Algo de Base de La Méthode X11

COMPRENDRE LA METHODE X11
Dominique LADIRAY1, Benoît QUENNEVILLE2
Juillet 1999
1
Dominique Ladiray est Administrateur de l’Institut National de la Statistique et des Études Économiques,
18 Boulevard Adolphe Pinard, 75014 Paris, France. Ce travail a été réalisé pendant un séjour au Centre de
Recherche et d’Analyse des Séries Temporelles, à Statistique Canada.
2
Benoît Quenneville est Méthodologiste au Centre de Recherche et d’Analyse des Séries Temporelles, 3G-
RHC-BSMD, Statistique Canada, Ottawa, Ontario, Canada, K1A 0T6. Tél : 613-951-1605, Fax : 613-951-
5711, courriel : quenne@statcan.ca.
2
RÉSUMÉ
En matière de désaisonnalisation, la méthode statistique la plus utilisée est sans aucun doute celle
mise en œuvre dans le logiciel X11. Développé dans les années 50-60 au US Bureau of Census,
ce programme a fait l'objet de nombreuses modifications et améliorations, en particulier les
logiciels X11-ARIMA (1975, 1988) et le tout nouveau X12-ARIMA (dont une première version
de test a été diffusée dès 1998). Si ces logiciels incorporent, à des degrés divers, des méthodes
d'analyse paramétrique et en particulier les modèles ARIMA popularisés par Box & Jenkins, ils
restent sur le fond très proches de la méthode initiale X11 et c'est à ce "noyau" que nous nous
intéressons dans la suite.
Ce document a pour ambition d’expliquer la méthode de désaisonnalisation mise en œuvre dans
les logiciels de la « famille X11 ». Après un bref historique de la désaisonnalisation, vous
trouverez une présentation générale de la méthode X11 et des moyennes mobiles. Un exemple
complet de désaisonnalisation sera ensuite présenté et vous pourrez suivre, dans le détail,
l'ensemble des calculs faits. On se concentre ici sur la partie X11 des logiciels actuels c'est-à-dire
sans référence à une modélisation ARIMA a priori de la série à désaisonnaliser. Les différences,
en général minimes, entre X11-ARIMA88 et X12-ARIMA sur le fonctionnement de ce "noyau
central" seront précisées le cas échéant.
SUMMARY
When it comes to seasonal adjustment, the most widely used statistical method is without a doubt
that implemented in the X11 software. Developed at the US Bureau of the Census in the 1950s
and 1960s, this computer program has undergone numerous modifications and improvements,
relating especially to the X11-ARIMA software packages (1975, 1988) and the all-new X12-
ARIMA (a first beta version of which is available since 1998). While these software packages
integrate, to varying degrees, parametric analysis methods, and especially the ARIMA models
popularized by Box & Jenkins, they remain in essence very close to the initial X11 method, and it
is this “core” that will interest us here.
This work presents the seasonal adjustment methodology implemented in the X11-based
softwares. After some historical notes, you will find a presentation of the X11 methodology and a
complete description of the moving-averages used in the programs. Readers will also find a
complete example of seasonal adjustment, and will have a detailed picture of all the calculations.
Emphasis will be placed here on the X11 portion of the current software, i.e. without reference to
a priori ARIMA modelling of the series to be seasonally adjusted. The generally minor
differences between X11-ARIMA88 and X12-ARIMA concerning the operation of this “central
core” will be specified where applicable.
ii
TABLE DES MATIÈRES
COMPRENDRE LA MÉTHODE X11............................................................................................1

