Processus
15 au 19 février 2016
|
Une des caractéristiques présente dans les données réelles provenant de nombreux domaines (Economie, Finance, Hydrologie, Astrophysique) est la présence de la dépendance. Cette dépendance entre les observations peut se manifester selon plusieurs degrés (dépendance faible, dépendance forte). L’inférence statistique pour de telles données exige des théorèmes de la limite centrale plus adaptés.
L’analyse des séries chronologiques repose souvent sur l’hypothèse de stationnarité. Or les données réelles observées dans de nombreux domaines sont souvent non-stationnaires. Par exemple les cracks boursiers induisent souvent des ruptures dans les séries macro-économiques et financières, le réchauffement climatique implique un changement des paramètres dans le processus générateur des données de la température, d’où la nécessité d’introduire des modèles statistiques plus adaptés (processus localement stationnaires, processus avec ruptures). L’objectif de cette rencontre internationale déclinée sous deux thèmes est de : – Faire un état de l’art des différentes avancées scientifiques dans chacun des deux thèmes – Ouvrir de nouvelles pistes de recherche et perspectives pour les jeunes chercheurs. |
Comité scientifique
Jean-Marc Bardet (Université Paris 1 Panthéon-Sorbonne) Comité d’organisation Mohamed Boutahar (Aix-Marseille Université) Conférenciers
Stationary increments harmonizable stable fields: upper estimates on path behavior
Asymptotic behavior of the Laplacian quasi-maximum likelihood estimator of affine causal processes
Verfitting of the Hurst index for a multifractional Brownian motionr
Large scale reduction principle and application to hypothesis testing
Behavior of the Wasserstein distance between
Detecting long-range dependence in non-stationary time series
Semi-parametric dynamic factor models for non-stationary time series
Mallows’ Quasi-Likelihood Estimation for Log-linear Poisson
Hölderian weak invariance principle for strictly stationary sequences
Quasi-MLE for quadratic ARCH model with long memory
Statistical inference for bifurcating Markov chains
Phantom distribution functions for dependent random vectors
Testing for parameter change in a general class of time seriesof counts
Segmentation of time-series with various types of dependency
Processes with varying local regularities
Strong approximation for additive functionals of geometrically ergodic Markov chains
A test for local white noise (and the absence of aliasing) in locallystationary wavelet time series
Periodogram Based Tests of Stationarity
Adaptive bandwidth selection with cross validation for locallystationary processes
Posterior consistency for partially-observed Markov models
Fonctional limit theorems for weakly dependent regularly vary-ing time series
Fourier based statistics for irregular spaced spatial data
Detecting a changed segment in a sample
Some further properties and applications of local Gaussian approximation
Parameter stability and semiparametric inference in time-varyingARCH processes
Classification of nonparametric time trends
Martingale central limit theorems for random fields
Time-frequency analysis of locally stationary Hawkes processes |