Time-series analyses in ecology usually involve the use of autoregressive modelling through direct and/or delayed difference equations, which severely restricts the ability of the modeler to structure complex causal relationships within a multivariate frame. This is especially problematic in the field of population regulation, where the proximate and ultimate causes of fluctuations in population size have been hotly debated for decades. Here it is shown that this debate can benefit from the implementation of structural modelling with latent constructs (SEM) to time-series analysis in ecology. A nonparametric bootstrap scheme illustrates how this modelling approach can circumvent some problems posed by the climate-ecology interface. Stochastic Monte Carlo simulation is further used to assess the effects of increasing time-series length and different parameter estimation methods on the performance of several model fit indexes. Throughout, the advantages and limitations of the SEM method are highlighted. To cite this article: P. Almaraz, C. R. Biologies 328 (2005).

Lʼanalyse en séries de temps en écologie font habituellement appel à une modélisation autorégressive par des équations différentielles directes et/ou retardées, ce qui restreint drastiquement la capacité du modélisateur à structurer des relations causales complexes dans un contexte à variables multiples. Ceci est particulièrement problématique dans le domaine de la régulation des populations, pour lequel les causes proximate et ultimate des fluctuations de la taille de la population ont été vivement débattues depuis des dizaines dʼannées. On montre ici que ce débat peut tirer profit de la mise en œuvre dʼune modélisation structurale avec des constructions latentes (SEM) pour lʼanalyse des séries de temps en écologie. Un schéma bootstrap non paramétrique illustre comment cette approche de modélisation permet de contourner certains problèmes posés par lʼinterface climat-écologie. Une simulation stochastique de Monte Carlo est utilisée pour mettre en évidence les effets de longueurs de séries de temps croissantes et de différentes méthodes dʼestimation des paramètres sur la performance de plusieurs indices dʼajustement du modèle. Les avantages et les limites de la méthode SEM sont ainsi mis en lumière. Pour citer cet article : P. Almaraz, C. R. Biologies 328 (2005).