Escolar Documentos
Profissional Documentos
Cultura Documentos
_
Z
1
0
C
1
ij,t
dj
_
1
(1.2)
o 1 est llasticit de substitution entre les dirents biens. M
i
/P est le niveau
des encaisses relles de lagent, L
i
son ore de travail. Soient W
i
le salaire vers par
unit de travail. et un paramtre de prfrence.des agents li la dsutilit du
travail. Les prfrences du mnage reprsentatif la date t sont reprsentes par la
fonction dutilit :
U
i,t
C
i,t
,
M
i,t
P
, L
i,t
= ln C
i,t
+ ln
M
i,t
P
t
i,t
(1.3)
Lpargne dun mnage est dtenue sous forme de monnaie M
i
ou de titres B
i
r-
munrs au taux r
t
. Les agents dtiennent les entreprises et peroivent les prots
i
,
ainsi que des transferts forfaitaires T
i
distribus par la banque centrale. La contrainte
budgtaire intertemporelle de lagent prend la forme :
C
i,t
=
W
i,t
P
t
L
i,t
+
i,t
P
t
+
T
i,t
P
t
M
i,t
M
i,t1
P
t
B
i,t
B
i,t1
(1 +r
t
)
P
t
(1.4)
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 27
Chaque mnage choisit son ore de travail, la quantit dencaisses montaires et la
quantit de titres quil souhaite dtenir. Aprs arrangements, on obtient les condi-
tions doptimalit suivantes :
W
i,t
P
t
= C
i,t
L
1
i,t
(1.5)
M
i,t
P
t
= C
i,t
(1 +r
t
)
r
t
(1.6)
Les rmes voluent dans un march o la concurrence est monopolistique, les bi-
ens produits par chaque rme tant imparfaitement substituables. Ainsi, la rme
reprsentative i fait face la fonction de demande :
Y
i,t
=
P
i,t
P
t
Y
t
(1.7)
La technologie de production est rendements constants sur le facteur travail :
Y
i,t
= L
i,t
(1.8)
La fonction de cot de la rme prend la forme suivante :
W
i,t
(Y
i,t
)
1+
(1.9)
avec un paramtre de technologie tel que le cot marginal de production soit crois-
sant. Toutes les rmes sont identiques et eectueront les mmes choix lquilibre.
Cette dernire quation, combine (1.5), (1.7) et (1.8) permet de dnir le prix
dquilibre [voir lAnnexe I pour plus de dtails concernant la drivation du prix
optimal de la rme i] que xera la rme i :
P
i,t
=
(1 +)
1
1/(1+)
P
t
Y
(+)/(1+)
t
(1.10)
Il est possible prsent de dterminer le niveau auquel une rme xerait son prix si
celui ci tait entirement exible. En ngligeant la constante, ce prix optimal peut
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 28
tre obtenu [voir Blanchard & Fischer (1989) et Romer (1996)] en appliquant le log
sur lquation (1.10), soit :
p
i,t
= p
t
+y
t
(1.11)
o p
t
est le niveau gnral des prix et le degr de rigidit relle et avec =
( +) / (1 +) , et est infrieur 1 par hypothse. Plus est faible (i.e. plus
la rigidit relle est forte), plus les rmes chercheront garder leurs prix relatifs
constants, en tenant peu compte des conditions macroconomiques. Il est possible
de supposer nulle llasticit de la demande de monnaie par rapport au taux dintrt
an dobtenir une quation de demande globale semblable lquation quantitative.
Donc, loutput gap y
t
est dtermin partir dune quation quantitative o la vitesse
de circulation de la monnaie est constante. En eet, les quations (1.6) et (1.7), une
fois passes en log, permettent dobtenir :
y
t
= m
t
p
t
(1.12)
Ltape suivante consiste spcier des contraintes sur lajustement dynamique des
prix. Si ceux-ci taient parfaitement exibles, p
t
serait le prix x chaque priode
par les rmes. La symtrie de lquilibre aurait pour consquence lgalit entre le
niveau des prix et celui de la masse montaire. Les dviations du produit seraient
systmatiquement nulles. Taylor (1999) favorise cependant la prise en compte de
rigidits dans lajustement dynamique des prix. Ces rigidits nominales ont pour
consquence de ne pas permettre aux rmes dtre en mesure de xer chaque
priode leur prix optimal dni par (1.11). Il convient alors de faire la distinction
entre le prix quune rme souhaite mettre en uvre en t, p
t
, et le prix qui est
eectivement en vigueur cette mme date, x
t
. On peut distinguer essentiellement
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 29
deux catgories de rigidit des prix
1
. La premire, issue des travaux de Taylor (1980),
stipule lexistence de prix xes, cest dire quun prix unique est en vigueur durant
toute la dure dun contrat de prix. Lautre hypothse [voir Fischer (1977)] stipule
lexistence de prix prdtermins : les prix sont galement signs lavance mais
peuvent tre dirents pour chacune des priodes comprises dans le contrat. Les
choix de xation des prix se font en dbut de priode, aprs observation de la masse
montaire courante et lannonce de sa trajectoire future. Nous prsentons dans cette
section les direntes rgles dajustement utilisant cette distinction.
2 Les rgles dajustement prix xes
2.1 Prix xes pour une dure alatoire (Calvo, 1983)
Les tudes empiriques montrent en eet quen moyenne les prix sont xs pour
une dure annuelle, mais les dures individuelles sont variables [voir Taylor (1999)].
Le modle de Calvo (1983) permet de reproduire ces deux aspects de la xation des
prix : la dure moyenne des contrats est de deux priodes (le modle est semestriel)
mais la dure individuelle des contrats est alatoire. chaque priode, une rme a
une probabilit constante de pouvoir modier son prix. Soit x
t
le prix x par une
rme modiant son prix la date
2
t :
x
t
=
X
j=0
(1 )
j
E
t
p
t+j
(1.13)
Le prix x est une moyenne pondre des prix optimaux actuels et futurs. Ces
derniers sont escompts en fonction de la probabilit de pouvoir rajuster son prix
1
Une autre rgle a t propose par Rotemberg (1982), qui suppose lexistence de cots quadra-
tiques dans les ajustement de prix. La dynamique de lination gnre est identique celle au
modle prix xes de Calvo (1983).
2
Le paramtre dactualisation est arbitrairement x 1, ce qui na pas dincidence sur les
rsultats obtenus.
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 30
plutard. Les rmes modiant leur prix une mme date xent le mme prix. Le
niveau gnral des prix est une moyenne pondre des prix en cours dans lconomie.
p
t
=
X
j=0
(1 )
j
x
tj
(1.14)
Avec (1.11), il est possible de dterminer la dynamique de lination dans cette
conomie.
t
= E
t
t+1
+y
t
(1.15)
o
t
p
t
p
t1
et =
t
+E
t
p
t+1
(1.16)
Le niveau gnral des prix est une moyenne des prix xs par chaque cohorte.
p
t
= (1/2) (x
t
+x
t1
) (1.17)
(1.11) et (1.17) permettent de rcrire (1.16) comme :
x
t
= (1/2) (x
t1
+E
t
x
t1
) +(y
t
+E
t
y
t+1
) (1.18)
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 31
La courbe de Phillips issue de cette structure dimbrication des prix prend alors la
forme suivante :
t
= E
t
t+1
+ 2(e y
t
) +
t
(1.19)
o e y
t
= y
t1
+ E
t1
y
t
+ y
t
+ E
t
y
t+1
est une somme des carts de production et
t
= E
t1
t
t
une erreur danticipation. La littrature nglige souvent cette
erreur danticipation et pose e y
t
= y
t
[voir Roberts (1995)]. Il en rsulte une forme
identique celle de Calvo. Nanmoins, la prise en compte de lerreur danticipation
permet de rcrire (1.19) comme :
t
= (1/2) (E
t1
t
+E
t
t+1
) +(y
t1
+E
t1
y
t
+y
t
+E
t
y
t+1
) (1.20)
Lination est alors galement fonction dune anticipation passe sur lination
courante, ce qui cre un eet dinertie suite une surprise montaire, les termes
retards de loutput gap faisant perdurer cet eet au del du choc initial. La rponse
de lination un choc est donc sensiblement dirente de celle de Calvo.
Lapparente similitude avec le modle de Calvo nest obtenue dans le modle
que pour une dure des contrats de deux priodes. Alors que la forme de la courbe
de Phillips chez Calvo est invariante la dure des contrats, la courbe de Phillips
issue de Taylor se modie avec cette dure. Si par exemple les contrats durent trois
priodes, elle devient :
t
= (1/3) (E
t
t+1
+E
t1
t
+E
t2
t1
)
+(1/6) (E
t
t+2
+E
t1
t+1
+E
t2
t
) (1/2)
t1
+
y
t
+y
t1
+y
t2
+E
t
(y
t+1
+y
t+2
)
+E
t1
(y
t
+y
t+1
) +E
t2
(y
t1
+y
t
)
t
+ (1 ) E
t
p
f
t+1
(1.22)
Les rmes tournes vers le pass xent leur prix en utilisant la moyenne des prix
xs la priode prcdente, corrige par lination, soit :
p
b
t
= x
t1
+
t1
(1.23)
On obtient alors la courbe de Phillips suivante :
t
=
f
E
t
t+1
+
b
t1
+y
t
(1.24)
avec
f
= (1 ) /,
b
= /, =
2
(1 ) / et = 1 +. En se servant
des rsultats de Sahuc (2002) et de Jondeau & Le Bihan (2001), il est possible de
supposer quapproximativement la moiti des agents xent leur prix partir de la
rgle (1.23), ce qui donne dans ce cas la forme suivante :
t
= (1/2) (E
t
t+1
+
t1
) +y
t
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 33
Lintgration dun retard dination accrot le degr de persistance de celle-ci suite
un choc montaire. Cette courbe de Phillips est trs utilise dans ltude de la
politique montaire.
2.4 Prix xes stipuls en termes rels (Fuhrer & Moore,
1995)
Critiquant le manque de persistance de lination dans le modle de Taylor,
Fuhrer & Moore (1995) supposent que les agents stipulent leurs contrats en termes
rels relatifs et non plus en termes nominaux relatifs. Selon Fuhrer et Moore, cette
hypothse revient rcrire lquation (1.18) de la manire suivante :
x
t
p
t
= (1/2) (x
t1
p
t1
+E
t
x
t+1
E
t
p
t+1
) +(y
t
+E
t
y
t+1
) (1.25)
Les autres hypothses sont identiques celles du modle de Taylor. La dynamique
de lination devient alors :
t
= (1/2) (
t1
+E
t
t+1
) +(e y
t
) + (1/2)
t
(1.26)
o e y
t
et
t
sont dnis comme chez Taylor. Lintroduction dun lment retard
permet dintroduire plus dinertie dans la dynamique de lination. Cette courbe de
Phillips est gnralement considre comme quivalente celle du modle de Gal et
Gertler lorsque
b
=
f
= 1/2. Nanmoins, comme pour le modle de Taylor, cette
apparente similitude rsulte des hypothses faites sur lerreur danticipation
t
. Il
est en eet possible de rcrire lquation prcdente comme suit :
t
= (1/3) (
t1
+E
t1
t
+E
t
t+1
) + (2/3) (e y
t
) (17)
Quelles que soient les valeurs des paramtres
b
et
f
chez Gal et Gertler, les
deux formes sont direntes. Pour
b
=
f
= 1/2, la persistance de lination dans le
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 34
modle de Gal et Gertler est suprieure celle de Fuhrer et Moore [voir lAnnexe].
Comme chez Taylor, la forme de la courbe de Phillips se modie avec la dure des
contrats alors quelle reste invariante chez Gal et Gertler.
3 Les rgles dajustement avec prix prdtermins
Le second type de contrats de long terme utilis consiste supposer que lorsquune
entreprise xe son contrat de prix la priode t, elle dtermine une trajectoire de
prix pour les priodes allant de t (t +n), chaque prix pouvant tre direnci. Si
les cots de modication des prix sont nuls mais quil existe des cots contractuels
survenant chaque fois quune rme ngocie un contrat, alors la prdtermination
des prix peut tre justie, les rmes ne souhaitant pas rengocier leurs contrats
chaque priode. Lorsquelles sont en mesure de le faire, les rmes vont donc,
partir de linformation disponible, dcider dune trajectoire de prix futurs. La dure
moyenne des contrats reste de deux priodes. On note x
t,t+i
le prix x la date t
pour la priode t +i.
3.1 Prix prdtermins pour deux priodes (Fischer, 1977)
Les contrats de prix sont imbriqus la faon du modle de Taylor et prdter-
mins pour deux priodes. Lobjectif de la rme est de minimiser lcart entre les
prix xs et ses prix optimaux.
Min
x
t,t
;x
t,t+1
(x
t,t
p
t
)
2
+E
t
x
t,t+1
p
t+1
2
Le niveau gnral des prix la date t est donn par :
p
t
= (1/2) (x
t1,t
+x
t,t
) (1.27)
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 35
La dynamique de lination est alors la suivante :
t
= [/ (1 +)] m
t
+ [1/ (1 +)] (E
t1
m
t
E
t2
m
t1
) (1.28)
o m
t
= (m
t
m
t1
). Cette quation montre quen cas de choc montaire unique,
la dure de lcart de lination par rapport son tat stationnaire nest que de deux
priodes. De manire plus gnrale, lorsque les prix sont prdtermins, la dure de
limpact dun choc de demande agrge sur le produit et le niveau des prix nexcde
pas la dure des contrats. La faible capacit de cette spcication reproduire la
persistance de lination et du produit a conduit son abandon progressif.
3.2 Prix prdtermins pour une dure alatoire (Mankiw
et Reis, 2002)
Mankiw & Reis (2002) utilisent une prdtermination des prix la Fischer
3
avec une rvision alatoire des contrats de prix la Calvo. La dure moyenne des
contrats reste de deux priodes, mais les dures individuelles varient, certaines tant
assez longues pour engendrer une forte persistance des chocs montaires. chaque
priode, une rme a une probabilit de pouvoir modier entirement sa trajectoire
optimale de prix {x
t,t+j
} , j [0; +[, de manire minimiser la fonction de perte
suivante :
L
t
= E
t
X
j=0
j
x
t,t+j
p
t+j
2
La squence de prix optimale pour la rme i prend alors la forme suivante :
x
t,t+j
= E
t
p
t+j
. (1.29)
Les agents tant tous identiques, ceux ayant modi pour la dernire fois leur tra-
jectoire de prix une mme date ont x les mmes prix. Le niveau gnral des prix
3
Mankiw et Reis dveloppent lide de rigidits dans lacquisition dinformation et lopposent
lexistence de contrats de prix long terme, mais formellement cette hypothse est identique
celle de prix prdtermins.
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 36
est alors donn par :
p
t
=
X
j=0
(1 )
j
x
tj,t
(1.30)
Compte tenu des quations (1.11) et (1.29), on obtient la courbe de Phillips suivante :
t
= y
t
+
X
j=0
(1 )
j
E
t1j
(
t
+y
t
) (1.31)
o = () / (1 ) et y
t
= y
t
y
t1
. Lination courante dpend de loutput gap
ainsi que des anticipations passes sur lination et le taux de croissance du produit.
On retrouve un lement prsent dans le modle de Taylor relatif aux imperfections
dinformations.
4 Limpact dune politique de dsination
Nous allons soumettre les modles un exercice de politique montaire simple
dans lequel la trajectoire de la masse montaire est exogne et non stationnaire. Nous
supposons que le taux de croissance annuel de la masse montaire (m) est exogne
et x de manire atteindre une cible dination
).
La cible dination
1
1
(1.32)
s.c.
Z
1
0
P
j
C
ij
dj = S
i
(1.33)
La rsolution de ce programme nous permet daboutir la condition suivante :
C
ij
=
P
j
P
k
C
ik
(1.34)
On a par dnition :
Z
1
0
P
j
C
ij
dj = PC
i
(1.35)
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 43
En ce servant de lquation (1.34), lcriture prcdente peut se rcrire comme suit :
PC
i
= P
j
C
ij
Z
1
0
P
1
j
dj (1.36)
tant donn la dnition de P, on peut rcrire lcriture prcdente de la manire
suivante :
C
ij
=
P
j
P
C
i
(1.37)
5.1.2 tape 2 : Rpartition du revenu entre consommation globale et
encaisses relles globales
Lindividu i choisit sa consommation et ses encaisses relles en maximisant sa
fonction dutilit.
Max
C
i
,M
i
/P
C
i
M
i
/P
1
(1.38)
s.c. PC
i
+M
i
= P
i
Y
i
+M
i
(1.39)
La contrainte peut se rcrire de la faon suivante :
C
i
+
M
i
P
=
P
i
Y
i
P
+
M
i
P
(1.40)
La rsolution du programme donne les conditions suivantes :
M
i
P
=
1
C
i
= (1 )
P
i
Y
i
P
+
M
i
P
(1.41)
C
i
=
1
M
i
P
=
P
i
Y
i
P
+
M
i
P
(1.42)
Le revenu global est rparti entre la consommation et les encaisses en fonction du
paramtre de la fonction dutilit.
On utilise ensuite ces valeurs dans la fonction dutilit an dobtenir la fonction
dutilit indirecte suivante :
U
i
=
P
i
P
Y
i
+
M
i
P
L
i
(1.43)
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 44
5.1.3 tape 3 : Dtermination du prix du bien i
Lindividu i maximise la fonction dutilit indirecte (1.43) en choisissant P
i
et
Y
i
.
Max
P
i
,Y
i
P
i
P
Y
i
+
M
i
P
L
i
(1.44)
En se servant des quations (1.37) et (1.41), on peut rcrire C
ji
comme :
C
ji
=
1
M
j
P
P
i
P
(1.45)
La demande du bien i est par dnition la suivante
R
1
0
C
ji
d
j
. On peut donc poser :
Y
i
=
Z
1
0
C
ji
d
j
=
1
R
1
0
M
j
dj
P
P
i
P
(1.46)
lquilibre, les encaisses montaires totales des agents seront gales lore nom-
inale de monnaie. On a donc
R
1
0
M
j
dj = M. On peut donc rcrire le programme de
maximisation de lagent i comme :
Max
P
i
,Y
i
P
i
P
Y
i
+
M
i
P
L
i
(1.47)
s.c. Y
i
=
1
M
P
Pi
P
(1.48)
Le rsultat de ce programme doptimisation donne la condition suivante :
P
i
P
=
1
Y
1
i
(1.49)
ou encore :
P
i
P
=
"
1
1
M
P
1
#
[1/(1+(1))]
(1.50)
Il est possible de rcrire cette dernire criture de la manire suivante :
P
i
= P
1
M
(1.51)
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 45
o est une constante et = ( 1) / [1 + ( 1)]. On passe ensuite cette cri-
ture en log, ce qui nous donne (en omettant la constante) :
p
i
= (1 ) p +m (1.52)
La demande globale, exprime en logarithmes, prend la forme suivante :
y = mp (1.53)
On peut donc crire de manire alternative le prix optimal pratiqu par la rme i
comme :
p
i
= p +y (1.54)
5.2 Annexe II : Dynamique des dirents modles
5.2.1 Dynamique du modle de Taylor
partir des quations (1.12), (1.16) et (1.17), il est possible de recrire la valeur
du contrat ngoci en t de la manire suivante :
x
t
=
1 +
(m
t
+E
t
m
t+1
) +
1
2 (1 +)
(x
t1
+E
t
x
t+1
) (1.55)
On utilisera la mthode de factorisation pour rsoudre le modle sous anticipations
rationelles [voir Sargent, 1987 pour une prsentation approfondie de cette technique].
On utilise les oprateurs de retard Lx
t
= x
t1
et les oprateurs avancs Fx
t
=
x
t+1
. Toutes les variables futures sont anticipes la date t. On peut donc recrire
lquation prcdente comme suit :
x
t
=
1 +
(1 +F) m
t
+
1
2 (1 +)
(L +F) x
t
(1.56)
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 46
En utilisant les mthodes de factorisation prsentes dans Sargent (1987), la rsolu-
tion de cette quation en x
t
donne deux racines
1
et
2
telles que :
1
2 (1 +)
F +
1
2 (1 +)
F
2
=
1
2 (1 +)
(1
1
F) (1
2
F) (1.57)
Les deux racines sont alors gales
1
et 1/
1
o
1
est la plus petite des deux
racines (infrieure 1 en valeur absolue). On peut galement crire :
1
2 (1 +)
1
+
1
= 1 (1.58)
Aprs quelques calculs, on a alors :
(1
1
F) (1
1
L) x
t
=
1
2
1
(1 +F) m
t
(1.59)
On divise de part et dautre par (1
1
F). Dautre part, on sait que :
1
1
1
F
=
X
j=0
j
1
F
j
(1.60)
Au nal, aprs avoir enlev les oprateurs de retard, on obtient la dynamique suiv-
ante pour les contrats :
x
t
=
1
x
t1
+
2
1
"
m
t
+ (1 +
1
)
X
j=0
j
1
E
t
m
t+1+j
#
(1.61)
La dnition du niveau des prix et de la production la date t permettent de
dterminer facilement le taux dination et lcart de production chaque priode
compte tenu de la trajectoire montaire
5
. tant donn la valeur choisie = 0.1, on
obtient
1
= 0.5195.
5.2.2 Dynamique du modle de Calvo
La rsolution du modle est analogue celle du modle 1. En intgrant les opra-
teurs de retard dnis dans lannexe 2 et en recrivant lquation (1.15) en terme de
5
Pour rappel, la trajectoire de m est la suivante : m
t
= m
t1
+m pour t [1, 10], m = 0.025.
A partir de la date 11 et pour toutes les priodes ultrieures, m
t
= m
10
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 47
niveau des prix, on a alors :
F
2
(2 +) F + 1
Lp
t
= m
t
(1.62)
La rsolution de cette quation quadratique nous permet nouveau de pouvoir crire
les deux racines comme gales
1
et 1/
1
o
1
est la racine stable du polynme
(|
1
| 1). Par identication des coecients, on a ensuite :
=
(1
1
)
2
1
(1.63)
La factorisation nous permet ensuite dobtenir :
(1
1
L)
1
1
1
L
p
t
=
(1
1
)
2
1
m
t
(1.64)
(F
1
)
F
1
Lp
t
=
(1
1
)
2
1
m
t
(1.65)
(F
1
) Lp
t
=
(1
1
)
2
(1
1
F)
m
t
(1.66)
tant donn (1.60) et aprs avoir enlev les oprateurs de retard, on obtient alors :
p
t
=
1
p
t1
+ (1
1
)
2
X
j=0
j
1
E
t
m
t+j
(1.67)
Compte tenu des valeurs choisies pour = 0.1 et = 0.5, on obtient
1
= 0.91295.
5.2.3 Dynamique du modle de Gal et Gertler
Nous exprimons la dynamique du niveau des prix en fonction de ses valeurs
passes et des anticipations relatives au processus montaire exogne. Cette quation
est rsolue en appliquant la mthode des oprateurs de retard (Sargent (1987)). Nous
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 48
utilisons loprateur de retard L dni par LE
t
p
t
= E
t
p
t1
et loprateur avanc F
dni par FE
t
p
t
= L
1
E
t
p
t
= E
t
p
t+1
. Nous rcrivons alors (1.24) de la manire
suivante :
L
2
p
F
3
A
1
F
2
+A
2
F A
3
f
m
t
, (1.68)
o A
1
= (1 +
f
+ )/
f
, A
2
= (1 +
b
)/
f
et A
3
=
b
/
f
. Lindice
indique
une valeur anticipe la date t. Le polynme (1.68) possde trois racines posi-
tives
1
,
2
et
3
, avec
3
1. Les termes en F peuvent tre factoriss comme
(F
1
) (F
2
) (F
3
). Les valeurs des paramtres sont dtermins en identi-
ant les coecients :
3
P
i=1
i
= A
1
,
1
2
+
1
3
+
2
3
= A
2
,
3
Q
i=1
i
= A
3
.
3
est une
valeur propre relle et
1
,
2
sont des valeurs propres complexes. En utilisant la
forme factorise, (1.68) peut se rcrire comme :
L
2
p
t
(F
1
) (F
2
) =
f
m
F
.
tant donn que
3
1, et que p
t1
et p
t2
appartiennent lensemble dinformation
disponible en t, nous obtenons la dynamique suivante pour le niveau des prix :
p
t
= (
1
+
2
) p
t1
2
p
t2
+
X
j=0
j
E
t
m
t+j
(1.69)
5.2.4 Comparaison des modles de Fuhrer/Moore et de Gal /Gertler
Si la moiti des agents utilisent une rgle tourne vers le pass, la dynamique de
lination chez Gal et Gertler est :
t
= (1/2)
t1
+ (1/2) E
t
t+1
+ (/8) y
t
Chez Fuhrer et Moore, la dynamique est donne par :
t
= (1/3) (
t1
+E
t1
t
+E
t
t+1
) + (2/3) (y
t1
+E
t1
y
t
+y
t
+E
t
y
t+1
)
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 49
La dirence entre les deux modles est notable en ce qui concerne limpact des carts
de production. Une dviation du niveau dquilibre de y suite un choc montaire
gnrera un impact beaucoup plus important chez Fuhrer et Moore que chez Gal et
Gertler. Cela se vrie en dterminant les valeurs propres des modles [voir Pereau
(1998)]. En partant de (1.25), la rsolution de la dynamique du modle de Fuhrer
et Moore est analogue celle de Gal et Gertler prsente dans lannexe prcdent.
En supposant = 0.1, les valeurs propres de chaque modle sont les suivantes :
Modle Valeur propre Module Partie relle Partie imaginaire
Fuhrer & Moore
1
,
2
0.615 0.472 0.394
3
3.306 3.306
Gal et Gertler
1
,
2
0.858 0.833 0.205
3
1.3587 1.3587
Tableau (1.3) : Prsentation des valeurs propres
Lvolution du niveau des prix respectivement pour le modle de Gal /Gertler
et celui de Fuhrer/Moore est la suivante :
p
t
= 1.6663p
t1
0.7356p
t2
+ 0.0184
X
j=0
(0.736)
j
E
t
m
t+j
(1.70)
p
t
= 0.9444p
t1
0.3781p
t2
(1.71)
+0.1523
"
m
t
+m
t1
2
+ 0.6513
X
j=0
(0.3025)
j
(E
t
m
t+j+1
+E
t
m
t+j
)
#
5.3 Annexe III : Dynamique du modle de Mankiw et Reis
partir des quations (1.31) et (1.12), on peut crire :
p
t
=
X
j=0
(1 )
j
E
tj
[(1 ) p
t
+m
t
] (1.72)
partir de la date du changement de politique montaire, il est possible de diviser
les agents en deux catgories. La premire catgorie comporte les agents ayant sign
Chapitre 1 : La Persistance de lInation dans les Modles No-Keynsiens 50
des contrats aprs la date du choc. La seconde catgorie comporte les agents dont
les contrats ne tiennent pas compte du changement de trajectoire montaire. On
peut donc dcomposer lquation prcdente comme :
p
t
=
t11
X
j=0
(1 )
j
E
tj
[(1 ) p
t
+m
t
] +
X
j=t10
(1 )
j
E
tj
[(1 ) p
t
+m
t
]
(1.73)
Le premier membre de lquation reprsente les agents ayant modi leur tra-
jectoire de prix et le second membre reprsente les agents dont les contrats sont
antrieurs au choc montaire. Les agents dans le premier membre savent que m
i
=
0.275, pour tout i 11. Les agents dont les contrats sont dans le second membre
ont x E
tj
p
t
= E
tj
m
t
. En posant E
tj
p
t
= p
t
, on a alors :
p
t
= [(1 ) p
t
+ 0.275]
t11
X
j=0
(1 )
j
+ 0.025 (1 +t)
X
j=t10
(1 )
j
Ceci donne la dynamique du niveau des prix suivante :
p
t
=
0.275
1 (1 )
t10
+ 0.025 (1 +t) (1 )
t10
1 (1 )
1 (1 )
t10
(1.74)
Chapitre 2
Impact de la Priodicit des
Contrats sur la Persistance de
lInation
Introduction
La courbe No-Keynsienne de Phillips est devenue le cadre standard pour l-
analyse de la politique montaire. Sa construction est base sur le modle des prix
rigides dpendants du temps de Calvo (1983). Lhypothse principale de ce modle
suppose qu chaque priode, chacune des entreprises a une probabilit constante de
changer ses prix. Les entreprises qui ne peuvent pas changer leur prix se retrouvent
avec le prix de la priode prcdente. Cette structure aura comme consquence la
rigidit des prix agrgs. Cependant, la rigidit des prix nimplique pas la rigidit
de lination et ce modle a t discut du fait de son incapacit reproduise les
divers faits styliss. Plus prcisment, il ne capture pas correctement la persistance
de lination [voir Fuhrer & Moore (1995), Mankiw & Reis (2002)]. Nous considrons
dans cette partie deux approches an dtudier la persistance dans ce cadre. La pre-
mire approche, dveloppe par Gal & Gertler (1999) sous lhypothse de rigidit
des prix, mais suppose quune fraction des rmes ajustent ses prix en rfrence aux
51
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 52
prix passs, backward-looking. La dynamique de lination qui rsulte de la courbe
hybride de Phillips comprend alors deux composantes, la premire est compose
dlments retards, backward-looking et la deuxime est compose dlments an-
ticips, forward-looking. La deuxime approche est celle qui consiste remplacer
lhypothse de rigidit des prix par celle de la rigidit de linformation [voir Mankiw
& Reis (2002)], de ce fait, linformation imparfaite sera un lment principal dans
la dynamique de lination. Les rmes mettent jour rarement leurs informations
en se basant sur les conditions macro-conomiques actuelles. Le ux information-
nel des rmes suit une structure probabiliste comparable au modle de Calvo, mais
chaque signal reprsente une mise jour au niveau de linformation plutt quun
changement au niveau des prix. Le choix de ces deux modles est motiv par le fait
quils reprsentent deux hypothses fondamentales totalement direntes, savoir
lhypothse des prix rigides et lhypothse des informations rigides ; mais aussi en
se rfrant au travail comparatif que nous avons men dans le premier chapitre et
qui nous a conduit la conclusion que seuls les modles de Gal & Gertler (1999)
et celui de Mankiw & Reis (2002) semblent reproduire correctement les faits styliss
concernant la rponse de lination et du produit un choc de dsination
1
. Les
deux modles introduisent de la rigidit dans la dynamique de lination et tous
les deux sont considrs dans la littrature comme des modles reproduisant avec
succs la dynamique de lination suite un choc de politique montaire. Dans de
tels modles bass sur des formes rduites, les proprits de la dynamique dpendent
de deux hypothses clefs relatives des valeurs numriques de quelques paramtres.
1
Nous avons tent de rsumer les deux faits styliss de la manire suivante :
i) Suite une modication de la politique montaire, la rponse de lination est graduelle et
retarde.
ii) Toute politique de dsination gnre une rcession.
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 53
Gal & Gertler (1999) et Mankiw & Reis (2002) valuent la probabilit que les agents
remettent jour les prix (ou les informations). Cette probabilit est traduite par le
degr de rigidit qui consiste dterminer la dure durant laquelle les contrats ne
sont pas modis [voir Taylor (1999)]. Pour le choix de ce paramtre, une proc-
dure frquente dans la littrature est de considrer arbitrairement une longueur
empirique, selon des tudes micro et macroconomiques [voir Taylor (1999)], pour
les contrats des prix et puis dterminer une probabilit dajustement des prix pour
les rmes. Selon la base de son travail empirique, Taylor (1999) conclut que la dure
moyenne des prix est approximativement dun an, qui est une hypothse standard
dans cette littrature. Pour chaque priode, la probabilit du changement des prix
est directement drive de la longueur "physique" des contrats. Par exemple, dans le
cas dun modle quadrimestriel, la dure des prix dun an induit une probabilit de
changement des prix de 0,25 par quadrimestre, alors que dans un modle semestriel,
il serait 0,5 par semestre. Nombreux sont les travaux eectus sur les modles
information rigides, mais an davoir des rsultats comparables avec des modles
prix rigides, nous posons une hypothse de standardisation, selon laquelle nous sup-
posons que comme les prix, les informations sont galement mis jour en moyenne
annuellement [voir Mankiw & Reis (2002) et Trabandt (2003)]. Quelques travaux
rcents donnent raison et apportent un soutien cette hypothse [voir Carrol (2003)
et Wolfers (2003)].
Dans ce chapitre, nous montrons que du fait que la probabilit de mise jour
des prix (des informations) est calibre de cette manire, les proprits dynamiques
du modle concernant la persistance de lination sont trs sensibles la priodicit
choisie pour les mises jour du modle. Dailleurs, pour une longueur " physique"
donne du contrat (un an par exemple), le signe de la relation priodicit-persistance
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 54
dpend des spcications choisies des prix rigides (ou des informations rigides). Le
passage, par exemple, dun modle semestriel un modle quadrimestriel abaisse
la persistance dans le modle hybride des prix rigides de Gal & Gertler (1999) au
moment o le mme passage augmente la persistance dans les modles informa-
tion rigide de Mankiw & Reis (2002). Ceci rsulte directement de lutilisation de la
structure probabiliste alatoire de mise jour inspire du modle de Calvo (1983).
Le fait davoir une probabilit 0,5 par semestre pour remettre jour son prix (ou
son information) na pas la mme distribution des prix (ou des informations) que si
la probabilit tait de 0,25 par semestre seulement. Une telle dirence aura nces-
sairement un impact considrable sur la dynamique de lination.
1 Le cadre thorique
Nous utilisons une procdure standard consistant dans un premier temps
dterminer le prix optimal dune rme en labsence de rigidits, puis dans un second
spcier les contraintes dynamiques sur lajustement des prix. En raison dune
concurrence imparfaite sur le march des biens, le prix optimal dune rme la date
t est donn par lquation (1.11), [voir Blanchard & Fischer (1989)]. La demande
agrge est fonction positive des encaisses relles et donne par lquation (1.12). Le
choix dune spcication simple permet de mieux isoler les implications des rigidits
nominales choisies, enlevant toutes les autres sources possibles de dynamique. La
persistance de lination provient uniquement de la contrainte impose sur lajuste-
ment dynamique des prix, permettant une comparaison aise de limpact de chaque
lment.
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 55
1.1 Modles prix rigides (prix xes)
Au cours de chaque priode, chaque rme a une probabilit de pouvoir mod-
ier son prix. Elle garde son prix inchang avec la probabilit 1 . Il existe
deux catgories de rmes dans lconomie, qui se distinguent par leur comporte-
ment lorsquelles sont en mesure de modier leurs prix. Une fraction des rmes
utilise une rgle de xation des prix tourne vers le pass, "backward-looking" et une
fraction 1 utilise une rgle tourne vers le futur "forward-looking". Ces dernires
xent le prix
2
p
f
t
:
p
f
t
=
X
j=0
(1 )
j
E
t
p
t+j
. (2.1)
Le prix x en t est une moyenne pondre des prix optimaux allant jusquen (t +i),
la pondration tant gale la probabilit que le prix reste constant jusqu cette
date. La fraction (1 ) de rmes "backward" qui restent xe le prix p
b
t
:
p
b
t
= x
t1
+
t1
, (2.2)
o x
t
, lindice des prix modis en (t 1), est donn par :
x
t
= (1 ) p
f
t
+p
b
t
. (2.3)
Le niveau gnral des prix en t, p
t
, est alors donn par :
p
t
= x
t
+ (1 ) p
t1
. (2.4)
La courbe de Phillips hybride obtenue par Gal & Gertler (1999) est :
t
=
f
E
t
t+1
+
b
t1
+y
t
, (2.5)
avec
f
=
(1 )
1 +
,
b
=
1 +
et =
2
(1 )
1 +
.
2
Le coecient dactualisation est gal 1, ce qui na pas dincidence sur les rsultats.
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 56
1.2 Modles informations rigides (prix prdtermins)
Mankiw & Reis (2002) utilisent le mme cadre dajustement des contrats, mais
remplacent la xit des prix par une hypothse de prdtermination au sens de
Fischer (1977). chaque signal de changement, une rme choisit une trajectoire
entire de prix plutt quun seul prix constant. Les prix sont parfaitement exibles
dans le sens o un prix dirent peut tre choisi pour chaque priode future. Soit
x
t,t+i
le prix choisi en t pour t + i, chaque priode, une fraction des rmes
dtermine une trajectoire optimale de prix {x
t,t+j
}
j[0;+[
de la manire suivante :
x
t,t+j
= E
t
p
t+j
. (2.6)
Le niveau des prix est une moyenne pondre des prix en vigueur en t :
p
t
=
X
j=0
(1 )
j
x
tj,t
. (2.7)
La courbe de Phillips de Mankiw & Reis (2002) est :
t
= y
t
+
X
j=0
(1 )
j
E
t1j
(
t
+y
t
) , (2.8)
o = () / (1 ) et y
t
= y
t
y
t1
. La dynamique de lination dpend des
erreurs danticipation des agents.
2 Persistance et Priodicit
Pour calibrer le degr de rigidit nominale, il faut distinguer dune part (a)
la dure moyenne des contrats D exprime en annes ; et (b) la dure moyenne des
contrats exprime en nombre de priodes, N. Si par exemple la dure D des contrats
de prix est dun an en moyenne, cela ne dtermine pas immdiatement la dure des
contrats en termes de priodes (N), qui varie selon la priodicit choisie (N est gal
4 dans un modle trimestriel, 2 dans un modle semestriel, etc..).
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 57
La dure des contrats D est une variable empirique. Il existe un fort soutien em-
pirique en faveur dune dure D = 1 [nous adopterons cette hypothse
3
, voir Taylor
(1999)]. Par contre, il nexiste pas de raison pour favoriser une valeur particulire de
N. Le choix de la priodicit est souvent eectu uniquement en fonction des donnes
disponibles, ce qui revient souvent considrer le cas trimestriel et donc = 0.25.
Dautres priodicits sont nanmoins utilises [Par exemple, Edmond (2003), Kulish
(2003) ou Mankiw, Reis & Wolfers (2003) utilisent un modle mensuel] et Woodford
(2003) note que la longueur naturelle dune priode dans un modle montaire en
temps discret doit correspondre la dure du cycle de dcision de la banque centrale,
soit 8 priodes par an aux tats-Unis et 12 dans la zone Euro. Pour une valeur D
donne, les choix possibles pour N sont donc variables et la thorie sous-jacente ne
plaide pas pour lutilisation systmatique dun cadre trimestriel.
Pour D donn, la libert de calibration du paramtre N requiert une insensibilit
des proprits dynamiques du modle aux variations de la priodicit. Ce nest pas
le cas. Dans un cadre la Calvo, la priodicit choisie modie la distribution de
la longueur des contrats de prix. Avoir une possibilit de 0.5 de changer son prix
chaque semestre ou une probabilit de 0.25 chaque trimestre implique dans les deux
cas une modication annuelle des prix en moyenne, mais une rpartition de la dure
individuelle des contrats dirente. Ceci est illustr dans le Tableau (2.1), qui rete
en fonction de N la fraction des rmes qui nactualisent pas leur prix (ou leur
trajectoire de prix) durant 1, 2, 3 ou 5 ans
4
.
3
Notre analyse est comparative, le choix de la valeur D na donc pas dimplication sur les
rsultats obtenus tant que cette valeur est xe lors des comparaisons.
4
La probabilit dajuster son prix chaque priode est gale 1/N. La fraction de rmes
najustant pas leur prix durant j priodes est gale
N 1
N
j
. La probabilit de ne pas ajuster
son prix pendant un an, pour D = 1, est gale
N 1
N
N
.
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 58
(1/N) 1 an 2 ans 3 ans 5 ans
1/2 0.25 0.063 0.016 0.001
1/3 0.296 0.078 0.026 0.002
1/4 0.316 0.1 0.032 0.003
1/6 0.335 0.112 0.038 0.004
1/12 0.352 0.124 0.044 0.005
Tableau (2.1) : Les fractions des rmes najustant pas leurs contrats
Nous considrons une politique de dsination consistant pour la banque centrale
diminuer le taux de croissance de la masse montaire. Dans le modle prix
prdtermins, la fraction de rmes xant leurs prix k annes
5
aprs la mise en
place de la dsination sur la base dune information obsolte augmente avec le
paramtre N. La hausse de N implique en contrepartie que dautres rmes modient
plus souvent leur trajectoire. Au nal, une augmentation de N accrot la persistance
car (a) moins de rmes intgrent dans leurs contrats la modication de la politique
montaire mene ; et (b) lajustement plus frquent des trajectoires de prix par le
reste des rmes na pas dimpact car les prix sont exibles. Dans un modle de ce
type, lorsquune rme prdit correctement la trajectoire montaire, la frquence des
rvisions de la srie de prix na pas dimportance
6
. Les rmes avec une information
obsolte ont un impact important, car elles continuent daugmenter leurs prix en
fonction du prcdent taux de croissance de la masse montaire. La prsence de
rigidits relles amplie cet eet en contraignant les autres rmes ne pas diminuer
trop brusquement le taux de croissance de leurs prix an de garder un prix relatif
stable.
Dans le modle prix xes de Gal et Gertler, une modication de N a un eet
inverse et diminue la persistance de lination. Le Tableau 2 montre, en fonction de
5
Avec (k > 0) .
6
Nous considrons ici un choc unique.
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 59
N, les valeurs prises par les paramtres de la courbe de Phillips hybride (2.5)
7
:
Priodicit
f
b
Semestriel 1/2 0.5 0.5 0.0125
Quadrimestriel 1/3 0.5714 0.4286 0.0048
Trimestriel 1/4 0.6 0.4 0.0025
Bimensuel 1/6 0.625 0.375 0.001
Mensuel 1/12 0.6471 0.3529 0.0002
0 2/3 1/3 0
Tableau (2.2) : Les paramtres de la courbe de Phillips hybride
Le poids
f
accord lination anticipe dans la courbe de Phillips (2.5) aug-
mente avec N et celui accord lination passe
b
dcrot, ce qui a pour eet de
diminuer le degr de persistance. Le mcanisme est identique au prcdent, cest
dire li limpact de N sur la probabilit pour certains contrats de rester xes pour
des priodes plus longues, mais les consquences sont direntes. En eet, le fait
que plus de prix soient gards constants na pas dimpact sur le taux dination,
car celui-ci dpend directement des prix xs par les rmes pouvant les modier.
En revanche, une probabilit suprieure de garder le mme prix pour une longue
priode de temps va augmenter le poids accord aux prix optimaux situs au del
de la premire anne dans lquation (2.1) . Les nouveaux prix convergent plus rapi-
dement vers leur nouvelle valeur dquilibre et lination varie plus fortement suite
un choc, impliquant une moindre persistance. Ainsi, bien que la structure darrive
des possibilits dajustement soit la mme dans les deux modles, les implications
de lutilisation de cette structure sont trs direntes.
7
Pour lensemble des cas tudis, nous calibrons = 0.1 [voir Taylor (1999)] et = 0.5 [voir
Jondeau & Le Bihan (2001)].
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 60
3 Limpact du choix de la priodicit
Nous illustrons la dynamique de lination implique par les courbes de Phillips
(2.5) et (1.31) en simulant une politique de dsination soudaine et non anticipe.
Le taux de croissance annuel de la masse montaire m est exogne et choisi an
datteindre la cible dination annuelle
, i.e. m =
N1
X
i=0
E
t
(p
t+i
+y
t+i
)
p
t
=
1
N
N1
X
j=0
x
tj
do on obtient :
x
t
=
1
N
2
N1
X
i=0
N1
X
j=0
E
t
x
t+ij
+
N1
X
i=0
E
t
m
t+i
Et comme on peut crire :
1
N
2
N1
X
i=0
N1
X
j=0
E
t
x
t+ij
=
N 1
N
N1
X
i=1
f
i
x
ti
+
x
t
N
+
N 1
N
N1
X
i=1
f
i
x
t+i
avec :
f
i
=
N i
N
1
N 1
x
t
peut tre rcrit comme suit :
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 72
x
t
=
(1 )
N 1 +
"
N1
X
i=1
N i
N
x
ti
+
N1
X
i=1
N i
N
E
t
x
t+i
#
+
N 1 +
N1
X
i=0
E
t
m
t+i
Le taux dination scrit comme suit :
t
= p
t
p
t1
=
1
N
N1
X
j=0
(z
tj
z
tj1
) +
1
N
N1
X
j=0
rgm
tj
et loutput scrit comme suit :
y
t
= m
t
p
t
=
1
N
N1
X
j=0
z
tj
+m
t
1
N
N1
X
j=0
m
tj
4.1.2.2 N=2
x
t
=
1
2
1
1 +
[x
t1
+E
t
x
t+1
] +
1 +
(m
t
+E
t
m
t+1
)
lquilibre, x = m. En raisonnant en taux de croissance et en considrant que
z
t
= x
t
m
t
et rgm
t+i
= m
t+i
m, on obtient :
z
t
=
1
2
1
1 +
[z
t1
+E
t
z
t+1
]
1
2
1
1 +
rgm
t
+
1
2
E
t
rgm
t+1
et lquilibre z = (1/2)rgm,
t
=
1
2
(z
t
z
t1
+z
t1
z
t2
) +
1
2
(rgm
t
+rgm
t1
)
t
=
1
2
(z
t
z
t2
) +
1
2
(rgm
t
+rgm
t1
)
et lquilibre = rgm,
y
t
=
1
2
(z
t
+z
t1
) +m
t
1
2
(m
t
+m
t1
)
=
1
2
(z
t
+z
t1
) +
1
2
rgm
t
Quant au produit, lquilibre, il scrit comme suit y = (1/2)rgmz
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 73
4.1.2.3 N=3
x
t
=
1
3
1
2 +
[2x
t1
+x
t2
+ 2E
t
x
t+1
+E
t
x
t+2
]
+
2 +
(m
t
+E
t
m
t+1
+E
t
m
t+2
)
lquilibre, x = m. En raisonnant en taux de croissance et en considrant que
z
t
= x
t
m
t
et rgm
t+i
= m
t+i
m, on obtient :
z
t
=
1
3
1
2 +
[2z
t1
+z
t2
+ 2E
t
z
t+1
+E
t
z
t+2
]
+
1
3
1
2 +
E
t
[(1 + 2) rgm
t+2
+ 3 (1 +) rgm
t+1
]
1
3
1
2 +
[3rgm
t
+rgm
t1
]
et lquilibre z = rgm et,
t
=
1
3
(z
t
z
t3
) +
1
3
(rgm
t
+rgm
t1
+rgm
t2
)
y
t
=
1
3
(z
t
+z
t1
+z
t2
) +
2
3
rgm
t
+
1
3
rgm
t1
Quant au produit, lquilibre, il scrit comme suit y = rgmz
4.1.2.4 N=4
x
t
=
1
4
1
3 +
3x
t1
+ 2x
t2
+x
t3
+3E
t
x
t+1
+ 2E
t
x
t+2
+E
t
x
t+3
3 +
(m
t
+E
t
m
t+1
+E
t
m
t+2
+E
t
m
t+3
)
lquilibre, x = m. En raisonnant en taux de croissance et en considrant que
z
t
= x
t
m
t
et rgm
t+i
= m
t+i
m, on obtient :
z
t
=
1
4
1
3 +
3z
t1
+ 2z
t2
+z
t3
+3E
t
z
t+1
+ 2E
t
z
t+2
+E
t
z
t+3
1
4
1
3 +
E
t
(1 + 3) rgm
t+3
+ (3 + 5) rgm
t+2
+6 (1 +) rgm
t+1
1
4
1
3 +
[6rgm
t
+ 3rgm
t1
+rgm
t2
]
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 74
et lquilibre, z = (3/2)rgm
t
=
1
4
(z
t
z
t4
) +
1
4
(rgm
t
+rgm
t1
+rgm
t2
+rgm
t3
)
y
t
=
1
4
(z
t
+z
t1
+z
t2
+z
t3
) +
3
4
rgm
t
+
1
2
rgm
t1
+
1
4
rgm
t2
Aussi, lquilibre, y = (3/2)rgmz
4.1.2.5 N=8
x
t
=
1
8
1
7 +
7x
t1
+ 6x
t2
+ 5x
t3
+ 4x
t4
+3x
t5
+ 2x
t6
+x
t7
1
8
1
7 +
E
t
7x
t+1
+ 6x
t+2
+ 5x
t+3
+ 4x
t+4
+3x
t+5
+ 2x
t+6
+x
t+7
1
8
7 +
m
t
+E
t
m
t+1
+E
t
m
t+2
+E
t
m
t+3
+E
t
m
t+4
+E
t
m
t+5
+E
t
m
t+6
+E
t
m
t+7
1
7 +
7z
t1
+ 6z
t2
+ 5z
t3
+ 4z
t4
+3z
t5
+ 2z
t6
+z
t7
1
8
1
7 +
E
t
7z
t+1
+ 6z
t+2
+ 5z
t+3
+ 4z
t+4
+3z
t+5
+ 2z
t+6
+z
t+7
1
8
1
7 +
_
(1 + 7) E
t
rgm
t+7
+ (3 + 13) E
t
rgm
t+6
+6 (1 + 3) E
t
rgm
t+5
+ 2 (5 + 11) E
t
rgm
t+4
+5 (3 + 5) E
t
rgm
t+3
+ 3 (7 + 9) E
t
rgm
t+2
+28 (1 +) E
t
rgm
t+1
_
1
8
1
7 +
_
_
28rgm
t
+ 21rgm
t1
+ 15rgm
t2
+10rgm
t3
+ 6rgm
t4
+ 3rgm
t5
+2rgm
t6
_
_
et lquilibre, z = (7/2)rgm
t
=
1
8
(z
t
z
t8
) +
1
8
_
_
rgm
t
+rgm
t1
+rgm
t2
+rgm
t3
+rgm
t4
+rgm
t5
+rgm
t6
+rgm
t7
_
_
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 75
4.1.2.6 N=10
x
t
=
1
10
1
9 +
_
_
9x
t1
+ 8x
t2
+ 7x
t3
+6x
t4
+ 5x
t5
+ 4x
t6
+3x
t7
+ 2x
t8
+x
t9
_
_
+
1
10
1
9 +
E
t
_
_
9x
t+1
+ 8x
t+2
+ 7x
t+3
+6x
t+4
+ 5x
t+5
+ 4x
t+6
+3x
t+7
+ 2x
t+8
+x
t+9
_
_
+
1
10
9 +
_
_
m
t
+E
t
m
t+1
+E
t
m
t+2
+E
t
m
t+3
+E
t
m
t+4
+E
t
m
t+5
+E
t
m
t+6
+E
t
m
t+7
+E
t
m
t+8
+E
t
m
t+9
_
_
lquilibre, x = m. En raisonnant en taux de croissance et en considrant que
z
t
= x
t
m
t
et rgm
t+i
= m
t+i
m, on obtient :
z
t
=
1
10
1
9 +
_
_
9z
t1
+ 8z
t2
+ 7z
t3
+6z
t4
+ 5z
t5
+ 4z
t6
+3z
t7
+ 2z
t8
+z
t9
_
_
+
1
10
1
9 +
E
t
_
_
9z
t+1
+ 8z
t+2
+ 7z
t+3
+6z
t+4
+ 5z
t+5
+ 4z
t+6
+3z
t+7
+ 2z
t+8
+z
t+9
_
_
+
1
10
1
9 +
_
45 (1 +) rgm
t+1
+ 4 (9 + 11) rgm
t+2
+14 (2 + 3) rgm
t+3
+ 3 (7 + 13) rgm
t+4
+5 (3 + 7) rgm
t+5
+ 10 (1 + 3) rgm
t+6
+6 (1 + 4) rgm
t+7
+ (3 + 17) rgm
t+8
+(1 + 9) rgm
t+9
_
1
10
1
9 +
_
_
45rgm
t
+ 36rgm
t1
+ 28rgm
t2
+21rgm
t3
+ 15rgm
t4
+ 10rgm
t5
+6rgm
t6
+ 3rgm
t7
+rgm
t8
_
_
et lquilibre, z = (9/2)rgm,
t
=
1
10
(z
t
z
t10
) +
1
10
_
_
_
_
rgm
t
+rgm
t1
+rgm
t2
+rgm
t3
+rgm
t4
+rgm
t5
+rgm
t6
+rgm
t7
+rgm
t8
+rgm
t9
_
_
_
_
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 76
4.1.2.7 N=12
x
t
=
1
12
1
11 +
_
_
11x
t1
+ 10x
t2
+ 9x
t3
+ 8x
t4
+7x
t5
+ 6x
t6
+ 5x
t7
+ 4x
t8
+3x
t9
+ 2x
t10
+x
t11
_
_
+
1
12
1
11 +
E
t
_
_
11x
t+1
+ 10x
t+2
+ 9x
t+3
+ 8x
t+4
+7x
t+5
+ 6x
t+6
+ 5x
t+7
+ 4x
t+8
+3x
t+9
+ 2x
t+10
+x
t+11
_
_
+
11 +
_
_
m
t
+E
t
m
t+1
+E
t
m
t+2
+E
t
m
t+3
+E
t
m
t+4
+E
t
m
t+5
+E
t
m
t+6
+E
t
m
t+7
+E
t
m
t+8
+E
t
m
t+9
+E
t
m
t+10
+E
t
m
t+11
_
_
lquilibre, x = m. En raisonnant en taux de croissance et en considrant que
z
t
= x
t
m
t
et rgm
t+i
= m
t+i
m, on obtient :
z
t
=
1
12
1
11 +
_
_
11z
t1
+ 10z
t2
+ 9z
t3
+ 8z
t4
+7z
t5
+ 6z
t6
+ 5z
t7
+ 4z
t8
+3z
t9
+ 2z
t10
+z
t11
_
_
+
1
12
1
11 +
E
t
_
_
11z
t+1
+ 10z
t+2
+ 9z
t+3
+ 8z
t+4
+7z
t+5
+ 6z
t+6
+ 5z
t+7
+ 4z
t+8
+3z
t+9
+ 2z
t+10
+z
t+11
_
_
+
1
12
1
11 +
E
t
_
_
(1 + 11) rgm
t+11
+ 3 (1 + 7) rgm
t+10
+6 (1 + 5) rgm
t+9
+ 2 (5 + 19) rgm
t+8
+15 (1 + 3) rgm
t+7
+ 3 (7 + 17) rgm
t+6
+28 (1 + 2) rgm
t+5
+ 12 (3 + 5) rgm
t+4
+9 (5 + 7) rgm
t+3
+ 5 (11 + 13) rgm
t+2
+66 (1 +) rgm
t+1
_
1
12
1
11 +
_
66rgm
t
+ 55rgm
t1
+ 45rgm
t2
+36rgm
t3
+ 28rgm
t4
+ 21rgm
t5
+15rgm
t6
+ 10rgm
t7
+ 6rgm
t8
+3rgm
t9
+rgm
t10
_
_
et lquilibre, z = (11/2)rgm
t
=
1
12
(z
t
z
t12
) +
1
12
_
_
_
_
rgm
t
+rgm
t1
+rgm
t2
+rgm
t3
+rgm
t4
+rgm
t5
+rgm
t6
+rgm
t7
+rgm
t8
+rgm
t9
+rgm
t10
+rgm
t11
_
_
_
_
y
t
=
1
12
_
_
z
t
+z
t1
+z
t2
+z
t3
+z
t4
+z
t5
+z
t6
+z
t7
+z
t8
+z
t9
+z
t10
+z
t11
_
_
+
1
12
_
11rgm
t
+ 10rgm
t1
+ 9rgm
t2
+8rgm
t3
+ 7rgm
t4
+ 6rgm
t5
+5rgm
t6
+ 4rgm
t7
+ 3rgm
t8
+2rgm
t9
+rgm
t10
_
_
et lquilibre, y = (11/2)rgmz
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 77
4.2 Annexe II : Priodicit dans le modle de Fuhrer et
Moore
0 10 20 30 40 50 60
-0.01
-0.005
0
0.005
0.01
0.015
0.02
0.025
0.03
N=12
N=6
N=4
N=3
N=2
Figure (2.11) : Rponse de lination selon le modle de Fuhrer & Moore
Il apparat sur la gure (2.11) que la rponse de lination dans le modle de
Fuhrer et Moore dpend assez peu de la priodicit, sauf dans le cas semestriel
impliquant une dure des contrats de deux priodes. Dans ce dernier cas, la persis-
tance est moindre et lination retourne plus rapidement vers son nouveau niveau
dquilibre.
