Patrick Fève

Voies de la modélisation macro-économétrique?

In: Revue française d'économie. Volume 20 N°1, 2005. pp. 147-179.

Abstract
Ways of Macroeconometrics Modelling The aim of this paper is to present various routes of macro-econometric modelling and to
discuss their advantages and limits. We first review the main properties of macro-econometric models and discuss the main
reasons which led to their gradual neglecting, at least in the academic world. We then present the VAR methodology and we
show that this approach can suffer from important limits. Next, we present the DSGE approach and discuss some econometric
problems. Finally, we study the links between descriptive and structural approaches in macro- modelling.

Résumé
Patrick Fève Voies de la modélisation macro-économétrique. L'objet de cet article est de présenter les différentes voies de la
modélisation macro-économétrique et de discuter des apports et des limites de ces approches. Nous présentons dans un
premier temps la modélisation issue de la macro-économie de la synthèse et discutons des raisons de son abandon progressif,
du moins à un niveau académique. Nous exposons ensuite les apports de la méthodologie VAR et nous montrons à l'aide d'un
exemple numérique certaines limites de cette approche. Puis, nous présentons l'approche structurelle des modèles d'équilibre
général intertemporels stochastiques et certains problèmes posés par cette modélisation. Finalement, nous esquissons certaines
pistes de rapprochement entre ces différentes voies de la modélisation macro-économétrique.

Citer ce document / Cite this document :

Fève Patrick. Voies de la modélisation macro-économétrique?. In: Revue française d'économie. Volume 20 N°1, 2005. pp. 147-
179.

doi : 10.3406/rfeco.2005.1567

http://www.persee.fr/web/revues/home/prescript/article/rfeco_0769-0479_2005_num_20_1_1567
Patrick

FÈVE

Voies de la modélisation

macro-économétrique ?

a conduite de la politique économi

que a toujours eu recours aux conseils et avis chiffrés d'ex
perts. Ainsi les grandes administrations et institutions dis
posent-elles de modèles macro-économétriques permettant de
quantifier les différentes options possibles de la politique
économique. Jusqu'au début des années 1970, la modélisa-

Revuc française d'économie, n" 1/vol XX

148 Patrick Fève

tion macro-économétrique n'a donné lieu qu'à peu de contro

verses (voir Pesaran [1988], Fève et Grégoir [2002]). L'éco-
nométrie était au service de la théorie (essentiellement macro
économique), son rôle se limitant surtout à la quantification
des multiplicateurs de court et de long termes. Ce partage des
rôles s'est maintenu pour deux raisons. D'une part, la théor
ie conservait une certaine autonomie vis-à-vis de la mesure,
puisqu'elle s'intéressait essentiellement à la dérivation de
modèles formels. D'autre part, il existait un consensus assez
large dans la profession quant au modèle théorique de réfé
rence : le modèle offre globale/demande globale. Ainsi, pour
simplifier, la structure de ces modèles peut être vue comme
version dynamique du modèle IS-LM en économie ouverte
augmentée d'une courbe de Phillips. Le rôle de la théorie
macro-économique était d'identifier les variables clés dans les
relations économétriques, tandis que le rôle de l'économétrie
était de fournir des estimations de ces relations souvent pos
tulées a priori. Si un problème apparaissait lors de l'estima
tion de ces équations, l'économètre pratiquait quelques modif
ications « pragmatiques » à la marge : retards, variables
explicatives supplémentaires... Ainsi, la structure dynamique
de ces modèles était-elle souvent assez ad hoc. En effet, qu'il
s'agisse des différents délais d'ajustement des facteurs de pro
duction ou de la dynamique des prix (courbe de Phillips), les
spécifications retenues ne résultaient pas d'un problème de
décision venant imposer des restrictions assurant une cohé
rence entre dynamique et équilibre temporaire à chaque
période. De même, le traitement des anticipations restait
assez frustre, ce qui est surprenant pour des modèles se récl
amant d'une filiation keynésienne. La théorie déterminait
ainsi la structure générale du modèle en postulant les variables
endogènes et exogènes, sans que l'économétrie vienne mettre
en cause la pertinence des schémas théoriques (par exemple,
le choix des variables explicatives, la distinction entre endo
gènes et exogènes, le schéma théorique de référence). Il faut
ici noter que ce partage des rôles fut dans bien des cas extr
êmement fructueux. L'économétrie s'est principalement déve-

Revue française d'économie, n° 1/vol XX

 Patrick Fève 149

loppée à cette époque autour des méthodes d'estimation et

d'identification. Ainsi, de nombreux estimateurs couram
mentemployés aujourd'hui ont été introduits à cette époque.
De même, les problèmes d'identification des paramètres
structurels à partir des formes réduites ont donné lieu à des
résultats essentiels.
La modélisation macro-économétrique ne présente pas
aujourd'hui la grande homogénéité du début des années 1970.
Suite aux critiques de Sims [1980] et de Lucas [1976], deux
autres voies de modélisation se sont progressivement développées :
les modèles vectoriels auto-régressifs (VAR) et les modèles d'équi
libregénéral intertemporels stochastiques (MEGIS)1. Ces deux
approches ont progressivement développé et proposé des outils
quantitatifs originaux permettant de renouveler l'analyse de la poli
tique économique. D'un côté, l'approche VARpermet de modé-
liser différentes variables agrégées à l'aide d'un faible nombre de
restrictions, la sélection du modèle ne s'effectuant que sur la
base de critères statistiques. D'un autre côté, les MEGIS offrent
une modélisation parcimonieuse et rigoureuse de la dynamique
économique et des anticipations. Face à ces deux nouvelles voies
de modélisation macro-économétrique, les modèles de la synthèse
ne perdent pas tous leurs atouts puisqu'ils autorisent un évent
ailtrès large d'exercices quantitatifs : estimations et tests éco
nométriques formels, simulations stochastiques, prévisions,
variantes de politique économique...
Cet article est organisé comme suit. Dans une première
section, nous présentons brièvement la modélisation économét
rique
issue de la macro-économie de la synthèse et nous discu
tonscertaines limites importantes de cette approche. Dans la
deuxième section, nous exposons la modélisation VAR et nous
étudions certains problèmes liés à l'identification des chocs. La
troisième section est consacrée aux apports et limites des MEGIS.
Une dernière section conclut en s 'interrogeant sur les voies de
rapprochement de ces différentes approches.

Revue française d'économie, n° 1/vol XX

150 Patrick Fève

La modélisation économétrique

issue de la macro-économie

de la synthèse

Les modèles économétriques issus de la macro-économie de la

synthèse ont très longtemps représenté le seul outil quantitatif
de prévision et d'analyse de la politique économique. Durant les
années 1970 et 1980, ces modèles ont été profondément remis
en cause, du moins à un niveau académique.

Présentation

Les modèles macro-économétriques sont des outils d'analyse pri

vilégiés et indispensables de la politique économique. Ils per
mettent de quantifier des multiplicateurs dynamiques de court
et moyen termes et d'évaluer ainsi les effets dans le temps de dif
férents types de politiques économiques (expansion budgétaire,
réglages conjoncturels, réformes fiscales, transferts...). Leurs fon
dements théoriques reposent sur le modèle offre globale/demande
globale en présence de rigidités nominales. Ainsi, ces modèles
quantitatifs possèdent des propriétés keynésiennes à court terme
(une hausse de la demande globale a un effet positif sur l'acti
vitéréelle) et classiques à moyen terme (ajustement à la hausse
des prix). Les modèles macro-économétriques sont en général de
grande taille, surtout si on les compare au modèle théorique de
référence. Par exemple, certains modèles français présentaient
au total plus de cent équations : Metric (DP), DMS et Propage
(Insee), Hermes (CCP-ECP), Mefisto (Banque de France),
Mimosa (OFCE)2. Ceci est moins vrai maintenant car les modèles
ont vu leur taille se réduire fortement : Mésange (Insee-DP), Amad
eus (Insee), Mascotte (Banque de France), e-mod.fr (OFCE)...
Ces modèles comprennent quatre types d'équations : des
équations de comportement (consommation, demande de fac-

Revue française d'économie, n° 1/vol XX

 Patrick Fève 151

teurs, importations, exportations...) ; des équations techniques

(coefficients techniques liés aux consommations intermédiaires) ;
des équations d'identités comptables (équilibre emplois/ress
ources, comptes d'agents) ; des équations de bouclage (courbe
de Phillips). Il faut noter à ce stade que les équations de com
portement représentent une faible part des équations du modèle.
Ces modèles sont ainsi représentés par un système d'équations
(souvent spécifiées et estimées indépendamment) à partir des
quelles on peut déterminer une solution, c'est-à-dire une expres
sion des variables endogènes en fonction des variables exogènes
et des variables pré-déterminées. A partir de la solution, le modèle
macro-économétrique peut donner lieu à différentes utilisations :
prévisions (après chiffrage des exogènes) ; variantes de politiques
économiques (dépenses publiques, taxes, transferts), politiques
économiques optimales (voir l'opération Optimix en France).

