Analyse de la conjoncture et des données sujettes

STANDLEY RÉGINALD BARON
ANALYSE DE LA CONJONCTURE ET DES DONNÉES
SUJETTES À LA RÉVISION
Application au Canada
Mémoire présenté
à la Faculté des études supérieures et postdoctorales de l‟Université Laval
dans le cadre du programme de maîtrise en économique
pour l‟obtention du grade de Maitre ès sciences (M. Sc.)
DÉPARTEMENT D`ÉCONOMIQUE
FACULTÉ DES SCIENCES SOCIALES
UNIVERSITÉ LAVAL
QUÉBEC
2011
© Standley Réginald Baron, 2011
Résumé
Ce papier met l`accent sur deux points essentiels : l`analyse de la conjoncture en temps
réel et la révision des données. Contrairement à d`autres travaux, nous cherchons non
seulement à évaluer la conjoncture en temps réel mais aussi nous essayons de voir à
quel point la révision des données peut affecter notre estimation de la conjoncture. Pour
déterminer les différentes phases du cycle économique canadien, nous adoptons
l`approche d`Hamilton et Chauvet (2006). En utilisant le PIB comme indice pour
caractériser la conjoncture et en appliquant les modèles à changements de régime
markoviens, comme méthode moderne de séparation des phases d‟expansion et de
récession dans une économie. Les résultats obtenus permettent de faire ressortir deux
points importants. La révision des données n`affecte pas significativement l`analyse des
points tournants en temps réel, par contre elle s`avère importante quand il faut juger de
l`ampleur d`une récession ou d`une expansion.
Mots clés : cycle économique en temps réel, révision des données, modèles à
changements de régime markoviens.
ii
Avant-propos
La réalisation d‟un mémoire de recherche exige d‟énormes sacrifices ; le support des
autres, particulièrement des proches et des professeurs, est d‟une importance capitale
pour tout ce qui entend matérialiser ce travail.
En ce sens, je tiens à remercier d‟une façon spéciale mon directeur de recherche,
Stephen Gordon, qui a accepté de m`encadrer tout au long de ce travail. J`ai beaucoup
appris de ses expériences, ses remarques ont été toujours très pertinentes, et surtout ses
disponibilités à répondre à mes questions.
Mes remerciements vont aussi à tous ceux d`une manière ou d`une autre ont
contribué à la réalisation de ce travail. En particulier, le directeur du programme,
Sylvain Dessy, dont son cours d`atelier de recherche m`a été très utile pour ce travail.
Enfin, je remercie les examinateurs d`avoir accordé leurs temps et leurs
disponibilités pour évaluer ce travail.
iii
Table des matières
Résumé………………………………………………………………………..ii
Avant-propos…………………………………………………………………iii
Table des matières…………………………………………………………...iv
Liste des tableaux …………………………………………………………....v
Liste des graphes………………………………………………………….....vi
Liste des figures…………………………………………………………….vii
I.
Introduction ..................................................................................................1
II.
Faits saillants ................................................................................................4
Données ...................................................................................................4
Sources et méthodologie .............................................................4
Statistiques descriptives .............................................................6
III.
Survol de la littérature ..............................................................................20
IV.
Régimes Markoviens ..................................................................................32
Spécification ...........................................................................................32
Estimation ...............................................................................................33
V.
Cas d`études.................................................................................................35
1990.1-1991.4 ..........................................................................................35
2007.1-2010.4 ..........................................................................................36
VI.
Résultats .......................................................................................................39
VII.
Conclusion ...................................................................................................46
Références ....................................................................................................48
iv
Liste des tableaux
1
Révisions des données…………………………………………………………..5
2
Statistiques descriptives……………………………………………………… .10
3
Résultats…………………………………………………………………….. ...43
v
Liste des graphes
1
Maximum révision, Minimum révision, Range………………………………..10
2
Moyenne absolue de révision, Moyenne absolue relative de révision,
Révision moyenne……………………………………………………………...11
3
Corrélation, variance et écart type……………………………………………..11
4
Évolution de la révision totale par rapport à l`estimation finale……………….12
vi
Liste des figures
1
Estimations préliminaires, estimations finales et révisions :
1994Q4-2010Q4……………………………………………………………….13
2
Estimations un trimestre après la 1ère publication,
Estimations finales et révisions...........................................................................14
3
Estimations 2 trimestres après la 1ère publication,
Estimations finales et révisions ……………………….……………………….15
4
Estimations 3 trimestres après la 1ère publication,
Estimations finales et révisions….......................................................................16
5
Estimations un an après la 1ère publication,
Estimations finales et révisions………………………………………………..17
6
Estimations 2 ans après la 1ère publication,
Estimations finales et révisions………………………………………………...18
7
Estimations 3 ans après la 1ère publication,
Estimations finales et révisions………………………………………………...19
8
Premières estimations, estimations finales et révisions :
1990Q1-1991Q4 …............................................................................................35
9
Premières estimations, estimations finales et révisions :
2007Q1-2010Q4……………………………………………………………….38
10 Différentes estimations selon les périodes de révision :
2007Q1-2010Q4…………………….................................................................38
11 Probabilités d`expansion en temps réel et Probabilités,
Après la révision d‟un, deux, trois, quatre trimestres plus tard………………..44
12 Probabilités d`expansion en temps réel et Probabilités,
Après la révision de deux, trois, quatre ans plus tard………………………….45
vii
I.
Introduction
L`analyse de la conjoncture devient de plus en plus une question importante et même
indispensable, surtout à la conduite de la politique économique. Cette question suscite
beaucoup d`intérêts chez les conjoncturistes mais elle reste toujours difficile à cerner,
par le fait qu`il n`existe pas d`indice fixe pour caractériser la conjoncture économique.
À ce stade plusieurs travaux ont été réalisés pour tenter de trouver un indicateur de
retournement conjoncturel, capable d`identifier les différentes phases de l`économie.
Dans cette catégorie on retrouve, les travaux de J. Anas et L. Ferrara (2002), Chauvet et
al. (2003), Hamilton et al. (2006), Darné et Ferrara (2009).
L`analyse conjoncturelle n`est pas datée d`aujourd`hui. Dès les années 1920,
Wesley Mitchell, puis Arthur Burns au National Bureau of Economic Research
(NBER), poursuivis par Geoffrey Moore à l‟Economic Cycle Research Institute (ECRI)
et autres, ont présenté des études à ce sujet. Mais vers les années 1989 cette idée a été
popularisée par Hamilton avec le développement récent des modèles à changements de
régimes markoviens, ces derniers permettent d`identifier de façon probabiliste les
différentes phases du cycle économique.
Bien qu`utiles, dans la détermination du cycle économique (période de récession
et d`expansion), les modèles à changements de régimes markoviens ne nous
renseignent pas sur l`indice à utiliser pour caractériser la conjoncture. Cette question
reste problématique ainsi, Dynan-Elmendorf (2001) ont utilisé le Produit National Brut
(PNB) et le Produit Intérieur Brut (PIB). Hamilton et al. (2006), ont utilisé uniquement
le PIB. Bengoechea et al (2006) ont utilisé l`Indice de la Production Industrielle (IPI).
Fixler et al. (2006), Jeremy J. et Nalewaik (2007), ont utilisé le PIB et le Revenu
Intérieur Brut (RIB). Ferrara et Darné (2009), ont utilisé le PIB et l`IPI comme indice
pour déterminer les points de retournement du cycle économique.
Toute fois, l`analyse de la conjoncture en temps réel peut ne pas donner un bon
signal sur l`état réel de l`économie. Souvent, celle-ci est confrontée par la révision des
1
données qui est susceptible de modifier notre estimation de l`état de l`économie.
Nadim Ahmad et al. (2007) ont fait ressortir dans un article l`importance de la révision
des données comme outil d`évaluation et d`amélioration de la fiabilité des données.
Ainsi, ils ont évalué les estimations préliminaires par rapport aux estimations finales du
PIB pour les pays membres de l`OCDE1. Ils sont parvenus à détecter l`existence d`un
biais significatif, traduit par un écart non nul entre les données finales et les données
préliminaires pour le Canada, la France et l`UK.
Vu l`importance de la révision des données, plusieurs analystes se sont penchés
sur cette question. En effet, beaucoup de données macroéconomiques sont confrontées
à des révisions après leurs publications initiales. Ces révisions concernent la mise à jour
des données, suite à l`arrivée de nouvelles informations non disponibles au moment de
la première publication. Avant que les données soient finales, elles ont subi plusieurs
révisions. Il est évident que ces révisions pourront avoir un impact peu ou très
significatif sur nos estimations et prévisions des données en temps réel. David E.
Runkle (1998) dans son article, a mis en évidence l`impact de la révision des données
sur la politique économique. Au même titre de l`analyse de la conjoncture, il existe une
vaste littérature sur la révision des données. Les récentes études sont celles
d`Orphanides (2001), Croushore et Stark (2001,2002), Anderson et al. (2006), Ahmad
et al. (2007), d`Aruoba et al. (2008) pour ne citer que cela. Ces études font ressortir
l`impact de la révision des données sur l`analyse en temps réel.
Il est important de retenir deux aspects principaux: la question de l`analyse de la
conjoncture en temps réel et celle de la révision des données. Ce sont deux importants
sujets d`actualités qui ont été développés le plus souvent l`un indépendamment de
l`autre. Toute fois, si on tient compte des conclusions que les auteurs ont apportées
dans leurs travaux empiriques, on peut déceler une certaine influence de la révision des
données sur l`analyse de la conjoncture en temps réel. D`où notre principale
motivation, c`est de voir comment on peut caractériser la conjoncture en temps réel et
que fait-on en cas de révisions des données? Ceci, en se basant sur les modèles à
1
Organisations de Coopération et de Développement Économiques.
2
changements de régime markoviens comme méthode moderne de séparation des phases
d‟expansion et de récession dans une économie.
Ce travail se porte sur les données trimestrielles canadiennes, en l`occurrence le
PIB réel que nous utilisons comme indice de caractérisation de la conjoncture en temps
réel. Ici nous adoptons l`approche d`Hamilton et Chauvet (2006) qui ont utilisé le PIB
pour déterminer le cycle économique américain. Notre contribution à la littérature sera
de compléter les études qui se focalisent souvent à la recherche d`un indicateur pour
évaluer la conjoncture en temps réel mais qui ne cherchent pas à savoir à quel point la
révision des données peut modifier leurs estimations de la conjoncture.
À notre connaissance, non seulement il n`existe pas pour le Canada de travaux
réalisés à ce sujet mais aussi il n`y a pas d`études qui cherchent à déterminer l`influence
de la révision des données sur l`analyse de la conjoncture en temps réel, le cas échéant
comment incorporer cette révision à leur analyse. Ce qui fait l`originalité de notre
travail.
Le reste du travail est organisé comme suit. Nous présentons : à la section II, les
faits saillants. Section III, le survol de la littérature. Section IV, les modèles à
changements de régime markoviens. Section V, les cas d`études. Section VI, les
résultats et la conclusion à la section VII.
3
II.
