Apport des modèles non-linéaires dans la prévision des agrégats macroéconomiques : applications au cycle économique et à la politique monétaire.

Auteurs
Date de publication
2004
Type de publication
Thèse
Résumé Cette thèse se propose d'explorer le paradoxe suivant : bien qu'améliorant sensiblement la qualité de l'ajustement de certains agrégats macroéconomiques, les modèles à changement de régime markovien ne semblent pas en mesure de fournir des prévisions significativement plus précises que les modèles linéaires. Dans un premier chapitre, nous examinons la robustesse de ce résultat pour différentes spécifications. En utilisant une approche par décomposition, nous évaluons la contribution des différentes sources d'erreur de prévision. Sur la base des résultats de la décomposition, le deuxième chapitre propose une nouvelle approche de prévision en deux étapes. Dans une première étape, l'effort est consacré à produire des prévisions fiables des régimes futurs qui exploitent l'information fournie par des indicateurs avancés. Dans une deuxième étape, nous injectons ces nouvelles prévisions des régimes dans les formulations analytiques des prédicteurs établies au chapitre précédent. Les résultats sur données simulées et empiriques démontrent la pertinence de l'approche proposée. Dans un troisième chapitre, nous examinons les éventuelles asymétries qui existeraient dans la dynamique de l'inflation américaine. La prévision de l'inflation sur les vingt dernières années souligne encore une fois l'apport de la nouvelle procédure en deux étapes. Le quatrième chapitre est consacré à l'étude des asymétries dans la conduite de la politique monétaire américaine. En montrant les limites d'une représentation linéaire, une règle non-linéaire est proposée permettant de détecter différents régimes de politique monétaire. L'analyse est enrichie en estimant des règles tournées vers le futur utilisant différentes mesures d'anticipations d'inflation.
Thématiques de la publication
  • ...
  • Pas de thématiques identifiées
Thématiques détectées par scanR à partir des publications retrouvées. Pour plus d’informations, voir https://scanr.enseignementsup-recherche.gouv.fr