Limites de la modélisation macro-économétrique

issue de la synthèse

Les raisons de son abandon progressif

Ces modèles ont été progressivement abandonnés depuis le début

des années 1980, du moins à un niveau académique3. Etant
donné leur grande utilité, on peut s'interroger sur les causes de
ce rejet. Il est possible d'y trouver trois raisons principales : un
coût de maintenance élevé, un certain échec quantitatif et un dis
crédit académique. Tout d'abord, le coût de maintenance élevé4
est lié au fait que ces modèles sont en général de grande taille.
Ils comprennent un grand nombre d'équations, des banques de
données importantes et doivent être remis à jour régulièrement.
Par exemple, à chaque changement de base de la comptabilité
nationale, la banque de données change, les équations de com
portement doivent être toutes ré-estimées et le modèle résolu et
validé à nouveau. Ceci suppose alors des ressources matérielles
et humaines importantes et donc un coût financier conséquent
afin de pouvoir mener à bien différents exercices quantitatifs. Il

Revue française d'économie, n° 1/vol XX

152 Patrick Fève

faut noter que la difficulté de maintenance de tels modèles peut

induire une forte inertie et une faible réactivité face à un chan
gement brutal de l'environnement. Ensuite, ces modèles ont
subi certains échecs quantitatifs. On a ainsi souvent cité leur
incapacité à prévoir correctement certains retournements conjonct
urels (par exemple, les chocs pétroliers). Il faut cependant men
tionner que ces modèles ont en général de « relativement »
bonnes qualités prédictives et que les erreurs de prévision sont
souvent le résultat d'un chiffrage hors modèle (c'est-à-dire le
chiffrage des exogènes) erroné. Enfin, une cause importante de
cet abandon est un important discrédit académique. Ces modèles
ont subi à partir du milieu des années 1970 une double cr
itique : la critique de Sims et la critique de Lucas. Suivant la cr
itique de Sims, ces modèles imposent des contraintes sur les
variables et des a priori économiques non justifiés du point de
vue statistique. Suivant la critique de Lucas, les modèles macro
économétriques ne sont pas invariants à la forme de la politique
économique envisagée. L'impact de cette double critique - éc
onomique et statistique — a été suffisamment important pour
conduire à un abandon progressif de ces modèles, du moins au
niveau académique.

Les raisons de leur maintien

Malgré le feu croisé des critiques, force est de constater que ces
modèles n'ont pas été totalement abandonnés. Plusieurs raisons
peuvent être invoquées. Tout d'abord, la portée empirique de cer
taines critiques (voir la discussion sur la portée de la critique de
Lucas) est loin d'être établie et sans une alternative convainc
ante, du moins au niveau empirique, la modélisation existante
garde de sérieux atouts (voir Malgrange, [1992]). Ensuite, ces
modèles ont su intégrer assez rapidement certains éléments
importants de l'économétrie des séries temporelles (non-sta-
tionnarité, co-intégration) de sorte que leurs propriétés dyna
miques se sont enrichies. Enfin ces modèles ont incorporé pro
gressivement de nombreux enseignements de la théorie
économique (anticipations, fondements micro-économiques)5, de

Revue française d'économie, n° 1/vol XX

 Patrick Fève 153

sorte que certaines critiques académiques n'ont plus nécessair

ement lieu d'être.
Cela dit, ces modèles imposent d'une part une certaine
structure sur les données qui n'est pas formellement testée (cri
tique de Sims) et, d'autre part, les nouvelles spécifications ne repré
sentent que des aménagements à la marge sur certaines équations
prises isolément sans que la structure générale du modèle soit enti
èrement reconsidérée (critique de Lucas [1976] et surtout de Kyd-
land et Prescott, [1989] et [1996]).

La modélisation VAR

L'approche VAR propose une modélisation économétrique qui

impose très peu de restrictions a priori. En outre, ces modèles
peuvent être utilisés pour des exercices de prévision et d'analyse
des multiplicateurs de politique économique.

Présentation

Suivant Sims [1980], les modèles économétriques issus de la

macro-économie de la synthèse imposent des a priori écono
miques sans aucune justification statistique. Ainsi, l'exogénéité
de certaines variables (par exemple, celles liées à la politique éco
nomique) est-elle postulée, mais elle n'est pas testée. En effet, rien
ne permet de dire que ces variables sont purement exogènes,
dans la mesure où il peut exister différentes fonctions de réac
tions des autorités économiques à l'environnement économique
(règle monétaire de type Taylor ou bien encore règle fiscale).
Sims propose alors d'utiliser un modèle statistique non contraint
et dynamique, i.e. le modèle vectoriel auto-régressif (VAR) afin
de construire un modèle économétrique imposant un ensemble
minimal de restrictions.

Revue française d'économie, n° 1/vol XX

154 Patrick Fève

Supposons que l'économiste est intéressé par le com

portement de n variables macro-économiques (PIB, consomm
ation, investissement, salaires nominaux, inflation, taux d'in
térêt...)- A la date ř, l'ensemble de ces n variables est représenté
par le vecteur Yt = {ylt, y2t, ..., ynt). Ces différentes variables
sont supposées suivre la représentation stationnaire suivante6 :

Yt = i=l
ÎAiYt.i +A0+ Ut

où Ai (i = 1, ..., p) est une suite àt n X n matrices, Ao un vec

teur de n X 1 termes constants et Ut = (ult, u2>t, ..., unt) un vec
teur de termes résiduels associés de matrice de variance-covariance
V(Ut) = £ de taille n X n. Ces résidus vérifient de plus
E(Ut/YJ =0, Vi>0.
Plusieurs remarques peuvent déjà être faites. Le modèle
VAR est :
- linéaire dans les variables ;
- dynamique : les valeurs passées des variables influencent dire
ctement et indirectement leurs valeurs courantes ;
- non contraint : il n'existe aucune contrainte a priori d'exclu
sion d'une variable dans les différentes équations du système.
De même, il n'existe pas de contrainte inter-équations por
tant sur les paramètres du modèle, que ce soit sur les matrices
Ai (i = 1, ..., p), АО ou sur X
En fait, les deux seules contraintes a priori du modèle VAR
sont les variables retenues (lesquelles et leur nombre n) et le
nombre de retards/. Le choix des variables n'est pas problémat
ique car il répond à la question économique posée. Celui du
nombre de retards ne l'est pas non plus car celui-ci peut un
iquement s'effectuer sur la base de critères statistiques, par exemple
le critère d'Akaike (AIC) ou celui de Schwarz (BIC), ou avec un
test de rapport de vraisemblance.
Le système d'équation du modèle VARprésente une pro
priété intéressante : en l'absence de restriction inter-équations (sur
Д (/ = 0, ..., p) et sur Jl), l'estimation par les moindres carrés
ordinaires équation par équation est équivalente à l'estimation
par le maximum de vraisemblance sur l'ensemble du système.

