SVARs with breaks: Identification and inference

Cet article propose une nouvelle classe de modèles SVAR avec ruptures structurelles (SVAR-WB) qui, en intégrant des contraintes de stabilité et d'inégalités entre régimes, établit des conditions pour l'identification et développe des méthodes d'inférence robustes capables de gérer l'équivalence observationnelle et la sensibilité aux priors, comme illustré par une application sur la transmission de la politique monétaire américaine.

L'essentiel

Voici une explication simplifiée de ce papier de recherche, imagée comme si nous étions dans une cuisine ou un atelier de réparation.

Le Titre : "Réparer la machine économique quand les règles changent"

Imaginez que vous êtes un mécanicien (l'économètre) essayant de comprendre comment fonctionne le moteur d'une voiture (l'économie américaine). Votre outil principal est un modèle appelé SVAR. C'est un peu comme un scanner qui vous dit : "Si je tourne cette vis (choc de politique monétaire), quelle sera la réaction du moteur (inflation, chômage) ?"

Le problème, c'est que cette voiture a changé de modèle en cours de route. Il y a eu deux époques très différentes :

1. La "Grande Inflation" (années 70) : Le moteur était instable, bruyant, et réagissait bizarrement.
2. La "Grande Modération" (après 1980) : Le moteur est devenu plus calme, plus stable, et la conduite a changé.

Les auteurs de ce papier, Emanuele Bacchiocchi et Toru Kitagawa, disent : "Arrêtons de traiter la voiture comme si elle était toujours la même !" Ils proposent une nouvelle méthode pour analyser ces deux époques ensemble, en tenant compte du fait que certaines règles ont changé, mais que d'autres sont restées les mêmes.

---

1. Le Problème : Le Mystère des "Deux Visages"

Dans le passé, les économistes avaient deux problèmes majeurs :

• Le manque de preuves : Les données sont parfois floues, comme essayer de deviner la couleur d'un objet dans le brouillard.
• L'instabilité : Les règles du jeu changent. Ce qui fonctionnait en 1975 ne fonctionne plus en 2000.

Si vous essayez d'analyser chaque époque séparément, vous n'avez pas assez de pièces du puzzle pour comprendre le moteur. Si vous les mélangez sans précaution, vous créez un chaos.

L'idée géniale des auteurs : Utiliser les changements à votre avantage !
Imaginez que vous avez deux versions d'un même jeu vidéo. Dans la version 1, le personnage A est fort. Dans la version 2, le personnage A est faible, mais le personnage B est fort. En comparant les deux, vous pouvez déduire exactement comment fonctionne chaque personnage, même si vous ne pouvez pas les voir directement. C'est ce qu'ils appellent les "restrictions de stabilité" : on suppose que certaines parties du moteur (comme la réponse de l'inflation à une demande) sont restées les mêmes, même si le reste a changé.

2. Le Piège : La "Chambre des Miroirs"

C'est ici que ça devient intéressant. Quand on utilise ces nouvelles règles pour analyser les deux époques ensemble, on tombe sur un problème bizarre : l'identification locale.

Imaginez que vous cherchez un trésor dans une pièce remplie de miroirs. Vous voyez plusieurs reflets du trésor.

• L'approche classique (l'ancienne méthode) : Le mécanicien choisit un seul reflet, celui qui lui plaît le plus, et dit : "Voilà le trésor !"
• Le problème : Il y a en fait plusieurs reflets (plusieurs solutions mathématiques) qui sont tous vraisemblables. Si vous choisissez le mauvais, vous vous trompez de trésor. De plus, si vous changez légèrement votre point de départ (votre "croyance" ou prior en langage Bayésien), vous pouvez vous retrouver à un endroit totalement différent.

Les auteurs disent : "Non, non ! Ne choisissez pas un seul reflet. Regardez-les TOUS."

3. La Solution : Le "Kit de Survie" pour les Économistes

Pour résoudre ce problème des miroirs, les auteurs proposent trois nouvelles façons de travailler :

1. Le Recensement Complet (Approche Fréquentiste) : Au lieu de choisir un seul trésor, on trace une carte qui montre tous les endroits possibles où le trésor pourrait se cacher. On dit : "Le trésor est soit ici, soit là, soit là-bas." Cela donne des intervalles de confiance plus larges, mais beaucoup plus sûrs.
2. L'Approche "Agnostique" (Bayésienne Robuste) : Imaginez que vous ne savez pas quel reflet est le vrai. Au lieu de parier sur un seul, vous prenez une moyenne de tous les reflets possibles. C'est comme si vous demandiez à 100 experts de donner leur avis, et vous prenez la moyenne de leurs réponses, sans vous soucier de savoir qui a raison ou tort.
3. Les Nouvelles Règles du Jeu (Restrictions Inégalitaires) : Parfois, on ne sait pas exactement quelle est la valeur d'une vis, mais on sait qu'elle est "plus grande que zéro" ou "plus petite que celle de l'autre époque". Les auteurs montrent comment utiliser ces indices flous (par exemple : "La réaction de la Fed était plus agressive après 1980") pour réduire le nombre de faux reflets et trouver le vrai trésor.

