Partial Identification of Heteroskedastic Structural Vector Autoregressions: Theory and Bayesian Inference

Nous étudions des modèles vectoriels autorégressifs structurels qui comportent une volatilité stochastique. Nous cherchons à déterminer s’il est possible de repérer un choc structurel particulier à l’aide de l’hétéroscédasticité sans imposer des contraintes de signe et d’exclusion. Trois apports ressortent de notre analyse : i) un ensemble de conditions qui garantissent que la matrice comportant des paramètres structuraux est partiellement ou globalement unique, ii) une mesure de rétrécissement liée à la distribution a priori pour la variance conditionnelle des chocs structurels, axée sur l’hypothèse de l’homoscédasticité, et iii) une méthode statistique permettant d’évaluer la validité des conditions énoncées au point i). Notre mesure de rétrécissement a priori garantit que les éléments probants utilisés pour repérer un choc structurel reposent principalement sur les données et sont moins influencés par la distribution a priori. Nous démontrons l’utilité de notre cadre au moyen d’un modèle budgétaire structurel et d’une série d’exercices de simulation.