Faits saillants
Données
II.1. Sources et méthodologie
Les données en temps réel et révisées du PIB réel ont été collectées à partir du site de
l`OCDE1, la dernière édition considérée pour les données révisées est celle de juin
2011. Tenant compte de la disponibilité des ces données un échantillon de 65
observations a été recueilli partant de 1994Q4 au 2010Q4. Toute fois, pour certaines
révisions nous disposons des données sur une plus longue période, ces séries sont
utilisées aussi dans nos analyses.
Le tableau qui suit provient du travail intitulé ``Revisions Analysis at Statistics
Canada, october 2008``, présenté par Karen Wilson lors du ``4TH annual workshop
of data revision``. Ce tableau présente la méthodologie ou la procédure mise en œuvre
pour la révision des données. Nos données ont été traitées suivant cette même
méthodologie, ce qui donne lieu à un ensemble de huit (8) séries. On retrouve une série
dite préliminaire, six (6) séries de révisions2 et une série des données finales ou
définitives. En général, les données préliminaires du premier trimestre d`une année
donnée sont publiées en juin de cette année, c.-à-d. avec trois (3) mois ou un trimestre
de retard. La première révision est faite au mois de septembre soit un trimestre après
cette première publication, ainsi de suite jusqu`à la version finale comme l`indique le
calendrier qui suit.
1
http://stats.oecd.org/Index.aspx?querytype=view&queryname=206
Il s`agit des révisions un trimestre, deux trimestres, trois trimestres, un an, deux ans et trois ans après la
publication des données préliminaires.
2
4
Tableau 1 : Révisions des données
Reference
Year t
Year t+1
Year t+2
Year t+3
Year t+4
period Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4
Release date
Year t
Q1
Q2
Q3
Q4
Year t+1
Q1
Q2
Q3
Q4
Year t+2
Q1
Q2
Q3
Q4
Year t+3
Q1
Q2
Q3
Q4
Year t+4
Q1
Q2
Q3
Q4
Prel.
Rev1 Prel.
Rev2 Rev1 Prel.
Rev3 Rev2 Rev1 Prel.
Rev4 Rev3 Rev2 Rev1 Prel.
Rev1 Prel.
Rev2 Rev1 Prel.
Rev3 Rev2 Rev1 Prel.
Rev5 Rev4 Rev3 Rev2 Rev4 Rev3 Rev2 Rev1 Prel.
Rev1 Prel.
Rev2 Rev1 Prel.
Rev3 Rev2 Rev1 Prel.
Rev6 Rev5 Rev4 Rev3 Rev5 Rev4 Rev3 Rev2 Rev4 Rev3 Rev2 Rev1 Prel.
Rev1 Prel.
Rev2 Rev1 Prel.
Rev3 Rev2 Rev1 Prel.
Final Final Final Final Rev6 Rev5 Rev4 Rev3 Rev5 Rev4 Rev3 Rev2 Rev4 Rev3 Rev2 Rev1 Prel.
Rev1 Prel.
Rev2 Rev1 Prel.
Rev3 Rev2 Rev1 Prel.
5
II.2. Statistiques descriptives et analyses des données
À partir de ces séries citées précédemment, sept (7) séries supplémentaires ont été
calculées. Il s`agit du calcul des écarts entre la série des données définitives et les sept
(7) autres séries. Dans le tableau 2 présenté plus bas, la série dénotée R0 (révision
totale) représente l`écart entre l`estimation finale et la première publication. De même,
la série R1 représente la différence entre l`estimation finale et la série révisée un
trimestre après la première publication. Respectivement après, on retrouve les séries
R2, R3, R4, R5 et R6. Elles représentent respectivement l`écart entre la série des
données finales et les séries révisées, 2 trimestres, 3 trimestres, un an, 2 ans et 3 ans
après la première publication. Pour les sept (7) séries ainsi obtenues (R0 à R6), des
statistiques ont été calculées et présentées dans le tableau 2 ainsi que dans les
graphiques ci-dessous. Pour faciliter la compréhension de l`analyse du tableau, les
statistiques suivantes sont définies.
Range : L`écart entre la révision maximale et la révision minimale.
Mean Absolute Revision (MAR) : Moyenne des révisions en valeur absolue.
Autrement dit, la moyenne de l`écart en valeur absolue entre les données finales et les
données provisoires. Cet indicateur élimine l`effet des révisions positives et négatives.
Mean Revision (MR) : Moyenne non absolue des révisions, appelée aussi biais. Un
signe positif de cet indicateur indique une sous estimation des données et une sur
estimation avec un signe négatif.
Relative Mean Absolute Revision (RMAR) : Ratio entre la MAR par rapport à la
moyenne des données finales. Autrement dit, c`est la part des révisions relatives aux
données finales.
6
Corrélation : Coefficient qui mesure le niveau et le sens de la relation entre chaque
série révisée par rapport à la série des données finales. Il peut exister soit une forte ou
faible corrélation entre les séries, selon que ce coefficient est proche de 1 ou de 0.
Écart type : Mesure la dispersion dans les séries de révisions par rapport à la moyenne
de révisions. Un écart type élevé indique une grande volatilité des révisons entre les
périodes.
7
Analyse
À la place du PIB réel, son taux de croissance a été utilisé pour éliminer l`effet des
changements de base du PIB. Toute l`analyse qui suit concerne, les statistiques
descriptives présentées sous forme de tableaux et de graphiques relatifs à nos données.
Sur un total de 65 observations, il y a au moins 61 qui ont subi une révision et au
plus 4 qui n`ont pas eu de révisions. Ces données non révisées concernent surtout les
publications récentes (tableau 2).
D`une part, par rapport aux données finales, les révisions minimales qui ont été
réalisées varient dans l`intervalle [-0.6945 ; -0.2708]. Donc, la plus grande
surestimation du taux de croissance du PIB réel a été de 0.6945%. Les données
préliminaires annoncées dépassaient les données finales de 0.6945%. On constate aussi,
plus les données sont révisées plus cet écart diminue, jusqu`à atteindre la plus faible
surestimation soit 0.2708% (graphe 1 ou tableau 2).
D`autre
part,
les
révisions
maximales
ont
évolué
dans
l`intervalle
[0.6299;0.7247]. Les données préliminaires étaient sous-estimées par rapport aux
données définitives, la plus grande sous estimation a été de 0.7247%. Cet écart se réduit
de plus en plus à chaque révision pour arriver à un seuil minimal de 0.6299% (graphe 1
ou tableau 2).
L`analyse précédente a montré que les révisions ont sous-estimé et des fois
surestimé le taux de croissance du PIB réel, avant d`être statistiques définitives. Mais,
les indicateurs de moyenne affichent des signes positifs, cela signifie qu`en moyenne
les données en temps réel ont été sous-estimées. En moyenne absolue (MAR), cet écart
varie de 0.0982% à 0.2337%. Étant en terme absolue, cet indicateur ne peut pas nous
indiquer s`il s`agit de sous ou surestimations (graphe 2 ou tableau 2).
8
Par contre, en moyenne non absolue (MR) on peut parler de sous-estimations du
taux de croissance du PIB réel à cause de son signe positif. Cet indicateur évolue dans
l`intervalle de 0.0168% à 0.0690%. Ces derniers résultats traduisent un effet quasiment
compensatoire entre les sous-estimations et les surestimations des séries révisées d`une
période à l`autre (graphe 2 ou tableau 2).
En terme relatif, quand on regarde le poids des données préliminaires ainsi que
celui des données révisées sur les données définitives. Cet indicateur (RMAR) montre
qu`en moyenne les données préliminaires ont un poids beaucoup plus important sur les
données définitives, soit 0.3041. À mesure, qu`on révise les données ce poids diminue
progressivement jusqu`à atteindre à la dernière révision un niveau de 0.1279. Cet
indicateur est très utile pour des comparaisons internationales car il élimine l`effet que
la révision peut être plus élevée en période de forte croissance et plus basse en période
de faible croissance (graphe 2 ou tableau 2).
Les coefficients de corrélation entre les séries des données provisoires et les
données finales ont évolué dans la fourchette [0.8967;0.9736]. Cela traduit une forte
corrélation positive entre les séries révisées et les données définitives (graphe 3 ou
tableau 2).
Pour ce qui est des écarts type, il n`existe pas de grande volatilité des révisions
entre les périodes. Par rapport à la moyenne des révisions, les dispersions varient autour
de 0.1472 à 0.2859. Plus les données sont révisées, moins il y a de dispersions (graphe
3 ou tableau 2).
Le graphique 4 ci-dessous montre comment évolue la révision totale par rapport à
l`estimation finale du taux de croissance du PIB réel. La révision totale constitue la
différence entre l`estimation finale et la première estimation. Il existe donc une forte
corrélation positive entre la révision totale et l`estimation finale, ces séries évoluent
dans le même sens. Pour un taux de croissance positif ou négatif, on s`attend à ce que la
révision soit aussi positive ou négative. De même, en période de forte croissance la
9
révision est aussi forte et elle est faible en période de faible croissance. Donc, la
révision suit la même tendance que le niveau du taux de croissance.
Tableau 2 : Statistiques descriptives
Summary statistics
sample
total of revisions
total of none revisions
Min Revision
Max Revision
Range
Mean Absolute Revision
(MAR)
Mean Revision (MR)
Relative Mean Absolute
Revision (RMAR)
Corrélation
Variance
écart-type
R0
R1
R2
R3
R4
R5
R6
65
65
65
65
65
65
65
65
64
63
62
62
62
61
0
1
2
3
3
3
4
-0,6945
-0,5132 -0,4869 -0,3387
-0,3512
-0,3453 -0,2708
0,7247
0,6741
0,6696
0,6334
0,6793
0,6299
0,6299
1,4192
1,1873
1,1565
0,9721
1,0305
0,9753
0,9008
0,2337
0,2071
0,1865
0,1852
0,1990
0,1747
0,0982
0,0690
0,0578
0,0660
0,0656
0,0819
0,0346
0,0168
0,3041
0,2695
0,2428
0,2411
0,2590
0,2273
0,1279
0,8967
0,9146
0,9290
0,9382
0,9309
0,9359
0,9736
0,0817
0,0690
0,0576
0,0500
0,0557
0,0512
0,0217
0,2859
0,2627
0,2400
0,2236
0,2360
0,2264
0,1472
Graphe 1 : Maximum révision, Minimum révision, Range
Séries révisées du taux croissance du PIB réel
1.40
1.20
1.00
0.80
0.60
Range
0.40
Max Revision
0.20
Min Revision
0.00
-0.20
R0
R1
R2
R3
R4
R5
R6
-0.40
-0.60
-0.80
10
Graphe 2 : Moyenne absolue de révision, Moyenne absolue relative de révision,
Révision moyenne, des séries révisées du taux croissance du PIB réel
0.35
0.30
0.25
0.20
Mean Absolute
Revision
0.15
Relative Mean
Absolute Revision
Mean Revision
0.10
0.05
0.00
R0
R1
R2
R3
R4
R5
R6
Graphe 3 : Corrélation, variance et écart type
Séries révisées du taux croissance du PIB réel
1.20
1.00
0.80
correlation
0.60
Variance
écart-type
0.40
0.20
0.00
R0
R1
R2
R3
R4
R5
R6
11
Graphe 4 : Évolution de la révision totale par rapport à l`estimation finale
0.80
Y = 0,2072X - 0,0638
R² = 0,2201
0.60
0.40
0.20
0.00
-2.00
-1.00
0.00
1.00
2.00
-0.20
-0.40
-0.60
Y=révision totale
-0.80
X=estimation finale
La figure 1 ci-dessous présente l`évolution comparée entre la première estimation,
l`estimation finale et la révision du taux de croissance du PIB réel. Cette révision
représente l`écart entre ces deux séries (révision 0). Les estimations préliminaires et
finales présentent une tendance semblable, elles évoluent dans le même sens. Comme
on l`a présenté tantôt, il existe une corrélation positive entre ces deux séries. Aussi, on
remarque qu`en général, les données finales excèdent les données préliminaires. Ce
qui montre que les révisions sont beaucoup plus positives que négatives. Cet écart
entre ces deux séries varie entre -0.7% et 0.7%. Donc, les séries révisées sont à la fois
sous estimées et surestimées.