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 78
4.2.1 Dtermination des rgles de Fuhrer &Moore en taux de croissance
4.2.1.1 Calcul de la forme rduite : Pour le calcul de la forme rduite, on
part de :
y
t
= m
t
p
t
x
t
p
t
=
1
N
N1
X
i=0
E
t
(v
t+i
+y
t+i
)
v
t
=
1
N
N1
X
j=0
x
tj
p
tj
p
t
=
1
N
N1
X
k=0
x
tk
do on obtient :
x
t
p
t
=
1
N
2
N1
X
i=0
N1
X
j=0
E
t
(x
t+ij
p
t+ij
) +
N1
X
i=0
E
t
y
t+i
Comme :
1
N
2
N1
X
i=0
N1
X
j=0
E
t
U
t+ij
=
N 1
N
N1
X
i=1
f
i
U
ti
+
U
t
N
+
N 1
N
N1
X
i=1
f
i
E
t
U
t+i
avec,
f
i
=
N i
N
1
N 1
il vient :
x
t
p
t
=
N1
X
i=1
f
i
(x
ti
p
ti
) +
N1
X
i=1
f
i
E
t
(x
t+i
p
t+i
) +
N 1
N1
X
i=0
E
t
y
t+i
or,
N1
X
i=0
E
t
y
t+i
=
N1
X
i=0
E
t
m
t+i
(N 1)
"
N1
X
i=1
f
i
x
ti
+
N1
X
i=1
f
i
E
t
x
t+i
#
x
t
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 79
ce qui donne :
1 +
N 1
1
N
x
t
=
N1
X
i=1
1
N
+ (1 ) f
i
x
ti
1
N
N1
X
i=1
N1
X
j=0
f
i
x
tij
+(1 )
N1
X
i=1
f
i
E
t
x
t+i
1
N
N1
X
i=1
N1
X
j=0
f
i
E
t
x
t+ij
+
N 1
N1
X
i=0
E
t
m
t+i
4.2.1.2 N=2
x
t
=
1
4 + 3
x
t2
+
3 2
4 + 3
x
t1
+
1 2
4 + 3
E
t
x
t+1
+
4
4 + 3
(m
t
+E
t
m
t+1
)
lquilibre, x = m. En raisonnant en taux de croissance et en considrant que
z
t
= x
t
m
t
et rgm
t+i
= m
t+i
m, on obtient :
z
t
=
1
4 + 3
[z
t2
+ (3 2) z
t1
+ (1 2) E
t
z
t+1
]
+
1
4 + 3
[rgm
t1
2 (1 ) rgm
t
+ (1 + 2) E
t
rgm
t+1
]
et lquilibre, z = (1/2)rgm et,
t
=
1
2
(z
t
z
t2
) +
1
2
(rgm
t
+rgm
t1
)
Aussi, lquilibre, = rgm
4.2.1.3 N=3
x
t
=
1
3 (5 + 3)
_
_
x
t4
3x
t3
+ 3 (2 ) x
t2
+2 (4 3) x
t1
+ 3 (1 2) E
t
x
t+1
+(2 3) E
t
x
t+2
_
_
+
9
3 (5 + 3)
(m
t
+m
t+1
+m
t+2
)
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 80
lquilibre, x = m. En raisonnant en taux de croissance et en considrant que
z
t
= x
t
m
t
et rgm
t+i
= m
t+i
m, on obtient :
z
t
=
1
3 (5 + 3)
_
_
z
t4
3z
t3
+ 3 (2 ) z
t2
+2 (4 3) z
t1
+ 3 (1 2) E
t
z
t+1
+(2 3) E
t
z
t+2
_
_
+
1
3 (5 + 3)
_
_
+rgm
t3
+ 4rgm
t2
(2 3) rgm
t1
(10 9) rgm
t
+ (9 + 5) E
t
rgm
t+1
+(6 + 2) E
t
rgm
t+2
_
_
et lquilibre, z = rgm et,
t
=
1
3
(z
t
z
t3
) +
1
3
(rgm
t
+rgm
t1
+rgm
t2
)
Aussi, lquilibre, = rgm.
4.2.1.4 N=4
x
t
=
1
2 (21 + 8)
_
_
x
t6
3x
t5
6x
t4
+ 2 (5 2) x
t3
+4 (3 2) x
t2
+ 4 (4 3) x
t1
+ 2 (3 6) E
t
x
t+1
+(5 8) E
t
x
t+2
+ (3 4) E
t
x
t+3
_
_
+
16
2 (21 + 8)
(m
t
+E
t
m
t+1
+E
t
m
t+2
+E
t
m
t+3
)
lquilibre, x = m. En raisonnant en taux de croissance et en considrant que
z
t
= x
t
m
t
et rgm
t+i
= m
t+i
m, on obtient :
z
t
=
1
2 (21 + 8)
_
_
z
t6
3z
t5
6z
t4
+ 2 (5 2) z
t3
+4 (3 2) z
t2
+ 4 (4 3) z
t1
+ 2 (3 6) E
t
z
t+1
+(5 8) E
t
z
t+2
+ (3 4) E
t
z
t+3
_
_
+
1
2 (21 + 8)
_
_
rgm
t5
+ 4rgm
t4
+ 10rgm
t3
+ 4rgm
t2
12(1 )rgm
t1
4(7 6)rgm
t
+2(7 + 12)E
t
rgm
t+1
+ 4(2 + 5)E
t
rgm
t+2
+3(1 + 4)E
t
rgm
t+3
_
_
et lquilibre, z = (3/2)rgm et,
t
=
1
4
(z
t
z
t4
) +
1
4
(rgm
t
+rgm
t1
+rgm
t2
+rgm
t3
)
Aussi, lquilibre, on a : = rgm.
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 81
4.2.1.5 N=6 On a :
x
t
=
1
165 + 36
_
_
x
t10
3x
t9
6x
t8
10x
t7
15x
t6
+ (21 6) x
t5
+(23 12) x
t4
+ (27 18) x
t3
+ (33 24) x
t2
+ (41 30) x
t1
+(15 30) E
t
x
t+1
+ (14 24) E
t
x
t+2
+(12 18) E
t
x
t+3
+ (9 12) E
t
x
t+4
+ (5 6) E
t
x
t+5
_
_
+
36
165 + 36
(m
t
+E
t
m
t+1
+E
t
m
t+2
+E
t
m
t+3
+E
t
m
t+4
+E
t
m
t+5
)
lquilibre, x = m. En raisonnant en taux de croissance et en considrant que
z
t
= x
t
m
t
et rgm
t+i
= m
t+i
m, on obtient :
z
t
=
1
165 + 36
_
_
z
t10
3z
t9
6z
t8
10z
t7
15z
t6
+ (21 6) z
t5
+(23 12) z
t4
+ (27 18) z
t3
+ (33 24) z
t2
+ (41 30) z
t1
+(15 30) E
t
z
t+1
+ (14 24) E
t
z
t+2
+(12 18) E
t
z
t+3
+ (9 12) E
t
z
t+4
+ (5 6) E
t
z
t+5
_
_
+
1
165 + 36
_
_
+(5 + 30) E
t
rgm
t+5
+ (14 + 54) E
t
rgm
t+4
+(26 + 72) E
t
rgm
t+3
+ (40 + 84) E
t
rgm
t+2
+(55 + 90) E
t
rgm
t+1
+ (110 + 90) rgm
t
+(69 + 60) rgm
t1
+ (36 + 36) rgm
t2
+(9 + 18) rgm
t3
+ (14 + 6) rgm
t4
+35rgm
t5
+ 20rgm
t6
+ 10rgm
t7
+4rgm
t8
+rgm
t9
_
_
et lquilibre, z = (5/2)rgm et,
t
=
1
6
(z
t
z
t6
) +
1
6
rgm
t
+rgm
t1
+rgm
t2
+rgm
t3
+rgm
t4
+rgm
t5
et lquilibre, = rgm.
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 82
4.2.1.6 N=12
x
t
=
1
6 (253 + 24)
x
t22
+ 3x
t21
+ 6x
t20
+ 10x
t19
+ 15x
t18
+ 21x
t17
+28x
t16
+ 36x
t15
+ 45x
t14
+ 55x
t13
+ 66x
t12
+
1
6 (253 + 24)
_
_
(78 12) x
t11
+ (80 24) x
t10
+ (84 36) x
t9
+(90 48) x
t8
+ (98 60) x
t7
+ (108 72) x
t6
+(120 84) x
t5
+ (134 96) x
t4
+ (150 108) x
t3
+(168 120) x
t2
+ (188 132) x
t1
_
_
+
1
6 (253 + 24)
E
t
_
_
(66 132) x
t+1
+ (65 120) x
t+2
+ (63 108) x
t+3
+(60 96) x
t+4
+ (56 84) x
t+5
+ (51 72) x
t+6
+(45 60) x
t+7
+ (38 48) x
t+8
+ (30 36) x
t+9
+(21 24) x
t+10
+ (11 12) x
t+11
_
_
+
144
6 (253 + 24)
_
m
t
+E
t
m
t+1
+E
t
m
t+2
+E
t
m
t+3
+E
t
m
t+4
+E
t
m
t+5
+E
t
m
t+6
+E
t
m
t+7
+E
t
m
t+8
+E
t
m
t+9
+E
t
m
t+10
+E
t
m
t+11
_
_
lquilibre, x = m. En raisonnant en taux de croissance et en considrant que
z
t
= x
t
m
t
et rgm
t+i
= m
t+i
m, on obtient :
Chap. 2 : Impact de la Priodicit sur la Persistance de lInation 83
z
t
=
1
6 (253 + 24)
z
t22
+ 3z
t21
+ 6z
t20
+ 10z
t19
+ 15z
t18
+ 21z
t17
+28z
t16
+ 36z
t15
+ 45z
t14
+ 55z
t13
+ 66z
t12
+
1
6 (253 + 24)
_
_
(78 12) z
t11
+ (80 24) z
t10
+ (84 36) z
t9
+(90 48) z
t8
+ (98 60) z
t7
+ (108 72) z
t6
+(120 84) z
t5
+ (134 96) z
t4
+ (150 108) z
t3
+(168 120) z
t2
+ (188 132) z
t1
_
_
+
1
6 (253 + 24)
E
t
_
_
(66 132) z
t+1
+ (65 120) z
t+2
+ (63 108) z
t+3
+(60 96) z
t+4
+ (56 84) z
t+5
+ (51 72) z
t+6
+(45 60) z
t+7
+ (38 48) z
t+8
+ (30 36) z
t+9
+(21 24) z
t+10
+ (11 12) z
t+11
_
_
+
1
6 (253 + 24)
_
_
(11 + 132) rgm
t+11
+ (32 + 252) rgm
t+10
+(62 + 360) rgm
t+9
+ (100 + 456) rgm
t+8
+(145 + 540) rgm
t+7
+ (196 + 612) rgm
t+6
+(252 + 672) rgm
t+5
+ (312 + 720) rgm
t+4
+(375 + 756) rgm
t+3
+ (440 + 780) rgm
t+2
+(506 + 792) rgm
t+1
_
1
6 (253 + 24)
_
_
(1012 792) rgm
t
+ (824 660) rgm
t1
+(656 540) rgm
t2
+ (506 432) rgm
t3
+(372 336) rgm
t4
+ (252 252) rgm
t5
+(144 180) rgm
t6
+ (46 120) rgm
t7
_
_
+
1
6 (253 + 24)
_
_
(44 + 72) rgm
t8
+ (128 + 36) rgm
t9
+(208 + 12) rgm
t10
+ 286rgm
t11
+220rgm
t12
+ 165rgm
t13
+120rgm
t14
+ 84rgm
t15
+56rgm
t16
+ 35rgm
t17
+ 20rgm
t18
+10rm
t19
+ 4rgm
t20
+rgm
t21
_
_
et lquilibre, z = (11/2)rgm.
t
=
1
12
(z
t
z
t12
) +
1
12
_
_
_
_
rgm
t
+rgm
t1
+rgm
t2
+rgm
t3
+rgm
t4
+rgm
t5
+rgm
t6
+rgm
t7
+rgm
t8
+rgm
t9
+rgm
t10
+rgm
t11
_
_
_
_
et lquilibre, = rgm.
Deuxime partie
Densit Spectrale & Identication
des Changements Structurels dans
lInation Amricaine
11
11
Cette partie a bnci de plusieurs travaux : Ahamada & Ben Assa (2004a & 2004b), Ben
Assa & Jouini (2003), Ben Assa, Boutahar & Jouini (2004) et Ben Assa & Boutahar (2004).
84
Chapitre 3
La Thorie de lAnalyse Spectrale
Introduction
Lanalyse spectrale joue un rle important dans les tudes quantitatives des cy-
cles des aaires en conomie. La mthode utilise pour extraire la tendance et le
cycle dune srie temporelle consiste dcomposer cette srie en somme de deux
composantes, tendancielle et cyclique. La tendance symbolise le potentiel de l-
conomie et la composante stationnaire reprsente lcart entre les observations eec-
tives et le potentiel de lconomie. Une telle dcomposition entre tendance et cycle
nest pas unique, do lexistence de diverses techniques dextraction de cycle. Parmi
les mthodes les plus clbres, on peut citer celle de Hodrick & Prescott (1980) et
celle de Baxter & King (1999). Loutil statistique utilis pour extraire les cycles
est la densit spectrale, autrement dit, cest loutil descriptif des donnes dans le
domaine des frquences. Cest dans le cadre de recherche de cycles que la thorie
spectrale est bien connue dans la description des donnes conomiques et cest prob-
ablement lune des ses premires applications. Cependant, la thorie spectrale est
un outil trs puissant qui peut servir dans dautres applications tels que les tests de
stationnarit. Mais, les rsultats de telles applications aussi bien que lusage pour
85
Chapitre 3 : La Thorie de lAnalyse Spectrale 86
la recherche des cycles, nont de sens que sous lhypothse forte de stationnarit
1
. Il
sagit dune hypothse improbable et dicilement dfendable pour de nombreuses
variables conomiques et nancires. Une telle hypothse supposerait, par exemple,
que les donnes conomiques gardent les mmes proprits statistiques aussi bien
la priode pr que post industrielle et ce, malgr les direntes techniques de pro-
duction. Le dveloppement dans la littrature conomique et statistique des modles
changement de rgimes conrme la dicult de dcrire une srie longue laide
dun seul modle stationnaire. Nous nous proposons dadapter la thorie spectrale
aux donnes qui ne sont pas forcement stationnaires.
Lorsquun processus est stationnaire dans le sens o les moments du premier et
second ordre ne dpendent pas du temps mais, plutt des carts entre les points
dobservations de la srie, alors les thormes dits de reprsentations sappliquent.
Les rsultats essentiels noncs par ces thormes peuvent se rsumer de la manire
suivante : (i) Une condition ncessaire et susante pour quun processus soit station-
naire est quil puisse tre dcompos dans une base exponentielle avec des amplitudes
alatoires, orthogonales, invariables avec le temps et qui dpendent exclusivement
des frquences. Les carrs des modules des amplitudes dnissent le spectre. (ii)
La densit spectrale dun processus stationnaire est la transforme de Fourier de sa
fonction de covariance. Autrement dit, la densit spectrale et la fonction de covari-
ance sont deux paires de Fourier. Inversement, toute fonction possdant les carac-
tristiques dune densit spectrale dnit une fonction de covariance dun processus
stationnaire. Le lien entre les deux domaines temporel et frquentiel est assur, tout
particulirement, par le thorme (ii). Dans le cas stationnaire, il est remarquer que
la fonction de covariance (caractrisant le domaine temporel) et la densit spectrale
1
La stationnarit exige est celle des moments du premier et second ordre.
Chapitre 3 : La Thorie de lAnalyse Spectrale 87
(spciant le domaine frquentiel) sont en correspondance biunivoque. Relcher une
telle hypothse (celle de la stationnarit) suppose que les moments du processus
varient avec le temps. Par consquent, nous considrons une densit spectrale qui
dpendra non seulement des frquences, mais aussi du temps pour dcrire une telle
fonction de covariance.
Dans un premier temps, nous abordons lanalyse spectrale dans le cas des donnes
stationnaires. Nous exposons les fondements thoriques de cette analyse ainsi que
les thormes qui relient les deux domaines temporel et frquentiel. Ensuite, nous
donnons une revue des direntes mthodes destimation de la densit spectrale.
Dans un deuxime temps, nous relchons lhypothse de stationnarit. Nous ex-
posons les dnitions dune telle densit spectrale les plus utilises dans la littra-
ture. Une revue des techniques destimation de la densit spectrale voluant avec le
temps sont proposes et un exemple pratique destimation est mis en uvre en n
de chapitre.
1 Processus Stationnaires
Les quelques tentatives de dveloppement de lanalyse spectrale pendant la pre-
mire moiti du XX
` eme
sicle nont pas trouv un grand succs. Les deux raisons
majeures de cet chec sont dues, dabord, au fait que la modlisation paramtrique
des sries temporelles a connu des progrs conomtriques incontestables [ les pro-
cessus autorgressifs ou moyennes mobiles dvelopps par Yule dans les annes
1920-1930], ensuite, au fait que les quelques techniques possibles destimation de la
densit spectrale bien quelles aient t sans biais, manquaient normment de con-
sistance lexemple du priodogramme considr par Beveridge (1921) pour lidenti-
cation des cycles caractrisant les uctuations des prix du bl en grande Bretagne.
Chapitre 3 : La Thorie de lAnalyse Spectrale 88
Le problme de linconsistance de lestimateur a t rsolu en proposant des moyens
de lissage du priodogramme qui conduisent des estimateurs consistants et crdi-
bles de la densit spectrale. Il va falloir attendre les annes quatre-vingt pour voir
un vritable dveloppement de lanalyse spectrale. Mise part lusage de la densit
spectrale dans ltude des cycles des aaires, dautres thmes sont galement repris
dans le domaine des frquences, tels que le thme de la cointgration et des racines
unitaires
2
.
1.1 Les thormes fondamentaux
Nous prsentons les thormes fondamentaux dans le domaine des frquences
tout particulirement le thorme de reprsentation spectrale et le thorme de d-
composition de la fonction de covariance.
Dans le cadre des sries temporelles stationnaires, la stationnarit au sens faible
dune srie {X
t
} est assure par la stabilit du moment du second ordre : E|X
t
|
2
<
, E(X
t
) indpendant de t et E(X
t+h
X
t
) indpendant de t. La notation X
t
dsigne
la valeur complexe conjugue de X
t
. Dans ces conditions, la fonction R(h) = E(X
t+h
X
t
)
E(X
t+h
)E(X
t
) dsigne la fonction de covariance de X
t
. Rciproquement, tant don-
ne une fonction R(h) valeurs complexes et dnie dans lensemble des entiers
relatifs Z, alors une condition ncessaire et susante pour que R(h) soit la fonction
de covariance dun processus stationnaire est que R(h) soit hermitienne et dnie
positive, i.e. :
h Z, (a
1
, ..., a
n
)
0
C
n
, R(h) = R(h) et
n
X
i=1
n
X
j=1
a
i
R(i j)a
j
> 0 (3.1)
2
Voir les travaux de Phillips & Ouliaris (1988), Choi & Phillips (1993), Diebold, Ohabian &
Berkowitz (1998), Berkowitz (2001), Levy (2000) et Phillips Ouliaris & Corbae (2002).
Chapitre 3 : La Thorie de lAnalyse Spectrale 89
Le thorme dHerglotz donne lquivalent de ce rsultat dans le domaine des frquences.
Thorme dHerglotz
Une fonction R(h) valeurs complexes et dnie dans lensemble des entiers
relatifs Z est la fonction de covariance dun processus stationnaire {X
t
} si et seule-
ment si une des deux conditions suivantes est vrie :(i) il existe une fonction
F
X
() continue droite, non dcroissante et borne sur (, ) avec F
X
() = 0
telle que :
R(h) =
Z
e
ih
dF
X
(), h Z (3.2)
(ii) R(h) est hermitienne et dnie positive, i.e. :
h Z, (a
1
, ..., a
n
)
0
C
n
, R(h) = R(h) et
n
X
i=1
n
X
j=1
a
i
R(i j)a
j
> 0. (3.3)
La fonction F
X
() est la fonction de distribution spectrale de R(h) et de {X
t
}.
Sil existe une fonction f
X
() telle que F
X
() =
R
f
X
()d, alors f
X
() est appele
densit spectrale de R(h) et de {X
t
}. La relation (3.2) peut donc scrire sous la
forme :
R(h) =
Z
e
ih
f
X
(), h Z (3.4)
et en particulier :
var(X) = R(0) =
Z
f
X
()d (3.5)
Le thorme dHerglotz, parfois appel thorme de Khintchine, est un lien entre les
deux domaines temporel et frquentiel. Le comportement de la srie dans le domaine
Chapitre 3 : La Thorie de lAnalyse Spectrale 90
des frquences, dcrit par la fonction densit spectrale, est directement traduit dans
la fonction de covariance par la relation (3.5). Inversement, si
P
hZ
|R(h)| < ,
alors :
f
X
() =
1
2
X
hZ
e
ih
R(h), (0, ) (3.6)
Ainsi, le comportement de la srie dans le domaine temporel, dcrit par la fonction
de covariance, est galement traduit dans la fonction de la densit spectrale via la
relation (3.6). Enn, le thorme dHerglotz illustre la dcomposition de la variance
en fonction de frquences. Le deuxime thorme est le thorme de reprsentation
spectrale alatoire.
Thorme de reprsentation spectrale alatoire
Soit {X
t
} un processus stationnaire ayant F
X
comme fonction de distribution
spectrale. On suppose que E(X
t
) = 0. Alors, il existe un processus orthogonal
{Z(), 6 6 } tel que :
E
|Z() Z()|
2
= F
X
(), 6 6 (3.7)
et,
X
t
=
Z
e
it
dZ(). (3.8)
Ce thorme montre que tout processus stationnaire peut se dcomposer dans une
base trigonomtrique avec des amplitudes alatoires dZ(). Le thorme dHerglotz
dnit la fonction de distribution spectrale partir de la fonction de covariance, alors
que le thorme de reprsentation spectrale alatoire prsente une autre dnition
qui reste quivalente mais qui est exprime en fonction des amplitudes Z().
Chapitre 3 : La Thorie de lAnalyse Spectrale 91
Le thorme de reprsentation spectrale alatoire indique lexistence du proces-
sus orthogonal {Z()}. Le thorme suivant montre la faon avec laquelle nous
dterminons {Z()} partir du processus observ {X
t
}.
Thorme de dtermination de {Z()}
Soit {X
t
} un processus stationnaire de reprsentation spectrale X
t
=
R
e
it
dZ(),
ayant F
X
comme fonction de distribution spectrale et ayant (j) comme fonction de
covariance. Si et sont deux points o F
X
est continue avec < < < ,
alors quand n 7 on a :
1
2
X
|j|n
X
j
Z
e
ij
d
m.q
7Z() Z () (3.9)
et,
1
2
X
|j|n
(j)
Z
e
ij
d
7F() F () (3.10)
o la notation
m.q
7 dsigne la convergence en moyenne quadratique.
Enn, la dnition de la densit spectrale telle quelle a t introduite dans les
paragraphes ci-dessus nimplique aucune modlisation quelconque de {X
t
}.Cependant,
pour certains modles tels que les processus AR, MA et ARMA, la forme de f
X
()
est connue.
Thorme de reprsentation spectrale pour les processus ARMA(p, q)
Si {X
t
} est un processus ARMA(p, q) stationnaire, alors on a :
P(B)X
t
= Q(B)
t
avec
t
iid(0,
2
) (3.11)
Le processus {X
t
} peut tre r-crit aussi en fonction des polynmes P(B) et Q(B)
o B est loprateur de retard (B
L
X
t
= X
tL
) et de degr respectifs p et q tel que :
Chapitre 3 : La Thorie de lAnalyse Spectrale 92
P(B)X
t
= Q(B)
t
avec
t
iid(0,
2
) (3.12)
alors,
f
X
() =
2
2
e
i
P(e
i
)
2
. (3.13)
Thorme de reprsentation spectrale pour les processus AR(p)
Si f est une densit spectrale continue dun processus rel stationnaire et un
rel strictement positif donn, alors il existe un processus AR(p) causal
3
:
X
t
+a
1
X
t1
+ +a
p
X
tp
=
t
,
t
iid(0,
2
) (3.14)
Le processus {X
t
} peut tre r-crit aussi en fonction des polynmes P(B) et Q(B)
respectivement dordre p et q tel que :
P(B)X
t
= Q(B)
t
avec
t
iid(0,
2
) (3.15)
avec :
P(B) = 1 +a
1
B + +a
p
B
p
et Q(B) 1 (3.16)
tel que,
|f
X
() f()| < , (, ). (3.17)
3
Un processus {X
t
} est dit causal dans le sens o on peut lcrire sous la forme suivante :
X
t
=
P
j=0
j
Z
tj
.
Chapitre 3 : La Thorie de lAnalyse Spectrale 93
Thorme de reprsentation spectrale pour les processus MA(q)
Si f est une densit spectrale continue dun processus rel stationnaire et un
rel strictement positif donn, alors il existe un processus MA(q) inversible
4
:
X
t
= Z
t
+a
1
Z
t1
+ +a
q
Z
tq
, Z
t
iid(0,
2
) (3.18)
Le processus {X
t
} peut tre r-crit aussi en fonction des polynmes P(B) et Q(B)
de degr respectifs p et q tel que :
P(B)X
t
= Q(B)
t
avec
t
iid(0,
2
) o
2
=
R
f
X
()d
(1 +c
2
1
+ +c
2
q
)
(3.19)
avec :
Q(B) = 1 +c
1
B + +c
p
B
p
et P(B) 1 (3.20)
tel que,
|f
X
() f()| < , (, ). (3.21)
Le fondement thorique de la densit spectrale est justi par les thormes que
nous avons voqus. Nous pouvons prsenter les direntes mthodes destimation
de la densit spectrale dans le cas des donnes stationnaires.
1.2 Mthodes destimation de la densit spectrale classique
Nous prsentons les direntes techniques destimation de la densit spectrale
f() une frquence , tant donne une seule ralisation nie dune variable ala-
toire stationnaire {X
t
}
T
t=1
. On suppose que t Z, E(X
t
) = 0.
4
Un processus {Z
t
} est dit inversible dans le sens o on peut lcrire sous la forme suivante :
Z
t
=
P
j=0
j
X
tj
.
Chapitre 3 : La Thorie de lAnalyse Spectrale 94
1.2.1 Les estimateurs quadratiques
Nous entendons par estimateur de type quadratique un estimateur qui a la forme
suivante :
b
f() =
T
X
t=1
T
X
u=1
a
tu
()X
t
X
u
(3.22)
o lensemble {a
tu
()} constitue une base de dcomposition de {X
t
X
u
}
(t,u)Z
2
. Ainsi,
par exemple, le priodogramme I() est un estimateur quadratique, avec :
I() =
1
2T
T
X
t=1
T
X
u=1
X
t
X
u
e
i(tu)
=
1
2
T1
X
u=T+1
c(u)e
iu
(3.23)
o,
c(u) =
1
T
T|u|
X
t=1
X
t
X
t+u
(3.24)
c(u) est un estimateur consistant de la fonction de covariance de {X
t
}. Si la densit
spectrale thorique est continue, alors il est bien connu que le priodogramme I()
est un estimateur asymptotiquement sans biais et pour deux frquences distinctes
et , les valeurs I() et I() sont non corrles (asymptotiquement). Par contre,
le priodogramme prsente gnralement beaucoup de uctuations traduites par le
fait que cest un estimateur qui nest pas consistant. On peut rsumer sous de faibles
hypothses les proprits statistiques de I() comme suit
5
:
E(I()) = f() +O(T
1
) (3.25)
var(I()) = f()
2
+O(T
1
) (3.26)
5
Voir Brillinger (1981).
Chapitre 3 : La Thorie de lAnalyse Spectrale 95
cov(I(), I()) = O(T
1
) (3.27)
I(
j
)
f(
j
)
2
2
2
(3.28)
avec , (0, ) et
j
dsignant les frquences fondamentales, i.e,
j
=
2j
T
,
j = 1, ...,
T
2
. Gnralement, on rduit les uctuations de I() en liminant les
c(u) associs des grandes valeurs de u. Pour cela, on peut utiliser une fentre,
k
M
(u) = k(u/M) qui tend vers zro quand |u| devient de plus en plus grand. On
obtient ainsi un estimateur
b
f
C
() de la forme :
b
f
C
() =
1
2
T1
X
u=T+1
k
M
(u)c(u)e
iu
(3.29)
La fentre k
M
(u) est choisie comme une fonction paire et a un maximum lorigine,
u Z, k
M
(u) = k
M
(u); k
M
(0) = 1. Le paramtre M joue un rle central dans
les proprits asymptotiques de
b
f
C
() dans le sens o M permet un arbitrage entre
le biais et la variance. Cest un paramtre dajustement de la largeur de la fentre.
Plus prcisment, choisir une petite valeur de M permet de rduire la variance, en
revanche on introduit un biais. Pour raliser cet arbitrage, on choisit M de faon
ce quil tende vers linni quand T tend vers linni, mais moins rapidement
6
que
T. Ainsi, la consistance de
b
f
C
() peut tre obtenue.
Souvent, dans la pratique, plutt que dagir sur la fonction de covariance, on
procde un lissage direct du priodogramme pour rduire ses uctuations. En eet,
si la densit spectrale thorique varie doucement au voisinage de , alors les I(
j
)
se comportent approximativement comme des variables indpendantes de moyenne
6
Le rapport M/T doit tendre vers zro lorsque T devient de plus en plus lv.
Chapitre 3 : La Thorie de lAnalyse Spectrale 96
f() pour les
j
proches de . Cest dire quune moyenne pondre des I(
j
) autour
de permet de construire un estimateur un peu plus prcis. Do lestimateur
b
f
p
()
suivant :
b
f
p
() =
2
T
T
X
j=1
K
M
(
j
)I(
j
) (3.30)
avec K
M
() la fonction fentre spectrale. K
M
() est 2 priodique et doit tre bien
concentre autour de lorigine avec :
lim
M7
K
M
() =
si = 0
0 si 6= 0
(3.31)
Si on choisit dans les expressions de
b
f
C
() et
b
f
p
() les fentres k
M
(u) et k
M
() telles
que :
k
M
(u) =
Z
K
M
()e
iu
d (3.32)
alors,
b
f
C
() =
Z
K
M
( )I()d (3.33)
Ainsi, lestimateur
b
f
p
() peut tre vu comme une approximation discrte de
b
f
C
().
Comme les frquences fondamentales
j
=
2j
T
utilises dans lexpression de
b
f
p
()
couvrent de plus en plus lintervalle (, ) lorsque T devient grand, alors les deux
estimateurs
b
f
C
() et
b
f
p
() sont asymptotiquement quivalents.
1.2.1.1 Proprits statistiques de
b
f
p
() et
b
f
C
()
Vu que les deux estimateurs sont asymptotiquement quivalents,
b
f
p
() et
b
f
C
()
se partagent les mmes proprits statistiques. Cest pourquoi, nous considrons
Chapitre 3 : La Thorie de lAnalyse Spectrale 97
seulement les proprits statistiques de lestimateur
b
f
C
(). Pour des paramtres M
x et T assez grand, nous pouvons crire :
var(
b
f
C
()) =
2
T
Z
K
M
( )f
2
()d, pour 6= 0 (3.34)
cov(
b
f
C
(),
b
f
C
()) =
2
T
Z
K
M
( )K
M
( )f
2
()d, pour 6= 0 (3.35)
Les relations (3.34) et (3.35) montrent linuence des formes gomtriques de K
M
()
et f() sur le biais de
b
f
C
(). En eet, si K
M
() est concentre lorigine tout en
dcroissant rapidement et si f() varie peu sur cette zone de concentration de K
M
(),
alors au voisinage de nous avons K
M
()f( ) ' K
M
()f() et par consquent
lim
T7
E(
b
f
C
()) ' f()
R
K
M
()d si on choisit K
M
() telque
R
K
M
()d = 1.
Ainsi, thoriquement lestimateur
b
f
C
est asymptotiquement sans biais, mais si ce r-
sultat dpend de la fentre K
M
(), il dpend galement du comportement de la den-
sit thorique f(). Ces constatations deviennent encore plus claires si on suppose
que f() est plusieurs fois drivable. En eet, si cest le cas, alors un dveloppement
de Taylor de f() permet de rcrire la relation (3.34) tel que :
E(
b
f
C
()) = f() +
f
00
()
2
2
Z
2
K
M
()d (3.36)
en supposant que
R
K
M
()d = 0. Ainsi, si f
00
() ' 0, cest dire f varie peu au
voisinage de , alors
b
f
C
() est non biais. De la mme manire, si
R
2
K
M
()d
est ngligeable, i.e., si la largeur de bande
7
de K
M
() est faible, alors
b
f
C
() est
approximativement sans biais.
7
la quantit
R
2
K
M
()d est une dnition possible de la largeur de bande. En eet, plusieurs
dnitions existent dans la littrature, voir Priestley (1981), par exemple.
Chapitre 3 : La Thorie de lAnalyse Spectrale 98
Estimateur PLE (Penalized Likelihood Estimate)
La fonction de vraisemblance pour lestimation spectrale propose par Whittle
(1962) est gnralement utilise dans le contexte destimation paramtrique. Cepen-
dant, Pawitan et OSullivan (1994) proposent de dterminer un estimateur de la
densit spectrale en se fondant sur une minimisation de la vraisemblance de Whittle
corrige par un terme de pnalit. La procdure destimation devient totalement
non paramtrique. Elle est base sur la recherche dune fonction priodique
qui
minimise en la fonction strictement convexe suivante :
L
T
() =
1
T
[
T
2
]
X
k=
[
T
2
]
+1
((
k
) +e
(
k
)
I(
k
)) +
[
T
2
]
X
k=
[
T
2
]
+1
k
2m
|
k
|
2
(3.37)
o
k
=
2k
T
(avec k =
T
2
+1, ...,
T
2
), et m des rels, I(
k
) le priodogramme
et
k
la composante dordre k de la transforme de Fourier discrte des
(
j
), j =
T
2
+ 1, ...,
T
2
T
2
]
+1
((
k
) +e
(
k
)
I(
k
)) (3.38)
tend vers lexpression continue :
WC =
Z
0.5
0.5
(() +e
()
f
0
())d (3.39)
avec f
0
() la vraie densit spectrale. Cette dernire expression WC est minimale
pour
(1)
= log f
0
, ce qui justie lusage de lexpression W pour la recherche dun
estimateur de la densit spectrale. Lintroduction du terme de pnalit :
Chapitre 3 : La Thorie de lAnalyse Spectrale 99
[
T
2
]
X
k=
[
T
2
]
+1
k
2m
|
k
|
2
(3.40)
est cens capter les proprits locales de f
0
dans lestimateur. Le paramtre > 0
contrle le degr de lissage dans la procdure destimation. Les auteurs ont montr
que la solution du problme de minimisation (3.40) est obtenue en choisissant une
fonction initiale
0
, puis en calculant alternativement les expressions (3.41) et (3.42)
suivantes :
z
k
=
0
(
k
) +e
0
(
k
)
I(
k
) 1 (3.41)
(
j
) =
1
T
X
k
(1 +k
2m
)
1
Z
k
e
2ij
k
/T
(3.42)
o Z
k
est la composante dordre k de la transforme de Fourier des {z
i
, i =
T
2
+
1, ...,
T
2
. Ainsi,
b
f(
j
) = e
(
j
)
constitue un estimateur de la densit
spectrale aux frquences de Fourier
j
. Les valeurs initiales suggres par les auteurs
sont :
0
(
j
) = log I(
j
) + 1.3064313 (3.43)
soit,
z
j
= log I(
j
) + 0.577216 (3.44)
avec j =
T
2
+ 1, ...,
T
2
p
P
j=0
a
j
e
ij
2
(3.45)
o la fonction c() est relativement plate. Le dnominateur de (3.45) peut suivant
les choix de p et les a
j
expliquer le nombre des pics de f. Pour "pr-blanchir" la srie,
on estime un modle autorgressif AR(p) par moindre carr ou par les relations de
Yule-Walker. Nous procdons ensuite au calcul des rsidus. Puis, nous estimons c()
avec un estimateur non quadratique laide des rsidus ainsi obtenus. Enn, nous
"recolorons" en estimant f() par :
Chapitre 3 : La Thorie de lAnalyse Spectrale 101
b
f() =
bc()
p
P
j=0
ba
j
e
ij
2
(3.46)
1.2.2.2 Estimateur bas sur les modles ARMA(p, q)
Nous pouvons dabord estimer un modle ARMA(p, q), puis utiliser les formules
connues des densits spectrales de tels modles. Nous obtenons ainsi un estimateur
de la forme suivante :
b
f() =
b
2
q
P
j=0
b
b
j
e
ij
2
2
p
P
j=0
ba
j
e
ij
2
(3.47)
Les paramtres sont estims en utilisant les mthodes habituelles.
b
f() est un es-
timateur qui sadapte bien aux densits spectrales comportant la fois des creux
et des pics. Plus gnralement, on peut modliser la densit spectrale sous la forme
f(, ), tant le vecteur des paramtres estimer et la dtermination de
b
f devient
un problme classique de statistique paramtrique.
1.2.2.3 Estimateur autorgressif maximum dentropie
Lestimateur autorgressif dordre m de la densit spectrale f, appel
b
f
m
(), est
celui calcul partir dune modlisation AR(m) de {X
t
} :
X
t
m
X
j=1
a
mj
X
tj
= Z
t
o {Z
t
} N(0,
m
) (3.48)
Les paramtres ba = (ba
m1
, ..., ba
mm
)
0
et b
m
sont les estimateurs calculs rcursivement
laide des quations de Yule-Walker [voir Brockwell & Davis (1991)] et le choix de
Chapitre 3 : La Thorie de lAnalyse Spectrale 102
m est dtermin selon les critres classiques
8
tels que les critres BIC, SIC, YIC ou
MIC. Ainsi, on peut crire :
b
f
m
() =
b
m
2
1
m
P
j=1
ba
mj
e
ij
2
(3.49)
b
f
m
() est la fonction qui maximise lentropie E suivante :
E =
Z
e
ijh
g()d = c(h), h = 0, 1, ..., m.
avec c(h) un estimateur consistant de la fonction de covariance. On peut ainsi obtenir
un estimateur de la densit spectrale en maximisant lentropie E.
1.2.2.4 Estimateur de Pisarenko
9
Notons que C = (c
ij
) est une matrice de dimension MM, avec c
ij
= c(ij), cest
dire la covariance dordre i j. Notons, par ailleurs, que
, pour u = 1, ..., M,
sont les valeurs propres de C et que
u
, u = 1, ..., M sont les vecteurs propres
correspondants
10
. Soit H() une fonction strictement monotone avec H
1
= h.
Pisarenko (1973) propose lestimateur suivant :
8
Nous allons appliquer dans le chapitre 4 ces critres dans le cadre didentication des ruptures
correspondant de linstabilit dans la moyenne.
9
Voir Brillinger & Krishnaiah (1983)
10
uj
est le j
` eme
lment du vecteur
u
.
Chapitre 3 : La Thorie de lAnalyse Spectrale 103
b
f() = h
_
_
1
2M
M
X
j=1
H(
j
)
M
X
j=1
uj
e
ij
2
_
_
(3.51)
Si H() = , alors
b
f() est rduit un estimateur quadratique et si au contraire H
nest pas linaire, alors
b
f() est un estimateur non quadratique. En particulier, pour
H() = 1/,
b
f() est un estimateur non quadratique
11
de Capon (1969). Lestima-
teur de Pisarenko a des proprits similaires celles des estimateurs quadratiques
avec un objectif de produire moins de biais dans les rgions des pics spectraux.
Nous avons prsent les thormes fondamentaux de lanalyse spectrale clas-
sique. Le thorme dHerglotz (par quivalence le thorme de reprsentation spec-
trale) constitue un pont entre les deux domaines temporel (fonction de covariance)
et frquentiel (densit spectrale). Il souligne lquivalence entre les deux domaines
dans le sens o le comportement de la fonction de covariance peut tre traduit dans
le domaine des frquences. Ensuite, nous avons prsent direntes approches desti-
mation de la densit spectrale dun processus stationnaire en classant les estimateurs
dans deux catgories : quadratique et non quadratique. Ainsi, nous savons construire
des estimateurs non paramtriques (quadratiques) consistants sans imposer priori
une quelconque modlisation du processus tudi. Cependant, cette technique a ses
limites. En eet, comme souvent dans les approches non paramtriques, la taille de
lchantillon est fondamentale et nous avons vu comment elle intervient dans lex-
pression de la variance des estimateurs. Autrement dit, il faut disposer dun grand
chantillon pour avoir un estimateur prcis. Nous avons vu aussi que la prcision de
tels estimateurs tait fortement lie au comportement local de la densit spectrale
thorique. Ainsi, les variations brutales aux voisinages des pics peuvent augmenter
11
Voir Brillinger et Krishnaniah (1983)
Chapitre 3 : La Thorie de lAnalyse Spectrale 104
le biais de lestimateur. Enn, nous rappellons les problmes classiques lis aux
choix des fentres (arbitrage biais-variance, amplitudes des lobes, fuite spectrale,
etc...). Tous ces inconvnients peuvent justier lutilisation des estimateurs quadra-
tiques dautant plus que les thormes dapproximations rationnelles de la densit
spectrale justient une telle dmarche. La liste des mthodes destimation que nous
avons prsentes est loin dtre exhaustive. Il existe dautres techniques soit moins
bien connues soit trs rcentes
12
.
2 Processus non stationnaires
Nous avons prsent le concept de la densit spectrale dun processus stationnaire
sur le plan de la thorie et des techniques destimation. Les thormes de reprsen-
tation constituent les fondements de la thorie spectrale que nous avons dcrits
jusqu prsent. Mais, ces derniers reposent sur une hypothse forte, cest dire, la
stationnarit du moment dordre deux. Ne pas tenir compte de cette hypothse rend
possible la dpendance de la fonction de covariance du temps. Ds lors, les thormes
de reprsentation perdent leurs sens puisquils ne prennent pas en considration la
dpendance temporelle. Alors, plusieurs dnitions dune densit spectrale volu-
ant avec le temps sont proposes dans la littrature comme nous le verrons dans
les prochains paragraphes mais aucune dentre elles ne semble satisfaire toutes les
proprits connues dune densit spectrale issue dun processus stationnaire.
2.1 Les proprits dun spectre volutif
Nous nous plaons dans le cadre dun processus non stationnaire {X
t
}
tZ
ayant
pour fonction de covariance R(t, s) = E(X
t
X
s
) et pour lequel on souhaite dnir un
12
Par exemple, lutilisation des donnes tailles, la correction des biais des estimateurs par boot-
strap, ladaptation des estimateurs aux donnes manquantes, etc....
Chapitre 3 : La Thorie de lAnalyse Spectrale 105
spectre volutif h
t
() (fonction de distribution spectrale ou densit sauf indication
contraire), cest dire dpendant la fois du temps et des frquences. Notons au
passage que toute fonction R(t, s) deux variables est une fonction de covariance
dun processus stochastique si et seulement si R(t, s) est dnie positive, i.e., pour
tout ensemble nis dentiers {t
i
} et de complexes {z
j
}, on a :
X
i
X
j
z
i
z
j
R(t
i
, t
j
) 0 (3.52)
Dans le cas stationnaire, on retouve le thorme dHerglotz. Par ailleurs, les listes
des proprits A et B prsentes dans les paragraphes ci-dessus sont nonces dans
le cadre gnral des processus continus X
t
. Cependant, selon Loynes (1968), elles
sont galement valables dans le cas discret.
2.1.1 Proprits descriptives pour un spectre volutif
Proprit A
1
: Le spectre est une fonction valeurs relles des paramtres temps
t et frquences et elle est compltement dtermine par la fonction de covariance
de {X
t
}
tZ
qui dpend du temps puisquil nest pas stationnaire.
Proprit A
2
: Le spectre volutif dcrit une distribution dnergie en fonction
des frquences .
Cette proprit semble particulirement attractive pour diverses applications et
elle peut tre interprte au moins de deux manires : soit comme une relation
de dcomposition spectrale de la srie [plus proche du thorme 2], soit comme
une relation de dcomposition spectrale de la variance instantane (plus proche du
thorme dHerglotz) montrant la contribution de chaque frquence dans lnergie
totale de la srie. Dans le cas stationnaire, les deux interprtations sont quivalentes.
Proprit A
3
: Lorsquon applique un ltre linaire au processus X
t
, alors le
Chapitre 3 : La Thorie de lAnalyse Spectrale 106
spectre volutif du processus rsultant Y
t
sexprime "raisonnablement et simplement"
laide de la densit spectrale de X
t
.
Cette proprit est aussi rapprocher du cas stationnaire. En eet, nous savons
dans ce cas que la densit spectrale de Y
t
est le produit de la densit spectrale
de X
t
par le carr du gain du ltre appliqu. Les proprits A
2
et A
3
semblent
particulirement importantes dans le sens o A
2
dcrit ce quest la densit spectrale
et A
3
montre ce quelle devient dans le cas dune transformation linaire.
Proprit A
4
: La relation entre les spectres volutifs et les fonctions de covari-
ance sont "une une"; Autrement dit, il existe une bijection entre la classe des
spectres volutifs et la classe des fonctions de covariance.
Cette proprit nest pas essentielle mais elle permet de limiter les pertes dinfor-
mations lorquon souhaite passer de la fonction de covariance la densit spectrale.
Proprit A
5
: Le spectre volutif est rduit celui du cas stationnaire lorsque
X
t
est stationnaire.
Cest sans doute une des proprits essentielles. Elle est au fondement des tests
de stationnarit bass sur la densit spectrale volutive. Nous retrouverons cette
proprit plutard pour prsenter notre test de stationnarit.
Proprit A
6
: Si le processus X
t
est compos de plusieurs parties stationnaires,
disons par exemple que X
t
= I(t 0)X
(1)
t
+ I(t 0)X
(2)
t
o les composantes X
(1)
t
et X
(2)
t
sont stationnaires et I(.) la fonction indicatrice, alors le spectre volutif de
X
t
est compos des spectres volutifs respectifs des parties stationnaires
13
.
Cette proprit semble dicile satisfaire de manire rigoureuse, puisquil nex-
iste probablement pas de faon stricte une densit spectrale instantane focalisant
13
Pour notre exemple, cela donne : h
t
() = I(t 0)h
(1)
() + I(t > 0)h
(2)
() o h
(1)
() et
h
(2)
() dsignent respectivement les spectres issues des cas stationnaires X
(1)
t
et X
(2)
t
.
