Vous êtes sur la page 1sur 57

U.

Paris Ouest,
M1 - Cours de Modlisation Applique
Introduction lanalyse des cycles
conomiques
Laurent Ferrara
Fvrier 2013
U. Paris Ouest U. Paris Ouest L. Ferrara, L. Ferrara, 2012 2012--13 13
Plan de la prsentation
1. Concepts
2. Mesures de loutput gap 2. Mesures de l output gap
3 M d t li 3. Mesures du co-mouvement cyclique
4. Exemples de modles de description des cycles
U. Paris Ouest U. Paris Ouest L. Ferrara, L. Ferrara, 2012 2012--13 13
1. Concepts
1.1 Dfinition dune rcession
1.2 Approche cyclique
Cycle daffaires
Cycle de croissance
Cycle du taux de croissance
1 3 Dt ti t d t ti d i 1.3 Dtection et datation dune rcession
U. Paris Ouest U. Paris Ouest L. Ferrara, L. Ferrara, 2012 2012--13 13
1.1 Dfinition dune rcession
Dfinition NBER:
A recession is a significant decline in activity spread
h l h f h bl across the economy, lasting more than a few months, visible
in industrial production, employment, real income and
whole retail trade whole-retail trade.
E t d l l db t t l fi d i En termes de cycles, le dbut et la fin dune rcession
correspondent aux points de retournement du cycle classique
daffaires d affaires.
Cycle classique daffaires?
1.2 Approche cyclique descriptive ABCD
Le cycle classique (ou cycle daffaires ou business
l ) cycle )
Le cycle de croissance (ou growth cycle ou output
gap )
Le cycle du taux de croissance
L l d ff i Le cycle daffaires
( i h ll 1946) Dfinition (Burns et Mitchell, 1946) :
Business cycles are a type of fluctuation found in the aggregate
economic activity of nations : a cycle consists of expansions occuring y f y f p g
at about the same time in many economic activities, followed by similarly
general recessions.
Faits styliss:
co-mouvement co mouvement
non linarit
Mesur partir du PIB, indicateurs synthtiques, ... (pic en B et
creux en C)
L l d i Le cycle de croissance
Cest lcart la croissance tendancielle, de long terme
On le mesure par exemple laide de mthodes de filtrage de
type Hodrick-Prescott ou Baxter-King type Hodrick-Prescott ou Baxter-King.
Mesur partir du PIB, indicateurs, (pic en A et creux en D), voir
e.g. Mintz (1969, NBER WP)
Le cycle du taux de croissance
Cest l volution du taux de croissance
i d i di ( i l h Mesur partir du PIB, indicateurs (pic en alpha et creux en
beta), voir e.g. Darn et Ferrara (OBES, 2011)
www.coe.ccip.fr
www.coe.ccip.fr
The ABCD approach: US recession in 2001 pp
The ABCD approach: the euro area in 2000
1.3 Dtection et datation dune rcession
Diffrence dtection / datation
NBER : rgle des 3 D (Datation mensuelle)
Duration Duration
Depth
Diffusion
Rgles ad hoc (Dtection trimestrielle), par exemple : g ( ) p p
2 trimestres conscutifs de variations trimestrielles du PIB ngatives
Business Cycle turning points dating in the EA
Billio et al (2008) CEPR Billio et al. (2008), CEPR
The consensus chronology: gy
Recession in 1975
Peak between 1974Q1 and 1974Q3 Peak between 1974Q1 and 1974Q3
Trough in 1975Q1 or 1975Q3
Recession in 1980-1982 (double-dip)
Termination in 1982Q3 or 1982Q4
Recession in 1993
Peak in 1992Q1
T h b 1993Q1 d 1993Q3 Trough between 1993Q1 and 1993Q3
Industrial recession in 2001-2003
Business Cycle turning points dating in the EA
Billio et al (2008) CEPR Billio et al. (2008), CEPR
Recession in 2008
Peak in 2008Q1
Trough in 2009Q2
Recession in 2011
Peak in 2011Q2 Peak in 2011Q2
Trough in ????
A non parametric algorithm: (1) A non-parametric algorithm: (1)
Outliers disregarded in the seasonal adjustment step by Tramo-
Seats/X12-Arima
Exclude irregular movements for monthly data (Trend-Cycle)
Do not smooth quarterly GDP data (use SWDA)
Apply the Bry and Boschan (1971) rule to identify candidates turning
points:
Peak at t when relative maximum within the
interval [t-k, t+k]
K = 5 for monthly data y
K = 2 for quarterly data
T h t t h b f b t l ti i i Trough at t, same has before but relative minimum
A non-parametric algorithm: (2)
Disregard turning points within six months or two quarters
at the beginning or end of the series
Rules to ensure peaks and troughs alternation
in the presence of a double through, the lowest value is
chosen
in the presence of a double peak, the highest value is
chosen
Assessment of cyclical fluctuations Assessment of cyclical fluctuations
Duration criteria: Duration criteria:
a) Cycle phase:
business cycle min. 6 months
growth cycle min. 9 months
b) Complete cycle:
b siness c cle min 15 months business cycle min. 15 months
growth cycle min. 18 months
Deepness: Deepness:
Deepness = |X
P
X
T
| / X
P
(amplitude of the phase)
Severity of a recession:
Triangle approximation to the cumulative movements
S = 0.5 Deepness Duration
2. Output gap / Cycle de croissance
2.1 Tendance linaire
2.2 Filtre de Hodrick-Prescott
2.3 Filtres spectraux
2.4 Le problme des effets de bord p
Ref: Mintz, I. (1969), NBER WP
U. Paris Ouest U. Paris Ouest L. Ferrara, L. Ferrara, 2012 2012--13 13
Facteurs de la croissance de long terme
Hausse de la population active
Hausse du stock de capital
Hausse de la productivit
Analyse du cycle : facteurs de court et moyen termes
Comment saffranchir des effet de long terme dans la
mesure des cycles dcart la tendance? mesure des cycles d cart la tendance?
2.1 Dcomposition dune srie macro
Dcomposition tendance/cycle
o la tendance peut scrire sous la forme suivante : o la tendance peut s crire sous la forme suivante :
Et le cycle:
2.1 Dcomposition dune srie macro
Alternative: tendance dterministe
La tendance est estime par les MCO: La tendance est estime par les MCO:
t b a
t


