macroeconometrie 2 mag3 2014 - cerdicerdi.org/uploads/sfcmsblog/html/63/econometrie_mag3... · –...
TRANSCRIPT
@Claudio Araujo 28/09/2013
CERDI – Ecole d’Economie - UdA 1
MacroéconométrieII. Approche alternative aux mécanismes dynamiques :
la modélisation VAR
Claudio Araujo
CERDI, Université d’Auvergne
Clermont-Ferrand, France
www.cerdi.org
http://www.cerdi.org/claudio-araujo/perso/
1. Fondements et représentation du modèle VAR
• La représentation VAR (modèles vectoriels autorégressifs) estune généralisation des modèles autorégressifs (AR).
• Un modèle VAR est une forme réduite surdéterminée d’un modèleà équation simultanées (inclusion de plus de retards quenécessaire).
• Les variables sélectionnées, issues du modèle théorique, onttoutes, a priori, le même statut. Par exemple, dans un modèle dedemande : le prix dépend de ses propres valeurs passées et desvaleurs passées de la demande ; de même la demande dépendde ses propres valeurs passées et des valeurs passées du prix.
• Toutes les variables sont endogènes et on n’a donc pas besoinde décider quelles variables sont exogènes.
• En principe, on s’intéresse à des relations purement statistiques,mais son utilisation dépasse largement ce cadre.
@Claudio Araujo 28/09/2013
CERDI – Ecole d’Economie - UdA 2
• La critique de Sims et la modélisation VAR– Sims (1980, 1982) rejette l’approche conventionnelle des modèles structurels
(les relations économiques ne sont pas gouvernées par la simultanéité)
– La représentation des comportements économiques en termes de modèlesstructurels entraîne trop de contraintes d’identification.
• La modélisation VAR est « a-théorique ». Elle privilégie la structuredes données au détriment de la théorie économique.
• Rappel :– Processus autorégressif d’ordre p : AR(p)
• Γ(L) Yt = c + εt
– Processus de moyenne mobile d’ordre q : MA(q)
• Yt = c + Ψ(L) εt
– Processus autorégressif d’ordre p de moyenne mobile d’ordre q : ARMA(p,q)
• Γ(L) Yt = c + Ψ(L) εt
– Processus autorégressif d’ordre p intégré d’ordre d de moyenne mobiled’ordre q : ARIMA(p,d,q)
• Γ(L) (1 – L)d Yt = c + Ψ(L) εt
1. Fondements et représentation du modèle VAR
• Un modèle VAR d’ordre p se définit comme la représentationautorégressive vectorielle d’une variable aléatoire Yt de dimension(K,1) :
• Le vecteur Yt comprend K variables stationnaires, le vecteur A0 etla matrice Ap regroupent les paramètres à estimer du modèle.
• Exemple d’écriture d’un VAR(2)
1. Fondements et représentation du modèle VAR
tptpttt Ε+ΥΑ++ΥΑ+ΥΑ+Α=Υ −−− K22110
=Ε
=Α
=Α
=Υ
tk
t
t
t
kpkkpkpk
pkpp
pkpp
p
tk
t
t
t
y
yy
,
,2
,1
2
1
0
,,2,1
,2,22,21
,1,12,11
,
,2
,1
;;;
ε
εε
α
αα
ααα
αααααα
MML
MOMMLL
M
{tttt
t
t
t
t
t
t
t
t
y
y
aa
aa
y
y
aa
aa
a
a
y
y
ΕΥ
−
−
ΑΥ
−
−
ΑΑΥ
+
+
+
=
−−
2
1
22
21
2,222,21
2,122,11
12
11
1,221,21
1,121,11
02
01
2
1
22110
εε
32144344213214434421321321
@Claudio Araujo 28/09/2013
CERDI – Ecole d’Economie - UdA 3
• Tout VAR stationnaire admet une représentation moyenne mobileinfinie vectorielle (théorème de Wold) :
• Représentation canonique : écriture du VAR sous forme VMA.– Et-j : vecteur des innovations canoniques
– Et-j : plus petite partie non prévisible de chacune des variables composantle système VAR
• Les innovations canoniques permettent d’analyser desmécanismes de propagation par le biais des fonctions de réponseaux impulsions.
• Ces innovations peuvent être interprétées comme des chocs.
• Les réponses des différentes séries yit aux différentes innovationsεjs (s ≤ t) sont définit à partir des multiplicateurs dynamiques :
• Θij : effet du choc j sur la variable i, à τ périodes après le choc.