12
Figure 1 : Estimations préliminaires, estimations finales et révisions
Taux de croissance du PIB réel : 1994Q4-2010Q4
3.00
2.00
en %
1.00
0.00
1994Q4
1996Q4
1998Q4
2000Q4
2002Q4
2004Q4
2006Q4
2008Q4
2010Q4
-1.00
-2.00
revision 0
First estimate
lastest estimate
La figure 2 présentée plus bas trace l`évolution du taux de croissance du PIB réel, un
trimestre après la première publication, son estimation finale et les écarts entre ces deux
séries (révision 1). Cette analyse ne sera pas trop différente de celle précédente, les
séries évoluent toujours dans le même sens, les révisions positives emportent sur les
révisions négatives. Les séries sont révisées à la hausse selon que le taux de croissance
augmente et à la baisse si ce taux diminue. Ces révisions demeurent dans l`intervalle
[-0.5%; 0.6%], un peu plus faible que celles présentées antérieurement. Donc, plus on
s`approche vers les données finales plus le niveau des révisions baisse. Autrement dit,
les écarts qui existent entre les séries révisées et les données finales deviennent moins
considérables à mesure que les données sont révisées.
13
Figure 2 : Estimations un trimestre après la 1ère publication, estimations finales et
révisions
Taux de croissance du PIB réel : 1994Q4-2010Q4
3.00
2.00
en %
1.00
0.00
1994Q4
1996Q4
1998Q4
2000Q4
2002Q4
2004Q4
2006Q4
2008Q4
2010Q4
-1.00
-2.00
revision 1
1 quarter later
lastest estimate
La figure 3 ci-dessous montre l`évolution de l`estimation du taux de croissance du PIB
réel 2 trimestres après la première publication, l`estimation finale et les écarts entre ces
deux séries (révision 2). Encore une fois on ne constate pas de changements majeurs, la
tendance des séries reste à peu près la même qu`antérieurement. Les révisions gardent
presque les mêmes structures, soient des révisions à la hausse et à la baisse mais
beaucoup plus à la hausse. Aussi remarque-t-on quand il y a une forte croissance
(presque au début de la période) les révisions sont toutes aussi fortes. Il en est de même
qu`en période de faible croissance, cela prouve encore une fois qu`il existe une
corrélation positive entre les séries révisées et définitives.
14
Figure 3 : Estimations 2 trimestres après la 1ère publication, estimations finales et
révisions
Taux de croissance du PIB réel : 1994Q4-2010Q4
3.00
2.00
en %
1.00
0.00
1994Q4
1996Q4
1998Q4
2000Q4
2002Q4
2004Q4
2006Q4
2008Q4
2010Q4
-1.00
-2.00
revision 2
2 quarter later
lastest estimate
La figure 4 présente l`évolution simultanée de l`estimation du taux de croissance du
PIB réel 3 trimestres après la première publication, son estimation finale et l`écart entre
ces 2 séries (révision 3). Il est bien visible que la série révisée et celle définitive ont une
évolution similaire, en majeur partie la série définitive domine la série préliminaire. Ce
qui traduit une révision généralement à la hausse. Contrairement aux analyses
antérieures, on voit que les 2 séries ont une évolution un peu plus serrante. Autrement
dit, la révision devient de plus en plus faible. Il est clair qu`après 3 révisions, on
s`approche de plus en plus vers les données finales. Donc, les révisions deviennent
moins importantes.
15
Figure 4 : Estimations 3 trimestres après la 1ère publication, estimations finales et
révisions
Taux de croissance du PIB réel : 1994Q4-2010Q4
3.00
2.00
en %
1.00
0.00
1994Q4
1996Q4
1998Q4
2000Q4
2002Q4
2004Q4
2006Q4
2008Q4
2010Q4
-1.00
-2.00
revision 3
3 quarter later
lastest estimate
La figure 5 montre l`évolution conjointe de l`estimation du taux de croissance du PIB
réel un an après la première publication, son estimation finale et l`écart entre ces 2
séries (révision 4). L`estimation un an après la première publication n`est pas trop
écartée de l`estimation finale, à ce stade les données ont subi quatre (4) révisions. Les
révisions conservent les mêmes tendances, les séries sont en majorité révisées à la
hausse. Les plus grandes révisions se manifestent beaucoup plus dans les 5 premières
années de la période de l`étude. Aussi, il y a une relation positive entre la révision et le
taux de croissance. Un taux de croissance positif est suivi d`une révision positive, il en
est de même pour un taux négatif. De même, une augmentation ou une diminution du
taux de croissance est suivie d`une hausse ou d`une baisse du niveau ou de la taille de la
révision.
16
Figure 5 : Estimations un an après la 1ère publication, estimations finales et révisions
Taux de croissance du PIB réel : 1994Q4-2010Q4
3.00
2.00
en %
1.00
0.00
1994Q4
1996Q4
1998Q4
2000Q4
2002Q4
2004Q4
2006Q4
2008Q4
2010Q4
-1.00
-2.00
revision 4
1 year later
lastest estimate
La figure 6 montre l`évolution comparée de l`estimation du taux de croissance du PIB
réel 2 ans après la première publication, son estimation finale et l`écart entre ces 2
séries (révision 5). Deux ans après la première publication, l`estimation du taux de
croissance du PIB se rapproche de plus en plus de son estimation finale. Les principaux
écarts se situent principalement presque au début de la période d`étude. À mesure qu`on
s`approche à la fin de la période, les écarts entre les deux séries diminuent. De plus, on
constate que les séries sont révisées beaucoup plus à la hausse qu`à la baisse. Ce qui
laisse croire que l`économie a connu beaucoup plus de périodes de croissance que de
décroissance car, la révision à la hausse est découlée d`un taux de croissance élevé.
D`autre part, la taille des révisions à la hausse est beaucoup plus élevée que celle des
révisions à la baisse. Autrement dit, quand le taux de croissance est positif, la révision
est beaucoup plus élevée que lorsque ce taux est négatif.
17
Figure 6 : Estimations 2 ans après la 1ère publication, estimations finales et révisions
Taux de croissance du PIB réel : 1994Q4-2010Q4
3.00
2.00
en %
1.00
0.00
1994Q4
1996Q4
1998Q4
2000Q4
2002Q4
2004Q4
2006Q4
2008Q4
2010Q4
-1.00
-2.00
revision 5
2 years later
lastest estimate
La figure 7 présente l`évolution simultanée de l`estimation du taux de croissance du
PIB réel 3 ans après la première publication, son estimation finale et l`écart entre ces 2
séries (révision 6). La révision 6 constitue la dernière révision avant que les données
soient définitives. Les premières estimations ont subi six (6) révisions avant d`être
finales. Le taux de croissance du PIB trois ans après sa première publication, évolue de
façon similaire à son estimation finale. Ces deux séries sont presque confondues, les
écarts sont très faibles à part quelques-uns observés tout au début de la période. Donc,
la révision diminue de plus en plus à mesure qu`on se rapproche vers la révision finale.
On constate aussi qu`à la fin de la période de l`étude, les révisions sont quasiment
faibles ou nulles. Ceci constitue en majeur partie des séries récemment publiées dont
les révisions ne sont pas encore disponibles.
18
Figure 7 : Estimations 3 ans après la 1ère publication, estimations finales et révisions
Taux de croissance du PIB réel : 1994Q4-2010Q4
3.00
2.00
en %
1.00
0.00
1994Q4
1996Q4
1998Q4
2000Q4
2002Q4
2004Q4
2006Q4
2008Q4
2010Q4
-1.00
-2.00
revision 6
3 years later
lastest estimate
19
III.
Survol de la littérature
Données révisées
Il existe une vaste littérature sur les recherches macroéconomiques des données en
temps réel. Ces recherches abordent des questions relatives à la révision des données, la
prévision, la politique monétaire, la macroéconomie et la finance. Dans ces différents
champs d`études, les analystes traitent la question de la révision des données. Ils
examinent les propriétés des ces révisions, ils regardent comment ces révisions
affectent les prévisions, l`impact de ces révisions sur l`analyse de la politique
monétaire, comment les recherches macroéconomiques et financières sont affectées par
la révision des données. L`un des papiers qui a étudié cet aspect est celui de Dean
Croushore (2008), dans son article il a mis en évidence un ensemble de recherches sur
l`analyse des données en temps réel.
La révision peut être issue de deux (2) sources différentes, une à court terme qui
est liée à l`ajout des informations ou à la correction des erreurs de mesure dans les
données, et une autre qui est basée sur des changements structurels ou des mises à jours
dans l`année de base. L`aspect essentiel concerne la caractérisation du processus de la
révision, s`agit-il d`informations additionnelles ou de la réduction du bruit? On parle
de bruit lorsque les révisions se font sous la base des corrections d`erreurs de mesure
dans les données. D`intéressants papiers traitent ce sujet, Mankiw-Runkle-Shapiro
(1984) sont arrivés à la conclusion que la révision des données de la masse monétaire
réduit le bruit (noise), par contre Mankiw-Shapiro (1986) ont montré que la révision du
produit intérieur brut apporte des informations additionnelles (news). De même Mork
(1987) a utilisé la méthode des moments généralisés, pour montrer que les données
finales des comptes nationaux des revenus et produits contiennent de nouvelles
informations mais pour certaines périodes, les révisions n`apportent pas d`informations
supplémentaires ni ne réduisent pas le bruit. Patterson-Heravi (1991) de leur côté ont
utilisé les données de l`UK, ils ont conclu que la révision dans plusieurs composantes
du produit intérieur brut réduit le bruit. Fixler-Nalewaik (2006), ont fait un arbitrage
20
entre l`utilisation du produit intérieur brut (PIB) et le revenu intérieur brut (RIB) pour
caractériser la conjoncture. La différence entre ces deux approches quand on fait face à
l`état réel de l`économie peut être un ``bruit pur``, dans ce cas une forte variabilité
implique une faible fiabilité par contre si cette différence traduit une ``nouvelle pure``
une forte variabilité implique une forte information et une plus grande fiabilité. À partir
d`un modèle qui combine le PIB et le RIB, ils ont utilisé plusieurs périodes de révisions
pour montrer que l`hypothèse de ``nouvelles pures`` parait plus évidente.
