Markov‐Switching Three‐Pass Regression Filter

Nous introduisons une nouvelle méthode d’estimation des modèles factoriels de large dimension avec changements de régimes en élargissant le filtre de régression linéaire à trois passages afin d’intégrer des paramètres qui peuvent varier en fonction de processus de Markov. Cette nouvelle méthode, appelée filtre de régression à trois passages avec changements de régimes markoviens (MS-3PRF), convient à des ensembles de données dotés d’importantes dimensions transversales car l’estimation et l’inférence s’y font directement. À l’inverse, les modèles factoriels à changements de régimes existants ne peuvent s’employer qu’avec un petit nombre de variables compte tenu de la complexité des algorithmes utilisés pour estimer ces modèles. Nous nous servons d’une expérience de Monte Carlo pour étudier les propriétés du filtre MS-3PRF sur un échantillon fini. Ce filtre donne de bons résultats par rapport aux autres méthodes de modélisation lorsque les pondérations factorielles présentent une instabilité structurelle. Pour l’application empirique, nous examinons la qualité des prévisions de l’activité économique et des taux de change bilatéraux : dans les deux cas, le filtre MS-3PRF se compare favorablement aux autres approches.