Revue française d'économie, n° 1/vol XX

 Patrick Fève 155

Cette propriété implique que l'estimation d'un modèle VAR,

même lorsqu'il existe un grand nombre de variables n et/ou de
retards p, peut être menée en appliquant les moindres carrés
ordinaires sur chaque équation. Ce résultat est certainement à la
base du succès rencontré par cette approche. De même, l'infé-
rence statistique est similaire à celle de la régression linéaire : tests
de restrictions sur les paramètres, tests sur les résidus (bruits
blancs), tests de causalité (au sens de Granger)... Ces derniers
tests ont connu un succès important dans la mesure où il est pos
sible de tester simplement certaines prédictions issues de la théor
ie.Ainsi, les premiers travaux de Sims [1972] et [1980] suggè
rent que la monnaie « cause » au sens de Granger le produit, tandis
que le produit « ne cause pas » la monnaie. Ce type de résultat
a servi de base à l'élaboration de modèles dynamiques avec rigi
dités nominales aptes à reproduire ce fait.
Une fois sélectionné le bon nombre de retards p et est
imés les paramètres du modèle, le modèle VARpeut donner lieu
à différentes utilisations.
D'une part, on peut facilement réaliser des exercices de
prévision des endogènes en exploitant la formulation recursive
du modèle VAR. Pour illustrer cet exercice, nous considérons un
modèle VAR avec un seul retard (p = 1). L'estimation de Ao et
Aj est faite sur un échantillon de taille T. Les prévisions des
endogènes Yt, notée Yt, pour les dates suivantes (t = T+l, T+2,
..., T+k) sont données par :
л л
YT+1 =AjYT +A0
~ л ^ л
Yt+2 =A]YT+1 +A0
Л m A Л Л
=AjYT + (A АА

II n'est pas nécessaire ici de formuler des hypothèses sur

les valeurs des exogènes puisque toutes les variables présentes
dans Yt sont calculées récursivement. Il faut cependant noter

Revue française d'économie, n° 1/vol XX

156 Patrick Fève

que l'horizon retenu pour la prévision ne doit pas être trop grand
car le modèle VAR fournira des prévisions peu « informatives »
à long terme :

k—>°°
lim ÝT+k = k—*°°
limAj YT + k—^°°
lim \Y,
\i=0 A\ +Á\ÁÍ
I

л л
= (/„ -A,)-'A0

En effet, elles correspondront aux valeurs moyennes7 (sur

l'échantillon ayant servi à l'estimation) des différentes variables
(ур У2> •••> yX En général, les performances en termes de prévi
sion sont bonnes puisque le modèle n'introduit pas ou que très
peu de restrictions.
Ce type de modèle permet d'autre part de quantifier des
effets multiplicateurs instantanés et dynamiques : effets des « sur
prises » de politique monétaire sur l'activité réelle (Sims [1992],
Leeper, Sims et Zha [1996], Christiano, Eichenbaum et Evans
[1999]) ; effets de chocs technologiques sur l'activité réelle (Blan
chard et Quah [1989], Gali [1999], Francis et Ramey [2003],
Christiano, Eichenbaum et Vigfusson [2004]) ; effets de « sur
prises » de politiques fiscales et budgétaires (Blanchard et
Perotti [2002], Perotti [2002], Favero [2002], Burnside, Eichen
baumet Fisher [2001], Biau et Girard [2004]). Le calcul des mult
iplicateurs dynamiques (les fonctions de réponse à un choc,
dans la terminologie VAR) nécessite certaines restrictions mini
males, souvent issues des enseignements de la théorie écono
mique. Dans ce cas, on parlera de VAR structurel (VARS). Sur
la base de certaines restrictions (à court terme, Sims [1980] ; à
long terme Blanchard et Quah [1989]) souvent issues de la théor
ieéconomique, les réponses de l'économie à différents chocs peu
vent être évaluées sans trop de difficultés.

Revue française d'économie, n° 1/vol XX

 Patrick Fève 157

Limites de l'approche VAR

Malgré son apparente simplicité et son succès, l'approche VAR

doit faire face à certains problèmes. Tout d'abord, le modèle
VARest une forme réduite qui est soumise à la critique de Lucas.
Nous étudierons ce point plus loin. Ensuite, les tests de causal
ité doivent être interprétés avec la plus grande précaution, car
ils ne représentent en rien un test de causalité économique mais
uniquement un test de prédicatibilité. De plus, afin d'effectuer
un exercice de quantification des effets multiplicateurs, il est
nécessaire d'adopter un schéma d'identification minimal. Le
choix de représentation du système VAR lié au schéma d'ident
ification retenu peut alors significativement affecter les résultats.
De même, les estimations des réponses aux chocs sont très sen
sibles aux choix de spécification (nombre de retards, variables en
niveau ou en différence) et sont souvent très peu précises : les
intervalles de confiance des réponses sont très larges de sorte
que l'exercice quantitatif possède un contenu informatif relat
ivement pauvre. Enfin, dans de nombreux cas, les réponses est
imées à l'aide d'un VAR sont fortement biaisées (voir Cooley et
Dwyer, [1998]). Nous illustrons ces limites en étudiant l'est
imation de la réponse des heures travaillées à un choc technolo
gique.

Le modèle VAR

Suite à l'article de Gali [1999], le débat sur l'origine des fluc

tuations (notamment le rôle des chocs technologiques) a connu
un regain d'intérêt important. Gali [1999], en utilisant un modèle
VARet en imposant des restrictions identifiantes de long terme,
montre que les chocs technologiques ainsi identifiés, d'une part
conduisent à une baisse des heures et, d'autre part, expliquent
une faible part des fluctuations, contredisant ainsi Prescott
[1986]. Le modèle VAR est le suivant :

/ A* \ p / Axt-i \
\ht ou Ah Л = ŽA; \ЬЫ ou Ah A + Ut

Revue française d'économie, n° 1/vol XX

158 Patrick Fève

où xt représente la productivité du travail et ht les heures travaillées

(emploi durée du travail / population en âge de travailler). Il faut
noter que les heures sont spécifiées à la fois en niveau et en dif
férence. En effet, il existe actuellement un débat sur la bonne façon
d'introduire les heures dans le modèle VAR (voir Gali [2004a],
[2004b], Gali et Rabanal [2004], Christiano, Eichenbaum et
Vigfusson [2004]). Le modèle VAR admet la représentation
moyenne mobile infinie :

[htouAh\ = B(L)Ut

avec B{L) = (In — JJ=/ Aff)'1. Le problème est que les résidus Ut
dits canoniques ne sont pas (en général) orthogonaux et il est alors
difficile (voire impossible) de les interpréter comme des chocs
structurels. Pour ce faire, on pose le modèle VAR structurel

Yt = B{L)Set
= C(L)et

où S est une matrice de passage n x n non singulière liant les rés

idus « canoniques » aux chocs structurels (Ut = Se). Les chocs struc
turels sont maintenant et et ils peuvent recevoir une interpréta
tion économique si certaines restrictions leurs sont ajoutées.
Premièrement, ils sont supposés orthogonaux. Ensuite, leur
variance est normalisée à l'unité. Ceci conduit à un premier type
de contrainte : V(e) = In. Pour identifier les chocs structurels à
partir du modèle VAR, il est nécessaire d'imposer des contraintes
supplémentaires sur C{L) étant données B(L), X et la première
contrainte. Suivant Gali, nous imposons la restriction de long
terme (voir Blanchard et Quah, [1989]) suivante : seuls les chocs
technologiques peuvent avoir une influence à long terme sur la
productivité du travail. La forme structurelle associée au modèle
VAR est donnée par :

/ Ax, \ICn(L) Cl2(L)\e

\h,ouAh)-\C21(L) C22(L)j '

Revue française d'économie, n" 1/vol XX

 Patrick Fève 159

avec la restriction identifiante C12 (1) = 0, c'est-à-dire que le

second choc dans le système n'a aucune influence sur la pro
ductivité du travail à long terme. A partir de ce schéma d'ident
ification, la réponse des heures au choc technologique est don
née par les coefficients associés à C21 (L) :

c21{L) = 4°; + c&l + c?>L2 + ...

La réponse des heures8 à l'horizon k est alors donnée par c(2j.

Ayant introduit le modèle VAR servant à identifier les
chocs technologiques, nous présentons maintenant notre éva
luation de ce type de modèle à l'aide d'une expérience contrôl
ée (voir Chari, Kehoe et Me Grattan [2004], Me Grattan [2004],
Erceg, Guerrieri et Gust [2004], Dupaigne, Fève et Matheron
[2004] et Fève et Guay [2004]). Nous conduisons cette expérience
à partir d'un modèle RBC. Ce modèle est considéré comme le
processus générateur des données. A partir des simulations du
modèle, nous estimons le modèle VARsur ces données artificielles
et calculons les réponses de l'emploi à un choc technologique en
adoptant le schéma d'identification de Gali [1999] que nous
venons d'exposer.