RÉSUMÉ.......................................................................................................................................i
TABLE DES MATIÈRES ......................................................................................................... iii
Chapitre 1 BREF HISTORIQUE DE LA DÉSAISONNALISATION..........................................1
Chapitre 2 LA PHILOSOPHIE DE LA MÉTHODE X11.............................................................7
2.1 Composantes et schémas de composition. ...........................................................................7
2.2 Moyennes mobiles................................................................................................................8
2.3 Un algorithme simple de désaisonnalisation ........................................................................8
2.4 L’algorithme de base de la méthode X11.............................................................................9
2.5 Points aberrants et effets de calendrier...............................................................................11
2.6 Le principe itératif de X11. ................................................................................................11
2.7 De X11 à X11-ARIMA et X12-ARIMA............................................................................14
Chapitre 3 LES MOYENNES MOBILES ...................................................................................15
3.1 Quelques définitions et un peu de théorie ..........................................................................15
3.2 Les moyennes mobiles symétriques utilisées dans X11.....................................................22
3.3 Les moyennes mobiles asymétriques de Musgrave............................................................28
3.4 Le filtre moyenne mobile X11 ...........................................................................................35
Chapitre 4 LES DIFFÉRENTS TABLEAUX..............................................................................39
4.1 PARTIE B : Estimation préliminaire des points atypiques et des effets de calendrier ......41
4.2 PARTIE C : Estimation finale des points atypiques et des effets de calendrier.................86
4.3 PARTIE D : Estimation finale des différentes composantes............................................110
4.4 PARTIE E : Composantes corrigées des points les plus atypiques..................................143
4.5 PARTIE F : Mesures de qualité de la désaisonnalisation.................................................149
Chapitre 5 MODÉLISATION DE L’EFFET DE PÂQUES ......................................................163
5.1 La fête de Pâques..............................................................................................................163
5.2 Les modèles utilisés dans X11-ARIMA88.......................................................................166
5.3 Les modèles de X12-ARIMA...........................................................................................176
BIBLIOGRAPHIE .......................................................................................................................189
iii
iv
En matière de désaisonnalisation, la méthode statistique la plus utilisée est sans aucun doute celle
mise en œuvre dans le logiciel X11. Développé dans les années 50-60 au US Bureau of Census,
ce programme a fait l'objet de nombreuses modifications et améliorations, en particulier les
logiciels X11-ARIMA (1975, 1988) et le tout nouveau X12-ARIMA (dont une première version
de test a été diffusée dès 1998). Si ces logiciels incorporent, à des degrés divers, des méthodes
d'analyse paramétrique et en particulier les modèles ARIMA popularisés par Box & Jenkins, ils
restent sur le fond très proches de la méthode initiale X11 et c'est à ce "noyau" que nous nous
intéressons dans la suite.
Les détracteurs de X11 ont souvent mis en avant le côté "boîte noire" de ce logiciel. L'absence de
modèle explicite, la multiplicité des options et des tableaux en sortie sont sans doute pour
beaucoup dans cette appréciation. X11 est pourtant un logiciel reposant sur un principe itératif
simple et assez facile à expliquer. Il est vrai cependant qu'il était difficile, pour ne pas dire
impossible, à un utilisateur même très averti, de reconstruire et d'expliquer chaque tableau en
sortie de X11 : des erreurs mineures de programmation et des imprécisions dans la documentation
rendaient cette tâche insurmontable. Ces petites erreurs de programmation ont, pour la plupart,
disparu des nouvelles versions du logiciel et nous avons décidé de faire ce travail jamais achevé
jusqu'à présent : traiter à fond un exemple de désaisonnalisation par la méthode X11.
Pour ce faire, nous avons programmé la méthode X11 en langage SAS et en Mathematica,
vérifiant ainsi chaque étape de la désaisonnalisation et validant pas à pas les résultats de X11-
ARIMA88 et X12-ARIMA. Après quelques corrections d'erreurs repérées dans chacun des
logiciels, tous ces programmes convergent.
Ce document a pour ambition d’expliquer la méthode de désaisonnalisation mise en œuvre dans

