Modélisation macroéconomique et

des politiques économiques

Partie I
Modélisation VAR : Evolutions et applications

Dr Giscard Assoumou-Ella

CIREGED, Université Omar Bongo (Gabon)

LEAD, Université de Toulon (France)

Brazzaville, 2019

1
 Introduction :
 Utilité de la modélisation macroéconomique et des politiques économique :

 Modélisation macroéconomique aujourd’hui a deux grandes familles : les

modèles de type équilibre général calculable et les modèles VAR ;

 Thomas Sargent et Christopher Sims (2011) : prix Nobel d’économie

(macroéconomie) «pour leurs travaux empiriques sur les causes et les effets en

macroéconomie » ;

 Dans les années 70 : chocs pétroliers, fin des 30 glorieuses, essoufflement des

politiques de Stop and Go (arbitrage inflation-chômage, Phillips, 1958) ;

 Rejet de la politique keynésienne par les monétaristes (Friedman) et par la

Nouvelle Economie Classique (Lucas, Kydland, Prescott, Barro ou Sargent) ;

2
  Insuffisances des modèles macro-économétriques d’inspiration keynésienne

des années 70 ;

 Modélisation macro-économétrique des années 70 : des systèmes de plusieurs

équations structurelles ⇛ mauvais résultats en termes de prévisions ;

 La critique de Sims : « Méfiez-vous des a priori théoriques. Laissez parler les

données » (Sims, 1996) ;

 Sims (1980) : les modèles macro-économétriques (restriction a priori sur les

paramètres trop forte, absence de tests sur la structure causale et non prise en

compte des anticipations des agents) ;

 Alternative : modèle vectoriel autorégressif (VAR) (restrictions sur le choix

des variables sélectionnées et le nombre de retards optimal) ;

Modélisation VAR : Sims (1980)

 Etude du comportement de N variables ;

 En t, on a la représentation vectorielle des N variables suivante : 𝒀𝒕 =

(𝒚𝟏𝒕 , 𝒚𝟐𝒕 , … , 𝒚𝑵𝒕 ) ;

 Représentation VAR(p), avec p le nombre de retards :

𝒀𝒕 = ∅𝟎 + ∅𝟏 𝒀𝒕−𝟏 + ∅𝟐 𝒀𝒕−𝟐 + ⋯ + ∅𝒑 𝒀𝒕−𝒑 + 𝒖𝒕 (𝟏)

𝒚𝟏𝒕 𝒂𝟎𝟏 𝒂𝟏𝟏𝒑 𝒂𝟐𝟏𝒑 . . . 𝒂𝑵

𝟏𝒑 𝒖𝟏𝒕
. . . . . . . . .
𝒀𝒕 = . ; ∅𝟎 = . ; ∅𝒑 = . . . . . . ; 𝒖𝒕 = .
. . . . . . . . .
𝟏 𝟐 𝑵 [ 𝒖 𝑵𝒕 ]
[𝒚𝑵𝒕] 𝟎
[𝒂𝑵 ] [𝒂𝑵𝒑 𝒂𝑵𝒑 . . . 𝒂𝑵𝒑 ]

L’équation (1) peut se réécrire :

3
(𝑰 − ∅𝟏 𝑳 − ∅𝟐 𝑳𝟐 − ⋯ − ∅𝒑 𝑳𝒑 )𝒀𝒕 = ∅𝟎 + 𝒖𝒕 (𝟐)

Sous forme polynomiale, on a :

∅(𝑳)𝒀𝒕 = ∅𝟎 + 𝒖𝒕 (𝟑)

L l’opérateur retard, ∅(𝑳) la matrice des polynômes de retards (∅(𝑳) = 𝑰𝒏 − ∅𝟏 𝑳 −

∅𝟐 𝑳𝟐 − ⋯ − ∅𝒑 𝑳𝒑), avec 𝑰𝒏 une matrice identité de dimension (𝒏 × 𝒏), ∅𝟏 , … , ∅𝒑 la

matrice des coefficients de dimension ( 𝒏 × 𝒏 ), 𝒖𝒕 un vecteur d’innovations de

dimension (𝑵 × 𝟏), avec 𝑬(𝒖𝒕 ) = 𝟎, 𝑬(𝒖𝒕 𝒖′𝒕 ) = 𝜴 et 𝑬(𝒖𝒕 𝒖′𝒔 ) = 𝟎 pour tout 𝒕 ≠ 𝒔).

