Simulation dans un modèle VAR
Simulation dans un modèle VAR
L'une des principales applications des modèles VAR est d'analyser les effets de politiques économiques au travers de simulations de chocs. Un modèle VAR modélise les relations dynamiques entre un groupe de variables choisies pour caractériser un phénomène économique particulier. L'analyse impulsionnelle permet d'analyser comment un choc à la date T sur une variable affecte l'ensemble des variables du système pour les périodes T, T+1, T+2,...
Pour faire l'analyse impulsionnelle, sélectionnez View/Impusle Response...
On peut aussi directement cliquer sur l'onglet impulse dans le tableau des estimations. Le graphique suivant représente les réponses de la politique budgétaire aux chocs de demande publique. Le deuxième graphique représente la réponse du PIB aux chocs de demande publique. Nous allons nous intéresser particulièrement au second graphique.
Figure 13.1 : Fonctions de réponse de DLCONSG et DLPIBR
On observe qu'un choc positif sur les dépenses publiques (augmentation des dépenses publiques) conduit dans un premier temps à une baisse transitoire du taux de croissance de l'économie. L'effet sur l'activité s'estompe progressivement. Il décroît fortement dès la deuxième année et tend à se résorber au bout de 8 années. Le fait que la réponse tend vers zéro est en cohérence avec la propriété de stationnarité des séries.
Décomposition de la variance
L'analyse des variances fournit des informations quant à l'importance relative des innovations dans les variations de chacune des variables. Elle permet de déterminer dans quelle direction un choc a le plus d'impact. Il existe une relation entre la décomposition de la variance de l'erreur de prévision et la non causalité au sens de Granger. Si ne cause pas dans un système bivarié, alors la variance de l'erreur de prévision de sera entièrement due aux innovations de et aucunement à celles de . Cette propriété n'est cependant vérifiée que si la matrice de variance-covariance des innovations est diagonale , c'est-à-dire s'il n'y a pas de causalité instantanée entre les deux variables et .
Pour obtenir la décomposition de la variance, sélectionnez, à partir du menu, View/Variance Decomposition.... On obtient deux tableaux qui indiquent chacun la proportion de la variance expliquée par chaque variable.
Tableau 13.5: Décomposition de la variance de DLPIBR
Tableau 13.6 : Décomposition de la variance de DLCONSG
Le premier tableau indique que le choc d'offre explique une très grande part de la dynamique du PIB. De façon instantanée, le choc d'offre contribue à 97,11% de la variance de l'erreur de prévision du PIB, contre seulement 2,88% pour le choc de demande publique. A moyen et long terme, la variance de l'erreur de prévision du taux de croissance est expliquée à 84,4% par ses propres innovations et à 15,6% par les dépenses publiques. La décomposition de la variance de l'erreur de prévision des dépenses publiques (cf. tableau 7.8) indique que moins de 0,1% de l'erreur de prévision de celles-ci est dû aux impulsions provenant des chocs d'offre. Nous pouvons conclure que les chocs de politique budgétaire en matière de consommation publique ont plus d'impact sur l'activité économique que l'impact d'un choc d'offre en a sur la politique budgétaire.