+ =
Et le cycle (qui intgre le bruit):
2.1 Dcomposition dune srie macro
Alternative: tendance moyenne mobile MM(2m+1)

m
MM
1
) (

=
+
+
=
m k
k t t
x
m
x MM
1 2
1
) (
Cycle est obtenu par cart la tendance moyenne-mobile.
Pb1: Choix de m / Perte des m derniers points
Pb2: MM asymtrique = dphasage de MM(x
t
) vs (x
t
)
2.2 Filtre de Hodrick-Prescott (1980, 1997)
Tendance estime par minimisation de :

T T



= =

2
1 1
1
2
) ( ) ( min
T
t
T
t
t t t
c
t

Si =0 t t
x =
Si 0,
Si = trend linaire
t t
x
Si =, trend linaire
S d t i t i ll 1600 Sur donnes trimestrielles =1600.
2.2 Filtre de Hodrick-Prescott: PIB US
2.3 Filtre spectral
Dcomposition dune srie stationnaire (x(t)) dans le
domaine des frquences :

d x
t
) (
Chaque frquence correspond une priode 2/.
On peut alors filtrer certaines frquences qui correspondent p q q p
des priodes dintrt:
Filtres passe-bas
Filtres passe-haut
Filtres passe-bande
Dcomposition dans le domaine des frquences
2.3 Filtre spectral
Le filtre de Hodrick-Prescott correspond un filtre passe-
bas qui limine les frquences suprieures 0 donne
par:
Sur donnes trimestrielles =1600 revient ne garder que
les cycles suprieurs 10 ans.
Baxter et King (1994, NBER WP, 1999 ReStat) proposent
un filtre passe-bande entre 1,5 et 8 ans
Euro area GDP and its trend (dotted line) from Q1 1995 to Q4 Euro area GDP and its trend (dotted line) from Q1 1995 to Q4
2006
Euro area GDP growth cycle from Q1 1995 to Q4 2006 Euro area GDP growth cycle from Q1 1995 to Q4 2006
2.4 Effets de bord
Les filtres passe-bande sont quivalents des MM infinies,
il faut donc tronquer ces moyennes mobiles pour
rcuprer la priode dintrt.
Des projections sont donc ncessaires pour combler les
dernires valeurs: effets de bord!
Orphanides et van Norden (2002, 2005) mesurent limpact
en temps rel de ces effets de bord.
Estimation en temps rel de output gap euro
3. Co-mouvements
3.1 Corrlation croise
3.2 Indice de Diffusion
3.3 Indice de Diffusion-Synchronisation y
3.4 Indice de concordance
Ref:
U. Paris Ouest U. Paris Ouest L. Ferrara, L. Ferrara, 2012 2012--13 13
3.1 Corrlation croise
Soit X(t) et Y(t) 2 sries pour t=1,,T et pour tout k entier
relatif:
) ( ) ( Y X k =
Estimateur empirique:
) , ( ) (
k t t
Y X k

