La série des Documents de Travail présente des travaux menés au sein de la DG Trésor, diffusés dans le but d’éclairer et stimuler le débat public. Ces travaux n’engagent que leurs auteurs.

Les modèles à facteurs sont de plus en plus utilisés pour la prévision de court terme du PIB par les banques centrales et les grands organismes internationaux. Ces modèles permettent en effet de résumer l’information apportée par un grand nombre de variables en un petit nombre de variables latentes appelées facteurs. Sous leur forme dynamique, ces modèles permettent de rendre compte des évolutions conjointes des indicateurs qui les constituent. De plus, en recourant à des techniques d’estimation appropriées, il est possible de résoudre les problèmes posés par les différences de délais de publication des variables utilisées. De cette façon, il n’est pas nécessaire de développer différents modèles en fonction de la date de prévision et des variables disponibles à cette date-là.

Dans une précédente étude, avaient été examinées les performances en prévision de ces modèles pour la prévision du taux de croissance du PIB français sur des horizons courts, en utilisant une base constituée d’une centaine de variables, pour la plupart stationnaires ou rendues stationnaires par une transformation. Or il est bien connu que la plupart des séries macroéconomiques doivent être considérées comme non stationnaires. Depuis la fin des années 1980 et l’introduction de la notion de cointégration, on sait que, lorsqu’on travaille avec des variables non stationnaires, il peut être utile de prendre en compte l’information sur les relations d’équilibre de long terme entre ces variables. Classiquement, la prise en compte de ces relations de cointégration se fait dans le cadre d’un modèle de petite taille, appelé modèle à correction d’erreur. Ce type de modèle ne permet d’utiliser qu’un petit nombre de variables pour calculer cette prévision. Il peut donc sembler utile de combiner les avantages des MFD (la prise en compte d’un grand nombre de variables) et des modèles à correction d’erreur (la prise en compte des relations de long terme ou de cointégration) pour la prévision de court terme. La mise en œuvre d’un tel modèle nécessite un certain nombre d’aménagements qui en accroissent la complexité. Ceci pourrait expliquer que les performances obtenues ne soient pas meilleures.