies par Hydro-Québec pour la période de janvier 2006 à décembre 2010. Nous considérons trois modèles autorégressifs standards en analyse des séries temporelles : le lissage exponentiel Holt-Winters, le modèle ARIMA saisonnier (SARIMA) et le modèle ARIMA saisonnier avec variables exogènes (SARIMAX). Pour ce dernier modèle, nous nous concentrons sur l’effet des variables climatiques (la température, l’humidité relative et le point de rosé et la nébulosité). Les facteurs climatiques ont un impact important sur la consommation d’électricité à très court terme. La performance prédictive intra et hors échantillon de chaque modèle est évaluée avec différents indicateurs d’ajustement. Trois horizons temporels hors-échantillon sont testés : 24 heures (un jour), 72 heures (trois jours) et 168 heures (1 semaine). Le modèle SARIMA offre la meilleure performance prédictive hors-échantillon sur 24 heures. Le modèle SARIMAX se révèle le plus performant hors-échantillon sur les horizons temporels de 72 et 168 heures. Des recherches supplémentaires seraient nécessaires pour obtenir des modèles de prévision pleinement satisfaisant du point de vue méthodologique. Mots clés : modèles de séries temporelles, électricité, lissage exponentiel, SARIMA, SARIMAX. Mots clés : modèles de séries temporelles, électricité, lissage exponentiel, SARIMA, SARIMAX / This work explores the dynamics of residential electricity consumption in Quebec using hourly data from January 2006 to December 2010. We estimate three standard autoregressive models in time series analysis: the Holt-Winters exponential smoothing, the seasonal ARIMA model (SARIMA) and the seasonal ARIMA model with exogenous variables (SARIMAX). For the latter model, we focus on the effect of climate variables (temperature, relative humidity and dew point and cloud cover). Climatic factors have a significant impact on the short-term electricity consumption. The intra-sample and out-of-sample predictive performance of each model is evaluated with various adjustment indicators. Three out-of-sample time horizons are tested: 24 hours (one day), 72 hours (three days) and 168 hours (1 week). The SARIMA model provides the best out-of-sample predictive performance of 24 hours. The SARIMAX model reveals the most powerful out-of-sample time horizons of 72 and 168 hours. Additional research is needed to obtain predictive models fully satisfactory from a methodological point of view. Keywords: modeling, electricity, Holt-Winters, SARIMA, SARIMAX.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.