L'apprentissage génère une mémoire longue.

Résumé Nous considérons un modèle prospectif prototypique d'agent représentatif, et nous étudions la variabilité à basse fréquence des données lorsque les croyances de l'agent sur le modèle sont mises à jour par des algorithmes d'apprentissage linéaire. Nous constatons que l'apprentissage dans ce contexte peut générer une forte persistance. Le degré de persistance dépend du poids que les agents accordent aux observations passées lorsqu'ils mettent à jour leurs croyances, et de l'ampleur de la rétroaction des attentes sur la variable endogène. Lorsque l'algorithme d'apprentissage est celui des moindres carrés récursifs, la mémoire longue apparaît lorsque le coefficient des attentes est suffisamment grand. Dans les algorithmes avec actualisation, la mémoire longue fournit une très bonne approximation de la variabilité à basse fréquence des données. La mémoire longue apparaît donc de manière endogène, en raison de la nature autoréférentielle du modèle, sans aucune persistance des chocs exogènes. Ceci est très différent du cas des attentes rationnelles, où la mémoire de la variable endogène est déterminée de manière exogène. Enfin, cette propriété de l'apprentissage est utilisée pour faire la lumière sur certaines énigmes empiriques bien connues.