Les fondements de l'analyse du cycle des affaires

Quels sont les cycles d'affaires?

Les cycles économiques sont des fluctuations récurrentes de l'activité économique globale — mesurées par des indicateurs tels que le produit intérieur brut (PIB), l'emploi, la production industrielle et le revenu — qui se déroulent sur des périodes de plusieurs années à dix ou plus. Chaque cycle comprend quatre phases distinctes: l'expansion (perdre la production et l'emploi), la pointe (le niveau maximal d'activité avant un ralentissement), la contraction[ (diminuer la production et la hausse du chômage), et largeur (le point faible à partir duquel commence une nouvelle expansion).

La macroéconomie moderne distingue deux grands types de cycles : cycles classiques (diminutions absolues de l'activité économique) et cycles de croissance[ (déviations par rapport à la croissance tendancielle). Les cycles classiques sont plus rares dans l'après-guerre mondiale, tandis que les cycles de croissance capturent des périodes d'expansion en dessous de la tendance qui ne peuvent pas s'enregistrer comme récessions complètes.

Pourquoi l'analyse historique compte

L'étude des cycles économiques historiques présente plusieurs avantages : premièrement, elle fournit un échantillon plus long d'épisodes d'expansion et de contraction, permettant aux économétriques d'estimer les modèles ayant une plus grande puissance statistique et de déceler des événements rares mais catastrophiques comme la Grande Dépression ou la crise financière de 2008. Deuxièmement, des données historiques permettent aux chercheurs de tester la stabilité des relations économiques entre les différents régimes politiques, structures institutionnelles et technologies.

L'analyse historique révèle également les limites de la dépendance uniquement sur les données d'après-guerre, qui est fortement influencée par la -Grande Modération (1984-2007), une période de volatilité exceptionnellement faible. L'extension de l'échantillon en arrière révèle que les chocs à haute fréquence, les paniques bancaires et les perturbations de l'offre étaient beaucoup plus fréquents que l'expérience récente, fournissant un ensemble d'observations plus riche pour les théories économiques de test de stress.

Techniques économétriques de base pour les données historiques

Décomposition des séries chronologiques

La décomposition des séries chronologiques sépare une série économique historique (p. ex., production industrielle américaine de 1860 à 2020) en trois composantes : tend (croissance à long terme), saisonnelle[ (répétion des modèles d'une année), et cyclique[ (fluctuations autour de la tendance). L'outil le plus courant pour cette série est le filtre Hodrick-Prescott (HP), qui isole la composante cyclique en lissant les données. Cependant, le filtre HP a connu des biais aux paramètres, un problème critique pour les données historiques où le début et la fin d'une série correspondent souvent à des points de virage importants.

Les techniques plus avancées comprennent le filtre Hamilton[ (une approche fondée sur la régression qui évite les problèmes de fin de carrière de HP) et des modèles de composants non observés qui traitent la tendance et le cycle comme des processus stochastiques latents.Ces modèles permettent des paramètres variables dans le temps, comme un taux de croissance de tendance changeant, qui est essentiel lors de l'analyse de séries qui comprennent des épisodes comme le boom d'après-guerre ou le ralentissement de la productivité des années 1970.

Analyse spectrale

L'analyse spectrale transforme une série chronologique du domaine temporel en domaine de fréquence, révélant des périodicités qui ne sont pas évidentes dans les données brutes. En décomposé une série historique du PIB en cycles de fréquences différentes — à court terme (p. ex., cycles d'inventaire), à moyen terme (cycles d'affaires proprement dits) et à long terme (boucles Kuznets ou ondes Kondratiev) — l'analyse spectrale peut confirmer si les fluctuations observées sont réellement cycliques ou simplement aléatoires.

Les avancées modernes comprennent l'analyse des vagues[, qui permet au chercheur d'examiner comment le contenu de fréquence d'une série change au fil du temps. Les vagues sont particulièrement utiles pour les données historiques car elles peuvent saisir la nature évolutive des cycles économiques – par exemple, la réduction de la longueur du cycle au cours de l'après-guerre par rapport à la période d'avant-1914.

Vecteur Autorégression et Fonctions de réponse d'impulsion

Les autorégression vectorielle (VAR) modélisent les interactions dynamiques entre plusieurs variables économiques (p. ex. PIB, inflation, taux d'intérêt et cours des actions) en tant que système d'équations où chaque variable dépend de ses propres valeurs passées et de celles d'autres variables. Les fonctions de réponse d'impulsion permettent ensuite de voir comment un choc ponctuel à une variable – comme une hausse du prix du pétrole ou un resserrement de la politique monétaire – se propage dans le système au fil du temps.

Les méthodes bayésiennes permettent au chercheur de réduire les espaces de paramètres à haute dimension vers une distribution antérieure, d'améliorer la précision des prévisions et l'inférence dans les petits échantillons. Les RAV structurels (RAV) vont plus loin en imposant des restrictions d'identification – comme l'hypothèse que les chocs de politique monétaire n'ont pas d'effet contemporain sur la production – découlant de la théorie économique.

