2ème thème macro: les fluctuations Flashcards

1
Q

les bases de données

A
  • gapminder
  • Ourworldindata
  • OCDE, FMI, Banque Mondiale
  • Penn World Table
  • UN Comtrade
  • INSEE, Eurostat
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Burns et Mitchell (Measuring Business Cycles, 1946), 5 caractéristiques des cycles

A
  • Les cycles des affaires sont constitués de fluctuations généralisées, et non d’un seul agrégat.
  • il y a des expansions et des contractions,
  • Les variables macro ont des co-variations,
  • Les fluctuations sont récurrentes, mais non périodiques,
  • Le cycle est persistant.
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

USA, dernier pic

A

NBER

décembre 2019 (ou février 2020)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

USA, dernier creux

A

avril 2020

annoncé le 19 juillet 2021

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Europe, dernier pic

A

4ème trimestre de 2019

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Europe, dernier creux

A

2ème trimestre 2020

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

France,

A

CDCEF, des économistes de l’AFSE

dernier pic: 4ème trimestre 2019

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

France

A

dernier creux: 2ème trimestre 2020

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

les variables, comportement cyclique des variables macro

A
  • procyclique
  • contracyclique
  • acyclique
  • en avance, coïncident, en retard
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

coïncident

A

production industrielle, consommation, investissement, emploi

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

en avance

A

investissement immobilier, stocks, productivité moyenne du travail, croissance monétaire, prix des actifs

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

en retard

A

inflation, nominal interest rates

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

non défini

A

dépenses publiques, salaire réel

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

la mesure de l’incertitude

A
  • Baker, Bloom et Davis, 2015
  • méthode basée sur le “text mining”
  • développent une mesure de l’incertitude économie totale et la décomposent
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

obj de la mesure de l’incertitude avec excel

A

montrer la baisse tendancielle de l’amplitude des fluctuations

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

obj de la mesure de l’incertitude avec R

A
  • représenter graphiquement tx de croissance du PIB en France en symbolisant les périodes de récession
  • dater les cycles en France en reprenant la méthode de Aviat et al. (2021)
  • Pour aller + loin: réaliser des corrélations dynamiques entre le PIB et différents agrégats macro
17
Q

traitement des données par excel

A
  • PWT: Maddison Project Database
  • PIB/ tête en Fr depuis l’an 1 (depuis 1820)
  • fichier excel mdp2020
18
Q

Analyse des fluctuations

A
  • calcul du taux de croissance
  • nb d’années avec une croissance négative
  • évolution de l’écart-type
  • fichier excel mdp2020
19
Q

traitement des données par R

A
  • fichier programm2.R
  • 1er travail avec données annuelles (PWT)
  • 2ème travail avec données trimestrielles (l’OCDE)
20
Q

avec données annuelles (PWT)

A
  • sélection uniquement des données US et de la Fr
  • calculs des taux de croissance
  • représentation graphique
21
Q

avec données trimestrielles (OCDE)

A
  • package library (OECD)
  • cherche puis on récupère base QNA
  • récupère le PIB trimestriel de la Fr, on calcule tx de croissance
  • représente graphiquement en ajoutant périodes de récession
22
Q

graph avec les rectangles

A

geom_rect

23
Q

Datation des cycles en Fr

A
  • Méthodologie développée par Aviat et al.(2021)
  • Pic à la date t si Yt>Yt-k, Yt>Yt+k, k= 1…K
  • Creux à la date t si Yt<Yt-k, Yt<Yt+k, k=1…K
  • K=2 pour des séries trimestrielles (5 pour des séries mensuelles)
  • en présence d’un double creux, la valeur la plus faible est choisie
  • en présence d’un double pic, la valeur la plus forte est choisie
  • Amplitude =(Yp-Yc)/Yp
24
Q

Code pour récupérer les données

A

fonctions
- get_dataset
- subset
- filter

25
Q

Code pour identifier les pics/ creux

A

fonction ifelse

26
Q

cyles de pics en France, dates

A
  • 1974: Q3
  • 1980: Q1
  • 1992: Q2
  • 2008: Q1
  • 2019: Q3
27
Q

cycles de creux en France, dates

A
  • 1975: Q1
  • 1980: Q4
  • 1993: Q2
  • 2009: Q2
  • 2020: Q2
28
Q

Corrélations dynamiques

A
  • Corr(Yt;Xt-j)
  • Permet d’identifier si un agrégat est pro/contra/acyclique et en avance/ retard/ coïncident.
  • Récupère les données du PIB, de la consommation, de l’investissement, des ex/im en Fr de 1980 à 2022, en trimestriel, avec “QNA” de l’OCDE.
  • Même procédure avec les agrégats monétaires (M1, M2 et M3) récupérés avec Quandl depuis 1988 et 2020.
29
Q

Code pour transformer la base de données

A

long -> wide avec spread.

on utilise mutate_all pour transformer toutes les séries en character.

30
Q

Code pour créer la fonction permettant de calculer les corrélations dynamiques (+/- 8 trimestres)

A

“T_moins8” =..
“T_moins7” =..
“T_moins6” = ..
etc

31
Q

Code pour récupérer les données avec Quandl

A

library (Quandl)

32
Q

Code pour calculer une matrice des corrélations et la représenter avec

A

corrplot

33
Q

tl.col et tl.srt

A

utilisées pour changer la couleur et l’angle de rotation des textes

34
Q

2ème thème: bilan

A
  • Définition et caractéristiques des cycles des affaires
  • Les bases de données macroéconomiques de CT
  • Mesures de la composante cyclique (filtre, taux de croissance)
  • Evolution des cycles et de leur amplitude, caractéristiques des agrégats par rapport au cycle
  • Datation des cycles, corrélations dynamiques environnementale (C02)
35
Q

période d’extension

A

période de temps entre un creux et un pic.

de plus en plus longue

36
Q

période de récession

A

laps de temps entre un pic et un creux, de plus en plus courte