les logiciels de la « famille X11 ». Après un bref historique de la désaisonnalisation, vous
trouverez une présentation générale de la méthode X11. Le chapitre suivant sera consacré à
l’étude des moyennes mobiles. Un exemple complet de désaisonnalisation sera ensuite présenté et
vous pourrez suivre, dans le détail, l'ensemble des calculs faits. Les modèles de régression
linéaires utilisés pour les effets de jours ouvrables et le procédé de détection et de correction des
valeurs atypiques sont étudiés dans l’exemple. L’estimation de l’effet de Pâques fera l’objet d’un
chapitre séparé dans la mesure où les modèles utilisés dans X11-ARIMA88 et X12-ARIMA sont
sensiblement différents.
On se concentre ici sur la partie X11 des logiciels actuels c'est-à-dire sans référence à une
modélisation ARIMA a priori de la série à désaisonnaliser. Les différences, en général minimes,
entre X11-ARIMA88 et X12-ARIMA sur le fonctionnement de ce "noyau central" seront
précisées le cas échéant.
Lorsque par la suite nous ferons référence à X11, c’est à la méthode de désaisonnalisation et
non au logiciel X11 que nous ferons allusion.
v
vi
Chapitre 1 BREF HISTORIQUE DE LA DÉSAISONNALISATION3
Il est aujourd’hui usuel de décomposer une série X t observée, en plusieurs composantes elles-
mêmes non observées, selon un modèle du genre : X t = Tt + C t + S t + I t , où Tt, Ct, St et It
désignent respectivement la tendance, le cycle, la saisonnalité et la partie irrégulière. Cette idée
est ancienne et c’est sans doute en astronomie qu'il faut en rechercher l’origine.
ème
Au 17 siècle, les mesures plus précises faites sur les mouvements des planètes semblèrent
infirmer les lois de Kepler, et l'idée qu'elles donnaient une approximation de la position de la
planète plutôt que sa position exacte fut peu à peu acceptée (Nerlove, Grether, Carvalho, 1979).
La position observée était alors considérée comme la somme de la position "théorique" et d'une
fluctuation irrégulière. Plus tard, on s'aperçut que les orbites des planètes se modifiaient
insensiblement et la distinction fut faite entre mouvements séculaires et périodiques. Le modèle à
composantes inobservables était né. L'explication de ces mouvements périodiques ou irréguliers a
passionné nombre de mathématiciens en cette fin du 18ème siècle et début du 19ème siècle, parmi
lesquels Euler, Lagrange et Laplace.
Cette idée de décomposition d'une série temporelle est apparue dès lors dans les travaux des
économistes et certains d'entre eux n'hésitaient pas à reconnaître qu'elle leur venait directement de
l'astronomie4 ou de la météorologie5. Parallèlement, le développement des connaissances
mathématiques va donner aux chercheurs les moyens de dépasser la simple visualisation
graphique dans l'analyse des séries temporelles. Parmi les travaux importants en la matière, il faut
citer évidemment ceux de Jean-Baptiste Fourier sur la décomposition d’une série en somme de
fonctions trigonométriques6, travaux qui donneront naissance à l'analyse harmonique et, plus tard,
lorsque la notion de processus stochastique sera définie, à l'analyse spectrale. Car, à cette époque,
en économie comme dans les autres sciences, l'heure est au déterminisme et à la recherche de lois
exactes expliquant tous les phénomènes physiques, économiques, démographiques, biologiques
etc.
L'objet de nombreuses études est alors la mise en évidence de "cycles" dont l'étude et l'analyse
pourraient permettre d'expliquer et de prévoir les crises économiques (Armatte, 1992). Dans ces
conditions, les composantes périodiques de court terme sont de peu d'intérêt et il convient de les
éliminer :
"Every kind of periodic fluctuations, whether daily, weekly, quarterly, or yearly, must be detected
and exhibited not only as a subject of study in itself, but because we must ascertain and eliminate
such periodic variations before we can correctly exhibit those which are irregular or non-
periodic and probably of more interest and importance." (Jevons, 1862)
3
Cette partie s’inspire beaucoup de : Armatte (1992), Bell & Hillmer (1984), Hylleberg (1992), Nerlove,
Grether & Carvalho, (1979)
4
Nerlove, Grether, Carvalho (1979) citent plusieurs exemples dont ceux de Cournot (1838) et Jevons
(1884). En 1801, l'astronome britannique William Herschel publie un travail mettant en relation les
périodicités observées entre les taches solaires et celles du prix du blé.
5
Difficile de ne pas citer les travaux du météorologue Buys-Ballot qui, en 1847, étudiait les variations
périodiques de température en modélisant la "tendance" par un polynôme, la saisonnalité par des
indicatrices et faisait implicitement appel à des techniques de régression linéaire pour estimer les
paramètres.
6
Théorie analytique de la chaleur, publié en 1807.
1
ème ème
Les fin du 19 et début du 20 siècles abondent de publications sur la décomposition de séries
économiques, de techniques d'estimation des composantes, d'éléments de définition des
composantes7. Mais c'est sans doute à W.M. Persons, en 1919, que revient le mérite de proposer
dans un même travail une méthode "complète" de décomposition incluant une tentative de
"définition" et de formalisation des composantes inobservables, un modèle de composition et une
méthode d'estimation. Pour ce statisticien, une série temporelle se décompose en quatre types de
fluctuations aujourd'hui familières :
1. A long-time tendency or secular trend ; in many series such as bank clearings or production
commodities, this may be termed the growth element ;
2. A wavelike or cyclical movement superimposed upon the secular trend ; these curves appear
to reach their crests during the periods of industrial prosperity and their troughs during
periods of industrial depression, their rise and fall constituting the business cycle ;
3. A seasonal movement within the year with a characteristic shape for each series ;
4. Residual variation due to developments which affect individual series, or to momentous
occurrences such as wars or national catastrophes, which affect a number of series
simultaneously.
Ces composantes sont ensuite combinées selon les schémas de composition, additif ou
multiplicatif, bien connus :
Schéma additif : X t = Tt + C t + S t + I t
Schéma multiplicatif : X t = Tt * C t * S t * I t
ou encore :
X t = Tt * (1 + C t ) * (1 + S t ) * (1 + I t )
La plupart des publications de l'époque acceptent ces modèles et "définitions" sans beaucoup de
discussion, l'accent étant plutôt mis sur les techniques proprement dites d'ajustement saisonnier
ou d'extraction de cycle. De même, d'autres concepts furent étudiés et acceptés : l’idée que la
saisonnalité varie dans le temps ; la nécessité de prendre en compte simultanément toutes les
composantes lorsqu’on estime la partie saisonnière ; l’impossibilité de décrire les tendances et les
cycles par des formules mathématiques simples et explicites ; la nécessité de traiter les points
aberrants...., toutes ces idées donnant naissance à des méthodes d'estimation différentes
(Menderhausen, 1937).
Les travaux de l’époque étaient cependant essentiellement inspirés par deux grandes méthodes,
dont on donnera une brève description pour le cas d'un modèle multiplicatif (Armatte, 1992).
• Dans les années 1910, c'est la méthode des "link relatives", mise au point par Persons, qui a la
faveur des économistes statisticiens. Son principe consiste à calculer pour chaque valeur
mensuelle de la série le rapport xt xt −1 de cette valeur à celle du mois précédent, à faire une
table de fréquence des valeurs de ces rapports pour les 12 mois, puis à déterminer les
médianes de ces douze séries. Ces médianes sont ensuite chaînées par multiplication en
prenant une base 100 pour janvier : S1 = 100 , S i = M i S i −1 . Ces coefficients saisonniers étant
finalement corrigés par un facteur (S13 S1 ) pour que S1 = S13 = 100 .
1 / 12
7
Par exemple, en 1905, Lucien March distingue "des changements annuels, des changements polyannuels
(décennaux par exemple), des changements séculaires, sans parler des périodes plus courtes qu'une année"
(cité par Yule(1921) et Bell, Hillmer (1984)). On peut aussi citer les travaux précurseurs des sœurs
Maballée (1906) cherchant à isoler les points de retournement d’une série à l’aide du corrélogramme.
2
• La seconde façon de déterminer la tendance est la méthode de la moyenne mobile, méthode
appliquée dès 1922 par la Federal Reserve Board8 et popularisée plus tard par Macaulay
(1931). Elle s’appuie sur le calcul d’une moyenne mobile centrée d’ordre 12 pour obtenir une
estimation de la tendance. Le rapport entre les données originales et cette estimation fournit
une première estimation de la composante saisonnière. Pour en éliminer l’irrégulier, on calcule
ensuite les médianes (ou moyennes) de la composante pour chaque mois. Puis on ajuste ces
nouveaux indices pour que leur somme fasse 1 et obtenir ainsi les indices saisonniers
définitifs.
Bien que très populaires, ces méthodes ont fait l'objet de nombreuses critiques sur le plan
théorique. Ainsi, Slutsky (1927) et Yule (1927) montrèrent que l'utilisation de moyennes mobiles
pouvait introduire des cycles artificiels dans les données, Fisher (1937) déplorait que l’on
applique des méthodes "empiriques" ad hoc alors qu’il existait des outils mathématiques
adéquats. L'événement le plus important de cette période est sans aucun doute l'apparition des
modèles autorégressifs (Yule, 1927) et moyennes mobiles (Slutsky, 1927) pour l'analyse des
séries temporelles, soit en d'autres termes, le moyen pour les économistes statisticiens de sortir du
cadre déterministe traditionnel en utilisant les premiers processus stochastiques. Mais il faudra
attendre de nombreuses années pour que ces méthodes connaissent un certain succès en
désaisonnalisation.
Dans les années 30, les méthodes de désaisonnalisation basées sur des techniques de régression
ont connu des fortunes diverses. Celles-ci s’appuyaient en général sur une décomposition additive
de la série initiale ou d’une transformation simple de cette série, sur une modélisation de la série
initiale et de chacune des composantes par des fonctions paramétriques simples et sur l'estimation
des paramètres par des méthodes de type "moindres carrés ordinaires". La difficulté de trouver
une bonne spécification du modèle, et en particulier les fortes hypothèses nécessaires sur les
composantes inobservables, expliquent sans aucun doute le rejet, momentané, de ces méthodes
(Bell, Hillmer 1984).
Le développement de l'informatique, après la seconde guerre mondiale, a fortement contribué à la