Une autre extension importante est le paramètre variant dans le temps VAR (TVP-VAR), qui permet aux coefficients de la VAR de changer progressivement au fil du temps. Les TVP-VAR ont été utilisés pour documenter la transmission des chocs du prix du pétrole à l'inflation et à la production, révélant que la réaction de l'économie américaine aux hausses du prix de l'énergie s'est considérablement affaiblie après le milieu des années 1980.

Modèles de cointégration et de correction d'erreur

De nombreuses variables économiques historiques partagent des relations d'équilibre à long terme, même si elles errent individuellement à court terme. Les tests de cointégration – comme ceux développés par Engle et Granger ou Johansen – déterminent si deux séries chronologiques non stationnaires ou plus (p. ex., production et emploi, prix et offre monétaire) sont liés par une relation stable à long terme. Lorsque la cointégration est présente, les modèles de correction d'erreurs (ECM) peuvent saisir la vitesse à laquelle le système retourne à l'équilibre après une perturbation.

Pour les données historiques, les essais de cointégration doivent tenir compte des ruptures structurelles dans la relation à long terme. Le test Grégory-Hansen et le test Hatemi-J permettent un ou plusieurs points d'arrêt inconnus et sont largement utilisés dans l'histoire économique. La présence de cointégration justifie également l'utilisation des MCE pour la prévision, car le terme de correction des erreurs garantit que les prévisions sont ancrées à l'équilibre à long terme, fournissant des prévisions plus fiables pour les points de retournement.

Modèles de commutation Markov

Les modèles de commutation Markov permettent aux paramètres d'un modèle économétrique (p. ex., taux de croissance moyen, volatilité) de changer au fil du temps selon une variable d'état non observée qui suit une chaîne Markov. Ceci est particulièrement utile pour les cycles économiques historiques car il peut identifier des périodes de régimes à forte croissance ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Les extensions comprennent probabilités de transition variant en fonction du temps[ (permettant la probabilité de changer de régime de dépendre d'indicateurs de référence) et variation multiple de Markov[ (combinant plusieurs séries chronologiques pour identifier les phases communes du cycle économique).Ces modèles ont joué un rôle déterminant dans la datation du cycle économique de la zone euro et dans l'analyse de la synchronisation des cycles entre les pays pendant l'entre-deux-guerres.

Défis pratiques dans l'application de l'économométrie aux données historiques

Les données historiques présentent une foule de défis économétriques qui nécessitent une manipulation soigneuse. La disponibilité et la qualité des données[ varient grandement : les premiers comptes nationaux reposent souvent sur des approximations indirectes (p. ex., tonnage ferroviaire, dépôts bancaires) qui peuvent être mal mesurées ou définies de façon incohérente au fil du temps.Les chercheurs doivent documenter ces limitations de données et utiliser des vérifications de robustesse – comme la réestimation de modèles avec des séries de rechange – pour s'assurer que les conclusions ne sont pas des artefacts d'erreur de mesure.

Les ruptures structurelles (p. ex., guerres, changements de régime monétaire, révolutions industrielles) peuvent provoquer un changement brusque des relations économiques sous-jacentes. Les tests standard de stabilité structurelle – comme le test Chow ou le test Bai-Perron de rupture multiple – sont essentiels pour identifier et accommoder ces ruptures.

Les degrés de liberté limités limitent également la sophistication des modèles.Les séries historiques ne peuvent avoir que 50 à 100 observations annuelles, ce qui limite considérablement le nombre de paramètres qui peuvent être estimés de façon fiable.Cela oblige souvent les chercheurs à choisir entre un modèle simple qui peut omettre une dynamique pertinente et un modèle complexe qui sur-adapte les données.Les techniques basées sur la simulation, comme le piégeage et les méthodes bayésiennes, aident à atténuer ces biais de petits échantillons.

Enfin, endogeneity[ et les causes inverses[ sont omniprésentes dans l'analyse du cycle économique.Par exemple, les changements de politique peuvent être déclenchés par des ralentissements économiques, ce qui rend difficile d'isoler l'effet causal de la politique elle-même.Les variables instrumentales ou les modèles structuraux de RAV avec des restrictions d'identification crédibles (p. ex., en utilisant des instruments externes comme les chocs météorologiques pour la production agricole) peuvent aider à résoudre ces problèmes, mais ces instruments sont souvent rares dans des contextes historiques.

Études de cas sur les cycles d'affaires historiques

La Grande Dépression (1929-1939)

La Grande Dépression est l'événement le plus étudié dans l'histoire économique du cycle économique, et l'analyse économétrique a été au cœur de la compréhension de ses causes et de sa propagation. En utilisant la décomposition des séries chronologiques, des auteurs comme Christina Romer ont montré que la production réelle a chuté de près de 30 % aux États-Unis et que la reprise après 1933 a été remarquablement lente par rapport aux expansions typiques. Les modèles VAR ont été utilisés pour quantifier l'importance relative des chocs monétaires (par exemple, les défaillances bancaires et l'effondrement de l'offre monétaire) par rapport aux chocs du côté de la demande (par exemple, le tarif Smoot-Hawley et la baisse subséquente du commerce).