4. L'Application Réelle : La Banque Centrale Américaine (Fed)

Pour prouver que leur méthode marche, ils l'ont appliquée à la politique monétaire américaine.

• Avant 1980 (Grande Inflation) : La Fed (la banque centrale) réagissait lentement et avec hésitation aux chocs.
• Après 1980 (Grande Modération) : La Fed est devenue un chef d'orchestre très strict. Dès qu'il y avait un problème d'inflation, elle réagissait vite et fort.

Le résultat surprenant :
Grâce à leur méthode qui regarde tous les reflets possibles, ils ont découvert que :

• Quand la Fed agit aujourd'hui (après 1980), l'économie réagit plus fort qu'avant.
• Pourquoi ? Parce que la Fed est devenue si crédible et prévisible que les gens s'attendent à ce qu'elle réagisse. Donc, quand elle sort une "surprise" (un choc inattendu), l'effet sur l'économie est démultiplié, comme un écho qui résonne plus fort dans une salle vide que dans une salle remplie de meubles.

En Résumé

Ce papier est comme un manuel de réparation pour les économistes qui travaillent sur des systèmes qui changent.

• L'ancienne méthode : "Choisis une réponse et espère qu'elle est juste." (Risque d'erreur).
• La nouvelle méthode : "Regarde toutes les réponses possibles, utilise les similitudes entre les époques pour filtrer le bruit, et donne une fourchette de résultats qui inclut la vérité."

C'est une façon plus honnête, plus robuste et plus intelligente de comprendre comment l'économie fonctionne quand les règles du jeu évoluent.

Résumé technique

Voici un résumé technique détaillé de l'article « SVARs with breaks: Identification and inference » d'Emanuele Bacchiocchi et Toru Kitagawa, rédigé en français.

1. Problématique et Contexte

L'article s'attaque à trois défis majeurs dans la littérature économétrique macroéconomique :

1. L'identification faible due à une variation limitée des données.
2. L'instabilité des paramètres (ruptures structurelles) caractérisant de nombreuses relations macroéconomiques (ex. : la « Grande Modération »).
3. Le manque d'informations théoriques suffisantes pour identifier de manière unique les paramètres des modèles empiriques.

Les auteurs proposent d'étudier les SVAR avec ruptures structurelles (SVAR-WB). Contrairement aux approches traditionnelles qui traitent les régimes séparément ou supposent une instabilité purement liée à la volatilité des chocs (hétéroscédasticité), ce modèle permet des changements dans les paramètres structurels (relations contemporaines) entre les régimes, tout en exploitant ces changements pour améliorer l'identification.

2. Méthodologie et Cadre Théorique

Le cadre repose sur un modèle VAR structurel où les paramètres peuvent changer à des dates de rupture exogènes ($TB_1, \dots, TB_{s-1}$).

A. Restrictions et Identification

Les auteurs élargissent considérablement le jeu de restrictions autorisées pour identifier le modèle :

• Restrictions d'égalité : Sur les paramètres structurels ou leurs transformations (ex. : réponses impulsionnelles).
• Restrictions de stabilité : Hypothèse clé où certains paramètres ou fonctions (comme les réponses impulsionnelles) restent constants à travers les régimes.
• Restrictions d'inégalité : Signes, rangs (ranking) et contraintes sur les variances des erreurs de prévision (FEV), applicables au sein d'un régime ou entre les régimes.

Théorie de l'identification :

• Identification Locale vs Globale : L'article démontre que l'ajout de contraintes entre les régimes (stabilité) conduit généralement à une identification locale plutôt que globale. Cela signifie qu'il existe un ensemble fini de points de paramètres structurels observationnellement équivalents (des pics multiples dans la fonction de vraisemblance), et non un point unique.
• Conditions de Rang : Les auteurs dérivent des conditions nécessaires et suffisantes pour l'identification locale.
  • Une condition d'ordre nécessaire est établie ($f \ge s \cdot n(n-1)/2$).
  • Une condition de rang suffisante est proposée (Théorème 2) basée sur le rang d'une matrice construite à partir des restrictions et des paramètres réduits.
  • Un algorithme (Algorithme 1 et 2) est fourni pour vérifier numériquement ces conditions de rang pour n'importe quel point du paramètre.
• Identification Partielle : Il est possible d'identifier un sous-ensemble de chocs structurels même si le modèle complet ne l'est pas.

B. Estimation

Face à l'identification locale, les méthodes classiques (Maximum de Vraisemblance - ML) échouent car elles sélectionnent arbitrairement un seul pic, ignorant les autres solutions équivalentes, ce qui fausse l'inférence.