diffusion et à l'amélioration des méthodes de désaisonnalisation. Ainsi, en 1954, Julius Shiskin
met au point une méthode ("Method I") sur l'ordinateur Univac du US Bureau of Census. Cette
technique de désaisonnalisation sera suivie par onze versions eXpérimentales d'une "Method II"
(X0, X1, etc) pour finalement aboutir au logiciel X11 en 1965 (Shiskin, Young, Musgrave 1967).
Inspirées directement des lissages par moyennes mobiles et des travaux de Macaulay (1931), ces
diverses versions constituaient les premières méthodes automatiques d'ajustement saisonnier et
X11 devint rapidement un standard utilisé dans le monde entier. Ces nouvelles possibilités de
calcul facilitèrent l'utilisation des techniques paramétriques de régression pour l'estimation et la
correction des effets de calendrier (jours ouvrables, jours fériés, vacances .... ). Un traitement
automatique de ces effets, basé sur les travaux de Young (1965), fut d'ailleurs intégré dans le
logiciel X11.
Parallèlement, la modélisation paramétrique des séries temporelles et l'analyse spectrale ont fait
des progrès importants, essentiellement grâce au développement de la théorie des processus
stochastiques, progrès dont les outils de désaisonnalisation ont bénéficié peu à peu.
L'analyse harmonique, employée très tôt pour résoudre des problèmes de décomposition de série,
se plaçait dans un cadre résolument déterministe et était utilisée pour mettre en évidence des
périodicités exactes alors qu'on était bien conscient que les cycles pouvaient n'être pas
rigoureusement périodiques ou que les saisonnalités pouvaient évoluer. Là encore, il fallut
8
C'est au physicien anglais Poynting qu'on attribue souvent la première utilisation en 1884 d'une moyenne
mobile pour éliminer la tendance et isoler les fluctuations de la série qu'il peut ainsi traiter par l'analyse
harmonique.
3
attendre les ordinateurs des années 60 pour profiter des progrès de la théorie et mieux utiliser
l'analyse spectrale : estimations améliorées de la densité spectrale (Bartlett 1950, Tukey 1950),
étude des processus non-stationnaires (Priestley 1965), transformée de Fourier rapide (Cooley,
Tukey 1965) etc.
La popularisation des modèles ARIMA à partir de la publication de Box et Jenkins (1970) a
permis de faire progresser les outils de désaisonnalisation dans deux directions. D’une part, elle a
constitué un développement important de X11 qui a évolué vers X11-ARIMA en 1975 (Dagum,
1980). Dans cette nouvelle version, les modèles ARIMA sont utilisés pour prolonger la série
initiale afin de limiter les révisions des estimations lorsque l’on dispose d’un point
supplémentaire. D'autre part, la modélisation ARIMA a aussi été introduite dans les méthodes de
désaisonnalisation fondées sur la théorie de l'extraction du signal. Les exemples de travaux
utilisant la modélisation ARIMA et l'analyse spectrale à des fins de désaisonnalisation sont
nombreux (voir Bell, Hillmer 1984).
Toutes ces avancées, techniques et théoriques, font qu'aujourd'hui les méthodes de décomposition
fondées sur des modèles se développent et se popularisent.
Aujourd’hui, les deux grandes philosophies de la désaisonnalisation, à savoir l’approche