L'analyse de la cointégration a également été appliquée à la dépression : les études sur la relation entre les prix de gros et la production industrielle dans les pays montrent que la rigidité de l'or a transmis des pressions déflationnistes à l'échelle mondiale. Les tests de rupture structurelle confirment que la dépression a marqué un changement fondamental dans la relation production-inflation, en brisant les schémas d'avant 1929.

Les années 70 Choc pétrolier

Les hausses des prix du pétrole de 1973 et 1979 ont provoqué de graves récessions dans la plupart des économies industrialisées et ont donné lieu à une „stagflation" — la survenue simultanée d'une inflation élevée et d'un chômage élevé. L'analyse spectrale des données trimestrielles sur le PIB de 1960 à 1990 révèle que ces chocs ont introduit une nouvelle composante du cycle à moyenne fréquence qui n'était pas présente dans les décennies précédentes.

Les modèles de paramètres variables en fonction du temps permettent de détecter une diminution progressive de la réactivité de l'inflation aux écarts de production après 1973, ce qui correspond à l'augmentation des anticipations d'inflation et à la rupture des relations de courbe antérieures entre Phillips. Les leçons tirées de cette période ont directement influencé la conception de cadres modernes des banques centrales, notamment le ciblage explicite de l'inflation et l'utilisation de filtres de choc de l'offre pour orienter les décisions politiques.

La crise financière mondiale 2008

La crise de 2008 a été unique à ses origines, une interruption soudaine des prêts interbancaires et un effondrement des prix du logement, mais elle est liée à des crises financières antérieures (p. ex., la panique de 1907, les crises bancaires des années 1930). L'analyse des réponses des VAR estimées sur de longues séries historiques (p. ex., les données financières hebdomadaires de la Réserve fédérale depuis 1971) montre que les écarts de crédit et la volatilité des marchés boursiers ont eu un impact plus important et plus persistant sur la production que lors des récessions précédentes.

Ces résultats économétriques ont renforcé les appels à une régulation macroprudentielle et à des tampons de capital contracycliques, et ils soulignent l'importance de surveiller les indicateurs des marchés financiers – comme l'écart entre le crédit et le PIB – qui ont un pouvoir prédictif pour les crises bancaires dans les données historiques. L'expérience de 2008 a stimulé le développement de systèmes d'alerte précoce basés sur des modèles probit et des algorithmes d'apprentissage automatique formés sur des siècles d'épisodes de crise financière, démontrant la pertinence continue de l'analyse historique du cycle économique pour la formulation des politiques.

Lier les cycles passés à la politique économique moderne

La compréhension des cycles économiques historiques par des lentilles économétriques éclaire directement les cadres politiques actuels. Par exemple, la reconnaissance que les crises financières entraînent souvent des reprises lentes et sans emploi, comme en témoignent la Grande Dépression et la crise de 2008, a suscité un intérêt pour les stabilisateurs automatiques, comme l'assurance-chômage prolongée et des programmes de recapitalisation des banques solides.

De plus, l'étude économétrique des cycles économiques historiques souligne que l'économie mondiale est sujette à des fluctuations récurrentes, quoique irrégulières, qu'aucune mesure de réglage fin ne peut supprimer complètement.Cette humilité, la reconnaissance de l'incertitude et de la dynamique non linéaire, encourage les décideurs à renforcer leur résilience par le biais de marchés du travail diversifiés, de marchés du travail flexibles et de la marge de manœuvre budgétaire. L'analyse historique soutient également le bien-fondé d'une politique budgétaire contracyclique : en mesurant la taille des multiplicateurs fiscaux à différentes époques et conditions économiques, les économistes peuvent concevoir des plans de stimulation qui sont à la fois opportuns et ciblés.

Enfin, l'intégration de l'histoire économétrique à l'évaluation des politiques a conduit à la création de bases de données macroéconomiques et financières historiques à grande échelle, telles que Jordà-Schularick-Taylor Macrohistory Database. Ces ressources facilitent les études comparatives entre pays et permettent aux chercheurs de tester la validité externe des recommandations de politique découlant uniquement de données récentes.

Conclusion : La valeur durable de l'histoire quantitative

Les techniques économétriques fournissent la structure analytique nécessaire pour transformer les enregistrements historiques bruts en un compte fiable des fluctuations économiques. La décomposition des séries chronologiques, l'analyse spectrale, les VAR, les modèles de co-intégration et Markov qui changent chacun offrent une fenêtre unique dans les modèles, les causes et les conséquences des cycles économiques passés. Les défis de la qualité des données, des ruptures structurelles et des petits échantillons sont réels mais surmontables avec une méthodologie soignée et une compréhension approfondie du contexte historique.

À mesure que la puissance de calcul et la disponibilité des données continuent de croître, l'analyse du cycle économique historique se rapproche de l'analyse plus granulaire et à haute fréquence, à l'aide de données financières hebdomadaires, de séries régionales sur l'emploi et même d'analyses textuelles des journaux historiques pour construire des indices de sentiment.Ces innovations nous permettront d'approfondir notre compréhension de la dynamique de récession tout en respectant le principe fondamental selon lequel une politique saine repose sur des données accumulées au cours de nombreux cycles et décennies.