Chapitre 3 : La Thorie de lAnalyse Spectrale 107
exactement un instant t donn les proprits du processus tudi. Cependant, une
version approximative de cette proprit peut tre obtenue lorsquon examine h
t
()
pour un instant t situ dans un grand segment dans lequel la srie peut tre consid-
re comme approximativement stationnaire. Il est vident que la proprit A
5
joue
un rle important dans la validit de A
6
.
Proprit A
7
: Le spectre volutif est estimable partir dune ralisation.
Cette proprit soulve un certain nombre de questions. Comment obtenir des
estimateurs consistants partir dune srie ayant des caractristiques statistiques
variables avec le temps ? Nous verrons comment des auteurs tels que Priestley (1965)
ou Dahlhaus (1996-1997) ont abord cette question.
Proprit A
8
: Le spectre volutif est la transforme de Fourier "dune quantit
apparemment sense".
Cette proprit est rapprocher du cas stationnaire. En eet, nous savons que
dans ce dernier cas que la densit spectrale est la transforme de Fourier de la fonc-
tion de covariance qui a bien un sens. La proprit A
8
est intressante mais elle
ne semble pas trs importante. Cependant, on peut noter que si h
t
() est posi-
tive, on peut toujours construire sa transforme de Fourier ou une transforme de
Fourier-Stieltjes, mais rien ne garantit que ces quantits aient un sens, par exemple
interprtable comme cest le cas de la fonction de covariance. Plus prcisment, la
condition A
8
suggre quon dnisse au voisinage de chaque instant t
0
une fonc-
tion de covariance stationnaire
t
0
() = R(t
0
+ , t
0
) puis construire h
t
0
() avec la
transforme de Fourier de
t
0
().
On peut envisager obtenir
t
0
() en employant une fonction de pondration
K
t
0
(s, t) comme suit :
Chapitre 3 : La Thorie de lAnalyse Spectrale 108
t
0
() =
Z
K
t
0
(t +, t)R(t +, t)dt (3.53)
Pour sassurer de la convergence de cette expression, on peut considrer K
t
0
(s, t)
concentre autour de t
0
, i.e., dcroissante rapidement vers zro pour s et t loigns
de t
0
. Cette approche de dnition de la densit spectrale volutive a t adopte
par un certain nombre dauteurs.
Une deuxime liste alternative des proprits souhaitables pour un spectre dpen-
dant du temps, est galement propose par Loynes (1968). Certaines des proprits
proposes ressemblent celles de la liste prcdente alors que dautres sont complte-
ment indites et nous procurent une certaine complmentarit avec les prcdentes
proprits ci-dessus. Aussi, elles se distinguent des prcdentes par le fait quelles
sont plus formelles.
2.1.2 Proprits formelles de la densit spectrale volutive :
Proprit B
1
: Le spectre h
t
() est une fonction valeurs relles des paramtres
temps t et frquences et il est compltement dtermin par la fonction de covari-
ance de X
t
qui dpend du temps puisquil y a non stationnarit. Si h
t
() dsigne
la fonction de distribution spectrale, on pourra exiger quelle tende vers une limite
nie ou vers zro selon que tend respectivement vers plus linni ou vers moins
linni. Si h
t
() dsigne la densit spectrale, alors
R
h
t
()d doit tre nie.
La dirence entre la proprit B
1
avec la proprit A
1
est quasi inexistante
lexception que pour B
1
, on distingue les direntes conditions selon quon considre
la densit ou la fonction cumulative.
Proprit B
2
: Le spectre h
t
() est une transformation linaire R(u, ) de la
fonction de covariance de X
t
.
Chapitre 3 : La Thorie de lAnalyse Spectrale 109
Cest une proprit connue aussi dans le cas stationnaire pour calculer la densit
spectrale dun processus qui scrit comme somme de deux termes alatoires in-
dpendants et stationnaires. La fonction de covariance est ainsi une somme de deux
fonctions de covraiance, R(u ) = R
1
(u ) + R
2
(u ) et la densit spectrale
est une transformation linaire de R(u ).
Les proprits B
3
, B
4
, B
5
, B
6
et B
7
sont identiques respectivement aux proprits
A
3
, A
4
, A
5
, A
6
et A
7
.
Outre les proprits cites, nous prsentons la proprit qui propose un cadre
asymptotique dans la procdure destimation du spectre.
Proprit B
8
: Le spectre volutif est estimable partir dune ralisation et dans
un cadre asymptotique, cest dire dans le sens o laugmentation de la taille de
lchantillon doit permettre damliorer la prcision locale de lestimateur du spectre
volutif.
Les questions poses propos de A
7
sont particulirement valables dans ce cas.
Dautant plus que le cadre asymptotique est fortement li la notion de stationnarit
du processus, or une telle hypothse est relche ici.
Proprit B
9
: Le spectre h
t
() est une fonction positive et elle est croissante
avec si h
t
() reprsente la fonction de distribution spectrale.
Cest une proprit quon trouve galement dans le cas stationnaire.
Proprit B
10
: Si
0
est une frquence particulire donne et {Y
t
} le processus
dni par : Y
t
= X
t
e
0
t
, alors : h
(Y )
t
() = h
t
(+
0
) o h
(Y )
t
() et h
t
() dsignent
respectivement les spectres des processus Y
t
et X
t
.
Cette proprit est inspire des comportements de la fonction exponentielle. En
eet, en multipliant Y
t
par e
it
, au mme temps, X
t
sera multipli par e
i(+
0
)t
Chapitre 3 : La Thorie de lAnalyse Spectrale 110
dans le calcul de la transforme de Fourier de Y
t
.
Proprit B
11
: Si h est un entier x et {Y
t
} le processus dni par : Y
t
= X
t+h
,
alors : h
(Y )
t
() = h
t+h
() o h
(Y )
t
() et h
t
() dsignent respectivement les spectres
des processus Y
t
et X
t
.
Un changement dorigine de la srie est suivi par le mme changement dorigine
du spectre volutif dans la dimension temporelle.
Proprit B
12a
: Soit {Y
t
} le processus dni par : Y
t
= X
t
, alors : h
(Y )
t
() =
h
t
() o h
(Y )
t
() et h
t
() dsignent respectivement les spectres des processus Y
t
et
X
t
.
Cette proprit comme la proprit B
10
provient aussi du comportement de la
fonction e
it
. En eet, changer le signe de t puis passer la forme conjuge laisse
inchang e
it
, i.e., e
it
= e
it
.
Proprit B
12b
: Soit {Y
t
} le processus dni par : Y
t
= X
t
, alors : h
(Y )
t
() =
h
t
() o h
(Y )
t
() et h
t
() dsignent respectivement les spectres des processus Y
t
et X
t
.
Proprit B
12c
: Soit {Y
t
} le processus dni par : Y
t
= X
t
, alors : h
(Y )
t
() =
h
t
() o h
(Y )
t
() et h
t
() dsignent respectivement les spectres des processus Y
t
et
X
t
.
Proprit B
13
: Si X
t
est rel, alors : h
t
() = h
t
() o h
t
() dsigne la
densit spectrale de X
t
.
Il sagit de la proprit de la symtrie du spectre qui est une proprit bien
connue dans le cas stationnaire. On peut noter quil existe une certaine relation
entre les proprits B
12a
, B
12b
, B
12c
et B
13
dans la mesure o, dune part, tout choix
de deux proprits parmi les trois (B
12a
, B
12b
, B
12c
) implique la troisime proprit,
Chapitre 3 : La Thorie de lAnalyse Spectrale 111
dautre part, B
12b
implique B
13
.
Proprit B
14
: h
t
() est une fonction continue de R.
2.1.3 Les dnitions des densits spectrales issues des processus non
stationnaires
Nous prsentons dans cette partie les direntes dnitions de spectres issus des
processus non stationnaires. La revue est loin dtre exhaustive. Nous retenons seule-
ment les dnitions trs importantes. Notre prsentation respectera chronologique-
ment lordre de parution des direntes dnitions.
Densit spectrale avec un poids conditionnel : Page (1952)
Lnergie du processus linstant t est dnie par :
|g(t, )|
2
=
1
2
Z
t
X
u
e
iu
du
2
(3.54)
et la densit spectrale instantane est dnie par :
|g(t, )|
2
t
(3.55)
Si on considre maintenant E(|g(t, )|
2
) au lieu de |g(t, )|
2
, cest dire, en faisant
intervenir les covariances R(u, ) = E(X
t
X
u
) au lieu des X
t
X
u
dans les expressions
ci-dessus, alors la dnition de la densit spectrale devient :
h
t
() =
1
2
Z
(t, )e
i
d (3.56)
o
(t, ) =
R(t, t ) si > 0
R(t +, t) si < 0
(3.57)
Chapitre 3 : La Thorie de lAnalyse Spectrale 112
Si la fonction h
t
() existe, alors elle dtermine la fonction de covariance de X
t
de
manire unique :
(t, ) =
Z
e
i
h
t
()d (3.58)
et en particulier, on obtient une dcomposition de la variance instantane :
E
|X
t
|
2
= R(t, t) =
Z
h
t
()d (3.59)
Selon Loynes (1968), lapproche de Page satisfait les proprits A
4
, A
5
et A
8
. A
2
est satisfaite dans un certain sens. Pour la liste B : B
2
, B
4
, B
5
, B
10
et B
11
sont
satisfaites alors que B
9
et B
12a
ne le sont pas.
Densit spectrale avec un poids moyen : Levin (1964)
Lapproche de Levin (1964) est assez proche de celle de Page (1952). La densit
spectrale volutive h
t
() a la forme suivante :
h
t
() =
1
2
Z
(t, )e
i
d (3.60)
mais cette fois, la fonction (t, ) nest pas exactement comme dans (3.58). Elle
sexprime comme suit :
(t, ) =
1
2
{R(t +, t) +R(t, t )} (3.61)
part les proprits vries dans la dnition de Page, lapproche de Levin satisfait
galement la proprit B
12a
. Lapproche de Levin est obtenue en examinant la valeur
moyenne des deux intgrales
R
t
X
u
e
iu
du
2
et
R
+
t
X
u
e
iu
du
2
, alors que Page
considre seulement
R
t
X
u
e
iu
du
2
.
Chapitre 3 : La Thorie de lAnalyse Spectrale 113
Densit spectrale fonde sur une transforme de Fourier avec trans-
mission indirecte : Dubman (1965)
La densit spectrale volutive h
t
() propose par Dubman (1965) est la trans-
forme de Fourier dune fonction de covariance locale R
t
() au voisinage de t :
h
t
() =
1
2
Z
e
i
R
t
()d (3.62)
La fonction R
t
() devant satisfaire deux conditions : (i) Si la srie temporelle est
stationnaire, alors la fonction R
t
() doit correspondre la covariance du cas station-
naire R(). (ii) Dans tous les cas R
t
(0) = E|X
t
|
2
. Il est vident que cette dnition
englobe plusieurs autres dnitions et en particulier celle de Page. Par consquent,
nous retrouvons la mme validit des proprits que dans celle de lapproche de
Page. Un des choix considrs par Dubman pour R() est :
R
t
() = R(t +/2, t /2) (3.63)
et h
t
() vrie cette fois la condition B
12a
.
Densit spectrale fonde sur une transforme de Fourier avec trans-
mission directe : Priestley (1965)
Nous prsentons dans cette partie lapproche de Priestley dans le cas dun proces-
sus continu tel quelle a t introduite pour la premire fois, sachant que la prsen-
tation sadapte sans problme au cas discret
14
. Alors que lapproche de Dubman
(1965), parmi dautres que nous venons de citer, ncessite au pralable quelques
oprations au niveau de la fonction de covariance (3.63) avant de dnir la densit
spectrale par transforme de Fourier, Priestley (1965) a une dmarche nettement
14
Dans le cas discret les bornes des intgrales sont gnralement et au lieu de et
dans le cas continu.
Chapitre 3 : La Thorie de lAnalyse Spectrale 114
dirente dans le sens o la fonction de covariance R du processus tudi doit tre
conforme une reprsentation de la forme suivante :
E(X
t
X
u
) = R(u, ) =
Z
A
u
()A
()e
i(u)
d() (3.64)
avec une mesure et les conditions suivantes sur la fonction A
t
() :
(i) A
0
() = 1,
(ii) La fonction |dH()| doit tre maximale pour = 0 o dH() est la
fonction qui vrie :
A
t
() =
Z
e
it
dH
(), (3.65)
pour chaque . Cest dire que dH() est la transforme de Fourier de A
t
() en
tant que fonction de t.
Pour une famille donne de fonction {A
t
()}, on dnie la quantit B suivante :
B = [sup
B()]
1
(3.66)
o,
B() =
Z
|| |dH
()| (3.67)
Le processus X
t
est dit oscillatoire et semi-stationnaire selon Priestley, sil existe
une famille de fonctions pour laquelle B est non nulle et qui permet la reprsentation
(3.64). tant donn un processus semi-stationnaire X
t
, si plusieurs familles existent
et sont contenues dans un ensemble
C, alors on choisira si possible la famille de
fonctions qui maximise les B (avec
C) et la quantit B
X
= sup
C
(B) reprsente
Chapitre 3 : La Thorie de lAnalyse Spectrale 115
selon Priestley lintervalle maximal travers lequel le processus peut tre considr
comme approximativement stationnaire. Pour une telle famille, le spectre H
t
()
linstant t et la frquence est dni comme suit :
dH
t
() = |A
t
()|
2
d() (3.68)
Si H
t
() est direntiable par rapport , alors la densit spectrale volutive est
dnie de la faon suivante :
h
t
() =
H
t
()
(3.69)
On peut vrier que H
t
() dcompose la variance et conserve une interprtation
physique en terme de frquence :
E|X
t
|
2
=
Z
dH
t
() (3.70)
et si H
t
() est direntiable, cette expression peut aussi sexprimer en fonction de
la densit spectrale :
E|X
t
|
2
=
Z
h
t
()d (3.71)
On peut aussi vrier que lexpression (3.64) est quivalente la reprsentation
suivante pour X
t
:
X
t
=
Z
A
t
()e
it
dZ() (3.72)
o {Z ()} est un processus orthogonal avec :
E|dZ()|
2
= d() (3.73)
Chapitre 3 : La Thorie de lAnalyse Spectrale 116
La priorit dans lapproche de Priestley est donne linterprtation physique du
spectre dans un sens trs prcis, la fois en terme dnergie et de frquences. La
condition (ii) est impose pour forcer ce rsultat. En eet, si A
t
() (en tant que
fonction de t) avait une transforme de Fourier concentre en une frquence partic-
ulire
0
6= 0, il serait dicile dans lexpression du spectre dH
t
() = |A
t
()|
2
d()
de distinguer les eets de
0
. Ainsi, imposer la concentration de la transforme de
Fourier de A
t
() en zro, permet de lever une telle ambigut. Cette condition donne
aussi au processus X
t
une caractristique de stationnarit locale, puisque la fonction
de transfert A
t
() en vriant la condition (ii), empche le processus X
t
davoir des
oscillations brusques (3.72). Il nest pas dicile de construire un processus oscilla-
toire. Ainsi tout processus Y
t
ayant la forme suivante est oscillatoire :
Y
t
= C(t)X
(0)
t
(3.74)
avec C(t) une fonction relle positive et X
(0)
t
un processus stationnaire. Si dH
X
0
()
est le spectre de X
(0)
t
, alors le spectre volutif de Y
t
est donn par dH
Y
t
() :
dH
Y
t
() = C(t)
2
dH
X
0
() (3.75)
Selon Loynes (1968), les proprits A
3
et A
4
sont diciles vrier. Les proprits
A
2
, A
5
et A
7
sont satisfaites. A
6
est approximativement vraie et A
8
semble non sat-
isfaite. Pour la liste des proprits B, les proprits B
5
, B
7
, B
9
, B
10
, B
11
et B
12a
sont
satisfaites. Cette approche a t tendue dans le cadre de la thorie des ondelettes
par Priestley (1996). Il y a une autre interprtation intressante de lapproche de
Priestley (1996) en terme de ltre variant avec le temps. En eet, si on suppose que
dans la reprsentation X
t
=
R
A
t
()e
it
dZ(), la fonction de transfert A
t
() peut
Chapitre 3 : La Thorie de lAnalyse Spectrale 117
scrire pour chaque t x sous la forme :
A
t
() =
Z
e
it
h
t
(u)du (3.76)
alors la reprsentation (3.72) devient :
X
t
=
Z
S
tu
h
t
(u)du (3.77)
o S
t
est un processus stationnaire :
S
t
=
Z
e
it
dZ() (3.78)
Inversement, tout processus de la forme (3.77) [avec {h
t
(u)} choisie de sorte que
A
t
() vrie les conditions (i) et (ii)] peut tre crit sous la forme X
t
=
R
A
t
()e
it
dZ().
Ainsi, le processus oscillatoire X
t
peut tre interprt comme le rsultat du passage
dun processus stationnaire {S
t
} travers un ltre {h
t
(u)} variant avec le temps.
La gnralisation des processus oscillatoires dans le cas bivari a t aussi propose
par Priestley & Tong (1973).
Densit spectrale fonde sur la dcomposition de Wold-Cramr : Tjos-
theim (1976) et de Mlard (1978)
Les deux auteurs Tjostheim (1976) et Mlard (1978) ont dni indpendamment
un spectre voluant avec le temps, bas sur la dcomposition de Wold-Cramr du
processus X
t
:
X
t
=
X
u=0
a
t
(u)
tu
avec
t
iid(0,
2
) (3.79)
disons
2
= 1. Une telle dcomposition peut scrire sous la reprsentation suivante :
Chapitre 3 : La Thorie de lAnalyse Spectrale 118
X
t
=
Z
A
t
()e
it
dZ() (3.80)
avec
A
t
() =
1
X
u=0
a
t
(u)e
iu
et {dZ()} un processus orthogonal. La densit spectrale instantane est dnie
comme suit :
h
t
() = |A
t
()|
2
=
1
2
X
u=0
a
t
(u)e
iu
2
(3.81)
et
var(X
t
) =
Z
h
t
()d (3.82)
Selon Mlard qui a confront h
t
() aux proprits de Loynes (1968), les proprits
A
1
, A
2
, A
3
, A
5
, A
7
, A
8
, B
9
, B
10
, B
11
, B
12c
et B
13
sont satisfaites alors que A
4
, B
12a
et B
12b
ne le sont pas. La gnralisation de lapproche de Mlard dans le cas bivari
a t galement propose par De Schutter-Herteleer (1977).
Densit spectrale fonde sur les processus localement stationnaires :
Dahlhaus (1996)
Dahlhaus (1996) a propos une densit spectrale dpendante du temps en dnis-
sant au pralable la notion de processus localement stationnaire, cest dire un
processus {X
t,T
}
t=1...T
ayant la reprsentation suivante :
X
t,T
=
t
T
+
Z
exp(it)A
0
t,T
()d() (3.83)
Avec les hypothses (i) et (ii) ci-dessous :
Chapitre 3 : La Thorie de lAnalyse Spectrale 119
(i) () un processus stochastique sur [, ] vriant :
(i
1
) () = ()
(i
2
) lgalit suivante :
cum{d(
1
)...d(
k
)} =
k
X
j=1
j
!
h
k
(
1
, ...,
k1
) d
1
...d
k
(3.84)
o cum{...} dsigne le cumulant dordre k, h
1
= 0, h
2
() = 1, |h
k
(
1
, ...,
k1
)| 6 C
k
pour tout k (C
k
est une constante dpendante de k) et () =
P
k
j=1
( + 2j) un
dveloppement de priode 2 de la fonction de Dirac .
(ii) On suppose quil existe une constante K et une fonction 2-priodique A :
[0, 1] R 7C vriant :
(ii
1
) A(u, ) = A(u, )
(ii
2
) sup
t,
A
0
t,T
() A(
t
T
, )
6
K
T
avec A(u, ) et (u) des fonctions supposes continues par rapport u. Cette
continuit de A(u, ) par rapport u garantit, selon Dahlhaus, un comportement
de stationnarit locale du processus. La densit spectrale dpendante du temps est
dnie par :
h
u
() = |A(u, )|
2
avec u =
t
T
(3.85)
Lobjectif recherch par Dahlhaus dans une telle reprsentation est lobtention dun
outil asymptotique. En eet, on remarquera que contrairement aux approches prsen-
tes jusqu prsent, la variable considre ici est u =
t
T
au lieu de t. Selon Dahlhaus,
un tel choix permet dobtenir de plus en plus dinformations locales lorsque la taille
de lchantillon T tend vers linni. Alors quil serait absurde de vouloir rechercher
des rsultats asymptotiques en travaillant avec t puisque les renseignements obtenus
Chapitre 3 : La Thorie de lAnalyse Spectrale 120
en faisant tendre T vers linni nauraient forcment pas de rapport avec lobserva-
tion actuelle de la srie sur lintervalle {t = 1, ..., T} dans la mesure o il ny a pas
stationnarit
15
. Il nest pas dicile de fabriquer un processus localement station-
naire comme le montrent les exemples suivants : supposons que Y
t
est stationnaire
et , : [0, 1] R, deux fonctions continues, alors le processus X
t,T
suivant est
localement stationnaire :
X
t,T
=
t
T
t
T
Y
t
(3.86)
Dans cet exemple, les fonctions A
0
t,T
() et A(
t
T
, ) concident, A
0
t,T
() = A(
t
T
, ).
Si Y
t
est un AR(2) avec des racines complexes proches du cercle unitaire, alors Y
t
montre un comportement priodique et la fonction peut tre regarde comme
lamplitude variant avec le temps du processus X
t,T
. Quand T tend vers linni
alors de plus en plus de cycles du processus avec une amplitude proche de (u
0
)
sont observs dans lintervalle u =
t
T
[u
0
, u
0
+].
Un autre exemple de processus localement stationnaire concerne les modles
autorgressifs avec coecients variables avec le temps,
p
X
j=0
a
j
t
T
X
tj,T
=
q
X
j=0
b
j
(
t
T
)
t j
T
tj
(3.87)
o
t
est iid avec E(
t
) = 0, var(
t
) = 1 et a
0
(u) = b
0
(0) = 1. La densit spectrale
dpendante du temps dun tel processus est :
h
u
() =
2
(u)
2
P
q
j=0
b
j
(u)e
ij
P
p
j=0
a
j
(u)e
ij
2
(3.88)
15
En eet, les caractristiques statistiques changent avec le temps dans le cas non stationnaire.
Chapitre 3 : La Thorie de lAnalyse Spectrale 121
Dans cet exemple, A(
t
T
, ) nest pas exactement gale A
0
t,T
() comme dans le cas
prcdent, mais plutt une approximation comme dans la dnition. Un des aspects
asymptotiques de lapproche de Dahlhaus est interprt par le rsultat suivant :
Thorme de Dahlhaus (1996)
Si X
t,T
est localement stationnaire tel que A(u, ), alors il existe une fonc-
tion Lipschitzienne uniformment continue avec un coecient >
1
2
et A
0
t,T
() =
A(0, ) si t < 1 et A
0
t,T
() = A(1, ) si t < T. Alors, pour tout u =
t
T
(0, 1),
Z
|f
u,T
() h
u
()|
2
d = o(1) (3.89)
o
f
u,T
() =
1
2
X
s=
R(uT s/2, uT +s/2)e
is
et h
u
() la vraie densit spectrale volutive, cest dire que h
u
() = |A(u, )|
2
et
R la fonction de covriance, autrement dit, lim
T7
f
u,T
() = h
u
().
Par ailleurs, il est montr que :
R(t, t +k) = cov(X
[uT],T
, X
[uT]+k,T
) =
Z
h
u
()e
ik
d +O(T
1
) (3.90)
en particulier :
var (X
t
) =
Z
h
u
()d +O(T
1
) (3.91)
o u =
t
T
.
Lapproche de Dahlhaus semble appartenir deux catgories : dans un sens, elle
parat un cas particulier de la reprsentation de Priestley (1965). Par consquent,
Chapitre 3 : La Thorie de lAnalyse Spectrale 122
les proprits vries dans le cas de Priestley semblent approximativement vries
dans ce cas ci. Nanmoins, linterprtation physique au sens de Priestley doit tre
prise avec prcaution dans lapproche de Dahlhaus, puisque rien ne garantit que le
module de la transforme de Fourier de A(u, ) comme fonction de u, soit maxi-
mum en zro (condition (ii) dans lapproche de Priestley). Dans un autre cas, si
on considre f
u,T
() =
1
2
P
s=
R(uT s/2, uT +s/2)e
is
comme dnition ap-
proximative de la densit spectrale volutive, comme lindique le thorme ci-dessus,
alors lapproche de Dahlhaus parat un cas particulier de la dnition de Dubman
(1965) avec les dfauts et les inconvnients. Dans tous les cas, la particularit de
la dnition de Dahlhaus est davoir russi impliquer une approche asymptotique
(proprit
B
0
7).
Densit spectrale fonde sur les processus localement stationnaires par
morceaux : Adak (1998)
Adak (1998) a introduit la notion de processus localement stationnaire par morceaux
partir de laquelle il a propos la dnition dune densit spectrale dpendante du
temps.
Dnition 1
Un processus stochastique X
t,T
(t = 1, ..., T) avec E(X
t,T
) = 0 est localement
stationnaire au point u [0, 1], sil existe une reprsentation :
X
t,T
=
Z 1
2
1
2
A
0
t,T
() e
i2t
dZ() (3.92)
o
(a) avec {Z ()} un processus orthogonal.
Chapitre 3 : La Thorie de lAnalyse Spectrale 123
(b) Il existe des constantes K > 0, c > 0,
1
2
,
1
2
et une fonction A :
[0, 1]
1
2
,
1
2
sup
A
0
t,T
() A(u, )
6 KT
(3.93)
avec I
T,u
= [u T
, u +T
], un intervalle centr en u.
Autrement dit, il existe un intervalle centr sur u =
t
T
sur lequel la dnition de
Dahlhaus sapplique. La densit spectrale au point u =
t
T
est dnie par :
h
u
() = |A(u, )|
2
(3.94)
Dnition 2
Un processus est localement stationnaire par morceaux, sil est stationnaire en tout
point u =
t
T
[0, 1] sauf peut tre en un nombre ni de points.
Les processus localement stationnaires de Dahlhaus (1997) sont des cas partic-
uliers des processus localement stationnaires par morceau dAdak (1998) condition
que A(u, ) soit direntiable par rapport u et avec des drives uniformment
bornes. Les processus stationnaires par morceaux, les modles AR coecients
variables (sous certaines conditions) avec le temps et les processus amplitude
module, sont galement des cas particuliers de lapproche dAdak. La proprit
importante de lapproche dAdak est dcrite par le thorme suivant :
Thorme dAdak (1998)
Considrons la classe des processus stationnaires par morceaux suivante :
= {Y
t,N
}
N
t=1
, N > 1 avec t = 1, ..., N; Y
t,N
=
J1
X
j=0
Y
(j)
t
I(u
j
6
t
N
6 u
j+1
), (3.95)
Chapitre 3 : La Thorie de lAnalyse Spectrale 124
et avec aussi, 0 = u
0
< u
1
< < u
J
= 1 et chaque bloc Y
(j)
t
est un processus
stationnaire ayant f
(j)
() pour densit spectrale. On suppose que :
J
N
quand
N . I () tant la fonction indicatrice.
Alors pour tout processus {X
t,N
}
N
t=1
localement stationnaire par morceaux au
sens dAdak, il existe un processus stationnaire par morceaux, {Y
t,N
}
N
t=1
, telque :
1
N
E(X
t,N
Y
t,N
) = O
N
2
(t) =
+
(t) exp(i2t) +
(t) = 1. Le
support de
S,
k
(t)
de la forme suivante :
S,
k
(t) =
k
(
(t
0
)
|S|
) o
k
=
k
|S|
et k =
|S|
2
+ 1, ...,
|S|
2
(3.99)
et
0
est un entier qui caractrise le support
e
S de
S,
k
(t)
dans le bloc S possde les proprits suivantes : (i) Les parties relles
et imaginaires de
S,
k
(t) sont orthogonales, (ii)
S,
k
(t) est orthogonale sa con-
jugue, (iii) Pour toutes frquences
k
6=
k
0 , les fonctions
S,
k
(t) et
S,
k
0
(t) sont
orthogonales. Le calcul de la transforme SLEX (par analogie la transforme de
Fourier qui utilise la base exponentielle sans lissage, i.e., {e
it
}) consiste diviser
au pralable la srie temporelle de taille T = 2
k
en plusieurs blocs. Pour tout entier
j = 0, ..., J
T
(avec J
T
6 K1), on dnit les blocs S(j, b), b = 0, ..., 2
j
1 de sorte
que chaque bloc contienne |S(j, b)| = M
j
=
M
2
j
lments. Lentier J
T
est choisi ici de
manire optimale parmi tous les entiers J 6 K. J
T
intervient sur les choix optimaux
des caractristiques des fentres utilises lorsquon veut estimer la densit spectrale
Chapitre 3 : La Thorie de lAnalyse Spectrale 126
volutive de manire non paramtrique. Pour chaque bloc S
j
= S(j, b) de support
e
S
j
, les coecients SLEX sont dnis comme suit :
b
S
j
,k,T
=
1
p
M
j
X
t
e
S
j
X
t,T
s
j
,
k
(t),
k
=
k
|M
j
|
et k =
|M
j
|
2
+ 1, ...,
|M
j
|
2
(3.100)
et le SLEX priodogramme est donn par :
b
S
i
,k
i
,T
=
S
i
,k
i
,T
2
(3.101)
Lensemble de toutes les bases orthonormales de la forme
S,
k
(t)
constitue une
librairie de base SLEX, . Inversement, toute base B dnit une segmentation
particulire. Supposons connue une base B
T
. Ombao, Sachs & Guo (2002) ont adopt
la notation suivante :
i
S
i
B
T
pour dsigner une collection de blocs avec S
i
rsultant dune segmentation [i.e., S
i
est de la forme S (j, b)] o S
i
B
T
. Notons nalement quaucun bloc appartenant
i
S
i
nest un sous ensemble dun autre bloc appartenant
i
S
i
. Il est maintenant
possible dintroduire les processus {X
t,T
} avec E(X
t,T
) = 0 ayant la reprsentation
suivante :
X
t,T
=
X
i:S
i
B
T
1
M
i
M
i
/2
X
k
i
=(
M
i
2
)+1
S
i
,k
i
,T
s
j
,
k
(t)z
S
i
,k
i
(3.102)
o S
i
B
T
est une base donne,
S
i
,k
i
,T
des complexes scalaires xs avec |
S
i
,k
i
,T
|
2
>
0, les processus z
S
i
,k
i
sont tels que z
S
i
,k
i
= dZ(
k
i
M
i
) avec dZ(),
1
2
,
1
2
un pro-
cessus orthonormal et E(dZ()) = 0.
Chapitre 3 : La Thorie de lAnalyse Spectrale 127
Le spectre empirique h
u,T
() est dni, pour k
i
= (
M
i
2
) + 1, ..., (
M
i
2
) et pour
u =
t
T
(0, 1) comme suit :
h
u,T
() =
X
i:S
i
B
T
|
S
i
,k
i
,T
|
2
I
S
i
([uT]) (3.103)
avec I
S
i
une fonction indicatrice sur chaque bloc S
i
.
Le spectre thorique h
u
() est dni sous certaines conditions [voir Ombao et al.
(2002)] comme suit, partir du logarithme :
log h
u
() = lim
T7
log h
u,T
() = lim
T7
_
_
1,0
()
0,0
(u) +
J
T
1
X
l=0
2
l
1
X
m=0
l,m
()
l,m
(u)
_
_
(3.104)
avec
0,0
{
l,m
}
l>0,m>0
la base dondelettes de Haar sur L
2
([0, 1]), cest dire
que :
l,m
(x) = 2
l/2
2
l
x m
1
2
,
1
2
)| 6 L|
; l = 0, 1, ...; m = 0, ..., 2
l
1
(3.106)
et un sous ensemble dintervalles I
= [u
, u
+1
) $ tel que I
= [0, 1] avec h
u
()
en tant que fonction de u sur I
pour
tout :
|h
u
() h
u
()| 6 L
|u u
|
S
avec L
> 0 constante, S
]0, 1] , (3.107)
au point de transition u
. De plus, on
suppose que J
T
6 J
2T
.
On peut remarquer que la fonction de transfert
S
i
,k
i
,T
est constante par rapport
au temps dans chaque bloc S
i
. Le spectre volutif est donc une fonction constante par
morceau dans le sens o sur chaque S
i
, il ne dpend que de . Le cadre asymptotique
est galement prsent dans cette approche comme le montre la relation (3.104).
Une version lgrement dirente des processus SLEX localement stationnaires
a t galement propose par les mmes auteurs (2001) sous forme :
X
t
=
M
X
j=1
Z
1
0
A
S
(,
t
T
)
j
(, t) dZ() (3.108)
avec
j
(, t) ayant la forme
j
(, t) =
j
+
(t) exp(i2t) +
j
(t) exp(i2t), M
le nombre de blocs qui forment une partition de la srie et Z () un processus
Chapitre 3 : La Thorie de lAnalyse Spectrale 129
orthogonal. Le spectre volutif rsultant de ce modle est naturellement :
h
u
() =
A
S
(, u)
2
(3.109)
Contrairement la dnition (3.102), dans cette version, la fonction de transfert
A
S
(, u) est suppose continue et drivable par rapport aux deux variables temps
et frquence, alors que dans le cas prcdent la fonction de transfert
S
i
,k
i
,T
est con-
stante par morceaux et les frquences considres
k
i
sont discrtes dans le cas du
spectre empirique. Enn, une quivalence asymptotique (en moyenne quadratique)
entre lapproche de Dahlhaus (1997) et le modle SLEX localement stationnaire est
tablie par les auteurs Ombao et al. (2002). Cette quivalence implique lapproxi-
mation du spectre continu du modle de Dahlhaus (1997) par le spectre constant
par morceau (par rapport au temps) du modle SLEX, ce qui justie les approches
destimations du spectre volutif bases sur les algorithmes de segmentation.
2.2 Mthodes destimation de la densit spectrale volutive
2.2.1 Approches non paramtriques
2.2.1.1 Lapproche de Priestley (1965-1996)
Considrons un chantillon {X
t
, t = 0, ..., T} suppos issu dun processus oscilla-
toire et semi-stationnaire X
t
[dans le sens de Priestley (1965)] pour lequel on souhaite
estimer la densit spectrale volutive thorique h
t
() pour chaque t = 1, ..., T et pour
chaque frquence . La mthode propose par Priestley (1965) est non paramtrique.
Elle consiste au pralable choisir un ltre {g
u
} satisfaisant les conditions suivantes :
(i) Le ltre {g
u
} est de carr intgrable et est normalis :
2
X
uZ
|g
u
|
2
=
Z
|()|
2
d = 1 avec () =
X
uZ
g
u
e
iu
(3.110)
Chapitre 3 : La Thorie de lAnalyse Spectrale 130
(ii) La largeur du ltre {g
u
}, dnie par :
B
g
=
X
uZ
|u| |g
u
| , (3.111)
est nie et est nettement infrieure lintervalle maximal de stationnarit locale de
X
t
, cest dire que B
g
B
X
(avec B
X
dsignant lintervalle maximal de station-
narit locale) et que B
g
T, T tant la taille de lchantillon.
On construit partir de {g
u
} le priodogramme local |u
t
(
0
)|
2
au voisinage de
t pour la frquence
0
, avec :
u
t
(
0
) =
t
X
u=tT
g
u
X
tu
e
i
0
(tu)
(3.112)
Il est montr par Priestley (1965) que :
E
|u
t
(
0
)|
2
=
Z
|()|
2
h
t
( +
0
)d +O
B
g
B
X
(3.113)
Ce rsultat montre que si la densit spectrale thorique h
t
() possde pour chaque
t, une largeur de bande beaucoup plus grande que celle de |()|
2
, alors la relation
(3.113) peut scrire de manire approximative comme suit :
E
|u
t
(
0
)|
2
h
t
(
0
) (3.114)
o h
t
(
0
) est la densit spectrale thorique en
0
. Cest dire que le priodogramme
local est, approximativement un estimateur sans biais. On remarquera que ce rsul-
tat est tabli sous lhypothse que la srie tudie X
t
prsente des caractristiques
de stationnarit locale ; Cest dire que lintervalle de stationnarit locale B
X
est
susamment grand par rapport au champ daction du ltre {g
u
}.
Chapitre 3 : La Thorie de lAnalyse Spectrale 131
Cependant, comme dans le cas stationnaire, le priodogramme local nest pas un
estimateur consistant. Un deuxime ltre est appliqu pour rduire les uctuations
de |u
t
(
0
)|
2
. On choisit alors un deuxime ltre {
T
0
,
} dpendant du temps mais
aussi dun paramtre T
0
et qui satisfait les conditions suivantes :
(1)
T
0
,
> 0 pour tout et T
0
,
(2)
T
0
,
dcrot vers zro quand || tend vers linni et cela pour tout T
0
,
(3)
P
Z
T
0
,
= 1, pour tout T
0
,
(4)
P
Z
|
T
0
,
|
2
< , pour tout T
0
,
(5) il existe une constante C telle que :
lim
T
0
7
T
0
Z
|W
T
0 ()|
2
d
= C avec W
T
0 () =
X
Z
e
i
T
0
,
(3.115)
Puis, on construit lestimateur suivant :
b
h
t
(
0
) =
t
X
=tT
T
0
,
|u
t
(
0
)|
2
(3.116)
Les proprits de
b
h
t
(
0
) sont galement tudies par Priestley (1965). En supposant
que le paramtre T
0
est choisi de tel sorte que la largeur de la fentre {
T
0
,
} soit
plus grande que celle du premier ltre {g
u
} et quelle soit nettement plus petite que
T (la taille de lchantillon), alors :
E
b
h
t
(
0
)
h
t
( +
0
) |()|
2
d (3.117)
avec,
h
t
(
0
) =
Z
T
0
,
h
t
(
0
) (3.118)
Chapitre 3 : La Thorie de lAnalyse Spectrale 132
Ainsi, h
t
() est une moyenne de h
t
() au voisinage de t et par consquent E
b
h
t
(
0
)
b
h
t
(
0
)
h
t
(
0
) (3.119)
Si on pousse nouveau le mme raisonnement sur la relation (3.118) en supposant
que le spectre thorique [vu cette fois comme fonction de t] est susamment plat
dans la rgion de concentration de la fentre {
T
0
,
}, alors :
E
b
h
t
(
0
)
h
t
(
0
) (3.120)
Cest dire que
b
h
t
(
0
) est approximativement sans biais. Pour une large valeur de
T
0
[paramtre de la fentre {
T
0
,
}], la variance de
b
h
t
(
0
) est donne par :
var
b
h
t
(
0
)
T
0
1
1 +
{0,}
0
C
e
h
2
t
(
0
)
Z
|()|
4
d
(3.121)
o la constante C est donne par la condition (5),
{0,}
0
= 1 si
0
= 0 ou si
0
=
et
e
h
2
t
est donne par :
e
h
2
t
(
0
) =
P
Z
(
T
0
,
)
2
h
2
t
(
0
)
P
Z
(
T
0
,
)
2
(3.122)
Ainsi, le paramtre T
0
peut tre utilis pour contrler la variance de
b
h
t
(
0
). Par
ailleurs,
cov
b
h
t
1
(
1
),
b
h
t
2
(
2
)
0
Chapitre 3 : La Thorie de lAnalyse Spectrale 133
si lune au moins des deux conditions (i) ou (ii) suivantes est vrie :
(i) La quantit |
1
2
| est largement suprieure la largeur
16
de bande de
|()|
2
ou
(ii) La quantit |t
1
t
2
| est largement suprieure la largeur de bande de {
T
0
,
}.
Le comportement de lestimateur
b
h
t
(
0
), comme nous venons de le voir, est
largement li aux caractristiques des fentres utilises. Le rsultat suivant montre
aussi limplication de la forme thorique de h
t
(
0
) dans la qualit de
b
h
t
(
0
) :
E
b
h
t
(
0
)
h
t
(
0
)
(
1 +
B
2
2B
2
0
(t,
0
)
+
B
2
2B
2
f
(t,
0
)
)
(3.123)
o
B
=
(
X
Z
T
0
,
)1
2
et B
=
Z
2
|()|
2
d
1
2
(3.124)
et
B
0
(t, ) =
h
t
()
2
h
t
()/t
2
1
2
et B
f
(t, ) =
h
t
()
2
h
t
()/
2
1
2
(3.125)
Les quantits B
et B
B
2
B
2
0
+
B
2
B
2
f
!
+
C
T
0
Z
|()|
4
d (3.126)
o C est la constante donne par la condition (5) et :
B
0
= inf
n
inf
t
(B
0
(t, ))
o
et B
f
= inf
t
n
inf
(B
f
(t, ))
o
Pour minimiser lexpression (3.126), on peut xer la fraction
B
B
f
gale une valeur
donne. Dans ce cas, on dit quon a x une rsolution dans le domaine des
frquences. Si cest la fraction
B
B
0
qui est xe gale une valeur donne , on dit
quon a x une rsolution dans le domaine des temps.
Priestley (1996) a tudi la relation entre sa thorie du spectre volutif et l-
analyse des ondelettes tout en restant vigilant pour que la variable conserve son
interprtation physique. Lessentiel des rsultats de ses investigations montre que
lutilisation de la thorie des ondelettes (avec une onde mre bien choisie) pour es-
timer le spectre volutif est ecace pour les basses frquences ou la frquence nulle
alors que ce nest plus le cas pour les autres frquences. Pour estimer le spectre vo-
lutif dun processus oscillatoire X
t
en une frquence particulire
0
, Priestley (1996)
propose de faire au pralable une transformation de la srie en X
0
t
= e
i
0
t
X
t
. On
peut montrer alors que les spectres volutifs de X
0
t
et X
t
sont relis par la relation
suivante :
h
0
t
(
0
) = h
t
() (3.127)
o h
0
t
() et h
t
() dsignent respectivement les spectres de X
0
t
et X
t
. Il sut donc, si
Chapitre 3 : La Thorie de lAnalyse Spectrale 135
on veut utiliser les ondelettes, destimer h
0
t
proximit de la frquence
0
pour avoir
une estimation de h
t
en
0
. Cela revient tudier un estimateur de h
0
t
(
0
) pour
0
proche de zro (
0
=
0
), ce qui est idal si on veut utiliser les ondelettes [selon
Priestley (1996)].
2.2.1.2 Lapproche de Dahlhaus (1996)
On sintresse ici au cas dun chantillon {X
t,T
, t = 1, ..., T} provenant dun pro-
cessus localement stationnaire, et on souhaite estimer la densit spectrale volutive
h
u
() en u =
t
T
et . Lapproche non paramtrique tudie par Dahlhaus (1996) con-
siste dterminer dabord un priodogramme local I
N
(u, ) calcul sur un segment
de longueur N centr en [uT] = t :
I
N
(u, ) =
1
2H
N
N
X
s=1
h(
s
N
)X
[uT]
N
2
+s,T
e
is
2
(3.128)
H
N
=
P
N
t=1
h(
t
N
)
2
et h : [0, 1] R avec h(x) = h(1 x), une fonction fentre
donne. Comme dans le cas stationnaire, le priodogramme I
N
(u, ) nest pas consis-
tant. On procde alors un lissage en frquence. Pour cela on choisit une deuxime
fentre : K
f
: R [0, ) avec K
f
(x) = 0 pour x /
1
2
,
1
2
, K
f
(x) = K
f
(x) et
R
R
K
f
(x)dx = 1, puis on construit lestimateur h
u
() comme suit :
b
h
u
() =
1
b
f
Z
K
f
b
f
I
N
(u, )d (3.129)
o b
f
est une valeur reprsentant la largeur de bande dans la direction des frquences
(rsolution en frquences). Les proprits asymptotiques de I
N
(u, ) et
b
h
u
() sont
prsentes dans les thormes suivants.
Thorme I de Dahlhaus (1996)
Chapitre 3 : La Thorie de lAnalyse Spectrale 136
Supposons que X
t,T
est localement stationnaire avec
t
T
0 et une fonction
de transfert A(u, ) ayant des drives secondes
u
2
A(u, ),
u
A(u, ) continues.
Alors :
(i)
E (I
N
(u, )) = h
u
() +
1
2
b
2
t
Z 1
2
1
2
x
2
K
t
(x)dx
2
u
2
h
u
() +o(b
2
t
) +O
log (b
t
T)
b
t
T
(3.130)
(ii)
E
b
h
u
()
= h
u
() +
1
2
b
2
t
Z 1
2
1
2
x
2
K
t
(x)dx
2
u
2
h
u
() (3.131)
+
1
2
b
2
f
Z 1
2
1
2
x
2
K
f
(x)dx
2
2
h
u
() +o(b
2
t
+
log (b
t
T)
b
t
T
+b
2
f
)
(iii)
var
b
h
u
()
= (b
t
b
f
T)
1
h
2
u
()
Z 1
2
1
2
K
2
t
(x)dx
Z 1
2
1
2
K
2
f
(x)dx (3.132)
o,
K
t
(x) =
Z
1
0
h
2
(x)dx
1
h(x +
1
2
)
2
(3.133)
avec h la fentre utilise pour le calcul de I
N
(u, ), b
t
=
N
T
(b
t
reprsente la rsolution
dans le domaine temporel), h
u
() est la densit spectrale volutive thorique vue
comme fonction des deux variables u et avec
2
u
2
h
u
() et
2
2
h
u
() les drives
secondes prises sur (u, ). On peut noter, comme dans le cas de lestimation non
paramtrique de Priestley [relation (3.123)], que le premier terme du biais de
b
h
u
()
est d la non stationnarit du processus (prsence du facteur
2
u
2
h
u
() qui est nul
dans le cas stationnaire), alors que le second terme du biais est d au comportement
du spectre dans le domaine des frquences
2
h
u
()
b
h
u
()
= E
b
hu()
h
u
()
1
2
. On obtient alors les rsultats suivants rsums par le
thorme ci-dessous :
Thorme II de Dahlhaus (1996)
Lerreur relative er
b
h
u
()
= E
b
h
u
()
h
u
()
1
2
est minimale pour :
K
opt
t
(x) = K
opt
f
(x) = 6
1
4
x
2
,
1
2
6 x 6
1
2
, (3.134)
b
opt
t
= T
1
6
(576)
1
6
5
u
1
12
(3.135)
b
opt
f
= T
1
6
(576)
1
6
1
12
(3.136)
do,
er
b
h
opt
u
(
0
)
=
3
7/3
25
2
(
u
)
1
3
T
2/3
(3.137)
o T dsigne la taille de lchantillon et,
u
=
2
u
2
h
u
()
h
u
()
et
=
2
2
h
u
()
h
u
()
. (3.138)
Il en rsulte de K
opt
t
(x) et K
opt
f
(x) que lexpression optimale de la fentre h dans le
calcul de I
N
(u
0
,
0
) soit :
h
opt
(x) = (6x(1 x))
1/2
(3.139)
2.2.1.3 Lapproche dAdak (1998)
Nous avons vu que les processus localement stationnaires par morceaux dAdak
Chapitre 3 : La Thorie de lAnalyse Spectrale 138
pouvaient tre approchs par des processus stationnaires par morceaux. Cela suggre
que pour estimer la densit spectrale volutive, on peut procder une segmenta-
tion au pralable du processus en plusieurs blocs approximativement stationnaires,
puis utiliser la formule (3.97) pour une estimation de la densit spectrale volu-
tive. Cest cette approche quAdak (1998) a adopte en proposant un algorithme
de segmentation TASS (Tree-based Adaptative Segmented Algorithm). Lessentiel de
cet algorithme consiste subdiviser dabord la srie tudie en plusieurs blocs qui
peuvent semboter les uns dans les autres. Puis pour chaque bloc, une estimation
de la densit spectrale sera calcule. Enn, un algorithme est utilis pour recoller les
segments adjacents pour lesquels les spectres se ressemblent. Le critre utilis par
Adak (1998) pour le choix de la bonne segmentation du processus tudi, consiste
trouver la subdivision optimale S
b
h
gauche
,
b
h
droite
(3.140)
o
b
h
gauche
et
b
h
droite
dsignent respectivement les estimations des densits spectrales
du bloc de gauche et de droite pour les deux blocs adjacents. Nous prciserons ci-
dessous les distances utilises. Pour dterminer S
Etape II : Fixer m =
N
2
D+1
le nombre maximum de segments embots, avec N
dsignant la taille de lchantillon tudi.
Etape V : Calculer R
b,d
=distance
b
h
2b,d+1
,
b
h
2b+1,d+1
et xer valeur(b, d) = R
b,d
,
b
F
2b,d+1
(
j
)
b
F
2b+1,d+1
(
j
)
(3.141)
o
b
F
b,d
() =
R
1
2
b
h
b,d
() d et
j
=
2j2
d
2N
, j = 0, 1, ...,
N
2
d
1,
Distance de Cramr-Von Mises :
R
b,d
=
r
N
2
d
b
F
2b,d+1
(
j
)
b
F
2b+1,d+1
(
j
)
l
2
(3.142)
Distance calcule partir dune somme cumulative (CuSum) :
Chapitre 3 : La Thorie de lAnalyse Spectrale 140
R
b,d
=
N
2
d
_
_
max
j
P
j
k=0
Z
b,d
(
k
)
P
N
2
d
+1
1
k=0
Z
b,d
(
k
)
j + 1
N
2
d
+1
_
_
(3.143)
o,
Z
b,d
(
k
) = 1 + log
b
h
2b,d+1
(
k
)
b
h
2b+1,d+1
(
k
)
!
(3.144)
2.2.1.4 Lapproche dOmbao et al. (2001-2002)
Soit {X
t,T
}
T1
t=0
un processus SLEX localement stationnaire. Comme dans le cas
stationnaire avec une base exponentielle {e
it
}, une premire approche pour es-
timer la densit spectrale volutive SLEX, h
u
() est de considrer le priodogramme
SLEX, b
S
i
,k
i
,T
. Cest un estimateur de la densit spectrale pour les points t S
i
et la frquence
k
i
=
k
|S
i
|
avec |S
i
| dsignant la taille du bloc S
i
. Les proprits
asymptotiques de b
S
i
,k
i
,T
sont rsumes ci-dessous :
E(b
S
i
,k
i
,T
) = h
u
(
k
i
) avec u (0, 1) et [uT] S
i
(3.145)
Si on suppose en outre que le processus tudi est gaussien, alors les priodogrammes
b
S
i
,k
i
,T
sont indpendants et sont distribus suivant :
b
S
i
,k
i
,T
(
h
u(
k
i
)
2
2
2
si
k
i
6= 0 et 0.5
h
u
(
k
i
)
2
1
si
k
i
= 0 ou 0.5
avec [uT] S
i
(3.146)
Ainsi, b
S
i
,k
i
,T
est un estimateur sans biais mais non consistant. Pour rduire les
uctuations, on peut avoir recours une mthode classique qui consiste lisser le
priodogramme. Ainsi, tant donn un point u (0, 1), pour estimer h
u
(), on
calcule dabord le SLEX priodogramme b
S
i
,k
i
,T
sur un bloc S de taille M tel que
[uT] S. Le lissage en frquences prend alors la forme suivante :
Chapitre 3 : La Thorie de lAnalyse Spectrale 141
b
h
u
() = (Mb
f
)
1
M/2
X
k=
M
2
+1
K
f
(
k
)
b
f
I
S
(u,
k
) (3.147)
avec I
S
(u,
k
) = b
S
i
,k
i
,T
,
k
=
k
M
, K
f
() une fonction fentre, paire, de support
compact [0.5, 0.5] avec
R
K
f
() d = 1. On suppose en outre que la largeur de
bande en frquence b
f
0 et Mb
f
tend vers + quand T tend vers . En
supposant que les conditions (1), (2) et (3) que nous avons dj prsentes soient
vries et en posant b
t
=
M
T
, la largeur de bande dans la dimension temporelle,
alors les proprits asymptotiques de
b
h
u
() sont :
E(I
S
(u,
k
)) = h
u
(
k
) +O(b
s
t
) pour
k
6= 0 (3.148)
E
b
h
u
()
= h
u
(
k
) +O(b
s
t
) +O(b
f
) +O((Mb
f
)
) pour
k
6= 0 (3.149)
var
b
h
u
()
= (b
f
b
t
T)
1
h
2
u
()
Z
K
2
()d +O((b
f
b
t
T)
1
) pour
k
6= 0 (3.150)
Pour des choix optimaux de b
f
et de b
t
, lerreur relative de
b
h
u
() est :
E
b
h
u
()
h
u
()
1
!
