Modélisation par l’approche d’équilibre général

dynamique Stochastique
Dérivation, log-linéarisation et simulations

* †
Grace Kiala et Jean-Paul K. Tsasa

LAREQ ONE PAGER 11-001 – FEVRIER 01, 2016

[Link]

Résumé

La macroéconomie moderne est battue sur les fondations microéconomiques. Les agents économiques sont
supposés rationnels, et les fluctuations cycliques du PIB, de la consommation, de l’investissement ou la
décision de travailler sont perçues comme des réponses optimales des agents économiques, i.e. ménages et
firmes, à des chocs exogènes stochastiques. Dans ce papier, nous illustration la résolution d’un modèle
d’équilibre général dynamique stochastique de type RBC. Ce modèle est généralement considéré comme le
point de départ de l’analyse moderne sur le cycle économique.

Mots clés : Modèle RBC, cycle économique, log-linéarisation, simulations stochastique.

Abstract

Modern macroeconomics is built on the microeconomic foundations. Representative household maximizes his
intertemporal utility and representative firm maximizes his profit. Cyclical fluctuations of the GDP,
consumption, investment or worked hours are considered as the result of the optimal responses of economic
agents to stochastic shocks on global productivity. In this paper, we illustrate how a dynamic stochastic
general equilibrium model, especially the RBC model, can be solved. In the modern literature, the RBC model
is often considered the starting point for most studies on the business cycles.

Keywords: RBC model, business cycle, log-linearization, stochastic simulations.

JEL classification: E13, E32, E37.

*
Aspirant-chercheur au Laboratoire d’Analyse-Recherche en Economie Quantitative. Université Protestante au
Congo. Adresse : Croisement Av. Libération et Blvd Triomphal, B.P 16.626 Kinshasa I, RDC. E-mail :
[Link]@[Link]
†
Chercheur au Laboratoire d’Analyse-Recherche en Economie Quantitative. E-mail : jeanpaultsasa@[Link]

 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

I. Introduction

S’il nous faudrait choisir deux papiers à ne pas ignorer dans l’analyse moderne du cycle économique,
nous choisirons le papier de Lucas (1977) et celui de Kydland et Prescott (1982). Dans l’histoire
économique, le premier papier est perçu comme un article de référence dans la définition de ce qu’on
entend par « cycle économique » au sens moderne. En effet, contrairement à Burns et Mitchell (1946)
qui considèrent le cycle comme une succession de quatre phases qui évoluent inévitablement de l’une
vers l’autre : expansion, crise, récession et reprise, Lucas (1977) redéfinit le cycle comme un ensemble
de régularités1 caractérisant l’évolution globale du système économique. Par ailleurs, dans le deuxième
papier, Kydland et Prescott (1982), s’inspirant de la nouvelle conception du cycle préconisée par Robert
E. Lucas, se proposent de fournir un cadre d’analyse qui permet de reproduire les principales propriétés
cycliques de l’économie américaine. La principale contribution du papier de Kydland et Prescott (1982)
est d’avoir réussi à imposer, à la fois, aux économistes d’obédience classique et à ceux d’obédience
keynésienne, les modèles d’équilibre général dynamiques stochastiques comme cadre de référence de
l’analyse des fluctuations économiques.

Dans ce papier, nous allons montrer de manière plus ou moins détaillée comment fonctionne les modèles
d’équilibre général dynamiques stochastiques (DSGE). Le modèle DSGE sont des modèles
macroéconomiques qui sont construits à partir des fondations microéconomiques. Pour nous concentrer
sur la méthodologie et la stratégie de résolution, nous considérons une version standard de cette classe
de modèles. En effet, nous supposons que les ménages et les firmes sont preneurs des prix sur les
marchés des produits, du capital et du travail. Les ménages sont supposés maximiser leur utilité, et les
firmes leur profit. Nous faisons abstraction du secteur public (gouvernement) et de la banque centrale.
Les prix et les salaires sont supposés flexibles et les marchés sont concurrentiels. Enfin, il n’y a pas
d’intermédiaire financier, pas d’asymétrie d’information. La dynamique dans cette économie est
gouvernée par un processus technologique stochastique exogène. Il n’y a donc pas des chocs monétaires
ou budgétaires, ni des rigidités réels ou nominales dans notre modèle d’analyse.

