Description:
<p>RÉSUMÉ. Nous proposons une approche fondée sur l'idée de « sparsité » pour l'inférence dans les modèles autorégressifs vectoriels (VAR) de grande dimension. L'approche est basée sur une procédure Bayésienne et une représentation graphique des modèles VAR. Nous discutons les propriétés de l'algorithme MCMC pour la sélection du graphique sparse, l'estimation des paramètres, et la sélection des retards spécifiques de chaque équation. Nous montrons l'efficacité de notre algorithme sur des données simulées et nous illustrons l'efficacité de notre approche pour la prévision des séries chronologiques macro-économiques et pour la mesure du risque de contagion financière.</p>