Lorsque la source de la révision est l`ajout d`informations dans ce cas,
l`estimation finale est la prévision optimale et la révision devient difficilement
prévisible. Par contre si la révision réduit le bruit, elle est donc prévisible. Dans cet
ordre d`idée, plusieurs travaux ont été réalisés pour montrer comment on peut prévoir
les révisions en temps réel si, ces dernières sont dues à des corrections suite à des
erreurs de mesures dans les données. Parmi ces travaux, on retrouve ConradCorrado (1979), qui ont utilisé un filtre de Kalman pour améliorer les données
préliminaires sur les ventes au détail; en intégrant les données révisées dans le filtre,
cela a permis d`améliorer la prévision de ces données. Guerrero (1993), qui a combiné
les données historiques avec les données préliminaires sur la production industrielle
mexicaine pour obtenir de meilleures estimations des données finales. De même,
Roberto-Hisashi (1995) dans leur article ils cherchent à prévoir les données finales, en
utilisant les données préliminaires et / ou les données révisées de la consommation
américaine per capita. Les variables suivantes sont introduites et provenant dans
un contexte de problème de filtrage non linéaire ou de lissage, ces variables sont: (a)
la prévision des données finales au temps t étant donné les données préliminaires
jusqu`au temps t - 1, (b) la prévision des données finales au temps t étant donné les
données préliminaires jusqu`au temps t, (c) la prévision des données finales au temps t
étant donné des données préliminaires jusqu`au temps T, (d) la prévision des données
finales au temps t étant donné les données révisées jusqu`au temps t - 1 et les données
préliminaires jusqu`au temps t - 1, et (e) la prévision des données finales au temps
t étant donné les données révisées jusqu`au temps t - 1 et les données préliminaires
jusqu`au temps t. Ils ont trouvé que (e) est la meilleur variable mais pas trop différente
21
de (c). Faust-Rogers-Wright (2005), ont trouvé que parmi les pays du G-7, les
révisions du PIB au Japon et au United Kingdom (UK) étaient prévisibles en temps
réel, et Aruoba (2008),
a utilisé des méthodes similaires
pour prévoir
les
révisions pour différentes types de variables.
Des modèles ont été conçus pour prévoir certaines révisions en temps réel, ils
sont pour la plupart développés pour les données américaines et l`UK. Pour les USA on
retrouve les travaux de Howrey (1978), Conrad-Corrado (1979), et Harvey-McKenzieBlake-Desai (1983) qui ont présenté des modèles pour prévoir les révisions. Pour l`UK,
on a principalement les travaux de Holden-Peel (1982), Patterson (1995), et
Kapetanios-Yates (2004). Enfin, pour l`Allemagne, les USA et la zone d`euro, AntonioCarstensen (2005) ont proposé un modèle paramétrique capable d`évaluer la structure
de la révision des variables macroéconomiques, de quantifier l`incertitude liée aux
données préliminaires et de prévoir de futures publications.
Une des difficultés à laquelle les décideurs de politique économique doivent faire
face, concerne la précision et le temps dans la publication des données. L`idéal serait
d`attendre les publications définitives pour faire les analyses, mais l`analyse de
conjoncture exige que l`on dispose des données le plus rapide que possible pour avoir
dans le court terme, une idée sur le comportement ou l`état de l`économie.
Malheureusement, beaucoup de données macroéconomiques sont toujours incertaines à
la première publication. De nombreuses questions se sont soulevées pour tenter de
pallier à certains problèmes liés à l`utilisation des données en temps réel. Parmi
lesquels, des recherches ont évoqué l`existence d`un biais dans les premières
publications des données.
Ainsi, K. Holden et D.A. Peel (1982) ont examiné la relation entre les données
initiales et les différentes révisions, pour le produit intérieur brut et les dépenses en
consommation pour l‟UK. Ils sont parvenus à la conclusion que les données
préliminaires sont biaisées et ce biais change d`une révision à l`autre. Garratt-Vahey
22
(2004), en se basant sur des tests ex-post ont trouvé que beaucoup de séries de données
pour l`UK sont biaisées et inefficaces.
Nadim Ahmad et al. (2007) dans leur article ont mis l`accent sur l`importance de
la révision des données comme outil d`évaluation et d`amélioration de la fiabilité des
données en l`occurrence le PIB. Ils ont examiné l`historique de la révision des données
pour les pays de l`OCDE (Canada, Japon, France, UK…). Ils ont conclu que la fiabilité
de l`estimation préliminaire est améliorée dans beaucoup de pays comparativement à la
décennie passée. Aussi, ce papier a évalué si les estimations préliminaires sont
inferieures ou supérieures aux estimations finales (biais). L`existence du biais a été
vérifiée pour le Canada, la France et l`UK. Ils ont suggéré de ne pas utiliser le biais
d`ajustement à l`estimation courante et future du taux de croissance du PIB, plutôt il
faut chercher à identifier la cause du biais dans les données et rectifier le problème à la
source.
Aruoba-Boragan (2008) ont abordé dans le même sens que Garratt-Vahey et ils
ont étudié les propriétés empiriques des révisions aux grandes variables macroéconomiques aux États-Unis. Leurs résultats suggèrent que les révisions ne satisfaites
pas aux simples propriétés statistiques. En particulier, ils ont constaté que ces révisions
n'ont pas une moyenne nulle, ce qui indique que les annonces initiales par les
organismes statistiques sont biaisées. Ils ont trouvé également que les révisions sont
assez grandes par rapport aux variables à leur première publication et elles sont
prévisibles en utilisant l`ensemble des informations au moment de l'annonce initiale, ce
qui signifie que les premières annonces des agences statistiques ne sont pas des
prévisions rationnelles.
23
Prévisions et révisions
La révision des données intéresse aussi les prévisionnistes, la grande question est de
savoir quelles données utilisées pour la prévision? Existe-t-il une différence entre les
prévisions avec les données en temps réel et les prévisions avec les dernières données
disponibles après révisions? Plusieurs travaux ont été réalisés pour tenter de répondre à
ces questions, utilisant les données canadiennes Denton-Kuiper (1965) dans leur article
ont comparé les prévisions basées sur les données en temps réel aux prévisions faites
avec les dernières données disponibles. Ils ont conclu qu`il existe une différence
significative entre ces deux prévisions. La conclusion de Cole (1969) n`est pas
différente, il a constaté que les erreurs dans les données réduisent l`efficacité des
prévisions et conduisent à des prévisions biaisées. Trivellato-Rettore (1986) ont conclu
dans le même sens en utilisant les données italiennes, à partir d`un modèle d`équations
simultanées ils ont montré que les erreurs dans les données affectent à la fois les
coefficients et les prévisions mais affectent peu les erreurs de prévisions. Faust-RogersWright (2003) pour leur part ont utilisé les prévisions du taux de change pour montrer
que les prévisions varient selon la période de révision considérée, et que pour certaines
périodes il est possible d`utiliser les données en temps réel pour faire la prévision par
contre, pour d`autres périodes cela ne fonctionne pas. Molodtsova-NikolskoRzhevskyy-Papell (2007) ont montré que le taux de change entre le US dollar et le
Deutsche mark est prévisible en utilisant les données en temps réel et non les données
révisées. En considérant ces littératures autour de la prévision, on peut en déduire que
la révision affecte la prévision, et l`utilisation des données en temps réel ou après
révisions pour faire la prévision dépend de l`exercice en question.
D`autres aspects sont traités pour tenter de voir comment la révision des données
affecte les prévisions. Il est suggéré par Howrey (1996) d`utiliser les données en taux
de croissance au lieu d`en niveau pour faire la prévision du PIB réel. Pour les variables
avec de grandes révisions en niveau, le choix de faire la prévision avec les données en
temps réel ou après révisions est important, a conclu Kozicki (2002). Le choix du
model est parfois affecté par la révision des données, mais cet impact peut dépendre de
24
la variable utilisée ont souligné Swanson-White (1997), le travail de RobertsonTallman (1998) a montré que la spécification du modèle utilisant la variable production
industrielle est affectée par la révision des données alors que ce n`est pas le cas pour le
PIB.
Les résultats de Koenig-Sheila-Jeremy (2003) ont montré que l'exactitude des
prévisions est améliorée quand un analyste estime son modèle basant sur les données à
différentes périodes de révisions. Ce résultat est frappant parce qu'il est en contradiction
avec la pratique des prévisionnistes professionnels, qui estiment leurs modèles sur la
base des dernières observations disponibles, et non pas avec les observations
préliminaires.
Orphanides-Van Norden (2005), ont étudié l'effet des révisions des données sur
les mesures de l'écart de production et de la fiabilité des prévisions de l`inflation. À
partir d`un ensemble de 12 autres séries de l`écart de production, ils ont trouvé presque
toutes ces mesures semblent être liées à des taux d`inflation futurs lorsque l'analyse est
menée dans l'échantillon. Un résultat qui est conforme à la théorie économique. Cette
même étude a été réalisée hors échantillon, en utilisant les données sur l`écart de
production en temps réel, ils ont trouvé aucune preuve que l`écart de la production aide
à prévoir le taux d`inflation. Ces résultats suggèrent qu`il ne faut pas ignorer la révision
des données dans le processus de spécification du modèle.
Hui Feng (2005), dans un papier a étudié l'impact des révisions des données sur
les prévisions et a présenté les procédures d`un modèle de sélection. Deux séries
temporelles macroéconomiques canadiennes ont été analysées: l`agrégat monétaire M3
en temps réel (1977-2000), et le crédit hypothécaire à l'habitation (1975-1998). Les
résultats qu`il a obtenus, ont démontré que le modèle basé sur les données révisées
fournit de meilleurs prévisions que le model utilisant les données en temps réel.
25
Politique monétaire et révisions
Un des problèmes auquel font face les décideurs de politique économique, est que les
versions récentes des données sont sujettes à des révisions ultérieures. Beaucoup sont
ceux qui se questionnent sur l`effet de la révision des données sur les décisions de
politique monétaire. Pour certains la révision influence la politique monétaire tandis
que pour d`autres elle peut ne pas l`influencer. Maravall-Pierce (1986), ont conclu que
la révision des données ne devrait pas affecter significativement la politique monétaire,
si les décideurs extraient de façon optimal le signal dans les données sachant que ces
dernières vont être révisées.
Kozicki (2004), dans son article s`est concentré sur les révisions apportées aux
données que les décideurs politiques sont souvent examinées lors de l'évaluation des
options de politique monétaire. Il a examiné aussi comment la révision des données
affecte les décisions de politique économique par des changements dans les
estimations du taux d`intérêt réel d'équilibre. L'article a conclu que la révision des
données peut conduire à la politique regrettable quand les données révisées peuvent
suggérer des actions alternatives qui auraient été préférables à celles prises. De ce fait,
il a recommandé l'élaboration des politiques moins sensibles aux indicateurs
économiques qui sont soumis à d'importantes révisions.