Le reste du papier s’organise comme suit. Dans la section deuxième, nous procédons à la dérivation de
notre cadre d’analyse, et la section troisième, nous discutons des résultats de simulations du modèle log-
linéaire calibré. La section quatrième conclut.

II. Modèle

Considérons un modèle d’équilibre général dynamique stochastique de type RBC. Pour plus de simplicité,
nous supposons que le capital ne se déprécie pas, le travail est normalisé à 1, et l’utilité est
logarithmique. Le ménage maximise sa fonction d’utilité, et la firme maximise son profit. Le marché
étant compétitif, chaque facteur de production est rémunéré par son produit marginal. Par le théorème
d’Euler, nous pouvons facilement passer du problème du marché vers celui du planificateur social. Au
regard de nos hypothèses et en vertu de deux théorèmes du bien-être, il suit que la solution du marché
et celle du planificateur coïncident. Ainsi, dans les lignes qui suivent, nous allons résoudre notre modèle
suivant l’approche du planificateur. Pour une illustration de la résolution suivant l’approche du marché,
voir Lokota et Tsasa (2014). Le problème de l’agent représentatif est tel que :

1
Notamment les comouvements des principales variables macroéconomiques, leurs persistances, puis leurs
déviations par rapport à la tendance.

2
 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

max 𝔼% 𝛽 '(% log 𝐶' , (1)

'.%

sujet à :

𝐾% − 𝐾%(2 = 𝑦% − 𝐶% , (2)

𝑦% = 𝐴2(6
%
6
𝐾%(2 , (3)

log 𝐴% = 𝜌 log 𝐴%(2 + log 𝑈% , (4)

où 𝔼% est l’opérateur d’espérance mathématique, 𝑦% est la fonction de production, 𝐾% est le capital, 𝐶% la

consommation, 𝐴% le choc technologique, log 𝑈% a une moyenne égale à zéro et une variance 𝜎 < . Il y a
trois approches possibles de résolution : une approche basée sur le Lagrangien dynamique et une autre
approche basée sur la résolution de l’équation de Bellman. Nous adopterons l’approche basée sur la
résolution de l’équation de Bellman. Pour l’approche recourant au Lagrangien dynamique, l’intéressé peut
se rapporter à Lokota et Tsasa (2014). Pour les fondements mathématiques de l’utilisation de l’équation
de Bellman dans la résolution des modèles macroéconomiques modernes, voir Emone et al. (2014).

La première étape de résolution d’un modèle d’équilibre général dynamique stochastique consiste à
dériver le système d’équilibre. Ce dernier est obtenu en exécutant les conditions du premier ordre. Le
problème de l’agent représentatif étant bien défini, les conditions du premier ordre suffisent pour
caractériser la solution. L’équation de Bellman correspondant à ce problème s’écrit :

𝑉 𝐾%(2 , 𝐴% = max log 𝐶% + 𝛽𝔼% 𝑉 𝐾% , 𝐴%B2

?@ A@

sujet à :

𝐶% = 𝐴2(6
%
6
𝐾%(2 − 𝐾% + 𝐾%(2

log 𝐴% = 𝜌 log 𝐴%(2 + log 𝑈% ,

où 𝐾%(2 et 𝐴% sont des variables d’état et, 𝐶% et 𝐾% des variables de contrôle. En remplaçant la variable 𝐶%
par la contrainte et en exécutant les conditions du premier ordre par rapport à 𝐾% , on trouve :

