Studies that evaluate the effects of technology shocks often employ structural VARs identified with long‐run restrictions. In the presence of a mismatch between the lag structures of the true data‐generating process and the adopted VAR, estimates based on long‐run restrictions can be biased. This paper offers a method that can reduce this bias substantially. Using artificial data, I assess the performance of the proposed method and find that it can outperform a range of alternative procedures. Applying the procedure to the US data, I find that per‐capita hours exhibit a positive hump‐shaped response profile in response to a technology shock. Identification des chocs technologiques à l’aide de vecteurs autorégressifs mal spécifiés. Des études pour évaluer les effets de chocs technologiques emploient souvent des modèles de vecteurs autorégressifs (VAR) structurels avec des restrictions à long terme. Quand il n’y a pas d’arrimage entre les structures de délais du processus générant les vraies données et celles qui émergent des modèles VAR adoptés, les estimés basés sur les restrictions à long terme peuvent être biaisés. Ce texte propose une mèthode qui peut réduire ce biais de manière substantielle. À partir de données artificielles, on évalue la mèthode proposée et on montre qu’elle performe mieux que les procèdures de rechange. En appliquant cette mèthode aux données américaines, on découvre un profil positif en forme de bosse dans les heures de travail per capita en réponse à un choc technologique.