Le modèle structurel

Le modèle structurel retenu est un modèle RBC très simple (voir

Hansen, [1997]), qui n'introduit aucune imperfection de marc
hé, si bien qu'équilibre et optimum coïncident. Les ménages cher
chent à maximiser la fonction objectif suivante :
oo
E, 7=0
IP' (logiC, J - Хы hj

Et désigne l'espérance conditionnelle à l'ensemble d'i

nformation à la date t. Le paramètre /3e (0,1) est le facteur d'e
scompte psychologique. La variable Ct désigne la consommation
et ht les heures offertes. La variable %t représente un choc sur l'offre
de travail. Comme Га noté Gali [2004b], ce choc est une source
importante des fluctuations, puisqu'il représente des mouve-

Revue française d'économie, n° 1/vol XX

160 Patrick Fève

ments dans le taux marginal de substitution entre consommat

ion et travail. Nous supposons que %t suit un processus sta-
tionnaire :

l°g(X) = Px xV г

avec \px\ < 1 et Ox > 0. La technologie est représentée par la fonc

tion de production de type Cobb-Douglas à rendements
constants :

avec a € (0, 1). La variable Yt est le produit et Kt le stock de capit

al.La variable Zt est le niveau de la technologie. Cette variable
(en log) suit une marche aléatoire :

AlogiZ) = % + aze
zez> t

avec Jz le taux de croissance moyen de la technologie et <JZ > 0

l'écart type du choc. L'évolution du stock de capital est donné
par :

où Ô € (0,1) est le taux de dépréciation. Le produit final peut

être à la fois consommé et investi :

Le modèle est résolu à l'aide d'une approximation log-

linéaire des équations d'optimalité et d'équilibre stationarisées9.
Dans ce modèle structurel, seul le choc technologique a un effet
à long terme sur la productivité, le produit, la consommation ou
encore l'investissement. Le choc de préférence n'a en revanche
qu'un effet transitoire (mais très persistant lorsque px est proche
de l'unité) sur ces variables. Le modèle structurel est calibré en
reprenant des valeurs habituellement utilisées dans la littéra-

Revue française d'économie, n° 1/vol XX

 Patrick Fève 161

Figure 1
Réponses des heures (modèle RBC)

0.26 -

ture10
10 : P = 0.99, a = 0.4, ô = 0.025, oz = 0.01, p = 0.98 et
Ox = 0.01. Nous pouvons alors calculer la réponse des heures à
un choc technologique. Celle-ci est reportée dans la figure n° 1 .
Dans ce modèle, les heures augmentent suite au choc technolo
gique et reviennent progressivement de façon persistante vers
leur valeur de long terme.

Les résultats des simulations

Nous cherchons maintenant à évaluer si la méthodologie VAR

est apte à reproduire le profil de réponse des heures de la figure
n° 1. Nous simulons le modèle 1000 fois pour un échantillon
de 200 observations après avoir éliminé 500 observations initiales.
Pour chaque simulation, le modèle VAR est estimé en retenant
quatre retards, puis le schéma d'identification de Blanchard et
Quah est imposé et finalement les réponses des heures sont cal
culées. Nous obtenons ainsi 1000 fonctions de réponses des
heures à partir desquelles nous pouvons déterminer la réponse
moyenne ainsi que l'intervalle de confiance. Cet exercice quan-

Revue française d'économie, n° 1/vol XX

162 Patrick Fève

titatif est mené avec les deux spécifications des heures dans le
modèle VAR : heures en différence et heures en niveau. Les
résultats des simulations sont reportés dans la figure n° 2. Le trait
fin représente la réponse dans le modèle RBC. Le trait épais est
celui obtenu par le modèle VAR et la zone grise correspond à l'i
ntervalle de confiance. Le modèle VAR avec les heures en diffé
rence conduit à identifier une réponse négative et significative-
ment différente de zéro des heures à un choc technologique. Ce
résultat est en complet désaccord avec le modèle RBC engendrant
les données. En d'autres termes, la réponse négative obtenue par
Gali [1999] est tout à fait compatible avec un modèle structur
el
où les heures augmentent suite au choc technologique. Gali
[1999] et Gali et Rabanal [2004] obtiennent effectivement ce type
de réponse négative des heures à partir des données observées et
concluent que ces résultats suggèrent d'abandonner le modèle
RBC de base avec prix flexibles en faveur de modèles avec rigi
dités nominales aptes à reproduire ce fait. On voit ici que cette
conclusion est erronée. La réponse biaisée et négative des heures
provient en partie d'une distorsion créée par la sur-différencia
tion
de cette variable dans le modèle VAR et par l'incapacité de
la restriction de long terme à distinguer les chocs ayant un effet
permanent de ceux ayant un effet très persistant. Dans le cas du
modèle VARavec les heures en niveau, la réponse des heures est
positive. En revanche, elle sur-estime fortement la vraie réponse.
Plus problématique est le très large intervalle de confiance de la
réponse des heures. Celles-ci sont non significativement différentes
de zéro. Il apparaît ici impossible de discriminer entre deux théor
ies(ou deux paradigmes) en utilisant le modèle VARen niveau.
Cette expérience montre ainsi qu'il peut être très hasardeux de
construire un programme de recherche à partir de la modélisa
tion
VAR.

Revue française d'économie, n" 1/vol XX

 Patrick Fève 163

Les modèles ď équilibre général

intertemporels stochastiques

La modélisation macro-économique quantitative a évolué plus

récemment vers les modèles d'équilibre général intertemporels sto
chastiques. Après avoir rappelé les éléments élémentaires de la cr
itique de Lucas et leurs méthodes d'évaluation quantitative, nous
présentons quatre limites importantes de cette approche.

Présentation

Un point de départ important de cette approche réside dans la

critique de Lucas [1976]. Selon Lucas, les principales équations
de comportement des modèles macro-économétriques ne sont en
fait que des formes réduites dont les paramètres ne sont pas
invariants à la forme de la politique économique. Tant que ces
modèles sont utilisés pour effectuer des exercices de prévision,
leur utilisation n'est pas forcément remise en cause. En revanche,
ils ne peuvent en aucun cas être utilisés pour analyser des mult
iplicateurs liés à la politique économique. Ainsi, pour Lucas et
Sargent [1979], une telle analyse ne peut s'effectuer qu'en aban
donnant ce cadre11 au profit d'une modélisation structurelle
cohérente et de la détermination explicite des formes réduites comp
atibles avec un ensemble de restrictions associées aux conditions
d'équilibre et aux schémas d'anticipation.
Une illustration simple de la critique de Lucas est basée
sur l'analyse des multiplicateurs. On considère ici un modèle
linéaire avec anticipations rationnelles. Ce modèle est couram
ment retenu en macro-économie afin d'étudier les solutions des
modèles linéaires avec anticipations rationnelles. La variable
endogène yt est une fonction linéaire de sa valeur anticipée à la
date future et de la variable exogène xt :

Уг = aEtyt+1 + bxt

Revue française d'économie, n° 1/vol XX

164 Patrick Fève

Figure 2
Réponses des heures

Heures en différence

-ел

-0,8

Heures en niveau

Revue française d'économie, n° 1/vol XX

 Patrick Fève 165

avec \a\ < 1 et b Ф 0. Et désigne l'opérateur d'espérance condi

tionnelle à l'ensemble d'information à la date t. La variable de
politique économique xt est supposée exogène, si bien que la
restriction \a\ < 1 implique que ce modèle avec anticipations
rationnelles est déterminé. La variable exogène xt suit une règle
exogène de la forme :

xt = pxt_j + O£t avec £t iid(0,l)

avec |p| < 1 et G > 0. Nous retenons ici un processus autorégressif

d'ordre 1 (AR(1)) à des fins de simplicité. La solution dite
« avant » est donnée par :
T
y, = lim Et X aï xt.: + lim Et aT yt.T

En éliminant le dernier terme, on obtient la solution

fondamentale :
oo
yt = Et X à хы

Finalement, en utilisant la règle, on peut déterminer la

forme réduite (la solution), qui exprime l'endogène en fonction
de l'exogène.