𝐾% : 1
− + 𝛽𝔼% 𝑉2 𝐾% , 𝐴%B2 = 0, (5)
𝐶%
où :
𝜕𝑉 𝐾% , 𝐴%B2
𝑉2 𝐾% , 𝐴%B2 = (6)
𝜕𝐾%

3
 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

La condition d’enveloppe est telle que :

1
𝑉2 𝐾% , 𝐴%B2 = 𝛼𝐴2(6
%
6(2
𝐾%(2 +1
𝐶%
2(6 (7)
𝐴% 1
= 𝛼 +1 ,
𝐾%(2 𝐶%
avec :
2(6
𝐴%
𝑅% = + 1, (8)
𝐾%(2

où 𝑅% est le taux brut d’intérêt. En décalant d’une période, on trouve :

2(6
𝐴%B2 1
𝑉2 𝑘% , 𝐴%B2 = 𝛼 +1 (9)
𝐾% 𝐶%B2

En substituant (9) dans (5), on obtient :

2(6 2(6
1 𝐴%B2 1 𝐴%B2 𝐶%
= 𝛽𝔼% 𝛼 +1 ⟹ 1 = 𝛽𝔼% 𝛼 +1 (10)
𝐶% 𝐾% 𝐶%B2 𝐾% 𝐶%B2

L’équation (10) est une condition d’optimalité, décrivant l’équation d’Euler intertemporelle. En effet, cette
équation traduit l’expression d'un arbitrage intertemporel déterminant le niveau optimal de la
consommation entre la période 𝑡 et la période 𝑡 + 1. D’après cette équation, il vient qu’une réduction
d’une unité de la consommation à la période 𝑡 diminue l’utilité de 1 𝐶% . Dès lors, l’unité de la
consommation qui est épargnée à la période 𝑡 peut en moyenne (expectation) être convertie à
2(6 2(6
𝛼 𝐴%B2 𝐾% + 1 unités à la période 𝑡 + 1 et donc augmenter l’utilité de 𝛽𝔼% 𝛼 𝐴%B2 𝐾% + 1 𝐶%B2 , où
2(6
l’expression 𝛼 𝐴%B2 𝐾% + 1 n’est rien d’autre que le taux brut d’intérêt.

La deuxième étape consiste à caractériser le système d’équilibre stationnaire. Après avoir exécuté les
conditions du premier ordre, nous savons désormais que l’ensemble des équations d’équilibre du modèle
est tel que :
2(6
𝐴%B2 𝐶%
1 = 𝛽𝔼% 𝛼 +1 (11)
𝐾% 𝐶%B2

𝐶% = 𝐴2(6
%
6
𝐾%(2 − 𝐾% + 𝐾%(2 (12)

log 𝐴% = 𝜌 log 𝐴%(2 + log 𝑈% (13)

Autrement, le système d’équilibre peut également s’écrire comme suit :

𝐶%
1 = 𝛽𝔼% 𝑅% (14)
𝐶%B2

2(6
𝐴%B2
𝑅% = 𝛼 + 1 (15)
𝐾%

4
 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

𝐶% = 𝐴2(6
%
6
𝐾%(2 − 𝐾% + 𝐾%(2 (16)

log 𝐴% = 𝜌 log 𝐴%(2 + log 𝑈% (17)

À l’état stationnaire, le système d’équilibre devient :

1 = 𝛽𝑅 (18)

2(6
𝐴
𝑅=𝛼 + 1 (19)
𝐾

𝐶 = 𝐴2(6 𝐾 6 − 𝐾 + 𝐾 (20)

log 𝐴 = 𝜌 log 𝐴 + log 𝑈 (21)

Après un calcul algébrique élémentaire, le système stationnaire devient :

1
𝑅= (22)
𝛽

𝐴 = 1 (23)

𝑈 = 1 (24)

2
𝛼 2(6
𝐾= (25)
𝑅−1

𝐶 = 𝐾6 (26)

Après réaménagement, nous trouvons finalement que :

1
𝑅= (27)
𝛽

𝐴 = 1 (28)

𝑈 = 1 (29)

2
𝛼𝛽 2(6
(30)
𝐾=
1−𝛽

6
𝛼𝛽 2(6
𝐶= (31)
1−𝛽

où désormais, chaque variable dépend des paramètres.

