Section 2 : Modélisation du risque de
crédit
Cette section commence par présenter la
méthodologie de recherche ainsi que les variables utilisées.
Ensuite, elle passe à l'estimation des modèles de risque de
crédit. Enfin, une comparaison sera effectuée pour
démontrer l'importance de l'intégration de l'approche
bayésienne dans le contexte des modèles de la famille VAR.
1. Méthodologie de recherche
Nous commençons par la présentation et l'analyse
technique des modèles VECM et BSVAR, puis la détermination des
variables utilisées.
1.1. Présentation du modèle
VECM
Depuis la critique formulée par (Sims C. , 1980), la
modélisation Vectorielle Autorégressive (VAR) est devenue un
outil standard en économétrie pour l'analyse des séries
temporelles multivariées. Grâce à l'utilisation de
modèles vectoriels, les chercheurs peuvent examiner simultanément
plusieurs variables en interaction.
Depuis la fin des années 80, il est devenu
évident que la non-stationnarité est une caractéristique
courante des séries temporelles macroéconomiques et
financières. En effet, la plupart des séries présentent
des tendances non stationnaires. Pour résoudre ce problème,
l'économétrie des séries non stationnaires a connu un
développement majeur grâce à la théorie de la
cointégration, élaborée par (Engle & Granger, 1987),
ainsi que par (Johansen, Statistical Analysis of Cointegrating Vectors, 1988)
et (Johansen, 1991). L'attrait croissant de ce concept réside dans sa
capacité à permettre l'estimation et la mise à
l'épreuve des relations d'équilibre à long terme entre les
variables grâce à la modélisation du Vector Error
Correction Model (VECM).
1.2. Présentation du modèle BSVAR
La modélisation Structurelle Vectorielle
Autorégressive (SVAR) est un élargissement de la
modélisation VAR. Ce dernier est établi comme une démarche
a-théorique, qui se limite à l'étude de la dynamique des
variables sans aucune identification théorique. Pour faire face à
cette limite, nous soulignons l'apparition des modèles SVAR.
Certes, les modèles SVAR offrent un moyen robuste et
pratique pour la modélisation et l'interprétation des chocs
externes. Cependant, comme la plupart des modèles
économétriques,
49
le modèle SVAR repose exclusivement sur les
informations disponibles dans les données. Cela ne permet pas de tenir
compte de l'intuition et des perspectives des responsables et des
décideurs, en particulier dans les situations exceptionnelles, telles
que les périodes de crises et de chocs économiques majeurs.
Par conséquent, l'approche fréquentiste, qui ne
prend pas en compte les éléments non observables, peut limiter
l'interprétation. C'est pourquoi l'approche de l'estimation
bayésienne a été développée, notamment
à travers les modèles BSVAR. Cette approche permet à
l'économètre d'incorporer des informations supplémentaires
sur les contraintes d'identification ainsi que sur les paramètres du
modèle en se basant sur des distributions probabilistes, appelées
distributions à priori.
| 
