On global identification in structural vector autoregressions

Cet article réfute la condition de suffisance pour l'identification globale des SVAR proposée par Rubio-Ramirez, Waggoner et Zha (2010) en démontrant par contre-exemple qu'elle néglige les restrictions redondantes, et propose une condition nécessaire et suffisante modifiée pour corriger ce défaut.

L'essentiel

🕵️‍♂️ Le Détective Économique : Pourquoi le "Comptage" ne suffit pas toujours

Imaginez que vous êtes un détective essayant de résoudre un mystère : qui a fait quoi dans l'économie ?

Vous avez une série de données (les indices) qui vous disent comment les choses bougent ensemble (le chômage, l'inflation, les taux d'intérêt). Mais ces données sont un mélange confus de plusieurs événements passés. Votre but est de séparer ces mélanges pour voir l'impact de chaque événement individuel (par exemple : "Quel est l'effet exact d'une hausse des taux d'intérêt sur l'emploi ?").

En économétrie, ce processus s'appelle un SVAR (Modèle Vectoriel Autorégressif Structurel). Pour réussir ce "détournement" des données, vous devez poser des règles, appelées restrictions. Par exemple : "Je suppose que la banque centrale ne réagit pas instantanément à l'inflation ce mois-ci." C'est une restriction de type "zéro".

📏 La Règle du "Comptage" (L'ancienne méthode)

Pendant longtemps, les économistes ont utilisé une règle très simple, proposée par des chercheurs appelés RWZ (Rubio-Ramírez, Waggoner et Zha). C'était comme une recette de cuisine infaillible :

"Si vous avez posé le bon nombre de restrictions (des zéros) aux bons endroits, alors le mystère est résolu !"

C'était génial car c'était facile : il suffisait de compter les restrictions. Si le nombre correspondait à la taille du puzzle, on était sûr que la solution était unique. C'est ce qu'on appelle l'identification globale.

⚠️ Le Problème : Les Restrictions "Fantômes"

Ce papier de recherche (Bacchiocchi et Kitagawa) dit : "Attention ! Cette règle de comptage peut vous tromper."

Ils montrent qu'il existe un piège : la redondance.

L'analogie du Puzzle :
Imaginez que vous essayez de résoudre un puzzle de 1000 pièces.

1. Vous posez une règle : "La pièce du coin en haut à gauche est bleue." (C'est une restriction).
2. Vous posez une autre règle : "La pièce juste à droite du coin en haut à gauche est bleue."
3. Mais imaginez que, à cause de la forme du puzzle et de la première règle, la deuxième règle est automatiquement vraie. Vous n'avez pas besoin de la poser, elle est déjà "cachée" dans la première.

Si vous comptez vos règles, vous dites : "J'ai 2 règles, donc j'ai 2 indices !"
Mais en réalité, vous n'en avez qu'un seul. L'autre est un fantôme. Il ne vous aide pas à résoudre le puzzle.

Dans le monde des SVAR, cela arrive quand une restriction sur une variable (par exemple, "A n'affecte pas B") implique mathématiquement une autre restriction sur une autre variable (par exemple, "C ne peut pas affecter D"). Si vous ne vous en rendez pas compte, vous pensez avoir assez d'indices, mais en fait, vous n'en avez pas assez. Le mystère reste partiellement non résolu.

🔍 L'Exemple Concret du Papier

Les auteurs prennent un exemple simple (un modèle à 3 variables) où ils posent 3 restrictions.

• Selon l'ancienne règle (RWZ), le comptage dit : "Tout va bien, 3 restrictions pour 3 variables, c'est résolu !".
• Mais en regardant de plus près, ils découvrent que la restriction #3 est déjà imposée par les restrictions #1 et #2.
• Résultat : Ils n'ont que 2 vraies restrictions. Le puzzle n'est pas résolu. Il reste plusieurs solutions possibles.

C'est comme si un détective disait : "J'ai trouvé 3 indices pour prouver que le coupable est le majordome." Mais en réalité, les 3 indices disent exactement la même chose. Il n'a qu'un seul indice réel, ce qui ne suffit pas pour accuser le majordome avec certitude.

💡 La Nouvelle Solution : Le "Test de Vérité"

Les auteurs proposent une nouvelle méthode pour éviter ce piège. Au lieu de se fier uniquement au comptage, ils suggèrent de vérifier si chaque restriction apporte vraiment quelque chose de nouveau.