5
 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

Procédons à présent à la log-linéarisation du système d’équilibre. Soit 𝑋% la déviation en logarithme de la

variable 𝑋% par rapport à sa valeur en état stationnaire 𝑋 :

𝑋% = log 𝑋% − log 𝑋. (32)

Il vient que :
𝑋%
𝑒 M@ = ⟹ 𝑋% = 𝑋𝑒 M@ . (33)
𝑋

L’approximation de Taylor d’ordre 1 implique que :

𝑋% ≈ 𝑋 1 + 𝑋% . (34)

En appliquant ce principe au système d’équilibre, nous trouvons :

⎯ Équation 14 :
𝐶% 𝐶%
1 = 𝛽𝔼% 𝑅% ⟹ 0 = 𝔼% 𝛽𝑅% −1
𝐶%B2 𝐶%B2

Log-linéarisation :
𝐶𝑒 ?@
0 ≈ 𝔼% 𝛽𝑅𝑒 O@ −1
𝐶𝑒 ?@PQ

0 ≈ 𝔼% 𝛽𝑅𝑒 R@ 𝑒 ?@ (?@PQ − 1

0 ≈ 𝔼% 𝛽𝑅 1 + 𝑅% 1 + 𝐶% − 𝐶%B2 − 1

Puisque 𝑅 = 1 𝛽 et 𝑅% 𝐶% − 𝐶%B2 ≈ 0, il vient que :

0 ≈ 𝔼% 1 + 𝑅% 1 + 𝐶% − 𝐶%B2 − 1

0 ≈ 𝔼% 𝑅% + 𝐶% − 𝐶%B2 (35)

⎯ Équation 15 :
2(6
𝐴%B2
𝑅% = 𝛼 +1
𝐾%
Log-linéarisation :
2(6
𝐴𝑒 S@PQ
0 ≈ 𝑅𝑒 R@ − 𝛼 −1
𝐾𝑒 A@

𝛼
0 ≈ 𝑅 1 + 𝑅% − 1 + 1 − 𝛼 𝐴%B2 − 𝐾% −1
𝐾 2(6
Puisque :
𝛼
𝑅= + 1,
𝐾 2(6
il vient que :

6
 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

𝛼 1−𝛼 𝛼
0 ≈ 𝑅 + 𝑅𝑅% − 𝐴%B2 − 𝐾% − +1
𝐾 2(6 𝐾 2(6
.R

𝛼 1−𝛼
0 ≈ 𝑅𝑅% − 𝐴%B2 − 𝐾%
𝐾 2(6

𝛼 1−𝛼
0 ≈ 𝑅% − 𝐴%B2 − 𝐾%
𝐾 2(6 𝑅

Puisque :
𝛼
= 𝑅 − 1,
𝐾 2(6
il vient que :
1
𝑅% ≈ 1 − 𝛼 1− 𝐴%B2 − 𝐾%
𝑅

Sachant que :
1
𝑅= ,
𝛽
on trouve finalement :

𝑅% ≈ 1 − 𝛼 1 − 𝛽 𝐴%B2 − 𝐾% (361)

⎯ Équation 16 :
𝐶% = 𝐴2(6
%
6
𝐾%(2 − 𝐾% + 𝐾%(2

Log-linéarisation :

2(6 6
𝐶𝑒 T@ ≈ 𝐴𝑒 U@ 𝐾𝑒 V@WQ − 𝐾𝑒 V@ + 𝐾𝑒 V@WQ

𝐶 1 + 𝐶% ≈ 𝐾 6 1 + 1 − 𝛼 A% + 𝛼K %(2 − 𝐾 1 + 𝐾% − 1 + 𝐾%(2

Puisque 𝐶 = 𝐾 6 , il vient que :