2
= O
T
2s
+s+2s
(3.151)
avec la valeur donne dans la condition (1), et s = inf
(s
) avec s
donn dans la
condition (2). Lexpression (3.150) montre que le taux de consistance est de lordre
de (b
f
b
t
T)
1
= (b
f
M)
1
2
. Ainsi, en xant b
s
f
= b
t
= b (cest dire que le biais
dans le domaine temporel est le mme que dans le domaine des frquences) ? on
peut dterminer par exemple M la taille optimale du bloc sur lequel on calcule les
Chapitre 3 : La Thorie de lAnalyse Spectrale 142
estimations. Ltude du spectre issu des modles SLEX a t galement tendue aux
mthodes bootstrap par Ombao et al. (2002).
2.2.2 Mthodes destimation paramtrique
Nous avons vu que pour estimer la densit spectrale dun processus stationnaire,
on peut au pralable estimer un modle ARMA? puis utiliser les formules connues
des densits spectrales issues de tels processus. Dans le cas non stationnaire, une
mthode similaire consiste estimer aussi un modle autorgressif avec paramtres
variant avec le temps, ensuite, utiliser les formules spciques donnant la densit
spectrale volutive. Parmi les moyens classiques destimations des modles coe-
cients variables avec le temps, on peut citer la mise en uvre du ltre de Kalman.
Rao (1970) a utilis une mthode des moindres carres pondrs pour lestimation de
tels modles et Dahlhaus (1997) et Dahlhaus & Giratis (1998) ont tudi le problme
en dveloppant une thorie locale des relations de Yule-Walker. Soit un chantillon
{X
t,T
}
T
t=1
issu dun processus localement stationnaire (au sens de Dahlhaus) et ayant
une densit spectrale thorique h
u
() avec u =
t
T
(0, 1). Supposons que {X
t,T
}
T
t=1
rsulte rellement du modle AR coecients variables, suivant :
p
X
j=0
a
j
(u)X
tj,T
= (u)
t
avec u =
t
T
et t = 1, ..., T (3.152)
Ce modle est un cas particulier de processus localement stationnaire au sens de
Dahlhaus et la densit spectrale volutive qui en rsulte est :
h
(u),u
() =
2
(u)
2
P
p
j=0
a
j
(u)e
ij
2
(3.153)
o (u) = (
2
(u) , a
1
(u), ..., a
p
(u))
0
dsigne lensemble des paramtres estimer
autour de chaque instant u =
t
T
. Le caractre de stationnarit locale de {X
t,T
}
T
t=1
Chapitre 3 : La Thorie de lAnalyse Spectrale 143
suggre quon construise autour de chaque point u =
t
T
un intervalle de taille N et
centr en [uT] (disons U
N
= [uT]
N
2
+1, ..., [uT] +
N
2
) sur lequel on peut considrer
que le processus est approximativement stationnaire, puis tudier un estimateur de
(u) sur cet intervalle. Cest lapproche adopte par Dahlhaus (1997) et Dahlhaus &
Giratis (1998). Notons par ba
N,u
= (ba
N
(u, 1) , ..., ba
N
(u, p))
0
et b
2
N,u
des estimateurs
locaux de Yule-Walker calculs sur lintervalle U
N
= [uT]
N
2
+ 1, ..., [uT] +
N
2
.
Alors ces estimateurs sont dtermins de manire non-paramtrique par les relations
suivantes [voir Dahlhaus & Giratis (1998)] :
ba
N,u
=
b
R
1
N,u
b r
u
et b
2
N,u
= bc
N
(u, 0) +ba
0
N,u
b r
u
(3.154)
o b r
u
= (bc
N
(u, 1) , ..., bc
N
(u, p))
0
,
b
R
N,u
= {bc
N
(u, i j)}
i,j=1,...,p
, et, la covariance
locale calcule laide dune fentre h() et H
N
=
P
N1
j=0
h
2
j
N
:
bc
N
(u, k) =
1
H
N
X
16t,t+k6N
h(
t
N
)h
t +k
N
X
[uT]
N
2
+t,T
X
[uT]
N
2
+t+k,T
Il en rsulte lestimateur de h
u
() suivant :
b
h
u
() =
b
2
N,u
(u)
2
P
p
j=0
ba
N
(u, j)e
ij
2
(3.155)
Les estimateurs ba
N,u
et b
2
N,u
sont calculs sur lintervalle U
N
de taille N. Le N
opt
optimal qui permet de construire le plus grand intervalle centr sur [uT] sur lequel le
processus est stationnaire, a t prsent par Dahlhaus &Giratis (1998). N
opt
dpend
entre autres des caractristiques thoriques propres au processus quon veut tudier.
Cest dire que la rigueur exigerait quon adapte N selon le point u =
t
T
autour
duquel on veut dterminer un estimateur. Mais comme on ignore les caractristiques
thoriques du processus (cest ce quon veut estimer) ? alors on xe N. On peut aussi
Chapitre 3 : La Thorie de lAnalyse Spectrale 144
dterminer
b
N
(u) (un estimateur de (u) au point u sur lintervalle U
N
) en utilisant
une version locale de la fonction de Whittle sur lintervalle U
N
:
b
N
(u) = arg min
1
4
Z
log h
(u),u
() +
I
N
(u, )
h
(u),u
()
d (3.156)
o I
N
(u, ) =
1
2H
N
P
N1
s=0
h
s
N
X
[uT]
N
2
+s+1,T
e
is
2
est le priodogramme local
calcul sur lintervalle U
N
. Si le processus {X
t,T
}
T
t=1
est rellement issu du modle
autorgressif, cest dire que si la densit spectrale thorique h
u
() = h
0
(u),u
()
[avec
0
(u) tant les vraies paramtres du modles], alors
b
N
(u) est un estimateur
convergent de
0
(u) [voir Dahlhaus (1997) et Dahlhaus & Giratis (1998)]. Les es-
timateurs
b
N
(u) et ceux donns dans les quations (3.154) sont quivalents [voir
Dahlhaus & Giratis (1998)] si on calcule les covariances locales bc
N
(u, j) laide du
priodogramme local I
N
(u, ) : bc
N
(u, j) =
R
e
ij
I
N
(u, ) d.
Conclusion
Trois enseignements majeurs de ce chapitre doivent tre voqus. Dabord, le
thorme dHerglotz (par quivalence le thorme de reprsentation spectrale) con-
stitue un pont entre les deux domaines temporel (fonction de covariance) et frquen-
tiel (densit spectrale). Il souligne lquivalence entre les deux domaines dans le sens
o le comportement de la fonction de covariance peut tre traduit dans le domaine
des frquences. Ce thorme montre alors quil ny a pas dinteraction entre les
deux domaines, mais quun problme donn peut tre aisment abordable dans un
domaine plutt que dans lautre. Ce qui nous amne conclure que les approches
temporelles et spectrales ne sont pas exclusives mais se compltent. Ensuite, bien
que le concept de la densit spectrale stationnaire soit trs bien connu sur le plan
Chapitre 3 : La Thorie de lAnalyse Spectrale 145
de la thorie, de lestimation et des applications, ces thormes reposent sur une
hypothse forte, cest dire la stationnarit du moment dordre deux. Lorsquune
telle hypothse est relche, on admet alors la possibilit pour la fonction de covari-
ance de dpendre du temps et non du dlai entre les deux instants dobservation de
la srie. Ds lors, les thormes de reprsentations perdent leur sens puisquils ne
prennent pas en considration la dpendance temporelle. Alors, plusieurs dnitions
dune densit spectrale voluant avec le temps sont proposes dans la littrature.
Enn, dans les approches de Priestley et de Sachs, la densit spectrale est pri-
ori considre comme pouvant voluer dans le temps. Lintrt de cette dernire
approche est grand puisquelle permet de localiser les frquences instables et les
instants partir desquels ont eu lieu ces instabilits. Ainsi, la densit spectrale
volutive a cette particularit unique de fournir simultanment les caractristiques
de linstabilit de la srie dans le domaine temporel et frquentiel. Dans ltude
dune variable conomique, on peut donc vrier en cas de non stationnarit les
composantes frquentielles qui font lobjet de linstabilit.
Chapitre 4
Densit Spectrale volutive &
Identication des Changements
Structurels
Introduction
Dans cette section, la question de linstabilit du processus de lination amri-
caine est soumise un examen minutieux. Les donnes sont longuement exam-
ines dans les deux domaines temporel et frquentiel. Cette tude est justie par
le manque dunanimit sur lvidence empirique concernant linstabilit. Le test
dinstabilit appliqu la densit spectrale a lavantage de pouvoir attribuer aux
coupures dtectes direntes frquences pouvant nous renseigner sur le terme de
linstabilit (court, moyen ou long terme). Dans cette section, nous essayons d-
exploiter la thorie de la densit spectrale volutive dans le cadre de la dtection
des ventuels changements structurels qui revient localiser les principales dates
qui traduisent des modications signicatives dans la dynamique dun phnomne
conomique structurel. Nous dveloppons une mthode non paramtrique qui ne
privilgie priori aucune modlisation. Elle fait appel lanalyse temps-frquence
des donnes. Notre choix de cette approche est motiv dune part, par les rsultats
146
Chap. 4 : Densit Spectrale volutive et Changements Structurels 147
quArtis, Bladen-Hovell & Nachane (1992) ont dj obtenus sur des donnes relles
et dautre part, par les renseignements supplmentaires que la mthode fournit dans
le domaine des frquences. En eet, la connaissance du comportement de la srie
du point de vue frquentiel renseigne sur la nature des instabilits observes sur les
donnes, i. e., instabilit de court, moyen ou long terme. Ainsi, Artis et al. (1992)
ont exploit cette approche pour analyser les caractristiques de linstabilit de la
vitesse de circulation de la monnaie dans certains pays de lOCDE. Lanalyse temps-
frquences ou encore lanalyse spectrale des processus non stationnaires est un sujet
trs ancien. Lambition des recherches dans ce domaine est dtendre aux processus
non stationnaires ce quon sait faire avec les sries stationnaires dans le domaine des
frquences en exploitant les dveloppement rcents dans lanalyse spectrale des pro-
cessus non stationnaires. Le sujet tait quasiment abandonn au dbut des annes
1970 avant de rapparatre dans ces dernires annes avec lavnement de la thorie
des ondelettes (wavelets) comme en tmoignent les travaux de Priestley (1996) et
Dahlhaus (1996). Comme Artis et al. (1992), nous utilisons la thorie spectrale des
processus non stationnaires telle quelle a t formalise par Priestley (1965 & 1996).
Dans un premier temps, nous dcrivons la mthode utilisant la stabilit de la densit
spectrale. Ensuite, nous prsentons sa mise en uvre sur les donnes de lination
amricaine, puis nous proposons un algorithme itratif bas sur le test de linstabil-
it de la densit spectrale an de permettre une dtection multiple de changements
structurels. Enn, nous faisons le parallle entre les rsultats obtenus, les faits, et les
vnements socio-conomiques qui ont marqu le processus de lination amricaine.
Cependant, lutilisation de la densit spectrale dans le cadre de lidentication
des changements structurels pourrait ne pas capturer lexhaustivit des formes de
non stationnarit du processus du fait que nous xons comme hypothse de tra-
Chap. 4 : Densit Spectrale volutive et Changements Structurels 148
vail la stationnarit de la moyenne. Par consquent, nous considrons deux autres
approches complmentaires pour pouvoir recenser toutes les formes dinstabilit du
processus. La premire approche consiste tudier les instabilits dans la variance
du processus. Dans ce cadre, nous considrons lalgorithme itratif dInclan et Tiao
(1994). Aprs avoir tudier linstabilit dans la densit spectrale volutive et dans
la variance du processus, nous menons le mme exercice pour identier linstabilit
dans la moyenne. Dabord, nous utilisons les critres dinformation, savoir, le SIC
[voir Schwarz (1978)], le BIC [voir Yao (1988)], le YIC [voir Yao & Au (1989)] et le
MIC [voir Liu, Wu & Zidek (1997)]. Ensuite, nous considrons une varit de tests
propose par Bai & Perron (1998).
1 Stabilit de la densit spectrale
Il est bien connu que ltude des sries chronologiques peut se faire dans deux
domaines appels : temporel et frquentiel. Dans le premier cas, sans doute le plus
familier, nous nous intressons uniquement aux comportements des donnes entre
elles dans la dimension temporelle (par exemple ltude des corrlations, de la coin-
tgration, des racines unitaires, etc...). Dans le domaine des frquences, les ides fon-
damentales reposent sur les thormes dits de dcomposition. Comme nous lavons
vu au chapitre 3, ces thormes montrent que toute srie temporelle stationnaire,
disons {Y
t
}, peut se dcomposer en fonctions des frquences, i.e.,
Y
t
=
Z
A()e
it
dZ(). (4.1)
Ainsi, nous valuons limportance dune frquence particulire en mesurant sa
pondration (ou encore le spectre) E(|A()dZ()|
2
) dans la dcomposition ci dessus.
Le domaine des frquences est trs souvent employ pour ltude quantitative des cy-
Chap. 4 : Densit Spectrale volutive et Changements Structurels 149
cles des aaires mais dautres applications existent galement. Malgr les apparences,
les deux domaines temporel et frquentiel ne sont pas exclusifs dans le sens o il
existe des relations mathmatiques fortes entre eux. Ainsi, la fonction dautocovari-
ance (domaine temporel) est relie la densit spectrale (domaine des frquences)
par une transforme de Fourier. Dans la dcomposition en frquences (4.1), on peut
remarquer que la fonction de transfert (i.e., A()) ne varie pas dans le temps mais
dpend uniquement de la variable frquence . Cela sexplique par la stationnarit
du processus {Y
t
}, tout comme la fonction dautocovariance dune srie stationnaire
dpend uniquement des retards mais non pas du temps. Or, la stationnarit est une
hypothse trs forte et improbable dans le cas des sries longues (cest le cas des don-
nes tudies dans ce chapitre). Do la ncessit de rednir la relation (4.1) pour
caractriser les donnes non stationnaires, par exemple en introduisant la variable
temps dans la fonction de transfert. Ainsi, pour un processus {X
t
} non stationnaire,
nous pouvons adopter la dcomposition suivante :
X
t
=
Z
A
t
()e
it
dZ(), (4.2)
o la quantit E(|A
t
()dZ()|
2
) dsigne un spectre volutif puisquelle varie la
fois dans les deux dimensions temps et frquences. Tout comme la relation ( 4.1) est
fondamentale pour ltude des sries stationnaires dans le domaine des frquences,
elle est lorigine de nombreuses thories relatives lanalyse spectrale des don-
nes non stationnaires, par exemple les thories de Priestley (1965 & 1996) et Adak
(1998). Comme Artis et al. (1992), nous adoptons lapproche de Priestley que nous
rappelons sa description dans les paragraphes suivants. Le test de stabilit de la den-
sit spectrale
1
que nous appliquons dans ce chapitre est bas sur les variations de la
1
Voir Von Sachs & Neumann (2000).
Chap. 4 : Densit Spectrale volutive et Changements Structurels 150
fonction temps-frquences : E(|A
t
()dZ()|
2
). Une telle fonction permet destimer
la fois les dates de changement de rgime et les frquences concernes par lin-
stabilit. Lestimation des frquences instables fournit un avantage supplmentaire
que dautres techniques dtude ne permettent pas. En eet, selon que la frquence
instable soit basse ou haute, linstabilit sera respectivement de long ou de court
terme. Cette approche a t exploite par Artis et al. (1992) pour tudier linstabil-
it de la vitesse de circulation de la monnaie dans certains pays de lOCDE. Dans les
paragraphes suivants, nous prsentons brivement la thorie de Priestley qui nous
servira pour dnir les tests de (in)stabilit de la densit spectrale.
1.1 Thorie du Spectre volutif de Priestley
La thorie du spectre volutif de Priestley (1965) concerne les processus non
stationnaires et appels oscillatoires, i.e., les processus {X
t
} dnis en (4.2) o pour
chaque frquence , la squence {A
t
()} comme fonction de t admet une transforme
de Fourier maximum (en module) en zro avec {Z()} un processus orthogonal sur
[, ], E[dZ()] = 0
2
, E[|dZ()|
2
] = d() et () une mesure. Sans perte de
gnralit, la densit spectrale volutive de {X
t
} est la fonction h
t
() dnie comme
suit :
h
t
() =
dH
t
()
d
, , (4.3)
o dH
t
() = |A
t
()|
2
d(). La thorie de Priestley est particulirement attractive
puisquelle conserve une interprtation physique. Elle gnralise diverses thories
spectrales dans le cas non stationnaire. Enn, beaucoup de processus non station-
2
Cette condition implique E(X
t
) = 0.
Chap. 4 : Densit Spectrale volutive et Changements Structurels 151
naires sont approximativement oscillatoires. La variance de {X
t
} linstant t est :
2
t
= var(X
t
) =
Z
h
t
()d. (4.4)
titre indicatif, il est noter que le test de Priestley considre la dcomposition
gnrale suivante de log(h
t
()) :
log(h
t
()) = +
t
+
+
t
(4.5)
o, est une constante,
t
et
avec
t
=
t
= 0
Nous supposons que le processus {X
t
} est non stationnaire, de la forme X
t
= C
t
X
0
t
o C
t
est une fonction positive et {X
0
t
} est un processus stationnaire (on dit que
{X
0
t
} est un processus amplitude module). Dans ce cas, la densit spectrale
thorique de X
t
scrit exactement : h
t
() = C
2
t
h
0
() o h
0
() est la densit spec-
trale du processus stationnaire {X
0
t
}. Do, log(h
t
()) = log(C
2
t
) +log(h
0
()) avec
t
= log(C
2
t
) et
= log(h
0
()). Ce qui signie, quil ny a pas deet dinteraction
dans un processus amplitude module (
t
= 0) :
X
t
= C
t
X
0
t
Nous pouvons aussi caractriser laide de la densit spectrale volutive, les bruits
blancs :
Chap. 4 : Densit Spectrale volutive et Changements Structurels 152
{X
t
} est bruit blanc log(h
t
()) =
Lorsque {X
t
} est une suite de variables alatoires indpendantes avec var(X
t
) =
2
alors h
t
() =
2
2
do :
{X
t
} indpendantes avec var(X
t
) =
2
log(h
t
()) =
Le test de stationnarit de Priestley est compos de plusieurs tapes qui consis-
tent vrier dabord la prsence ou labsence dune interaction
t
. Dans le cas
o linteraction existe (cest dire que
t
6= 0), on rejette la stationnarit. Dans le
cas contraire (
t
= 0), nous concluons que le processus a la forme dune amplitude
module et nous poursuivons le test pour vrier si les eets temporels
t
existent
ou pas. Si le test conrme labsence de
t
alors, nous pouvons conclure que le pro-
cessus est stationnaire. Si au contraire,
t
6= 0, alors, nous rejetons lhypothse de
stationnarit.
Un estimateur de h
t
() linstant t et la frquence , peut tre calcul en
utilisant deux fentres {g
u
} et {w
v
}. Sans perte de gnralit,
b
h
t
() est construit
comme suit :
b
h
t
() =
X
vZ
w
v
|U
tv
()|
2
, (4.6)
avec U
t
() =
P
uZ
g
u
X
tu
e
i(tu)
. Nous choisirons {g
u
} et {w
v
} de la faon suivante :
g
u
=
1/(2
h) si |u| h
0 si |u| > h
et w
v
=
1/T
0
si |v| T
0
/2
0 si |v| > T
0
/2
. (4.7)
Ici h = 7 et T
0
= 20 (mme choix qu Artis et al. (1992)). Daprs Priestley (1969 &
1988) nous avons, E(
b
h
t
()) h
t
(), var(
b
h
t
()) dcrot quand T
0
crot et : (t
1
, t
2
),
(
1
,
2
), cov[
c
h
t
1
(
1
),
c
h
t
2
(
2
)] 0, si au moins lune des conditions (i) ou (ii) est
Chap. 4 : Densit Spectrale volutive et Changements Structurels 153
satisfaite :
(i) |t
1
t
2
| T
0
, (ii) |
1
2
|
h
. (4.8)
1.2 Test dArtis, Bladen-Hovell et Nachane (1992)
Lapproche utilise par Artis et al.(1992) est base sur un test cusum et destine
vrier la stabilit de la densit spectrale volutive autour dune valeur moyenne k.
La mise en uvre de leur test ncessite au pralable le choix dune valeur de rfrence
k. Mais, les auteurs ne fournissent pas une justication rigoureuse dans le choix de
k. Dautre part, lorsque nous appliquons leur approche sur les donnes de lination
aux tats-Unis
3
, aucun point dinstabilit nest repr, ce qui est paradoxal tant
donn les diverses crises ayant eu lieu depuis la n de la deuxime guerre mondiale.
Les auteurs considrent la statistique suivante :
W
r
=
1
k
r
X
i=1
(Y
i.
k), avec r {1, ..., I} (4.9)
o Y
i.
=
1
J
7
P
j=1
Y
ij
et
2
k
=
1
I
I
P
i=1
(Y
i.
k)
2
. Pour chaque i x ( cest dire t
i
x), la
quantit Y
i.
reprsente la valeur moyenne des Y
ij
= log(
b
h
t
i
(
j
)) lorsque j dcrit la
grille des frquences fr = {
20
(1 +3(j 1)}
7
j=1
. Le choix de la valeur de rfrence k
adopte par les auteurs est le suivant :
k =
1
J
I
X
i=1
19
X
j
0
=1
Y
ij
0 , (4.10)
o j
0
dcrit cette fois une grille de frquence fr
0
plus vaste que fr (cest dire que
fr fr
0
) :
fr
0
= {
20
j
0
}
19
j
0
=1
. (4.11)
3
Nous considrons les donnes de lindice des prix la consommation, CPI, (la srie est d-
saisonnalise). Nous utilisons les statistiques de la Rserve Fdrale de Saint Louis. Les donnes
sont mensuelles et couvrent la priode allant de Janvier 1946 jusquaot 2001.
Chap. 4 : Densit Spectrale volutive et Changements Structurels 154
Lorsque la courbe (r, W
r
) rencontre une des deux droites dquations W
(r) =
(C
I +
2C
I
), alors lensemble des points dintersection {r
tant tabules.
Pour dterminer si une frquence
j
fr est ventuellement instable, les auteurs
considrent une statistique de la forme W
j
suivante :
W
(j)
r
=
1
k
j
r
X
i=1
(Y
.j
k
j
), avec r {1, ..., I},
o Y
.j
=
1
I
I
P
i=1
Y
ij
et
2
k
j
=
1
I
I
P
i=1
(Y
.j
k
j
)
2
. Le choix de la valeur de rfrence k
j
adopte par les auteurs est le suivant :
k
j
=
1
I
0
I
0
X
i=1
Y
ij
, (4.12)
o I
0
dsigne cette fois la taille dune grille de temps t
0
ps
plus vaste que t
ps
(t
ps
t
0
ps
).
Cependant les instants de rupture sont tudis sur t
ps
. La frquence
j
est considre
instable si la courbe (r, W
(j)
r
) coupe une des droites dquations W
(r) = (C
I
0
+
2C
I
0
). Il ny a pas de fondements rigoureux sur le choix des valeurs de rfrences
k et k
j
. Ces choix sont seulement destins ralentir les convergences de W
r
et W
(j)
r
vers zro lorsque r tend vers I. La dtermination de k ncessite le calcul des Y
ij
0 pour
dautres frquences
j
0 qui ne sont pas dans fr et le calcul de k
j
implique dautres
instants qui ne sont pas dans la grille de temps tudie. Par ailleurs, les instants de
ruptures issus de la statistique W
(j)
r
(correspondants linstabilit de la frquence
de
j
) ne correspondent pas necessairement ceux obtenus par la statistique W
r
qui
tudie la stabilit dune valeur moyenne de la densit spectrale. Notre approche est
fonde sur le rsultat montr par Ahamada et Boutahar (2002), selon lequel le choix
dune valeur de rfrence, bas exactement sur la valeur moyenne des Y
ij
lorsque
Chap. 4 : Densit Spectrale volutive et Changements Structurels 155
j fr (cest dire
=
1
I
P
I
i=1
Y
i
, b
2
=
1
I
I
P
i=1
(Y
i
)
2
, S
r
=
1
b
I
r
P
i=1
(Y
i
) avec
r = 1, ..., I ; et T
= max
r=1,...,I
|S
r
|. Ainsi daprs Priestley (1969), nous avons le
modle suivant :
Y
i
h
i
+e
i
, i = 1, ..., I (4.13)
o la squence {e
i
} est approximativement indpendante et identiquement dis-
tribue suivant une loi normale. La relation (4.13) est une galit approximative et
les conditions (i) et (ii), prsentes dans les ingalits (4.8), jouent un rle impor-
tant dans sa validit. Pour tout (0, ), nous dirons que est une frquence
stable du processus {X
t
}, si la valeur de la densit spectrale volutive calcule
en , est indpendante du temps, i.e., t, h
t
() = c
, i.e. Pr(T
> C
) = (par exemple, C
0.1
= 1.22, C
0.05
= 1.36 et
C
0.01
= 1.63). Si la statistique T
> C
), alors le point r
max
o |S
r
| atteint son maximum (i.e., T
rmax
) est
un estimateur de la principale date de changement de rgime de la srie. Le point r
max
est une estimation de linstant partir duquel la valeur de la densit spectrale en
varie le plus. Si la frquence instable est proche de zro, alors le changement de rgime
constat concerne le long terme. Inversement, si la frquence instable est plutt
proche de , alors le changement nest quune rupture de court terme. Par ailleurs,
si la frquence instable est situe dans le voisinage de /2, alors le changement
structurel est de moyen terme. Gnralement, nous pouvons considrer la relation
de transmission, inversement proportionnelle du domaine frquenciel au domaine
temporel, suivante : T = /, avec la frquence instable et T la correspendance
temporelle de la dure du changement structurel exprime en terme de la mme
priodicit des donnes considres [ici, lunit est trimestrielle].
1.3.2 Application sur lInation aux tats-Unis
Nous appliquons le test T
j
. Nous
choisissons lensemble {
j
} suivant :
{
j
=
20
(1 + 3(j 1))}
7
j=1
. (4.15)
Nous pouvons vrier quun tel choix permet de valider la condition (ii) de la relation
(4.8) (rappelons que nous avons choisi h = 7). Cest lune des conditions susantes
pour obtenir des valeurs non corrles de la densit spectrale. Le tableau (4.2) rsume
les valeurs des S
j
r
pour r = 1, ..., I et pour chaque frquence
j
. Ce tableau indique
galement, avec le symbole (*), les valeurs des statistiques T
j
= max
r=1,...,I
j
r
j
r
sont atteintes.
Dates (r
max
) Frquences ()
1975 :12 10/20 13/20 16/20 19/20
1981 :08 /20 4/20 7/20
Tableau. (4.1) : Rsultats du test Cusum appliqu sur la densit spectrale
Chap. 4 : Densit Spectrale volutive et Changements Structurels 158
Deux dates sont indiques par les tests [voir le tableau (4.1)], 1975.12 et 1981.08.
Pour la date de 1975.12, ce sont les composantes de moyen et court terme de la
srie qui sont touches (frquences autour de
2
et frquences proche de ) alors que
pour la date de 1981.08, ce sont les composantes de long terme qui sont concernes
(frquences proche de zro). Cela signie que le changement de rgime amorc dans
les annes 1980 est persistant alors que pour lanne 1975 il sagit de mouvements
moyennement longs accompagns par des bruits transitoires.
Chap. 4 : Densit Spectrale volutive et Changements Structurels 159
Tableau. (4.2) Long Terme Court et Moyen Terme
r
S
/20
r
S
4/20
r
S
7/20
r
S
10/20
r
S
13/20
r
S
16/20
r
S
19/20
r
= max
r=1,...,I
|S
r
|, ne permet que lidentication dun seul
point de rupture la fois associ une frquence si la statistique T
dpasse la
valeur critique C
est
dnie comme le maximum de S
r
. Dautre part, nous rappelons quil est ncessaire
de construire deux fentres {g
u
} et {w
v
} pour le calcul de lestimateur de h
t
()
linstant t et la frquence . Daprs Priestley (1969 & 1988), deux restrictions
sont imposes la construction des fentres mais le respect de lune dentre elles
sura pour garantir les proprits statistiques de lestimateur
b
h
t
.
Notre objectif est double. Nous cherchons exploiter la premire procdure dA-
hamada & Ben Assa (2004) pour identier les multiples points de rupture possibles
et nous voulons aussi librer lun des deux axes ou bien laxe frquentiel ou laxe
temporel de la restriction impose pour la construction de leurs fentres correspon-
dantes. Et ainsi, selon notre choix de laxe librer, nous pouvons apporter beaucoup
plus de prcision dans la dtermination temporelle du point de rupture. Par exemple,
si nous librons lensemble des temps (i.e., nous considrons que T
0
= 1), il y aura
autant dlments
5
composants lensemble {w
v
} que dobservations T du processus
{X
t
}.
Nous reconsidrons la densit spectrale volutive h
t
() de {X
t
} dnie comme
suit :
5
Le relchement de cette restriction a pour consquence un ensemble inni dlments. Nous
limitons cet abandon de la condition de Priestley sur les entiers. Cependant, la fentre temps
peut tre plus prcise si nous considrons dautres ensembles comme lensemble des dcimaux par
exemple.
Chap. 4 : Densit Spectrale volutive et Changements Structurels 161
h
t
() =
dH
t
()
d
, ,
o dH
t
() = |A
t
()|
2
d(). Lestimateur de h
t
() linstant t et la frquence ,
peut tre calcul en utilisant deux fentres {g
u
} et {w
v
}.
b
h
t
() est construit alors
comme suit :
b
h
t
() =
X
vZ
w
v
|U
tv
()|
2
,
avec U
t
() =
P
uZ
g
u
X
tu
e
i(tu)
. Nous choisirons {g
u
} et {w
v
} toujours de la mme
faon que pour le prcdent test :
g
u
=
1/(2
h) si |u| h
0 si |u| > h
et w
v
=
1/T
0
si |v| T
0
/2
0 si |v| > T
0
/2
.
Seulement, nous allons opter ici pour le relchement de la condition (i), |t
1
t
2
|
T
0
, relative la construction de la fentre g
u
(pour cela, nous choisissons T
0
= 1).
Par consquent, nous avons lobligation de respecter la condition (ii), |
1
2
|
h
,
relative la construction de la fentre w
v
(pour cela, nous faisons le mme choix
quauparavant h = 7) pour garantir les proprits statistiques de lestimateur
b
h
t
(),
savoir, un estimateur sans biais : E(
b
h
t
()) h
t
(), et une covariance nulle :
(t
1
, t
2
), (
1
,
2
), cov[
c
h
t
1
(
1
),
c
h
t
2
(
2
)] 0, [voir Priestley (1969 & 1988)].
Inclan et Tiao (1994) ont propos un algorithme itratif bas sur un test CuSum
pour tester linstabilit de la variance. Nous nous inspirons de cette approche pour
congurer un algorithme squentiel an didentier successivement les dirents
points de rupture pour lesquelles nous rejetons lhypothse nulle de la stationnarit
de la densit spectrale volutive.
Si la statistique T
> C
) alors
le point r
max
o |S
r
| atteint son maximum (i.e., T
r
max
) est un estimateur
Chap. 4 : Densit Spectrale volutive et Changements Structurels 162
de la date principale de changement de rgime de la srie. Le point r
max
est une
estimation de linstant partir duquel la valeur de la densit spectrale en varie
le plus. Si la frquence instable est proche de zro alors le changement de rgime
constat concerne le long-terme.
Nous appliquons le mme test dont la statistique fondamentale T
est prsente
ci-dessus sur les donnes des taux dination aux tats-Unis. Les donnes sont men-
suelles (la srie est dsaisonnalise). Nous obtenons la srie de lination partir
de lindice des prix la consommation. Les statistiques considres sont celles de la
Rserve Fdrale de Saint Louis couvrant la priode allant de janvier 1957 avril
2003, dont la taille
6
est (T = 556). Pour cela, nous rappelons le choix de lchelle
des temps {t
i
}
I
i=1
sur laquelle sera calcule la densit spectrale :
{t
i
= i}
T
i=1
o T la taille de lchantillon. (4.16)
Nous sommes maintenant en mesure de tester la stabilit de nimporte quelle frquence
(0, ) et de reprer les dates correspondant ces instabilits parmi les lments
de {t
i
= i}
T
i=1
. Cependant, il faut choisir un ensemble discret et ni des frquences
{
j
} sur lequel on calculera les statistiques T
j
. Nous choisissons le mme ensemble
{
j
} quauparavant :
{
j
=
20
(1 + 3(j 1)}
7
j=1
. (4.17)
On peut vrier quun tel choix permet de valider la condition (ii) de la relation
(4.8) (rappelons que nous avons choisi h = 7). Cest lune des conditions susantes
pour obtenir des valeurs non corrles de la densit spectrale.
6
Cette fois-ci, nous considrons une srie plus courte comparativement avec celle utilise dans
les deux derniers tests. Etant donn que la procdure algorithmique de Bai et Perron (1998) ne
supporte pas de srie dont la taille soit suprieure T = 560, par consquent, nous avons souhait
diposer dune mme srie de donnes pour les deux approches (la densit spectrale et la moyenne).
Chap. 4 : Densit Spectrale volutive et Changements Structurels 163
Cette premire tape du droulement de lalgorithme consiste appliquer exacte-
ment la mme procdure du test de stationnarit de la densit spectrale volutive.
La seule dirence noter dans la premire tape consiste dans le fait que pour une
frquence donne et dnie dans lensemble {
j
}
7
j=1
, nous pouvons calculer S
r
, avec
r = 1, ..., T .
Les tapes suivantes consistent itrer cette premire procdure sur les sous-
ensembles qui ressortent au fur et mesure que nous identions des points de rup-
ture. Il est rappeler que la premire tape sachve en identiant au plus un seul
point de rupture. Au cas o nous rejetons lhypothse nulle de la stationnarit de
la densit spectrale (i.e., T
j
=
j
r
max
> C
), le point r
max
est dclar point de
rupture auquel nous associons la frquence
j
. Par consquent, deux sous-ensembles
de {t
i
= i}
T
i=1
en dcoulent : {t
i
= i}
(r
max
1)
i=1
et {t
i
= i}
T
i=(r
max
+1)
. Alors, nous pou-
vons commencer la deuxime tape qui consiste simplement r-appliquer le test
sur les deux nouveaux sous-ensembles temporels qui dlimitent de part et dautre
la premire date de rupture. Le but de cette tape est de rechercher dautres points
de ruptures ventuels dans ces sous-ensembles. Cette deuxime tape permettra di-
dentier au plus deux nouveaux points de rupture. Tant que lhypothse nulle de
la stationnarit de la densit spectrale est rejete (i.e., nous continuons valider
des nouveaux points de rupture), lalgorithme continuera en appliquant le test sur
les nouveaux sous-ensemble temporels qui encadrent les nouveaux points de rupture
identis. Le droulement de lalgorithme ne peut sarrter dexplorer les densits
spectrales volutives relatives aux donnes que seulement si nous acceptons lhy-
pothse nulle de la stationnarit de la densit spectrale. Sur le graphique (4.1), nous
pouvons voir le droulement de cet algorithme squentiel relatif la frquence la
plus basse (
1
=
20
) et associ un risque de = 1% (c
= 1.63).
Chap. 4 : Densit Spectrale volutive et Changements Structurels 164
1960 1980 2000
-2
0
2
k*=1980.8
S
(
r
,
w
)
1960 1970 1980
-2
0
2
k*=1974.6
S
(
r
,
w
)
1985 1990 1995 2000
0
1
2
k*=2000.3
S
(
r
,
w
)
1960 1965 1970
-1
0
1
2
k*=1969.9
S
(
r
,
w
)
1976 1978 1980
-0.5
0
0.5
1
1.5
Pas de rupture
S
(
r
,
w
)
1985 1990 1995 2000
0
1
2
k*=1990.11
S
(
r
,
w
)
2001 2002 2003
-0.5
0
0.5
1
S
(
r
,
w
)
1958 1961 1964 1967
-1
0
1
S
(
r
,
w
)
1970 1972 1974
-0.5
0
0.5
1
1.5
S
(
r
,
w
)
1982 1984 1986 1988 1990
-0.5
0
0.5
1
1.5
S
(
r
,
w
)
1992 1994 1996 1998 2000
-1
0
1
S
(
r
,
w
)
Pas de rupture
Pas de rupture
Pas de rupture
Pas de rupture
Pas de rupture
Figure (4.1) : Les rsultats de lalgorithme squentiel
Sur le graphique (4.2) , nous illustrons les valeurs de
b
h
t
(
j
), pour j = 1, ..., 7.
Ces estimations sont appliques sur la totalit de lensemble T dans le cadre de la
premire tape de lalgorithme squentiel.
Chap. 4 : Densit Spectrale volutive et Changements Structurels 165
Pi/20
4 Pi/20
7 Pi/20
10 Pi/20
13 Pi/20
16 Pi/20
19 Pi/20
1957
1965
1970
1975
1980
1985
1990
1995
2003
0
1
2
3
4
5
6
7
8
Figure (4.2) : Reprsentation temps-frquence de
b
h
t
(
j
)
Quant au graphique (4.3), il reprsente les valeurs de la statistique S
j
r
, pour
j = 1, ..., 7. Ces dernires sont lorigine de la statistique du test, soit T
j
=
max
r=1,...,I
j
r
j
r
Aprs le droulement de lalgorithme squentiel pour les septs frquences consti-
tuant lensemble {
j
=
20
(1 +3(j 1))}
7
j=1
, nous pouvons prsenter dune manire
exhaustive les rsultats des dirents points de rupture identis sur la gure (4.4).
Cette identication est reprsente selon les deux axes temporel et frquentiel.
Chap. 4 : Densit Spectrale volutive et Changements Structurels 167
1960 1965 1970 1975 1980 1985 1990 1995 2000
0
Pi/20
4 Pi/20
7 Pi/20
10 Pi/20
13 Pi/20
16 Pi/20
19 Pi/20
Figure (4.4) : Prsentation de la totalit des points de ruptures.
Il est prvisible et attendu que le nombre de points de rupture soit croissant en
fonction des frquences les plus hautes. Le graphique (4.5) reproduit le nombre total
des points de rupture par frquence.
Pi/20 4 Pi/20 7 Pi/20 10 Pi/20 13 Pi/20 16 Pi/20 19 Pi/20
5
10
15
20
25
30
35
Figure (4.5) : Evolution du nombre de points de ruptures
Chap. 4 : Densit Spectrale volutive et Changements Structurels 168
Nous passons en revue les rsultats relatifs lidentication non-paramtrique
des changements de rgime dans le processus de lination aux tats-Unis de janvier
1946 aot 2001, par un test fond sur linstabilit de la densit spectrale volutive
que nous avons prsent ci-dessus.
Les rsultats obtenus donnent penser quils sont trs signicatifs puisquils
concident avec des faits et des vnements conomiques assez importants. Les r-
sultats nous montrent en particulier que la courbe de lvolution de lination aux
tats-Unis sest aplatie durant les vingt dernires annes puisque nous constatons
que cette diminution de lampleur de lination est stable et durable.
1.5 Aperu historique des faits conomiques du processus
inationniste amricain
la n de la deuxime guerre mondiale, la demande de biens et services dpasse
le niveau de production qui son tour, a baiss considrablement cause de la
guerre. En consquence, les prix avaient tendance augmenter. Cette ination leve
et volatile a aaibli la capacit de lconomie amricaine maintenir des conditions
propices une expansion soutenue et la cration demplois. Une telle ination a
suscit des incertitudes chez les consommateurs et les investisseurs et a engendr
de pnibles cycles de surchaue et de contraction, qui ont occasionn des dicults
pour un bon nombre damricains. La forte ination que les tats-Unis ont connue
la n de la deuxime guerre a rod la valeur des revenus et de lpargne. Aprs
la n de la deuxime guerre mondiale, le retour la croissance conomique tait
progressif et la conance a regagn le consommateur [voir Horsman (1988)].
La situation est reste stable relativement jusqu la n des annes soixantes et
au dbut des annes soixante-dix, dates auxquelles le niveau de lination est de-
Chap. 4 : Densit Spectrale volutive et Changements Structurels 169
venu relativement lev puisque lination annuelle a mont progressivement de 2%
environ 10% la n des annes soixante-dix. Aux tats-Unis, comme en Grande-
Bretagne, lination a commenc acclrer de rythme longtemps avant lexplosion
des prix limportation. Pendant les annes 60, ladministration du Prsident John-
son a largement poursuivi les politiques keynsiennes prcdemment prsentes par le
Prsident Kennedy. Pendant plusieurs annes, ces politiques semblaient globalement
tre couronnes de succs. La croissance de la productivit dans toute la premire
moiti des annes 60 a t largement considre comme satisfaisante et ntait ja-
mais accompagne par aucun degr srieux dination ou par aucune dtrioration
marque de la balance de paiement. Au milieu de lanne 1966, une nouvelle con-
trainte excessive sur les ressources, exprime par laugmentation des dpenses pour la
dfense en liaison avec la guerre du Vietnam, commence se faire resentir travers
laugmentation des taux dintrt. Lination amricaine a continu augmenter,
laissant croire une mini-rcession. Par ailleurs, une croissance de 13% des impor-
tations entre le deuxime semestre de 1967 et le premier semestre de 1968 a contribu
une forte dtrioration de la balance commerciale [voir Brown & Darby (1985)].
Cependant, llvation du taux descompte et la pression de la Rserve Fdrale
sur les banques commerciales ne se sont pas montres ecaces. Mme laugmenta-
tion dimpts destine couvrir les dpenses militaires et les nouvelles hausses des
taux dintrt, nont pas empch lination de continuer son augmentation pen-
dant lanne 1969. Les prix limportation des tats-Unis taient en hausse de 2%
par an alors que les exportations taient pendant 1968-1970 au niveau le plus bas
depuis la priode daprs-guerre. Au mme temps, une augmentation des salaires
vient alourdir encore les dpenses publiques. Perry (1980) considre que pendant
les annes 1968-1971 le salaire horaire moyen, ngoci par les syndicats, augmentait
Chap. 4 : Densit Spectrale volutive et Changements Structurels 170
plus rapidement que les prix la consommation, sans que la croissance de la produc-
tivit suive proportionnellement le mme rythme de progression. Brown & Darby
(1985) attirait lattention particulirement la pression salariale (Wage-push) et
lacclration des dpenses partir de 1968. De faon gnrale, un excdent de
demande qui dcoule du contexte de guerre, semble avoir t la source principale de
laugmentation des salaires. On pensait que la rduction du niveau de la demande
globale allait reproduire la stabilit des prix. Mais une partie importante de la main
duvre amricaine, qui a ngoci son salaire dans le cadre des contrats long terme
souvent dune dure de trois ans, a favoris la rigidit des prix la baisse. De cette
faon, les pressions inationnistes ont continu peser lourd sur lconomie amri-
caine. En outre, une hausse norme des importations de 40 milliards 70 milliards
a t enregistre entre 1970 et 1973; ce qui a caus une dtrioration consquente
du compte courant de la balance des paiements, qui est devenue dramatique la n
de 1972.
En Aot 1971, le prsident Nixon a annonc des nouvelles mesures sans prcdent
dans lhistoire de la politique conomique aux tats-Unis. Ces mesures concernaient
le contrle quasi-total des prix et des salaires. Ladoption de ces mesures a justi
les soupons grandissants depuis lexprience des annes 60 selon lesquels la capacit
des politiques de gestion de la demande et de matrise de lination sont devenues
de moins en moins ecaces. Une autre raison, selon beaucoup dauteurs tels que
Blinder (1979) et Brown & Darby (1985), est le dsir du prsident Nixon daccrotre
sa popularit en rassurant le peuple amricain quant lecacit de la conduite et
de la gestion du pays, dans lespoir de gagner sa rlection en Novembre 1972. La
xation des prix a continu jusquen janvier 1973 o on a commenc les librer
Chap. 4 : Densit Spectrale volutive et Changements Structurels 171
mais, elle sest poursuivie dans certains secteurs (notamment lalimentaire, la sant
et la construction). Cependant, les salaires taient gels sauf quelques exceptions et
lination a beaucoup acclr en particulier pendant lt 1973, [voir tableau (4.3)].
Et partir daot 1973, on a constat un retour progressif la exibilit totale des
prix qui sest produit en avril 1974.
Lecacit de la politique du contrle des prix a fait lobjet dune recherche
empirique intense. Gordon (1973) constate que le contrle des prix a vit entre 2 et
3,5% dination jusqu janvier 1973, mais considre qu partir du milieu de lanne
1973, les prix se sont rattraps par rapport au niveau quils auraient atteint sans
contrle. Brosworth & Vroman (1977) estiment que ces mesures ont rduit environ
0,5% le taux annuel dination. Nadiri & Gupta (1977) ont galement montr une
lgre baisse des salaires et des prix alors que Blinder (1979) trouvait une baisse
maximale de lindice des prix la consommation de 1,6%.
La priode du contrle des prix tait accompagne dune augmentation de la
demande stimule par la politique scale expansionniste impliquant de grands d-
cits publics. Au quatrime trimestre de lanne 1973, lOPEP a quadrupl le prix
du ptrole que les tats-Unis importaient massivement, provoquant la n 1974,
des augmentations gnralises des prix de dtail de lnergie allant jusqu 47% et
expliquant en partie lacclration de lination de cette priode.
Annes 1970 1971 1972 1973 1974 1975 1976
Chmage 5.0 6.0 5.6 4.9 5.6 8.5 7.7
Ination 5.6 3.5 3.4 8.3 12.1 7.4 5.1
Revenu Horaire 6.6 6.7 6.6 6.3 9.1 7.4 7.3
Tableau
7
(4.3) : Indicateurs de lEconomie Amricaine - en %
7
Source : Clark (1985)
Chap. 4 : Densit Spectrale volutive et Changements Structurels 172
Les annes 1980 et 1981 sont marques par une vague de la dsination que les
tats-Unis dAmrique ont pu connatre sous le nom de dsination de Vockler et
qui a concern une nouvelle conduite de la politique montaire. En eet, avant les
annes 1970, les retombes des chocs rels sur lconomie sont considres comme
minimes. Les uctuations considrables des prix du ptrole ont modi ce point de
vue et amen la Rserve Fdrale des tats-Unis rviser la mise en uvre de la
politique montaire. Par ailleurs, il est remarquer que la croissance inationniste
des annes 70 a pos des problmes normes lconomie amricaine. En 1977, le
chmage qui a t denviron 7% [voir le tableau (4.4)], tait suivi dune augmentation
des cots de la main duvre en 1978 et 1979 en raison de laugmentation des taxes
sur les salaires [voir le tableau (4.3)]. Par consquent, la vague inationniste sest
amplie surtout aprs la deuxime grande hausse des prix du ptrole brusquement
produite entre 1979 et 1980 [voir le tableau (4.4)]. Ce dernier choc sur les prix du
ptrole tait caus essentiellement par les contraintes dapprovisionnement et par
laugmentation intensive de la demande mondiale.
Annes 1977 1978 1979 1980 1981 1982
Chmage 7.1 6.1 5.9 7.2 7.6 9.7
Ination 6.6 9.0 12.8 12.5 9.6 4.5
Revenu Horaire 7.5 8.4 8.0 9.6 8.3 6.0
Tableau
8
(4.4) : Indicateurs de lEconomie Amricaine - en %
Aprs lanne 1979, les politiques amricaines ont sembl incarner la volont
de matriser lination en exerant des hausses de taux dintrt plus sensibles
9
que celles appliques pendant les annes 1974-75. Aprs lavnement de Ronald
Reagan au pouvoir en novembre 1980, les taux descompte ont t encore relevs pour
8
Source : Clark (1985)
9
Le taux descompte de la Rserve Fdrale a immdiatement progress jusqu 12%.
Chap. 4 : Densit Spectrale volutive et Changements Structurels 173
atteindre les 14% en mai 1981. Les propositions scales du prsident sont nettement
direntes des procdures mises en uvre en 1974-75. Le Prsident Reagan a projet
de grandes rductions dimpts. Les eets globaux de ces dernires mesures devraient
conduire la restauration de lquilibre budgtaire fdral dici 1984-85. Lanne
1982, est marque par la hausse du dcit scal alors que les taux dintrts sont
un niveau assez lev tournant autour de 9% et le chmage a gard la marge de 9%
[voir le tableau (4.4)]. partir de lanne 1983, lconomie amricaine, favorise par
la baisse des prix du ptrole, par la rduction du taux de lination environ 5%,
et par le ralentissement de laugmentation des salaires, a renou avec la croissance.
Sous linuence des taux dintrt levs, le Dollar a contribu sensiblement cette
reprise conomique en attirant massivement le ux des capitaux trangers qui ont
augment denviron 30%.
Les tats-unis se sont engags, sous limpulsion de la Fed dirige par Paul Vol-
cker, dans la voie de politique montaire restrictive qui privilgie la stabilit des prix
et la lutte contre lination. La baisse du prix de lnergie a galement contribu
la baisse de lination. On constate partir de 1983 la conjonction dune croissance
rgulire et dune ination faible.
Les dcisions entreprises par Greenspan, le successeur de Volcker la tte de
la Rserve Fdrale ont eu leur part dans les vnements historiques, puisquelles
sont lorigine de la conduite de la politique montaire amricaine. Par exemple, le
19 octobre 1987, c..d deux mois aprs larrive de Greenspan la Fed, la bourse a
chut de 22% le plus grand plongeon dune journe jamais enregistr. En rponse
cette chute, Greenspan a ragi en inondant lconomie avec la liquidit, en abaissant
les taux dintrt et en vitant une rcession. Mais, trs vite lination est devenue
le souci majeur de la politique montaire amricaine. La Fed commence rviser
Chap. 4 : Densit Spectrale volutive et Changements Structurels 174
plusieurs fois ses taux dintrt la hausse. Par consquent, les fonds fdraux
ont volu de 6,7% en novembre 1987 avant datteindre les 9,8% en mai 1989, ce
qui a pouss lconomie dans une rcession lanne suivante. Cette rcession a aid
lavnement de Clinton au pouvoir, un gouverneur peu connu dArkansas, en battant
Bush qui cumulait dans son bilan non seulement une rcession conomique mais en
plus lengagement des tats-unis dans la guerre du Golfe.
Les annes Clinton ont apport leurs propres ds aux autorits montaires. Les
crises nancires internationales au Mexique en 1994-95 et en Asie en 1997-98 ont
plac le systme nancier mondial en pril et la Fed disposera dun intrt central.