• Algorithme d'estimation (Algorithme 3) : Les auteurs proposent un algorithme pour calculer tous les paramètres structurels admissibles (toutes les matrices orthogonales $Q$ satisfaisant les restrictions) pour un point donné des paramètres réduits. Cela permet de définir l'ensemble identifié complet.

C. Inférence Statistique

L'article propose trois approches pour gérer l'incertitude liée aux multiples solutions équivalentes :

1. Inférence Bayésienne : Utilisation d'une approche « agnostique » où l'on attribue des poids uniformes aux différentes solutions observationnellement équivalentes conditionnellement aux paramètres réduits. Cela contourne les problèmes d'exploration des modes multiples par les algorithmes MCMC standards.
2. Inférence Fréquentiste Valide : Projection de l'ensemble de confiance des paramètres réduits sur l'ensemble identifié des paramètres structurels. Cela génère des intervalles de confiance conservateurs mais valides asymptotiquement, couvrant tous les modes.
3. Inférence Bayésienne Robuste (Robust Bayesian) : Extension de l'approche de Giacomini et Kitagawa (2021). Au lieu de fixer une seule distribution a priori sur les matrices orthogonales, on considère une classe de priors. Cela permet de calculer des bornes inférieures et supérieures de probabilité a posteriori, rendant les résultats robustes au choix du prior.

D. Cas de l'Identification par Ensemble (Set-Identification)

Lorsque les restrictions sont insuffisantes pour une identification ponctuelle (locale), le modèle est identifié par un ensemble (souvent non convexe).

• Les auteurs développent des algorithmes (Algorithme 4 et 5) pour simuler cet ensemble identifié.
• Ils proposent des régions de crédibilité robustes et des bornes de moyennes a posteriori pour résumer l'information sans faire d'hypothèses fortes sur la distribution a priori des matrices de rotation.

3. Résultats Clés et Applications Empiriques

Application Empirique :
L'étude applique la méthodologie à la transmission de la politique monétaire aux États-Unis, en comparant deux régimes :

1. La Grande Inflation (1954-1979) : Période avant Volcker.
2. La Grande Modération (1979-2008) : Période post-Volcker.

Résultats Principaux :

• Impact des restrictions : L'utilisation de restrictions de stabilité (ex. : réponse de l'inflation aux chocs de demande constante) combinée à des restrictions de signe permet d'identifier le modèle localement.
• Multiplicité des solutions : Sans restrictions de signe, le modèle présente une distribution bimodale des réponses de l'output gap aux chocs monétaires, révélant des scénarios économiquement contre-intuitifs (réponses positives) qui sont éliminés par les restrictions de signe.
• Évolution de la politique monétaire :
  • Les résultats montrent que la réponse de la Fed aux chocs de prix est devenue plus agressive et persistante durant la Grande Modération.
  • Contrairement à certaines études antérieures (ex. : Boivin & Giannoni, 2006) qui trouvaient un effet plus faible de la politique monétaire sur l'output durant la Grande Modération, ce papier suggère le contraire : l'effet d'un choc monétaire non anticipé sur l'output est plus prononcé durant la Grande Modération.
  • Interprétation : Si la Fed a gagné en crédibilité et réagit systématiquement aux chocs de demande et d'offre, les agents économiques intègrent cette réaction dans leurs anticipations. Par conséquent, un choc monétaire non anticipé (orthogonal à la réaction attendue) a un impact plus fort sur l'économie réelle car il représente une déviation par rapport à une règle de réaction désormais bien connue et crédible.

4. Contributions et Signification

1. Théorie de l'identification : Fournit des conditions de rang nécessaires et suffisantes pour les SVAR-WB, généralisant les travaux de Rubio-Ramírez et al. (2010) et Bacchiocchi & Fanelli (2015) à des restrictions complexes (stabilité, FEV, rangs) entre les régimes.
2. Gestion de l'identification locale : Démontre que l'identification locale est la norme pour les SVAR-WB avec contraintes inter-régimes et propose des méthodes pour ne pas ignorer les solutions multiples (contrairement au ML standard).
3. Nouvelles méthodes d'inférence : Introduit des approches fréquentistes valides et bayésiennes robustes spécifiquement adaptées aux SVAR-WB, permettant de traiter à la fois l'identification ponctuelle (locale) et par ensemble.
4. Innovation empirique : Montre comment combiner des restrictions d'inégalité (signes, rangs, FEV) à travers les régimes pour affiner l'identification et obtenir des résultats économiquement plus plausibles, illustré par une réévaluation de l'efficacité de la politique monétaire américaine.

En résumé, cet article fournit un cadre rigoureux et des outils pratiques pour estimer et faire de l'inférence sur des modèles macroéconomiques dynamiques soumis à des ruptures structurelles, en surmontant les biais d'estimation liés à la multiplicité des solutions et en exploitant la stabilité de certains paramètres pour identifier les relations structurelles.