𝐾
𝐶% ≈ 1 − 𝛼 A% + 𝛼K %(2 − 𝐾% − 𝐾%(2
𝐶 (37)

⎯ Équation 17 :
log 𝐴% = 𝜌 log 𝐴%(2 + log 𝑈%

Log-linéarisation :

𝐴% + log 𝐴 ≈ 𝜌𝐴%(2 + 𝜌 log 𝐴 + 𝑈% + log 𝑈

0 ≈ 𝐴% − 𝜌𝐴%(2 − 𝑈% (38)

7
 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

Après la log-linéarisation, l’ensemble des équations du système d’équilibre s’écrit :

0 ≈ 𝔼% 𝑅% + 𝐶% − 𝐶%B2 (39)

𝑅% ≈ 1 − 𝛼 1 − 𝛽 𝐴%B2 − 𝐾% (40)

𝐾
𝐶% ≈ 1 − 𝛼 A% + 𝛼K %(2 − 𝐾% − 𝐾%(2 (41)
𝐶

0 ≈ 𝐴% − 𝜌𝐴%(2 − 𝑈% (42)

Ce système d’équations log-linéaires caractérise ainsi notre économie. Il s’agit donc du modèle que nous
allons utiliser à l’effet de procéder aux simulations stochastiques dans la section qui suit.

III. Simulations

III.1. Calibration

L’exercice numérique des simulations exige de définir, avant tout, les valeurs à assigner aux paramètres
du modèle, i.e. la paramétrisation ou l’étalonnage. Notre modèle distingue trois classes de paramètre.
La première classe comprend tout paramètre qui décrit le comportement ou les préférences du ménage.
Dans le cas de notre modèle, il n’y en a qu’un seul. Il s’agit du facteur « 𝛽 » (BETA). Ce paramètre
définit le degré de patience du consommateur. Il est compris entre 0 et 1 : 0 < 𝛽 < 1. Plus il est proche de
l’unité, plus le ménage est patient. Nous le fixions à 0,99. La deuxième classe regroupe tout paramètre
permettant de caractériser le comportement de la firme. Notre modèle étant très basique, nous n’avons
qu’un seul paramètre pour décrire la technologie de la firme : « 𝛼 » (ALPHA). En effet, le paramètre 𝛼
représente la part du capital dans la production. Sa valeur, dans la littérature est généralement fixée à
0,33 sur base des évidences empiriques de l’économie américaine. Mais il sied de noter que sa valeur
peut sensiblement changer d’une économie à une autre.

Tableau 1 : Calibration

Préférence

𝛽 BETA 0,99

Technologie

𝛼 ALPHA 0,33

Processus stochastique

𝜌 RHO 0,98 / 0,80

𝜎 SIGMA 0,712

Enfin, la troisième classe définit les paramètres du processus stochastique. Le processus de productivité
est supposée être une représentation autorégressive d’ordre 1, i.e. un AR(1). Le choc peut être
permanent (BETA = 1) ou transitoire (0 < BETA < 1). Dans notre modèle, nous supposons que le choc

8
 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

technologique est transitoire et fortement persistant. La forte persistance se traduit à travers la valeur
prise par le coefficient d’autocorrélation qui est proche de l’unité. Ensuite, pour l’exercice de simulations,
nous allons supposer une baisse de la persistance des innovations technologiques à 0,8. Enfin, l’écart-
type des innovations est fixé à 0,712. Cette valeur permet de matcher les prédictions du modèle aux
régularités observées sur données.