Imaginez que vous construisez une tour de blocs :

1. Vous posez le premier bloc (la première restriction). Il tient bien.
2. Vous posez le deuxième bloc. Vérifiez : "Est-ce que ce bloc tient tout seul, ou est-ce qu'il s'appuie sur le premier ?"
3. Si le deuxième bloc ne fait que répéter ce que le premier fait déjà, alors il est redondant. Il ne renforce pas la tour.

Leur algorithme (la nouvelle recette) :

1. Prenez vos données.
2. Essayez de construire votre solution pas à pas (bloc par bloc).
3. À chaque étape, vérifiez mathématiquement si la nouvelle restriction vous donne vraiment une nouvelle direction unique.
4. Si à un moment donné, la restriction est "redondante" (elle ne fait que répéter l'information précédente), alors l'identification échoue.

🚀 Pourquoi c'est important pour tout le monde ?

Ce papier est crucial pour les économistes qui travaillent sur des modèles réels (comme la politique monétaire ou les chocs de prix).

• Avant : Ils pouvaient utiliser une règle simple (le comptage) et penser que leur modèle était parfait, alors qu'il était en fait fragile et ambigu.
• Maintenant : Ils ont un outil simple (un algorithme informatique) pour vérifier si leurs règles sont vraiment indépendantes. Cela évite de tirer de fausses conclusions sur l'économie.

En résumé

Ce papier dit : "Ne vous contentez pas de compter vos restrictions. Vérifiez qu'elles ne se répètent pas entre elles."

C'est comme si vous demandiez à un ami : "Est-ce que tu as assez de clés pour ouvrir cette porte ?"

• L'ancienne méthode comptait le nombre de clés dans votre poche.
• La nouvelle méthode vérifie si ces clés ouvrent vraiment des serrures différentes, ou si vous avez simplement 5 copies de la même clé.

Grâce à cette découverte, les économistes peuvent être plus sûrs de leurs résultats et éviter de construire des théories sur des fondations qui ne tiennent pas.

Résumé technique

Voici un résumé technique détaillé de l'article « On global identification in structural vector autoregressions » de Emanuele Bacchiocchi et Toru Kitagawa.

1. Le Problème : Limites des conditions d'identification de RWZ (2010)

L'article s'attaque à une lacune critique dans la littérature sur les modèles SVAR (Vector Autoregressions Structurels), spécifiquement concernant les conditions nécessaires et suffisantes pour l'identification globale des paramètres structurels sous des restrictions d'exclusion (restrictions de zéro).

• Le contexte : Rubio-Ramírez, Waggoner et Zha (2010), cités comme RWZ, ont établi des conditions célèbres (notamment leur Théorème 7) pour vérifier si un SVAR est globalement identifié. Ces conditions réduisent la vérification à un simple exercice de comptage : le nombre de restrictions de zéro imposées sur chaque colonne de la matrice de transformation doit être égal à $n-j$ (où $n$ est le nombre de variables et $j$ l'indice de la colonne).
• La faille : Les auteurs montrent que le Théorème 7 de RWZ repose sur des hypothèses techniques fortes, notamment la régularité de la transformation des paramètres (Condition 2 de RWZ). Cette condition exige que la dérivée première de la fonction de transformation ait un rang complet.
• Le risque : Lorsque cette hypothèse de régularité n'est pas respectée (ce qui est fréquent dans les applications empiriques combinant des restrictions sur les relations contemporaines et les réponses impulsionnelles), le Théorème 7 peut donner des faux positifs. Il peut conclure à tort qu'un modèle est identifié alors qu'il ne l'est pas, en raison de la présence de restrictions redondantes. Une restriction redondante est une contrainte imposée qui est déjà implicite dans d'autres contraintes, n'ajoutant ainsi aucune information d'identification supplémentaire.

2. Méthodologie et Analyse

Les auteurs utilisent une approche combinant un contre-exemple analytique, une investigation mathématique et le développement d'un nouvel algorithme.

A. Le Contre-Exemple

Ils construisent un SVAR trivarié ($n=3$) avec des restrictions sur la matrice structurelle $A_0$ et sur la matrice de réponse impulsionnelle à l'impact ($IR_0 = (A_0^{-1})'$).

• Configuration : Des restrictions de zéro sont imposées sur $A_0$ (structure triangulaire partielle) et sur $IR_0$.
• Résultat de RWZ : Selon le comptage du Théorème 7, le modèle semble identifié ($q_1=2, q_2=1, q_3=0$).
• Réalité : L'analyse montre que les restrictions sur $A_0$ impliquent mathématiquement une des restrictions sur $IR_0$. Cette dernière est donc redondante.
• Conséquence : La matrice de contraintes utilisée pour déterminer le deuxième vecteur de la matrice orthogonale $P$ (notée $\tilde{Q}_2$) est de rang déficient. Le modèle admet une infinité de solutions pour $P$, échouant ainsi à l'identification globale, bien que le test de RWZ échoue à le détecter.