Commentaires sur le modèle :

 Un modèle linéaire dans les variables ;

 Modèle dynamique ;

 Modèle non contraint : aucune contrainte a priori d’exclusion d’une variable

dans les différentes équations du modèle ;

 Les deux contraintes a priori : le choix des variables et le nombre de retard

optimal p ;

 Le choix des variables : réponse à la question économique étudiée ;

 Nombre de retards optimal : critères d’information AIC, SC…

Du VAR au SVAR
 Selon l’éq. (3), la matrice des variances-covariances du vecteur 𝒖𝒕 peut

contenir des valeurs non nulles en dehors de sa diagonale ;

 ⇛ Possible existence de l’autocorrélation des résidus ;

4
  Modèle SVAR : transformer les résidus corrélés du vecteur 𝒖𝒕 en une série de

chocs structurels orthogonaux (indépendants) 𝒆𝒕 ;

 Sims (1986) : distinction entre VAR sous forme réduite et VAR sous forme

structurelle ;

 Forme réduite (éq. 1) : explications de la dynamique d’une variable par ses

valeurs courantes et passées ;

 Forme structurelle : explication de la dynamique d’une variable à partir des

chocs passés qui l’ont affectée ;

 Le passage d’une forme à l’autre : à l’aide de l’identification reposant sur la

théorie économique ;

 Les démonstrations peuvent être trouvées chez Hamilton (1994) et Stier

(2001) ;

 Soit le modèle (3) sans constante sous forme d’un VAR (p) à moyenne mobile :

𝒚𝒕 = 𝑪(𝑳)𝒖𝒕 (𝟒)

Avec 𝑪(𝑳) = 𝝓(𝑳)−𝟏

Le processus Vectoriel Moyenne Mobile d’ordre infini avec les chocs structurels

associé à l’équation (4) s’écrit :

𝑩(𝑳)𝒚𝒕 = 𝒆𝒕 (𝟓)

Avec une matrice de variances-covariances pour 𝒆𝒕 et normalisée à 𝑰𝒏 , c’est-à-

dire 𝑬(𝒆𝒕 𝒆′𝒕 ) = 𝑰𝒏 . La forme VMA (p) avec les chocs structurels associée à l’équation

(5) s’écrit :

𝒚𝒕 = 𝑨(𝑳)𝒆𝒕 (𝟔)

5
  Avec 𝑨(𝑳) = 𝑩(𝑳)−𝟏 où 𝑨𝒋 est une matrice (𝒏 × 𝒏) devant être identifiée ;

 Les éléments 𝒂𝒏𝒊 donnent une mesure des effets sur la 𝒏𝒊è𝒎𝒆 variable causés

par le 𝒊𝒊è𝒎𝒆 choc structurel contenu dans 𝒆𝒕 après j périodes.

En égalisant les équations (4) et (6), nous avons :

𝑨(𝑳)𝒆𝒕 = 𝑪(𝑳)𝒖𝒕 (𝟕)

Ainsi, nous relions les résidus estimés et les chocs structurels.

 Sachant que « C » est une matrice identité, une fois la matrice A identifiée, les

résidus structurels peuvent être déduits de ceux observés ;

 Le modèle sous-jacent possédant plus de paramètres à estimer que le VAR de

forme réduite estimable, on impose plusieurs restrictions pour identifier la

matrice A ;

 Plusieurs logiciels utilisent des modèles dits « AB » pour les restrictions de

court terme (CT) et « C » pour celles de long terme (LT) ;

6
  Blanchard et Quah (1989) : les restrictions de CT pour les chocs de demande et

celles de LT pour les chocs d’offre ;

 SVAR : quantifier les effets multiplicateurs (instantanés et dynamiques) des

politiques économiques (monétaire, budgétaire et fiscale) sur l’activité

économique (Bernanke, 1986 ; Blanchard et Watson, 1986 ; Sims, 1986 ;

Blanchard, 1990 ; Gerlach et Smets, 1995 ; Blanchard et Perotti, 2002…) ;

 Faire des prévisions (Doan et al. 1984 ; Litterman (1986) ;

 VAR : « une référence pour juger les nouveaux systèmes de prévision », par

exemple les modèles d’équilibre général inter-temporels stochastiques (Stock

et Watson, 2001) ;

Les développements
Au niveau des restrictions :

Blanchard et Quah (1989) ;

- Fixer des restrictions sur les éléments de la matrice des variances de long

terme ;

- Exemple : les chocs de demande n’affectent pas la production à LT.