Jarkko-Tony (2005), ont montré que la révision des données a un impact sur les
décisions de la politique monétaire, et ils ont proposé un modèle pour faire face à ce
problème. Ils ont souligné que l`analyse de la politique monétaire est faite en générale
avec les données en temps réel à la place des données finales, les décideurs qui tiennent
pas compte de cette révision pourrait biaiser leur analyse.
Peter Kugler et al. (2005), à travers une modélisation VAR structurel restreint
composée de quatre variables qui tiennent compte des révisions de données relatives au
PIB, ont analysé les règles d'avenir pour la politique monétaire Suisse. Tout d'abord,
l'article a développé une méthode analytique pour analyser l'effet des erreurs de
26
révision des données, dans le PIB ex-ante ou sur la volatilité conditionnelle de
l`inflation et du taux de croissance de la production
utilisant les données
suisses. Ensuite, l`article a analysé l`effet de différentes cibles dans une politique
monétaire, sur la volatilité ex-post ou inconditionnelle de l'inflation et du taux de
croissance de la production, à l`aide d`un exercice de simulation. En général, les
résultats suggèrent que la politique monétaire concentrant sur la croissance du PIB au
lieu de l'inflation peut conduire à une politique inefficace, les deux augmentent la
volatilité de l'inflation et de la croissance du PIB à moyen terme, en présence des
révisions des données du PIB.
Croushore-Evans (2006), dans leur article ont examiné deux approches pour
aborder le fait qu`un ensemble de données macro-économiques se modifient au fil du
temps en raison des révisions dans les données. La première approche consiste à
évaluer la sensibilité des estimations VAR en utilisant les données révisées aux
différentes périodes de révision. La seconde approche considère un modèle statistique
de révision des données et met en œuvre une autre stratégie d'estimation en temps réel,
pour surmonter les biais dans les variables. Leur méthode suppose que la production, le
niveau des prix, et les agrégats monétaires sont des variables latentes qui sont pas
mesurées avec précision. Selon leurs résultats, la révision des données ne modifie pas
sensiblement les mesures de choc sur la politique monétaire.
Plusieurs propositions ont été faites pour pallier au problème de la révision des
données face à la décision de politique monétaire. Ainsi, Coenen-Levin-Wieland (2001)
ont proposé d`utiliser la monnaie comme indicateur quand les données du PIB sont
incertaines. Bernanke-Boivin (2003), ont proposé l`utilisation du model des facteurs
pour incorporer beaucoup de données, dans ce cas les résultats ne dépendront pas de
l`utilisation des données, qu`elles soient en temps réel ou révisées. Toutefois, ils ont
avancé que les décideurs doivent être prudents quant à l`utilisation des données dans
leur prise de décisions, les révisions doivent être prises en considération dans leur
analyse, pour ne pas influencer trop la politique monétaire.
27
Recherches macroéconomiques et révisions
La révision des données n`est pas sans effet sur les recherches macroéconomiques. On
peut caractériser cet impact sur différents angles, bon nombres de recherches se sont
basées sur les données en temps réel pour apporter une réponse à un phénomène
quelconque.
L`idée qui se développe à l`heure actuelle est de savoir si ces résultats tiennent
encore si on utilise les données révisées. Des travaux ont été réalisés pour tester la
robustesse des résultats de ces recherches, ces travaux ont été répliqués avec des
données révisées en vue de voir si les résultats pourraient éventuellement changer.
Croushore et Stark (2003), font partie des analystes qui ont exploré ce champs d`étude,
ils ont pu relancer un bon nombre de recherches pour montrer comment les recherches
macroéconomiques sont affectées par la révision des données. Certains travaux
empiriques sont affectés par la révision des données tandis que pour d`autres c`est le
contraire. Boschen-Grossman (1982), ont utilisé les données en temps réel et les
données finales pour tester deux hypothèses. La première est que l`offre de monnaie ne
devrait pas influencer la production ou l`emploi et la seconde est que la révision des
données de la masse monétaire devrait être corrélée positivement avec la production et
l`emploi. Dans les deux cas, les hypothèses sont confirmées par les données finales
mais réfutées par les données en temps réel. Similairement, Amato-Swanson (2001) ont
trouvé le même résultat en testant d`autres hypothèses. Sous la base de ces études, on
peut conclure que les résultats diffèrent selon qu`on utilise les données en temps réel ou
données révisées. Il faut donc intégrer les révisions si elles sont grandes dans les
modèles macroéconomiques. Aruoba (2004), l`a déjà essayé avec un modèle
d`équilibre général dynamique et il est parvenu à la conclusion que la dynamique du
cycle économique est mieux captée en incorporant la révision dans le modèle.
28
Recherches financières et révisions
Tout comme les recherches macroéconomiques sont affectées par la révision des
données, au niveau du marché financier les analystes s`intéressent à savoir aussi
comment le marché financier réagit face à la révision des données. Ce champ d`étude
n‟est pas encore fertile, toute fois un intéressant papier à fait le point sur ce sujet.
Christoffersen-Ghysels-Swanson (2002), ont montré que l'utilisation de données
qui sont disponibles en temps réel lors de l'évaluation de la sensibilité des prix des
actifs de l`économie d`information, conduit à différentes constatations empiriques
lorsque la disponibilité des données et des problèmes de synchronisation sont ignorés.
Leur cadre d`étude est celui de Chen et al. [J. Bus., 59 (1986)], et ils ont examiné si les
innovations aux variables économiques peuvent être considérées comme des risques qui
sont récompensés dans les marchés d'actifs. Leurs résultats appuient l'idée que
l'incertitude des données est suffisamment répandue, pour justifier l'utilisation
judicieuse des données en temps réel lors de la formation de nouvelles mesures en
temps réel, et en général lorsqu'on entreprend des enquêtes empiriques financiers
impliquant des données macroéconomiques.
29
Cycle économique, temps réel et révisions
Nadine-Sophie-Francette (2007) ont fait ressortir l`importance de la révision des
données comme outil d`évaluation et d`amélioration de la fiabilité des données. Les
bureaux statistiques ont compris cela, ils ont procédé de nos jours à la révision de la
plupart des données économiques. Bien que souvent négligée, la révision des
données peut avoir des implications, non seulement sur l'analyse économique, mais
aussi sur les décisions politiques.
De nombreux papiers ont analysé le lien entre la révision des données et
l`analyse économique. Ainsi, Runkle (1998), a décrit comment et pourquoi les données
relatives au taux de croissance du PIB réel et l`inflation sont révisées dans le temps, et
l`impact de ces révisions sur la décision économique. Il trouve une certaine évidence
que l`utilisation des données en temps réel par les décideurs affectent leur analyse de la
politique économique.
Dynan-Elmendorf (2001), ont utilisé l`ensemble des données macroéconomiques
en temps réel qui contient des estimations contemporaines du PNB ou du PIB et ses
composantes au début des années 1960, ainsi que les informations sur le marché
financier et autres données. Leurs résultats indiquent que les estimations provisoires
ne permettent pas de capter pleinement les accélérations et décélérations, ce qui
suggère une certaine tendance des estimations provisoires de rater les retournements
conjoncturels.
De plus, l`analyse en temps réel fait l`objet de nombreuses recherches. Les
analystes cherchent de plus en plus à déterminer de façon probabiliste l`état de
l`économie en temps réel. Chauvet- Jeremy (2003), ont exploré la performance en
temps réel du modèle chaine markovienne appliqué au PIB réel et les données de
l`emploi pour répliquer le cycle d`affaires du NBER au cours des 40 dernières années.
Le modèle produit les pics et les creux du cycle d`affaires à des dates relativement
proche des dates du NBRE.
30
Chauvet-Hamilton (2006), ont utilisé l`approche de chaine markovienne
d`espace-état pour identifier le point tournant du cycle économique. Conclusion, il
faudrait attendre la publication du taux de croissance du PIB un trimestre après ou un
mois après selon la fréquence utilisée avant d`identifier ce point tournant.
Jeremy-Nalewaik (2007), ont utilisé le modèle de chaine markovienne pour
estimer la probabilité d`être en récession en temps réel, en se basant sur le PIB et
revenu intérieur brut (RIB) comme indices de caractérisation de la conjoncture en
temps réel. Ils sont arrivés à la conclusion que l`utilisation du taux de croissance du
RIB permet mieux de cerner le début de la phase de la récession que le taux de
croissance du PIB.
Ce survol de la littérature a permis de mettre en évidence la préoccupation des
chercheurs sur l`importance de la révision des données, et son implication dans certains
domaines d`études. Les analystes utilisent des données en temps réel pour étudier
l`efficacité avec laquelle les bureaux statistiques construisent les premières versions de
données. Ceci, pour voir comment les révisions affectent les prévisions, pour montrer
l`implication de la révision des données sur les décisions de la politique économique, et
de tester la façon dont les précédentes études économiques résistent à la révision des
données. Nous abordons un autre aspect de la littérature, notre approche sera de voir
l`impact de la révision des données sur l`état de l`économie en temps réel. Autrement
dit, nous essayons d`analyser si les révisions sont suffisamment grandes pour modifier
notre estimation de la conjoncture en temps réel. Ce travail est fait en utilisant les
modèles de régime markoviens que nous présentons dans la section qui suit.
31
IV.
Modèles des régimes markoviens
Plusieurs techniques de séries temporelles linéaires et non linéaires ont été développées
pour modéliser les différentes caractéristiques des cycles économiques. Des études
empiriques ont montré que le cycle économique est en général asymétrique, les
expansions ont une durée plus longue que les récessions. Ceci constitue un problème
pour les modèles linéaires, ils ne sont pas capables de capter les asymétries cycliques.
Ce constat a conduit Hamilton (1989) à proposer, pour appréhender le cycle
économique, les modèles à changements de régimes markoviens.
Spécification du modèle
Hamilton (1989), suppose que la série observée peut être représentée sous la forme
d`un processus autorégressif d`ordre p. Et que l`évolution de ces paramètres est
gouvernée par une variable inobservée, que l`on peut modéliser à l`aide d`une chaine de
Markov à deux (2) régimes.
D`une façon générale le modèle peut s`écrire sous la forme :
Yt = α0 + α1St + φ1Yt-1 + φ2Yt-2 +….+ φpYt-p + εt (1)
Soit alternativement,
(1- φ(L))Yt
= α0 + α1St + εt (2)
Avec,
Yt : Le PIB au temps t.
St : représente l`état courant de l`activité économique.
St =
{
εt ~ N (0, σ2)
Si St était observée, ce modèle aurait été simple à estimer en considérant St
comme une variable muette ou indicatrice. Cependant, même si l`état de l`économie est
inobservé. Il est possible de faire l`inférence probabiliste optimale sur ces régimes en se
basant sur le comportement observé de la série. Il s`agit d`utiliser l`estimation des
32
paramètres provenant de la maximisation de la fonction de vraisemblance ainsi que les
données observées pour inférer les statistiques sur les régimes non-observables.
On suppose que St est décrite par un processus markovien de premier ordre. Cette
hypothèse implique que l`état actuel de l`économie dépend de l`état qui lui précède. Le
passage d`un état au temps t-1 à l`état au temps t, est donné par quatre (4) probabilités
de transition. Elles mesurent la probabilité de rester dans un même régime ou de passer
d`un régime à l`autre.
