Données et stratégie d’estimation

Dans cette partie nous allons exposer les grandes étapes de la méthodologie d’estimation, présenter les données disponibles utilisées, et finalement les a prioris et la calibration. Afin de tester la pertinence du mécanisme de l’accélérateur financier nous estimons deux versions du modèle et les comparons par la suite. Le premier modèle «Modèle AF» sup­ pose l’existence du mécanisme d’accélérateur financier. Le second modèle «Modèle SAF» est un modèle sans accélérateur financier. Les deux modèles se distinguent fondamenta­ lement par l’élasticité de la prime de financement externe par rapport au ratio d’endet­ tement des entrepreneurs qui est nulle dans la seconde version. En effet, on impose ip = 0 dans le modèle SAF. Selon le modèle SAF, en conséquence, il n’y a pas de différence Comme indiqué plus haut, nous appliquons les techniques bayésiennes pour leur efficacité prouvée par rapport aux autres méthodes d’estimation et pour leur utilisation avérée par plusieurs auteurs dans la littérature récente, comme Smets et Wouters (2003), Schorf- heide (2000) et Lubik et Schorfheide (2003). D’un point de vue pratique, l’utilisation de la distribution a priori sur les paramètres structurels rend plus stable l’algorithme d’op­ timisation. De plus, l’approche bayésienne facilite la comparaison des modèles et permet de réduire, par l’utilisation de l’information a priori, les problèmes d’identification qui peuvent émerger dans les modèles DSGE.

La procédure d’estimation bayésienne combine la fonction de vraisemblance avec les distributions a priori des paramètres pour former la fonction de densité a posteriori qui est ensuite optimisée par rapport aux paramètres du modèle soit directement