De l’initialisation de l’apprentissage adaptatif dans des modèles macroéconomiques

La façon dont nous formons nos attentes est une question essentielle pour toute sorte de modélisation économique. Il est aujourd’hui clair que l’hypothèse des anticipations rationnelles ne saisit pas l’ensemble des dimensions de la détermination des attentes dans la réalité. Des algorithmes d’apprentissage adaptatif ont été proposés pour fournir une vision de rationalité procédurale du processus de formation des anticipations. En rouvrant un vieux débat sur la modélisation des anticipations dans les modèles macro-économiques, l’heuristique fournie par les algorithmes d’apprentissage se fait au détriment de l’introduction de nouveaux degrés de liberté dans l’analyse.

Une question sans réponse porte sur la manière dont ces mécanismes récursifs devraient être initialisés afin d’être représentatifs du comportement prévisionnel des agents. Qui plus est, l’absence de contrôle de la définition des croyances initiales risque d’ouvrir la voie à de graves préjugés, causés par exemple par un surajustement des données et une faible identification des paramètres du modèle. Cela est particulièrement pertinent quand l’effet de l’intérêt intervient au début de la collecte des données, comme dans le cas d’évaluations historiques de l’efficacité de politiques alternatives.

La principale caractéristique de l’apprentissage adaptatif est sa dépendance d’algorithmes récursifs, destinés à représenter la manière dont les agents actualisent leurs croyances lorsque de nouvelles observations sur le rapport d’intérêt économique sont disponibles. Ces récursions requièrent naturellement un point de départ initial, et c’est la spécification numérique de ces conditions qui peut être considérée comme le problème d’initialisation. À l’évidence, les incertitudes qui affectent l’initialisation du processus d’apprentissage se propageront récursivement dans les prédictions obtenues avec le modèle, et il semble capital que le chercheur comprenne l’amplitude de ces distorsions et la manière dont elles peuvent affecter les inférences structurelles.

Dans leur nouvelle étude « On the Initialization of Adaptive Learning in Macroeconomic Models », Michele Berardi et Jaqueson K. Galimberti examinent cette question en accordant une attention toute particulière à la littérature appliquée à l’apprentissage en macroéconomie. Ils analysent et évaluent des méthodes précédemment adoptées dans la littérature appliquée à l’apprentissage adaptatif, afin d’initialiser les croyances des agents. Les méthodes antérieures sont classées en trois grandes catégories : liées à l’équilibre, fondées sur l’échantillon et basées sur l’estimation. Les auteurs ont mené plusieurs simulations comparant l’exactitude des estimations initiales fournies par ces méthodes et la manière dont elles affectent l’exactitude d’autres paramètres du modèle estimés. Ils ont trouvé des éléments contre leur estimation conjointe à l’aide de conditions de moments standards : lorsque l’exactitude des estimations initiales tend à se dégrader avec la taille de l’échantillon, les effets indirects détériorent également l’exactitude des estimations des paramètres structurels du modèle.

En d’autres termes, plus l’échantillon de données utilisées pour évaluer le modèle et les croyances initiales correspondantes est grand, plus le risque d’induire des conclusions historiques fallacieuses est grand. L’étude présente aussi des solutions à ce problème.