Trois essais en macroéconométrie
Notice bibliographique
Résumé
Cette thèse est composée de trois articles. Chaque article se concentre sur des problèmes différents et les résultats sont pertinents pour le travail empirique en macroéconomie. Le premier chapitre concerne la capacité des modèles à vecteurs autorégressifs par quantile (QVAR) à prévoir les risques macroéconomiques dans plusieurs contextes. Les modèles QVAR ont été introduits par White et al. (2015), Chavleishvili and Manganelli (2021) et Ruzicka (2021) dans les contextes de prévision de la valeur en jeu (value-at-risk), des scénarios de prévision et de l’analyse structurelle. Par contre, leur capacité à prévoir les densités et les quantiles dans les queues de distributions n’avait pas encore été évaluée. Cet article propose de procéder à cette évaluation sur la base d’une comparaison relative à des modèles paramétriques standards dans un exercice de prévision pseudo-hors-échantillon couvrant 112 variables mensuelles aux États-Unis, ainsi qu’une période de plus de 40 ans. Les modèles QVAR font systématiquement mieux que les modèles paramétriques, particulièrement pour le marché du travail et les taux d’intérêt. De plus, l’utilisation de facteurs estimés par composantes principales comme dans Stock and Watson (2002a,b) et de facteurs quantiles introduits par Chen et al. (2021) améliore la précision des prévisions, particulièrement pour le marché du travail. Les QVAR sont donc des modèles adéquats pour la prévision de risque en macroéconomie. Le second chapitre porte sur le problème d’identification de chocs structurels en présence de données macroéconomiques persistentes. L’approche par maximisation des parts (Max Share) identifie un choc en maximisant sa contribution dans la décomposition de la variance de l’erreur de prévision pour une variable cible à un horizon donné.1 Cette méthode est souvent appliquée sur des variables en niveau (par exemple, Barsky and Sims (2011) ou Zeev and Khan (2015)) et cible des horizons distants afin d’éviter d’avoir à se prononcer sur la structure de cointégration du système. Nous montrons théoriquement que cette stratégie mène généralement à des estimateurs non converents. Nous illustrons dans des simulations Monte Carlo que ceci peut conduire à des biais importants et des erreurs quadratiques (RMSE) plus grandes à des horizons intermédiaires et longs. Une application empirique aux chocs de nouvelles (news shocks) sur la technologie spécifique à l’investissement (IST) et sur la productivité multifactorielle (TFP) illustre la pertinence des résultats pour le travail empirique. Le troisième chapitre présente une grande base de données canadienne2 et établit son utilité pour le travail empirique. La base de données a été construite pour offrir une version canadienne de la base de donnée FRED-MD (McCracken and Ng, 2016) qui est disponible publiquement pour les États-Unis et elle a été créée pour pouvoir être mise à jour régulièrement. Les millésimes (vintages) en temps réel sont aussi conservés afin de soutenir d’éventuels travaux de recherche. L’article montre aussi que la base de données présente une structure à facteurs latents relativement stable, qu’elle permet d’améliorer notre capacité à prévoir les points de retournements du cycle canadien et qu’elle améliore la précision des prévisions macroéconomiques. Nous montrons aussi comment la base de données peut servir pour étudier l’hétérogénéité des réponses à un choc de politique monétaire à travers le Canada. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : régression quantile, risque macroéconomique, prévision par densité, prévision par quantile, facteurs quantiles, SVAR, identification par maximisation des parts et inférence, racines unitaires, racines quasi-unitaires, asymptotique, environnement riche en données, modèle à facteurs, prévision, analyse structurelle
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».