Search

State space models (SSMs) are nowubiquitous in many fields and increasingly complicated with observed and unobserved variables often interacting in non-linear fashions. The crucial task of validating model assumptions thus becomes difficult, particularly since some assumptions are formulated about unobserved states and thus cannot be checked with data. Motivated by the complex SSMs used for the assessment of fish stocks,we introduce a robust estimation method for SSMs. We prove the Fisher consistency of our estimator and propose an implementation based on automatic differentiation and the Laplace approximation of integrals which yields fast computations. Simulation studies demonstrate that our robust procedure performs well both with and without deviations from model assumptions. Applying it to the stock assessment model for pollock in the North Sea highlights the ability of our procedure to identify years with atypical observations.

After a summary of the main achievements in microfinance, the thesis provides an overview of microfinance institutions (MFIs) in developing countries between 2000 and 2009. A thorough study of microfinance in sub-Saharan Africa is also proposed. It serves as a prelude to the econometric analysis of the determinants of financial and social performances of MFIs and to the review of the trade-offs between the two objectives in this region. The model is also estimated with data from Latin America and the Caribbean to test, amongst others, its spatial robustness. The results show that despite their strong growth, MFIs remain fragile because of arrears and low profitability. In addition, there is no universal model of microfinance without regional specificities. The commercialization of the sector is called into question because although it does not necessarily lead to social mission drift, it does notimprove financial performance. Finally, the richness of the sector comes from itssegmentation while its weakness is due to its lack of organization, with competition leading to increasing risk rather than product diversification., Après une synthèse des principales avancées en microfinance, la thèse offre un aperçu sur les institutions de microfinance (Imf) dans les pays en développement entre 2000 et 2009. Une étude approfondie du marché de l’Afrique Subsaharienne est également proposée. Elle sert de prélude à l’analyse économétrique des déterminants des performances financière et sociale des Imf dans cette région ainsi qu’à l’examen des arbitrages entre les deux objectifs. Le modèle est également estimé avec les données de l’Amérique Latine et Caraïbes afin de tester, entre autres, sa robustesse spatiale. Les résultats montrent que malgré la forte croissance affichée, les Imf demeurent fragiles à cause des retards de paiement et de la faible rentabilité. En outre, il n’existe pas de modèle universel de la microfinance sans spécificités régionales. La commercialisation du secteur est remise en cause car même si elle ne s’accompagne pas nécessairement d’une déviation de la mission sociale, elle n’améliore pas la performance financière. Enfin, la richesse du secteur provient de sa segmentation alors que sa faiblesse est due à son manque d’organisation, avec une concurrence se traduisant par une recrudescence des risques au lieu d’une diversification des produits.

Dans ce travail, nous proposons des procédures de test paramétriques et nonparamétriques localement et asymptotiquement optimales au sens de Hajek et Le Cam, pour deux modèles de données de panel. Notre approche est fondée sur la théorie de Le Cam d'une part, pour obtenir les propriétés de normalité asymptotique, bases de la construction des tests paramétriques optimaux, et la théorie de Hajek d'autre part, qui, via un principe d'invariance, permet d'obtenir les procédures nonparamétriques.Dans le premier chapitre, nous considérons un modèle à erreurs composées et nous nous intéressons au problème qui consiste à tester l'absence de l'effet individuel aléatoire. Nousétablissons la propriété de normalité locale asymptotique (LAN), ce qui nous permet de construire des procédures paramétriques localement et asymptotiquement optimales (“les plus stringentes”)pour le problème considéré. L'optimalité de ces procédures est liée à la densité-cible f1. Ces propriétés d'optimalité sont hautement paramétriques puisqu'elles requièrent que la densité sous-jacente soit f1. De plus, ces procédures ne seront valides que si la densité-cible f1 et la densité sous-jacent g1 coincïdent. Or, en pratique, une spécification correcte de la densité sous-jacente g1 est non réaliste, et g1 doit être considérée comme un paramètre de nuissance. Pour éliminer cette nuisance, nous adoptons l'argument d'invariance et nous nous restreignons aux procédures fondées sur des statistiques qui sont mesurables par rapport au vecteur des rangs. Les tests que nous obtenons restent valide quelle que soit la densité sous-jacente et sont localement et asymptotiquement les plus stringents. Afin d'avoir des renseignements sur l'efficacité des testsfondés sur les rangs sous différentes lois, nous calculons les efficacités asymptotiques relatives de ces tests par rapport aux tests pseudo-gaussiens, sous des densités g1 quelconques. Enfin, nous proposons quelques simulations pour comparer les performances des procédures proposées. Dans le deuxième chapitre, nous considérons un modèle à erreurs composées avec autocorrélation d'ordre 1 et nous montrons que ce modèle jouit de la propriété LAN. A partir de ce résultat, nous construisons des tests optimaux, au sens local et asymptotique, pour trois problèmes de tests importants dans ce contexte :(a) test de l'absence d'effet individuel et d'autocorrélation; (b) test de l'absence d'effet individuel en présence d'une autocorrélation nonspécifiée; et (c) test de l'absence d'autocorrélation en présence d'un effet individuel non spécifié. Enfin, nous proposons quelques simulations pour comparer les performances des tests pseudogaussienset des tests classiques., Doctorat en Sciences, info:eu-repo/semantics/nonPublished