=
p q

+ =


T
k t
k t t
Y y X x
k
1
) )( (
) (


+ +
+ =

=
T
k t
t
T
k t
t
k t
Y y X x
k
1
2
1
2
1
) ( ) (
) (
Cfer: Exemple du cycle immobilier
+ = + = k t k t 1 1
Cfer: Exemple du cycle immobilier
3.2 Indice de diffusion
Soit S
i
(t), pour t=1,,T, N sries binaires tq :
S
i
(t) = 1 si phase basse du cycle la date t
i
( ) p y
S
i
(t) = 0 si phase haute du cycle la date t
Indice de diffusion:
o les
i
sont les poids des N pays, secteurs .
3.2 Indice de diffusion
Exemple: Diffusion des rcessions au sein des pays de
lOCDE
3 3 Indice de diffusion-synchronisation
Simultaneous measure of diffusion and synchronisation between
N l (B h d M 1984 H di d P 2002)
3.3 Indice de diffusion synchronisation
N cycles (Boehm and Moore 1984 Harding and Pagan 2002)
Indirect dating
Comp te a dating chronolog for each e ro area co ntr Compute a dating chronology for each euro area country
P
ij
j
P
i
t Min t d = ) (
Aggregate the information relative to the countries
N
and

=
=
N
i
P
i i
P
t d t d
1
) ( ) (
=
=
N
i
T
i i
T
t d t d
1
) ( ) (
Identify a set of t
P
j
and t
T
j
(local minima of d)
Diffusion and synchronisation assessment (2)
Diff i / h i ti DS Diffusion/synchronisation measure DS
j
100
) (
1
=
P P
j
t d
DS
DS
j
measure the certainty around the turning point
) (
j
t d
j
High value turning point well diffused and
h i d synchronised
Low value turning point neither diffused nor
synchronised
Intermediate value cycle either not enough diffused or Intermediate value cycle either not enough diffused or
not enough synchronised
Diffusion Synchronisation for GDP business cycle peaks Diffusion-Synchronisation for GDP business cycle peaks
based on the 6 main euro area countries from Q1 1978 to
Q4 2006
Diffusion-Synchronisation for GDP business cycle troughs
b d th 6 i t i f Q1 1978 t based on the 6 main euro area countries from Q1 1978 to
Q4 2006
3 4 Indice de concordance 3.4 Indice de concordance
h where :
Concordance index
h where :
Concordance index: Harding-Pagan test
h where :
Concordance index
Concordance index
4. Modles changements de rgimes
6
8
-2
0
2
4
100 110 120 130 140 150 160 170 180 190 200
-8
-6
-4
012
0.14
0.16
0.18
0.04
0.06
0.08
0.10
0.12
-7.5 -5.0 -2.5 0.0 2.5 5.0 7.5 10.0
0.00
0.02
L dl MS(2) AR(1) Le modle MS(2)-AR(1):
X X d S 1 X
t
= a
0,1
+ a
1,1
X
t-1
+
t
, quand S
t
=1,
X
t
= a
0,2
+ a
1,2
X
t-1
+
t
, quand S
t
=2,
et
P(S
t
= j | S
t-1
= i, S
t-2
= i, ) = P(S
t
= j | S
t-1
= i) = p
ij.
Estimation des paramtres par maximum de vraisemblance :