Galí (1992) ;

- Combinaison des contraintes de CT et de LT ;

- Différencier les chocs de demande et les chocs d’offre.

Faust (1998), Canova et De Nicolò (2002) Uhlig (2005) ;

7
 - Restrictions sur les signes des réponses ;

- Se basant sur la théorie économique, le modélisateur fait l’hypothèse que

certaines réponses aux chocs sont négatives ou positives

Au niveau de la modélisation :

Le modèle VAR avec hypothèse d’exogénéité (NEAR-VAR) (Paul, 1996) ou VARX

(Bierens, 2004) ;

- Un processus VAR peut être affecté par d’autres variables qui sont

déterminées en dehors du système ;

- Ces variables sont appelées variables exogènes ;

- Le processus peut également être affecté par les retards des variables

exogènes ;

𝒀𝒕 = ∅𝟎 + ∅𝟏 𝒀𝒕−𝟏 + ∅𝟐 𝒀𝒕−𝟐 + ⋯ + ∅𝒑 𝒀𝒕−𝒑 + 𝝋𝟎 𝑿𝒕 + 𝝋𝟏 𝑿𝒕−𝟏 + 𝝋𝟐 𝑿𝒕−𝟐 + ⋯ +

𝝋𝒒 𝑿𝒕−𝒒 + 𝒖𝒕 (𝟖)

- 𝒀𝒕 ∈ 𝑹𝒌 , 𝑿𝒕 ∈ 𝑹𝒎 est le vecteur des variables exogènes ;

- La condition cruciale est que :

∞
𝑬 [𝒖𝒕 / {𝒀𝒕−𝒋 } , {𝑿𝒕−𝒊 }∞ 𝒌
𝒊=𝟏 ] = 𝟎(∈ 𝑹 ), avec la probabilité 1 ;
𝒋=𝟏

- Cad, pas de causalité au sens de Granger entre Y et X ;

- Exogénéité forte et faible : les tests peuvent être faits.

- La faible exogénéité peut exister s’il y a une causalité indirecte entre 𝒀𝒕 et 𝑿𝒕 ;

- On peut quitter de la forme réduite (8) à la forme structurelle ;

- Utilité : étudier l’impact des chocs externes sur les petites économies

(Hoffmaister et Roldos, 2001; Maćkowiak, 2007; Sato et alii, 2011).

8
A la fin des années 80 : modèles à correction d’erreur vectoriels – VECM(1)
(Johansen, 1988) ;

∆𝑿𝒕 = 𝑪 + 𝜫𝑿𝒕−𝟏 + 𝜦𝜟𝑿𝒕−𝟏 + 𝒖𝒕 (𝟗)

- 𝜫𝑿𝒕−𝟏 est le terme correction d’erreur. Il doit être négatif et significatif ;

- Le rang de 𝜫 est le nombre total de co-intégration (le test de Johansen) ;

- Si rang (𝜫) = 𝟎 pas de co-intégration ;

- si rang (𝜫) = 𝒏 toutes les variables sont co-intégrées, cad toutes les variables

sont I(0) ;

- Si 𝟎 < 𝒓𝒂𝒏𝒈 (𝜫) = 𝒓 < 𝒏, il y a r relations de co-intégration.

Au début des années 90 : le modèle PVAR (panel VAR) (Canova, 1993) ;

- Même structure que le VAR, mais ajout d’une dimension en coupe

transversale :

9
𝒀𝒊𝒕 = ∅𝒊𝟎 + ∅𝒊𝟏 𝒀𝒊𝒕−𝟏 + ∅𝒊𝟐 𝒀𝒊𝒕−𝟐 + ⋯ + ∅𝒊𝒑 𝒀𝒊𝒕−𝒑 + 𝒆𝒊𝒕 + 𝒖𝒊𝒕 (𝟏𝟎)

𝒆𝒊𝒕 effet spécifique à l’individu.

- Objectif : étude de l’impact des chocs macroéconomiques sur un ensemble de

pays.