P00 = P(St = 0 | St-1 = 0) , probabilité de rester dans la récession.
P01 = P(St = 1 | St-1 = 0), probabilité de passer de la récession à l`expansion.
P10 = P(St = 0 | St-1 = 1), probabilité de passer de l`expansion à la récession.
P11 = P(St = 1 | St-1 = 1), probabilité de rester dans l`expansion.
On note que : P00 + P01 = P10 + P11 = 1
Estimation du modèle
Le modèle peut être estimé par deux approches. L`approche classique ou bayésienne.
Approche classique
1) Hamilton suggère l‟application du filtre de Kalman pour l`estimation classique
du modèle.
Soit, Pr (St = j | It-1 = пj) au début du temps t.
est la variable d‟état.
La Pr (St = j | It-1 ) est donnée par la formule suivante pour tout i=0,1:
Pr (St = j | It-1 ) =
Σi Pr (St
= j, St-1 = i | It-1)
=
Σi Pr (St
= j | St-1 = i ) Pr (St-1 = i | It-1 )
=
Σi Pij Pr (St-1
= i | It-1 )
Ou Pr (St = j | St-1 = i ) = Pij sont les probabilités de transition, avec i, j=0,1.
33
2) De façon itérative on calculera les probabilités d`être à l`état j au moment t étant
donné les informations disponibles. En d`autres termes, une fois
est observée
à la fin du temps t, la probabilité est calculée ainsi :
Pr (St = j | It) = Pr (St = j | It-1,Yt)
f(St = j,Yt | It-1)
f(Yt | It-1)
f(Yt |St = j, It-1) Pr (St = j | It-1)
Σi f(Yt |St = j, It-1) Pr (St
= j | It-1)
Avec, It ={ It-1 , Yt } et f(.) la fonction de densité de Yt .
Pour faire l`itération, il faut une valeur initiale pour débuter le filtre. Chiang (1980)
propose d`utiliser les probabilités inconditionnelles de St pour chaque état.
Pr (S1 = 0 | I0) = п0
1 - P11
2-P11-P00
Pr (S1 = 1 | I0) = п1
1 - P00
2-P11-P00
Avec ces probabilités filtrées on est capable de détecter les phases probables de
récession et d`expansion de l`économie canadienne à chaque période de l`échantillon.
Approche bayésienne
Cette approche consiste à simuler les St , et pour obtenir la Pr (St = j | S-t) on applique
la règle de Bayes, pour tout i=0,1.
Pr (St = j | S-t)
Pr (St = j | St-1) Pr (Yt | St = j)Pr (St+1| Sj = j )
Σi Pr (St
= j | St-1) Pr (Yt | St = j)Pr (St+1| Sj = j )
On simule St , t=0,……, T par une séquence des lois Bernoulli.
Dans le cas de ce travail, cette approche va être priorisée.
34
V.
Cas d`études
V.1. 1990.1-1991.4
Cette période a été marquée par la récession du 1990Q2 – 1991Q1, au cours de cette
période les données préliminaires ont annoncé un net ralentissement de la croissance
économique. À ce moment là on ne pouvait pas mesurer l`ampleur réel de cette
récession, étant donné les estimations étaient provisoires. À la suite de la dernière
révision, on a observé un écart entre les données définitives et les données
préliminaires. Sur un total de quatre (4) révisions, trois (3) sont à la baisse et une (1) à
la hausse (figure 8). Ce qui montre que, sur la période de la récession, 75% des données
préliminaires ont sous estimé le niveau de décroissance de l`activité économique par
rapport aux données définitives. Par exemple, au troisième trimestre 1990, le taux de
croissance en temps réel était -0.30%, à la révision finale il devient -0.64%, soit une
révision à la baisse de 0.34%. L`activité économique a donc baissé beaucoup plus que
prévue. Par conséquent, sur la période de la récession, à 75% les diminutions du taux
de croissance de PIB réel étaient plus fortes que prévues. Donc, à cette période,
l`ampleur de la récession était plus grande après révision qu`en temps réel.
Figure 8 : Premières estimations, estimations finales et révisions
Taux de croissance du PIB réel : 1990Q1-1991Q4
3.00
2.00
en %
1.00
0.00
1990Q1
1990Q2
1990Q3
1990Q4
1991Q1
1991Q2
1991Q3
1991Q4
-1.00
-2.00
revision 0
First estimate
lastest estimate
35
V.2. 2007.1-2010.4
Nous intéressons à cette sous période de l`étude, laquelle a été marquée par la crise
financière mondiale. Dans la foulée de cette crise, l`activité économique mondiale a
connu une baisse, en particulier l`économie canadienne n`a pas été épargnée. Dans cette
sous période, nous observons deux phases de l`économie canadienne, une phase de
récession au cours de la période 2008Q3 - 2009Q2 suivi par une phase de reprise.
Notre souci, n`est pas de diagnostiquer l`économie canadienne en temps que telle
mais plutôt d`analyser l`état de l`économie en temps réel et après révision des données.
D`abord, nous regardons les données lors de leur première publication comparées avec
celles à la publication finale (figure 9). Ensuite, nous analysons les données à chaque
période de révision (figure 10). Tout ceci, est pour voir dans quelle mesure les révisions
dans les données peuvent affecter l`état de l`économie.
L`analyse de la figure 9 montre, qu`au cours de la période 2007Q1 - 2010Q4, les
données initialement annoncées présentent un écart par rapport aux données définitives.
Cette différence se traduit par une révision à la hausse ou à la baisse, cependant nous
constatons qu`au cours de la période de récession, les révisions ont été toutes à la
baisse. Ce qui laisse croire que pendant la récession, les données préliminaires ont sousestimé le niveau de décroissance de l`activité économique. L`ampleur de la récession
était beaucoup plus grande que l`on croyait être en temps réel. Par contre, les révisions
à la période de reprise étaient autant à la hausse qu`à la baisse, à la seule différence la
taille des révisions à la hausse dépassait celle des révisions à la baisse.
Pour ce qui est de la figure 10 qui met en relief, les données préliminaires et les
différentes révisions qu`elles ont subies avant d`être devenues données finales. Les
estimations de 2007Q1 à 2010Q4 du taux de croissance du PIB réel des différentes
périodes de révision ont suivi, en général, une tendance similaire bien qu`il y ait eu des
variations d`une période à l`autre. Ces variations sont à la fois positives et négatives et
d`intensité différente. À chaque période de révisions les données se rapprochent
36
beaucoup plus des données finales, par exemple les écarts entre les données à la
première révision et les données finales sont beaucoup plus grands que les écarts des
données à la 2ème révision par rapport aux données finales. Ainsi, les données sont
raffinées à chaque période de révision soit un ensemble de six (6) révisions avant la
publication définitive.
À la lumière de l`analyse précédente, il est clair que la révision des données
pourraient avoir un impact positif ou négatif sur la conjoncture économique en temps
réel. Comme nous venons de voir, l`intensité de la récession au cours de la période
2007Q1 - 2010Q4 a été sous estimée. Suite à la publication des données définitives, la
baisse soutenue de l`activité économique à cette période, a été beaucoup plus prononcée
contrairement à ce qu`on la croyait être en temps réel, à savoir à la première
publication.
Face à cette incertitude liée aux révisions des données, il est important de noter
que ce ne serait pas une tâche facile de déterminer avec certitude l`état réel de
l`économie à un moment donné. Notre démarche dans la section qui suit, est de
déterminer la probabilité pour qu`à un moment donné l`économie se trouve à un état
quelconque. Par exemple, nous cherchons à évaluer sur la période 2007Q1 - 2010Q4, la
probabilité pour que l`économie canadienne soit en expansion. Par la suite, de voir
comment ces probabilités se sont affectées par la révision, d`analyser éventuellement si
l`effet de la révision est suffisamment grand pour modifier notre estimation de la
conjoncture en temps réel.
37
Figure 9 : Premières estimations, estimations finales et révisions
Taux de croissance du PIB réel : 2007Q1-2010Q4
3.00
2.00
en %
1.00
0.00
2007Q1
2007Q4
2008Q3
2009Q2
2010Q1
2010Q4
-1.00
-2.00
revision 0
First estimate
lastest estimate
Figure 10 : Différentes estimations selon les périodes de révision
Taux de croissance du PIB réel : 2007Q1-2010Q4
3.00
2.00
en %
1.00
0.00
2007Q1
2007Q4
2008Q3
2009Q2
2010Q1
2010Q4
-1.00
-2.00
First estimate
3 quarter later
3 years later
1 quarter later
1 year later
lastest estimate
2 quarter later
2 years later
38
VI.
Résultats
Spécification et estimation du modèle
Dans le cadre de ce travail, la spécification du modèle prend la forme d`un AR(4), elle
est décrite de la manière suivante :
(Yt -µ0- µ1St) = ρ1(Yt-1 -µ0- µ1St-1) + ρ2(Yt-2 -µ0- µ1St-2)
ρ3(Yt-3 -µ0- µ1St-3) + ρ4(Yt-4 -µ0- µ1St-4) + εt
Ou ρ(L) (Yt -µ0- µ1St) = εt
Avec,
ρ(L) =1- ρ1L- ρ2L2- ρ3L3- ρ4L4 , LkYt = Yt-k, pour tout k ≥ 0
Yt: Le taux de croissance du PIB réel canadien au temps t.
St: représente l`état courant de l`activité économique au temps t.
µ0: Moyenne en récession
µ1: Moyenne en expansion, on suppose que µ1>0 pour identification.
St =
{
εt ~iid N (0, σ2)
Pour estimer le modèle, l`approche bayésienne a été utilisée. Puisque l`état de
l`économie n`est pas observé, les St sont simulées par la loi de Bernoulli en utilisant les
techniques d`échantillonnage de Gibbs. Le tableau suivant contient les probabilités de
rester dans un état ou de passer d`un état à l`autre.
St=0
St=1
St-1=0
P0
1-P0
St-1=1
1-P1
P1
39
À partir des
simulées, les probabilités de transition ont été calculées comme suit :
N00 : nombre de fois que l`économie reste en récession St-1=0 et St=0
N11 : nombre de fois que l`économie reste en expansion St-1=1 et St=1
N0 : nombre de fois ou St=0
N1 : nombre de fois ou St=1
Le but ici c`est de voir à partir des résultats trouvés, s`il y a lieu de croire que la
révision des données peuvent affecter l`état de l`économie en temps réel et surtout, de
voir comment et dans quelle mesure elle l`influence. Le tableau 3 ci-dessous, présente
du premier trimestre 2007 au quatrième trimestre 2010, les probabilités d`être en
expansion, pour les données en temps réel (préliminaires) et les données révisées que
sont les sept (7) autres séries qui succèdent la série préliminaire.
Toujours dans le tableau 3, on note que les probabilités ne sont pas évaluées à
toutes les périodes de révision. D`abord, il faut rappeler qu`en général la première
publication trimestrielle est faite avec trois (3) mois ou un trimestre de retard et elle est
révisée un trimestre plus tard. Donc, les données du premier trimestre sont publiées en
juin et sont révisées en septembre, soit une première révision un trimestre après.
