Prévoir l’inflation en temps réel aux États-Unis : une modélisation de courbe de Phillips à mélange de fréquences

Clément Marsilli est économiste au sein du service des Études Macroéconomiques et des Synthèses Internationales de la Banque de France. Spécialiste de l’économie américaine, il analyse la conjoncture et élabore des scénarios de prévisions. Diplômé d’un doctorat en Mathématiques Appliquées, Clément poursuit des travaux de recherche relatifs à l’économétrie des modèles de prévisions, et aux problématiques de modélisation en macroéconomie internationale. Ses travaux ont donné lieu à différentes publications dans des revues telles que Economic Modelling, The World Economy.

Anticiper les évolutions de l’inflation est une nécessité pour la conduite de la politique monétaire et est devenu une véritable gageure pour les économètres des banques centrales. Clément Marsilli propose une modélisation économétrique à mélange de fréquences, adaptée d’une courbe de Phillips, afin d’évaluer en temps réel l’inflation aux États-Unis.

Prévoir l’inflation avec l’approche du triangle de Gordon

La littérature économique s’accorde sur un point : l’inflation est difficile à prévoir[1]. Parmi les différentes approches considérées en économie, la courbe de Phillips apparait incontournable. À l’origine, les travaux de Phillips (1958) décrivaient la relation entre les dynamiques des salaires et de l’emploi. L’approche évolua avec le temps et fut notamment envisagée dans une optique de prévision. À cet effet, Gordon (1982, 1990) développa la méthodologie du triangle qui, pour expliquer et prévoir l’inflation, repose à la fois sur (i) une variable d’activité en écart à un niveau structurel (élément classique de la courbe de Phillips), mais également (ii) une variable d’offre (supply shock variable) et (iii) un terme d’inertie. Bien que son instabilité au cours du temps, et entre les pays, ait été largement documentée dans la littérature, le triangle de Gordon constitue un cadre de travail fiable et pertinent que Clément Marsilli adapte à la problématique de la prévision de l‘inflation en temps réel : le nowcasting.

Le mélange de fréquences : un élément nécessaire aux modèles de nowcasting

Les modèles de nowcasting et de prévisions de très court terme (i.e. pour le mois ou le trimestre en cours ou pour les suivants) reposent généralement sur l’utilisation d’indicateurs réels, financiers ou issus d’enquêtes de conjoncture. L’ensemble d’informations sur lequel construire une analyse prédictive est vaste, mais également hétérogène. Afin d’anticiper les fluctuations de l’inflation, Clément Marsilli souhaite notamment exploiter les cours quotidiens des matières premières comme indicateurs avancés. Économétriquement, un tel modèle de prévision doit concilier le mélange de fréquences des données (journalières, hebdomadaires, mensuelles, etc.) et la parcimonie nécessaire à son estimation.

Parmi les différentes stratégies empiriques, les modélisations bridge, qui reposent sur une agrégation temporelle préalable puis sur une régression linéaire classique, sont généralement les plus utilisées ; notamment pour leur simplicité. Néanmoins, en intégrant ces deux étapes au sein d’une même équation, les modèles à retards échelonnés, développés depuis les années 1960 (cf. Almon, 1965, et Shiller, 1973), ont permis d’inclure un complément d’information, utile à l’analyse. Ils se sont toutefois confrontés à des problèmes d’optimisation liés à leur grande dimension (problématique dénommée curse of dimensionality).

La méthodologie Mixed Data Sampling (MIDAS), développée par Ghysels et ses coauteurs à la fin des années 2000[2], apporte une solution économétrique, parcimonieuse et efficace pour la prévision, au mélange des fréquences. Dans cette approche, les pondérations nécessaires à l’agrégation temporelle des données haute fréquence sont liées par une fonction ; le problème d’optimisation sous-jacent voit ainsi sa dimension réduite. Par la souplesse de son intégration et l’interprétation simple de ses résultats, le modèle MIDAS fait l’objet d’un intérêt grandissant des institutions publiques, notamment pour les prévisions nowcasting de croissance du PIB.

Une modélisation de courbe de Phillips à mélange de fréquences

Clément Marsilli adapte la technologie MIDAS à la méthodologie de courbe de Phillips développée par Gordon. La variable de choc d’offre présente dans le triangle de Gordon constitue le biais idéal pour considérer l’information d’indicateurs financiers disponibles à haute fréquence. Cette courbe de Phillips à mélange de fréquences permet ainsi d’évaluer en temps réel l’inflation des prix à la consommation grâce à la dynamique journalière des prix des matières premières, en particulier du pétrole.

Les résultats empiriques, sur l’économie américaine, montrent qu’adjoindre ce type d’indicateur financier à une variable d’activité, tel le gap de chômage, permet un suivi en temps réel de l’inflation, instructif et utile pour la conduite de politiques publiques. Par ailleurs, selon Clément Marsilli, les performances de cette modélisation, particulièrement importantes depuis la crise, confirment la pertinence de la courbe de Phillips.

 

Marsilli, Clément (2017) "Nowcasting US inflation using a MIDAS augmented Phillips curve," International Journal of Computational Economics and Econometrics, Inderscience Enterprises Ltd, Vol. 7(1/2), p. 64-77.

 

[1] C’est par cette concise et provocante accroche (« Inflation is hard to forecast ») que Stock et Watson débutent le chapitre 3, Forecasting Inflation, du livre Understanding Inflation and the Implications for Monetary Policy (MIT Press, 2009).

[2] Andreou, Elena, Ghysels, Eric, and Kourtelos, Andros (2010) “Regression models with mixed sampling frequencies”, Journal of Econometrics, vol. 158, issue 2, p. 246-261.

Mis à jour le : 13/04/2018 12:06