III.2. Programmation sur Dynare

Nous allons, à présent, programmer notre modèle sur le logiciel Dynare. La plateforme Dynare permet de
simuler et d’estimer les modèles d’anticipation rationnelles. Il a été développé à l’origine par Juillard
(1996). Dynare est un logiciel libre, et fonctionne soit sous MatLab, soit sous Octave.

Tableau 2 : Code Dynare du modèle log-linéaire

close all;
clc;

% DEclaration Variables endogEnes

var c_hat k_hat a_hat r_hat;

% DEclaration Variable exogEnes

varexo u;

% DEclaration ParamEtres
parameters ALPHA BETA RHO SIGMA;

% Calibration
ALPHA = 0.33; % Part du capital dans la fonction de production
BETA = 0.99; % Facteur d'escompte
RHO = 0.98; % Coefficient autorEgressif du processus stochastique
%RHO = 0.8;
SIGMA = 0.712; % Ecart-type des innovations

% DEclaration ModEle
% 4 variables endogEnes & 4 Equations
model(linear);
#r_ss=(1/BETA);
#k_ss=(ALPHA/(r_ss-1))^(1/(1-ALPHA));
#c_ss=k_ss^ALPHA;

% Euler inter-temporelle
0=r_hat+c_hat-c_hat(+1);

% REmunEration du capital
r_hat=(1-ALPHA)*(1-BETA)*(a_hat(+1)-k_hat);

% Equilibre: c=y-i
c_hat=(1-ALPHA)*a_hat+ALPHA*k_hat(-1)-(k_ss/c_ss)*(k_hat-k_hat(-1));

% Processus stochastique
0=a_hat-RHO*a_hat(-1)-u;
end;

% Initialisation
steady_state_model;
c_hat=0;

9
 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

k_hat=0;
r_hat=0;
a_hat=0;
end;

% Chocs
shocks;
var u = SIGMA^2;
end;

% Etat stationnaire
steady;
check;

% Simulations
stoch_simul(hp_filter = 1600, order = 1, irf=100, periods=250);

III.3. Simulation avec un choc plus persistant

Considérons tout d’abord que le coefficient d’autocorrélation du processus technologique prend la valeur
de 0,98. Dans ce cas, les résultats fournis par Dynare se résument comme suit.

Tableau 3 : STEADY-STATE RESULTS

c_hat 0
k_hat 0
a_hat 0
r_hat 0

Tableau 4 : EIGENVALUES

Modulus Real Imaginary

0.98 0.98 0
0.9899 0.9899 0
1.02 1.02 0
Inf Inf 0

Tableau 5 : MATRIX OF COVARIANCE OF EXOGENOUS SHOCKS

Variables u
u 0.506944

Tableau 6 : POLICY AND TRANSITION FUNCTIONS

c_hat k_hat a_hat

r_hat
k_hat(-1) 0.658873 0.989933 0
-0.006633
a_hat(-1) 0.171948 0.014835 0.980000
0.006335
u 0.175457 0.015138 1.000000
0.006465

10
 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

Tableau 7 : MOMENTS OF SIMULATED VARIABLES (HP filter, lambda = 1600)

VARIABLE MEAN STD. DEV. VARIANCE SKEWNESS KURTOSIS

c_hat 0.143255 0.146586 0.021488 0.011206 -0.207604
k_hat 0.707805 0.042677 0.001821 0.216230 -0.936339
a_hat -1.982328 0.839823 0.705303 -0.039813 -0.072359
r_hat -0.017758 0.005471 0.000030 -0.052554 -0.037784

Tableau 8 : CORRELATION OF SIMULATED VARIABLES (HP filter, lambda = 1600)

VARIABLE c_hat k_hat a_hat r_hat

c_hat 1.0000 0.3607 0.9816 0.9705
k_hat 0.3607 1.0000 0.1762 0.1253
a_hat 0.9816 0.1762 1.0000 0.9987
r_hat 0.9705 0.1253 0.9987 1.0000

Tableau 9 : AUTOCORRELATION OF SIMULATED VARIABLES (HP filter, lambda = 1600)

