Document de travail n°162 : Estimation des modèles DSGE dans un environnement riche en données (en anglais)

Résumé

La procédure habituelle d'estimation des modèles d'équilibre général intertemporels et stochastiques (DSGE) suppose que les variables économiques sont mesurées correctement par un seul indicateur et que toute l'information pertinente pour l'estimation se résume à quelques séries macroéconomiques. Cependant, les études empiriques récentes sur les modèles à facteurs ont montré que l'information contenue dans de grandes bases de données est pertinente pour l'évolution de la plupart des séries macroéconomiques. Cela suggère que les estimations de modèles conventionnels et l'inférence basée sur les modèles DSGE estimés peuvent être biaisées. Dans ce papier, nous proposons une méthode pour l'estimation de modèles DSGE qui exploite l'information pertinente d'un environnement riche en données. Cette approche fournit une interprétation de toute l'information contenue dans un grand ensemble de données, et en particulier de facteurs latents, à travers les lentilles d'un modèle DSGE. L'estimation utilise ainsi la méthode de Monte-Carlo par chaîne de Markov (MCMC). Nous appliquons cette méthodologie à un modèle monétaire DSGE canonique. Nous mettons en évidence l'imparfaite mesure des concepts théoriques sous-tendant les modèles, en particulier ceux liés à l'inflation. Nous montrons qu'exploiter plus d'information est important afin d'obtenir une estimation exacte des concepts et des chocs du modèle, et que cela implique des conclusions différentes sur les paramètres structurels clés et les sources des fluctuations économiques.

Jean Boivin et Marc Giannoni
Janvier 2007

Classification JEL : E01, E32, E37, C10, C32, C53

Mots-clés : Modèles DSGE, erreur de mesure, grand ensemble de données, modèles à facteur, prévision, MCMC, estimation bayésienne