Suivant cette même logique, les données au quatrième trimestre 2010 ont une première
publication en mars 2011 et elles sont révisées un trimestre plus tard, soit en juin 2011.
Étant donné que juin 2011 est la dernière version de révisions que nous disposons, le
2010Q4 a juste une seule période de révision qui représente aussi pour l`instant la
publication finale, en attendant les autres périodes de révisions.
Pour répondre à l`objectif du travail, nous avons évalué pour chaque série, les
probabilités pour que l`économie canadienne se trouve en expansion à chaque moment
de la période 2007Q1 - 2010Q4. Étant donné qu`il y a beaucoup plus de périodes
d`expansion que de récession dans notre série de données, techniquement il nous était
plus facile de simuler les probabilités de tomber en expansion que celles de tomber en
40
récession. Ces probabilités sont présentées dans le tableau 3 plus bas, nous avons pris
le soin aussi de présenter graphiquement ces résultats. Graphiquement, nous avons
comparé les résultats en temps réel à ceux des différentes révisions.
D`une manière générale, au regard des graphiques suivants, les résultats obtenus
avec les données en temps réel et après révisions sont quasiment similaires. Les
changements observés sont minimes, les graphiques ont tous une même tendance et une
structure semblable à un ``V``. Les années 2007 et 2008 sont dominées par des fortes
probabilités de tomber en expansion, ensuite aux trois premiers trimestres de l`année
2009, ces probabilités ont chuté pour remonter par la suite aux périodes suivantes.
Ainsi, les probabilités ont connu des pics aux périodes 2007Q1-2008Q4 et 2009Q42010Q4 et un creux à la période 2009Q1-2009Q3. Ces résultats semblent être logiques
dans la mesure où, le début de l`année 2009 a été marqué par une récession. Donc, il est
clair qu`il était peu probable pour que l`économie se trouve en expansion à cette
période. Contrairement à la période de récession, ces probabilités à la période de reprise
ont été très fortes.
Certes, les données en temps réel et celles révisées présentent une évolution
graphique similaire, mais elles n`ont pas toujours la même grandeur d`évolution. Ainsi,
l`évolution des probabilités de tomber en expansion en temps réel et après révisions
sont quasiment confondues, mais présentant un léger écart au troisième trimestre 2009.
Cet écart augmente à mesure que les données sont révisées, au troisième trimestre 2009
la probabilité d`être en expansion en temps réel était de 34.13% contre 42.22% après la
première révision et 59.81% à la révision finale. À cette date, les données en temps réel
ont sous estimé la chance d`être en expansion.
En temps réel, les probabilités pour que l`économie se trouve en expansion
évaluées de 2007Q1 à 2010Q4 n`évoluent pas dans la même proportion. À cette
période, l`état de l`économie à changer de phase, ces probabilités augmentent en
période de reprise et diminuent en période de récession. Ces probabilités ne sont pas
restées fixes suite à la révision des données, elles varient à la hausse et à la baisse
41
dépendamment de la série de révision considérée. On a eu sept (7) périodes de
révisions, chacune de ces révisions est comparée avec les résultats en temps réel. Ainsi,
en moyenne ces probabilités sont révisées d`autant à la hausse qu`à la baisse.
Cependant, les écarts constatés entre les probabilités calculées en temps réel et celles
obtenues après les révisions sont peu significatifs. À chaque période donnée, nous
avons évalué l`écart type entre les séries, et ces écarts type ont évolué dans l`intervalle
[0.0001; 0.0843]. Ce qui confirme qu`il n`y a pas eu de grands changements au niveau
des probabilités ainsi obtenus à chaque série de données.
L`analyse précédente montre qu`il n`a pas eu de changements majeurs quant aux
résultats obtenus en temps réel et après révisions. Ces faibles écarts constatés ne
suffissent pas pour modifier l`état de l`économie en temps réel. Par exemple, si à une
période donnée il y a de forte ou faible chance pour que l`économie se trouve à un état
donné en temps réel, il sera encore fort ou peu probable que cet état persiste après
révisions des données. Selon ces résultats, la révision des données semble ne pas avoir
une influence significative sur l`état de l`économie en temps réel. Ceci nous assure que,
l`état de l`économie en temps réel ne changera pas après révisions. Si l`économie est en
expansion ou en récession dès la première publication des données, alors cet état restera
inchangé à la suite des différentes révisions jusqu`à la révision finale.
Un fait important à signaler concernant les faibles écarts des résultats entre les
données en temps réel et après révisions. Selon les calendriers de révisions, la révision
finale se fera 4 ans après la première publication. Ainsi, certaines données du 2007Q1 à
2010Q4 n`ont pas encore subi toutes les révisions prévues. Ce qui peut expliquer en
partie les écarts peu significatifs dans les résultats. Toute fois, le peu de révision qu`ont
subi les séries permet déjà de déceler une différence dans les résultats. Même si ces
différences ne nous permettent pas de conclure que les révisions peuvent changer l`état
de l`économie, mais elles influencent par contre son ampleur. Autrement dit, si
aujourd`hui on est expansion selon les données préliminaires, nous pouvons nous
assurer qu`après les révisions l`économie restera en expansion à la seule différence,
l`ampleur ne sera pas la même. On peut s`attendre à une expansion avec des taux de
42
croissance plus faibles ou plus forts. Il en est de même pour la récession, la révision des
données peut rendre la récession plus douloureuse ou plus souple par rapport à ce
qu`elle était en temps réel c.-à-d. avant les révisions. À titre d`exemple, au premier
trimestre 2009 l`économie avait 0.39% de chance de tomber en expansion à la première
publication, soit 99.61% chance pour la récession. Par contre à la publication finale,
cette probabilité d`expansion passe à 0.23%, soit 99.77% chance pour la récession
(voir tableau 3). La chance d`être en récession a été sous estimée en temps réel, ce qui
constitue un biais dans l`analyse de la conjoncture en temps réel.
En somme, les résultats obtenus permettent de faire ressortir deux points
importants. La révision des données n`affecte pas l`analyse des points tournants en
temps réel, par contre elle s`avère importante quand il faut juger de l`ampleur d`une
récession ou d`une expansion.
Tableau 3 : Résultats
Séries
Temps
réel
Prélimil.
Révisions
1 trim.
2 trim.
3 trim.
1an
2 ans
3 ans
plus tard plus tard plus tard plus tard plus tard plus tard finale
Date
2007Q1
2007Q2
2007Q3
2007Q4
2008Q1
2008Q2
2008Q3
2008Q4
2009Q1
2009Q2
2009Q3
2009Q4
2010Q1
2010Q2
2010Q3
2010Q4
0,9991
0,9985
0,9978
0,9895
0,9835
0,9930
0,9968
0,8092
0,0039
0,0257
0,3413
0,9996
0,9995
0,9914
0,9896
0,9985
0,9992
0,9985
0,9978
0,9891
0,9792
0,9954
0,9952
0,7643
0,0028
0,0450
0,4222
0,9996
0,9993
0,9926
0,9946
0,9981
0,9990
0,9987
0,9962
0,9908
0,9820
0,9953
0,9932
0,7968
0,0028
0,0364
0,4352
0,9996
0,9991
0,9922
0,9965
-
0,9992
0,9985
0,9959
0,9903
0,9764
0,9943
0,9935
0,8129
0,0022
0,0762
0,4223
0,9995
0,9991
0,9926
-
0,9992
0,9985
0,9959
0,9903
0,9785
0,9940
0,9934
0,8161
0,0022
0,0775
0,4294
0,9995
0,9991
-
0,9987
0,9988
0,9947
0,9926
0,9774
0,9913
0,9935
0,8987
0,0023
-
0,9978
0,9983
0,9959
0,9962
0,9738
-
0,9979
0,9985
0,9958
0,9958
0,9738
0,9937
0,9937
0,8691
0,0023
0,0493
0,5981
0,9995
0,9991
0,9926
0,9965
0,9981
43
Figure 11 : Probabilités d`expansion en temps réel et Probabilités
Après la révision d’un, deux, trois, quatre trimestres plus tard
1.2
1.2
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
First estimate
1 quarter later
First estimate
1.2
1.2
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
First estimate
3 quarter later
First estimate
2 quarter later
1 year later
44
Figure 12 : Probabilités d`expansion en temps réel et Probabilités
Après la révision de deux, trois, quatre ans plus tard
1.2
1.2
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
First estimate
First estimate
2 years later
1.2
3 years later
1.2
1
0.8
0.6
0.4
0.2
0
1
0.8
0.6
0.4
0.2
0
First estimate
lastest estimate
First estimate
1 quarter later
2 quarter later
3 quarter later
1 year later
2 years later
3 years later
lastest estimate
45
VII. Conclusion
Ce papier vise d`abord à caractériser la conjoncture de l`économie canadienne en temps
réel, c`est à dire à déterminer les phases de récession et d`expansion à partir des
données à la première publication et les données révisées. Ensuite, nous cherchons à
analyser à quel point la révision dans les données affectera notre estimation de la
conjoncture. Enfin, nous essayerons de voir comment caractériser la conjoncture tenant
compte des données révisées. Autrement dit, comment incorporer cette révision dans
l`analyse, afin d`être plus précis et réduire le biais ou le risque de donner des faux
signaux sur l`état réel de l`économie. Pour atteindre cet objectif, nous avons utilisé les
modèles à changements de régimes markoviens. Comme une méthode très utile dans la
détermination des différentes phases du cycle économique.
Notre méthodologie est simple, dans un premier temps nous avons collecté les
données sur le taux de croissance du PIB réel sur les séries préliminaires et toutes les
révisions. Ensuite, nous avons utilisé les techniques de simulation pour estimer le
modèle à changement de régimes markoviens, caractérisé par un modèle d`autorégressif
d`ordre 4 à deux régimes inobservés. La période 2007Q1-2010Q4 a été ciblé comme
cas d`étude pour faire ressortir la récente récession, et évaluer par la suite sur cette
période les probabilités de tomber en expansion, pour les données en temps réel et les
révisions.
Il est à rappeler que, les données préliminaires sur le PIB ont subi sept (7)
révisons avant d`être données définitives. Elles débutent avec une fréquence de révision
trimestrielle et terminent annuellement, soit une période totale de quatre (4) ans de
révisions avant de devenir données finales. Face à un tel constat, l`une de nos
préoccupations était de voir, si par exemple l`économie qui se trouvait en expansion
pourrait par la suite des révisions tomber en récession.
46
Les résultats obtenus ont permis de conclure que, l`état de l`économie en temps
réel c.-à-d à la première publication des données n`est pas influencé significativement
par les révisions des données. C`est un résultat très important dans l`analyse de la
conjoncture, ce serait plus compliqué si les révisions auraient été affectées l`analyse des
points tournants en temps réel. Dans ce cas, Il aurait fallu en tenir compte de ces
révisions dans l`analyse de la conjoncture, afin de diminuer tout risque de se tromper de
l`état réel de l`économie.