empirique et l’approche par modélisation, inspirent diverses méthodes, dont certaines mêlent les
deux philosophies. Parmi les logiciels actuellement les plus utilisés, on peut citer BV4
(Technische Universität Berlin, Deutsche Institut für Wirtschaftsforschung), SABL et STL (Bell
Laboratories), X11-ARIMA88 (Statistique Canada), STAMP (London School of Economics and
Political Science), BAYSEA et DECOMP (Institut de Statistique Mathématique, Japon).
D’autres, mis au point plus récemment, devraient connaître un succès certain : X12-ARIMA (US
Bureau of Census) et TRAMO-SEATS (Banco de Espana).
Les principales critiques que l’on peut faire à chacune des deux approches sont difficiles à éviter.
Ainsi, reproche-t-on aux méthodes empiriques de ne pas s’appuyer sur des modèles explicites, ce
qui rend particulièrement difficile, voire impossible, la connaissance des propriétés statistiques
des estimateurs utilisés ; les méthodes fondées sur les modèles sont satisfaisantes sur ce plan mais
on s’interroge sur la pertinence de la modélisation et la robustesse des méthodes d'estimation dans
le cas de séries très perturbées, on invoque les difficultés de modéliser a priori des composantes
sur lesquelles on sait peu de choses et la relative faiblesse de la théorie statistique pour les séries
non stationnaires.
C’est pourquoi les améliorations apportées par les recherches récentes ne concernent pas le
principe même des méthodes existantes mais visent plutôt à corriger certains de leurs défauts. Les
principales préoccupations sont tournées d’une part vers les problèmes liés à l'estimation des
composantes en début et fin de série, et d’autre part vers l’élimination des divers effets
perturbateurs qui influencent les résultats de la désaisonnalisation (points atypiques, changements
de régime, effets de calendrier...).
Schématiquement, comme le graphique qui suit le synthétise, les méthodes de désaisonnalisation

peuvent être classées en deux grandes catégories : les méthodes non paramétriques et les
méthodes paramétriques.
Les méthodes non paramétriques, dites « empiriques », permettent de décomposer la série en

