Search

We consider two problems in this work. The first one is the goodness of fit test for the model of ergodic diffusion process. We consider firstly the case where the process under the null hypothesis belongs to a given parametric family. We study the Cramer-von Mises type and the Kolmogorov-Smirnov type tests in different cases. The unknown parameter is estimated via the maximum likelihood estimator or the minimum distance estimator, then we construct the tests in using the local time estimator for the invariant density function, or the empirical distribution function. We show that both the Cramer-von Mises type and the Kolmogorov-Smirnov type statistics converge to some limits which do not depend on the unknown parameter, thus the tests are asymptotically parameter free. The alternatives as usual are nonparametric and we show the consistency of all these tests. Then we study the chi-square test. The basic hypothesis is now simple The chi-square test is asymptotically distribution free. Moreover, we study also power function of the chi-square test to compare with the others. The other problem is the approximation of the forward-backward stochastic differential equations. Suppose that we observe a diffusion process satisfying some stochastic differential equation, where the trend coefficient depends on some unknown parameter. We try to construct a couple of processes such that the final value of one is a function of the final value of the given diffusion process. We show that when the diffusion coefficient is small, the couple of processes approximates well the solution of a backward stochastic differential equation. Moreover, we present that this approximation is asymptotically efficient., Nous considérons deux problèmes. Le premier est la construction des tests d’ajustement (goodness-of-fit) pour les modèles de processus de diffusion ergodique. Nous considérons d’abord le cas où le processus sous l’hypothèse nulle appartient à une famille paramétrique. Nous étudions les tests de type Cramer-von Mises et Kolmogorov- Smirnov. Le paramètre inconnu est estimé par l’estimateur de maximum de vraisemblance ou l’estimateur de distance minimale. Nous construisons alors les tests basés sur l’estimateur du temps local de la densité invariante, et sur la fonction de répartition empirique. Nous montrons alors que les statistiques de ces deux types de test convergent tous vers des limites qui ne dépendent pas du paramètre inconnu. Par conséquent, ces tests sont appelés asymptotically parameter free. Ensuite, nous considérons l’hypothèse simple. Nous étudions donc le test du khi-deux. Nous montrons que la limite de la statistique ne dépend pas de la dérive, ainsi on dit que le test est asymptotically distribution free. Par ailleurs, nous étudions également la puissance du test du khi-deux. En outre, ces tests sont consistants. Nous traitons ensuite le deuxième problème : l’approximation des équations différentielles stochastiques rétrogrades. Supposons que l’on observe un processus de diffusion satisfaisant à une équation différentielle stochastique, où la dérive dépend du paramètre inconnu. Nous estimons premièrement le paramètre inconnu et après nous construisons un couple de processus tel que la valeur finale de l’un est une fonction de la valeur finale du processus de diffusion donné. Par la suite, nous montrons que, lorsque le coefficient de diffusion est petit, le couple de processus se rapproche de la solution d’une équations différentielles stochastiques rétrograde. A la fin, nous prouvons que cette approximation est asymptotiquement efficace.

This paper discusses two goodness-of-fit testing problems. The first problem pertains to fitting an error distribution to an assumed nonlinear parametric regression model, while the second pertains to fitting a parametric regression model when the error distribution is unknown. For the first problem the paper contains tests based on a certain martingale type transform of residual empirical processes. The advantage of this transform is that the corresponding tests are asymptotically distribution free. For the second problem the proposed asymptotically distribution free tests are based on innovation martingale transforms. A Monte Carlo study shows that the simulated level of the proposed tests is close to the asymptotic level for moderate sample sizes.

This paper establishes the asymptotic uniform linearity of M- and R-scores in a family of nonlinear time series and regression models. It also gives an asymptotic expansion of the standardized sequential residual empirical process in these models. These results are, in turn, used to obtain the asymptotic normality of certain classes of M-, R- and minimum distance estimators of the underlying parameters. The classes of estimators considered include analogs of Hodges-Lehmann, Huber and LAD (least absolute deviation) estimators. Some applications to the change point and testing of the goodness-of-fit problems in threshold and amplitude-dependent exponential autoregression models are also given. The paper thus offers a unified functional approach to some aspects of robust inference for a large class of nonlinear time series models.