En mme temps, la pousse des politiques scales a transform le budget public
des tats-Unis dune situation dcitaire une situation excdentaire et a facilit
le travail de la Fed. Ainsi, la croissance de la productivit a commenc sacclrer.
Au sujet de la conduite de la politique montaire conjointement avec les perfor-
mances macroconomiques aux tats-Unis pendant les annes 90, Mankiw (2001b)
tire quatre conclusions majeures. Dabord, les performances macro-conomiques des
annes 90 sont exceptionnelles, particulirement en ce qui concerne la baisse de la
volatilit de la croissance, du chmage, et de lination. En second lieu, une grande
partie de ces bonnes performances est explique par la bon comportement de la
composante de lore globale de lconomie et particulirement concernant les prix
des biens nergtiques [comme lindique lvolution
10
du prix des ptroles bruts sur
la gure (4.6)], ce qui a conduit une acclration inattendue de la croissance de la
productivit.
10
La stabilit du prix des ptroles taient un niveau trs bas et presque parfaite lexception
de laugmentation des prix la n des annes 1990. Par ailleurs, nous montrons sur le graphique
(4.6) que cette amb ntait pas en terme de prix rel de trs grande ampleur.
Chap. 4 : Densit Spectrale volutive et Changements Structurels 175
1970 1975 1980 1985 1990 1995 2000
0
5
10
15
20
25
30
35
Prix nominaux
Prix rels
(Prix rel ajusts en fonction du taux de change et de l'inflation)
En $ le baril - base 1973 = 100
Figure (4.6) : Prix des ptroles bruts OPEP en valeur nominale et relle
Troisimement, les autorits montaires ont rendu les taux dintrt plus sensibles
lination ce qui ntait pas le cas dans des priodes prcdentes. Quatrimement,
bien que les annes 90 puissent tre considres comme exemple de la politique
discrtionnaire russie, il est trs probable que les autorits montaires la Fed
auraient considr une cible implicite dination un taux denviron 3%.
Dcennie 1950 1960 1970 1980 1990
Ination moyenne-en % 2.07 2.33 7.09 5.66 3.00
cart type de lination 2.44 1.48 2.72 3.53 1.12
Maximum dination-en % 9.36 6.20 13.29 14.76 6.29
Date du maximum fvrier 50 dcembre 69 dcembre 79 mars 80 octobre 90
Tableau
11
(4.5) : volution de lination amricaine dcennie par dcennie
Le tableau (4.5) montre le niveau de lination pendant les annes 90 et les quatre
dcennies prcdentes. La premire ligne de ce tableau prsente lination moyenne
pour chacune des dcennies. La deuxime ligne expose lcart type, qui est une
mesure commune de volatilit. En ce rfrant aux taux dination moyen, les annes
11
Source : Dpartement amricain du travail. Les taux dination prsents dans ce tableau sont
drivs de lindice des prix la consommation (CPI).
Chap. 4 : Densit Spectrale volutive et Changements Structurels 176
90 ntaient pas exceptionnelles. Lination tait infrieure pendant les annes 50 et
les annes 60 comparativement son niveau des annes 90. Cependant, les annes
90 peuvent tre considres comme une dcennie de faible ination compte tenu de
la sensible baisse enregistre comparativement ses niveaux atteints pendant les
annes 80 et particulirement les annes 70. Cette baisse du niveau de lination est
en grande partie le rsultat des politiques dures de dsination diriges par Paul
Volcker a mis en uvre au dbut des annes 80 : Lination a chut dun niveau
de 14,8% en mars 1980 3,6% trois ans aprs. De mme, il est signaler que cette
durable baisse dination a t associe une baisse temporaire de la production
et une hausse du chmage. La rcession du dbut des annes 80 tait la plus
grave depuis la grande dpression des annes 30. Les annes 90 sont considres
plus exceptionnelles une fois que nous tenons compte de lcart type de lination.
La deuxime ligne du tableau (4.5) prouve que lination tait plus stable aussi
bien pendant les annes 90 que pendant nimporte quelle autre dcennie rcente.
Les dirences sont considrables en terme de grandeur des valeurs. Lination des
annes 90 est seulement dun tiers aussi volatile quelle lest pendant les annes 80.
Malgr que lination moyenne a enregistr son niveau le plus faible pendant les
annes 50, la volatilit de lination des annes 90 est de 54% moins importante
que celle des annes 50. Il ny a aucun doute que les annes 90 taient une dcennie
dination remarquablement stable.
Une autre manire de considrer les donnes est dexaminer quel point la
mauvaise ination tait son plus mauvais niveau. La troisime ligne du tableau
(4.5) montre le taux dination annuel le plus lev enregistr au cours des 120
mois de chaque dcennie. Par cette mesure, lination tait la plus faible pendant
les annes 60 et les annes 90. Mais il y a une dirence importante entre ces deux
Chap. 4 : Densit Spectrale volutive et Changements Structurels 177
priodes. Dans les annes 60, le taux dination le plus lev sest produit la n
de la dcennie, reprsentant le dbut dun problme qui persisterait dans les annes
70. En revanche, pendant les annes 90, lination atteint une pointe au dbut de la
dcennie pour se stabiliser ensuite un niveau bas. Aprs janvier 1992, la volatilit
de lination a peu volu permettant peine une uctuation de lination dans un
canal remarquablement troit de 1,34% 3,32%.
Dcennie 1950 1960 1970 1980 1990
Chmage
En moyenne 4.51 4.78 6.22 7.27 5.76
cart type 1.29 1.07 1.16 1.48 1.05
Croissance du Produit intrieur Brut
En moyenne 4.18 4.43 3.28 3.02 3.03
cart type 3.89 2.13 2.80 2.68 1.56
Tableau
12
(4.6) : volution du chmage et de la croissance de lconomie
amricaine, dcennie par dcennie
Le tableau (4.6) reprsente des statistiques sommaires sur le chmage et la crois-
sance conomique pour chacune des cinq dernires dcennies du vingtime sicle.
Il expose le niveau moyen pendant la dcennie et lcart type comme mesure de
volatilit. Comme le montre ce tableau, le niveau moyen du chmage pendant les
annes 90 tait plus bas comparativement son niveau pendant les deux dcennies
prcdentes (bien que toujours plus haut que les annes 50 et les annes 60). Il ny
a aucun consensus parmi les conomistes sur les raisons de cette baisse du chmage.
Mankiw (2001b) explique cette baisse du chmage dabord par lorganisation du
march de travail et au vieillissement de la main-duvre. La gnration baby boom
a atteint lge moyen. Les travailleurs les plus gs tendent garder les emplois les
12
Source : Dpartement amricain du travail. Les taux de chmage prsents dans ce tableau
sont la moyenne des taux mensuels de la part des dpourvus de travail dans la population active
(il sagit de srie dsaisonnalise) et les taux de croissance du PIB rel sont des taux de croissance
dats et trimestriels du PIB.
Chap. 4 : Densit Spectrale volutive et Changements Structurels 178
plus stables alors que les plus jeunes satisfassent la part demplois la moins stable,
ainsi il est normal de sattendre une baisse du chmage grce cette organisation
naturelle de la demande du march de travail. Alternativement, le mme auteur
argumente le dclin du chmage pendant les annes 90 par lacclration de la crois-
sance de productivit qui est due aux avances des technologies de linformation.
Mais, peu dconomistes crditent lhypothse selon laquelle nous pouvons armer
que nous devons la baisse du chmage long terme la politique montaire. Les
donnes sur la croissance conomique prouvent que la croissance moyenne pendant
les annes 90 tait semblable celle enregistre pendant les annes 80 et infrieure
sensiblement celle ralise pendant les annes 50 et les annes 60. Ce fait pourrait
sembler tonnant la lumire du surplus attendu grce la "nouvelle conomie".
Cependant, il est remarquer que lacclration de la croissance conomique sest
produite au milieu de la dcennie (1995 & 1996). Dune part, la croissance rapide de
la deuxime moiti de la dcennie et dautre part, la rcession et la croissance lente
de la premire moiti sont ramenes une moyenne, la croissance globale pendant
les annes 90 nest plus impressionnante.
An dvaluer la politique montaire, ce ne sont pas les moyennes au tableau (4.6)
mais plutt les carts type. Ici, les statistiques indiquent une histoire saisissante :
Le chmage et la croissance conomique taient plus stables pendant les annes 90
que pendant nimporte quelle dcennie rcente. Le changement de la volatilit de
la croissance du PIB est sensible. La production de lconomie tait de 27% moins
volatile pendant les annes 90 quelle ltait pendant les annes 60, le chmage tait
stable pendant les mmes priodes. Ces statistiques rvlent le succs des autorits
montaires pendant les annes 90. Comme nous avons vu plutt, lconomie a ap-
prci la stable et faible volatilit de lination. Nous pourrions nous demander si ce
Chap. 4 : Densit Spectrale volutive et Changements Structurels 179
succs tait accompagn dun cot. Cest--dire, a-t-on ralis une ination stable au
dtriment de la stabilit de lemploi et de la croissance ? La rponse semble tre non :
Lconomie est devenue plus stable dans chaque dimension. Naturellement, lamlio-
ration marque par la stabilisation conomique ne signie pas ncessairement que
cest la rsultante dune meilleure ecacit des politiques montaires. Peut-tre ils
taient simplement chanceux...
2 Stabilit de la variance : Un Algorithme bas
sur les Sommes Cumulatives (ICSS)
Cet algorithme a t propos par Inclan & Tiao (1994) pour dtecter les change-
ments de rgime de la variance dun processus {X
t
}. Il est bas sur plusieurs itra-
tions ventuelles dun test CuSum des carrs. Selon les auteurs qui ont appliqu la
mthode sur linstabilit de prix dactifs nanciers, cette technique fournit des rsul-
tats comparables aux approches Bayesiennes ou aux tests ratio de log-vraisemblance.
Il sagit dune approche base sur les sommes cumules des carrs. Elle est base sur
une version centre du CuSum prsente par Brown, Durbin & Evans (1975). Inclan
& Tiao (1994) proposent un algorithme itratif pour identier les dirents points
de changements de la variance.
2.1 Les Fondements
On considre {X
t
}
T
t=1
une srie de T variables alatoires indpendantes avec
E(X
t
) = 0 et variances var(X
t
) =
2
t
. On pose pour chaque k = 1, ..., T,
C
k
=
k
X
t=1
X
2
t
et D
k
=
C
k
C
T
k
T
(4.18)
avec par convention D
0
= D
T
= 0. Sous lhypothse nulle, H
0
: var(X
t
) =
2
(con-
stante), la quantit
q
T
2
D
k
converge en distribution vers un mouvement Brownien
Chap. 4 : Densit Spectrale volutive et Changements Structurels 180
standard. Le point de changement de variance dans lintervalle t = 1, ..., T, est le
point k
0
o lexpression
q
T
2
D
k
atteint son maximum et
q
T
2
D
k
0
> C
. C
est une
valeur critique, i.e., Pr (max
k
q
T
2
D
k
> C
(X[t
1
: T]) le point o max
k
|D
k
(X[t
1
: T])|
est atteint. On pose :
M(t
1
: T) = max
t
1
kT
p
(T t
1
+ 1) /2 |D
k
(X[t
1
: T])| (4.19)
Si M(t
1
: T) > C
0.05
, alors on peut considrer k
(X[t
1
: T]) comme point de rupture
puis on procde ltape (2) que nous dcrivons ci-dessous.
Si M(t
1
: T) < C
0.05
, alors on peut considrer quil ny a pas de changement de
variance de la srie et lalgorithme sarrte.
tape (2a) : On pose t
2
= k
(X[t
1
: T]). On examine les D
k
(X[t
1
: t
2
]) avec t
1
= 1.
Chap. 4 : Densit Spectrale volutive et Changements Structurels 181
Si M(t
1
: t
2
) > C
0.05
, alors nous avons un nouveau point de changement et on rpte
ltape 2a jusquau point t
2
o M(t
1
: t
2
) < C
0.05
. Si M(t
1
: t
2
) < C
0.05
, alors on
peut considrer quil n y a pas de changement de variance sur {t
1
, .., t
2
} donc le
premier point de changement est k
premier
= t
2.
tape (2b) : On eectue le mme type de recherche de manire similaire ltape (2a)
mais sur lautre partie de lchantillon, i.e., on pose cette fois t
1
= k
(X[t
1
: T]) + 1
et on examine les D
k
(X[t
1
: T]), i.e., on value les D
k
entre le premier point de
rupture et la n de lchantillon. Si M(t
1
: T) > C
0.05
, alors il y a un autre point de
rupture sur t = t
1
, .., T et on rpte (2b) jusquau point t
1
o M(t
1
: T) < C
0.05
. On
pose k
fin
= t
1
1, le dernier point de changement.
tape (2c) : Si k
premier
= k
fin
, il ny a quun seul point de rupture et lalgorithme
sarrte ici. Si k
premier
< k
fin
, on garde ces deux points comme possibles points de
changement de variance et on rpte les tapes (1) et (2) sur X[k
premier
+ 1 : k
fin
].
Pour chaque application des tapes (2a) et (2b), on obtient un ou plusieurs points de
changement en plus. Notons
N
T
le nombre total des points de changement possible
obtenus plus loin.
tape (3) : Sil y a deux ou plusieurs points, nous les rangeons par ordre croissant
dans un vecteur CP = (CP
0,...,
CP
N
T
+1
)
0
avec la convention CP
0
= 0 et CP
N
T
+1
= T
o
N
T
dsigne le nombre total des points de changement possible. Le but de cette
dernire tape est de conrmer si un lment CP
j
du vecteur CP peut tre gard
comme point de changement structurel. Pour cela, pour chaque j = 1, ...,
N
T
, on
examine les D
k
(X[CP
j1
+ 1 : CP
j+1
]). Si M(CP
j1
+ 1 : CP
j+1
) > C
0.05
alors
le point capt peut tre conrm comme point de rupture, sinon on llimine. On
rpte ltape 3 jusqu ce que les points de changement capts soient trs proches
dune tape lautre et que leurs nombres soient invariables dune tape la suiv-
Chap. 4 : Densit Spectrale volutive et Changements Structurels 182
ante. Malgr les apparences, les auteurs conrment que cet algorithme
13
se boucle
au bout de quelques itrations.
2.3 Application lInation aux tats-Unis
Nous appliquons lalgorithme dcrit ci-dessus aux donnes de lination aux
tats-Unis
14
. Les conditions dapplication de lalgorithme exigent lhypothse dindpen-
dance des donnes et les tests classiques
15
montrent quon peut raisonnablement
maintenir une telle hypothse avec la srie dination.
tape (1) : Lalgorithme dmarre ltape (1) en examinant lensemble des
donnes, i.e., entre t
1
= 1 et T = 668. lissue de cette tape, le point k
= 61
apparat comme possible point de changement [voir le graphique (4.7)]
100 200 300 400 500 600
0
1
2
3
4
5
k*=61
D
(
k
)
k=1,...,667
Figure (4.7) : tape (1)
13
Pour plus de prcisions sur la description de cet lalgorithme, voir Inclan & Tiao (1994).
14
Nous considrons les donnes de lindice des prix la consommation, CPI, (la srie est d-
saisonnalise). Nous utilisons les statistiques de la Rserve Fdrale de Saint Louis. Les donnes
sont mensuelles et couvrent la priode allant de Janvier 1946 jusquaot 2001.
15
Le test (BDS) propos par Brock, Dechert & Scheinkman (1987) et appliqu aux donnes de
lination amricaine, en utilisant la procdure de Ludwig Kanzler (University of Oxford) sur le
logiciel Matlab, accepte lhypothse de lindpendance.
Chap. 4 : Densit Spectrale volutive et Changements Structurels 183
tape (2a) : Ltape (2a) consiste examiner la srie sur t = 1, ..., 61 et lissue
de cette tape [voir les graphiques (2.8)], nous pouvons considrer k
premier
= 10 (
pour k
premier
, voir description ci-dessus).
20 40 60
-0.5
0
0.5
1
1.5
2
2.5
k*=10
D
(
k
)
k=1,...,61
2 4 6 8 10
-1.2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
Pas de point de rupture
k=1,...,10
Figure (4.8) : tape (2a)
tape (2b) : Cette tape consiste examiner la srie sur t = 62, ..., 668 et lissue
de cette tape, nous pouvons considrer k
fin
= 540, [voir les graphiques (4.9)].
200 400 600
-4
-3
-2
-1
0
1
2
3
k*=324
D
(
k
)
k=62,...,667
400 500 600
0
1
2
3
4
5
k*=438
k=325,...,667
Chap. 4 : Densit Spectrale volutive et Changements Structurels 184
450 500 550 600 650
-0.5
0
0.5
1
1.5
2
k*=540
D
(
k
)
k=429,...,667
550 600 650
-1.4
-1.2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
Pas de point de rupture
k=541,...,667
Figure (4.9) : tape (2b)
tape (2c) : Comme k
premier
= 10 < k
fin
= 540, nous passons ltape (2c), i.e.,
en appliquant de manire itrative les tapes (2a) et (2b) sur t = 11, ..., 540. lissue
de cette tape (2c), il en rsulte le vecteur CP = {0, 10, 61, 324, 428, 539, 668},[voir
les graphiques (4.10)].
100 200 300 400 500
-2
0
2
k*=61
D
(
k
)
k=11,...,540
10 20 30 40 50 60
-0.5
0
0.5
1
1.5
Pas de point de rupture
k=10,...,61
100 200 300 400 500
-4
-2
0
k*=324
D
(
k
)
k=61,...,540
350 400 450 500
0
1
2
3
k*=428
k=325,...,540
440 460 480 500 520 540
-1
-0.5
0
0.5
1
Pas de point de rupture
D
(
k
)
k=429,...,540
Figure (4.10) : tape (2c)
Chap. 4 : Densit Spectrale volutive et Changements Structurels 185
Le but de la troisime et dernire tape est de conrmer si un lment CP
j
du
vecteur CP peut tre gard comme point de changement. Pour cela, il faut que le
point CP
j
apparaisse lorsquon examine la srie sur t = CP
j1
+ 1,...,CP
j+1
avec
la convention (ici
N
T
= 5). Les rsultats de cette tape conrment les lments de
CP ( lexception de CP
0
= 0 et CP
6
= 668) comme points de changement de la
variance.
Dates 1946 :10 - 1951 :01 - 1972 :12 - 1981 :08 - 1990 :10
Tableau. (4.7) : Rsultats de lalgorithme ICSS
Nous navons pas prsent les gures correspondantes ltape (3), car elles
concident presque toutes avec celles dj prsentes dans les prcdentes tapes (1)
et (2).
Chap. 4 : Densit Spectrale volutive et Changements Structurels 186
3 Stabilit de la moyenne
Par rapport au problme des tests de changement structurel, les contributions
rcentes les plus importantes sont les travaux dAndrews (1993) et ceux dAndrews
& Ploberger (1994). Dans le mme sens, les travaux de Bai (1994 & 1995) et Bai,
Lumsdaine & Stock (1994) contiennent des rsultats importants concernant la distri-
bution asymptotique de lestimation de la date de rupture lorsquun seul changement
se produit.
Bien que la littrature soit vaste, les tudes qui se sont directement intresses
au problme relatif aux changements structurels multiples sont peu nombreuses.
cet eet, nous pouvons citer les travaux de Yao (1988), Yao & Au (1989) et Yin
(1988) qui tudient lestimation du nombre de changements dans la moyenne dune
squence de variables utilisant le critre dinformation de type Bayesien (BIC). Pour
des modles conomtriques plus gnraux, Garcia & Perron (1994) proposent un
test de type Wald pour la prsence de deux changements dans une srie dynamique.
Liu, Wu & Zidek (1995) considrent des changements multiples dans le modle
linaire estim par moindres carrs et proposent un certain critre dinformation
pour la slection du nombre de ruptures. Leurs rsultats sont gnraliss par Bai &
Perron (1996) qui considrent le problme destimation et dinfrence dans un modle
linaire trs gnral permettant la prsence de plusieurs changements structurels.
Bai & Perron (1997) discutent plus en dtail les problmes pratiques destimations
et prsentent des rsultats de simulations sur les proprits en petits chantillons
destimateurs, de tests et de procdures de slection du nombre de changements.
Nous poursuivons notre dmarche didentication des points de rupture multiples
dans le processus de lination amricaine. Dans les deux premires sections de
Chap. 4 : Densit Spectrale volutive et Changements Structurels 187
ce chapitre, nous avons toujours suppos que la moyenne est stable. prsent,
nous testons la stationnarit de la moyenne du processus inationniste amricain.
Nous utilisons deux techniques : la premire est celle des critres dinformation et
la seconde est celle des tests de Bai et Perron.
3.1 Le modle de changement structurel
Nous considrons le modle de changement structurel suivant :
y
t
= z
0
t
i
+u
t
, t = T
j1
+ 1, . . . , T
j
, (4.20)
pour i = 1, . . . , m + 1, T
0
= 0 et T
m+1
= T. y
t
est la variable dpendante, z
t
,
(z
t
<
q
), est le vecteur de rgresseurs,
j
est le vecteur des coecients et u
t
est le
terme derreur. Le paramtre m est le nombre des ruptures. Les dates de rupture
(T
1
, . . . , T
m
) sont considres comme inconnues.
On appelle une m-partition des entiers (1, . . . , T) un vecteur de dimension m
dentiers (T
1
, . . . , T
m
), quon notera {T
i
}, tels que 1 < T
1
< ... < T
m
< T. Soit la
matrice bloc-diagonale Z = diag (Z
1
, ..., Z
m+1
) avec Z
i
= (z
T
i1
+1
, ..., z
T
i
)
0
. La forme
compacte matricielle de la rgression (4.20) est comme suit :
Y = Z +U, (4.21)
avec Y = (y
1
, ..., y
T
)
0
, U = (u
1
, ..., u
T
)
0
et =
0
1
, ...,
0
m+1
0
. On note par (T
0
1
, ..., T
0
m
)
les vraies dates de rupture. En particulier, Z
0
est la partition de Z la m-partition
(T
0
1
, ..., T
0
m
). Donc, Y = Z
0
0
+U constitue le processus gnrateur de donnes. On
cherche estimer les coecients inconnus et les dates de rupture
0
1
, ...,
0
m+1
, T
0
1
, ..., T
0
m
y
t
z
0
t
2
(4.22)
Soient
b
({T
i
}) les estimations rsultantes. La somme des carrs des erreurs corre-
spondant ces estimations est donc :
S
T
(T
1
, . . . , T
m
) =
Y Z
b
({T
i
})
Y Z
b
({T
i
})
. (4.23)
Les points de rupture estims
T
1
, . . . ,
T
m
T
1
, . . . ,
T
m
= arg min
(T
1
,...,T
m
)
S
T
(T
1
, . . . , T
m
) , (4.24)
o la minimisation est eectue sur toutes les partitions (T
1
, . . . , T
m
) telles que
T
i
T
i1
> q. Les estimations des points de rupture sont donc des minimisations
globales de la fonction objective S
T
(T
1
, . . . , T
m
). Les estimateurs des coecients de
rgression sont simplement les estimations MCO obtenues en utilisant la m-partition
n
b
T
i
o
. Cest--dire,
b
=
b
n
b
T
i
o
. Comme les dates de rupture sont des variables
discrtes, il est alors possible dobtenir les minimiseurs globaux (les solutions du
systme (4.24)) par un balayage exhaustif par rapport toutes les partitions possi-
bles. Lorsque m > 2, cette mthode devient rapidement excessive en temps de calcul
puisque le nombre possible de m-partitions est dordre T
m
. Nous utilisons alors une
Chap. 4 : Densit Spectrale volutive et Changements Structurels 189
mthode ecace base sur les principes de la programmation dynamique permettant
dobtenir des minimiseurs globaux en eectuant des MCO dordre O(T
2
), quel que
soit m > 2.
3.2 Procdures didentication
3.2.1 Les critres dinformation
Les critres dinformation constituent des procdures de choix de la dimension
dun modle. Lide de base est que lajout de points de rupture diminue ncessaire-
ment la somme des rsidus au carr de la rgression. La pnalisation de lajout de
chaque point de rupture additionnel parat une bonne alternative. Cette pnalisation
doit tre susamment svre pour limiter lestimation b m de m. Mais, elle doit aussi
forcer b m converger rapidement vers la vraie valeur de m pour assurer les proprits
asymptotiques de toutes les autres estimations qui dpendent de b m. Une pnalit
svre est essentielle pour la spcication correcte dun modle de rgression non
Gaussien. Le critre de Schwarz a t obtenu sous lhypothse de normalit par Yao
(1988).
Les critres de slection que nous allons utiliser dans cette partie dirent es-
sentiellement par le facteur de pnalit. Dans le cadre des modles avec instabilit
structurelle dans la moyenne, Schwarz (1978) propose un critre dinformation de la
forme suivante :
SIC (m) = ln
S
T
T
1
, . . . ,
T
m
/ (T m)
+ 2p
S
T
T
1
, . . . ,
T
m
/T
+p
ln (T) /T (4.27)
Lestimateur m
BIC
du nombre de ruptures est tel que :
m
BIC
= arg min
m
BIC(m) (4.28)
Le critre propos par Yao & Au (1989) prend la forme suivante :
Y IC(m) = ln
S
T
T
1
, . . . ,
T
m
/T
+mC
T
/T (4.29)
o {C
T
} est une suite satisfaisant C
T
T
2/n
et C
T
/T 0 quand T .
La suite {C
T
} doit tre choisie telle que les moments dordre 2n(n > 3) du terme
derreurs soient nis
16
. Lestimateur minimisant ce critre est le suivant :
m
Y IC
= arg min
m
Y IC(m)
Liu, Wu & Zidek (1997) ont propos une modication de ce critre de la forme :
MIC (m) = ln
S
T
T
1
, . . . ,
T
m
/ (T p
+p
c
0
[ln(T)]
2+
0
/T (4.30)
dont lestimateur correspondant est :
m
MIC
= arg min
m
MIC(m) (4.31)
16
Liu, Wu et Zidek (1997) ont propos lutilisation de la squence C
T
= 0.368T
0.7
.
Chap. 4 : Densit Spectrale volutive et Changements Structurels 191
Les auteurs de ce critre ont choisi leur facteur de pnalit de la forme p
c
0
[ln(T)]
2+
0
/T
conformment aux rsultats de leur tude de simulations. Ils ont suggr lutilisa-
tion des valeurs
0
= 0.1 et c
0
= 0.299 aprs avoir tudi la performance de m
MIC
lors de certaines expriences de simulations avec divers modles. Ils dmontrent que
lestimateur m
MIC
converge vers la vraie valeur m
0
.
Nous utilisons les donnes mensuelles dsaisonnalises du taux dination amri-
caine allant de janvier 1956 septembre 2002. Nous considrons lindice des prix la
consommation selon les statistiques de la Rserve Fdrale de Saint-Louis. Nous ap-
pliquons tous les critres dinformation cits ci-dessous. Tous indiquent un minimum
correspondant 3 ruptures.
Nombre de rupture BIC MIC SIC YIC
0 -2.9203 -2.9167 -2.9202 -2.9203
1 -2.9662 -2.9140 -2.9305 -2.9449
2 -3.0410 -2.9401 -2.9696 2.9985
3 -3.0939 -2.9444 -2.9868 -3.0302
4 -3.0850 -2.8867 -2.9422 -3.0001
5 -3.0578 -2.8108 -2.8793 -2.9516
Tableau (4.8) : Rsultats des critres dinformation
Le cadre structurel de base est la dcomposition standard dune srie entre fonc-
tion de tendance dterministe et partie stochastique (si on fait abstraction de com-
posantes saisonnires), cest dire :
t
=
0
d
t
+
t
(4.32)
o habituellement, d
t
= {1}, (moyenne non nulle sans croissance) et d
t
= {1, t}.
tant donn la nature de la plupart des sries macroconomiques, il est important de
permettre la corrlation temporelle dans la partie stochastique
t
et en particulier,
Chap. 4 : Densit Spectrale volutive et Changements Structurels 192
la possibilit dune racine autorgressive unitaire, [voir Bai (1997)]. Pour ce faire,
nous adoptons un simple modle autorgressif dordre 1, AR(1) tel que :
t
=
t1
+e
t
(4.33)
avec, e
t
i.i.d N(0, 1). La question dintrt est de savoir si le vecteur de coe-
cients est stable ou non et dans le dernier cas destimer le nombre de changements
prsents. Nous obtenons les localisations temporelles pour les trois points de rupture
comme suit :
Estimateurs
b
T
1
b
T
2
b
T
3
Dates de rupture 1967 :5 1973 :9 1982 :6
95% Int. Conf. (1966 :3-1967 :11) (1973 :3-1975 :3) (1981 :7-1982 :12)
Tableau (4.9) : Localisation des dates de rupture
3.2.2 Varit de tests de Bai & Perron (1998)
Le but est le mme que celui vis par la mthode des critres dinformation et
consiste estimer les coecients inconnus de la rgression et les dates de ruptures
(
1
, ...,
m+1
, T
1
, ..., T
m
). Nous supposons que
i
= T
i
/T avec 0 <
1
< ... <
m
< 1.
Nous reprenons lquation (4.21) :
Y = Z +U,
avec Y = (y
1
, ..., y
T
)
0
, Z est la matrice diagonale des partitions de Z la m-
partition (T
1
, ..., T
m
), i.e., Z = diag(Z
1
, ..., Z
m+1
) avec Z
i
= (z
T
i1
+1
, ..., z
T
i
)
0
, =
0
1
, ...,
0
m+1
0
, et U = (u
1
, ..., u
T
)
0
. Bai & Perron (1998) imposent quelques restric-
tions aux valeurs possibles des dates de rupture. En eet, ils dnissent lensem-
ble suivant par rapport une petite quantit positive arbitrairement choisie :
Chap. 4 : Densit Spectrale volutive et Changements Structurels 193
= {(
1
, ...,
m
) ; |
i+1
i
| > ,
1
> ,
m
6 1 } pour que chaque date de rup-
ture soit asymptotiquement distincte.
3.2.2.1 Test de stabilit structurelle contre un nombre connu de change-
ments
Dans un premier temps, Bai & Perron (1998) considrent un test de type sup F
de stabilit structurelle contre une hypothse alternative dexistance dun nombre
ni et connu de n ruptures :
F
T
(
1
, ...,
n
, q) =
1
T
T (n + 1) q
nq
0
R
0
R
b
V
b
R
0
1
R
b
(4.34)
o R est la matrice telle que (R)
0
=
0
1
0
2
, ...,
0
n
0
n+1
, et
b
V
b
est une
estimation de la matrice variance-covariance de
b
. Soit :
V
b
= p limT
Z
0
Z
1
Z
0
Z
Z
0
Z
1
(4.35)
o = E (UU
0
). Le test de type sup F de stabilit structurelle est dni alors comme
suit :
supF
T
(n; q) = sup
(
1
,...,
n
)
F
T
(
1
, ...,
n
; q) = F
T
1
, ...,
b
n
; q
(4.36)
o les estimations des fractions de rupture
b
1
, ...,
b
F
T
(
1
, ...,
m
; q) = max
16m6M
a
m
1
, ...,
b
m
; q
(4.37)
avec {a
1
, ..., a
M
} un ensemble de poids xes. Dabord, nous initialisons tous les
poids lunit, i.e. a
m
= 1 et nous appelons cette version du test UDmax F
T
(M, q).
Ensuite, cet ensemble de poids sera rajust de cette manire : a
1
= 1 et a
m
=
c (q, , 1) /c (q, , m), pour m > 1, o est le niveau de signication du test et
c (q, , m) est la valeur critique asymptotique du test sup
(
1
,...,m)
F
T
(
1
, ...,
m
; q).
Cette version du test est alors note comme WDmax F
T
(M, q).
3.2.2.3 Test squentiel
Le dernier test dvelopp par Bai & Perron (1998) est le test squentiel de l contre
(l + 1) changements structurels :
sup F
T
(l + 1|l) =
S
T
b
T
1
, ...,
b
T
l
min
16i6l+1
inf
i,
S
T
b
T
1
, ...,
b
T
i1
, ,
b
T
i
, ...,
b
T
l
/b
2
(4.38)
o,
i,
=
n
;
b
T
i1
+
b
T
i
b
T
i1
6 6
b
T
i
b
T
i
b
T
i1
o
(4.39)
et S
T
b
T
1
, ...,
b
T
i1
, ,
b
T
i
, ...,
b
T
l
j
x
tj
(5.1)
= p
t1
+ (1 ) x
t
o p
t
est le niveau gnral des prix et x
t
est un index des prix modis en t. Les
rmes ne modient pas leurs prix de manire identique et cet indice scrit de la
manire suivante :
x
t
= (1 ) p
f
t
+p
b
t
(5.2)
o p
f
t
le prix x en t par les rmes tournes vers le futur et p
b
t
le prix x par celles
tournes vers le pass. Chaque rme prospective cherche minimiser la fonction de
perte qui mesure la somme des carts entre le prix x et les prix optimaux, au cours
de la dure de vie anticipe du contrat :
L
t
=
"
X
j=0
j
E
t
p
f
t
p
t+j
2
#
(5.3)
o est le taux dactualisation et p
t+j
est le prix optimal quune rme tourne
vers le futur souhaiterait xer pour la priode (t + j). Ce prix optimal reprsente
le prix maximisant le prot une date donne en labsence de rigidit de prix.
Dans un cadre de concurrence imparfaite, il est gal au cot marginal nominal (not
mcn) auquel sajoute un taux de marge que nous normalisons 0. tant donn les
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride205
probabilits dajustement des prix chaque priode, on peut rcrire la fonction de
perte (5.3) des rmes oprant dans un environnement la Calvo comme :
L
t
=
p
f
t
p
2
+
p
f
t
p
t+1
2
+
2
p
f
t
p
t+2
2
+... (5.4)
=
X
j=0
()
j
E
t
p
f
t
p
t+j
2
Le prix x est alors le suivant :
p
f
t
= [1 ]
X
j=0
()
j
E
t
p
t+j
(5.5)
= (1 ) p
t
+E
t
p
f
t+1
Les rmes tournes vers le pass utilisent la rgle de xation des prix suivante :
p
b
t
= x
t1
+
t1
(5.6)
En utilisant cette rgle de xation des prix, Gali et Gertler supposent quil nexiste
aucun cart persistant entre cette rgle et un comportement optimal, que le prix
la date t ne dpend que de linformation disponible antrieurement et que les rmes
ne sont pas capables de discerner si les autres rmes sont tournes vers le pass
"backward-looking" ou vers lavenir "forward-looking".
La rcriture des quations (5.5) et (5.6) permet dobtenir la courbe de Phillips
suivante :
t
=
f
E
t
t+1
+
b
t1
+(mcn
t
p
t
) (5.7)
o
f
= /,
b
= /, = (1 ) (1 ) (1 ) /, = + [1 (1 )].
Lination courante est fonction de lination future anticipe, de lination passe
et de lvolution du cot marginal rel support par les rmes. Le poids accord
chacun de ces paramtres est fonction de trois variables : le taux dactualisation,
la probabilit de changement des prix et la proportion dagents "backward" dans
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride206
la population. Le premier de ces trois paramtres est un relatif aux prfrences
des agents et donc invariant aux volutions de lenvironnement macroconomique.
En revanche, les deux autres paramtres dpendent priori du rgime montaire en
place. La persistance de lination nest donc pas un phnomne structurel dans cette
modlisation. Dans les autres modles hybrides populaires, proposs notamment
par Fuhrer & Moore (1995) ou par Christiano, Evans & Eichenbaum (2001), les
coecients sur lination future et passe sont constants et indpendants de toute
considration sur le rgime montaire reprsentant une conomie o la persistance de
lination est un phnomne stable travers le temps. Si, comme nous lavons indiqu
en introduction, le degr de persistance est trs variable, ce type de spcication
peut donner de bons rsultats empiriques un moment donn mais peut conduire
dimportantes erreurs danalyse quant limpact de rgimes montaires alternatifs.
2 Une analyse empirique de la stabilit des paramtres
Lobjectif de cette section est de voir si la mise en place par la Rserve Fdrale
dun nouveau rgime montaire au dbut des annes 80, ciblant de manire explicite
la stabilit des prix mais sans rfrence quantitative prcise, a eectivement eu un
impact important sur les paramtres du modle hybride no-keynsien test sur
les donnes amricaines. La plupart des travaux existant considre lensemble de
la priode daprs guerre aux tats-Unis comme une priode homogne. Dans un
premier temps, nous prenons en considration deux sous-priodes autour du point
de rupture se situant au dbut des annes 80, peu de temps aprs larrive de Paul
Volcker la tte de la Rserve Fdrale. Nous pensons que la priode post-Volcker
peut tre elle-mme divise en deux sous-priodes : Une premire phase reprsentant
la recherche par la banque centrale de la stabilit des prix et de gains en crdibilit
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride207
et une seconde phase consistant en un rgime crdible dune faible ination li
un ciblage implicite de lination [voir Goodfriend (2003)], sans objectif numrique
explicite. La recherche porte sur la stabilit travers dirents rgimes montaires
des trois paramtres de la courbe de Phillips hybride. Nous analysons la stabilit
globale puis la stabilit partielle des coecients.
Le premier paramtre tudi est , le taux dactualisation. Ce paramtre de
prfrence est normalement indpendant du rgime montaire et doit tre stable
travers le temps. Le second paramtre est , la probabilit de garder son prix xe.
Ball, Mankiw & Romer (1988) montrent que la frquence dajustement des prix
est dpendante du niveau moyen de lination. Plus ce paramtre est bas, plus
les rmes ont un cot faible garder des prix xes et choisissent en consquence
dajuster leurs prix moins souvent, conduisant une valeur plus forte de . Willis
(2003) note galement que le dveloppement des nouvelles technologies de linforma-
tion doit modier la dure moyenne des prix. En eet, lintroduction des nouvelles
technologies permet la fois de diminuer le cot "physique" de changement des prix
[voir Willis (2003)] et permet galement de diminuer les cots informels lis aux
problmes managriaux et informationnels. Lintroduction de ces technologies a eu
lieu au dbut des annes 80 et sest acclre durant les annes 90, favorisant une
baisse de sur cette priode. Dans le dcoupage considrant la priode 1981-1998
comme une priode homogne, cet eet doit jouer de manire inverse leet prc-
dent, produisant un impact indtermin sur . Si lon dcoupe cette mme priode
en deux sous-priodes avec un point de rupture n 1990, lacclration du progrs
technique survenue lors des annes 90, conjointe une plus faible ination moyenne,
doit au contraire favoriser une diminution de . Au nal, plusieurs lments ont pu
inuencer sur le comportement individuel de xation des prix, leur impact agrg
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride208
sur la dynamique de lination ntant pas dtermin a priori.
Finalement, le dernier paramtre dintrt du modle est . Dans le modle de
Gal et Gertler, la rpartition des agents quant leur mode de xation des prix est
une sorte de bote noire. Elle est considre comme un paramtre structurel dont
la dtermination est exogne. La dcision dune rme dutiliser une rgle simple
tourne vers le pass ou une rgle prospective plus complexe doit toutefois logique-
ment rsulter dun calcul. Ce dernier calcul compare les gains obtenir une prvision
plus prcise de lination future aux cots relevant de lutilisation de techniques de
prvision sophistiques. La lisibilit de la politique mene par la banque centrale
est donc cruciale dans la dtermination de ce choix. Ball (2000) montre ainsi que
lcart de lerreur moyenne danticipation entre les agents utilisant des anticipa-
tions adaptatives et ceux utilisant des techniques de prvisions plus sophistiques
est signicativement dirent lorsque lon considre direntes priodes historiques,
suggrant que cet cart dpend du rgime montaire en vigueur. Par exemple, si
la banque centrale cible le niveau des prix, les corrlations temporelles de lina-
tion peuvent tre systmatiquement ngatives, induisant une erreur de prvision
des agents "backward" largement plus grande que celle des agents "forward". Si la
banque centrale choisit au contraire de systmatiquement accommoder les chocs din-
ation, de manire ce que ceux-ci soient pleinement persistants, alors il peut tre
rationnel dutiliser une rgle "backward-looking" dajustement des prix. De manire
gnrale, moins lvolution de lination la priode suivante est prvisible plus le
recours une rgle "backward-looking" est justi.
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride209
2.1 Spcication de la mthode destimation
Dans cette section, nous prsentons la procdure base sur les variables instru-
mentales utilise par Gal & Gertler (1999) pour estimer les paramtres dintrt
, et . Nous notons
t1
la matrice des variables observes la date (t 1).
Nous considrons les donnes trimestrielles de lconomie amricaine
1
utilises par
Gal & Gertler (1999), couvrant la priode allant du premier trimestre 1961 jusquau
premier trimestre 1998. Pour constituer lensemble des variables instrumentales, une
constante ainsi que les variables suivantes retardes dune priode sont considres :
la part du travail
2
, lination mesure par le dateur du P.I.B, lcart de la produc-
tion
3
, laugmentation des salaires, laugmentation des prix des matires premires,
et lcart entre le taux dintrt de court et de long terme.
Sous lhypothse des anticipations rationnelles, lquation (5.7) peut tre utilise
pour crire lensemble des conditions dorthogonalit comme suit :
E
n
b
t
c
e
b s
t
f
E
t
b
t+1
b
b
t1
t1
o
= 0 (5.8)
o
e
,
f
, et
b
sont dnis selon (5.7), b s
t
reprsente le cot unitaire du travail
rel (lapproximation du cot marginal rel) et c est une constante. Lquation
(5.8) peut tre estime en utilisant lensemble de variables instrumentales que nous
avons prdni [i.e., en utilisant une version de la mthode des moments gnraliss
(GMM)]. Cette spcication a t utilise par Gal & Gertler (1999), et par Jondeau
& Le Bihan (2001) pour ltude du cas restrictif o
b
+
f
= 1. Nous pouvons
1
La source des donnes est dune part la Rserve Fdrale de St. Louis et dautre part, le
dpartement amricain de travail.
2
Dans un modle o la production est reprsente par une fonction de production Cobb-Douglas,
le cot marginal de la production est approxim par part des revenus du travail dans lconomie
[voir Gali & Gertler (1999)].
3
Loutput gap est obtenu par le rsidu du ltrage de la composante tendancielle de la production
potentielle (nous utilisons le ltre dHodrick-Prescott avec = 1600).
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride210
r-crire lquation (5.8) alternativement comme suit :
E
f
h
b
t
c
e
b s
t
f
E
t
b
t+1
b
b
t1
i
t1
= 0 (5.9)
En substituant les expressions de
e
,
b
et
f
dans lquation (5.9), il est clair quil y
a plusieurs manires de normaliser les courbes hybrides de Phillips. Gal & Gertler
(1999) prsentent deux propositions direntes. La premire normalisation minimise
les non-linarits en multipliant par le coecient pour obtenir :
E {(b
t
c (1 ) (1 ) (1 ) b s
t
E
t
b
t+1
b
t1
)
t1
} = 0 (5.10)
Tandis que nous pouvons r-crire cette dernire quation de telle manire ce que
le poids de lination courante soit gal lunit :
E
b
t
c
(1 ) (1 ) (1 )
b s
t
E
t
b
t+1
b
t1
t1
= 0
(5.11)
o + [1 (1 )].
2.2 Les rsultats des estimations avec un point de rupture
en 1981
Nous prsentons dans les tableaux (5.1) et (5.2), selon les deux types de normali-
sations considres, les rsultats de lestimation en prenant comme point de rupture
la n de lanne 1981. De part et dautre de cette date, les priodes sont caractrises
par des natures direntes de dynamique de lination (haute et faible variabilit de
lination).
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride211
Type I
e
b
f
J-stat
1961 :1 1998 :1 0.803 0.911 0.28 0.035 0.258 0.674 9.78
(149 observations) (0.024) (0.043) (0.05) (0.011) (0.027) (0.052) (0.979)
1961 :1 1981 :4 0.724 0.894 0.316 0.065 0.307 0.628 9.87
(84 observations) (0.026) (0.039) (0.071) (0.008) (0.031) (0.050) (0.982)
1982 :1 1998 :1 0.849 0.973 0.223 0.006 0.192 0.711 9.85
(65 observations) (0.032) (0.07) (0.046) (0.04) (0.02) (0.063) (0.983)
Tableau (5.1) : Rsultats de lestimation GMM du type I
Type II
e
b
f
J-stat
1961 :1 1998 :1 0.835 0.927 0.463 0.015 0.368 0.615 9.72
(149 observations) (0.028) (0.034) (0.053) (0.005) (0.029) (0.029) (0.985)
1961 :1 1981 :4 0.798 0.902 0.481 0.025 0.396 0.594 9.86
(84 observations) (0.021) (0.044) (0.101) (0.009) (0.042) (0.048) (0.983)
1982 :1 1998 :1 0.847 0.976 0.254 0.033 0.242 0.739 9.82
(65 observations) (0.031) (0.11) (0.048) (0.025) (0.019) (0.065) (0.979)
Tableau (5.2) : Rsultats de lestimation GMM du type II
La premire ligne des deux tableaux reprsente lestimation sur lensemble de
lchantillon utilis par Gal & Gertler (1999). Les fonctions de rponse sont don-
nes dans lannexe I. Comme le notent Gal et Gertler, laspect "forward" de cette
quation est dominant et la courbe de Phillips no-keynsienne sans retard dina-
tion peut reprsenter une bonne approximation de la ralit. Nanmoins, en divisant
lchantillon en deux rgimes montaires dirents (pr-Volcker et post-Volcker), on
observe que les coecients se modient, notamment en ce qui concerne la fraction
dagents utilisant une rgle tourne vers le pass. Dans le tableau (5.2), est deux
fois plus important avant 1981 quaprs. Par consquent, le poids accord lina-
tion retarde diminue. Comme nous lavons indiqu prcdemment, une explication
de ce phnomne peut rsider dans la mise en place de rgles montaires crdibles
reposant sur un critre de stabilit des prix. Aprs 1981, la banque centrale sen-
gageant de manire crdible maintenir la stabilit des prix, les agents savent qu
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride212
court et moyen terme, lination va rejoindre un niveau faible. Il est alors plus facile
pour les rmes de prvoir le comportement futur de la banque centrale et il est
logique que le paramtre
f
augmente au cours de la seconde priode. Ceci con-
traste avec la priode pr-1981 o la banque centrale avait tendance accommoder
les chocs dination, justiant lutilisation plus importante de rgles "backward".
Cette explication est galement compatible avec lvolution du paramtre .
Lors de la priode post-Volcker, lengagement de la banque centrale maintenir la
stabilit des prix tant jug de plus en plus crdible [voir Goodfriend (2003)], il est
rationnel pour les agents, en prsence de cots de changement des prix, de changer
moins souvent leurs prix. Cet eet joue en faveur dune augmentation de la valeur
de . Si lestimation de type I montre une stabilit de ce coecient, lestimation de
type 2 montre au contraire une augmentation (0.849 aprs 1982 contre 0.724 avant),
en accord avec leet attendu. La variation est toutefois faible, leet technologique
prsent par Willis (2003) pouvant inuer de faon oppose.
Nous appliquons une srie de tests de stabilit (test de Chow) an de savoir
si on peut considrer les paramtres estims comme tant stables (globalement et
partiellement) sur les deux sous priodes distinctes. La spcication du modle est
la mme, mais les valeurs estimes des coecients pour les deux chantillons sont
direntes.
Nous testons dans un premier temps la stabilit des paramtres dans leur glob-
alit. Nous testons en hypothse nulle :
H0 :
_
_
b = b
1
= b
2
b
=
b
1
=
b
2
b = b
1
= b
2
_
_
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride213
Les paramtres sans indice sont issus de lestimation du modle durant la priode
entire allant de 1961 1998 et les paramtres avec indice sont issus de lestimation
du modle, soit durant la priode (1) allant de 1961 1981, soit durant la priode
(2) allant de 1982 1998. Les statistiques empiriques de Fisher
4
sont gales :
Type I F
1
= 0, 24 < F
0,05
4;140
= 2, 4
Type II F
2
= 0, 76 < F
0,05
4;140
= 2, 4
Le fractile dordre 5% pour la loi de Fisher avec les degrs de libert 4 et 140 est
gal 2,4. On accepte donc lhypothse de stabilit des coecients.
Nous testons prsent la stabilit partielle des paramtres intrt , et . Les
statistiques empiriques de Fisher sont gales :
H0 b = b
1
= b
2
b
=
b
1
=
b
2
b = b
1
= b
2
F
1
(TypeI) 0, 56 < F
0,05
83;64
= 1, 37 0, 23 < F
0,05
83;64
1, 83 > F
0,05
83;64
F
2
(TypeII) 0, 78 < F
0,05
83;64
= 1, 37 0, 12 < F
0,05
83;64
3, 29 > F
0,05
83;64
Nous observons donc que le test rejette lhypothse de stabilit du paramtre
au cours des deux sous-priodes. En revanche, la stabilit du paramtre mesurant
la frquence des ajustements de prix ne peut tre rejete. La thorie no-keynsienne
fait souvent lhypothse de sa stabilit. Ceci tait dmontr par nos rsultats. Lab-
sence de rupture apparente dans la valeur de , contrairement ce quimplique la
thorie sous-jacente, peut sexpliquer par le phnomne de technologie jouant en
sens contraire, les deux eets sestompant.
4
Le Fisher empirique est gal :
F
SCR(SCR
1
+SCR
2
)
/ddl
n
(SCR
1
+SCR
2
)/ddl
d
avec SCR, SCR
1
et SCR
2
sont respectivement les sommes de carrs des rsidus de la priode
globale, de la premire et de la deuxime priode. ddl
n
et ddl
d
dsignent respectivement les degrs
de libert.
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride214
2.3 Etude de la stabilit avec dcoupage de deux priodes
dans lintervalle 1981-1998
Ahamada & Ben Assa (2004), Ben Assa & Jouini (2003) et Ben Assa, Boutahar
& Jouini (2004) dtectent, en testant respectivement la stabilit de la variance, la
stabilit de la densit spectrale volutive et la stabilit de la moyenne, la n de
lanne 1990 comme tant une date de changement de rgime de la dynamique de
lination amricaine. Le fait que cette date soit identie par le biais de trois tests
dirents, qui renseignent sur des instabilits de nature dirente nous incite la
prendre en considration et vouloir entreprendre un autre test de stabilit pour voir
sil est possible de dceler une vritable modication de la dynamique de lination.
On peut supposer quelle correspond la priode o la Rserve Fdrale a commenc
bncier dun trs fort degr de crdibilit auprs des agents privs, peu de temps
aprs larrive dAlan Greenspan sa tte. La concidence avec lanne de rupture
dans la moyenne de lination trouve par Levin & Piger (2004) ou Pivetta & Reis
(2004) renforce le choix de cette date.
Dans la premire partie de ce chapitre, nous avons constat que les agents
conomiques se comportaient dune manire plus oriente vers le pass "backward-
looking" pendant les annes soixante et soixante-dix que durant les annes quatre-
vingts. Ils semblaient avoir pris en compte le changement de la politique montaire
aprs la dsination Volcker. Par consquent, ils intgraient dans leur manire de
xer les prix, les objectifs futurs de la Rserve Fdrale illisibles auparavant. Lors de
larrive dAlan Greespan aux commandes de la Fed, son objectif premier continuait
dtre la stabilit des prix. Les taux dination amricains semblent converger ce
niveau au dbut lanne 1990. Par la suite, le taux dination est rest compris dans
une fourchette allant de 1 3%, correspondant direntes mesures de la stabilit
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride215
des prix, compte tenu des biais de mesure existant. Notre intuition est que les agents
conomiques continuent se comporter dune manire trs prospective jusqu ce
que le changement de la politique montaire atteigne compltement ses objectifs.