composantes inobservables par une procédure, souvent itérative, basée sur des lissages successifs.
On peut résumer l’ensemble des lisseurs utilisés dans ces méthodes sous le nom de "régressions
locales". Les régressions locales consistent à ajuster des polynômes, en général par les moindres
carrés, pondérés ou non, sur des intervalles glissants (se décalant d'un point à chaque fois). Au
centre de l'intervalle, la donnée lissée est la valeur, à cette date, du polynôme ajusté (la donnée
lissée à la date suivante est obtenue par ajustement d'un polynôme sur l'intervalle suivant). On
peut montrer que les régressions locales reviennent à appliquer des moyennes mobiles
4
particulières lorsque les observations sont régulièrement espacées. Les méthodes se distinguent
essentiellement par leur degré de robustesse : dans un premier groupe, on trouve STL (Cleveland
et alii, 1990), méthode fondée sur le "lowess", une technique de lissage robuste par régressions
locales (Cleveland, 1979) ; dans un second groupe figure la célèbre méthode de
désaisonnalisation X11.
Les méthodes paramétriques peuvent elles aussi se diviser en deux grands ensembles : les
méthodes par régression (inspirées de Buys-Ballot) qui posent pour chaque composante, excepté
l'irrégulier, une fonction déterministe du temps ; les méthodes fondées sur des modèles
stochastiques (non déterministes) : il s'agit principalement de modèles ARIMA utilisés pour
modéliser les composantes inobservables. Parmi celles-ci on distingue encore deux groupes :
celles qui estiment les modèles des composantes à partir du modèle ARIMA de la série initiale
(Burman 1980, Hillmer et Tiao 1982), SEATS (Gomez, Maravall 1997) est la plus récente, et
celles qui les modélisent et les estiment directement (Akaike 1980, Kitagawa et Gersch 1984)
comme par exemple la méthode STAMP (Harvey et alii, 1995).
5
MÉTHODES ET LOGICIELS DE
DÉSAISONNALISATION
Non-paramétriques Paramétriques
Modèles implicites Modèles Explicites
Médianes Moyennes Méthodes Aléatoires Méthodes Déterministes

Mobiles Mobiles
Régressions Régressions
X11 Locales Globales
LOWESS (1965)
(1979)
Modèles Modèles
ARIMA Structurels Buys-Ballot
SABL (1847)
(1982) X11-ARIMA
(1975, 1988) BV4
BAYSEA (1983)
(1980)
STL
DECOMP
(1990)
(1985)
STAMP
X12-ARIMA SEATS (1987)
(1996) (1996)
Filtres Robustes Filtres non Robustes Modèle global Modélisation de chaque composante
Modèles implicites Modèles explicites

6
Chapitre 2 LA PHILOSOPHIE DE LA MÉTHODE X11
La méthode X11 repose sur un principe itératif d’estimation des différentes composantes, cette
estimation étant faite à chaque étape grâce à des moyennes mobiles adéquates.
2.1 Composantes et schémas de composition.
La méthode X11 permet de décomposer et de désaisonnaliser des séries mensuelles et

trimestrielles. Les composantes qui peuvent apparaître à un moment ou à un autre de la
décomposition sont :
1. La tendance de la série qui représente l’évolution de long terme de la série ;
2. Le cycle, mouvement lisse, quasi périodique, autour de la tendance et met en évidence une
succession de phases de croissance et de récession.
X11 ne sépare pas ces deux composantes : les séries étudiées sont en général trop courtes pour
que l’estimation des deux composantes puisse se faire aisément. On parlera donc dans la suite de
composante tendance-cycle, notée TC t .
3. La composante saisonnière, notée S t , représentant des fluctuations infra annuelles,
mensuelles ou trimestrielles, qui se répètent plus ou moins régulièrement d’année en année ;
4. Une composante dite de « jours ouvrables », notée Dt , qui mesure l’impact sur la série de la
composition journalière du mois ou du trimestre ;
5. Une composante mesurant l’effet de la fête de Pâques, notée E t ;
6. Et enfin, la composante irrégulière, notée I t , regroupant toutes les autres fluctuations plus ou
moins erratiques non prises en compte dans les composantes précédentes.
Remarquons que ces définitions sont de fait qualitatives et peu précises. Elles restent d’ailleurs
aujourd’hui l’objet de controverses et d’interprétations diverses. A titre d’exemple, voici deux
citations d’éminents statisticiens qui, à l’évidence, n’ont pas le même objectif :
Sir KENDALL : « ...The essential idea of trend is that it shall be smooth. »9

Andrew HARVEY : « There is no fundamental reason, though, why a trend should be smooth »10
Dans la méthode X11, les composantes sont en fait définies de façon implicite par les outils qui
servent à les estimer.
La méthode X11 considère trois schémas de composition possibles :

1. Le modèle additif : X t = TC t + S t + Dt + E t + I t
2. Le modèle multiplicatif : X t = TC t * S t * Dt * E t * I t
3. Le modèle log-additif : X t = Log (TC t ) + Log ( S t ) + Log ( Dt ) + Log ( E t ) + Log ( I t )
X12-ARIMA propose en outre un modèle « pseudo-additif » : X t = TC t ( S t + Dt + E t + I t − 1)
9
Dans son ouvrage « Time Series », 1973, p 29
10
Dans son ouvrage « Forecasting, Structural Time Series Models and the Kalman Filter », 1989, p 284
7
2.2 Moyennes mobiles
Les moyennes mobiles, qui constituent l’outil de base de la méthode de désaisonnalisation X11,
sont utilisées pour estimer les principales composantes de la série, tendance et saisonnalité. Ce
sont avant tout des outils de lissage conçus pour éliminer une composante indésirable de la série.
Prenons l’exemple simple d’une série constituée d’une tendance et d’une composante irrégulière :
si la tendance est lisse, alors les valeurs de la série autour de la date t doivent contenir de
l’information sur la valeur de cette tendance à l’instant t et il doit être possible d’utiliser une
moyenne de ces valeurs comme estimation.
+f
Une moyenne mobile de coefficients {θ i } se définit donc comme M ( X t ) = Tˆt = ∑θ X i t +i
11
et
i=− p
tout le problème est alors de trouver le « bon » ensemble de coefficients {θ i } . Les possibilités de
calcul très limitées à la fin du siècle dernier ont conduit les statisticiens à chercher des
coefficients de pondération indépendants des valeurs de la série selon des méthodes qui seront
étudiées en détail dans un prochain chapitre.
2.3 Un algorithme simple de désaisonnalisation
Soit une série brute mensuelle X t que nous supposerons ici décomposée en tendance-cycle,
saisonnalité et partie irrégulière selon un schéma additif : X t = TC t + S t + I t . On peut imaginer
un algorithme simple de désaisonnalisation en quatre étapes :
1. Estimation de la Tendance-Cycle par moyenne mobile :

