Estimation of Non-Gaussian SVAR Using Tensor Singular Value Decomposition

This paper introduces a tensor singular value decomposition (TSVD) approach for estimating non-Gaussian Structural Vector Autoregressive (SVAR) models. The proposed methodology applies to both complete and partial identification of structural shocks. The estimation procedure relies on third- and/or fourth-order cumulants. We establish the asymptotic distribution of the estimator and conduct a simulation study to evaluate its finite-sample performance. The results demonstrate that the estimator is highly competitive in small samples compared to alternative methods under complete identification. In cases of partial identification, the estimator also exhibits very good performance in small samples. To illustrate the practical relevance of the procedure under partial identification, two empirical applications are presented. Cet article introduit une approche de décomposition en valeurs singulières tensorielles (TSVD) pour l’estimation des modèles vectoriels autorégressifs structurels (SVAR) non gaussiens. La méthodologie proposée s’applique aussi bien à l’identification complète qu’à l’identification partielle des chocs structurels. La procédure d’estimation repose sur les cumulants d’ordre trois et/ou quatre. Nous établissons la distribution asymptotique de l’estimateur et menons une étude de simulation afin d’évaluer ses performances en petits échantillons. Les résultats démontrent que l’estimateur est particulièrement compétitif dans les petits échantillons par rapport aux méthodes alternatives en cas d’identification complète. Dans les situations d’identification partielle, l’estimateur présente également de très bonnes performances en petits échantillons. Afin d’illustrer la pertinence pratique de la procédure en contexte d’identification partielle, deux applications empiriques sont présentées.