B. Investigation Analytique

Les auteurs démontrent que la redondance survient lorsque l'ensemble des restrictions imposées force implicitement d'autres paramètres à zéro sans que cela soit détecté par le simple comptage des restrictions. Ils montrent également que l'hypothèse de régularité de RWZ (Condition 2) est violée dans ce cas car la dimension de l'espace des paramètres transformés ne correspond pas à la dimension requise pour un rang complet de la dérivée.

C. Nouvelle Approche : Détection de la Redondance

Pour pallier ce problème, les auteurs proposent de vérifier non seulement le nombre de restrictions, mais aussi l'indépendance linéaire des contraintes par rapport aux vecteurs déjà identifiés.

3. Contributions Clés

1. Théorème 1 (Condition Nécessaire et Suffisante Modifiée) :
   Les auteurs établissent une nouvelle condition pour l'identification exacte. Un SVAR est exactement identifié si et seulement si :

   • Le nombre de restrictions $q_j$ satisfait $q_j = n - j$ pour tout $j$ (comme chez RWZ).
   • ET les restrictions sont non redondantes au point de paramètre considéré.
   • La non-redondance est définie par le fait que les vecteurs orthogonaux précédemment identifiés ($p_1, ..., p_{j-1}$) soient linéairement indépendants des lignes de la matrice de contraintes $Q_j f(A_0, A_+)$.

2. Algorithme 1 (Vérification Pratique) :
   Ils proposent un algorithme computationnel simple à mettre en œuvre, basé sur une modification de l'algorithme de RWZ :

   • À partir des paramètres réduits $(B, \Sigma)$, on calcule une solution initiale $(A_0, A_+)$.
   • Pour chaque colonne $j$ de la matrice orthogonale $P$, on construit la matrice $\tilde{Q}_j$ qui empile les restrictions $Q_j f(A_0, A_+)$ et les vecteurs $p_1, ..., p_{j-1}$ déjà trouvés.
   • Test crucial : On vérifie si le rang de $\tilde{Q}_j$ est égal à $n-1$.
   • Si le rang est inférieur à $n-1$, cela indique une redondance et l'échec de l'identification globale.

3. Généralisation :
   Contrairement à RWZ, leur approche ne nécessite pas que la transformation soit "régulière" ou "fortement régulière" (Conditions 2 et 3 de RWZ). Elle fonctionne même lorsque ces hypothèses techniques échouent, ce qui est fréquent dans les modèles avec des restrictions mixtes (court terme, long terme, réponses cumulées).

4. Résultats Principaux

• Échec du Théorème 7 de RWZ : Le théorème de RWZ est insuffisant car il ne détecte pas la redondance des restrictions. Il peut conduire à des conclusions erronées d'identification globale, faussant ainsi les analyses de réponses impulsionnelles subséquentes.
• Validité du Théorème 1 : La condition proposée par Bacchiocchi et Kitagawa corrige ce biais en exigeant explicitement que les matrices de contraintes séquentielles $\tilde{Q}_j$ soient de rang complet.
• Robustesse : La méthode fonctionne pour des modèles de petite à moyenne taille et reste tractable même pour des modèles plus complexes où l'analyse analytique des implications de toutes les restrictions serait trop lourde.

5. Signification et Implications

• Pour la pratique empirique : Les économètres appliqués utilisant des SVARs avec des restrictions d'exclusion (très courant en macroéconomie) doivent désormais vérifier la redondance de leurs restrictions avant de conclure à l'identification. L'utilisation aveugle du Théorème 7 de RWZ est risquée.
• Fiabilité des inférences : En évitant les faux positifs d'identification, cette méthode garantit que les réponses impulsionnelles estimées sont uniques et fondées sur des informations d'identification réelles, et non sur des artefacts mathématiques.
• Accessibilité : L'algorithme proposé est simple à implémenter (nécessite uniquement les paramètres réduits et des opérations de rang matriciel), rendant la vérification rigoureuse accessible sans nécessiter de connaissances analytiques profondes sur les implications implicites de chaque restriction.

En résumé, cet article fournit un correctif essentiel à l'état de l'art de l'identification des SVAR, transformant une condition de comptage simple (mais potentiellement trompeuse) en une procédure de vérification de rang robuste et fiable.