Avec les avancements de la technologie de l’information, les données temporelles économiques et financières sont de plus en plus disponibles. Par contre, si les techniques standard de l’analyse des séries temporelles sont utilisées, une grande quantité d’information est accompagnée du problème de dimensionnalité. Puisque la majorité des séries d’intérêt sont hautement corrélées, leur dimension peut être réduite en utilisant l’ana-lyse factorielle 1. Cette technique est de plus en plus populaire en sciences économiques depuis les années 90.

Étant donnée la disponibilité des données et des avancements computationnels, plu-sieurs nouvelles questions se posent. Quels sont les effets et la transmission des chocs structurels dans un environnement riche en données ? Est-ce que l’information conte-nue dans un grand ensemble d’indicateurs économiques peut aider à mieux identifier les chocs de politique monétaire, à l’égard des problèmes rencontrés dans les applications utilisant des modèles standards ? Peut-on identifier les chocs financiers et mesurer leurs effets sur l’économie réelle ? Peut-on améliorer la méthode factorielle existante et y incorporer une autre technique de réduction de dimension comme l’analyse VARMA ?Est-ce que cela produit de meilleures prévisions des grands agrégats macroéconomiques et aide au niveau de l’analyse par fonctions de réponse impulsionnelles ? Finalement, est-ce qu’on peut appliquer l’analyse factorielle au niveau des paramètres aléatoires ? Par exemple, est-ce qu’il existe seulement un petit nombre de sources de l’instabilité temporelle des coefficients dans les modèles macroéconomiques empiriques ?

Ma thèse, en utilisant l’analyse factorielle structurelle et la modélisation VARMA, répond à ces questions à travers cinq articles. Les deux premiers chapitres étudient les effets des chocs monétaire et financier dans un environnement riche en données. Le troisième article propose une nouvelle méthode en combinant les modèles à facteurs et VARMA. Cette approche est appliquée dans le quatrième article pour mesurer les effets des chocs de crédit au Canada. La contribution du dernier chapitre est d’imposer la structure à facteurs sur les paramètres variant dans le temps et de montrer qu’il existe un petit nombre de sources de cette instabilité.
Le premier article analyse la transmission de la politique monétaire au Canada en utilisant le modèle vectoriel autorégressif augmenté par facteurs (FAVAR). Les études antérieures basées sur les modèles VAR ont trouvé plusieurs anomalies empiriques suite à un choc de la politique monétaire. Nous estimons le modèle FAVAR en utilisant un grand nombre de séries macroéconomiques mensuelles et trimestrielles. Nous trouvons que l’information contenue dans les facteurs est importante pour bien identifier la trans-mission de la politique monétaire et elle aide à corriger les anomalies empiriques stan-dards. Finalement, le cadre d’analyse FAVAR permet d’obtenir les fonctions de réponse impulsionnelles pour tous les indicateurs dans l’ensemble de données, produisant ainsi l’analyse la plus complète à ce jour des effets de la politique monétaire au Canada.