= = =
2
1 1 1
) , / ( ) , , / ( ) , / (
t t t t t t t
F i S P F i S x f F x f
=1 i
Estimation de la probabilit dappartenance au rgime bas
6
8
Estimation de la probabilit d appartenance au rgime bas
0
2
4
-8
-6
-4
-2
100 110 120 130 140 150 160 170 180 190 200
-8
1.00
0.50
0.75
110 120 130 140 150 160 170 180 190 200
0.00
0.25
Un indicateur composite de rcession US Un indicateur composite de rcession US
(Anas et Ferrara, 2004)
Recherche de sries avances
Ecarts de taux (10y-3m), Variations de stocks, ISM Ecarts de taux (10y 3m), Variations de stocks, ISM
Sries macroconomiques utilises par le NBER q p
Production industrielle, Emploi, Taux de chmage, Ventes au dtail,
Revenu disponible des mnages,
Recherche de nouvelles sries dintrt par minimisation
d it d lit d dt ti d i d un critre de qualit de dtection de rcession
Critre de slection :
QPS = 1/T ( R
t
P
t
)
2
o, pour t=1,,T,
(P
t
)
t
est la probabilit estime dtre en rcession issue du modle MS
li i bl appliqu une variable
(R
t
)
t
prend pour valeur 1 pendant les phases de rcession et pour valeur 0
pendant les phases dexpansion p p p
Rsultats sur la priode 1965 - 2000
X
1
: Taux de chmage des travailleurs civils (household survey)
X
2
: Production industrielle secteur manufacturier
X
3
: Indice des annonces doffres demploi du Conference Board
X
4
: Dpenses de construction du secteur priv rsidentiel et non rsidentiel
3.2 Application du modle MS
Hypothses sur le modle:
H1 : on fixe le nombre de rgimes : K=2,
H2 : on fixe lordre autorgressif : p=0, g p
H3 : les probabilits de transition sont constantes au cours du
temps,
H4 l d it d di t ib ti diti ll t l l i N l H4 : la densit de distribution conditionnelle est la loi Normale
avec une variance identique pour chacun des deux rgimes,
H5 : le degr de lissage optimal retenu est L=3, g g p
H6 : la priode dapprentissage dbute en janvier 1965.
Le modle, pour k=1,,4 :
log(X
k
t
) - log(X
k
t-3
) = a
1
1
(St=1)
+ a
2
1
(St=2)
+
t
En output, on rcupre, pour k=1,,4, la probabilit filtre
dappartenance au rgime i, sachant linformation jusquau
temps t-1 :
P (S
k
t
= i / F
t-1
, )
Exemple du taux de chmage aux Etats-Unis
Recessions NBER
1.00
10
11
0.50
0.75
6
7
8
9
1965 1968 1971 1974 1977 1980 1983 1986 1989 1992 1995 1998 2001
0.00
0.25
1965 1968 1971 1974 1977 1980 1983 1986 1989 1992 1995 1998 2001
3
4
5
6
Chomage
075
1.00
1965 1968 1971 1974 1977 1980 1983 1986 1989 1992 1995 1998 2001
-0.0
0.1
0.2
0.50
0.75
-0.3
-0.2
-0.1
0 0
1965 1968 1971 1974 1977 1980 1983 1986 1989 1992 1995 1998 2001
0.00
0.25
1965 1968 1971 1974 1977 1980 1983 1986 1989 1992 1995 1998 2001
-0.5
-0.4
3.3 Agrgation des probabilits
Pour k=1,,4, (S
k
t
)
t
t.q.: ou k ,,4, (S
t
)
t
.q.:
S
k
t
= 1 si la srie X
k
t
est dans un rgime bas (rcession)
S
k
t
= 0 sinon.
Par dcomposition bayesienne, pour k=1,,4, :
P
k
(R
t
= 1) = P(R
t
= 1 / S
k
t
= 1) P(S
k
t
= 1) + P(R
t
= 1 / S
k
t
= 0) P(S
k
t
= 0)
D o : P(R
t
= 1) = (1 /
k
)
k
P(S
k
t
= 1)
,
(1 b d f i i l i bl X
k
) o :
k
= (1 nombre de faux signaux mis par la variable X
k
).
3.4 Rsultats
Analyse sur le pass
Etude sur la priode 1965 - 2000
Etude dynamique sur la priode 1980 2000
Analyse sur le pass
Etude sur la priode 1965 - 2000
Rgle de dcision au seuil naturel de 0.5
Pas de rcession manque, pas de faux signal de dbut de rcession,
1 faux signal de fin (1974), entre 0 et 2 mois de retard.
pic creux pic creux pic creux pic creux pic creux pic creux
dc-69 nov-70 1 4 0 1 0 3 -1 -4 0 2
73 75 3 4 1 2 8 2 2 2 2 2
Rcessions NBER Indicateur Chmage IPI Annonces Logement
nov-73 mars-75 3 4 1 2 8 2 -2 2 2 2
janv-80 juil-80 2 2 3 1 -1 0 1 1 2 1
juil-81 nov-82 4 3 2 1 2 0 2 -9 2 1
juil-90 mars-91 2 4 4 1 -4 2 -2 4 1 2 juil-90 mars-91 2 4 4 1 -4 2 -2 4 1 2
2,4 3,4 2 1,2 1 1,4 -0,4 -1,2 1,4 1,6
0 0 0 3 1 0 1 1 0 1
Moyenne
Nombre de faux signaux
Etude dynamique Etude dynamique
Recessions NBER
1.00
0.50
0.75
1965 1968 1971 1974 1977 1980 1983 1986 1989 1992 1995 1998
0.00
0.25
Indicateur COE
1.00
0.50
0.75
1965 1968 1971 1974 1977 1980 1983 1986 1989 1992 1995 1998
0.00
0.25

Vous aimerez peut-être aussi