De plus, les probabilités de tomber en expansion au cours de la période
2007Q1-2010Q4 montrent comment les révisions affectent l`ampleur de l`état de
l`économie. Il est vrai que selon les résultats, il était très probable pour que l`économie
se trouve en expansion dans certains cas, mais ces probabilités changent à chaque
période de révision. Même si en temps réel et après révisions l`état de l`économie ne
change pas, toutefois les révisions doivent être prises en considération s`il faut juger de
l`ampleur d`une récession ou d`une expansion. C`est un second résultat très intéressant
de ce travail, il fait ressortir à quel moment les révisions sont importantes dans
l`analyse de la conjoncture, que tout analyste ne devrait pas négliger dans leur analyse.
47
Références
Ahmad Nadim, Bournot Sophie and Koechlin Francette "Revisions to Quarterly GDP
Estimates: A Comparative Analysis for Seven Large OECD Countries." 2007
http://www.oecd.org/dataoecd/20/26/34350524.pdf.
Amato Jeffery D. and Swanson Norman R. “The Real Time Predictive Content of
Money for Output” Journal of Monetary Economics 48 (2001), pp. 3–24.
Anderson Richard G. “Replicability, Real-Time Data, and the Science of Economic
Research: FRED, ALFRED, and VDC.” Federal Reserve Bank of St. Louis Review
88.1 (January/February 2006).
Aruoba S. Borağan. “Data Uncertainty in General Equilibrium” Manuscript, University
of Maryland, May 2004.
Aruoba S. Borağan. “Data Revisions Are Not Well Behaved.” Journal of Money,
Credit and Banking 40 (March-April 2008) .
Bengoechea P., Camacho M. and Perez-Quiros G. (2006), A useful tool to identify
recessions in the Euro-area, International Journal of Forecasting, 22, 735-749.
Bernanke Ben and Jean Boivin “Monetary Policy in a Data-Rich Environment” Journal
of Monetary Economics 50 (2003), pp. 525–546.
Boschen John F., and Herschel I. Grossman “Tests of Equilibrium Macroeconomics
Using Contemporaneous Monetary Data” Journal of Monetary Economics 10 (1982),
pp. 309–333.
Chauvet Marcelle, and Jeremy Piger. “Identifying Business Cycle Turning Points in
Real Time” Federal Reserve Bank of St. Louis Review (March/April 2003).
Chauvet Marcelle, and James D. Hamilton. “Dating Business Cycle Turning Points” In
Nonlinear Time Series Analysis of Business Cycles, edited by Costas Milas, Philip
Rothman, and Dick van Dijk, Elsevier (2006).
Christoffersen Peter, Eric Ghysels, and Norm Swanson “Let‟s Get „Real‟ About Using
Economic Data” Journal of Empirical Finance 9.3 (2002) pp. 343-360.
48
Coenen Gunter, Andrew Levin, and Volker Wieland “Data Uncertainty and the Role of
Money as an Information Variable for Monetary Policy.” Federal Reserve Board FEDS
working paper 2001-54 (2001).
Cole Rosanne, “Data Errors and Forecasting Accuracy,” in Jacob Mincer, ed.,
Economic Forecasts and Expectations: Analyses of Forecasting Behavior and
Performance. New York: National Bureau of Economic Research, 1969, pp. 47-82.
Conrad William and Carol Corrado. “Application of the Kalman Filter to Revisions in
Monthly Retail Sales Estimates” Journal of Economic Dynamics and Control 1 (1979),
pp. 177-98.
Croushore Dean and Stark Tom “Forecasting with a Real-Time Data Set for
Macroeconomists” Journal of Macroeconomics 24 (December 2002).
Croushore Dean, and Tom Stark, “A Real-Time Data Set for Macroeconomists: Does
The Data Vintage Matter?” Review of Economics and Statistics 85 (August 2003).
Croushore Dean, and Charles L. Evans. “Data Revisions and the Identification of
Monetary Policy Shocks” Journal of Monetary Economics 53 (September 2006), pp.
1135–1160.
Croushore
Dean.
"Frontiers
of
Real-Time
Data
Analysis"
2008.
facultystaff.richmond.edu/~dcrousho/docs/Real%20Time%20Frontiers_08Mar.pdf.
David de Antonio Liedo, and Carstensen, Kai. "A model for real time data Assessment
and Forecasting" 2005. http://www.cirano.qc.ca/fin/RealtimeData/Carstensen.pdf.
Denton Frank T., and John Kuiper. “The Effect of Measurement Errors on Parameter
Estimates and Forecasts: A Case Study Based on the Canadian Preliminary National
Accounts.” Review of Economics and Statistics 47 (May 1965), pp. 198-206.
Dynan Karen E., and Douglas Elmendorf. “Do Provisional Estimates of Output Miss
Economic Turning Points?” Federal Reserve Board, FEDS Working Paper No. 200152, November 2001.
Faust Jon, Rogers John H. and Wright Jonathan H. "Exchange Rate Forecasting: the
Errors We‟ve Really Made." Journal of International Economics 60 (2003): 35-59.
49
Faust Jon, John H. Rogers, and Jonathan H. Wright “News and Noise in G-7 GDP
Announcements” Journal of Money, Credit, and Banking 37 (June 2005), pp. 403–419.
Fixler Dennis. “Revisions to GDP Estimates in the U.S” U.S. Bureau of Economic
Analysis Paper (October 2004).
Fixler Dennis J. and Jeremy J. Nalewaik. “News, Noise, and Estimates of the „True‟
Unobserved State of the Economy” U.S. Bureau of Economic Analysis Working Paper
(January 2006).
Garratt Anthony, and Shaun P. Vahey. “UK Real-Time Macro Data Characteristics”
Manuscript, November 2004.
Guerrero Victor M. “Combining Historical and Preliminary Information to Obtain
Timely Time Series Data” International Journal of Forecasting (1993), pp. 477–485.
Harvey A.C., C.R. McKenzie, D.P.C. Blake, and M.J. Desai. “Irregular Data
Revisions” In: Arnold Zellner, ed., Applied Time Series Analysis of Economic Data.
Washington, D.C.: U.S. Department of Commerce, Economic Research Report ER-5,
1983, pp. 329–347.
Holden K., and D.A. Peel. “Data Revisions and Time Series Models of GDP and Its
Components” Applied Economics 14 (1982), pp. 101–110.
Holden K., and D.A. Peel. “The relationships between preliminary and revised
estimates of GDP and consumers‟ expenditure in the UK” The Statistician 31 (June
1982), pp. 259–266.
Howrey E. Philip. “The Use of preliminary data in econometric forecasting” Review of
Economics and Statistics 60 (May 1978), pp. 193-200.
Howrey E. Philip. “Forecasting GNP with Noisy Data: A Case Study” Journal of
Economic and Social Measurement 22 (1996), pp. 181-200.
Hui Feng. "Real-Time or Current Vintage: Does the Type of Data Matter for
Forecasting and Model Selection?." 2005.
Jääskelä Jarkko and Yates Tony. "Monetary Policy and Data Uncertainty"
Working paper no.281.
2005.
50
Jacques Anas, Laurent Ferrara“ Un indicateur d`entrée et de sortie de récession:
Application aux États-Unis” (juillet 2002).
Jeremy J Nalewaik. “Estimating Probabilities of Recession in Real Time Using GDP
and GDI” Federal Reserve Board of Governors, FEDS working paper 2007-07
(December 2006).
Kapetanios George, and Tony Yates. “Estimates of Measurement Error in United
Kingdom GDP and its Expenditure Components” Bank of England manuscript (2004).
Koenig Evan, Sheila Dolmas, and Jeremy Piger “The Use and Abuse of „Real-Time‟
Data in Economic Forecasting” Review of Economics and Statistics 85 (2003), pp. 618628.
Kozicki Sharon. “Comments on: „Forecasting with a Real-Time Data Set for
Macroeconomists” Journal of Macroeconomics 24 (December 2002), pp. 541−558.
Kozicki Sharon. “How Do Data Revisions Affect the Evaluation and Conduct of
Monetary Policy?” Federal Reserve Bank of Kansas City Economic Review, First
Quarter 2004.
Mankiw N. Gregory, David E. Runkle, and Matthew D. Shapiro “Are Preliminary
Announcements of the Money Stock Rational Forecasts?” Journal of Monetary
Economics 14 (July 1984), pp. 15-27.
Mankiw N. Gregory and Matthew D. Shapiro. “News or Noise: An Analysis of GNP
Revisions” Survey of Current Business (May 1986), pp. 20-25.
Maravall Augustin and David A. Pierce. “The Transmission of Data Noise into Policy
Noise in U.S. Monetary Control” Econometrica 54 (July 1986), pp. 961-979.
Molodtsova Tanya, Alex Nikolsko-Rzhevskyy, and David H. Papell. “Taylor Rules
with Real-Time Data: A Tale of Two Countries and One Exchange Rate.” University of
Houston Working Paper, September 2007.
Mork Knut A. “Ain‟t Behavin‟: Forecast Errors and Measurement Errors in Early GNP
Estimates” Journal of Business and Economic Statistics 5 (April 1987), pp. 165-175.
Olivier Darné, Laurent Ferrara “Identification of slowdowns and accelerations for the
Euro area economy” (June 2009).
51
Orphanides Athanasios and van Norden Simon. “The Unreliability of Output-Gap
Estimates in Real Time” Review of Economics and Statistics, (November 2001).
Orphanides Athanasios and van Norden Simon. "The Reliability of Inflation Forecasts
Based on Output Gaps in Real Time" Journal of Money, Credit, and Banking 37
(2005): 583–601.
Patterson K.D. and S.M. Heravi. “Data Revisions and the Expenditure Components of
GDP” Economic Journal 101 (July 1991), pp. 887-901.
Patterson K.D. “An Integrated Model of Data Measurement and Data Generation
Processes with an Application to Consumers‟ Expenditure.” Economic Journal 105
(Jan. 1995), pp. 54–76.
Peter Kugler, Thomas J. Jordan, Carlos Lenz, and Marcel R. Savioz. “GDP Data
Revisions and Forward-Looking Monetary Policy in Switzerland” North American
Journal of Economics and Finance 16 (December 2005), pp. 351-372.
Roberto S. Mariano, Hisashi Tanizaki “Prediction of Final Data with Use of
preliminary and/or Revised Data” Journal of Forecasting, Vol. 14,351-380 ( 1995)
Robertson John C., and Ellis W. Tallman. “Data Vintages and Measuring Forecast
Model Performance” Federal Reserve Bank of Atlanta Economic Review (Fourth
Quarter 1998), pp. 4-20.
Runkle David E. “Revisionist History: How Data Revisions Distort Economic Policy
Research” Federal Reserve Bank of Minneapolis Quarterly Review (Fall 1998).
Swanson Norman R., and Halbert White. “A Model Selection Approach to Real-Time
Macroeconomic Forecasting Using Linear Models and Artificial Neural Networks”
Review of Economics and Statistics (November 1997), pp. 540-550.
Trivellato Ugo, and Enrico Rettore. “Preliminary Data Errors and Their Impact on the
Forecast Error of Simultaneous-Equations Models” Journal of Business and Economic
Statistics 4 (October 1986), pp. 445-53.
52