1. Fondements et représentation du modèle VAR
∑∞
=−ΕΘ+=Υ
0jjtjt µ
js
itstij
y
ε∂∂=Θ −,
2. Interprétation économique du modèle VAR
• Si les impulsions sont non corrélées instantanément, il est
possible de mesurer la contribution de chaque impulsion à la
dynamique des différentes variables du système
• Si les impulsions sont corrélées instantanément, il est nécessaire
d’effectuer une orthogonalisation « statique ». Mais cette
technique a l’inconvénient de ne pas permettre une interprétation
économique des impulsions
• L’identification et l’interprétation économique des impulsions peut
être obtenue en utilisant un VAR structurel (SVAR) – Shapiro,
Watson (1988) ; Blanchard, Quah (1989)
@Claudio Araujo 28/09/2013
CERDI – Ecole d’Economie - UdA 4
• Développement du SVAR
– A chaque date les innovations canoniques s’expriment comme une
combinaison linéaire des chocs structurels ωt
– P est une matrice de passage à estimer
– Le VAR s’écrit donc :
– Dès que la matrice P a été estimée, on obtient l’estimation du modèle VAR
– Passage des chocs estimés aux chocs structurels (interprétation
économique) :
– Le SVAR permet d’estimer et anticiper les effets d’une politique
économique
– Difficulté : définition de la structure de la matrice de passage
• Décomposition Cholesky
• Référence à la théorie économique
1. Interprétation économique du modèle VAR
tt ωε Ρ=
t
p
jjtjt ΕΡ+ΥΑΡ+ΑΡ=ΥΡ −
=−
−−− ∑ 1
1
10
11
tt εω ˆˆˆ 1−Ρ=
3. Exemple d’un VAR
i) y1t cause y2t ii) y2t cause y1t
Un choc sur y2t à un instant ta une conséquence sur y2tmais pas sur y1t
Un choc sur y1t à un instant t a uneconséquence sur y1t et sur y2t
Un choc sur y1t à un instantt a une conséquence sur y1tmais pas sur y2t
Un choc sur y2t à un instant t a uneconséquence sur y2t et sur y1t
Soit le le modèle VAR estimé suivant :
y1,t = 0.084 y1,t-1 – 0.181 y2,t-1 + 7.210
y2,t = – 0.159 y1,t-1 + 0.220 y2,t-1 + 1.559
( ) ( )( ) ( ) [ ]08.12817.644
7.64404.3660221
211−
−=
=∑ε εεε
εεεVarCov
CovVar
2 possibilités
@Claudio Araujo 28/09/2013
CERDI – Ecole d’Economie - UdA 5
� Période 1 : Calcul des chocs initiaux, choc sur y1t
σε1 = √ 3660.04 = 60.49 σε2 = 60.49 × cov(ε1,ε2)/σ²ε1t = – 10.66
� Période 2 :
01.1266.1022.049.6016.002.766.10180.049.60084.0
2
1
−=−×+×−=∆=−×−×=∆
t
t
yy
� Période 1 : Calcul des chocs initiaux, choc sur y2t
σε1 = 0 σε2 = √ 1281.08 – (cov(ε1,ε2))²/σ²ε1t = 34.16
� Période 2 :
53.716.3422.0016.017.616.34180.00084.0
2
1
=×+×−=∆−=×−×=∆
t
t
yy
i) y1t cause instantanément y2t
� Période 1 : Calcul des chocs initiaux, choc sur y1t
σε1 = √ σ²ε1t – cov(ε1t,ε2t)² / σ²ε2t = 57.75 σε2 = 0
� Période 2 :
23.9022.075.5716.087.40180.075.57084.0
2
1
−=×+×−=∆=×−×=∆
t
t
yy
� Période 1 : Calcul des chocs initiaux, choc sur y2t
σε1 = 35.79 × cov(ε1,ε2)/σ²ε2t = – 18.01 σε2 = 35.79
� Période 2 :
76.1079.3522.001.1816.098.779.35180.001.18084.0
2
1
=×+−×−=∆−=×−−×=∆
t
t
yy
ii) y2t cause instantanément y1t
@Claudio Araujo 28/09/2013
CERDI – Ecole d’Economie - UdA 6
� La décomposition de la variance de l’erreur de prévision a pourobjectif de calculer pour chacune des innovations sa contribution à lavariance de l’erreur.
Interprétation :
Si un choc sur ε1t n’affecte pas la variance de l’erreur de y2t , alors y2t estconsidéré comme exogène (y2t évolue indépendamment de ε1t)
Si un choc sur ε1t affecte fortement la variance de l’erreur de y2t , alors y2test considéré comme endogène.
Décomposition de la variance de y1 Décomposition de la variance de y2
Période SE y1 y2 Période SE y1 y2
1 60.50 100.00 0.00 1 35.79 8.86 91.14
2 61.22 98.98 1.02 2 38.50 17.40 82.60
3 61.31 98.89 1.11 3 38.77 18.10 81.90
… … … … … … … …
� La variance de l’erreur de prévision dey1,t est due à 99% a sespropres innovations et à 1% à celles dey2,t
� La variance de l’erreur de prévision dey2,t est due à 20% ày1,t
et à 80% ày2,t
� Un choc sury2,t a plus d’impact sury1,t que l’impact d’unchoc dey1,t en a sury2,t
i) y1t cause instantanément y2t
@Claudio Araujo 28/09/2013
CERDI – Ecole d’Economie - UdA 7
Décomposition de la variance de y1 Décomposition de la variance de y2
Période SE y1 y2 Période SE y1 y2
1 60.50 91.14 8.86 1 35.79 0.00 100.00
2 61.22 89.64 10.36 2 38.50 5.75 94.25
3 61.31 89.49 10.51 3 38.77 6.19 93.81
… … … … … … … …
� La variance de l’erreur de prévision dey1,t est due à ~ 90% ases propres innovations et à 10% à celles dey2,t.� La variance de l’erreur de prévision dey2,t est due à 6% ày1,t
et à 94% ày2,t.� Un choc sury2,t a plus d’impact sury1,t que l’impact d’unchoc dey1,t en a sury2,t.
ii) y2t cause instantanément y1t