Ensuite, en prsence de taux dination faibles et en labsence de la xation dune
cible explicite par la banque centrale, le comportement des agents redevient un peu
moins prospectif. Dautre part, lobjectif de stabilit des prix a lieu moyen terme, or
comme le note Siklos (2002), lhorizon retenu par la Rserve Fdrale pour atteindre
sa cible nest pas clair non plus.
An de vrier cette intuition, nous nous proposons de refaire le mme exercice
empirique mais cette fois-ci en considrant un dcoupage de la priode 1982-1998
avec pour point de rupture la n de lanne 1990.
Type I
e
b
f
J-stat
1982 :1 1998 :1 0.849 0.973 0.223 0.006 0.192 0.711 9.85
(65 observations) (0.032) (0.07) (0.046) (0.04) (0.02) (0.063) (0.983)
1982 :1 1990 :4 0.863 0.969 0.155 0.019 0.151 0.819 9.73
(36 observations) (0.034) (0.081) (0.068) (0.053) (0.033) (0.089) (0.979)
1991 :1 1998 :1 0.835 0.984 0.273 0.016 0.243 0.686 9.88
(29 observations) (0.03) (0.068) (0.035) (0.038) (0.017) (0.058) (0.98)
Tableau (5.1) : Rsultats de lestimation GMM du type I
Type II
e
b
f
J-stat
1982 :1 1998 :1 0.795 0.976 0.254 0.033 0.242 0.739 9.82
(65 observations) (0.026) (0.11) (0.048) (0.025) (0.019) (0.065) (0.988)
1982 :1 1990 :4 0.811 0.975 0.202 0.031 0.2 0.783 9.79
(36 observations) (0.031) (0.091) (0.065) (0.021) (0.014) (0.059) (0.985)
1991 :1 1998 :1 0.779 0.983 0.287 0.035 0.271 0.718 9.85
(29 observations) (0.029) (0.084) (0.033) (0.028) (0.023) (0.077) (0.981)
Tableau (5.2) : Rsultats de lestimation GMM du type II
Les fonctions de rponse sont donnes en annexe. Nous testons nouveau la
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride216
stabilit des paramtres, dans leur globalit, avec en hypothse nulle :
H0 :
_
_
b = b
1
= b
2
b
=
b
1
=
b
2
b = b
1
= b
2
_
_
(5.12)
Les statistiques empiriques de Fisher sont gales :
Type I F
1
= 0, 49 < F
0,05
4;57
= 2, 54
Type II F
2
= 0, 94 < F
0,05
4;57
= 2, 54
Tableau (5.3) : Rsultats du Test de stabilit globale des paramtres
Le fractile dordre 5% pour la loi de Fisher avec les degrs de libert 4 et 57 est
gal 2,54. On accepte donc lhypothse de stabilit des coecients.
Nous testons la stabilit partielle des paramtres dintrt , et . Les statis-
tiques empiriques de Fisher sont gales :
H0 b = b
1
= b
2
b
=
b
1
=
b
2
b = b
1
= b
2
F
1
(TypeI) 1, 02 < F
0,05
35;28
= 1, 65 1, 13 < F
0,05
35;28
3, 02 > F
0,05
35;28
F
2
(TypeII) 0, 91 < F
0,05
35;28
= 1, 65 0, 94 < F
0,05
35;28
3, 10 > F
0,05
35;28
Tableau (5.4) : Rsultats du Test de stabilit partielle des paramtres
Lanalyse des tests de stabilit nous conduit accepter, nouveau, la stabilit
des paramtres et et rejeter celle de . Ce dernier paramtre augmente
partir de 1980 et lination redevient un peu "backward". Ceci est cohrent avec
notre explication relative au cot de viser une cible non explicite. Nous remarquons
galement que largument de Willis sur limpact des nouvelles technologies semble
correct, mais son impact est mineur. Dans les deux estimations, le paramtre
diminue lgrement aprs 1990, mais les tests ne permettent pas de conclure son
instabilit. L encore, lhypothse no-keynsienne standard dun stable semble
correcte.
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride217
3 Conclusion
Selon nos rsultats, le seul paramtre instable de la courbe de Phillips est celui
reprsentant la rgle de xation des prix, alors que la recherche rcente sur len-
dognisation des paramtres du modle no-keynsien sest focalise exclusivement
sur la dure de la xit des prix . Cette dure, suppose dpendante du comporte-
ment de lination, ne semble pas jouer un rle important dans les variations de la
persistance. Ceci conforte lutilisation dhypothses de rigidit nominale dpendante
du temps ("time-dependent") plutt que dpendante de ltat de lconomie ("state-
dependent"). La raison est sans doute lie au fait que plusieurs eets viennent jouer
en sens inverse, certains de ces eets ntant pas pris en compte dans les modles
dpendant de ltat de lconomie.
La reprsentation de Gal et Gertler nest pas structurelle au sens de Lucas dans
la mesure o la proportion dagents "backward" varie avec le rgime montaire. Ceci
est un point intressant car si la persistance de lination nest pas un phnomne
structurel, cest dire indpendant du rgime montaire, alors un modle comme
celui de Gal et Gertler est prfrable aux autres car il permet de reproduire des
degrs de persistance dirents, ce que ne permettent pas par exemple les modles
de Fuhrer & Moore (1995) ou de Christiano, Eichenbaum & Evans (2001)
5
. En re-
vanche, son utilisation courante dans les exercices traitant de la politique montaire
qui considrent constants les paramtres pondrant lination passe et future, est
errone. Dans ce cas, il est ncessaire de dvelopper davantage les fondements mi-
croconomiques en dterminant la rgle de choix des agents quant lutilisation
5
La modication de ce modle propose par Woodford (2003), introduisant un degr dindex-
ation infrieur 1, peut nanmoins engendrer une variation de la persistance lorsque le degr
dindexation des prix varie.
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride218
dune rgle de xation des prix "backward" ou "forward".
Nos rsultats ont galement des implications intressantes concernant la mod-
lisation des processus dapprentissage de la part des agents. La littrature rcente
introduisant ce genre de mcanismes suppose un comportement adaptatif de la part
des agents lorsque lenvironnement conomique change, puis un comportement ra-
tionnel lorsque le rgime est stable. Nos estimations semblent favoriser un comporte-
ment inverse. En eet, il semble plus logique dutiliser le maximum dinformations
disponibles et dadopter un comportement trs prospectif lorsque lenvironnement
conomique se modie, car tout comportement adaptatif se traduit par dimpor-
tantes erreurs. En revanche, lorsque lenvironnement macroconomique est assez sta-
ble, les cots ne pas traiter optimalement linformation sont moindres, favorisant
le recours des rgles de comportement simples.
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride219
4 Annexes
4.1 Annexe I : Les fonctions de rponse de lination (1961-
1998, 1961-1981, 1982-1998)
Pour les priodes 1961-1998, 1961-1981 et 1982-1998, les fonctions de rponse de
lination un choc sont donnes par les graphiques (5.1) et (5.2) :
1 2 3 4 5 6 7 8 9 10
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1961:1 - 1998:1
1961:1 - 1981:4
1982:1 - 1998:1
Figure (5.1) : La rponse de lination - Type I
1 2 3 4 5 6 7 8 9 10
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1961:1 - 1998:1
1961:1 - 1981:4
1982:1 - 1998:1
Figure (5.2) : La rponse de lination - Type II
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride220
Pour le calcul des valeurs propres, il est possible de rcrire (5.7) en termes de
niveau des prix :
E
t
p
t+1
1 +
f
+
p
t
+
1 +
b
p
t1
f
p
t2
=
f
mcn
t
(5.13)
Lquation caractristique possde les trois racines suivantes :
1
,
2
= (1/2)
h
(1 ) + 2
((1 ) + 2)
2
4
1/2
i
(5.14)
3
= 1/ ()
Lutilisation de la mthode de factorisation permet dobtenir la dynamique des
prix suivante :
p
t
= (
1
+
2
) p
t1
2
p
t2
+
X
i=0
i
E
t
mcn
t+i
(5.15)
= [ (2 ) +] p
t1
p
t2
+
(1 ) (1 ) (1 )
X
i=0
i
E
t
mcn
t+i
La dynamique des prix est exprime en fonction des valeurs passes des prix et
des anticipations faites sur lvolution du processus concernant lvolution du cot
marginal. Le degr de persistance augmente avec .
4.2 Annexe II : Les fonctions de rponse de lination (1982-
1998, 1982-1990, 1991-1998)
Pour les priodes 1982-1998, 1982-1990 et 1991-1998, les fonctions de rponse de
lination un choc sont donnes par les graphiques (5.3) et (5.4) :
Chap. 5 : Rgime Montaire et Stabilit des Paramtres de la Courbe de Phillips Hybride221
1 2 3 4 5 6 7 8 9 10
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1982:1 - 1990:4
1982:1 - 1998:1
1991:1 - 1998:1
Figure (5.3) : La rponse de lination - Type I
1 2 3 4 5 6 7 8 9 10
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1982:1 - 1990:4
1982:1 - 1998:1
1991:1 - 1998:1
Figure (5.4) : La rponse de lination - Type II
Chapitre 6
Rsolution des Modles
Multivaris Anticipations
Rationnelles & Estimation
Structurelle dun Modle
No-Keynsien Gnral
Introduction
Si les modles auto-rgressifs sont certainement plus faciles mettre en pratique
puisque les mthodes destimation conomtrique ncessaires sont moins complexes,
elles sourent dun dfaut important comme la bien mis en vidence la clbre cri-
tique de Lucas (1976). La seule rponse envisageable la critique de Lucas consiste
avoir recours un modle structurel qui puisse dcrire un changement de com-
portement des agents conomiques face une modication du fonctionnement de
la politique montaire. Les quations des modles doivent donc possder des fonde-
ments microconomiques et dans la mesure o on va placer les agents conomiques
dans un cadre intertemporel, les anticipations rationnelles vont tout naturellement
gurer dans les direntes quations de comportement. Si McCallum (1999) insistait
avant tout sur la prsence des anticipations rationnelles pour remdier la critique
222
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 223
de Lucas, Rotemberg & Woodford (1998) mettent en avant au contraire la ncessit
des fondements microconomiques puisque, selon eux, rien ne garantit que les antic-
ipations, aussi rationnelles quelles puissent tre, sont invariantes aux dcisions de
politique montaire.
Le fondement de la courbe nokeynsienne de Phillips est driv dune base
micro-conomique dans un modle avec optimisation des cots et des comporte-
ments des agents reliant lination lcart de production. Cette nouvelle version de
la courbe de Phillips ninclut aucune variable retarde ou backward-looking, mais
Fuhrer & Moore (1995) expliquent que la courbe sadapte mieux aux donnes quand
lination retarde est introduite. Ils expliquent la ncessit dinclure lination re-
tarde (une inertie) par le phnomne observ sur les donnes relles qui rsume la
persistance de lination. Gal & Gertler (1999) montrent que le cot marginal est
le meilleur indicateur de la capacit dutilisation que lcart de production. Leurs
travaux empiriques traduisent limportance que la composante retarde peut avoir
dans les modles du type Fuhrer et Moore. Ils expliquent cette importance par le
fait de considrer loutput gap comme variable forante la place du cot marginal.
Cependant, mme en considrant les cots marginaux, la composante backward
reste signicative.
La prsence des anticipations rationnelles dans le modle hybride de la nou-
velle courbe de Phillips peut donc se justier par des considrations thoriques :
ces fondements microconomiques immuniseraient notre modle contre la critique
de Lucas. Cependant, leur incorporation dans lestimation empirique nest pas sans
consquences quant aux techniques conomtriques utilises dans la mesure o les
mthodes destimation classiques ne reprsentent plus du tout un outil adapt. En
outre, lestimation empirique doit absolument tenir compte des contraintes imposes
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 224
sur les paramtres structurels. Le niveau de dicult augmente considrablement
quand il sagit dun systme dquations struturelles et simultanes avec lincorpo-
ration des anticipations rationnelles.
Ce chapitre a pour objectif de comparer le comportement dun modle struc-
turel pendant deux priodes caractrises par un niveau oppos de volatilit de
lination dune priode une autre. Dabord, nous considrons le modle hybride
de Gal & Gertler (1999) que nous estimons conomtriquement par une mthode
de variables instrumentales (une version des mthodes de moindres carrs) sur les
donnes amricaines pour les priodes davant et aprs Volcker
1
[anne de rfrence :
deuxime moiti de lanne 1981]. Le but de cette comparaison est de savoir si un
tel modle pourrait garder une certaine stabilit des paramtres structurels tout
en capturant le comportement des dynamiques de lination. Ensuite, nous largis-
sons le champ comparatif un modle plus complet qui incorpore des dynamiques
plus exhaustives retant la structure de lconomie. Ce modle est compos dune
courbe dore (AS) qui nest autre que la courbe hybride de Phillips, une courbe de
demande (IS) et une quation qui reprsente linstrument de la politique montaire
(le taux dintrt de court terme). Ce modle inclut dans chacune de ses quations
deux composantes, lune est retarde et lautre est anticipe, que nous avons jus-
ties par leur fondement microconomique. Cependant, la dicult pour la mise
en pratique de lestimation empirique du modle est double. La premire dicult
est celle de la rsolution du systme de trois quations simultanes avec anticipa-
tions rationnelles. Nous consacrons une partie dans ce chapitre pour prsenter les
techniques les plus utilises an de convertir le systme actuel en systme dqua-
1
Il est rappeler que la deuxime moiti de lanne 1981 a fait lhunanimit des tests de change-
ments structurels dvelopps au deuxime chapitre. Le test dinstabilit de la densit spectrale
qualie cette date de point de changement de rgime de long terme.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 225
tions implmentable conomtriquement. Quant la deuxime dicult, cest celle
du nombre trs important de paramtres structurels (7 paramtres) estimer qui
sont eux-mmes sujet des contraintes structurelles considrer absolument lors de
lestimation. Le problme souvent rencontr est un problme de non-convergence de
lestimation qui traduit limpuissance du critre doptimisation utilis par le logiciel
en question (dans notre cas, nous utilisons un critre classique Minz sur Matlab,
la recherche des optima seectue dans R
7
). Par ailleurs, nous utilisons la mthode
destimation du maximum de vraisemblance en information complte.
1 Mthodes de Rsolution pour les Modles Mul-
tivaris Anticipations Rationnelles
Dans cette section, nous fournissons une revue des mthodes de rsolution des
modles multivaris anticipations rationnelles les plus utilises dans la littrature.
Nous prsentons aussi les nouvelles techniques qui permettent de tenir compte de
plusieurs formes de non-stationnarit et de non linarit.
Dabord, nous considrons, un modle commun pour toutes les mthodes de r-
solution que nous prsenterons. Le modle considr est un modle hybride gnral
qui distingue deux composantes, celle des variables qui sont orientes vers le pass
backward-looking et celle des variables qui sont projetes dans le futur forward-
looking. Nous utilisons des techniques classiques de martingale ou de dirence de
martingale pour obtenir les solutions pour la composante forward. La mthode
est relativement simple appliquer et exige une solution sous forme dune quation
quadratique dont les racines fournissent une caractrisation complte de toutes les
classes possibles de solution, savoir la solution stable unique, les solutions stables
multiples, et le cas o aucune solution stable nexiste. Puisque nous devons imposer
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 226
quelques hypothses seulement trs faibles aux variables forantes du modle, cette
mthode de rsolution est applicable aux cas o les variables forantes sont int-
gres de premier ordre. Elle sert aussi pour montrer les dynamiques de la variance
conditionnelle, ou dautres formes de non-stationnarit ou de non-linarit dans les
variables forantes.
1.1 Forme gnrale
Nous considrons le modle structurel multivari anticipations rationnelles suiv-
ant :
n
1
X
i=0
n
2
X
j=0
M
ij
E(x
t+ji
|
ti
) = u
t
, (6.1)
o x
t
est un vecteur des variables dintrt de dimension p 1, u
t
reprsente
un vecteur des "variables forantes" de mme dimension, M
ij
(i = 0, 1, ..., n
1
; j =
0, 1, ..., n
2
) est une matrice des coecients de dimension p p, et
t
reprsente
la matrice de lensemble dinformation dont on dispose la date t, constitue des
valeurs courantes et retardes de x
t
et de u
t
:
t
= {x
t
, x
t1
, ...; u
t
, u
t1
, ...; ...}. Les
variables forantes {u
t
} sont supposes conformes lensemble de linformations
t
.
nous supposons galement que les anticipations conditionnelles E(u
t+i
|
t
) existent.
Il sagit dhypothses relativement faibles sans forcment exiger, par exemple, que
le processus {u
t
} soit linaire ou de covariance stationnaire. Le systme dquations
dcrit par (6.1) couvre une grande varit de modles linaires (homognit de lin-
formation) bass sur les anticipations rationnelles utilises dans la littrature micro
et macro-conomique. titre illustratif, cette varit peut inclure les modles inter-
temporels de comportement des rmes ou/et des mnages, les modles de croissance
no-classique et des cycles daaires. Dans le cadre de notre recherche, ce sont les
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 227
modles no-keynsiens ainsi que les modles structurels quations simultanes
qui nous intressent. Il est noter que les spcications ci-dessus tiennent compte
aisment de linclusion des variables dpendantes retardes ou orientes vers le pass
backward-looking et des anticipations futures forward-looking de x
ti
bases sur
linformation dirents points du pass, comme, par exemple, E(x
t1
|
t2
) ou en-
core E(x
t2
|
t4
). Par consquent, il est facile de prouver que nimporte lequel des
exemples ci-dessus peut tre prsent comme cas particulier du systme dquation
(6.1).
Mme si nous avons besoin uniquement dcrire un systme dquations de pre-
mier ordre impliquant un bloc de variables dpendantes une priode retarde et
un autre bloc de variables une priode anticipe, nous envisageons le cas le plus
gnral avec notamment n
1
priodes retardes pour un premier bloc de variables
dpendantes et n
2
priodes anticipes pour le deuxime bloc. Pour la clart de la
prsentation, il est recommand daccomplir cette transformation en deux tapes
2
.
Dans la premire tape, (6.1) peut tre rduit un systme dquations comprenant
les termes retards pour les n
1
priodes passes et uniquement les termes relatifs
une seule priode anticipe. Pour aboutir cette n, nous avons besoin de dnir
les matrices et les vecteurs suivants :
z
t
=
_
_
_
_
_
x
t
E(x
t+1
|
t
)
.
.
.
E(x
t+n
2
|
t
)
_
_
_
_
_
,
0
=
_
_
_
_
_
M
00
M
01
M
0n
2
0
p
I
p
0
p
.
.
.
0
p
0
p
I
p
_
_
_
_
_
,
i
=
_
_
_
_
_
M
i0
M
i1
M
in
2
0
p
0
p
0
p
.
.
.
0
p
0
p
0
p
_
_
_
_
_
,
1
=
_
_
_
_
_
0
p
0
p
0
p
0
p
I
p
0
p
0
p
0
p
.
.
.
0
p
0
p
0
p
_
_
_
_
_
,
2
Voir par exemple Broze, Gouriroux & Szafarz (1990).
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 228
t
=
_
_
_
_
_
u
t
0
p1
.
.
.
0
p1
_
_
_
_
_
,
o 0
p
et I
p
reprsentent respectivement une matrice nulle et une matrice diden-
tit dordre p,
0
est une matrice non singulire de dimension [(n
2
+ 1)p (n
2
+ 1)p],
et
t
est un vecteur de dimension [(n
2
+ 1)p 1]. Alors, (6.1) peut tre r-crit sous
forme plus compacte comme suit :
n
1
X
i=0
i
z
ti
+
1
E(z
t+1
|
t
) =
t
(6.2)
En utilisant ce rsultat, la rduction dsire un systme de premier ordre peut tre
ralise en dnissant :
y
t
=
_
_
_
_
_
z
t
z
t1
.
.
.
z
tn
1
+1
_
_
_
_
_
,
0
=
_
_
_
_
_
0
1
n
1
1
0
(n
2
+1)p
I
(n
2
+1)p
0
(n
2
+1)p
.
.
.
0
(n
2
+1)p
0
(n
2
+1)p
I
(n
2
+1)p
_
_
_
_
_
,
1
=
_
_
_
_
_
0
(n
2
+1)p
0
(n
2
+1)p
0
(n
2
+1)p
n
1
I
(n
2
+1)p
0
(n
2
+1)p
0
(n
2
+1)p
0
(n
2
+1)p
.
.
.
0
(n
2
+1)p
0
(n
2
+1)p
I
(n
2
+1)p
0
(n
2
+1)p
_
_
_
_
_
,
1
=
_
_
_
_
_
1
0
(n
2
+1)p
0
(n
2
+1)p
0
(n
2
+1)p
0
(n
2
+1)p
0
(n
2
+1)p
.
.
.
0
(n
2
+1)p
0
(n
2
+1)p
0
(n
2
+1)p
_
_
_
_
_
, e
t
=
_
_
_
_
_
t
0
.
.
.
0
_
_
_
_
_
,
o y
t
est un vecteur de dimension n
1
(n
2
+ 1)p 1, et
0
,
1
et
1
sont des
matrices carrs de mme dimension que y
t
. Il rsulte alors immdiatement que lex-
pression quivalente lquation (6.2) est :
y
t
=
1
0
1
y
t1
1
0
1
E(y
t+1
|
t
) +w
t
(6.3)
ou encore, nous pouvons r-crire lquation (6.3) avec une notation plus simple :
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 229
y
t
= Ay
t1
+BE(y
t+1
|
t
) +w
t
(6.4)
o les dimensions sont devenues comme suit : y
t
et w
t
sont des vecteurs de dimension
m 1, et A et B sont des matrices de dimension m m, avec m = n
1
(n
2
+ 1)p.
Pour le reste de la section, nous concentrons notre analyse sur la version compacte
de (6.1) donne par (6.4).
1.2 Une revue de quelques mthodes de rsolution
Nous prsentons quelques mthodes disponibles dans la littrature pour la rso-
lution des modles linaires multivaris anticipations rationnelles. Ces mthodes de
rsolution dirent par leur degr de gnralit, et peuvent tre regroupes en deux
catgories. Les mthodes du premier groupe sont valables quand les coecients des
matrices A et B dans (6.4) et le processus gnrateur des variables forantes sont
soumis certaines restrictions. Les mthodes de rsolution discutes dans les travaux
dHansen & Sargent (1981a) concident avec cette catgorie. Ces mthodes de rso-
lution ne sont donc pas gnralement applicables (6.4). Un deuxime groupe de
mthodes de rsolution, est suggr par Whiteman (1983), Salemi (1986) et Broze,
Gourriroux & Szafarz (1985 & 1990). Ces mthodes de rsolution sont plus gnral-
ises pour tre appliques (6.4) et nexigent pas des restrictions spciques sur les
coecients des matrices A et B dans (6.4). Dans ce qui suit, nous fournissons une
revue de quelques mthodes de rsolution qui font partie de la deuxime catgorie.
Nous sommes loin de prsenter une liste exhaustive des mthodes de rsolution des
modles multivaris anticipations rationnelles. Nous nous contentons de considrer
les procdures les plus rpandues dans la littrature applique.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 230
1.2.1 Mthodes des coecients indtermins
Les mthodes de rsolution proposes par Whiteman (1983) et Salemi (1986)
sont bases sur lapproche des coecients indtermins et exploitent deux principes
de base avancs par Muth (1961). Dabord, ces mthodes se limitent aux processus
stochastiques des variables forantes qui ont une covariance linaire, rgulire et sta-
tionnaire. Ainsi, ils admettent une reprsentation de Wold. Ensuite, nous sommes
contraints priori dcrire les solutions comme des combinaisons linaires des pro-
cessus fondamentaux des variables forantes en respectant lindpendance par rap-
port au temps. Cest--dire que la classe des solutions considres est de la forme
y
t
=
P
j=0
C
j
tj
, o la matrice de coecients C
j
ne dpend que de j mais elle est
totalement indpendante du temps t et elle satisfait la condition
P
j=0
trC
j
C
0
j
< .
Sans perte de gnralit, le processus w
t
est prsent sous forme de reprsentation
moyenne mobile (MA) :
w
t
=
X
j=0
A
j
tj
A(L)
t
, (6.5)
o les A
j
sont de dimension mm, A(L)=
P
j=0
A
j
L
j
est une matrice polynomiale
des oprateurs de retard linni, et
t
est de dimension m 1. Les solutions de
(6.4) sont alors obtenues par recherche dans la classe suivante :
y
t
=
X
j=0
C
j
tj
C(L)
t
, (6.6)
En utilisant une notation doprateur de retard, (6.4) peut tre r-crit comme suit :
E((I
m
BL
1
AL)y
t
|
t
) = w
t
. (6.7)
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 231
Depuis (6.6), lanticipation rationnelle (ou encore le prdicteur optimal) de y
t+1
conditionnellement
t
est donn par :
E(y
t+1
|
t
) = C
1
t
+C
2
t1
+ (6.8)
= L
1
(C(L) C
0
)
t
.
En remplaant (6.5), (6.6), et (6.8) dans (6.7), nous obtenons :
I
m
BL
1
AL
C (L)
t
=
BC
0
L
1
+A(L)
t
. (6.9)
Les mthodes de Whiteman (1983) et de Salemi (1986) dirent comme suit : White-
man utilise la technique de "transformation-z" encore appele la "dcomposition-
QZ", alors que la technique adapte par Salami se dirige plutt vers des techniques
directes dinversion de matrice.
Nous considrons, dans un premier temps, la mthode de "transformation-z"
de Whiteman. Les polynmes de retard de part et dautre dans lquation (6.9)
doivent tre gaux pour toutes les ralisations de
t
. Ainsi, la "transformation-z"
doit correspondre la fonction analytique suivante :
I
m
Bz
1
Az
C(z) = BC
0
z
1
+A(z). (6.10)
La prochaine tape consiste factoriser le polynme caractristique associ au terme
gauche de lquation (6.10). Sous certaines conditions, nous pouvons considrer la
forme normale de Smith : Si le dterminant de (I
m
z Bz Az
2
) est non nul dans
le cercle unitaire et admet des racines distinctes, alors il est possible de factoriser
I
m
z Bz Az
2
dans S(z)T(z), o S(z) = S
0
+ S
1
z, T(z) = T
0
+ T
1
z et S
0
, S
1
,
T
0
et T
1
sont des matrices de dimension m m. Dans cette factorisation, toutes
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 232
les racines de det(S(z)) = 0 et de det(T(z)) = 0 seront distinctes et se situeront
respectivement lintrieur et lextrieur du cercle unitaire. Egalisons S(z)T(z)
avec le terme se trouvant gauche de lquation (6.10), nous pouvons crire alors :
T(z)C(z) = S(z)
1
(BC
0
z
1
+A(z))z (6.11)
Whiteman propose de calculer linverse de S(z) en utilisant lalgorithme dEmre et
Hsseyin (1975), utilis aussi par Hansen et Sargent (1981a). Cet algorithme utilise
lidentit S(z)
1
= adj(S(z))/ det(S(z)). Ceci nous permet dcrire :
S(z)
1
=
m
1
X
j=1
N
j
z z
j
(6.12)
o z
1
, z
2
,..., z
m
1
sont les racines de det(S(z)) = 0, les matrices de dimension mm :
N
1
, N
2
,..., N
m
1
sont des fonctions de adj(S(z
j
)), et m
1
est le nombre des racines de
det(I
m
z Bz Az
2
) = 0 qui se situent lintrieur du cercle unitaire.
En utilisant lexpression de S(z)
1
, (6.11) peut tre crit comme suit :
T(z)C(z) =
m
1
X
j=1
N
j
z z
j
(BC
0
+A(z)z) (6.13)
Cependant, C(z) doit exister pour tout |z| < 1, alors lquation (6.13) suppose
implicitement quelques restrictions sur C
0
. En particulier, elle doit vrier que :
(z z
j
) T(z)C(z)|
z=z
j
= N
j
(BC
0
+A(z
j
)z
j
) = 0
m1
, j = 1, 2, ..., m
1
(6.14)
Par quivalence, nous obtenons le systme dquations de dimension (m
1
m) :
_
_
_
N
1
A(z
1
)z
1
.
.
.
N
m
1
A(z
m
1
)z
m
1
_
_
_
=
_
_
_
N
1
.
.
.
N
m
1
_
_
_
BC
0
, (6.15)
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 233
qui peut tre rsolu en C
0
. La solution
3
pour C
0
est unique si m
1
= m [Sargan (1984)
lappelle le cas rgulier]. Ceci peut tre remarqu en notant que le rang de :
_
_
_
N
1
.
.
.
N
m
1
_
_
_
B
est infrieur ou gal au minimum de (m
1
, m), conformment aux arguments standard
de lalgbre linaire. En outre, il y a une multiplicit de solutions covariances
stationnaires de (6.4) si m
1
< m (le cas irrgulier) et aucune solution covariance
stationnaire nexiste si m
1
> m. En combinant (6.13) et les restrictions (6.15),
nous obtenons une expression conomtriquement implmentable
4
. Si la solution est
unique, elle sera donne par lexpression suivante :
y
t
= T(L)
1
m
X
j=1
N
j
LA(L) z
j
A(z
j
)
L z
j
t
(6.16)
o en utilisant (6.5),
t
peut tre obtenu en terme de variables observables w
t
en
inversant A(L) :
t
= A(L)
1
w
t
. Dans le cas o nous disposons de solutions mul-
tiples, (m m
1
) racines doivent tre inversibles pour aboutir une factorisation
approprie de I
m
z Bz Az
2
dans S(z)T(z).
Nous exposons prsent limplmentation de la mthode des coecients in-
dtermins due Salemi (1986). En considrant lquation (6.9), une solution, si elle
existe, se prsentera sous la forme suivante :
y
t
=
B +I
m
AL
2
(BC
0
+A(L) L)
t
. (6.17)
Limplmentation de lquation (6.17) ncessite dune part le calcul de linverse
3
Elle est la solution par consquent lquation (6.4).
4
Pour plus de dtails de dveloppement, voir Whiteman (1983).
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 234
de (B +I
m
AL
2
) au pralable et conformment la procdure de Whiteman
(1983). Dautre part, il faut obtenir les restrictions sur C
0
. La premire tche peut
tre accomplie assez facilement en utilisant des mthodes rcursives standards. Nous
remplaons linverse de (B +I
m
AL
2
) par le polynme des retards dordre inni
(H
0
+H
1
L +H
2
L
2
+ ), o (H
0
, H
1
, . . . ect) sont des matrices de dimension (m
m), et par consquent, nous avons lcriture suivante :
B +I
m
L AL
2
H
0
+H
1
L +H
2
L
2
+
= I
m
. (6.18)
Les matrices (H
0
, H
1
, . . . ect) sont donnes conformment la relation recursive
suivante (nous supposons toujours que B est non-singulire) :
H
i
= B
1
(H
i1
AH
i2
) , i = 0, 1, 2, . . . , (6.19)
o (H
0
= B
1
) et (H
i
= 0
m
) pour (i < 0).
Salemi (1986) pose deux hypothses pour obtenir les restrictions sur C
0
: le
dterminant de (B +I
m
L AL
2
) est non nul dans le cercle unitaire, et B est de
plein rang. Si B est non singulire, nous pouvons multiplier le polynme des retards
(6.9) par B
1
pour obtenir :
B
1
L I
m
B
1
AL
2
C(L) = C
0
+B
1
A(L)L. (6.20)
Ce qui peut tre dune manire quivalente reprsenter comme suit :
I
m
0
m
0
m
I
m
B
1
B
1
A
I
m
0
m
C (L)
C (L) L
(6.21)
=
C
0
0
m
0
m
I
m
B
1
A(L) 0
m
0
m
I
m
I
m
0
m
,
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 235
ou en criture plus compacte :
(I
2m
GL) (L) = (K
0
+K
1
(L) L)P (6.22)
o G, K
0
, et K
1
sont des matrices de dimension (2m 2m), et la matrice des
polynmes des retards (L) et la matrice P sont de dimension (2m m). Cette
transformation est particulirement utile pour distinguer les trois cas de solution
(aucune solution covariance stationnaire, une et une seule solution covariance
stationnaire et solutions multiples covariance stationnaire). Il est aisment possible
dillustrer ceci par le simple fait que lquation (6.4) peut scrire de la manire
suivante :
E(y
t+1
|
t
)
y
t
= G
y
t
y
t1
PA(L)
t
. (6.23)
Il est simple remarquer que le systme (6.23) nadmet aucune solution covariance
stationnaire si plus que m valeurs propres de :
G =
G
1
G
2
,
[avec G
1
et G
2
sont deux matrices de dimension (m2m)] sont en dehors du cercle
unitaire, puisque dans ce cas la composante (y
t
G
2
y
t1
) sera explosive en valeur. Si
exactement m valeurs propres de G se situent en dehors du cercle unitaire, une seule
et unique solution existera (cest le cas dit rgulier). Pour le cas irrgulier, si plus
que m valeurs propres de G se positionnent lintrieur du cercle unitaire, alors une
multiplicit de solutions existeront. Pour les deux cas rgulier et irrgulier, le
polynme caractrisant la solution est donn par :
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 236
(L) = (I
2m
GL)
1
(K
0
+K
1
(L) L) P. (6.24)
Daprs lquation (6.24), nous pouvons obtenir les restrictions imposes sur C
0
.
Nous procdons la diagonalisation
5
de G sous forme de H
1
JH (o les valeurs
propres de G sont places dans la diagonale de J dans lordre dcroissant bas sur
leur modules), et nous r-crivons alors (6.24) comme suit :
(L) = K
0
P +H
1
I
2m
+JL +J
2
L
2
+
(JHK
0
+HK
1
) PL. (6.25)
Ainsi, nous pouvons obtenir les restrictions exactes sur C
0
[Pour plus de dtails des
calculs, voir Salemi (1986) et Salemi et Song (1992)].
1.2.2 Les mthodes de dirence de martingale
Broze, Gouriroux & Szafarz (1990) ont introduit ce quils ont appel la "Mthode
de loprateur adjoint". Cest une extension de leurs travaux de 1985 sur la mthode
de dirence de martingale dans un contexte multivari. Lide fondamentale est
de remplacer des anticipations rationnelles par leurs ralisations augmentes par la
ralisation de la dirence de martingale du processus
6
. La mthode de loprateur
adjoint fera appel aux proprits du polynme caractristique du systme dquation
rsultant. Reconsidrons de nouveau le systme dquations (6.4). Nous remplaons,
alors E (y
t+1
|
t
) = y
t+1
t+1
, dans le systme dquations (6.4), o chaque com-
posante de
t+1
est un processus de dirence de martingale par rapport lensemble
dinformation
t
. Nous obtenons ainsi :
5
Pour simplier la tche, nous supposons comme Salemi (1986) que les lments de G sont
indpendants.
6
Un survey complet des procdures de dirences de martingale est propos par Williams (1991).
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 237
y
t
Ay
t1
By
t+1
= w
t
B
t+1
. (6.26)
Le polynme caractristique de (6.26) est donn par :
(L) = B +I
m
L AL
2
. (6.27)
Broze, Gouriroux & Szafarz (1990) procdent la multiplication de part et dautre
de lquation (6.26) retarde dune priode par la matrice adjointe de (L), (L)
pour obtenir :
L
m1
(L) y
t
= (L) B
t
+(L) w
t1
, (6.28)
o L
m1
(L) = det ((L)) et m
1
est gale au nombre de racines
7
de [det ((L))].
Remplaons B dans lquation (6.28) par son expression dduite de lquation (6.27).
Puis, nous multiplions par L
m1
, lquation (6.28) peut tre r-crite comme suit :
(L)y
t
L
m1
(L) (L)
t
= (L)
I
m
L AL
2
t+m
1
+(L) w
t+m
1
1
; (6.29)
ou encore avec une criture plus compacte :
(L) (y
t
t
) = (L)
I
m
L AL
2
t+m
1
+(L) w
t+m
1
1
. (6.30)
Il est noter que le terme gauche de (6.30) ne dpend que de lensemble des
informations dont on dispose
8
la date (t 1). Ainsi, il faut, comme le suggrent
Broze, Gouriroux & Szafarz (1990), que le terme droite de (6.30) doit vrier ce
qui suit :
7
Ainsi, (0) 6= 0.
8
En particulier, nous avons : y
t
t
= E(y
t
|
t1
) .
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 238
E
(L)
I
m
L AL
2
t+m
1
+(L) w
t+m
1
1
|
t1
(6.31)
= (L)
I
m
L AL
2
t+m
1
+(L) w
t+m
1
1
.
Toutes les solutions du modle anticipations rationnelles (6.4) sont ainsi calcules
en trouvant les dirences de martingale
t
satisfaisant (6.31). Ainsi, les solutions
pour y
t
du systme dquations (6.26) seront dtermines en termes de w
t
et
t
.
1.2.3 La mthode de lquation quadratique dterminante
Aprs avoir pass en revue quelques mthodes de rsolution de modles linaires
et multivaris anticipations rationnelles, nous exposons prsent une mthode r-
cente propose par Blinder & Pesaran (1994) que nous considrons la plus gnrale
et la plus pratique. La rsolution de ce genre de modle en utilisant la mthode
de Blinder & Pesaran (1994), non seulement donnera lieu toutes les solutions
possibles, mais en plus, les auteurs proposent une mthode dimplmentation de
ces solutions pour pouvoir les exploiter dans le cadre dune modlisation estimable
empiriquement. En outre, cette nouvelle procdure a lavantage dimposer aux vari-
ables dintrt (forcing variables) des hypothses considrablement plus faibles que
les mthodes discutes dans les sections prcdentes. La dicult principale pour
obtenir une solution pour (6.4) rside toujours dans la dpendance simultane de
y
t
linstar de ses valeurs passes et futures (anticipes). Blinder et Pesaran com-
mencent leur procdure en transformant les quations dans (6.4) de sorte que le sys-
tme rsultant en termes de variables transformes dpende seulement des valeurs
futures anticipes et puisse tre rsolu en utilisant soit la mthode de martingale
dveloppe et expose dans Perasan (1981 & 1987), soit une variante de la mthode
de dirence de martingale de Broze, Gouriroux & Szafarz (1985) prsente dans
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 239
la section prcdente. Dabord, nous prsentons la transformation de (6.4) pour un
systme impliquant seulement des valeurs anticipes. Ensuite, nous prsentons la so-
lution gnrale du systme transform. Enn, nous dcrivons lexcution empirique
de cette mthode.
1.2.3.1 La dcomposition du systme
Considrons le vecteur de la transformation base sur une quasi-dirence :
Y
t
= y
t
Cy
t1
, (6.32)
o C est une matrice de dimension (mm). En eet, cette transformation dcom-
posera la solution de (6.4) en composante retarde backward (y
tb
) et en composante
anticipe forward (y
tf
) : y
t
= y
tb
+ y
tf
, o y
tb
= Cy
t1
, et y
tf
= Y
t
. Nous cher-
chons dterminer C. En utilisant le fait que E(Y
t+1
|
t
) = E (y
t+1
|
t
) Cy
t
et en
substituant (6.32) dans (6.4), nous obtenons :
(I
m
BC) Y
t
= BE(Y
t+1
|
t
) +
BC
2
C +A
y
t1
+w
t
. (6.33)
Ce qui caractrise implicitement la matrice C prsente dans (6.32) comme solution
lquation de matrices polynmiales de second ordre :
BC
2
C +A = 0
m
. (6.34)
Nous supposons que (I
m
BC) soit non singulire, pour que nous puissions multi-
plier par son inverse de part et dautre de (6.33) :
Y
t
= FE (Y
t+1
|
t
) +W
t
, (6.35)
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 240
o,
F = (I
m
BC)
1
B (6.36)
et,
W
t
= (I
m
BC)
1
w
t
(6.37)
Le systme (6.35) qui dpend maintenant seulement des anticipations futures, peut
tre rsolu en utilisant la mthode de martingale ou celle de la dirence de martin-
gale.
1.2.3.2 La solution gnrale
La solution gnrale de (6.35) est intimement dpendante de linversibilit de B.
Nous allons distinguer les deux cas de gures :
1
er
cas : B est inversible
Quand B est non-singulire, ainsi que F, alors la solution gnrale de (6.35) est
donne par :
Y
t
=
t1
X
j=1
F
j
W
tj
+F
t
M
t
, (6.38)
En remplaant Y
t
dans (6.32), nous obtenons :
y
t
= Cy
t
t1
X
j=1
F
j
W
tj
+F
t
M
t
, (6.39)
o M
t
reprsente le vecteur du processus de martingale comprenant m processus
de martingale distincts conditionnellement lensemble de linformation disponible
t
. Ainsi, indpendamment des valeurs propres de F, il y a une multiplicit de
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 241
solutions caractrises par m processus de martingales en M
t
. Blinder & Pesaran
(1994) fournissent une caractrisation alternative de cette multiplicit :
Proposition
9
: Si y
0
t
est la solution de (6.4), alors Blinder et Pesaran (1994)
montrent quon peut crire que y
1
t
= y
0
t
+ C
y
1
t1
y
0
t1
+ F
t
M
t
, o M
t
est un
vecteur de processus de martingale.
Selon la position des valeurs propres de F sur le cercle unitaire, la solution
gnrale de (6.39) peut tre crite sous direntes formes. Dabord, nous supposons
que toutes les valeurs propres de F se situent lintrieur du cercle unitaire. Con-
sidrons une squence de variables alatoires {W
t
} satisfaisant :
E
W
0
t
W
t
6 k, t = 0, 1, 2, ... (6.40)
Pour une certaine constante nie k, la somme
P
i=1
F
i
W
i
existe. En outre,
n
M
f
t
o
est dni comme suit :
M
f
t
= M
t
E
X
i=1
F
i
W
i
|
t
!
, (6.41)
La rsolution de (6.41) pour M
t
et la substitution dans (6.39) nous permette dcrire
la solution forward :
y
t
= Cy
t1
+
X
i=0
F
i
E(W
t+i
|
t
) +F
t
M
f
t
, (6.42)
Si Gouriroux, Laont & Monfort (1982) imposent une condition additionnelle
sur la solution, sup
t
E|y
t
| < , alors la composante F
t
M
f
t
dans (6.42) doit dis-
paratre pour que la solution nexplose pas quand t 7 . Pour cela, il est
noter que si Y
0
t
= y
0
t
Cy
0
t1
et Y
1
t
= y
1
t
Cy
1
t1
sont les solutions de (6.4), alors
9
Voir Blinder et Pesaran (1994) pour la dmonstration de la proposition.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 242
nous avons Y
t
= Y
0
t
Y
1
t
= F
t
M
t
, et E|Y
t
| = |F
t
| E|M
t
|. Egalement, pour
chaque composante M
j
t
de M
t
, tant donn quelles reprsentent des processus de
martingale (j = 1, 2, ..., m), nous avons E
M
j
t
6 E
M
j
t+1
6 E
M
j
t+2
6 .
Ainsi, avec toutes les valeurs propres de F se positionnant lintrieur du cercle
de lunit, le seul choix de M
j
t
, pour lequel E|Y
t
| est nie, sera M
j
t
= 0 pour
tout t (j = 1, 2, ..., m). Cela implique que Y
0
t
= Y
1
t
alors, nous pouvons crire que
(I
m
CL) (y
0
t
y
1
t
) = 0
m1
tant que toutes les racines de C se situent lintrieur
du cercle unitaire. Par consquent, la solution unique et stable est donne :
y
t
= Cy
t1
+
X
i=0
F
i
E (W
t+i
|
t
) . (6.43)
Deuximement, nous pouvons obtenir galement une solution backward, quand
toutes les valeurs propres de F se trouvent en dehors du cercle unitaire. Considrons
que {W
t
} satisfaisse la condition (6.40), alors la somme
P
i=0
F
i
W
i
existe. Nous
dnissons :
M
b
t
= M
t
+
X
i=0
F
i
W
i
. (6.44)
Analogiquement la dmarche pour la partie forward, il est simple de remarquer
que M
b
t
est aussi un vecteur de processus de martingale. En remplaant M
t
par son
expression de (6.44) dans (6.39), la solution backward scrit comme suit :
y
t
= Cy
t1
+
X
i=0
F
i
W
i
+F
t
M
b
t
. (6.45)
Il convient de noter que puisque nous supposons que toutes les valeurs propres
de F se trouvent en dehors du cercle unitaire, on ne peut donc pas liminer les
composantes de martingale F
t
M
b
t
dans (6.45) par le biais dun critre de stabilit.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 243
Par consquent, les solutions stables se caractrisent par des choix arbitraires pour
les m composantes de M
b
t
.
Enn, nous supposons que F dispose de m
1
(6= 0) valeurs propres lintrieur et
m
2
(6= 0) (m
1
+m
2
= m) valeurs propres lextrieur du cercle unitaire. Intuitive-
ment, pour obtenir une caractrisation de la solution gnrale (6.39) correspondant
la reprsentation (6.43) et (6.45), nous devons rsoudre la partie forward de (6.35)
qui est associe aux valeurs propres de F se situant lintrieur du cercle unitaire, et
la partie backward de (6.35) qui est associe aux valeurs propres de F se trouvant
lextrieur du cercle unitaire. Ceci sera possible en utilisant la forme normale de
Jordan, savoir F = TT
1
, o :
=
f
1
0
m
1
m
2
0
m
2
m
1
f
2
, (6.46)
avec T est une matrice non-singulire de dimension (m m),
f
1
(qui est dodre
m
1
m
1
) est le bloc associ aux valeurs propres de F qui se situent lintrieur
du cercle unitaire, et
f
2
(qui est dodre m
2
m
2
) est le bloc associ aux valeurs
propres de F qui se situent lextrieur du cercle unitaire. En utilisant (6.46), nous
pouvons r-crire (6.35) sous la forme de deux blocs spars dquations :
Y
t1
=
f
1
E
Y
t+1,1
|
t
+W
t1
, (6.47)
Y
t2
=
f
2
E
Y
t+1,2
|
t
+W
t2
, (6.48)
o,
Y
t
= T
1
Y
t
, W
t
= T
1
W
t
, Y
t
=
Y
t1
Y
t2
, W
t
=
W
t1
W
t2
.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 244
prsent, nous pouvons obtenir la solution forward pour (6.47) et la solution
backward pour (6.48). Cependant, nous pouvons considrer une procdure alter-
native pour obtenir la solution de (6.48) en utilisant la technique de la dirence
de martingale. La solution gnrale de (6.48), analogiquement (6.38), est donne
par :
Y
t2
=
t1
X
j=1
j
f
2
W
tj,2
+
t
f
2
M
t2
, (6.49)
o {M
t2
} est un vecteur de processus de martingale dordre m
2
. Aprs la rsolution
de (6.49) pour M
t2
, nous valuons lexpression dduite de la mme quation la
date (t 1). Nous obtenons ainsi :
Y
t2
=
j
f
2
Y
t1,2
1
f
2
W
t1,2
+
t
, (6.50)
o
t
=
t
f
2
(M
t2
M
t1,2
) est le processus de dirence de martingale dordre
m
2
. En combinant (6.50) avec la solution forward de (6.47), la caractrisation
alternative de la solution gnrale, dans le cas o F possde m
1
racines lintrieur
et m
2
racines en dehors du cercle unitaire, est donne par :
y
t
= (C +Q) y
t1
QCy
t2
QW
t1
+
X
i=0
G
i
E(W
t+i
|
t
) + D
t
, (6.51)
o,
Q = T
0
m
1
0
m
1
0
m
1
0
m
2
0
m
2
0
m
1
1
f
2
T
1
, G
i
= T
i
f
1
0
m
1
0
m
2
0
m
2
0
m
1
0
m
2
0
m
2
T
1
et, D
t
= T
t
f
1
M
f
t1
.
2
` eme
cas : B nest pas inversible
Quand B est singulire, il est ncessaire de considrer la forme normale de Jordan
pour F, en distinguant les blocs correspondants aux valeurs propres nulles de celui
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 245
compos de valeurs propres non nulles de F. Considrons la transformation rsultant
de (6.35) pour le cas gnral respectivement des m
1
valeurs propres de F qui se
situent lintrieur du cercle unitaire, des m
2
valeurs propres qui se trouvent
lextrieur du cercle unitaire, et des m
3
valeurs propres nulles (m
1
+m
2
+m
3
= m).
La forme normale de Jordan pour F dans ce cas est donne par F = TT
1
, o :
=
_
_
f
1
0
m
1
0
m
2
0
m
1
0
m
3
0
m
2
0
m
1
f
2
0
m
2
0
m
3
0
m
3
0
m
1
0
m
3
0
m
2
f
3
_
_
(6.52)
T est une matrice de dimension (m m),
f
1
(une matrice dordre m
1
m
1
) est
le bloc associ aux valeurs propres de F se situant lintrieur du cercle unitaire,
f
2
(qui est dordre m
2
m
2
) reprsente le bloc associ aux valeurs propres de F se
situant lextrieur du cercle unitaire, et
f
3
(qui est dordre m
3
m
3
) est le bloc
correspondant aux valeurs propres de F qui sont nulles. En utilisant (6.52), nous
pouvons r-crire (6.35) sous la forme de trois blocs dquations :
Y
t1
=
f
1
E
Y
t+1,1
|
t
+W
t1
, (6.53)
Y
t2
=
f
2
E
Y
t+1,2
|
t
+W
t2
, (6.54)
Y
t3
=
f
3
E
Y
t+1,3
|
t
+W
t3
, (6.55)
o,
Y
t
= T
1
Y
t
, W
t
= T
1
W
t
, Y
t
=
_
_
Y
t1
Y
t2
Y
t3
_
_
, W
t
=
_
_
W
t1
W
t2
W
t3
_
_
.
Les systmes dquations (6.53) et (6.54) ont la mme solution gnrale.
Cependant, la solution gnrale de (6.55) est donne par :
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 246
Y
t3
=
j
f
3
E
Y
t+j,3
|
t
+
j1
X
i=0
i
f
3
E
W
t+j,3
|
t
(6.56)
avec
j
f
3
est dnie telque, pour j > 0,
j
f
3
= 0
m
3
pour j > m
3
, (rappelons que m
3
est la dimension de la matrice
f
3
). Nous pouvons r-crire (6.56) comme suit :
Y
t3
=
m
3
1
X
i=0
i
f
3
E
W
t+i,3
|
t
. (6.57)
En combinant les solutions gnrales pour les trois blocs de (6.53) (6.55). Aprs
avoir remplac Y
t
dans (6.32), nous obtenons :
y
t
= (C +Q) y
t1
QCy
t2
QW
t1
+
X
i=0
G
i
E(W
t+i
|
t
) (6.58)
+
m
3
1
X
i=0
H
i
E(W
t+i
|
t
) + D
t
,
o
Q = T
_
_
0
m
1
0
m
1
0
m
1
0
m
2
0
m
1
0
m
3
0
m
2
0
m
1
1
f
2
0
m
2
0
m
3
0
m
3
0
m
1
0
m
3
0
m
2
f
3
_
_
T
1
,
G
i
= T
_
_
i
f
1
0
m
1
0
m
2
0
m
1
0
m
3
0
m
2
0
m
1
0
m
2
0
m
2
0
m
2
0
m
3
0
m
3
0
m
1
0
m
3
0
m
2
0
m
3
0
m
3
_
_
T
1
,
H
i
= T
_
_
0
m
1
0
m
1
0
m
1
0
m
2
0
m
1
0
m
3
0
m
2
0
m
1
0
m
2
0
m
2
0
m
2
0
m
3
0
m
3
0
m
1
0
m
3
0
m
2
i
f
3
_
_
T
1
,
et D
t
= T
_
_
t
f
1
M
f
t1
t
0
m
3
1
_
_
.