Jt '
1-ap
Cette forme réduite exprime la variable endogène yt
comme une fonction linéaire de la variable exogène. Cette solu
tion montre que lorsque le paramètre de politique économique
p change, le paramètre de la forme réduite varie. L'absence d'in
variance du paramètre de la forme réduite est une illustration de
la critique de Lucas.
L'approche quantitative de la macro-économie initiée
par Lucas [1981], et largement promue et développée par Kyd-
land et Prescott [1982], propose d'utiliser des modèles dyna
miques d'équilibre afin d'étudier les fluctuations agrégées. Elle
permet à l'aide d'une représentation parcimonieuse et rigou-

Revue française d'économie, n° 1/vol XX

166 Patrick Fève

reuse de l'économie12 d'étudier les sources d'impulsion et leurs

contributions au cycle ainsi que les principaux mécanismes de
propagation. L'approche MEGIS développe et évalue quantita
tivement des modèles structurels d'équilibre dans lesquels les
préférences, la technologie, les contraintes, les institutions sont
entièrement et simplement spécifiées. Ces modèles présentent
l'avantage de ne pas être soumis à la critique de Lucas, les para
mètres fondamentaux associés aux préférences et à la technolog
ie étant invariants à la politique économique. En outre, puisque
les objectifs des agents sont clairement explicités, il est possible
d'évaluer directement les gains et les coûts en termes de bien-être
d'une politique économique. En revanche, ces modèles présen
tentles inconvénients de qualités prédictives souvent très
médiocres (surtout lorsqu'elles sont comparées à celles d'un
modèle VAR) et d'importantes erreurs de spécification. A l'or
igine, les MEGIS étaient essentiellement réels (c'est-à-dire un
iquement perturbés par des chocs technologiques) et sans imper
fection de marché (Kydland et Prescott [1982], Long et Plosser
[1983], King, Plosser et Rebelo [1988], King et Rebelo [1999],
voir le modèle RBC introduit précédemment comme processus
générateur des données). Pour certains (cf. Prescott [1986]), les
chocs technologiques représentent l'essentiel des fluctuations.
Cependant, de nombreuses insuffisances quantitatives sont rap
idement apparues. Par exemple, les premiers modèles RBC repro
duisaient mal certaines caractéristiques du marché du travail : volat
ilité des heures travaillées, cycle de productivité. . . Ces premiers
modèles ont été rapidement généralisés13 afin d'améliorer leurs
qualités prédictives : autres chocs (préférences, fiscaux, monét
aires...) ; autres structures de marché (non walrasiens) ; autres
spécifications des comportements (persistance des habitudes de
consommation, coût d'ajustement, degré d'utilisation des facteurs
de production variables. . .) ; rigidités nominales (salaire et prix) ;
économie ouverte (modèles multi-pays, petite économie
ouverte...) ; politique économique (règle de Taylor, règles fi
scales.. ) etc.
Au-delà des choix de spécification des MEGIS, un autre
débat important est d'ordre méthodologique14. Il concerne le

Revue française d'économie, n° 1/vol XX

 Patrick Fève 167

choix de la méthode de validation. Un fait marquant de la méthod

ologie initiée par Lucas [1981] et surtout par Kydland et Pres-
cott [1982], ceci allant au-delà de tout schéma idéologique, est
la volonté d'introduire une certaine discipline dans l'exercice
quantitatif. Pour résumer, tout modèle quantitatif en macro
économie doit procéder de la manière suivante (voir Kydland et
Prescott [1996]) :
- on se pose une question ;
- on introduit un modèle structurel ayant des propriétés inté
ressantes au regard de la question posée ;
- on fixe des valeurs pour les paramètres du modèle, indépe
ndamment de la question posée ;
- on détermine la solution du modèle, i.e. on calcule la forme
réduite du modèle (variables endogènes en fonction des variables
pré-déterminées et exogènes) ;
- on met en œuvre différents exercices quantitatifs (fonctions de
réponses à un/des chocs, simulation, calcul des moments sur les
propriétés cycliques...) : approche positive ;
- on mène des exercices de calcul du bien-être (coûts des fluc
tuations, politique optimale) : approche normative.
Les MEGIS suivent tous ces étapes de modélisation. Il
existe aujourd'hui un large consensus dans la profession sur le
bien-fondé d'une telle approche. Cependant, certains points
peuvent donner lieu à différentes approches. Tout d'abord, le tro
isième point ne précise pas comment les valeurs des paramètres
du modèle sont fixées. De même, le cinquième point ne dit pas
comment l'évaluation quantitative est menée. Finalement, le
quatrième point laisse sous silence la façon dont on détermine
la solution. L'objet du débat sur les méthodes d'évaluation des
MEGIS concerne surtout les troisième et cinquième points pré
cités. En effet, il existe aujourd'hui différentes approches quant
à l'évaluation quantitative des MEGIS : la calibration et l'est
imation. De même, différentes méthodes d'estimation ne relevant
pas de la même vision peuvent être utilisées : maximum de vra
isemblance, méthode des moments, M-estimateurs, méthodes
fondées sur les simulations, approche bayésienne. La calibration
et l'estimation des MEGIS concernent les paramètres structurels

Revue française d'économie, n° 11 vol XX

168 Patrick Fève

(préférences, technologie) et ceux définissant le processus suivi

par les exogènes. L'évaluation quantitative du modèle structurel
renvoie à différents tests : tests de restrictions sur certains para
mètres (restrictions par exemple associées à l'annulation de cer
tains mécanismes), tests de sur-identification, tests des hypot
hèses sur les exogènes, tests sur la capacité du modèle à reproduire
certains moments. . . Enfin, il faut noter que la tendance actuelle
est de recourir de plus en plus à une évaluation économétrique
formelle (estimation et tests) des MEGIS. Ceci s'explique par le
degré de sophistication croissant de ces modèles et l'amélioration
des spécifications existantes.

Limites des MEGIS

Nous présentons ici quatre limites importantes, parmi d'autres,

de ces modèles.

La critique de la critique

Au-delà du résultat formel, et sans remettre en cause la logique

même de la critique de Lucas, on peut s'interroger sur sa portée
empirique. Une première « critique de la critique » a été formulée
par Favéro et Hendry [1992]15. Selon ces auteurs, si la critique
de Lucas est empiriquement valide, lorsque la politique écono
mique change (p change dans notre exemple), la (ou les) fonc
tion^) de comportement doit(doivent) changer. Sur données
monétaires anglaises, Favéro et Hendry montrent que ce n'est pas
le cas, puisque des changements significatifs dans l'offre de monn
aie n'impliquent pas de modification significative de la demande
de monnaie. Pour ces auteurs, ces résultats remettent en cause
l'hypothèse d'anticipations rationnelles, dans le sens où certaines
restrictions inter-équations sont rejetées par les données. Toutefois,
ce résultat de Favéro et Hendry doit être interprété avec pré
caution. Tout d'abord, à l'aide d'un modèle structurel, Lindé
[2001, 2002] a montré la faible puissance des tests sur les formes
réduites utilisées par Favéro et Hendry. Ensuite, leur résultat ne

Revue française d'économie, n" 1/vol XX

 Patrick Fève 169

remet pas en cause les anticipations rationnelles mais plutôt une

certaine classe de modèle. En effet, il existe de nombreux modèles
avec anticipation rationnelle qui restent invariants à la politique
économique. Pour illustrer ce propos, nous reprenons un exemple
de Farmer [1992, 2002]. Nous considérons à nouveau le modèle
simple avec anticipations rationnelles mais nous supposons main
tenant \a\ > 1. Il s'agit du cas indéterminé (voir Gourieroux et
Monfort [1990], Farmer [1998]) où la solution s'écrit mainte
nant

avec Et.j £/ = 0. Cette solution est compatible avec l'équilibre à

anticipations rationnelles. En revanche, dans ce cas avec indé
termination, lorsque p change, la fonction de comportement ne
change pas. Une instabilité de la règle de politique économique
n'aura alors aucun effet sur la fonction de comportement sans
que cela provienne d'une altération de la propriété d'anticipations
rationnelles. De même, de nombreux modèles monétaires dyna
miques présentent des fonctions de demande de monnaie sans
dimension tournée vers le futur, c'est-à-dire dans notre exemple
a = 0. Un modèle de ce type possède alors la propriété d'inva
riance à la politique économique.
Une seconde « critique de la critique » a été formulée par
Fair [1984, 1993]. Pour Fair, les modèles dynamiques avec anti
cipations rationnelles sont souvent mal spécifiés et présentent un
mauvais ajustement aux données. Il est alors préférable d'utili
ser des modèles plus ad hoc, présentant une certaine invariance
à la politique économique. Typiquement, les modèles écono
métriques de la synthèse présentent ce type de propriétés lors
qu'ils sont bien spécifiés. Ce point peut être vérifié après estimation
sur l'échantillon retenu (en menant par exemple des tests de sta
bilité sur les équations de comportement). Il reste cependant
que la stabilité sur le passé ne dit rien sur l'effet des politiques
économiques dans le futur.

