Trois essais sur la prévision à plusieurs étapes avec les moindres carrés partiels.

Résumé Dans cette thèse, nous comparons les prévisions IMS, DMS et PLS à plusieurs horizons, en nous concentrant sur les propriétés combinatoires des PLS. Nous nous appuyons sur un article intéressant de Franses & Legerstee (2010), qui suggère comment la méthode dite des moindres carrés partiels (PLS) peut être considérée, dans le contexte de la prévision sur plusieurs étapes, comme une technique intermédiaire entre IMS et DMS. En fait, plutôt qu’un «intermédiaire», nous aimons considérer le PLS comme une forme de combinaison de IMS et de DMS.Cette thèse comprend quatre chapitres.Au chapitre 1, nous fournissons une revue de la littérature qui sert de contexte aux chapitres suivants. Ce chapitre sert de motivation pour les analyses ultérieures.Au chapitre 2, nous explorons les fonctionnalités de PLS considérées comme une combinaison d'IMS et de DMS. Nous étudions les propriétés de PLS en utilisant un algorithme suggéré par Garthwaite (1994).Nous étudions la relation entre IMS, DMS et PLS et comparons la précision de leurs prévisions à plusieurs horizons. Nous analysons les propriétés combinatoires de PLS dans la prévision en plusieurs étapes à l'aide d'un modèle simple AR (2). Pour comparer les performances de prévision, nous évaluons leurs propriétés asymptotiques sous des modèles bien spécifiés et mal spécifiés. Nous confirmons notre étude analytique par le biais de simulations approfondies de la précision relative de la prévision des différentes techniques de prévision à plusieurs étapes. A travers ces simulations, nous soutenons l'analyse asymptotique et étudions les conditions qui rendent le PLS meilleur que l'IMS ou le DMS.Au chapitre 3, nous menons une étude empirique de la prévision en plusieurs étapes basée sur des modèles de AR univariés et nous nous concentrons sur les 121 séries chronologiques mensuelles macroéconomiques aux États-Unis.Nous fournissons une analyse empirique visant à déterminer les circonstances qui rendent PLS préférable à IMS ou à DMS. Pour une comparaison plus facile avec la littérature, nous suivons Marcellino et al. (2006) et McCracken & McGillicuddy (2019) à bien des égards. En outre, nous étendons leurs résultats dans certaines directions, telles que l’évaluation de la prévision de trajectoire, les techniques de mesure alternatives et différents sous-échantillons.Nous explorons les avantages en relation avec la persistance de la série mesurée par le degré d'intégration fractionnaire.A travers cette analyse empirique, nous reconfirmons les résultats des études précédentes et découvrons plusieurs faits nouveaux: (i) les avantages relatifs du PLS par rapport au système IMS ont tendance à disparaître à mesure que l'horizon de prévision se développe. (ii) le PLS est généralement meilleur lorsque le modèle utilise des décalages courts. et (iii) les PLS fonctionnent mieux que le système IMS lorsque les données subissent des périodes de forte volatilité.Le dernier chapitre étend le chapitre 3 aux modèles multivariés. Nous comparons une brève étude analytique de la raison d'être du PLS, puis comparons de manière empirique les performances de prévision du SGI, du IMS et du DMS dans le contexte de modèles de prévision à deux variables. Pour chaque modèle de prévision, nous produisons et évaluons des prévisions sur un seul horizon et sur des trajectoires (plages d'horizons). Nos résultats confirment ceux des modèles univariés: la PLS est privilégiée à court terme mais la question cruciale concerne la persistance des données. À cet égard, les données relatives au groupe des prix nominaux, des salaires et de la monnaie font apparaître une forme de persistance qui ne suit pas clairement une tendance I (1) ou I (2) et produit des performances PLS bien supérieures. Globalement, nous trouvons également que le PLS est génériquement préféré au DMS, il devrait donc constituer une alternative pour le praticien chaque fois qu’il peut envisager des techniques de prévision directe.