Si la solution vrie le critre de stabilit, alors D
t
associ au vecteur du processus
de martingale doit tre nul presque srement. Par consquent, la solution gnrale
stable donne par (6.58) aura une multiplicit dordre m
2
. La solution peut tre
encore spcie si m
1
ou m
2
taient nuls.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 247
1.2.3.3 Implmentation de la mthode de lquation quadratique dter-
minante
Lapplication de la mthode base sur lquation quadratique dterminante posera
deux problmes pratiques. Premirement, la matrice C (et par consquent, la ma-
trice F) dnie par la matrice de lquation quadratique (6.34), de matrice doit
tre calcule. Deuximement, la partie forward de la solution, indique par des ex-
pressions telles que
P
i=0
F
i
E(W
t+i
|
t
) dans lquation (6.43),
P
i=0
G
i
E(W
t+i
|
t
)
dans (6.51), et
P
i=0
G
i
E(W
t+i
|
t
) +
P
m
3
1
i=0
H
i
E(W
t+i
|
t
) dans (6.58), doivent tre
calcules au pralable.
Dabord, nous rsolvons le problme de calcul de C et nous prsentons plusieurs
mthodes. Une premire procdure simple consiste obtenir une solution en appli-
quant des mthodes numriques directement (6.34). Il sut de lancer une proc-
dure itrative avec une estimation arbitraire de C telle que C
0
est la valeur initiale
et en utilisant les relations rcursives C
r
= (I
m
BC
r1
)
1
A, o C
r
est la valeur
de C la r
` eme
itration (r = 1, 2, ...). Une telle procdure peut tre trs sensible
aux conditions initiales utilises. Cependant, nous pouvons obtenir un algorithme
alternatif si nous considrons que chaque valeur propre
c
dune solution C de (6.34)
satisfait le dterminant de lquation quadratique :
det(B
2
c
I
m
c
+A) = 0 (6.59)
Il est rappeler quil y a m valeurs propres. Une fois que nous disposons dune
solution pour les valeurs propres, nous pouvons calculer celles correspondant C (en
utilisant (B
2
c
I
m
c
+A)e
j
= 0, j = 1, 2, ..., m). La forme canonique est reprsente
soit par la matrice diagonale compose par les valeurs propres sur tout le long de
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 248
la diagonale (si les vecteurs propres sont indpendants), soit par la forme normale
de Jordan (si au moins deux vecteurs propres sont dpendants). Il est simple de
calculer C quand tous les vecteurs propres sont indpendants. Dans ce cas, il existe
une matrice T de dimension (mm) telle que T
1
AT =
a
et T
1
BT =
b
, o
a
et
b
sont des matrices diagonales dont les lments qui composent leurs diagonales
sont les valeurs propres respectivement de A et B. Lquation (6.34) devient alors :
b
T
1
C
2
T T
1
CT +
a
= 0
m
(6.60)
Nous choisissons les solutions de C (6.60) de manire ce que (T
1
C
2
T) et
(T
1
CT) soient diagonaux. Nous obtenons alors :
2
c
c
+
a
= 0
m
(6.61)
qui est une simple alternative (6.59) pour calculer les valeurs propres de C.
prsent, il est ncessaire de caractriser la partie forward de la solution [i.e.,
les termes tels que
P
i=0
F
i
E (W
t+i
|
t
) dans (6.43)] sous une forme dordre ni,
pour pouvoir dterminer lexpression complte de la solution de y
t
. Nous reprenons
la suggestion de Blinder & Pesaran (1994) qui consiste considrer une mthode
rcursive pour mettre en application cette tche, qui reprsente une alternative la
formule optimale de prvision de Wiener-Kolmogorov, discute par Whittle (1963)
et considre plutard par Hansen & Sargent (1980 & 1981b). Il est signaler que
lapproche de Whittle ncessite que le processus {W
t
} soit linaire ou gaussien et
ce nest pas le cas de notre procdure. La mthode itrative de Blinder et Pesaran
est galement intressante parce quelle permet dexprimer les esprances des an-
ticipations futures des variables forantes en fonction des informations courantes.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 249
Pour illustrer un exemple du droulement de cette procdure, nous allons considrer
lquation (6.43) suppose satisfaire la condition de stabilit. La dcomposition de
(6.43) en une partie backward et en une partie forward peut se traduire comme
suit :
y
t
= y
1b
+y
1f
o y
1b
= Cy
t1
, y
1f
=
X
i=0
F
i
E(W
t+i
|
t
) . (6.62)
Pour le choix arbitraire de la valeur terminale y
t+N+1,f
= y
f
, N est alors choisi tel
que
F
N+1
y
f
+E(W
t+N1
|
t
),
= F
2
y
f
+FE(W
t+N
|
t
) +E(W
t+N1
|
t
),
.
.
.
y
t,f
= F
N+1
y
f
+F
N
E(W
t+N
|
t
) +F
N1
E(W
t+N1
|
t
)
+ +FE(W
t
|
t
) +E(W
t
|
t
).
(6.64)
En r-crivant lquation correspondant la dernire itration, nous obtenons lqua-
tion de la solution :
y
t,f
= F
N+1
y
f
+
N
X
i=0
F
i
E(W
t+i
|
t
). (6.65)
puisque le premier terme de lquation (6.65) tait choisi an dtre ngligeable, la
partie forward de la solution ne dpendra pas de y
f
.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 250
2 Estimation Structurelle dun Modle No-Keynsien
Gnral
Une des questions principales dans lanalyse macro-conomique est limpact des
chocs structurels sur la dynamique de lination, de la production et des taux din-
trt. Une grande partie de lanalyse empirique utilise les systmes autorgressifs vec-
toriels [voir Cochrane (1998), Cooley & Dwyer (1998), Bagliano & Favero (1999) et
Boivin & Giannoni (2002)]. Dans cette partie, nous examinons linteraction des chocs
structurels exognes avec le comportement des autorits montaires et des agents
privs dans le contexte dun nouveau modle macroconomique No-Keynsien.
Nous estimons le modle structurel complet et nous analysons les proprits des
paramtres structurels. Nous cherchons dterminer les rponses dynamiques des
paramtres structurels aux chocs structurels.
Nous caractrisons lensemble de relations macro-conomiques par un systme
des trois quations suivantes : lquation dore (AS), lquation de demande (IS) et
lquation de la politique montaire. Nous supposons quil ny a aucune dirence
informationnelle entre le secteur priv (les mnages) et la banque centrale.
2.1 Spcication gnrale du modle
2.1.1 La courbe (AS)
La courbe (AS) consiste en une courbe de Phillips reprsentant la relation entre
lination et le produit. Elle est issue du comportement doptimisation des rmes,
celles-ci faisant face des contraintes dajustements de prix. chaque priode, une
proportion (1 ) des rmes peut modier son prix. La probabilit dajustement
est indpendante de lhistoire de chaque rme. Parmi les rmes pouvant modier
leur prix, une partie (1 ) utilise des anticipations rationnelles et utilise une rgle
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 251
de xation des prix tourne vers le futur, forward-looking. Une fraction utilise elle
une rgle de xation des prix tourne vers le pass, backward-looking. Sans perte
de gnralit, nous considrons lquation de lore (AS) comme elle est formule
par Fuhrer & Moore (1995) :
t
=
AS
+E
t
t+1
+ (1 )
t1
+(y
t
+y
t1
) +
AS
t
(6.66)
AS
est une constante.
t
et y
t
reprsentent respectivement lination et lcart de
production entre (t 1) et t et
AS
t
reprsente les chocs structurels de lore qui sont
supposs indpendants et identiquement distribus avec une variance homosdas-
tique
2
AS
. E
t
est loprateur des anticipations rationnelles conditionnel lensemble
dinformations disponibles la date t, qui comporte
t
, y
t
, r
t
(le taux dintrt
nominal la date t) et lensemble des retards relatifs ces variables. Comme nous
pouvons le remarquer dans lquation (6.66), lination ne dpend pas seulement
de lination future anticipe mais galement de lination retarde avec respec-
tivement des poids
10
et 1 . Un des avantages de cette spcication est quelle
capture considrablement la persistance de lination qui est lun des faits styliss
qui caractrise les dynamiques de ination de point de vue empirique.
2.1.2 Lquation de demande (IS)
Lquation (IS) est issue du comportement doptimisation des mnages. Ceux-ci
cherchent maximiser leur utilit travers le temps. Elle dcrit donc la composante
de la demande de lconomie. Lquation (IS) est fonde sur le modle de lagent
reprsentatif. Nous considrons une fonction dutilit qui comprend des eets dhabi-
tude [voir Abel (1990) et Fuhrer (2000a & 2000b)]. La modication concerne limpact
10
Pour
AS
= 0 et = 0.5, nous retrouvons la spcication de Fuhrer & Moore (1995).
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 252
de la consommation dans la fonction dutilit [Smets & Wouters (2002)]. La fonction
dutilit scrit sous la forme suivante :
U(C
t
) =
(
Ct
H
t
)
1
1
1
(6.67)
O C
t
est le niveau de la consommation agrge, H
t
est leet des habitudes et
est linverse de llasticit de substitution. Le niveau des habitudes est exogne dans
le sens o le consommateur ne le considre pas comme tant un argument pour
maximiser sa fonction dutilit. Nous supposons que H
t
= C
h
t1
ex post, o h (> 0)
est une mesure du niveau des habitudes. Cest la spcication des habitudes que
nous devons leet de persistance dans la courbe (IS). La contrainte budgtaire des
agents est donne par :
C
t
+B
t
P
t1
P
t
B
t1
R
t
+W
t
(6.68)
Cette contrainte implique que la consommation des agents la date t, C
t
, augmente
par la valeur de ses capitaux, B
t
, ne doit pas excder leurs dotations en chaque
priode. Ces dotations dcoulent du revenu du travail, W
t
, augment par la valeur
relle de lexploitation des capitaux dont les agents disposent au dbut de la priode,
P
t1
P
t
B
t1
, multiplie par le rendement brut nominal sur ces capitaux, R
t
.
Nous supposons que lagent vivra inniment et maximisera son utilit sous la
contrainte budgtaire (6.68). Lquation dEuler est donne par :
1 = E
t
U
0
(C
t+1
)
U
0
(C
t
)
P
t
P
t+1
R
t
(6.69)
o P
t
est le niveau des prix la date t. En appliquant le logarithme, nous obtenons
lexpression suivante :
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 253
c
t
=
C
+E
t
c
t+1
+ (1 )c
t1
(r
t
E
t
t+1
) (6.70)
o
C
=
ln()
1
2
V
t
(c
t+1
+
t+1
)
(1+h)h
, c
t
est le log de la consommation la date t, V
t
est
loprateur de la variance conditionnelle la date t, avec =
(1+h)h
et =
1
(1+h)h
. Comme nous pouvons le remarquer dans lquation (6.70), le mcanisme
de transmission montaire est une fonction inverse de llasticit de substitution de
la consommation, , et du paramtre de persistance des habitudes, h.
Dautre part, nous considrons que la condition de lquilibre du march est Y
t
=
C
t
+G
t
, o Y
t
est lagrgat principal de la demande et G
t
reprsente les composantes
restantes de la demande, savoir, linvestissement, dpenses gouvernementales et
les exportations nettes. Lcriture logarithmique est donne par, c
t
= y
t
+ z
t
, o
y
t
est le log du produit intrieur brut "PIB" la date t et z
t
= log(
Y
t
G
t
Y
t
). Soit,
y
t
= y
T
t
+y
t
, o y
T
t
reprsente le produit potentiel ou la composante tendancielle de
y
t
et y
t
est lcart de la production "output gap". Alors, lquation (6.70) peut se
r-crire comme suit :
y
t
=
C
+E
t
y
t+1
+ (1 )y
t1
(r
t
E
t
t+1
) +g
t
(6.71)
o g
t
= (z
t
+y
T
t
)+E
t
(z
t+1
+y
T
t+1
)+(1)(z
t1
+y
T
t1
). Notons que y
t
augmente avec
G
t
. Finalement, nous dnissons
IS
= Eg
t
, o E est loprateur des anticipations
rationnelles, an de rcrire lquation
11
de la courbe (IS) comme :
y
t
=
IS
+E
t
y
t+1
+ (1 )y
t1
(r
t
E
t
t+1
) +
IS
t
(6.72)
11
Lquation (6.72) peut aussi tre exprime comme : y
t
= E
t
y
t+1
+(1)y
t1
(r
t
E
t
t+1
rr) +
IS
t
, o rr =
IS
g
. Nous interprterons
IS
t
comme tant un choc
exogne la demande globale
12
. Puisquaucune modlisation explicite nest retenue
pour G
t
, nous supposons que les G
t
sont indpendantes et identiquement distribues
avec une variance homosdastique
2
IS
.
titre comparatif, nous rappelons lexpression de la courbe (IS) classique :
y
t
=
IS
+E
t
y
t+1
(r
t
E
t
t+1
) +
IS
t
(6.73)
Il est remarquer que dans lexpression de la courbe (IS) classique, il nexiste aucune
composante capable de gnrer de la persistance puisque (6.73) est considre comme
un cas particulier de lquation gnrale de la courbe (IS) donne par (6.72) avec
( = 1) et (h = 0). Par consquent, la seule composante susceptible de gnrer la
persistance y
t1
sannule.
2.1.3 Lquation de la politique montaire
Linstrument des autorits montaires (le taux des fonds fdraux
13
) est modlis
conformment la fonction de raction propose par Clarida, Gal, et Gertler (2000) :
r
t
= r
t1
+ (1 )r
t
+
MP
t
(6.74)
r
t
= r
+(E
t
t+1
) +y
t
(6.75)
12
Woodford (2001) prcise que le terme
IS
t
ne peut pas tre interprt en gnral comme un
choc de demande, puisquil inclut des chocs dans la composante tendancielle de la production, qui
pourraient tre dus, par exemple, aux innovations technologiques. Cependant, si llimination de
la tendance est linaire, les innovations la tendance du produit disparaissent de
IS
t
, de sorte
que le terme
IS
t
soit interprt comme choc de demande. Si llimination de la tendance de la
production est quadratique, une composante dterministe de la tendance persiste dans
IS
t
, sa
taille est gnralement ngligeable.
13
Nous supposons que le taux des fonds fdraux est un bon proxy du taux dintrt de court
terme pour le cas des donnes amricaines.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 255
o est le niveau dination dquilibre de long terme et r
, reprsente
la rgle de Taylor selon laquelle la Banque Centrale ragit lcart entre lination
anticipe et son niveau dquilibre de long terme ainsi lcart de la production
courant. Par consquent, lquation de politique montaire devient :
r
t
=
MP
+r
t1
+ (1 )[E
t
t+1
+y
t
] +
MP
t
(6.76)
avec
MP
= (1)(r
) et
MP
t
dsigne les chocs de la politique montaire. Nous
supposons quils sont indpendants et identiquement distribus avec une variance
homosdastique
2
MP
. La rgle de politique montaire dispose de deux cibles. Dune
part, les autorits montaires lissent les taux dintrt en considrant un poids sur
le taux dintrt pass. Dautre part, elles ragissent lination prvue E
t
t+1
et
lcart de production par rapport au niveau naturel, y
t
. Le paramtre mesure
comment la banque centrale combat lination prvue, tandis que le paramtre
dcrit sa raction face aux uctuations de lcart de production.
2.2 Rsolution analytique du modle
2.2.1 Solution du modle et implications
Dans cette section, nous rsolvons le systme relatif au modle (AS-IS-instrument
de la politique montaire) sous lhypothse des anticipations rationnelles. Le systme
macroconomtrique, compos des quations (6.66), (6.72) et (6.76), peut tre r-
crit sous forme matricielle comme suit :
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 256
_
_
1 0
0 1
0 (1 ) 1
_
_
_
_
t
y
t
r
t
_
_
=
_
_
AS
IS
MP
_
_
+
_
_
0 0
0
(1 ) 0 0
_
_
E
t
_
_
t+1
y
t+1
r
t+1
_
_
+(6.77)
_
_
1 0
0 1 0
0 0
_
_
_
_
t1
y
t1
r
t1
_
_
+
_
_
t
AS
IS
MP
_
_
ou encore dans une forme plus compacte :
B
11
X
t
= +A
11
E
t
X
t+1
+B
12
X
t1
+
t
,
t
(0, D) (6.78)
o X
t
= (
t
y
t
r
t
)
0
, B
11
, A
11
et B
12
sont les matrices de coecients relatifs aux
paramtres structurels et est le vecteur des constantes.
t
est le vecteur des erreurs
structurelles, D est la matrice de variance et 0 reprsente le vecteur zro de dimension
(31). Sous lhypothse des anticipations rationnelles et de symtrie de linformation
entre les agents conomiques et les autorits montaires, nous pouvons crire :
X
t
= E
t
X
t+1
+
t+1
(6.79)
o
t+1
est le vecteur des erreurs danticipations rationnelles. Aprs lapplication de
lapproche standard des coecients indtermins, nous pouvons obtenir une solution
sous la forme suivante :
X
t+1
= c +X
t
+
t+1
(6.80)
o c est un vecteur de dimension (31) des constantes alors que et reprsentent
des matrices de dimension (3 3). En remplaant lquation (6.80) dans lquation
(6.78), nous pouvons crire :
(B
11
A
11
)X
t
= +A
11
c +B
12
X
t1
+
t
(6.81)
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 257
Nous supposons la non-singularit de la matrice (B
11
A
11
) an dassurer lindpen-
dance linaire des trois quations structurelles. Si nous multiplions de part et dautre
lquation (6.81) par (B
11
A
11
)
1
et nous lidentions avec lquation de la forme
rduite (6.80), nous obtenons alors ce qui suit :
= (B
11
A
11
)
1
B
12
(6.82)
= (B
11
A
11
)
1
(6.83)
c = (B
11
A
11
( 1))
1
(6.84)
Par consquent, lquation (6.80) avec , et c conformes aux quations (6.82),
(6.83) et (6.84) est une solution de lquation (6.78). Une fois que nous rsolvons
lquation (6.82) en fonction de A
11
, B
11
et B
12
; alors, et c peuvent tre facilement
calculs. Il est noter que la forme rduite du modle structurel est simplement un
modle autorgressif vectoriel de lordre 1, VAR(1), avec des restrictions fortement
non-linaires des paramtres structurels. En outre, il y a une relation linaire simple
entre et travers B
12
, qui capture la dpendance du systme :
= B
12
(6.85)
Il est remarquer aussi quil y a une relation linaire entre les erreurs struturelles,
t
et la forme rduite des erreurs (les erreurs danticipations rationnelles),
t
par :
t
=
t
(6.86)
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 258
Un systme purement orient vers le futur, "forward-looking", implique B
12
= 0, et
la forme rduite devient simplement X
t+1
= c +
t+1
o = 0 et = B
1
11
. Dans
ce cas, la dynamique du systme structurel sera peu pertinente dans la mesure o
elle ne reproduit pas leet de la persistance empirique de lination, de lcart de
production et du taux dintrt comme le montrent Roberts (1995) et McCallum
(2001). Par consquent, on suppose souvent dans la littrature que les erreurs struc-
turelles sont autocorrles. Alternativement, quand on considre une approche VAR
non structurelle, on utilise souvent des mthodes statistiques de slection comme les
critres dinformation
14
(BIC, SIC, YIC ou MIC) pour analyser la politique mon-
taire an de choisir un ordre suprieur de la spcication du VAR
15
. Bien que les
modles qui alignent plus dun retard sadaptent mieux aux donnes relles, leur
justication macro-conomique ne semble pas tre convaincante [Voir Clarida, Gal
& Gertler (1999)].
Nous pouvons rcrire lquation (6.82) comme suit :
A
11
2
B
11
+B
12
= 0 (6.87)
Une fois que est rsolu, les matrices inconnues et c dans lquation (6.80)
sont tires directement des quations (6.83) et (6.84). Pour obtenir une solution
admissible de satisfaisant lquation (6.87), il faut quelle assure une dynamique
stationnaire. Puisque est une fonction non-linaire des paramtres structurels dans
A
11
, B
11
et B
12
, nous pouvons obtenir potentiellement des solutions stationnaires
multiples ou encore aucune solution stationnaire. En plus, lexistence de possibles
solutions complexes nest pas une ventualit exclure. Par ailleurs, la singularit de
14
Pour plus de dtails sur les critres dinformation, voir le chapitre 4.
15
Rudebusch & Svensson (1999) considrent des modles uniquement avec retards, backward-
looking.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 259
la matrice A
11
reprsente une autre dicult dans la rsolution de lquation (6.87).
La mthode de (QZ) ou de "transformation-z" est particulirement pratique
quand la matrice A
11
est singulire, ce qui est le cas dans notre modle, et elle
permet de dterminer sil existe une solution stationnaire et valeur relle. Spci-
quement, nous dnissons les matrices de dimension (2n 2n), A =
A
11
0
0 I
et
B =
B
11
B
12
I 0
11
S
1
21
(6.88)
est une solution de lquation (6.87) o S
ij
et
ij
sont respectivement les ij
` eme
l-
ment de S et . Si toutes les valeurs propres de
11
sont infrieures lunit en valeur
absolue, alors est stationnaire. Si le nombre de valeurs propres gnralises stables
est identique celui des variables prdtermines (3 dans notre modle, les variables
endognes retardes), alors il existe une solution unique. Sil y a plus de 3 valeurs
propres gnralises stables, alors nous avons des solutions multiples. Rciproque-
ment, sil y a moins de 3 valeurs propres stables, il ny aura pas de solution stable.
Enn, est relle si chaque valeur propre dans
11
est de valeur relle. Blanchard
et Kahn (1980) suggrent le choix des 3 plus petites valeurs propres et McCallum
(1990) suggre le choix, dans le cas o B
12
= 0, des valeurs propres qui assure = 0.
Dans le cas des solutions stationnaires multiples, la mthode rcursive de Blinder et
Pesaran semble apporter une solution raisonnable au problme. Nous construisons
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 260
des squences avec des matrices convergentes, {C
k
,
k
,
k
, k = 1, 2, 3, ...} telles que :
X
t
= C
k
E
t
X
t+k+1
+
k
X
t1
+
k
t
(6.89)
o X
t
= X
t
EX
t
. Alors
lim
k7
k
et
lim
k7
k
. Pour que la limite de lquation
(6.89) soit une solution indpendante et nie, il faut que lim
k7
C
k
E
t
X
t+k+1
soit un
vecteur nul. Dans ce cas, la solution doit tre de la forme :
X
t
=
X
t1
+
t
(6.90)
Enn, nous vrions si lim
k7
C
k
E
t
X
t+k+1
= lim
k7
C
k
k
= 0 en utilisant lquation
(6.90). Cette dmarche de Blinder et Pesaran est comparable la mthode (QZ)
dans le cas o nous obtenons autant de solutions stationnaires et relles que de
variables endognes. Lintrt particulier de cette mthode se manifeste quand nous
sommes confronts des solutions multiples dont le nombre est suprieur au nombre
de variables endognes.
2.3 Maximum de Vraisemblance en Information Complte
(FIML)
Nous estimons les paramtres structurels en utilisant la mthode du maximum
de vraisemblance en information complte, FIML, en supposant la normalit des er-
reurs structurelles. Gal & Gertler (1999) et Clarida, Gal & Gertler (2000) estiment
sparment avec une mthode des moments gnraliss, GMM, certaines quations
que nous tudions
16
. Nous rejoignons Leeper & Zha (2000) qui pensent quil est plus
raisonnable destimer conjointement le modle dans son ensemble en confrontant
16
Principalement, ils estiment la courbe no-keynsienne de Phillips.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 261
simultanment le comportement du secteur priv celui des autorits montaires
(ou la Banque Centrale). La fonction de log-vraisemblance peut tre crite comme
suit :
ln L(|X
T
, X
T1
, ..., X
1
) =
P
T
t=2
[
3
2
ln 2
1
2
ln|
P
|
1
2
(X
t
X
t1
)
0
(
P
)
1
(X
t
X
t1
)]
(6.91)
o = (, , , , , , ,
2
AS
,
2
IS
,
2
MP
) reprsente le vecteur des paramtres
structurels et
P
= D
0
. et peuvent tre calculs soit par la mthode (QZ), soit
par lapproche de Blinder et Pesaran. Il est noter qu nous maximisons la fonction
de vraisemblance en respectant lensemble des contraintes auxquelles les paramtres
structurels sont soumis. Par consquent, tant donn les paramtres structurels, les
matrices et doivent tre calcules chaque itration. Ceci revient vrier
pour chaque itration sil y a une solution stationnaire unique et valeurs relles.
la i
` eme
itration, si nous sommes confronts la situation o il y a des solutions
multiples, nous appliquons la mthode rcursive pour slectionner une solution. Nous
choisissons les valeurs des paramtres initiaux conformment celles utilises dans
la littrature
17
.
Nous estimons le modle pour lconomie amricaine avec les donnes trimestrielles
18
pour la priode allant du premier trimestre de lanne 1963 jusquau quatrime
17
Nous nous rfrons aux travaux empiriques de Gal & Gertler (2000) et Fuhrer & Moore (1995)
pour linitialisation des paramtres de la composante (AS), ceux de Fuhrer (2000a & 2000b)
pour linitialisation des paramtres de la composante (IS) et enn ceux de Clarida, Gal &
Gertler (2000) pour linitialisation des paramtres de la composante de rgle montaire.
18
Nous exploitons des statistiques disponibles sur le site de la Rserve Fdrale de St. Louis. Les
donnes sont dsaisonnalises.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 262
trimestre de lanne 2002. Nous considrons deux indicateurs pour valuer lina-
tion amricaine : lindice des prix la consommation (CPI) et le dateur du produit
intrieur brut (DGP-dateur). Le taux dination est calcul comme le log de la
dirence entre la valeur de lindicateur au dbut du trimestre et sa valeur la n
du trimestre. Nous considrons le produit intrieur brut pour calculer lcart de pro-
duction
19
"output gap", que nous retenons pour reprsenter lagrgat de la demande.
Nous supposons que le taux des fonds fdraux est un bon proxy du taux dintrt
de court terme pour le cas des donnes amricaines.
Mesure dination Dateur du PIB Indice des prix la consommation
Priodes 1963 :1-1981 :3 1981 :4-2002 :4 1963 :1-1981 :3 1981 :4-2002 :4
0.5275 0.5451 0.5344 0.5865
(0.0183) (0.0199) (0.0179) (0.0196)
0.0011 0.0005 0.0065 0.0013
(0.0029) (0.0011) (0.0111) (0.0043)
0.5085 0.4913 0.5037 0.4957
(0.0262) (0.0366) (0.0228) (0.247)
0.0103 0.0089 0.0149 0.0028
(0.0093) (0.0071) (0.0128) (0.0032)
0.8593 0.0817 0.7389 0.8401
(0.0194) (0.0412) (0.0632) (0.0284)
0.8158 1.4683 1.1024 1.6642
(0.2133) (0.4781) (0.1038) (0.5582)
0.1745 0.6157 0.7324 0.5942
(0.1541) (0.3226) (0.2423) (0.3419)
AS
0.6284 0.5017 1.1862 0.0947
(0.0875) (0.0446) (0.1368) (0.1103)
IS
0.6299 0.4732 0.7034 0.4124
(0.0569) (0.0413) (0.0584) (0.0358)
MP
0.7832 0.5913 0.8625 0.7519
(0.0533) (0.0458) (0.0523) (0.0587)
Tableau (6.1) : Rsultats I des estimations FIML
19
Nous utilisons le tre HP avec un paramtre de lissage de 1600.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 263
Le tableau (6.1) prsente les rsultats de lestimation FIML avec les deux mesures
de lination, savoir, lindice des prix la consommation et le dateur du PIB.
Cette estimation a t applique sur les deux sous priodes avant et aprs n 1981.
Le modle estim, rappelons-le, scrit comme suit :
_
_
_
t
= E
t
t+1
+ (1 )
t1
+(y
t
+y
t1
) +
AS
t
y
t
= E
t
y
t+1
+ (1 )y
t1
(r
t
E
t
t+1
) +
IS
t
r
t
= r
t1
+ (1 )[E
t
t+1
+y
t
] +
MP
t
(6.92)
Les estimations des paramtres dans le tableau (6.1) sont statistiquement sig-
nicatives lexception de [le coecient de lissage du taux rel dans lquation
(IS)] et [le paramtre de la courbe de Phillips dans lquation (AS)]. Estrella &
Fuhrer (1999), Smets (2000) et Ireland (2001) ont galement obtenu des estimations
statistiquement non signicatives pour ces deux paramtres
20
. Dans lquation (AS),
les agents conomiques ont mis plus de poids sur lination prvue que sur lina-
tion passe pendant les deux priodes et selon les deux variables considres pour
la mesure de lination, tandis que dans lquation (IS), ils aectent un poids peu
prs identique lcart de production prvu et pass pendant les deux priodes.
Enn, les estimations de la fonction de raction de la politique montaire retent
le comportement de lissage de la part de la Fed, car le coecient de persistance, ,
est estim un niveau trs lev.
Trois principaux faits styliss mergent du tableau (6.1). Dabord, les deux carts
type des chocs structurels de (AS) et (IS) sont plus faibles pendant la deuxime pri-
ode, particulirement celui correspondant la composante (IS). Blanchard & Simon
20
Nelson & Nikolov (2002) ont tabli un survey plus dtaill des tudes qui estiment le ccient
de lquation (IS), . Selon ces auteurs, les mthodes de rendement baysien et des distances min-
imales permettent des estimations plus robustes que celles obtenues par la mthode du maximum
de vraisemblance information complte, par la mthode des variables instrumentales ou encore
par la mthode des moments gnralise.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 264
(2001) et Ahmed, Levin & Wilson (2002) trouvent galement des rsultats
21
iden-
tiques. Dans ce sens, Stock & Watson (2002) stipulent que les chocs structurels
ont perdu beaucoup de leur ampleur depuis 1984. En second lieu, la distribution
de probabilit de la raction de la Fed lination anticipe a volu dans le sens
dun comportement plus prospectif pendant la deuxime priode, mais la dirence
travers des estimations nest pas trs signicative. propos de cet aspect, les
tudes sont mitiges. Clarida, Gal & Gertler (1999), avec une simple estimation
GMM de lquation, Lubik & Schorfheide (2002) et Cogley & Sargent (2002), avec
une approche baysienne du maximum de vraisemblance, trouvent des augmenta-
tions signicatives de la raction de la Rserve Fdrale lination. Dautre part,
Sims (1999), avec un modle de changement de rgime pour la fonction de raction
et Ireland (2001), dans le cadre dun systme et avec la mthode de vraisemblance
information complte, ne trouvent pas une augmentation signicative. Troisime-
ment, les agents privs ont mis sensiblement plus de poids sur lination prvue dans
lquation (AS) pendant la deuxime priode. Cest particulirement le cas dans les
estimations bases sur une mesure du CPI pour reprsenter lination. Boivin &
Giannoni (2002) rapportent galement une augmentation de ces paramtres.
Dans le cinquime chapitre, nous nous sommes eorcs montrer que les annes
90 ont t marques par un changement sensible dans le comportement des agents.
En eet, la part des agents conomiques orients vers le pass, "backward-looking" a
augment alors que la part des agents conomiques orients vers le futur, "forward-
looking". Cette dynamique constat limite la marge de manuvre de laction des
autorits montaires ainsi que lecacit des politiques montaires.
21
Cogley & Sargent (2002) aussi rapportent une diminution de presque 40% dans la variance de
leur quation de chmage.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 265
Lobjectif de la section suivante est de vrier empiriquement la validit de ce
rsultat compte tenu dun modle plus reprsentatif de lconomie.
prsent, nous nous intressons seulement la priode aprs Volcker allant du
premier trimestre de lanne 1982 au quatrime trimestre de lanne 2002. La n
de lanne 1990 sparera lchantillon
22
en deux sous-priodes : la premire allant
du premier trimestre de lanne 1982 au quatrime trimestre constituera la premire
sous-priode et la deuxime allant du premier trimestre de lanne 1991 au quatrime
trimestre de lanne 2002 composera la deuxime sous-priode. Nous considrons les
prix la consommation comme mesure de lination. Le taux dination est calcul
comme le log de la dirence entre la valeur de lindicateur au dbut du trimestre
et sa valeur la n du trimestre. Nous retenons les mmes donnes utilises dans la
premire section de ce chapitre. Donc, les donnes
23
sont trimestrielles.
22
Nous avons prfr considrer un chantillon plus tendu que celui utilis lors du cinquime
chapitre en employant la mthode des moments gnralise pour deux raisons. Dune part, nous
navons plus la contrainte de constituer un vecteur de variables instrumentales dont la disponibilit
est rare et dautre part la mthode destimation par maximum de vraisemblance en information
complte ncessite un grand nombre dobservations an de sassurer de la robustesse de lestimation.
23
Nous exploitons des statistiques disponibles sur le site de la Rserve Fdrale de St. Louis. Les
donnes sont dsaisonnalises.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 266
Mesure dination Indice des prix la consommation
Priodes 1982 :1-1990 :4 1991 :1-2002 :4
0.5737 0.4998
(0.0279) (0.0152)
0.0053 0.0006
(0.0089) (0.0046)
0.5407 0.4955
(0.0215) (0.0163)
0.0065 0.0009
(0.0083) (0.0017)
0.6989 0.0875
(0.0215) (0.0314)
1.9682 1.3673
(0.6103) (0.4781)
0.5721 0.6075
(0.4485) (0.4574)
AS
0.6284 0.5017
(0.0875) (0.0446)
IS
0.3532 0.1607
(0.1748) (0.1284)
MP
0.9541 0.6889
(0.0599) (0.0514)
Tableau (6.2) : Rsultats II des estimations FIML
Lestimation des paramtres dans le tableau (6.2) sont statistiquement signi-
catives lexception toujours des paramtre et . Dans lquation de la courbe
nokeynsienne de Phillips, les agents conomiques ont tenu compte plus de lin-
ation future que de lination passe pendant les annes 80. Pendant la deuxime
priode, il ressort que le comportement des agents conomiques a chang en aec-
tant un poids presque identique aux deux types dination. Dans lquation (IS),
le mme scnario se rpte puisque les agents intgrent plus de persistance dans
leur comportement pendant la deuxime priode. En eet, les agents portent moins
dintrt lcart de production futur et larbitrage devient alors presque quilibr
entre lcart de production futur et pass. Enn, les rsultats relatifs la fonction
de raction de la politique montaire retent le comportement de lissage de la part
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 267
de la Fed pendant les annes 80, car le coecient de persistance, , est estim un
niveau trs lev. Cependant, ce coecient est estim un niveau trs bas pendant
les annes 90, laissant croire que la conjoncture conomique favorable qui a marqu
les annes 90, a dispens la Rserve Fdrale dintervenir intensivement.
Conclusion
Linclusion des anticipations rationnelles pose un problme lconomiste qui
analyse les politiques montaires depuis que Sargent & Wallace (1975) ont montr
que la politique anticipe devenait totalement inecace dans un tel contexte. Pour
redonner une utilit aux politiques conomiques, des hypothses supplmentaires
sont ncessaires, en particulier sur la rigidit des prix. Les auteurs no-keynsiens
se sont donc eorcs de trouver des justications thoriques la rigidit des prix et
de les inclure dans les modles macroconomiques, en conomie ferme.
Lintrt thorique de cette modlisation rside dans les hypothses formules
sur lorigine de la rigidit dans lajustement des prix des biens. Comme nous lavons
vu aux chapitres 1 et 2, ce sont les travaux de Calvo (1983) qui servent de rfrence.
Des modles comparables sont obtenus pour lination, lexemple notamment de
Gal & Gertler (1999). Ce dernier modle a montr ses qualits dynamiques en tant
que modle anticipations rationnelles sous lhypothse de la rigidit des prix [voir
le chapitre 1]. Ces qualits se rsument dans le fait que ce modle soit capable
de fournir dune part de meilleures performances en termes de stabilit et dautre
part une meilleure description de la persistance des chocs qui aectent lconomie.
Cependant, le fait de diversier la priodicit dajustement des prix semble inuencer
sensiblement la calibration des paramtres structurels ce qui nous conduit douter
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 268
de la capacit de ce type de modle rendre compte au mieux de la structure de
lconomie.
Par ailleurs, la littrature ne donne que peu de fondements thoriques ce choix :
une premire rponse est apporte par Fuhrer (1998) qui justie la nouvelle courbe
(IS) par la formation des habitudes dans la fonction de consommation qui confre
linertie ncessaire aux variables de production. Pour la courbe de Phillips (AS),
Roberts (2001) montre que des retards de lination peuvent y apparatre ds lors
quune fraction de la population forme ses anticipations dination en utilisant un
modle autorgressif univari qui sloigne donc des anticipations rationnelles.
Lobjectif a t dexploiter les fondements microconomiques des direntes courbes
(AS) et (IS) et de les considrer dans un systme qui englobe une courbe de lore
de lconomie, une courbe de la demande de lconomie et une rgle de conduite de
la politique montaire. Ce systme a permis de tester dans un environnement plus
vaste et gnral les caractristiques des modles rigidit des prix.
Cependant, une dicult rside dans le fait que le systme dont nous disposons
soit un systme vectoriel, structurel et anticipations rationnelles. La deuxime
section a t rserve une discussion sur les direntes mthodes de rsolution et
dimplmentation de ce type de systme.
En rsolvant le systme, nous avons pu le rcrire sous forme autorgressive
conjointement un ensemble de vecteurs de transmission entre la forme rduite et
la forme originale. Nous avons estim le systme de la forme autorgressive par la
mthode de maximum de vraisemblance en information complte. Dans le contexte
dun modle nokeynsien, nous avons montr que la volatilit dination de lindice
des prix la consommation et du dateur du PIB a diminu parce que le mcanisme
interne de propagation a chang dans les annes 80 et les annes 90.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 269
La deuxime application empirique a consist valuer les spcicits du com-
portement des agents conomiques pendant la priode aprs Volcker en considrant
deux sous-priodes autour de la n de lanne 1990. Le rsultat du cinquime chapitre
se conrme. En eet, les agents conomiques ont chang de comportement lors des
annes 90. Ils se sont comports dune manire moins prospective et plus persistante.
Ce changement nest pas trs manifeste en raison dune conjoncture conomique ex-
ceptionnelle qui a marqu les annes 90.
Conclusion Gnrale
Lobjectif de cette thse est de mettre en perspective les apports thoriques et
empiriques rcents de la modlisation des dynamiques de lination. En eet, depuis
les annes 1980, ce thme de la macroconomie montaire a connu de trs nombreux
progrs et, dans le mme temps, le dveloppement des anticipations rationnelles,
en tant quapplication du principe de comportement rationnel lacquisition et au
traitement de linformation et la formation des anticipations, a oert une perspec-
tive nouvelle en donnant naissance la Nouvelle conomie Keynsienne.
Le premier chapitre sest eorc de dmontrer que lutilisation de prix prdter-
mins avec rvision alatoire des trajectoires de prix semble en mesure de reproduire
correctement la persistance de lination. Il existe cependant un certain nombre
dlments tendant favoriser lutilisation de prix xes plutt que des prix prdter-
mins la Mankiw-Reis. En eet, depuis vingt ans, une quantit considrable de
travaux thoriques et empiriques a mis en avant la pertinence de cette hypothse
[voir Taylor (1999)]. Mankiw (2001), lui mme, note que lhypothse de prix xes
bncie dun fort support thorique et empirique. Un article de Ball, Mankiw &
Romer (1988) montre quempiriquement, les rmes modient plus souvent leurs prix
lorsque lination moyenne augmente. Ce rsultat est compatible avec lexistence de
prix xes et non avec celle de prix prdtermins. Si les prix sont xes, les rmes
veulent garder le moins longtemps possible leur prix constant lorsque lination est
270
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 271
leve. Ainsi, la dure moyenne des contrats est moindre. Si les prix sont prdter-
mins, le niveau moyen dination na aucune incidence sur les choix des rmes,
car les prix tant supposs parfaitement exibles, les rmes peuvent intgrer toute
ination prvisible, quel que soit son niveau.
En outre, une critique du modle de Fischer rside dans le fait que la persistance
des chocs ne dpasse pas la dure maximale des contrats. Le modle de Mankiw
et Reis gnre donc une importante persistance de lination uniquement en raison
de lhypothse simplicatrice mais irraliste dune dure maximale des contrats ten-
dant vers linni [voir Dotsey, King & Wolman (1999) pour une critique de cette
hypothse] dans le modle de Calvo. limage de Pereau (1998), un eort syst-
matique doit tre eectu pour vrier si les direntes hypothses de rigidit ont
toutes les mmes implications en termes de ractions de lination et du produit
suite un changement de politique montaire.
Le deuxime chapitre montre que le choix de la priodicit du modle peut avoir
une importance cruciale concernant le degr de persistance de lination lorsque
lhypothse dajustement la Calvo est utilise. En eet, la dure des contrats
en terme de temps "rel" nest pas susante pour dterminer le degr de rigidit
nominale, son eet ntant pas indpendant de la priodicit choisie. Avoir une
chance sur douze de modier son prix chaque mois ou une chance sur quatre chaque
trimestre implique une distribution des contrats de prix dirente, mme si dans les
deux cas, la dure moyenne des contrats est dune anne. Ces dirences engendrent
une rponse de lination variable suite un choc sur le taux de croissance de la
masse montaire. Limpact de la priodicit est qualitativement dirent selon le
type de rigidit nominale choisi. Choisir daccrotre le nombre de priodes dans une
anne tend augmenter le degr de persistance lorsque les prix sont prdtermins
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 272
et le diminuer si les prix sont xes. Nous avons illustr ce point en simulant une
politique de dsination dans le modle prix xes de Gali & Gertler (1999) et dans
le modle prix prdtermins de Mankiw & Reis (2002).
Les exemples dvelopps dans le deuxime chapitre montrent que la priodicit
choisie peut inuencer sensiblement les performances des modles, dautant plus
que limpact de la priodicit des contrats du modle est endogne. Le choix dun
modle o la priodicit ninue pas sur la distribution des contrats, comme dans la
structure de Taylor (1980), peut donc tre souhaitable. Nous avons illustr galement
les rsultats dun choc de dsination sur les modles de Taylor (1980) et de Fuhrer
& Moore (1995) an de se rendre compte de la dpendance des modles du type
Taylor la priodicit des contrats dans la rponse de la variable de lination au
choc de dsination.
La seconde partie a cherch prsenter lanalyse spectrale comme outil statis-
tique choisi, utilis et dvelopp an de rpondre au besoin de lidentication des
changement structurel dans les processus inationnistes. Le chapitre a consist
exposer lanalyse spectrale de point de vue statistique.
Dans le troisime chapitre, nous avons propos une revue de littrature sur la no-
tion de la densit spectrale issue des processus stationnaires puis non stationnaires.
Nous avons prsent dans un premier temps, les thormes clefs qui fondent lanal-
yse spectrale classique et volutive. Dans un deuxime temps, nous avons recens les
diverses techniques destimation de la densit spectrale des donnes stationnaires.
Dautres mthodes destimation existent dans la littrature, mais ce sont probable-
ment des extensions parmi les techniques destimation prsentes dans ce chapitre
ou encore elles sont davantage axes sur la technique des ondelettes.
Dans le quatrime chapitre, la question de linstabilit du processus de lination
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 273
amricaine est soumise un examen minutieux bas sur certains dveloppements r-
cents dans lanalyse spectrale des processus non stationnaires conjointement lem-
ploi dautres techniques pour tester les autres types de non stationnarit, savoir, la
non-stationnarit en moyenne et en variance. Cette tude est justie par le manque
dunanimit sur lvidence empirique concernant linstabilit. Le test dinstabilit
appliqu sur la densit spectrale que nous avons dvelopp et ensuite employ, a la-
vantage de pouvoir attribuer aux ruptures dtectes direntes frquences pouvant
nous renseigner ainsi sur le terme de cette rupture (court, moyen ou long terme). Par
ailleurs, nous avons appliqu lalgorithme itratif (ICSS) an didentier lensemble
des accidents survenus dans la srie de lination, puisque le test de Inclan & Tiao
(1994) permet de tester linstabilit de la variance en considrant une approche
base sur un CuSum centr des carrs.Nous avons test galement linstabilit de la
moyenne dans le processus de lination amricaine. Nous avons utilis deux tech-
niques : la premire est celle des critres dinformation et la seconde est celle des
tests de Bai et Perron.
Les rsultats obtenus sont trs signicatifs et concident avec des faits et des
vnements conomiques assez importants. La seule rupture dtecte par notre test
laquelle des frquences de long terme sont attribues semble concider avec lanne
1981. Cependant, la procdure et la structure de la statistique du test de stationnar-
it fond sur la densit spectrale ne permettent pas lidentication dun seul point
de rupture par frquence [Si un point de rupture existe, alors la relation entre sa
frquence et sa date est parfaitement bijective]. Cette limite nous a pouss pro-
poser une extension du test en nous inspirant de lalgorithme de Inclan & Tiao
(1994) appliqu dans le domaine de linstabilit de la variance. Notre objectif a t
double. Dautre part, nous avons cherch exploiter la premire procdure du test
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 274
pour identier les multiples points de rupture possibles et nous voulons aussi librer
lun des deux axes de la restriction impose par le thorme de Priestley an de
pouvoir construire les fentres temps et frquence.
Sans surprise, nous avons identi les dates majeures qui ont marqu le processus
inationniste aux tats-Unis lexception dun point de rupture enregistr n 1990
et que nous nous sommes eorcs dexpliquer dans les chapitres suivants.
Dans le cinquime chapitre, nous avons tudi les proprits empiriques de la
courbe de Phillips hybride de Gal et Gertler en eectuant une analyse sur les don-
nes amricaines de 1960 1998. Nous avons test la stabilit des paramtres, en
distinguant dans un premier temps deux sous-priodes avec un point de rupture en
1981. Nous avons constat une rupture statistique dans le coecient mesurant lim-
portance du comportement prospectif des agents. Ensuite, nous avons segment en
deux le rgime montaire dmarrant en 1982 et nous avons montr quune rupture
a galement lieu en 1990, ceci laissant supposer que la politique de cible dination
implicite mene aux tats-Unis a un impact en deux temps.
Nos rsultats ont galement des implications intressantes concernant la modli-
sation des processus dapprentissage de la part des agents. La littrature rcente in-
troduisant ce genre de mcanisme suppose un comportement adaptatif de la part des
agents lorsque lenvironnement conomique change, puis un comportement rationnel
lorsque le rgime est stable. Nos estimations semblent favoriser un comportement
inverse. Il semble plus logique dutiliser le maximum dinformations disponibles et
dadopter un comportement trs prospectif lorsque lenvironnement conomique se
modie, car tout comportement adaptatif se traduit par dimportantes erreurs. En
revanche, lorsque lenvironnement macroconomique est assez stable, les cots de
traitement de linformation dune manire optimale sont moindres, favorisant le re-
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 275
cours des rgles de comportement simples. Autrement dit, en 1990, les agents ont
chang signicativement de comportement pour devenir plus orient vers le pass,
"backward-looking" que orient vers le futur, "forward-looking".
Dans le sixime chapitre, lobjectif a t dexploiter les fondements micro-
conomiques des direntes courbes (AS) et (IS) et de les considrer dans un systme
qui englobe une courbe dore globale, une courbe de demande globale et une rgle
de politique montaire. Ce systme nous a permis de tester dans un environnement
plus vaste et gnral les caractristiques des modles rigidit des prix.
Cependant, une dicult rside dans le fait que le systme dont nous disposons
soit un systme vectoriel et structurel et anticipations rationnelles. La deuxime
section a t rserve une discussion sur les direntes mthodes de rsolution et
dimplmentation de ce type de systme.
En rsolvant le systme, nous avons pu le rcrire sous forme autorgressive
conjointement un ensemble de vecteurs de transmission entre la forme rduite et
la forme originale. Nous avons estim le systme de la forme autorgressive par la
mthode du maximum de vraisemblance en information complte (FIML). Dans le
contexte dun modle nokeynsien, nous avons montr, dune part, que la volatilit
dination des prix la consommation et celle du dateur du PIB ont diminu
parce que le mcanisme interne de propagation a chang sensiblement pendant les
annes 1990, et dautre part que le rsultat, selon lequel un changement structurel
a bien eu lieu en 1990, est conrm aprs avoir relanc les estimations en ne nous
intressant qu la priode daprs Volcker et en divisant cet chantillon en deux sous-
priodes autour de la n de lanne 1990. Il en ressort que le principal rsultat dans
le cinquime chapitre sest rtabli. En eet, les agents conomiques ont chang de
comportement vis--vis du poids de lination et du produit dans leur considration.
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 276
Ils donnent plus conance dans leur comportement au pass quau futur. Un tel
constat ne peut tre quinquitant pour un banquier central. Lorsque survient un
choc dore important, la banque centrale risque dtre confronte un dilemme.
Par exemple, une augmentation signicative et prolonge des prix du ptrole peut
crer une situation dans laquelle, dune part, les actions de la banque centrale pour
maintenir la stabilit des prix sopposent lobjectif consistant amortir lincidence
rcessive directe du choc. Dautre part, une politique montaire visant le maintien
de la stabilit des prix sur le moyen terme doit normalement tenter dempcher
lamorce de spirales inationnistes. Or, le comportement des agents est orient vers
le pass. Cet eet se manifeste par les tentatives des salaris et des entreprises de
maintenir inchangs leurs salaires et leurs prots en dpit de la dgradation des
termes de lchange. Dans cette situation, il serait extrmement dicile de rendre
crdible une banque centrale pour reconqurir la conance dune partie des agents
conomiques dont le comportement sera purement prospectif.
Ce travail pourrait tre tendu an daccorder une place plus importante la
courbe nokeynsienne de Phillips. Son rle est en ralit de permettre une plus
grande ecacit de la conduite de la politique montaire. Si ses performances sont
mis en examen autour de notions comme celles de persistance, priodicit ou change-
ment structurel, il nous paratrait particulirement intressant dtendre cet examen
dautres types dexercices. Dans cette optique, une importante question simpose :
Quels sont les apports des rgles de politique montaire la courbe nokeynsienne
de Phillips ? Pouvons-nous compter sur des eets compensatoires en tenant compte
de ces rgles ? Une possibilit dextension des travaux de cette thse serait de mettre
en vidence les dirents eets aprs la considration des rgles montaires dans la
modlisation de la courbe de Phillips. Il serait certainement prfrable de multi-
Chap. 6 : Rsolution des Modles Multivaris et Estimation Structurelle 277
plier les variantes de rgles et de prfrences dans cet exercice. Dans quelle mesure
les rsultats obtenus seraient aects par une prfrence plus ou moins marque
de la Banque Centrale pour la stabilisation de lination au dtriment de lactivit
conomique ? Il serait galement intressant de mesurer les consquences de la prise
en compte de diverses rgles sur des cibles de prvisions dination, notamment au
niveau de lhorizon optimal pour ces prvisions. De nombreuses extensions semblent
possibles partir de ces quelques pistes.
Bibliographie Gnrale
Abel, B. A. (1990), "Asset Prices under Habit Formation and Catching Up with
the Joneses", American Economic Review, 80(2), pp. 38-42.
Adak, S. (1998), "Time-Dependent Spectral Analysis of Nonstationary Time
Series", Journal of American Statistical Association, N
93, pp.1488-1501.