Revue française d'économie, n° 1/vol XX

170 Patrick Fève

Choix de spécification et fondements micro-économiques

Les MEGIS ont progressivement été enrichis de sorte qu'ils peu

vent actuellement convenablement reproduire les données macro
économiques (voir par exemple Christiano, Eichenbaum et Evans
[2004], Altig, Christiano, Eichenbaum et Lindé [2005]). De
nombreux et nouveaux ingrédients ont été introduits (persis
tance des habitudes, coûts d'ajustement, rigidités nominales,
représentations de la politique économique...), ainsi ces modèles
peuvent-ils être considérés comme des représentations adéquates
des fluctuations agrégées. Si on peut se satisfaire d'une telle évo
lution de cette modélisation, la tendance actuelle pose cependant
de nouvelles difficultés. Tout d'abord, elle est de moins en moins
parcimonieuse : les modèles se présentent de plus en plus comme
des « boites noires » à partir desquelles il est plus difficile d'iso
lerproprement les mécanismes économiques en jeu. En fait,
l'amélioration de leur performance en prévision est allée de pair
avec l'augmentation de leur taille (et ainsi du nombre de leurs
paramètres) et également de leur opacité. Ensuite, certains choix
de modélisation sont totalement ad hoc, c'est-à-dire que leurs fon
dements micro-économiques ne sont pas clairement établis. Par
exemple, il n'existe pas aujourd'hui d'axiomatique des préfé
rences fondant la persistance des habitudes de consommation.
De plus, les fondements micro-économiques de certaines formes
de rigidité nominale (contrat de type Calvo par exemple) ne
sont pas formellement dérivés. Finalement, certaines représen
tationsde la politique économique (règle monétaire de type Tayl
or) sont postulées sans qu'aucune théorie du comportement de
l'agent public soit rigoureusement explicitée. En voulant progresser
vers plus de pertinence empirique, ces modèles doivent faire face
exactement aux mêmes travers que ceux de leurs aînés !

Identification

Ces modèles sont très contraints, en ce sens qu'ils font interve

nir un nombre peu important de paramètres. Cela n'empêche pas
que des problèmes d'identification puissent être présents. Lorsque
la taille des modèles est importante ou encore lorsque la méthode

Revue française d'économie, n° 1/vol XX

 Patrick Fève 171

d'estimation retenue permet d'ignorer ce fait (par exemple, la cal

ibration), le problème d'identification est souvent laissé sous
silence. Or, les MEGIS n'échappent pas à ce problème. Le modèle
linéaire retenu pour illustrer la critique de Lucas permet de
mettre en évidence simplement le problème d'identification. En
effet, la solution du modèle s'écrit :

У
У'~ '
1-ap

c'est-à-dire, en utilisant le processus suivit par la variable exogène

La forme réduite permet d'identifier p. En revanche, les

paramètres a, bet G ne sont pas identifiables. Même lorsque l'éco-
nomètre dispose d'une information sur la variable exogène xt
(lorsqu'elle est observable, p et G peuvent être estimés), il n'est
pas possible d'identifier les paramètres a et b séparément. Il faut
alors normaliser l'un de ces deux paramètres arbitrairement (par
exemple, en « calibrant » l'un des deux paramètres). Il faut noter
que l'exemple est ici suffisamment simple pour qu'il soit possible
de mettre en évidence ce problème d'identification. Dans des
modèles de plus grande taille, le problème existe mais il n'est pas
toujours facile à mettre en évidence.

Equivalence observationelle

Le fait de travailler à partir de modèles théoriques peut souvent

laisser l'impression (à tort) qu'un modèle théorique permet tou
jours d'identifier un mécanisme ou l'effet d'un choc. Nous pré
sentons ici un exemple d'équivalence observationnelle des solu
tions de deux modèles différents16.
Le modèle 1 s'écrit :

yt = aEtyt+1

Revue française d'économie, n" 1/vol XX

172 Patrick Fève

avec \a\ > 1. Ce modèle ne fait intervenir aucune variable exo

gène « fondamentale ». En revanche, puisque \a\ > 1, ce modèle
est indéterminé. La solution est donnée par :

Л = {Уг-i + e/

où с/ est une « tâche solaire » vérifiant Eul£yt = 0.

Le modèle 2 est différent : il introduit la valeur retardée
de la variable endogène jj/,_; (pré-détermination) et un choc « fon
damental » xt supposé ici iid. Le modèle s'écrit :

yt = ajEtyt+I + a2yt.j + xt

On suppose que a1 et a2 sont tels que

\Xj\ < 1 et |A2| > 1

où Аг (/ = 1,2) sont les racines du polynôme caractéristique17 asso

ciéau modèle 2. La solution du modèle 2 est donnée par

Л -

Comparons maintenant les deux solutions. Un économètre

qui observe yt peut estimer de façon convergente le paramètre
autorégressif et la variance de l'innovation. JPs/[ais, s'il n'observe
pas xt, il ne peut en aucun cas discriminer entre ces deux modèles,
puisqu'ils sont observationnellement équivalents.
Considérons le modèle 2 comme processus générateur des
données. Il existe alors une valeur pour les paramètres a et GyE
qui satisfait la double contrainte

1-х,
a l

__ IX^Xi „

Revue française d'économie, n° 1/vol XX

 Patrick Fève 173

de sorte que la vraisemblance des modèles 1 et 2 est la même.

Cet exemple simple illustre un problème important, à savoir
l'incapacité d'une modélisation structurelle à discriminer entre
deux schémas théoriques sur la base de leur implication. On
touche là une limite de toute approche quantitative évaluant
différents modèles sur la base de leurs solutions et non de leurs
hypothèses.

Quelles voies de rapprochement ?

La séparation dans l'exposé des modèles de la synthèse, des

modèles VAR et des MEGIS peut laisser l'impression qu'un fossé
difficile à combler s'est creusé entre ces différentes approches, de
sorte qu'aucune approche quantitative ne soit à même de s'im
poser. Même si une telle situation peut paraître inconfortable,
elle n'est pas forcément problématique, surtout si différentes
méthodes sont combinées de façon adéquate. Ainsi, comme nous
l'avons mentionné, l'économétrie de la macro-économie de la syn
thèse intègre-t-elle progressivement les enseignements de la théor
ie économique et de l'économétrie des séries temporelles. Ensuite,
les approches VAR et MEGIS tendent de plus en plus à se rap
procher. Ainsi, différentes méthodes d'estimation des MEGIS uti
lisent (directement ou indirectement) les modèles VARafin d'es
timer et d'évaluer différents modèles structurels18. Tout d'abord,
l'estimation par le maximum de vraisemblance des MEGIS pré
sente de fortes similitudes avec la modélisation VAR dans la
mesure où cette dernière peut être vue comme une version non-
contrainte de la première (voir Hansen et Sargent [1980], Anders
on, Me Grattan, Hansen et Sargent [1996], Ireland [2004]).
Ensuite, les M-estimateurs ont été récemment utilisés afin d'es
timer les paramètres structurels d'un modèle lorsque l'écono
mie n'est perturbée que par un seul (ou un petit nombre) choc
(voir Rotemberg et Woodford [1997], Christiano, Eichenbaum

Revue française d'économie, n° 1/vol XX

174 Patrick Fève

et Evans [2004], Avouyi-Dovi et Matheron [2004], Altig, Chris-

tiano, Eichenbaum et Lindé [2005]). L'idée est ici d'estimer et
de tester un MEGIS sur sa capacité à reproduire les fonctions des
réponses issues d'un modèle VAR. Enfin, l'Inférence indirecte (voir
Coenen et Wieland [2000], Coenen et Levin [2004], Dupaigne,
Fève et Matheron [2004]) étend cette première idée en considérant
le modèle VARet l'identification des chocs comme un critère auxi
liaire servant à identifier les paramètres d'un modèle structurel.
Nous pouvons voir ainsi dans les tendances actuelles de
la modélisation macro-économétrique des signes de rapproche
ment significatifs entre approches descriptives et approches struc
turelles qui permettront à terme d'utiliser des modèles structur
els répondant à certains critères académiques, tout en ayant un
contenu empirique raisonnable à des fins d'utilisation concrète
et utile pour l'analyse et la conduite de la politique économique.

