Analyser les variables économiques avec des modèles SVAR-WB
Un nouveau cadre pour comprendre les relations économiques en période de ruptures structurelles.
― 6 min lire
Table des matières
- Ruptures Structurelles en Économie
- Cadre SVAR Proposé
- Types de Restrictions
- Identification du SVAR-WB
- Identification Locale vs. Globale
- Méthodes d'Estimation
- Approches Bayesienne vs. Fréquentiste
- Techniques d'Inference
- Paramètres Admissibles
- Applications Empiriques
- Étude de Cas : La Grande Modération
- Résultats et Discussion
- Fonctions de Réponse Impulsive
- Conclusion
- Références
- Source originale
En économie, on étudie souvent comment différents facteurs s'influencent au fil du temps. Un moyen de le faire, c’est à travers les Autoregressions Vectorielles Structurelles (SVAR). Ces modèles nous aident à comprendre les relations entre diverses variables économiques et comment un changement dans une variable peut entraîner des changements dans une autre. Cependant, les conditions économiques peuvent évoluer à cause de facteurs comme des changements de politique ou des crises économiques. Cela entraîne des Ruptures structurelles, ce qui signifie que les relations peuvent changer au fil du temps.
Ruptures Structurelles en Économie
Les ruptures structurelles sont des changements significatifs dans la façon dont les variables économiques sont liées. Par exemple, une nouvelle politique économique peut modifier la manière dont les taux d'intérêt impactent l'inflation. Il est crucial de tenir compte de ces ruptures dans nos modèles pour obtenir des résultats précis. Sans cela, notre compréhension de l'économie pourrait être biaisée.
Cadre SVAR Proposé
Dans ce travail, on introduit un type de SVAR appelé SVAR avec Ruptures (SVAR-WB). Ce modèle est conçu pour gérer les situations où des ruptures structurelles se produisent. On examine non seulement les relations entre les variables économiques, mais aussi comment ces relations peuvent varier à travers différentes périodes.
Types de Restrictions
Pour utiliser un modèle SVAR efficacement, on doit imposer certaines restrictions sur les paramètres. Il y a deux types principales de restrictions :
- Restrictions d'Égalité : Cela signifie que certains paramètres restent inchangés à travers différents régimes.
- Restrictions d'Inegalité : Cela permet une gamme de valeurs que les paramètres peuvent prendre.
Ces deux types de restrictions peuvent nous aider à mieux identifier les paramètres structurels du modèle.
Identification du SVAR-WB
Identifier les paramètres dans un modèle SVAR-WB peut être compliqué, surtout quand différents régimes existent. L'identification désigne notre capacité à déterminer les valeurs des paramètres de manière unique. On décrit des méthodes pour assurer que le modèle soit identifiable en utilisant une combinaison des types de restrictions mentionnées précédemment.
Identification Locale vs. Globale
Quand on parle d'identification, on peut faire référence à l'identification locale ou globale. L'identification locale signifie qu'on peut déterminer les paramètres dans une petite zone autour d'un certain point. En revanche, l'identification globale veut dire qu'on peut fixer les paramètres sur l'ensemble de la plage de valeurs possibles. En général, les modèles sont plus faciles à identifier localement.
Méthodes d'Estimation
L'estimation des paramètres d'un SVAR-WB peut se faire en utilisant diverses approches. La méthode la plus courante est l'estimation par maximum de vraisemblance. Cette méthode aide à trouver les valeurs des paramètres qui rendent les données observées les plus probables. Cependant, quand on traite des modèles identifiés localement, il faut aussi prendre en compte l'existence de plusieurs ensembles de paramètres équivalents.
Approches Bayesienne vs. Fréquentiste
Quand on estime des paramètres, on peut adopter soit l'approche bayesienne, soit l'approche fréquentiste :
Approche Bayesienne : Cette méthode intègre des croyances préalables sur les paramètres en plus des données observées. Elle produit une distribution des valeurs possibles des paramètres.
