A Structural Matrix Autoregression Framework for International Spillovers

Résumé technique : Un cadre de l'autorégression matricielle structurelle pour les spillovers internationaux

Énoncé du problème
L'article traite du défi fondamental consistant à étendre les modèles de vecteurs autorégressifs structurels (SVAR) à des systèmes multi-pays de grande dimension. Bien que les SVAR soient des outils standards pour identifier les chocs macroéconomiques et leurs effets dynamiques, l'application aux données internationales se heurte à une « malédiction de la dimensionnalité ». À mesure que le nombre de pays augmente, la dimension du système et le nombre de paramètres inconnus croissent de manière quadratique, entraînant une surparamétrisation sévère, des coûts de calcul prohibitifs et une prolifération impraticable de restrictions d'identification. Les alternatives existantes, telles que les modèles de facteurs dynamiques (DFM) et les modèles GVAR, offrent une tractabilité computationnelle mais imposent des hypothèses restrictives : les DFM se concentrent généralement sur les chocs communs plutôt que sur les chocs structurels propres à chaque pays, tandis que les GVAR supposent souvent que les innovations contemporaines entre pays sont non corrélées, ce qui limite l'identification des spillovers structurels.

Méthodologie
Les auteurs proposent un cadre de régression matricielle structurelle bayésienne (BSMAR) qui exploite la structure matricielle naturelle des données macroéconomiques internationales, où une dimension représente les variables économiques et l'autre les pays.

1. Structure du modèle : Au lieu de vectoriser les données en un système unique de haute dimension, le modèle traite les données comme une matrice $n \times k$ $Y_t$ (où $n$ est le nombre de variables et $k$ le nombre de pays). La dynamique en forme réduite suit un processus de régression matricielle (MAR) :
   $$Y_t = \sum_{\ell=1}^p A_\ell Y_{t-\ell} B'_\ell + U_t$$
   Ici, $A_\ell$ capture les interactions dynamiques entre les variables économiques et $B_\ell$ capture les interactions dynamiques entre les pays. Le terme d'erreur $U_t$ suit une distribution normale matricielle, séparant la structure de covariance en composantes de ligne ($\Sigma_r$) et de colonne ($\Sigma_c$).

2. Identification structurelle : L'innovation centrale réside dans la représentation structurelle. La matrice d'impact structurel $B_0$ est contrainte par une décomposition en produit de Kronecker :
   $$B_0 = B_c \otimes B_r$$

   • $B_r$ ($n \times n$) capture les relations contemporaines entre les variables au sein d'une unité (par exemple, la relation offre/demande entre le PIB et l'IPC).
   • $B_c$ ($k \times k$) capture les mécanismes de transmission contemporanés entre les pays (spillovers).
     Cette décomposition réduit le nombre de paramètres structurels de $O((nk)^2)$ dans un SVAR non restreint à $O(n^2 + k^2)$, atténuant ainsi considérablement la surparamétrisation.

3. Stratégie d'identification : Le cadre accepte une large classe de restrictions d'identification (zéro, signe, magnitude/classement et restrictions douces) appliquées aux matrices décomposées.

   • Restrictions fortes : Des restrictions de type zéro (ex: les petites économies n'affectent pas contemporanément les grandes) et des restrictions de signe sont imposées directement.
   • Restrictions douces : Les auteurs utilisent des restrictions de signe douces (priors gaussiens centrés sur un signe spécifique) pour permettre des écarts si la vraisemblance contredit fortement le prior, évitant ainsi la rigidité des contraintes strictes.
   • Normalisation : L'indétermination d'échelle dans le produit de Kronecker est résolue en fixant certains éléments diagonaux à l'unité.

4. Estimation bayésienne : Un échantillonneur de Gibbs est développé pour tirer de la distribution postérieure jointe.

   • Les coefficients autorégressifs ($A, B$) et les paramètres de contraction ($\kappa$) sont mis à jour via des distributions gaussiennes et de type inverse généralisé de Gauss (GIG) conjuguées.
   • Les paramètres structurels ($\theta = \text{vec}(B_r), \text{vec}(B_c)$) sont échantillonnés à l'aide de l'échantillonnage par tranche elliptique (ESS). Cet algorithme est adapté aux cibles combinant un prior gaussien avec une vraisemblance arbitraire et gère l'ensemble identifié complexe défini par les restrictions de signe et de magnitude sans nécessiter de réglage de Metropolis-Hastings.

Contributions clés

• Réduction de la dimensionnalité : L'article fournit une représentation parcimonieuse qui sépare la dépendance des variables de la dépendance des pays, rendant l'estimation de grands systèmes structurels mathématiquement faisable.
• Identification flexible : Il étend la littérature sur les séries temporelles à valeurs matricielles en développant un cadre structurel qui permet d'identifier simultanément les relations structurelles contemporaines au sein des pays et les spillovers entre les pays.
• Innovation algorithmique : Le développement d'un algorithme d'échantillonnage bayésien intégrant l'identification par structure de Kronecker avec des restrictions douces et fortes (y compris la dominance de magnitude) offre une solution pratique pour l'inférence structurelle de haute dimension.

Résultats empiriques
Le cadre est appliqué à des données trimestrielles de 15 économies de l'OCDE (1998Q1–2019Q4) pour identifier 30 chocs structurels spécifiques à chaque pays (un choc d'offre et un choc de demande par économie).

• Transmission des chocs : Les résultats révèlent une hétérogénéité substantielle dans la transmission des chocs internationaux. Les États-Unis émergent comme un principal émetteur net de chocs, tandis que les économies plus petites sont généralement des récepteurs nets.
• Demande vs Offre : Les chocs de demande jouent un rôle plus important que les chocs d'offre dans la génération de spillovers transfrontaliers.
• Inflation post-pandémie : Les décompositions historiques hors échantillon pour la période 2020–2024 indiquent que la poussée de l'inflation après la pandémie de COVID-19 était principalement pilotée par des chocs de demande. Aux États-Unis, les chocs de demande domestique ont été les principaux contributeurs initialement, les chocs de demande étrangers devenant plus prépondérants par la suite. Le Royaume-Uni a présenté un schéma plus varié avec des contributions étrangères significatives.
• Décomposition de la variance : Bien que les chocs domestiques expliquent la majorité de la variance de l'erreur de prévision (FEVD) dans la plupart des pays, les spillovers de la demande agrégée sont confirmés comme un canal critique de la transmission internationale.

Signification et affirmations
L'article affirme être la première étude à identifier des spillovers structurels contemporanés parmi un groupe aussi large de pays au sein d'un cadre structurel unifié. Il soutient qu'en exploitant la structure matricielle des données, les chercheurs peuvent surmonter l'arbitrage entre faisabilité computationnelle et capacité d'identifier les spillovers structurels propres aux pays. Les conclusions soulignent le rôle central des chocs de demande dans la conduite des fluctuations macroéconomiques internationales et de la poussée inflationniste post-pandémie, offrant une perspective structurelle raffinée sur l'interdépendance économique mondiale. Les auteurs notent que bien que la spécification actuelle suppose une séparabilité (un ensemble unique de matrices pour tous les pays), des extensions futures pourraient assouplir ces restrictions pour des panels plus petits, bien que cette flexibilité s'accompagne d'une augmentation de l'incertitude d'estimation dans les hautes dimensions.