Cet article a bénéficié de nombreuses remarques lors d'une discussion au séminaire Four-
geaud « Etudier la macro-économie aujourd'hui : deux voies » (direction de la Prévi
sion, novembre 2004). L'auteur tient à remercier S. Avouyi-Dovi, F. Collard, E. Dubois,
M. Dupaigne, H. Le Bihan, P. Morin et J. Matheron pour leurs commentaires. Les
erreurs et imprécisions sont les siennes et n 'engagent en aucun cas la Banque de France.

Patrick Fève est professeur à l'université de Toulouse, chercheur au GREAÍAQ et à

VIDEI. Il est également conseiller scientifique à Ut Banque de France.
Adresse : GREMAQ- Université de Toulouse I, manufacture des Tabacs, bât. F, 21
allée de Brienne, 31000 Toulouse, email : patrick.feve@univ-tlsel.fr.

Revue française d'économie, n° 1/vol XX


Notes
1. Nous reprenons la terminologie de
Hairault [1999].
2. Voir Artus, Deleau et Malgrange
[1986], Zagamé [1987], Malgrange
[1992] et le numéro spécial Economie
et prévision [1998] pour une présenta
tion et analyse de leurs propriétés.
3. Dans de nombreux centres d'études
(DP, Insee, Banque de France, OFCE),
ces modèles restent néanmoins un outil
privilégié d'analyse de la politique éco
nomique.
4. Paradoxalement, les données sont
aujourd'hui plus facilement disponibles
par abonnement sur internet et les logi
ciels économétriques sont plus puissants.
5. Par exemple le modèle Multimod du
FMI http://www.imf.org/external/np/
res/mmod/ et le modèle QUEST de la
Commission européenne http://europa.
eu.int/comm/economy_finance/publi-
cations/economic_papers/200 1 /.
6. Nous n'abordons pas ici le problème
de la non-stationnarité et les modèles
vectoriels à correction d'erreur ; voir
Gouriéroux et Monfort [1990], Hamil
ton [1994].
7. Si les variables sont spécifiées en
différence première et en logarithme,
les prévisions à long terme vont cor
respondre au taux de croissance moyen
sur la période d'estimation. Une prévi
sionen niveau donnera à long terme la
trajectoire de croissance moyenne.
8. Ceci est vrai lorsque les heures sont
spécifiées en niveau dans le modèle
VAR. Lorsqu'elles sont spécifiées en
différence, il faut cumuler les réponses
afin d'obtenir la réponse en niveau :
A - L C2l-
9. Exception faite des heures travaillées
h,, toutes les variables sont déflatées
Patrick Fève 175
par la variable non stationnaire Z. Le
modèle log-linéarisé est résolu avec ces
variables déflatées et les trajectoires des
variables agrégées sont alors reconst
ruites à partir de la solution.
10. Cette calibration permet de repro
duire convenablement les propriétés
cycliques du produit, de l'emploi et de
la productivité aux Etats-Unis. Le
modèle RBC peut être alors considéré
comme un processus générateur des
données « raisonnable » pour l'exercice
d'évaluation des modèles VARS.
11. Les modèles macro-économétriques
sont ainsi vus comme un système
d'équations, chacune d'entre elles étant
traitée séparément des autres (voir Kyd-
land et Prescott, [1989], [1996]).
12. A l'inverse des modèles macro-éco
nométriques qui ne sont (selon Kydland
et Prescott) qu'une collection d'équa
tionssans réelle cohérence globale.
13. Notons au passage la grande portée
de ce type de modélisation macro-éco
nomique,puisqu'elle peut recevoir dif
férents types d'amélioration tout en
maintenant un cadre théorique rigou
reuxet cohérent d'analyse.
14. Il s'agit là d'un des apports indé
niables de Kydland et Prescott [1982].
15. Voir Ericsson et Irons [1995] pour
un survol de la littérature empirique sur
la critique de Lucas.
16. Cet exemple est repris de Beyer et
Farmer [2003].
17. Plus précisément, les paramètres
A, (i = 1,2) sont solution de 1 - (l/a,)L
+ (a/a,)L2 = (1- A,L)(7 - A2L).
18. Voir Fève [2005] pour une revue de
la littérature sur les méthodes d'est
imation des MEGIS.
Revue française d'économie, n° 1 /vol XX
176 Patrick Fève
Références
et
D. J.Altig,
Lindé L. [2005]
Christiano,
: Firm-Specific
M. Eichenbaum,
Capit
al,Nominal Rigidities and the Business
Cycle, mimeo Northwestern University.
E. Anderson, E. Me Grattan, L. Hansen
et T. Sargent [1996] : Mechanics of For
ming and Estimating Dynamic Linear
Economies, Handbook of Computation
al Economics, vol. 1, chap. 4,
H. Amman, D. Kendrick et J. Rust eds,
North-Holland.
P. Artus, M. Deleau et P. Malgrange
[1986] : Modélisation macro-écono
mique, Economica, coll. Economie et
statistiques avancées, Paris.
S. Avouyi-Dovi et J. Matheron [2004] :
Supply Shocks and Monetary Policy in an
Estimated Sticky Price Model of the Euro
Area, mimeo Banque de France.
A. Beyer et R. Farmer [2003] : On the
Indeterminacy of Determinacy and Inde
terminacy, discussion paper CEPR, 4101.
O. Biau et E. Girard [2004] : Politique
budgétaire et dynamique économique en
France : l'approche VAR structurel, à
paraître in Économie et prévision.
O.J. Blanchard et D. Quah [1989] : The
Dynamic Effects of Aggregate Demand
and Supply Disturbances, American Eco
nomic Review, 79(4), pp. 655-673.
O.J. Blanchard et R. Perotti [2002] :
An Empirical Characterization of Dyna
micEffects of Changes in Government
Spending and Taxes on Output, Quart
erly Journal of Economics, 117,
pp. 1329-1368.
С Burnside, M. Eichenbaum et J. Fisher
[2001] : Assessing the Effects of Fiscal
Shocks, mimeo, Northwestern
Revue française d'économie, n° 1/vol XX
sity, à paraître i» Journal of Economic
Theory.
V. Chari, P. Kehoe et E. Me Grattan
[2004] : A Critique of Structural VARs
Using Real Business Cycle Theory, Feder
alReserve Bank of Minneapolis,
Research Department, working paper
631.
L. Christiano, M. Eichenbaum et
С. Evans [1999] : Monetary Policy
Shocks : What we Have Learned and to
What End ?, in Handbook of Macroe
conomics, chap. 2, vol. 1A, R. Taylor
et M. Woodford (eds), North-Holland,
Amsterdam.
L. Christiano, M. Eichenbaum et R. Vig-
fusson [2004] : What Happens after a
Technology Shock ?, NBER working paper
n° 9819, revised version.
L. Christiano, M. Eichenbaum et
С. Evans [2004] : Nominal Rigidities
and the Dynamic Effects of a Shock to
Monetary Policy, à paraître in Journal
of Political Economy.
G. Coenen et W. Wieland [2000] : A
Small Estimated Euro Area Model with
Rational Expectations and Nominal Rigid
ities, ECB, working paper series, n° 30,
à paraître in European Economic
Review.
G. Coenen et A. Levin [2004] : Identi
fyingthe Influences ofNominal and Real
Rigidities in Aggregate Price-setting Behav
ior,ECB, working paper series, n° 418.
T. Cooley et M. Dwyer [1998] : Busi
nessCycle Analysis Without Much Theory :
A Look at Structural VARs, Journal of
Econometrics, 83, pp. 197-223.
M. Dupaigne, P. Fève et J. Matheron
[2004] : Technology Shock and Employ-

