Ciblage de l'inflation dans une économie d'apprentissage : une perspective ABM Résumé La présente contribution analyse les performances d'un régime de ciblage de l'inflation dans une économie, dont le fonctionnement est caractérisé par l'apprentissage des agents qui la peuplent. Ce fonctionnement est traduit en termes d'une modélisation à base d'agents (ABM). Dans un modèle dont la structure reste proche de celle du cadre d'analyse Nouveau Keynésien, nous représentons des agents individuels dont les comportements sont guidés par une rationalité procédurale, au sens de Simon (1971). Ces comportements se traduisent par l'adoption de règles simples-dites aussi routines, ou heuristiques, plutôt que par la résolution de programmes d'optimisation intertemporelle, nécessitant le recours à l'hypothèse d'anticipations rationnelles. Un processus d'apprentissage perpétuel permet de faire évoluer et d'adapter continuellement ces règles de comportement. Les déviations vis-à-vis de l'équilibre en anticipations rationnelles du modèle émergent de ces comportements d'apprentissage, de manière endogène. Dans ce modèle, la banque centrale met en oeuvre un régime de ciblage de l'inflation via une règle de politique monétaire. Notre objectif est d'analyser les interactions entre les mécanismes d'apprentissage, qui opèrent au niveau individuel, et les caractéristiques et les performances macroéconomiques du régime de ciblage de l'inflation. Nous montrons que la crédibilité des annonces de la banque centrale à propos de ses objectifs joue un rôle primordial dans la stabilisation macroéconomique, et nous mettons en évidence le rôle d'ancrage des anticipations d'inflation privées joué par la cible. Nous pointons aussi l'existence d'un coût potentiel en termes de bien-être à la divulgation d'informations publiques imparfaites, et nous contribuons par ailleurs au débat concernant les règles de politique monétaire optimales dans un contexte d'incertitude. Mots-clés : Ciblage de l'inflation ; modèle à base d'agents ; communication de la banque centrale ; anticipations ; apprentissage Inflation targeting in a learning economy: An ABM perspective Abstract This paper investigates the performances of an inflation targeting regime in a learning economy, whose functioning is tackled through an Agent-Based Model (ABM). While the structure of our ABM has common features with that of the New Keynesian canonical modelling framework, we model individual agents' forms of behaviour under procedural rationality in the sense of Simon (1971). Instead of assuming that they fully optimize on an intertemporal basis beforehand, and make use of rational expectations in that respect, agents are supposed to adopt economic forms of behaviour that are guided by simple rules of thumb-or heuristics-while a continuous learning process governs the evolution of those simple rules. Departures from the rational expectations equilibrium endogenously arise from those learning rules. Subsequently, the central bank implements an inflation targeting regime via a monetary policy...
Ciblage de l'inflation dans une économie d'apprentissage : une perspective ABM Résumé La présente contribution analyse les performances d'un régime de ciblage de l'inflation dans une économie, dont le fonctionnement est caractérisé par l'apprentissage des agents qui la peuplent. Ce fonctionnement est traduit en termes d'une modélisation à base d'agents (ABM). Dans un modèle dont la structure reste proche de celle du cadre d'analyse Nouveau Keynésien, nous représentons des agents individuels dont les comportements sont guidés par une rationalité procédurale, au sens de Simon (1971). Ces comportements se traduisent par l'adoption de règles simples-dites aussi routines, ou heuristiques, plutôt que par la résolution de programmes d'optimisation intertemporelle, nécessitant le recours à l'hypothèse d'anticipations rationnelles. Un processus d'apprentissage perpétuel permet de faire évoluer et d'adapter continuellement ces règles de comportement. Les déviations vis-à-vis de l'équilibre en anticipations rationnelles du modèle émergent de ces comportements d'apprentissage, de manière endogène. Dans ce modèle, la banque centrale met en oeuvre un régime de ciblage de l'inflation via une règle de politique monétaire. Notre objectif est d'analyser les interactions entre les mécanismes d'apprentissage, qui opèrent au niveau individuel, et les caractéristiques et les performances macroéconomiques du régime de ciblage de l'inflation. Nous montrons que la crédibilité des annonces de la banque centrale à propos de ses objectifs joue un rôle primordial dans la stabilisation macroéconomique, et nous mettons en évidence le rôle d'ancrage des anticipations d'inflation privées joué par la cible. Nous pointons aussi l'existence d'un coût potentiel en termes de bien-être à la divulgation d'informations publiques imparfaites, et nous contribuons par ailleurs au débat concernant les règles de politique monétaire optimales dans un contexte d'incertitude. Mots-clés : Ciblage de l'inflation ; modèle à base d'agents ; communication de la banque centrale ; anticipations ; apprentissage Inflation targeting in a learning economy: An ABM perspective Abstract This paper investigates the performances of an inflation targeting regime in a learning economy, whose functioning is tackled through an Agent-Based Model (ABM). While the structure of our ABM has common features with that of the New Keynesian canonical modelling framework, we model individual agents' forms of behaviour under procedural rationality in the sense of Simon (1971). Instead of assuming that they fully optimize on an intertemporal basis beforehand, and make use of rational expectations in that respect, agents are supposed to adopt economic forms of behaviour that are guided by simple rules of thumb-or heuristics-while a continuous learning process governs the evolution of those simple rules. Departures from the rational expectations equilibrium endogenously arise from those learning rules. Subsequently, the central bank implements an inflation targeting regime via a monetary policy...
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.