TCt(1) = M 0 ( X t )
La moyenne mobile utilisée ici devra donc reproduire au mieux la composante tendance-cycle
tout en éliminant la composante saisonnière et en réduisant la composante irrégulière au
maximum.
2. Estimation de la composante Saisonnier-Irrégulier :

(St + I t )(1) = X t − TCt(1)
3. Estimation de la composante Saisonnière par moyenne mobile sur chaque mois :
[
S t(1) = M 1 (S t + I t )
(1)
] et donc aussi I t(1) = (S t + I t ) − S t(1)
(1)
Il s’agit donc ici de lisser les valeurs de la composante saisonnier-irrégulier de chaque mois pour
extraire l’évolution du coefficient saisonnier du mois concerné. La moyenne mobile utilisée ici
devra reproduire au mieux la composante saisonnière de chaque mois en réduisant au maximum
la composante irrégulière.
On peut imposer ici une contrainte de normalisation des coefficients qui leur imposera par
exemple d’être de somme nulle.
4. Estimation de la série corrigée des variations saisonnières :

Xsat(1) = (TC t + I t ) = X t − S t(1)
(1)
11
La valeur à l'instant t de la série brute est donc remplacée par une moyenne pondérée de p valeurs
"passées" de la série, de la valeur actuelle, et de f valeurs "futures" de la série.
8
Toute la difficulté réside donc dans le choix des moyennes mobiles utilisées aux étapes 1 et 3.
2.4 L’algorithme de base de la méthode X11.
C’est cet algorithme simple que la méthode X11 met finalement en œuvre, en utilisant des
moyennes mobiles judicieusement choisies et en affinant peu à peu, par itération de l’algorithme,
les estimations des composantes.
On peut ainsi définir l’algorithme de base de la méthode X11 qui correspond en fait à utiliser
deux fois l’algorithme simple précédent en changeant à chaque fois les moyennes mobiles.
1. Estimation de la Tendance-Cycle par moyenne mobile 2x12 :

TCt(1) = M 2 x12 ( X t )
La moyenne mobile utilisée ici est une moyenne mobile dite « 2x12 », de coefficients
1
{1,2,2,2,2,2,2,2,2,2,2,2,1} , qui conserve les tendances linéaires, élimine les saisonnalités
24
constantes d’ordre 12 et minimise la variance de la partie irrégulière.

(St + I t )(1) = X t − TCt(1)
3. Estimation de la composante Saisonnière par moyenne mobile 3x3 sur chaque mois :
[
S t(1) = M 3 x 3 (S t + I t )
(1)
]
La moyenne mobile utilisée ici est une moyenne mobile sur 5 termes, dite « 3x3 », de coefficients
1
{1,2,3,2,1} , et qui conserve les tendances linéaires. Les coefficients sont ensuite normalisés de
9
telle sorte que leur somme sur toute période de 12 mois soit approximativement nulle.
Snormt(1) = S t(1) − M 2 x12 S t(1) ( )
Xsat(1) = (TC t + I t )t = X t − Snormt(1)
(1)
Cette première estimation de la série corrigée des variations saisonnières doit, par construction,
contenir moins de saisonnalité. La méthode X11 remet en œuvre notre algorithme simple en
changeant les moyennes mobiles pour tenir compte de cette propriété.
5. Estimation de la Tendance-Cycle par moyenne mobile de Henderson sur 13 termes :