ment : Do we Necessary Need DSGE
Models with a Fall in Hours ?, mimeo
Banque de France.
Economie et prévision [1998] : Struc
tures et propriétés des modèles macro-éco
nométriques français, numéro spécial.
C. Erceg, L. Guerrieri et C. Gust
[2004] : Can Long-Run Restrictions Ident
ifyTechnology Shocks, Board of Gover
norsof the Federal Reserve System,
International
n° 792. Finance discussion paper,
N. Ericsson et L. Irons [1995] : The
Lucas Critique in Practise : Theory without
Measurement in K. Hoover (éd.),
Macroeconometrics : Developments,
Tensions and Prospects, Kluwer Aca
demic Press.
R. Fair [1984] : Specification, Estima
tion and Analysis of Macroeconometric
Models, Harvard University Press.
R. Fair [1993] : Testing Macroeconomet
ricModels, American Economic Review
Paper and Proceedings, 83(2), pp. 287-
293.
R. Farmer [1992] : Testing the Lucas Cri
tique : a Comment, Econometric Review,
11(3), pp. 307-311.
R. Farmer [1998] : The macroecono
mics of self-fulfilling prophecies, MIT
Press, 2e éd.
R. Farmer [2002] : Why does Data Reject
the Lucas Critique ?, Annales d'écono
mie et de statistique, 67/68, pp. 111-
129.
C. Favero [2002] : How do European
Monetary and Fiscal Authorities Behave ?,
CEPR discussion paper, n° 3426, juin.
С. Favero et D. Hendry [1992] : Tes
ting the Lucas Critique, Econometric
Review, 11(3), pp. 265-306.
P. Fève et S. Grégoir [2002] : Econo
metrics of Economic Policy, Annales
Patrick Fève 177
d'économie et de statistique, 67/68,
pp. 11-19.
P. Fève et A. Guay [2004] : The Res
ponse ofHours to a Technology Shock : a
Two Step Approach, mimeo Gremaq-
Uqam.
P. Fève [2005] : La modélisation macro
économétrique dynamique, mimeo Gre-
maq-Banque de France.
N. Francis et V. Ramey [2003] : Is the
Technology-Driven Real Business Cycle
Hypothesis Dead ? Shocks and Aggregate
Fluctuations Revisited, University of Cali
fornia, San Diego, mimeo, à paraître in
Journal of Monetary Economics.
J. Gali [1999] : Technology, Employment
and the Business Cycle : Do Technology
Shocks Explain Aggregate Fluctuations ?,
American Economic Review, 89(1),
pp. 249-271.
J. Gali [2004a] : On the Role of Techno
logyShocks as a Source of Business Cycles :
Some New Evidence, Journal of Euro
pean Economic Association, 2(2-3),
pp. 372-380.
J. Gali [2004b] : Trends in Hours Wor
ked and the Role of Technology in the
Business Cycle Theory : Theory and Inter
national Evidence, 29e Economic Policy
Conference sur Productivity, Labor and
the Business Cycle, Federal Reserve
Bank of St. Louis, octobre.
J. Gali et P. Rabanal [2004] : Technology
Shocks and Aggregate Fluctuations ; How
Well does the RBC Model Fit Postwar U.S.
Data ?, à paraître in NBER Macroeco
nomics Annual.
C. Gourieroux et A. Monfort [1990] :
Séries temporelles et modèles dynamiques,
Economica, Paris.
J.O. Hairault [1999] : Vers une nouvelle
synthèse néoclassique ? La théorie des cycles
réels n 'est pas ce que l'on croit, Revue
Revue française d'économie, n° 1/vol XX
178 Patrick Fève
d'économie politique, 109, pp. 613-
670.
J. Hamilton [1994] : Time Series Anal
ysis, Princeton University Press.
L. Hansen et T. Sargent [1980] : For
mulating and Estimating Dynamic Linear
Rational Expectation Models, Journal of
Economic Dynamics and Control,
pp. 7-46.
G. Hansen [1997] : Technical Progress
and Aggregate Fluctuations, Journal of
Economic Dynamics and Control, 21,
pp. 1005-1023.
P. Ireland [2004] : A Method for Taking
the Model to the Data, Journal of Eco
nomic Dynamics and Control, 28(6),
pp. 1205-1226.
R. King, С Plosser et S. Rebelo [1988] :
Production, Growth and Business Cycles :
1. The Basic Neoclassical Model, Journal
of Monetary Economics, 21(2-3),
pp. 195-232.
R. King et S. Rebelo [1999] : Resusci
tatingReal Business Cycles, in Handbook
of Macroeconomics, J. Taylor et
M. Woodford eds, chap. 14, pp. 927-
1007.
F. Kydland et E. Prescott [1982] : Time
to Build and Aggregate Fluctuations, Eco-
nometrica, 50(6), pp. 1345-1370.
F. Kydland et E. Prescott [1989] : The
Econometrics of General Equilibrium,
Scandinavian Journal of Economics.
F. Kydland et E. Prescott [1996] : The
Computational Experiment, Journal of
Economic Perspectives, 10(1), pp. 69-
85.
E. Leeper, С Sims et T. Zha [1996] :
What Does Monetary Policy Do ?, Broo-
kings Papers on Economic Activity,
2, pp. 1-63.
J. Lindé [2001] : Testing for the Lucas
Critique : a Quantitative Investigation,
Revue française d'économie, n° 1/vol XX
American Economic Review, 91(4),
pp. 986-1005.
J. Lindé [2002] : Monetary Policy Anal
ysisin Backward-looking Models, Annales
d'économie et de statistique, 67/68,
pp. 155-182.
Long et Plosser [1983] : Real Business
Cycles, Journal of Political Economy,
91(1), pp. 39-69.
R. Lucas [1976] : Econometric Policy
Evaluation : a Critique, Canergie
Rochester Conference Series on Public
Policy, К. Brunner et A. Meltzer (eds),
pp. 19-46.
R. Lucas [1981] : Studies in Business-
Cycle Theory, Cambridge, MIT Press.
R. Lucas et T. Sargent [1979] : After
Keynesian Macroeconomics, Federal
Reserve Bank of Minneapolis Quart
erly Review, 3(2), pp. 1-16.
Me Grattan [2004] : Comment on Gait
and Rabanal. Technology Shocks and
Aggregate Fluctuations ; How Well does
the RBC Model Fit Postwar U.S. Data ?,
à paraître in NBER Macroeconomics
Annual.
P. Malgrange [1992] : Bulletin de santé
des modèles macro-économétriques, Revue
économique, 43(4), pp. 565-575.
R. Perotti [2002] : Estimating the Effects
ofFiscal Policy in OECD Countries, doc.
de travail 168, Banque centrale euro
péenne.
M. Pesaran [1988] : The Role of Theory
in Applied Econometrics, Economic
Records, 64, pp. 336-339.
E. Prescott [1986] : Theory Ahead the
Business Cycle Measurement, Quarterly
Review, 10, pp. 9-22, Federal Reserve
Bank of Minneapolis.
J. Rottemberg et M. Woodford [1997] :
An Optimization-Based Econometric Fra
mework for the Evaluation of Monetary

Policy, National Bureau of Economic
Research Macroeconomics Annual
1997, S. Bemanke et J. Rotemberg eds,
Cambridge, MA, MIT Press.
C. Sims [1972] : Money, Income, and
Causality, American Economic Review,
62, pp. 540-552.
C. Sims [1980] : Macroeconomics and
Reality, Econometrica, 48(1), pp. 1-48.
Patrick Fève 179
С Sims [1992] : Interpreting the Macroe-
conomic Time Series Facts : the Effects of
Monetary Policy, European Economic
Review, 36, pp. 975-1000.
P. Zagamé [1987] : L'expérience fran
çaise de modélisation macro-économét
rique : bilan et perspective, 5, pp. 485-
528.
Revue française d'économie, n° 1/vol XX