VARIABLE 1 2 3 4 5
c_hat 0.6808 0.3832 0.1577 0.0669 -0.0067
k_hat 0.9487 0.8443 0.7072 0.5575 0.4016
a_hat 0.6676 0.3600 0.1293 0.0415 -0.0279
r_hat 0.6676 0.3599 0.1290

Figure 1 : FONCTIONS DE REPONSES IMPULSIONNELLES

c_hat k_hat
0.25 0.4

0.2
0.3

0.15
0.2
0.1

0.1
0.05

0 0
20 40 60 80 100 20 40 60 80 100

a_hat −3 r_hat
x 10
0.8 6

0.6 4

0.4 2

0.2 0

0 −2
20 40 60 80 100 20 40 60 80 100

Les détails sur l’interprétation de ces différents résultats ont été largement exposés dans la série des
fiches techniques consacrées à la modélisation par l’approche d’équilibre général dynamique
stochastique, voir le lien suivant [Link]

11
 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

III.4. Simulation avec un choc moins persistant

À présent, supposons que le coefficient d’autocorrélation du processus technologique prend la valeur de

0,80, c’est-à-dire devient moins persistant. Dans ce cas, les résultats imprimés par Dynare se résument
comme suit.

Tableau 10 : STEADY-STATE RESULTS

c_hat 0
k_hat 0
a_hat 0
r_hat 0

Tableau 11 : EIGENVALUES
Modulus Real Imaginary

0.8 0.8 0
0.9899 0.9899 0
1.02 1.02 0
Inf Inf 0

Tableau 12 : MATRIX OF COVARIANCE OF EXOGENOUS SHOCKS

Variables u
u 0.506944

Tableau 13 : POLICY AND TRANSITION FUNCTIONS

c_hat k_hat a_hat
r_hat
k_hat(-1) 0.658873 0.989933 0
-0.006633
a_hat(-1) 0.030093 0.015485 0.800000
0.004184
u 0.037616 0.019357 1.000000
0.005230

Tableau 14 : MOMENTS OF SIMULATED VARIABLES (HP filter, lambda = 1600)

VARIABLE MEAN STD. DEV. VARIANCE SKEWNESS KURTOSIS

c_hat -0.088807 0.037316 0.001392 0.073830 -0.411655
k_hat -0.119007 0.041472 0.001720 0.223206 -0.684757
a_hat -0.388095 0.794739 0.631610 -0.130020 0.267893
r_hat -0.001283 0.004206 0.000018 -0.134828 0.270717

Tableau 15 : CORRELATION OF SIMULATED VARIABLES (HP filter, lambda = 1600)

VARIABLE c_hat k_hat a_hat r_hat

c_hat 1.0000 0.8582 0.6932 0.6454
k_hat 0.8582 1.0000 0.2251 0.1619
a_hat 0.6932 0.2251 1.0000 0.9979
r_hat 0.6454 0.1619 0.9979 1.0000

12
 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

Tableau 16 : AUTOCORRELATION OF SIMULATED VARIABLES (HP filter, lambda = 1600)

VARIABLE 1 2 3 4 5
c_hat 0.7729 0.5262 0.3097 0.1817 0.0673
k_hat 0.9196 0.7579 0.5632 0.3740 0.1919
a_hat 0.5763 0.2178 -0.0217 -0.0781 -0.1129
r_hat 0.5758 0.2172 -0.0217 -0.0786 -0.1139

Figure 2 : FONCTIONS DE REPONSES IMPULSIONNELLES

c_hat k_hat
0.05 0.06

0.04 0.05

0.04
0.03
0.03
0.02
0.02
0.01 0.01

0 0
20 40 60 80 100 20 40 60 80 100

a_hat −3 r_hat
x 10
0.8 4

3
0.6

2
0.4
1

0.2
0

0 −1
20 40 60 80 100 20 40 60 80 100

Somme toute, il ressort qu’en baissant la valeur du paramètre RHO, c’est-à-dire en passant d’un choc
technologique plus persistant à un choc technologique moins persistant, les fonctions de réponse
impulsionnelle pour la consommation et le capita prennent une allure en en forme de cloche (hump-
shaped).Outre cet exercice, les modèles d’équilibre général dynamiques stochastiques sont également
très aptes à générer des données artificielles permettant de tester si les prédictions du modèle peuvent
être empiriquement pertinentes.

