Stata fait de l’économétrie. Stata fait de la statistique bayésienne. Stata 17 combine les deux pour faire de l’économétrie bayésienne.
L’économétrie bayésienne utilise les principes bayésiens pour étudier les relations économiques. Quelle est la probabilité qu’une année supplémentaire de scolarité augmente les salaires? Les personnes qui participent à un programme de formation professionnelle ont-elles plus de chances de conserver leur emploi au cours des cinq prochaines années? Quelle est la probabilité de défaut pour un portefeuille à faible taux de défaut? Il est possible de répondre à de telles questions de manière naturelle dans le cadre du paradigme bayésien, qui permet d’estimer la probabilité de toute hypothèse d’intérêt. Voir Qu’est-ce que l’analyse bayésienne? pour en savoir plus.
L’un des arguments en faveur de l’utilisation des méthodes bayésiennes dans la modélisation économétrique est l’intégration d’informations externes sur les paramètres du modèle, souvent disponibles dans la pratique. Ces informations peuvent provenir de données historiques ou être issues naturellement de la connaissance d’un processus économique. Par exemple, on sait que l’élasticité du revenu est inférieure à 1 pour certains pays, ou que l’autocorrélation est comprise entre -1 et 1. Dans tous les cas, l’approche bayésienne nous permet de combiner ces informations externes avec ce que nous observons dans les données actuelles pour obtenir une vision plus réaliste du processus économique en question.
Vous pouvez vous demander : Que faire si je ne dispose d’aucune information externe? Aucun problème. Sans aucune connaissance préalable informative, les résultats seront similaires à ceux que vous auriez obtenus en utilisant des méthodes économétriques classiques. Mais leur interprétation peut être plus intuitive. Par exemple, un intervalle crédible à 95 % – la contrepartie bayésienne d’un intervalle de confiance – peut être interprété comme une plage dans laquelle un paramètre se situe avec une probabilité de 0,95.
Il existe une autre raison pour laquelle l’économétrie bayésienne peut être attrayante en l’absence de connaissances externes solides. Les modèles économétriques décrivent souvent des théories économiques complexes et ont donc tendance à avoir de nombreux paramètres – souvent si nombreux qu’il devient infaisable d’ajuster les modèles sans incorporer certaines informations sur les paramètres du modèle. Dans de telles situations, la modélisation économétrique bayésienne peut fournir un équilibre entre ce qui est observé dans les données et ce qu’il est raisonnable de supposer sur les paramètres du modèle pour obtenir une inférence fiable.
Par exemple, les modèles vectoriels autorégressifs (VAR) sont connus pour avoir de nombreux paramètres par rapport à la taille des données. L’analyse bayésienne de ces modèles introduit des prieurs spécialisés qui vous permettent d’obtenir des estimations de paramètres plus stables.
De même, les modèles d’équilibre général stochastique dynamique (EGSD) sont connus pour avoir des paramètres qui ont des interprétations économiques directes et ont souvent des limites logiques qui peuvent être facilement incorporées par une variété de distributions préalables.