Trois essais sur Modèles d'apprentissage adaptatif : applications et inférences

Three Essays on Adaptive Learning Models : Applications and Inferences

• Auteur / Autrice : Yong June Yoon
• Direction : Guillaume Chevillon
• Type : Thèse de doctorat
• Discipline(s) : Sciences économiques - EM2PSI
• Date : Soutenance le 23/05/2019
• Etablissement(s) : Cergy-Pontoise
• Ecole(s) doctorale(s) : École doctorale Économie, Management, Mathématiques, Physique et Sciences Informatiques (Cergy-Pontoise, Val d'Oise)
• Partenaire(s) de recherche : Laboratoire : THEMA Théorie économique, modélisation et applications (Cergy ; 2006-)
• Jury : Examinateurs / Examinatrices : Guillaume Chevillon, Tiziana Assenza, Michele Berardi, Giovanni Ricco, Thepthida Sopraseuth, André Fourçans
• Jury : Rapporteurs / Rapporteuses : Tiziana Assenza, Michele Berardi

Mots clés

Mots clés libres

Apprentissage Adaptatif

Macroéconomie

Analyse des séries chronologiques

Adaptive Learning

Macroeconomics

Time series analysis

Résumé

L’apprentissage adaptatif peut induire une forte persistance dans les modèles prospectifs quand il est remplacé par l'hypothèse des attentes rationnelles. En divertissant le bénéfice de cette l’apprentissage adaptatif peut être utilisé pour estimer le sentiment permanent perçu par les agents Tendance un processus de série chronologique. Ou la persistance empirique observée dans l’inflation américaine peut être expliqué par les comportements d'apprentissage des agents. Dans le même temps, les économétriciens peuvent payer attention à estimer le modèle sous apprentissage adaptatif car la persistance induite peut être assez fort pour invalider les méthodes standard d’inférence. Dans cette thèse, j'étudie la applications et inférences des modèles d’apprentissage adaptatif en profitant aussi des avantages en considérant le coût de cet algorithme.Le premier chapitre traite de la décomposition Beverage-Nelson en apprentissage, qui est simple et polyvalent pour estimer les prévisions à long terme des agents. La décomposition du BN sous learning produit des estimations fiables du cycle économique américain et de ses performances prévisionnelles sur l'inflation est si agréable qu'il peut être une alternative intéressante au modèle existant tel que le modèle de composant non observé à volatilité stochastique. Pour une inférence robuste de cette modèle, en inversant les statistiques de test en utilisant les distributions asymptotiques sous les paramétrisations et l'estimation sans biais médian sont proposées.En effet, l’apprentissage adaptatif peut attirer l’attention sur son estimation et son inférence en tant que discuté dans le deuxième chapitre. Quand j'examine le modèle d'apprentissage adaptatif propose par Adam, Marcet et Nicolini (2016), le processus généré par leur modèle est presque non stationnaire ou non ergodique, ce qui ne satisfait pas la loi faible des grands nombres, puis la théorie asymptotique normale. Pour l’alternative robuste, je propose la recherche sur grille Anderson- Rubin Approche statistique de proposée par Chevillon, Massmann et Mavroeidis (2010) et montrer qu'il est fiable dans le contexte de l'apprentissage adaptatif puisqu'il est cohérent avec le modèle implications.Et le dernier chapitre étudie un modèle simple, tourné vers l’avenir, qui installe une hiérarchie système d'information dans le contexte de la courbe de Phillips néo-keynésienne. Je considère les agents véritablement rationnels dont les ensembles d’informations contiennent l’existence et le nombre de non-rationnels. agents dans l'économie. Le NKPC sous informations hiérarchiques implique que la persistance de l’inflation peut être induite par les comportements non rationnels des agents qui escomptent les données passées dans la formation de leurs attentes. Je montre que la volatilité variable du temps l’inflation américaine peut être attribuée aux changements de types d’agents, ce qui conforte les opinions que la politique monétaire a joué un rôle important dans l'atténuation des fortes fluctuations de l'inflation avant le milieu des années 1980 et d’entraîner des fluctuations relativement faibles au cours de la période de Grande modération.

Adaptive learning can induce the strong persistence in forward looking models when it is replaced by the rational expectations hypothesis. By entertaining the benefit of this replacement, adaptive learning can be used to estimate the agents' perceived permanent trend a time-series process. Or the empirical persistence observed in the U.S. inflation can be explained by agents' learning behaviors. At the same time, the econometricians may pay attention to estimate the model under adaptive learning since the induced persistence can be so strong as to invalidate standard methods of inference. In this dissertation, I study the applications and inferences of the adaptive learning models by enjoying the benefit as well as considering the cost of this algorithm.The first chapter considers the Beverage-Nelson decomposition under learning which is simple and versatile to estimate the agents' long run forecast. The BN decomposition under learning produces reliable estimates of the U.S. business cycle and its forecasting performance on inflation is so nice that it can be an interesting alternative to the existing model such as the unobserved component model with stochastic volatility. For a robust inference of this model, inverting test statistics using the asymptotic distributions under local-asymptotic parameterizations and the median-unbiased estimation are proposed.Indeed, adaptive learning may arouse attention on the estimation and inference of it as discussed in the second chapter. When I examine the adaptive learning model proposed by Adam, Marcet and Nicolini (2016), the process generated by their model is nearly nonstationary or non-ergodic, which does not satisfy the weak law of large numbers and then the normal asymptotic theory. For the robust alternative, I propose the grid search Anderson-Rubin statistic approach suggested by Chevillon, Massmann, and Mavroeidis (2010) and I show that it is reliable in the context of adaptive learning since it is consistent to the model implications.And the final chapter studies a simple forward-looking model that nests a hierarchical information system in the context of the New Keynesian Phillips curve. I consider truly rational agents whose information sets contain the existence and numbers of non rational agents in the economy. The NKPC under hierarchical information implies that the persistence of inflation can be induced by the behaviors non rational agents who discount the past data in their expectation formation. I show that the time-varying volatility of the U.S. inflation can be attributed to changes of agents' types, which supports the opinions that monetary policy has played an important role to mitigate the high inflation fluctuations before the middle of 1980s and to lead relatively small fluctuations during the period of the Great Moderation.