National audience

In this work, we consider parameter estimation methods for gene\-ralized linear mixed models (GL2M). Considering a gaussian hypothesis for the random effects ($\xi$) distribution, the likelihood based on the marginal distribution of the response $Y$ cannot be described explicitely in these models. Several approximations can be applied. We distinguish two kinds of approaches : a conditional one and a marginal one. Following the first one, we propose a method based on the maximization of the joint distribution of $(Y,\xi)$ previous to going into an estimation step. This corresponds to a conditional linearization of the model. Following the second approach, we study a marginal reasoning based on the approximation of the first two marginal moments of $Y$ and the use of the quasi-likelihood. We extend to other distributions and link functions the method developed by Gilmour et al. in the case of a probit link binomial model. We then compare the different methods on a deconditioning scale. The second part of this work introduces a notion of heterogeneity for the GL2M. This heterogeneity enables us to distinguish between the different behaviours of random effects depending on the actual environment. To take this into account in the model, we assume a specific random effects variance for each environment. We propose an estimation method, which combines the linearization of the former conditional approach and the use of the EM algorithm, which is particularly appropriate for the linear case in this heterogeneity framework.; Ce travail est consacré à l'étude et à la mise en place de méthodes d'estimation de paramètres dans les modèles linéaires généralisés à effets aléatoires (GL2M). Dans ces modèles, sous une hypothèse gaussienne de distribution des effets aléatoires $\xi$, la vraisemblance basée sur la distribution marginale du vecteur à expliquer $Y$ n'est pas en général explicitement calculable. Diverses approximations peuvent être appliquées. Nous distinguons pour cela deux approches : l'une conditionnelle et l'autre marginale. En suivant la première, nous proposons une méthode qui consiste en une maximisation de la distribution jointe de ($Y,\xi$) avant de procéder à l'estimation des paramètres. Ceci équivaut à une linéarisation conditionnelle du modèle. Dans la seconde approche, nous étudions une démarche marginale qui repose sur l'approximation des deux premiers moments marginaux de $Y$ puis sur l'utilisation de la quasi-vraisemblance. Nous étendons à d'autres lois et fonctions de lien la méthode développée par Gilmour et al. dans le cas d'un modèle binomial-lien probit. Nous comparons les différentes méthodes selon une échelle de déconditionnement. Dans un deuxième temps, nous introduisons une notion d'hétérogénéité dans les GL2M. Cette hétérogénéité traduit des comportements des effets aléatoires distincts selon les environnements. Elle est modélisée en attribuant à chaque environnement un paramètre de variance différent pour ces effets. Nous proposons alors une méthode d'estimation combinant à la fois la technique de linéarisation de la démarche conditionnelle précédente et l'utilisation de l'algorithme EM, bien adapté à cette situation d'hétérogénéité dans le cas linéaire.

In this work, we consider parameter estimation methods for gene\-ralized linear mixed models (GL2M). Considering a gaussian hypothesis for the random effects ($\xi$) distribution, the likelihood based on the marginal distribution of the response $Y$ cannot be described explicitely in these models. Several approximations can be applied. We distinguish two kinds of approaches : a conditional one and a marginal one. Following the first one, we propose a method based on the maximization of the joint distribution of $(Y,\xi)$ previous to going into an estimation step. This corresponds to a conditional linearization of the model. Following the second approach, we study a marginal reasoning based on the approximation of the first two marginal moments of $Y$ and the use of the quasi-likelihood. We extend to other distributions and link functions the method developed by Gilmour et al. in the case of a probit link binomial model. We then compare the different methods on a deconditioning scale. The second part of this work introduces a notion of heterogeneity for the GL2M. This heterogeneity enables us to distinguish between the different behaviours of random effects depending on the actual environment. To take this into account in the model, we assume a specific random effects variance for each environment. We propose an estimation method, which combines the linearization of the former conditional approach and the use of the EM algorithm, which is particularly appropriate for the linear case in this heterogeneity framework., Ce travail est consacré à l'étude et à la mise en place de méthodes d'estimation de paramètres dans les modèles linéaires généralisés à effets aléatoires (GL2M). Dans ces modèles, sous une hypothèse gaussienne de distribution des effets aléatoires $\xi$, la vraisemblance basée sur la distribution marginale du vecteur à expliquer $Y$ n'est pas en général explicitement calculable. Diverses approximations peuvent être appliquées. Nous distinguons pour cela deux approches : l'une conditionnelle et l'autre marginale. En suivant la première, nous proposons une méthode qui consiste en une maximisation de la distribution jointe de ($Y,\xi$) avant de procéder à l'estimation des paramètres. Ceci équivaut à une linéarisation conditionnelle du modèle. Dans la seconde approche, nous étudions une démarche marginale qui repose sur l'approximation des deux premiers moments marginaux de $Y$ puis sur l'utilisation de la quasi-vraisemblance. Nous étendons à d'autres lois et fonctions de lien la méthode développée par Gilmour et al. dans le cas d'un modèle binomial-lien probit. Nous comparons les différentes méthodes selon une échelle de déconditionnement. Dans un deuxième temps, nous introduisons une notion d'hétérogénéité dans les GL2M. Cette hétérogénéité traduit des comportements des effets aléatoires distincts selon les environnements. Elle est modélisée en attribuant à chaque environnement un paramètre de variance différent pour ces effets. Nous proposons alors une méthode d'estimation combinant à la fois la technique de linéarisation de la démarche conditionnelle précédente et l'utilisation de l'algorithme EM, bien adapté à cette situation d'hétérogénéité dans le cas linéaire.