Approche Fréquentiste : Cette méthode se concentre uniquement sur les données observées sans ajouter de croyances préalables. Elle fournit des Estimations ponctuelles des paramètres et des intervalles de confiance associés.
Les deux méthodes ont leurs forces et faiblesses, ce qui peut mener à des conclusions différentes selon l'approche choisie.
Techniques d'Inference
Une fois qu'on a estimé les paramètres, il faut tirer des conclusions ou faire des inférences basées sur ces estimations. Différentes techniques existent pour cela, surtout en traitant des modèles SVAR identifiés localement.
Paramètres Admissibles
Dans le cadre du SVAR-WB, on s'intéresse aux paramètres structurels admissibles, qui sont ceux qui satisfont les restrictions imposées. En analysant l'ensemble des paramètres identifiés, on peut mieux comprendre les relations entre les variables.
Applications Empiriques
Le modèle SVAR-WB proposé peut être appliqué à des données réelles, comme l'analyse de la politique monétaire des États-Unis au fil des ans. En divisant les données historiques en périodes, on peut voir comment la politique monétaire affecte l'inflation et la production durant différents régimes.
Étude de Cas : La Grande Modération
La Grande Modération désigne la période de l'histoire des États-Unis caractérisée par une volatilité réduite de la production économique et de l'inflation. On peut évaluer comment la politique monétaire durant cette période se compare aux années précédentes. En utilisant le cadre SVAR-WB, on peut évaluer l'efficacité des changements de politique et des ruptures structurelles qui ont eu lieu pendant cette période.
Résultats et Discussion
En appliquant le modèle SVAR-WB, on peut découvrir divers aperçus sur les relations entre les variables économiques. Par exemple, on pourrait trouver que la politique monétaire était plus efficace durant l'ère de la Grande Modération que dans les décennies précédentes.
Fonctions de Réponse Impulsive
Les fonctions de réponse impulsive nous aident à suivre l'effet d'un choc sur une variable par rapport aux autres au fil du temps. En estimant ces fonctions, on peut visualiser les réponses dynamiques des variables économiques aux changements de politique.
Conclusion
Le cadre SVAR-WB offre un outil puissant pour analyser les données économiques à travers différentes périodes. En tenant compte des ruptures structurelles, on peut obtenir une compréhension plus précise des relations entre les variables. Cette approche ouvre de nouvelles avenues pour la recherche en macroéconomie et fournit un moyen robuste d'analyser les effets des changements de politique sur l'économie.
Références
Titre: SVARs with breaks: Identification and inference
Résumé: In this paper we propose a class of structural vector autoregressions (SVARs) characterized by structural breaks (SVAR-WB). Together with standard restrictions on the parameters and on functions of them, we also consider constraints across the different regimes. Such constraints can be either (a) in the form of stability restrictions, indicating that not all the parameters or impulse responses are subject to structural changes, or (b) in terms of inequalities regarding particular characteristics of the SVAR-WB across the regimes. We show that all these kinds of restrictions provide benefits in terms of identification. We derive conditions for point and set identification of the structural parameters of the SVAR-WB, mixing equality, sign, rank and stability restrictions, as well as constraints on forecast error variances (FEVs). As point identification, when achieved, holds locally but not globally, there will be a set of isolated structural parameters that are observationally equivalent in the parametric space. In this respect, both common frequentist and Bayesian approaches produce unreliable inference as the former focuses on just one of these observationally equivalent points, while for the latter on a non-vanishing sensitivity to the prior. To overcome these issues, we propose alternative approaches for estimation and inference that account for all admissible observationally equivalent structural parameters. Moreover, we develop a pure Bayesian and a robust Bayesian approach for doing inference in set-identified SVAR-WBs. Both the theory of identification and inference are illustrated through a set of examples and an empirical application on the transmission of US monetary policy over the great inflation and great moderation regimes.
Auteurs: Emanuele Bacchiocchi, Toru Kitagawa
Dernière mise à jour: 2024-05-08 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2405.04973
Source PDF: https://arxiv.org/pdf/2405.04973
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.