Ahmed, S., A. Levin & B. A. Wilson, (2002), "Recent U.S. Macroeconomic Sta-
bility : Good Policies, Good Practices, or Good Luck? ", International Finance
Discussion Paper Series, N
735.
Bachus, D. & J. Drill, (1985), "Ination and Reputation", American Economic
Review, 75, pp.530-538.
Bagliano, F. C. & C. Favero, (1999), "Measuring Monetary Policy with VAR
Models : an Evaluation", The European Economic Review, 42, pp. 1069-1112.
Bibliographie Gnrale 280
Bai, J. (1994), "Least Squares Estimation of a Shift in Linear Processes", Journal
of Time Series Analysis, 15, pp. 453-472.
Bai, J., R. L. Lumsdaine et J. H. Stock, (1994), "Testing for and Dating Breaks in
Integrated and Cointegrated Time Series", mimeo, Kennedy School of Government,
Harvard University.
Bai, J. &P. Perron, (1998), "Estimating and Testing Linear Models with Multiple
Structural Changes". Econometrica, 66, pp.47-78.
Bai, J. & P. Perron, (2000), "Multiple Structural Change Models : A Simulation
Analysis", paratre dans Econometric Essays, publi par D. Corbea, S. Durlauf &
B. E. Hansen, Cambridge University Press.
Bai, J. & P. Perron, (2003a), "Computation and Analysis of Multiple Structural
Change Models", Journal of Applied Econometrics, 18, pp.1-22.
Bai, J. & P. Perron, (2003b), "Critical Values for Multiple Structural Change
Tests", Econometrics Journal, 1, pp.1-7.
Bai, J., R. L. Lumsdaine & J. H. Stock, (1998), "Testing for and Dating Breaks
in Stationary and Nonstationary Multivariate Time Series", Review of Economic
Studies,65, pp.395432.
Bakhshin, H. & A. Yates, (1998), " Are UK Ination Expectations Rational",
Bank of England Working Paper Series, N
81.
Ball, L. (1994a), "Credible Dinsiation with Staggered Price Setting", American
Economic Review, 84, pp. 282-289.
Ball, L. (1994b), "What Determines the Sacrice Ratio?", publi dans Monetary
Policy, dit par G. Mankiw, University of Chicago Press, Chicago.
Ball, L. (1995), "Disination with Imperfect Credibility", Journal of Monetary
Economics, 35 (1), pp. 5-23.
Bibliographie Gnrale 281
Ball, L. (1997), "Disination and the NAIRU", publi dans Reducing Ination :
Motivation and Strategy, dit par C.D. Romer & D.H. Romer, Chicago : University
of Chicago Press, pp. 167-194.
Ball, L. (1999), "Aggregate Demand and Long-Run Unemployment", Brookings
Papers on Economic Activity, 2, pp. 189-251.
Ball, L., G. Mankiw & D. Romer, (1988), "The New Keynesian Economics and
the Output-Ination Trade-o", Brookings Papers on Economic Activity, 1, pp. 1-65.
Ball, L. & G. Mankiw, (1994), "A Sticky-price Manifesto", Carnegie-Rochester
Conference on Public Policy, 41, pp. 127-151.
Ball, L. & G. Mankiw, (1995), "Relative-Price Changes as Aggregate Supply
Shocks", The Quarterly Journal of Economics, 110(1), pp. 161-193.
Ball, L. & J. Fuhrer, (2000), "Near-rationality and ination in two monetary
regimes", Federal Reserve Bank of San Francisco.
Ball, L. & R. Tchaidze, (2002), "The Fed and the New Economy", American
Economic Review Papers and Proceedings, 92 (2), pp. 108-114.
Ball, L., G. Mankiw&R. Reis, (2004), "Monetary Policy for Inattentive Economies",
Journal of Monetary Economics, ( paratre).
Barro, R. J. & H. Grossman, (1971), "A General Disequilibrium Model of Income
and Employment", American Economic Review, 61, pp. 82-93.
Barro, R. J. & H. Grossman, (1979), "Money, Employment and Ination", Cam-
bridge University Press, Cambridge.
Barten, A. P. & L. Salvas-Bronsard, (1970), "Two-Stage Least Squares Estima-
tion with Shifts in the Structural Form", Econometrica, 38, pp. 938-941.
Baxter, M. & R. G. King, (1999), "Measuring Business Cycles : Approximate
Bandpass Filters for Economic Time Series", ,Review of Economics and Statistics,
Bibliographie Gnrale 282
81, pp. 575593.
Begg, D. K. H., (1982), "The Rational Expectations Revolution in Macroeco-
nomics", Johns Hopkins University Press, Baltimore.
Ben Assa, M. S. & J. Jouini, (2003), "Structural Breaks in the U.S. Ination
Process", Applied Economics Letters, 10(10), pp. 633-636.
Ben Assa, M. S. & M. Boutahar, (2004), "Use of Spectral Density for Retro-
spective Detection of Structural Changes", mimo.
Ben Assa, M. S., M. Boutahar & J. Jouini, (2004), "The Bai & Perrons and
Spectral Density Methods for Structural Changes Detection in the U.S. Ination
Process", Applied Economics Letters, Vol. 11, N
2, pp. 109-115.
Ben Assa, M. S. & O. Musy, (2004a), "The Impact of Model Periodicity on
Ination Persistence in Sticky Prices and Sticky Information Models", Document de
Travail GREQAM, N
.2004-28.
Ben Assa, M. S. & O. Musy, (2004b), "Persistance de lInation & Rgime Mon-
taire dans la Courbe de Phillips No-Keynsienne Hybride", Document de Travail
GREQAM, N
2004-49.
Ben Assa, M. S. &O. Musy, (2004c), "Persistance et Priodicit dans les Modles
Prix Fixes et Prix Prdtermins", Document de Travail GREQAM, N
2004-48.
Ben Assa, M. S. & O. Musy, (2005), "La Persistance de lInation dans les
Modles No-Keynsiens", Recherches Economiques de Louvain ( paratre).
Benassy, J.-P. (2002), "Output and Ination Dynamics under Price and Wage
Staggering : Analytical Results", mimo,.CEPREMAP.
Benati, L. (2002), "Investigating Ination Persistence Across Monetary Regimes",
mimeo, Bank of England.
Benigno, P. & J. D. Lopez-Salido, (2002), "Ination Persistence and Optimal
Bibliographie Gnrale 283
Monetary Policy in the Euro Area", ECB Working Paper, 178, FRB International
Finance Discussion Paper N
749.
Bekaert, G., C. R. Harvey & R. L. Lumsdaine, (2002), "Dating the Integration
World Equity Markets", Journal of Financial Economics, 65(2), pp. 203-247.
Berkowitz, J., (2001), "Generalized Spectral Estimation of the Consumption-
Based Asset Pricing Model", Journal of Economics, 104, pp. 269-288.
Bernanke, B. S. & M. Gertler, (1995), "Inside the Black Box : The Credit Channel
of Monetary Policy Transmission", Journal of Economic Perspectives, 9-4, pp. 27-48.
Bernanke, B. S., M. Gertler & M. W. Watson, (1997), "Systematic Monetary
Policy and the Eects of Oil Price Shocks", Brooking Papers on Economic Activity,
pp. 91142.
Bernanke, B. S. & I. Mihov, (1998), "Measuring Monetary Policy", Quarterly
Journal of Economics, CXIII, pp. 869902.
Beveridge, S, (1921), "Weather and Harvest Cycles", Economic Journal, 31, 429-
452.
Beveridge, S. & C. R. Nelson, (1981), "A New Aproach to Decomposition of
Economic Time Series into Permanent and Transitory Components with Particular
Attention to Measurement of Business Cycle", Journal of Monetary Economics, 7,
pp. 151-174.
Bhattacharya, P. K. (1994), "Some Aspects of Change-Point Analysis", publi
dans Change point Problems, dit par Carlstein E., H.-G. Mller & D. Siegmung,
IMS Lecture Notes - Monograph Series, 23, pp. 28-56.
Blanchard, O. & C. Kahn, (1980), "The Solution of Linear Dierence Equations
under Rational Expectations", Econometrica, 48, pp. 1305-1312.
Blanchard, O. & N. Kiyotaki, (1987), "Monopolistic Competition and the Eects
Bibliographie Gnrale 284
of Aggregate Demand", American Economic Review, 77, pp. 647-666.
Blanchard, O. & D. Quah, (1989), "The Dynamic Eects of Aggregate Demand
and Supply Disturbances", American Economic Review, 79(4), pp. 655-673.
Blanchard, O. & S. Fischer, (1989), "Lectures on Macroeconomics", MIT Press,
Cambridge.
Blanchard, O. & J. Simon, (2001), "The Long and Large Decline in U.S. Output
Volatility", MIT Department of Economics Working Paper, N
01-29.
Blinder, A. S. (1979), "Economic Policy and the Great Stagation",. Academic
Press, London and New York.
Blinder, A. S. (1994), "On Sticky Prices : Acamedic Theories Meet the Real
World", publi dans Monetary Policy, dit par N. Mankiw, University of Chicago
Press, Chicago.
Blinder, A. S. (1997), "Is There A Core of Practical Macroeconomics That We
Should All Believe ?", American Economic Review, 87(2), pp. 240-243.
Blinder, A. S. (1998), "Central Banking in Theory and Practice", The MIT Press.
Blinder, A. S. & M. H. (1994), "Multivariate Linear Rational Expectations Mod-
els under Asymmetric and Heterogeous Information", mimeo, University of Penn-
sylvania and University of Cambridge.
Bhattacharya, P. K., (1994), "Some Aspects of Change-Point Analysis", publi
dans Change Point Problems, dit par E. Carlstein, H.-G. Mller et D. Siegmung,
IMS Lecture Notes - Monograph Series, 23, pp. 28-56.
Billingsley, P. (1968), "Convergence of Probability Measures", Wiley, New York.
Boivin, J. & M. Giannoni, (2002), "Assessing Changes in the Monetary Trans-
mission Mechanism : A VAR Approach", Economic Policy Review, pp. 97111.
Boivin, J. &M. Giannoni, (2003), "Has Monetary Policy Become More Eective ?
Bibliographie Gnrale 285
", NBER Working Paper, N
9459.
Boldrin, M., L. J. Christiano & J. Fisher, (2001), "Habit Persistence, Asset
Returns, and the Business Cycle", American Economic Review, 91, pp. 149166.
Booth, N. B. & A. F. M. Smith, (1982), "A Bayesian Approach to Retrospective
Identication of Change-Points", Journal of Econometrics, 19, pp. 7-22.
Bosworth, B., & W. Vroman, (1977), "An Appraisal of the Wage-Price Con-
trol Program", publi dans "Analysis of Ination 1965-74", publi dans Analysis of
Ination 1965-74, dit par J. Popkin, pp.67-112.
Brillinger, D. R. & P. R. Krishnaiah, (1983), "Time Series in the Frequency
Domain", North Holland.
Brock, W. A., Dechert, W. D. &J. Scheinkman, (1987), "A Test for Independence
Based on the Correlation Dimension", University of Wisconsin-Madison Workshop
Paper N
8702.
Brockwell, P. J. & R. A. David, (1991), "Time Series : Theory and Methods",
Second Edition, Springer Series in Statistics.
Brown, R. L., J. Durbin & J. M. Evans, (1975), "Techniques for Testing the
Constancy of Regression Relationships Over Time", Journal of the Royal Statistical
Society, 37(B), pp. 149-163.
Brown, A. J. & J. Darby, (1985), "World Ination Since 1950 : An International
Comparative Study", Cambridge U.P. for NIESR.
Broze, L., C. Gouriroux & A. Szafarz, (1985), "Solutions of Linear Rational
Expectations Models", Econometric Theory, 1, pp. 341-68.
Broze, L., C. Gouriroux & A. Szafarz, (1990), "Reduced Forms of Rational
Expectations Models", Harwood Academic Publishers, New York.
Cagan, P. (1956), "Monetary Dynamics of Hyperination", dans Studies in the
Bibliographie Gnrale 286
Quantity Theory of Money.dit par M. Friedman, University of Chicago Press.
Calvo, G. (1978), "On the Time Inconsistency of Optimal Policy in a Monetary
Economy", Econometrica, 46, pp. 1411-1428.
Calvo, G. (1983), "Staggered Prices in a Utility Maximising Framework", Journal
of Monetary Economics, 12, pp. 383-398.
Campbell, J. & N. Mankiw, (1987), "Are Output Fluctuations Transitory? ",
Quarterly Journal of Economics, 102(4), pp. 857-880.
Caplin, A. & D. Spulber, (1987), "Menu Costs and the Neutrality of Money",
Quarterly Journal of Economics, 102(4), pp. 703-725.
Caplin, A. & J. Leahy, (1991), "State Dependent Pricing and the Dynamics of
Money and Output", Quarterly Journal of Economics, 106(3), pp. 683-708.
Capon, J., (1969), "High-resolution frequency-wavenumber spectrum analysis",
Proc. IEEE, 57, pp. 1408-1418.
Cecchetti, S. (1995), "Ination Indicators and Ination Policy", NBER Macroe-
conomics Annual, pp. 189-219.
Chadha, J. & P. Schellekens, (1999), "Monetary Policy Loss Functions : Two
Cheers for the Quadratic", Bank of England Working Paper Series, 101.
Cho, S. & A. Moreno, (2002), "A Structural Estimation and Interpretation of
the New Keynesian Macro Model", mimeo, Columbia University.
Choi, I. & P. C. B., Phillips, (1993), "Testing for Unit Root by Frequency Domain
Regression", Journal of Econometrics, 59, pp. 263-286.
Chow, G. (1960), "Tests of Equality Between Sets of Regression Coecients in
Two Linear Regressions", Econometrica, 28, pp.591-605.
Chow, G. (1966), "On the Long-Run and Short-Run Demand for Money", Jour-
nal of Political Economy, 74, pp.111-31.
Bibliographie Gnrale 287
Christiano, L. J., M. S. Eichenbaum & C. L. Evans, (1997), " Sticky Price and
Limited Participation Models of Money : A Comparison", Eurepean Economic Re-
view, 41, pp. 1201-1249.
Christiano, L. J., M. S. Eichenbaum & C. L. Evans, (2001), " Nominal Rigidities
and the Dynamic Eects of a Shock to Monetary Policy", NBER Working Papers,
N
8403.
Christiano, L., M. Eichenbaum & C. Evans, (1999), "Monetary Policy Shocks :
What Have We Learned and To What End?", publi dans Handbook of Macroeco-
nomics, dit par J. Taylor & M. Woodford, Elsevier, Amsterdam.
Clarida, R., M. Gertler & J. Gal, (1999), "The Science of Monetary Policy : A
New Keynesian Perspective", Journal of Economic Literature, 37-4, pp. 1661-1707.
Clarida, R., M. Gertler & J. Gal, (2000), "Monetary Policy Rules and Macroe-
conomic Stability : Evidence and some Theory", Quaterly Journal of Economics,
115, pp. 147-180.
Cochrane, J. H. (1998), "What do the VARs Measure ? Measuring the Output
Eects of Monetary Policy", Journal of Monetary Economics, 41, pp. 277-300.
Cochrane, J. H. (2000), "Money as Stock : Price Level Determination with No
Money Demand", NBER Working Papers, N
7498.
Cogley, T. & T. Sargent, (2001), "Evolving post-World War II Ination Dynam-
ics", NBER Macroeconomics Annual, MIT Press, Cambridge, 16(1), pp. 331-373.
Cogley, T. & T. Sargent, (2002), "Drifts and Volatilities : Monetary Policies and
Outcomes in the Post WW II U.S.", mimeo, New York University.
Cooley, T. F. & M. Dwyer, (1998), "Business Cycle Analysis Without Much
Theory : A Look at Structural VARs", Journal of Econometrics, 83, pp. 57-88.
Dahlhaus, R. (1996), "Maximum Likelihood Estimation and Model Selection for
Bibliographie Gnrale 288
Locally Staionary Processes", Journal of Nonparametric Statistics, 25, pp. 1-37
Dahlhaus, R. (1997), "Fitting Time Series Models to Nonstationary Processes",
Annals of Statistics, 25, pp.1-37
Dahlhaus, R. & L. Giratis, (1998), "On the Optimal Segment Length for Param-
eter Estimates for Locally Stationar Time Series", Journal of Time Series Analysis,
19(6), pp. 629-656.
Davidson, R. & J. G. MacKinnon, (1993), "Estimation and Inference in Eco-
nomics", Oxford University Press.
Davidson, R. & J. G. MacKinnon, (2003), "Econometric Theory and Methods",
Oxford University Press.
Diebold, F. X. & R. S. Mariano, (1995), "Comparing Predictive Accuracy", Jour-
nal of Business and Economic Statistics, 13(3), pp. 253-263.
Diebold, F. X., L. E. Ohanian & J. Berkowitz, (1998), "Dynamic Equilibrum
Economies : A Framework for Comparing Models and Data", Rewiew of Economic
Studies, 65, pp. 433-451.
Dotsey, M., R. King & A. Wolman, (1999), "State Dependent Pricing and the
General Equilibrium Dynamics of Money and Output", Quarterly Journal of Eco-
nomics, CXIV, pp.655-690.
Dubman, M. R., (1965), "The Spectral Characterization and Comparison of Non-
Stationary Processes", unpublished rocketdyne research report.
Dupor, B. (2001), "Monetary Policy and Condence", mimeo, University of
Pennsylvania.
Emre, E. & . Hsseyin, (1975), "Generalization of Leverriers Algorithm to
Polynomial Matrices of Arbitrary Degree", IEEE Transactions on Automatic Con-
trol, 136.
Bibliographie Gnrale 289
Estrella, A. & J. Fuhrer (1998), "Dynamic Inconsistencies : Counterfactual Im-
plications of a Class of Rational Ecpectations Models", Federal Reserve Bank of
Boston Working Papers, N
98-05.
Estrella, A. & J. Fuhrer (1999), "Are Deep Parameters Stable ? The Lucas
Critique as Empirical Hypothesis", Federal Reserve Bank of Boston Working Papers,
N
99-4.
Estrella, A. & F. Mishkin, (1997), "Is There a Role for Monetary Aggregates in
the Conduct of Monetary Policy? ", Journal of Monetary Economics, 40, pp.279-
304.
Fano, R. M., (1950), "Short-Time Autocorrelation Functions and Power Spec-
tra", Journal of Acounst. Soc. Amer., 22, pp. 546-550.
Farmer, R. E. A. & J-T. Guo, (1994), "Real Business Cycles and the Animal
Spirits Hypothesis", Journal of Economic Theory, 63, pp.4272.
Favero, C. (2001), "Applied Macroeconometrics", Oxford University Press.
Favero, C & R. Rovelli, (2003), "Macroeconomic stability and the preferences
of the Fed. A formal analysis", Journal of Money, Credit and Banking, 35(4), pp.
545-556
Feldstein, M. (1997), "The Costs and Benets of Going from Low Ination to
Price Stability", publi dans Reducing Ination : Motivation and Strategy, dit par
C. D. Romer & David H. Romer, pp. 123156. University of Chicago Press, Chicago.
Fischer, S. (1977), "Long-term Contracts, Rational Expectations and the Opti-
mal Money Supply Rule", Journal of Political Economy, 85, pp. 191-205.
Fischer, S. (1981), "Towards an Understanding of the Costs of Ination :II.",
CarnegieRochester Conference Series on Public Policy 15, pp. 542.
Fischer, S. (1988), "Recent Development in Macroeconomics", Economic Jour-
Bibliographie Gnrale 290
nal, pp. 294-339.
Friedman, M. (1958), "The Supply of Money and Changes in Prices and Out-
put", dans The Relationship of Prices to Economic Stability and Growth, DC : U.S.
Congress, Joint Economic Committee, Washington.
Friedman , M. (1961), "The Lag in the Eect of Monetary Policy", Journal of
Political Economy, 69, pp. 447-66.
Friedman, M. (1968), "The Role of Monetary Policy", American Economic Re-
view, 58, pp. 1-17.
Friedman, M. (1970), "A Theoretical Framework for Monetary Analysis", Jour-
nal of Political Economy, 78 (2), pp. 193-238.
Friedman, M. (1977), "Ination and Unemployment", Journal of Political Econ-
omy, 85 (3), pp. 451-72.
Friedman, M. (1982), "Monetary Policy : Theory and Practice", Journal of
Money, Credit and Banking, 14, pp. 98-118.
Friedman, M. (1982), "Monetary Policy : Theory and Practice : A Reply", Jour-
nal of Money, Credit and Banking, 14, pp. 404-06.
Fuhrer, J. C. (1995), "The Phillips Curve is Alive and Well", New England
Economic Review of the Federal Reserve Bank of Boston, pp. 41-56.
Fuhrer, J. C. (1997a), "Ination/Output Variance Trade-Os and Optimal Mon-
etary Policy", Journal of Money, Credit and Banking, 29, pp. 214-234.
Fuhrer, J. C. (1997b), "The (Un)importance of Forward Looking Behavior in
Price Specications", Journal of Money, Credit and Banking, 29(3), pp. 338-350.
Fuhrer, J. C. (1998), "An Optimizing Model for Monetary Policy Analysis : Can
Habit Formation Help? ", Federal Reserve Bank of Boston Working Papers, N
98-1.
Fuhrer, J. C. (2000a), "Optimal Monetary Policy in a Model with Habit Forma-
Bibliographie Gnrale 291
tion", Federal Reserve Bank of Boston Working Papers, N
00-05.
Fuhrer, J. C. (2000b), "Habit Formation in Consumption and its Implications
for Monetary-Policy Models", American Economic Review, 90, pp. 367389.
Fuhrer, J. C. & G. Moore, (1995), "Ination persistence", Quaterly Journal of
Economics, 110(1), pp. 127-160.
Gal, J. & M. Gertler, (1999), "Ination Dynamics : A Structural Econometric
Analysis", Journal of Monetary Economics, 44, pp. 195-222.
Gal, J., M. Gertler & D. Lpez-Salido, (2001), "European Ination Dynamics",
European Economic Review, 45, pp. 1237-1270.
Gal, J., M. Gertler & D. Lpez-Salido, (2003), "Robustness of the Estimates of
the Hybrid New Keynesian Phillips Curve", Universitat Pompeu Fabra.
Goodfriend M.(1989), "The Conduct of Monetary Policy", The Economic Jour-
nal, 99, pp. 293-346.
Goodfriend M.(2003), "Ination Targeting in the United States ?", NBER Work-
ing Papers, N
9981.
Goodfriend M. & R. King, (1997), "The New Neoclassical Synthesis and the Role
of Monetary Policy", NBER Macroeconomics Annual, pp. 231-283.
Gordon, R. J. (1970), "The Recent Acceleration of Ination and Its Lessons for
the Future", Brookings Papers on Economic Activity, 1, pp. 8-14.
Gordon, R. J. (1971), "Ination in Recession and Recovery", Brookings Papers
on Economic Activity, 3, pp. 105-158.
Gordon, R. J. (1973), "The Response of Wages and Prices to the First and Second
Years of Control", BPEA, N
3, pp. 765-78.
Gordon, R. J. (1987), "Macroeconomics : fourth edition", Little, Brown & Com-
pany, New York.
Bibliographie Gnrale 292
Gordon, R. J. (1990), "What is New-Keynesian Economics ? ", Journal of Eco-
nomic Literature, 28, pp. 1115-1171.
Gordon, R. J. (1993), "Macroeconomics", 6
` eme
dition, Haper Collins, New York.
Gordon, R. J. (1996), "The Time-Varying Nairu and Its Implications for Eco-
nomic Policy", NBER Working Papers, N
5735.
Gouriroux, C., J. J. Laont & A. Monfort, (1982), "Rational Expectations in
Dynamic Linear Models : Analysis of the Solutions", Econometrica, 50, pp. 409-25.
Green, W. H., (1997), "Econometric Analysis", Third Edition, Macmillan.
Greenspan A. (1990), Statement before the U.S. Congress, House of Representa-
tives, Subcomittee on Domestic Monetary Policy of the Comity on Banking, Finance
and Urban Aairs, Zero Ination, Washington.
Grenander, U. & M. Rosenblatt, (1957), "Statistical analysis of stationary time
series", Wiley, New York.
Hairault, J-O. & F. Portier, (1993), "Money, New Keynesian Macroeconomics,
and the Business Cycle", Eurepean Economic Review, 37, pp. 1533-1568.
Hall, R. E. & J. B. Taylor, (1997), "Macroeconomics", Fifth Edition, W. W.
Norton & Company, New York.
Hansen, L. P. (1982), Large Sample Properties of Generalized Methods of Mo-
ments Estimator, Econometrica, 50 (4), pp. 1029-1054.
Hansen, L. P. & T. J. Sargent, (1980), "Formulating and Estimating Dynamic
Linear Rational expectations Models", Journal of Economic Dynamics and Control,
2, pp. 7-46.
Hansen, L. P. & T. J. Sargent, (1981a), "Linear Rational Expectations Models for
Dynamically Interrelated Variables", publi dans Rational Exoectations and Econo-
metric Practice, dit par Lucas, R. E.& T. J. Sargent, University of Minnesota
Bibliographie Gnrale 293
Press, Minneapolis.
Hansen, L. P. & T. J. Sargent, (1981b), "A Note on Wiener-Kolmogorov Predic-
tion Formulas for Rational Expectations Models", Economics Letters, 8, pp. 255-60.
Hansen, L. P. & T. J. Sargent, (1982), "Instrumental Variables Procedures for
Estimating Linear Rational Expectations Models", Journal of Monetary Economics,
9(3), pp. 263-96.
Hnocq, C. & H. Kempf, (1989), "Quasi-rational Expectations", Economics Let-
ters, 33, pp. 93-96.
Hodrick, R. J. & E. C. Prescott, (1980), "Post War U.S. Business Cycles : An
Empirical Investigation", Carnegie-Mellon University, Discussion Paper N
451.
Hodrick, R. J. & E. C. Prescott, (1997), "Post War U.S. Business Cycles", Jour-
nal of Money, Credit and Banking, 29, pp. 1-16.
Horsman, G., (1988), "Ination in the Twentieth Century : Lessons from Europe
and North America", Harvester-Whestsheaf. St. Martins Press, New York.
Hsu, D. A., R. B. Miller & D. W. Wichern, (1974), "On the Stable Paretian
Behavior of Stock Market Prices", Journal of the American Statistical Association,
69, pp. 108-113.
Inclan, C. & G. C. Tiao, (1994), "Use of Cumulative Sums of Squares for Ret-
rospective Detection of Changes of Variance", Journal of the American Statistical
Association, 89, N
427.
Ireland, P. N. (2001), "Sticky-Price Models of the Business Cycle : Specication
and Stability", Journal of Monetary Economics, 47, pp. 318.
Issing, O. (2001), "Why Price Stability?", publi dans Why Price Stability ?,
dit par Garcia Herrero, A. & al. , Banque Centrale Europenne, Francfort-sur-le-
Main.
Bibliographie Gnrale 294
Johnson, I. C. (1978), "A Revised Perspective of Keyness General Theory",
Journal of Economic Issues, XII (3), pp. 561-82.
Jondeau, E. & H. Le Bihan, (2001), "Testing for a Forward-Looking Phillips
Curve Additional Evidence From European and US Data", Notes dtudes et de
Recherches, N
334.
Levin, M. J., (1964), "Instantaneous Spectra and Ambiguity Functions", IEEE
Tran. Information Theory, IT(10), pp. 95-97.
Levin F. J.& A-M. Meulendyke, (1982), "Monetary Policy : Theory and Practice :
A Comment", Journal of Money, Credit and Banking, 14, pp. 399-403.
Levy, D., (2000), "Cointegration in Frequency Domain", Journal of Time Series
Analysis, 23(3).
Lind, J. (2000), "Monetary Policy Analysis in Backward-looking Models", Sveriges
Risksbank Working Paper, N
114.
Lind, J. (2001a), "Estimating New-Keynesian Phillips Curve : A Full Informa-
tion Maximum Likelihood Approach", Sveriges Risksbank Working Paper, N
129.
Lind, J. (2001b), "The Empirical Relevance of Simple Forwar- and Backward-
looking Models : A View from a Dynamic General Equilibrum Model", Sveriges
Risksbank Working Paper, N
130.
Lipsey, R. G., (1960), "The Relation Between Unemployment and the Rate of
Change of Money Wage Rates in the United Kingdom, 1862-1957 : A Further Anal-
ysis", Economica, 27, pp. 1-31.
Bibliographie Gnrale 297
Lipsey, R. G., (1974), "The Micro Theory of the Phillips Curve Reconsidered :
A Reply to Holmes and Smyth", Economica, 41, pp. 62-70.
Liu J., S. Wu & J. V. Zidek, (1997), "On Segmented Multivariate Regressions",
Statistica Sinica, 7, pp. 497-525.
Lomnicki, Z. A. & S. K. Zaremba, (1957), "On the autocorrelation in time series",
Annals of Math. Statist, 28, pp. 140-158.
Loynes, R. M. , (1968), "On the Concept of the Spectrum for Non-Stationary
Processes", Journal of Royal Statistical Society, Series B, 30, pp. 1-20.
Lubik, T. A. & F. Schorfheide, (2002), "Testing for Indeterminacy : An Appli-
cation to U.S. Monetary Policy", mimeo, University of Pennsylvania.
Lucas, R. E. (1972), "Expectations and the Neutrality of Money", Journal of
Economic Theory, 4, pp. 103-124.
Lucas, R. E. (1973), "Some International Evidence on Output-ination Trade-
os", American Economic Review, 63, pp. 326-336.
Lucas, R. E. (1976), "Econometric Policy Evaluation : A Critique", Carnegie-
Rochester Conference Series on Public Policy 1, 1, pp.19-46.
Lucas, R. E. (1980a), "Two Illustrations of the Quantity Theory of Money",
American Economic Review, LXX(5), pp. 1005-1014.
Lucas, R. E. (1980b), "Methods and Problems in Business Cycle Theory", Jour-
nal of Money, Credit and Banking, 12(4), pp. 696-715.
Lucas, R. E. (1987), "Models of Business Cycles", Basil Blackwell, Oxford.
Lucas, R. E. (2000), "Ination and Welfare", Econometrica, 68, pp. 247374.
Lucas, R. E. (2003), "Macroeconomic Priorities", American Economic Review,
93(1), pp. 1-14.
Lucas, R. E.& T. J. Sargent (1978), "New Explanations of the Persistence of
Bibliographie Gnrale 298
Ination and Unemployment", publi dans After the Phillips Curve : The Persis-
tence of High Ination and High Unemployment, Federal Reserve Bank of Boston,
Boston.
Lucas, R. E. & T. J. Sargent (1978), "After Keynesian Macroeconomics", After
the Phillips Curve : The Persistence of High Ination and High Unemployment,
Federal Reserve Bank of Boston, Boston.
Maddala, G. S. & I-M. Kim, (1998), "Unit Roots, Cointegration, and Structural
Change", Cambridge University Press, Cambridge.
Mankiw, N. G. (1985), "Small Menu Costs and Large Business Cycles : A Macroe-
conomic Model", Quarterly Journal of Economics, 100(20), pp.529-538.
Mankiw, N. G. (1987), "Comment on JJ. Rotemberg The New Keynesian Mi-
crofoundations , publi dans NBER Macroeconomics Annual, dit par S. Fischer,
NBER and MIT Press, pp. 105-110.
Mankiw, N. G. (1989), "Real Business Cycles : A New Keynesian Perspective",
Journal of Economic Perspectives, 3, pp. 79-90.
Mankiw, N. G. (1990), "A Quick Refresher Course in Macroeconomics", Journal
of Economic Literature, 28, pp. 1645- 1660.
Mankiw, N. G. (1991), "The Reincarnation of Keynesian Economics , NBER
Working Paper, N
3885.
Mankiw, N. G. (1998), "Principles of Economics", Forth Worth, TX : The Dryden
Press.
Mankiw, N. G. (2000), "Macroeconomics", Worth Publishers, New York.
Mankiw, N. G. (2001a), "The Inexorable and Mysterious Tradeo Between In-
ation and Unemployment", Economic Journal, 111, C45-C61.
Mankiw, N. G. (2001b), "U.S. Monetary Policy During the 1990s ", NBER Work-
Bibliographie Gnrale 299
ing Paper, N
8471.
Mankiw, N. G. & D. Romer, (1991), "New Keynesian Economics", MIT Press,
Cambridge.
Mankiw, N. G. & R. Reis, (2001), "Sticky Information : A Model of Monetary
Nonneutrality and Structural Slumps", NBER Working Paper, N
8614.
Mankiw, N. G. & R. Reis, (2002), "Sticky Information Versus Sticky Prices :
A Proposal to Replace the New Keynesian Phillips Curve", Quaterly Journal of
Economics, 117, pp. 1295-1328.
Mankiw, N. G., J. Wolfers & R. Reis, (2003), "Disagreement about Ination
Expectations", NBER Working Paper, N
9796.
McCallum, B. T. (1990), "Real Business Cycle Models," NBER Working Paper,
N
1393.
McCallum, B. T. (1997), "Comment", NBER Macroeconomics Annual, pp. 355-
359.
McCallum, B. T. (1999), "Analysis of the Monetary Transmission Mechanism :
Methodological Issues", NBER Working Paper, N
7395.
McCallum, B. T. (1999), "Role of the Minimal State Variable Criterion in Ra-
tional Expectations Models", International Tax and Public Finance, 6, pp.621-639.
McCallum, B. T. (2001), "Monetary Policy Analysis in Models Without Money",
NBER Working Paper, N
8174.
McConnell, M. & G. P. Quiros, (2000), "Output Fluctuations in the United
States : What has Changed Since the Early 1980s", American Economic Review,
90, pp. 14641476.
Mlard, G., (1978), "Proprits du Spectre Evolutif dun Processus Non-Stationnaire",
Annales de lInstitut Henri Poncar, B(4), pp. 411-424.
Bibliographie Gnrale 300
Muth, J. F. (1961), "Rational Expectations and the Theory of Price Movements",
Econometrica, 29, pp. 315-335.
Nadiri, M. & V. Gupta, (1977), "Price and Wage Behaviour in the U.S. Aggregate
Economy and in Manufacturing Industries", publi dans Analysis of Ination 1965-
74, dit par J. Popkin, pp.195-234.
Nelson, E. & K. Nikolov, (2002), "Monetary Policy and Stagation in the UK",
mimeo, Bank of England.
Newey, W. K. & K. D. West, (1987), "A Simple Positive Semi-Denite, Het-
eroskedasticity and Autocorrelation Consistent Covariance Matrix", Econometrica,
55, pp. 703-708.
Ombao, H., J. V. Sachs & W. Guo, (2002), "Smoothing Spline ANOVA for
Time-Dependent Spectral Analysis", Document de Travail, Institut de Statistique,
Universit Catholique de Louvin.
Orphanides, A. & R. Porter, (1998), "P* Revisited : Money-Based Ination Fore-
casts with a Changing Equilibrium Velocity", Finance and Economics Discussion
Paper Series, N
2001-13, Board of
Governors of the Federal Reserve System, Washington.
Romer, D. (1993), "The new Keynesian Synthesis", Journal of Economic Per-
spectives, 7(1), pp. 5-22.
Romer, D. (1996), "Advanced Macroeconomics", Mc Graw Hill, New York.
Romer, D. & C. Romer, (1989), "Does Monetary Policy Matter ? A New Test
in the Spirit of Friedman and Schwartz", NBER Macroeconomics Annual, 4, pp.
121-170.
Rotemberg, J. J. (1982), "Sticky Prices in the United States", Journal of Political
Economy, 90(6), pp. 1187-1211.
Rotemberg, J. J. (1983),"Monetary Policy and Costs of Price Adjustment", Jour-
nal of Economic Dynamics and Control, 213(5), pp.267-288.
Rotemberg, J. J. (1987), "The New Keynesian Microfoundations", Macroeco-
nomics Annual, 2 , pp. 69-104.
Rotemberg, J. J. (2003),"Stochastic Technical Progress, Smooth Trends, and
Nearly Distinct Business Cycles", American Economic Review, 93(5), pp. 1543-1559.
Rotemberg, J. J., J. Driscoll & J. Poterba, (1995),"Money, Output, and Prices :
Evidence from a New Monetary Aggregate", Journal of Business and Economic
Statistics, 13(1), pp. 67-83.
Rotemberg, J. J. & L. Summers, (1990),"Inexible Prices and Procyclical Pro-
ductivity", Quarterly Journal of Economics, 105, pp. 851-874.
Rotemberg, J. J. & M. Woodford, (1997), "An Optimization-Based Econometric
Framework for the Evaluation of Monetary Policy", NBER Macroeconomics Annual,
Bibliographie Gnrale 304
pp. 297-346.
Rotemberg, J. J. & M. Woodford, (1998), "An Optimization-Based Econometric
Framework for the Evaluation of Monetary Policy : Expanded Version", NBER
Working Paper, N
0233.
Rudd J. B. & K. Whelan, (2001), "New Tests of the New-Keynesian Phillips
Curve", Board of Governors of the Federal Reserve Working Paper N
2001-30. Jour-
nal of Monetary Economics, ( paratre).
Rudd, J. B. & K. Whelan, (2002),"Does the Labor Share of Income Drive In-
fation?", Federal Reserve Board, Finance et Economics Discussion Series Paper
N
99-13,
Federal Reserve Bank of San Francisco.
Sahuc, J. G. (2002), "A Hybrid Monetary Policy Model : Evidence from the
Euro Area", Applied Economic Letters, 9, pp. 949-955.
Salemi, M. K. (1986), "Solution and Estimation of Linear Rational Expectations
Models", Journal of Econometrics, 53, pp. 245-69.
Salemi, M. K. & J. Song (1992), "Saddlepath Solutions for Multivariate Linear
Rational Expectations Models", Journal of Econometrics, 53, pp. 245-69.
Samuelson, P. A., (1947), "Foundations of Economic Analysis", Harvard Univer-
sity Press, Cambridge.
Samuelson, P. A., (1948), "Economics : an introductory analysis", McGraw Hill,
New York.
Bibliographie Gnrale 305
Samuelson, P. A., (1965), "Foreword to the Foundations of Economic Analysis",
Atheneum, New York.
Samuelson, P. A., (1970), "Reections on Recent Federal Reserve Policy", Jour-
nal of Money, Credit and Banking, 2(1), pp. 33-44.
Samuelson, P. A, (1972), "The Consumer Does Benet From Feasible Price Sta-
bility", The Quarterly Journal of Economics, 86(3), pp. 476-93.
Samuelson, P. A., (1974), "Lessons from the Current Economic Expansion",
American Economic Review, 64(2), pp. 75-77.
Samuelson, P. A.& R. M. Solow, (1960), "Analytical Aspects of Anti-Ination
Policy", American Economic Review, 50(2), pp. 177-94.
Sargent, T. J. (1984), "Autoregressions, Expectations, and Advice", American
Economic Review, Papers and Proceedings, 74, 2, pp. 408-415.
Sargent, T. J. (1987), "Rational Expectations and Ination", Academic Press,
New York.
Sargent, T. J. (1987), "Macroeconomic Theory", Academic Press, New York.
Sargent, T. J. & N. Wallace, (1975),"Rational Expectations, the Optimal Mon-
etary Instrument and the Optimal Money Supply Rule", Journal of Political Econ-
omy, 83(2), pp. 241-254.
Sbordone, A. M. (2002), "Prices and Unit Labor Costs : A New Test of Price
Stickiness", Journal of Monetary Economics, 49 (2), pp 265-292.
Schwarz, G. (1978), "Estimating the Dimension of a Model", Annals of Statistics,
6, pp. 461-464.
Siklos, P. (2002), "The Changing Face of Central Banking", Cambridge Univer-
sity Press, Cambridge.
Sims, C. A. (1999),"Drifts and Breaks in Monetary Policy", mimeo, Princeton
Bibliographie Gnrale 306
University.
Sims, C. A. (2002),"Solving Linear Rational Expectations Models", Computa-
tional Economics, 20, pp. 120.
Sims, C. A. & T. Zha, (2002),"Macroeconomic Switching", mimeo, Princeton
University.
Smets, F. (2000), "What Horizon for Price Stability", ECB Working Paper, N
24.
Smets, F. & R. Wouters, (2002), "An Estimated Stochastic Dynamic General
Equilibrium Model of the Euro Area", ECB Working Paper, N
171.
Sderlind, P. (1999), "Solution and Estimation of RE macromodels with optimal
policy", European Economic Review, 43, pp. 813-823.
Sderlind, P. (2001), "Monetary Policy and the Fisher Eect", journal of Policy
Modeling, 23(5), pp. 491-495
Stein, H. (1984), "Presidential Economics : The Making of Economic Policy
from Roosevelt to Reagan and Beyond", dit par Simon and Schuster, New York.
Stock, J. H. & M. W. Watson, (1999a), "Forecasting Ination", Journal of Mon-
etary Economics, 44(2), pp. 293-335.
Stock, J. H. & M. W. Watson, (1999b), "Business Cycle Fluctuations in US
Macroeconomic Time Series", publi dans Handbook of Macroeconomics, Vol. 1A,
Chapitre I, dit par Taylor J. B. & M. Woodford, Elsevier, Amsterdam.
Stock, J. H. & M. W. Watson, (2002), "Has the Business Cycle Changed and
Why? ", publi dans NBER Macroeconomics Annual, dit par M. Gertler & K.
Rogo, MIT Press, Cambridge.
Svensson, L. E. O. (2001), "Requiem for Forecase-Based Instrument Rules",
mimeo, Princeton University.
Taylor, J. B. (1979), "Staggered Wage Setting in a Macro Model", American
Bibliographie Gnrale 307
Economic Review Papers and Proceedings, 69, pp.108-113.
Taylor, J. B. (1980), "Aggregate Dynamics an Staggered Contracts", Journal of
Political Economy, 88, pp. 1-22.
Taylor, J. B. (1981), "On the Relation Between the Variability of Ination and
the Average Ination Rate", CarnegieRochester Conference Series on Public Pol-
icy, 15, pp. 5786.
Taylor, J. B. (1999), "Staggered Price and Wage Setting in Macroeconomics",
publi dans Handbook of Macroeconomics, dit par J. Taylor & M. Woodford, El-
sevier, Amsterdam.
Tjstheim, D., (1976), "Spectral Generating Operators for Non-Stationary",
Journal of Times Series Analysis, 21(5).
Trabandt, M. (2003), "Sticky Information vs. Sticky Prices : A Horse Race in a
DSGE Framework", mimeo, Humboldt University.
Uhlig, H. (1997), "A Toolkit for Analyzing Nonlinear Dynamic Stochastic Models
Easily", publi dans Computational Methods for the Study of Dynamic Economies,
dit par R. Marimn & A. Scott, Oxford University Press, pp. 30-61.
Von Sachs, R. & M. H. Neumann, (2000), "A Wavelet-Based Test for Stationar-
ity", Journal of Time Series Analysis, 21(5), pp. 597-613.
Wallis, K. (1980), "Econometric Implications of the Rational Expectations Hy-
pothesis", Econometrica, 48, 1.
Walsh, C. L. (1998), "Monetary Theory and Policy", MIT Press, Cambridge.
Whiteman, C. H. (1983), "Linear Rational Expectations Models", A Users
Guide, University of Minnesota Press, Minnesota.
Whittle, P. (1962), "Gaussian Estimation in Stationary Time Series", Bulletin
of the International Statistical Institute, 39, pp. 105129.
Bibliographie Gnrale 308
Whittle, P. (1963), "Prediction and regulation by Linear Least-Square Methods",
Van Nostrand-Reinhold, Princeton.
Williams, D. (1991), "Probability with Martingales", Cambridge University Press,
Cambridge.
Woodford, M. (1996), "Control of The Public Debt : a Requirement for Price
Stability", NBER Working Paper, N
5684.
Woodford, M. (1999), "Optimal Monetary Policy Inertia", mimeo, Princeton
University.
Woodford, M. (2001), "The Taylor Rule and Optimal Monetary Policy", Amer-
ican Economic Review, 91(2), pp. 232-237.
Woodford, M. (2003), "Interest and Prices : Foundations of a Theory of Monetary
Policy", Chapitre III, Princeton University Press, Princeton, New Jersey.
Yao, Y-C. (1988), "Estimating the Number of Change-Points via SchwarzCrite-
rion",. Statistics and Probability Letters 6, pp. 181-189.
Yao, Y-C. & S. T. Au (1989), "Least Squares Estimation of a Step Function",.
Sankhya, 51(A), pp. 370-381.
Yin, Y.Q. (1988), "Detection of the Number, Locations and magnitudes of jumps",
Communications in Statistics-Stochastic Models, 4, pp. 445-455.
Yun, T. (1996), "Nominal Price Rigidity, Money Supply Endogeneity, and Busi-
ness Cycles", Journal of Monetary Economics, 37, pp. 345-370.
Zivot, E. & D. W. K. Andrews, (1992), "Further Evidence on the Great Crash,
the Oil-Orice Shock, and the Unit Root Hypothesis". Journal of Business and Eco-
nomic Statistics, 10, pp. 251-270.
Table des matires
Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
Introduction Gnrale 1
I Chocs Montaires et Persistance de lInation
24
22
1 La Persistance de lInation dans les Modles No-Keynsiens 23
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1 Prsentation du cadre commun . . . . . . . . . . . . . . . . . . . . . 25
2 Les rgles dajustement prix xes . . . . . . . . . . . . . . . . . . . 29
2.1 Prix xes pour une dure alatoire (Calvo, 1983) . . . . . . . . 29
2.2 Prix xes pour une dure dtermine (Taylor, 1980) . . . . . . 30
2.3 Prix xes pour une dure alatoire et anticipations adaptatives
(Gal & Gertler, 1999) . . . . . . . . . . . . . . . . . . . . . 32
2.4 Prix xes stipuls en termes rels (Fuhrer & Moore, 1995) . . 33
3 Les rgles dajustement avec prix prdtermins . . . . . . . . . . . . 34
3.1 Prix prdtermins pour deux priodes (Fischer, 1977) . . . . 34
3.2 Prix prdtermins pour une dure alatoire (Mankiw et Reis,
2002) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
24
Cette partie est issue des travaux de Ben Assa & Musy (2004a & 2004b).
309
Table des matires 310
4 Limpact dune politique de dsination . . . . . . . . . . . . . . . . . 36
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5 Annexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.1 Annexe I : Drivation du prix optimal de la rme i . . . . . . 42
5.2 Annexe II : Dynamique des dirents modles . . . . . . . . . 45
5.3 Annexe III : Dynamique du modle de Mankiw et Reis . . . . 49
2 Impact de la Priodicit des Contrats sur la Persistance de lIna-
tion 51
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
1 Le cadre thorique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
1.1 Modles prix rigides (prix xes) . . . . . . . . . . . . . . . . 55
1.2 Modles informations rigides (prix prdtermins) . . . . . . 56
2 Persistance et Priodicit . . . . . . . . . . . . . . . . . . . . . . . . . 56
3 Limpact du choix de la priodicit . . . . . . . . . . . . . . . . . . . 60
3.1 Les autocorrelations de lination . . . . . . . . . . . . . . . . 64
3.2 Le phnomne dacclration . . . . . . . . . . . . . . . . . . . 66
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4 Annexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.1 Annexe I : Priodicit dans le modle de Taylor . . . . . . . . 70
4.2 Annexe II : Priodicit dans le modle de Fuhrer et Moore . . 77
II Densit Spectrale & Identication des Changements
Table des matires 311
Structurels dans lInation Amricaine
25
84
3 La Thorie de lAnalyse Spectrale 85
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
1 Processus Stationnaires . . . . . . . . . . . . . . . . . . . . . . . . . . 87
1.1 Les thormes fondamentaux . . . . . . . . . . . . . . . . . . 88
1.2 Mthodes destimation de la densit spectrale classique . . . . 93
2 Processus non stationnaires . . . . . . . . . . . . . . . . . . . . . . . 104
2.1 Les proprits dun spectre volutif . . . . . . . . . . . . . . . 104
2.2 Mthodes destimation de la densit spectrale volutive . . . . 129
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
4 Densit Spectrale volutive &Identication des Changements Struc-
turels 146
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
1 Stabilit de la densit spectrale . . . . . . . . . . . . . . . . . . . . . 148
1.1 Thorie du Spectre volutif de Priestley . . . . . . . . . . . . 150
1.2 Test dArtis, Bladen-Hovell et Nachane (1992) . . . . . . . . . 153
1.3 Test de stationnarit bas sur la densit spectrale volutive . . 155
1.4 Extension du test : Un Algorithme Squentiel pour lIdenti-
cation de Points de rupture multiples . . . . . . . . . . . . . . 159
1.5 Aperu historique des faits conomiques du processus ina-
tionniste amricain . . . . . . . . . . . . . . . . . . . . . . . . 168
25
Cette partie a bnci de plusieurs travaux : Ahamada & Ben Assa (2004a & 2004b), Ben
Assa & Jouini (2003), Ben Assa, Boutahar & Jouini (2004) et Ben Assa & Boutahar (2004).
Table des matires 312
2 Stabilit de la variance : Un Algorithme bas sur les Sommes Cumu-
latives (ICSS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
2.1 Les Fondements . . . . . . . . . . . . . . . . . . . . . . . . . . 179
2.2 LAlgorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
2.3 Application lInation aux tats-Unis . . . . . . . . . . . . . 182
3 Stabilit de la moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . 186
3.1 Le modle de changement structurel . . . . . . . . . . . . . . 187
3.2 Procdures didentication . . . . . . . . . . . . . . . . . . . . 189
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
III Essais Empiriques sur la Courbe No-Keynsienne de
Phillips
26
198
5 Rgime Montaire & Stabilit des Paramtres de la Courbe de
Phillips Hybride 199
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
1 Spcication de la courbe de Phillips no-keynsienne hybride . . . . 203
2 Une analyse empirique de la stabilit des paramtres . . . . . . . . . 206
2.1 Spcication de la mthode destimation . . . . . . . . . . . . 209
2.2 Les rsultats des estimations avec un point de rupture en 1981 210
2.3 Etude de la stabilit avec dcoupage de deux priodes dans
lintervalle 1981-1998 . . . . . . . . . . . . . . . . . . . . . . . 214
3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
4 Annexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
26
La cinquime chapitre est issu du travail de Ben Assa & Musy (2004c). Je dois lide et
lintuition de cet article Alessandra Casella que je remercie beaucoup.
Table des matires 313
4.1 Annexe I : Les fonctions de rponse de lination (1961-1998,
1961-1981, 1982-1998) . . . . . . . . . . . . . . . . . . . . . . 219
4.2 Annexe II : Les fonctions de rponse de lination (1982-1998,
1982-1990, 1991-1998) . . . . . . . . . . . . . . . . . . . . . . 220
6 Rsolution des Modles Multivaris Anticipations Rationnelles &
Estimation Structurelle dun Modle No-Keynsien Gnral 222
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
1 Mthodes de Rsolution pour les Modles Multivaris Anticipations
Rationnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
1.1 Forme gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . 226
1.2 Une revue de quelques mthodes de rsolution . . . . . . . . . 229
2 Estimation Structurelle dun Modle No-Keynsien Gnral . . . . . 250
2.1 Spcication gnrale du modle . . . . . . . . . . . . . . . . . 250
2.2 Rsolution analytique du modle . . . . . . . . . . . . . . . . 255
2.3 Maximum de Vraisemblance en Information Complte (FIML) 260
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
Conclusion Gnrale 270
Bibliographie Gnrale 278