Dans le cadre de prévisions de court terme de l’activité économique, mobiliser l’ensemble de l’information disponible est un élément essentiel à une bonne modélisation. La différence dans les fréquences d’échantillonnage des indicateurs macroéconomiques restreint un usage efficient de ces données. À cet égard, la modélisation multi-fréquentielle MIDAS (Mixed-Data Sampling) a prouvé sa capacité à agréger de manière optimale les séries temporelles pour la prévision économique. Le choix des variables à privilégier demeure néanmoins délicat. Cet article entend développer différentes techniques de sélection de variables à fréquences multiples dans l’optique d’améliorer la capacité prédictive de la modélisation MIDAS. Deux méthodes basées respectivement sur la sélection par régression pénalisée et la recherche stochastique bayésienne sont notamment introduites dans cette étude. Celles-ci sont combinées à une procédure de validation croisée permettant une sélection automatique des variables selon leur apport prédictif. Enfin, les aptitudes empiriques des différentes stratégies MIDAS sont comparées via un exercice de prévision du PIB américain sur la période 2000-2013 à partir de données journalières et mensuelles. Il apparaît que les modélisations développées dans cet article parviennent à identifier les indicateurs conjoncturels avancés et améliorent ainsi leur qualité prédictive.
Clément Marsilli
Novembre 2014
Classification JEL : C53, E37
Mots-clés : Prévisions du PIB, Modélisation multi-fréquentielle, MIDAS, Sélection de variables
Mis à jour le : 05/02/2019 11:43