BVAR (VAR Bayésien) (Doan et al. 1984 ; Sims, 1989) ;

- Les paramètres du modèle : considérées comme des variables aléatoires ;

- Le modélisateur affecte des distributions a priori à ces dernières pour faire des

estimations ;

- les résultats : sensibles au choix de la distribution ;

- Doan et al. (1984) et Litterman (1986) : les coefficients sur les retards plus

éloignés sont proches de zéro, contrairement aux les retards plus proches.

Le modèle GVAR (Global VAR) (Pesaran et al, 2004), B-GVAR (Cuaresma et al.
(2014);

- Combinaison des modèles VAR d’un ensemble de pays ;

- Relier les variables domestiques et les variables externes (flux financiers et

commerciaux internationaux) ;

- Nécessaire pour étudier l’impact et la transmission des chocs de politique

économique.

Le modèle FAVAR (Factor Augmented VAR) (Bernanke et al. 2005) ;

- Régler le problème d’omission d’un certain nombre de variables explicatives ;

- Modéliser un grand nombre de variables sans perdre en nombre de degrés de

liberté ;

10
 - décomposition du modèle VAR en une composante commune et une

composante idiosyncratique (composante propre à chaque variable) ;

- Augmentation du nombre de variables du modèle sans perdre en qualité

d’estimation.

TVP-VAR (Time Varying Parameters VAR) (Cogley et Sargent, 2005; Sims et

Zha, 2006);

- Evolution dans le temps de la variance des paramètres estimés ;

- Les années 90 : mise en évidence du caractère non linéaire de certaines

variables macroéconomique ;

- Nécessité de remplacer les représentations linéaires par des représentations

non linéaires ;

- Les modèles autorégressifs à seuil (Tong ,1990 ; Terasvirta, 1995) ;

- Les modèles autorégressifs à changements de régimes markovien (MS-VAR)

(Hamilton, 1989 ; Krolzig, 1997)

Mixture VAR – MVAR (Fong et al. 2007) ;

- Le modèle de mélange vectoriel autorégressif ;

- Mettre en évidence l’effet des événements hautement improbables à l’aide d’un

mélange de distributions ;

- Etudie du risque de contrepartie lors des Stress-tests.

Modèle VAR Spatial (Beenstock & Felsenstein, 2007; Monteiro, 2009; Mutl,
2009);

- Tenir compte de l’autocorrélation spatial et temporelle dans les panels VAR ;

- Inclusion des décalages spatiaux et temporaires dans le PVAR.

11
 VAR : Les tests pré-estimation et
post-estimation
Tests pré-estimation :

Etude de la stationnarité :

- Projection graphique (cf. doc Macroeconometrics) ;

- Le test ADF ;

- Le test PP ;

- Le test KPSS.

Etude de ruptures structurelles (cf. doc Macroeconometrics, dernière page)

Nombre de retards optimal (critères d’information)

Tests post-estimation :

Autocorrélation des résidus :

- Le test de LM ;

- Le test de type Portmanteau.

Hétéroscédasticité et normalité des résidus :

- Q-test ;

- Les tests LM ;

- Jarque Bera pour la normalité des résidus.

Stabilité du VAR :

12
Programmation du SVAR sous stata :

Créer la matrice A avec les restrictions

matrixA=(1,0,0,0,0,0,0,0\.,1,0,0,0,0,0,0\.,.,1,0,0,0,0,0\.,.,.,1,0,0,0,0\.,.,.,.,1,0,
0,0\.,.,.,.,.,1,0,0\.,.,.,.,.,.,1,0\.,.,.,.,.,.,.,1)

Créer la matrice B :

MatrixB=(.,0,0,0,0,0,0,0\0,.,0,0,0,0,0,0\0,0,.,0,0,0,0,0\0,0,0,.,0,0,0,0\0,0,0,0,.
,0,0,0\0,0,0,0,0,.,0,0\0,0,0,0,0,0,.,0\0,0,0,0,0,0,0,.)

Lancer l’estimation

svar liste des variables, aeq(A) beq(B) lag(1/1)

Pour sortir les matrices A et B, lancer :

matrix list e(A)

matrix list e(B)

Créer les fonctions impulsionnelles :

irf set "impulse.irf"

irf create test2, step(10)

irf graph oirf, impulse(variable qui impulse) response(variable qui

répond)

13