Conclusion
L’objectif de ce papier était de montrer comment fonctionnent les modèles d’équilibre général
dynamiques stochastiques de type RBC. Nous avons procédé à la dérivation du système d’équilibre, en
résolvant le problème du planificateur social, et ensuite, nous avons procédé à la dérivation du système
d’équilibre log-linéaire. Enfin, nous avons montré comment les paramètres de cette classe de modèles

13
 G. Kiala et J-P K. Tsasa. Modélisation par l’approche DSGE
[2016, Lareq One Pager, Vol. 11, no. 1, 1-14]

peuvent facilement être étalonné, avant de programmer le code Dynare et de réaliser les simulations
stochastiques.

Étant donné que ces modèles constituent le point de départ de l’analyse macroéconomique moderne
portant sur le cycle, il sera intéressant de voir dans quelle mesure nous pouvons davantage nous en
servir pour adresser des questions en lien avec la dynamique cyclique dans les pays en développement.
Par exemple, dans le modèle que nous avons présenté, nous avons fait abstraction du secteur public et
de la banque centrale. Cette simplification, notamment la neutralité des effets des politiques
économiques sur les variables réelles, n’est pas réaliste. Subséquemment, ce modèle ne peut rien nous
dire la manière dont les dépenses publiques affectent la consommation des ménages ou encore l’output,
ou encore sur l’impact de la politique monétaire sur les variables réelles.

Ainsi, s’inscrivant dans la suite de ce papier, nous allons tenter d’enrichir notre modèle dans deux
directions : d’une part, nous allons l’augmenter afin de modéliser le secteur public et de ce fait, adresser
notamment la question l’impact macroéconomique des dépenses publiques, et d’autre part, nous allons
prendre en compte l’existence d’une banque centrale, afin d’étudier l’effet de la politique monétaire sur
les variables réelles. Une autre extension à explorer est également la prise en compte du secteur
extérieur, car pour plusieurs raisons, il peut paraître moins pertinent de réfléchir dans un cadre
autarcique.

Références

• BURNS, Arthur F. and Wesley C. Mitchell, 1946, Measuring Business Cycles, NBER Book Series
Studies in Business Cycles, 590p.

• EMONE, Roger, Moïse MBIKAYI et Jean-Paul TSASA, 2014, « De l'intégrale de Riemann à l'intégrale
de Lebesgue. Construction, Propriétés, Limites, et Application en Macroéconomie dynamique », One
Pager Laréq, vol. 9, num. 001, 1 – 46.

• JUILLARD Michel, 1996, “Dynare: A program for the resolution and simulation of dynamic models
with forward variables through the use of a relaxation algorithm,” CEPREMAP, Couverture Orange,
9602.
• KYDLAND, Finn E. and Edward C. PRESCOTT, 1982, "Time to Build and Aggregate Fluctuations",
Econometrica, Vol. 50, No. 6: 1345 – 1370.

• LOKOTA, Michel-Ange et Jean-Paul TSASA, 2014, « Estimation des Modèles DSGE sur Dynare. Etude
de Cas I : Modèle Real Business Cycle (RBC) », Fiche Technique Laréq, Série Alpha–II, 1, 1-11.
• LUCAS, Robert E., 1977, "Understanding business cycles," Carnegie-Rochester Conference Series on
Public Policy, Elsevier, vol. 5, No 1, pp. 7-29.

14