(
TCt( 2) = H 13 Xsat(1) )
Les moyennes mobiles de Henderson, si elles n’ont pas de propriétés spéciales en terme
d’élimination de la saisonnalité (il n’y en a pas ou peu à ce stade), ont un très bon pouvoir de
lissage et conservent les tendances localement polynômiales de degré 2.
(St + I t )( 2) = X t − TCt( 2)
7. Estimation de la composante Saisonnière par moyenne mobile 3x5 sur chaque mois :
9
[
S t( 2 ) = MM 3 x 5 (S t + I t )
( 2)
]
La moyenne mobile utilisée ici est une moyenne mobile sur 7 termes, dite « 3x5 », de coefficients
1
{1,2,3,3,3,2,1}, et qui conserve les tendances linéaires. Les coefficients sont ensuite normalisés
15
de telle sorte que leur somme sur toute période de 12 mois soit approximativement nulle.
Snormt( 2 ) = S t( 2) − M 2 x12 S t( 2) ( )
Xsat( 2 ) = (TC t + I t ) = X t − Snormt( 2 )
(2)
ALGORITHME DE BASE DE X11
Série brute X t mensuelle : X t = TC t + S t + I t
1. Estimation de la Tendance-Cycle par moyenne mobile 2x12 :

TCt(1) = M 2 x12 ( X t )
(St + I t )(1) = X t − TCt(1)
3. Estimation de la composante Saisonnière par moyenne mobile 3x3 sur chaque mois
[ ] ( )
S t(1) = M 3 x 3 (S t + I t ) et normalisation Snormt(1) = S t(1) − M 2 x12 S t(1)
(1)
4. Estimation de la série corrigée des variations saisonnières

Xsat(1) = (TC t + I t ) = X t − Snormt(1)
(1)
5. Estimation de la Tendance-Cycle par une moyenne de Henderson (sur 13 termes)

(
TCt( 2) = H 13 Xsat(1) )
6. Estimation de la composante Saisonnier-Irrégulier
(St + I t )( 2) = X t − TCt( 2)
7. Estimation de la composante Saisonnière par moyenne mobile 3x5 sur chaque mois
[
S t( 2 ) = M 3 x 5 (S t + I t )
( 2)
] ( )
et normalisation Snormt( 2 ) = S t( 2 ) − M 2 x12 S t( 2 )
8. Estimation de la série corrigée des variations saisonnières
Xsat( 2 ) = (TC t + I t ) = X t − Snormt( 2 )
(2)
10
2.5 Points aberrants et effets de calendrier.
Comme tout opérateur linéaire, les moyennes mobiles réagissent mal à la présence de valeurs
aberrantes. La méthode X11 incorpore donc un outil de détection et de correction des points
atypiques utilisé pour nettoyer la série préalablement à la désaisonnalisation.
Par ailleurs d’autres effets que la saisonnalité peuvent expliquer des variations constatées dans la
série ; les plus usuels sont des effets liés au calendrier : effet de jours ouvrables, effet de Pâques
etc. Ces composantes sont estimées par des modèles de régression linéaire, à partir de la
composante irrégulière12.
L’algorithme de base de X11 nous permet d’obtenir 3 estimations différentes de la composante
irrégulière :
• À l’étape 3, en enlevant l’estimation de la composante saisonnière de l’estimation de la
composante saisonnier-irrégulier obtenue à l’étape 2 :
I t(1) = (S t + I t ) − Snormt(1) .
(1)
X11 va utiliser cette estimation pour détecter et corriger les points aberrants et obtenir une
meilleure estimation de la composante saisonnière.
• À l’étape 7, en enlevant l’estimation de la composante saisonnière de l’estimation de la
composante saisonnier-irrégulier obtenue à l’étape 6 :
I t( 2) = (S t + I t ) − Snormt( 2)
( 2)
X11 va utiliser cette estimation à nouveau pour détecter et corriger les points aberrants et
obtenir une estimation plus fiable de la composante saisonnière.
• À l’étape 8, en enlevant à l’estimation de la série corrigée des variations saisonnières
l’estimation de la composante tendance-cycle obtenue à l’étape 5 :
I t(3) = Xsa t( 2 ) − TC t( 2)
X11 va utiliser cette estimation pour évaluer, par régression linéaire, la composante pour
jours ouvrables et détecter et corriger les points aberrants13.
2.6 Le principe itératif de X11.
Pour évaluer les différentes composantes de la série, en tenant compte de la présence éventuelle
de points aberrants, X11 va procéder de façon itérative : estimation des composantes, recherche
des effets gênants dans la composante irrégulière, estimation des composantes sur une série
corrigée, recherche des effets gênants dans la composante irrégulière etc.
Le programme X11 présente 4 étapes de traitement notées A, B, C, D plus 3 étapes notées E, F, G

qui proposent des statistiques et des graphiques et qui ne font pas partie de la décomposition à
proprement parlé.
2.6.1 Étape A : ajustements préalables
Cette étape, qui n’est pas obligatoire, permet à l’utilisateur d’effectuer une correction a priori de
la série en introduisant des facteurs d’ajustement. Il peut ainsi :
12
X12 Arima possède un module dit « Reg Arima » qui permet d’estimer directement ces effets sur la série
brute, avant de procéder à la désaisonnalisation. Ce module ne sera pas étudié ici.
13
Ces diverses méthodes seront présentées dans un prochain chapitre.
11
• introduire des coefficients mensuels (ou trimestriels) d’ajustement qui lui permettront de
corriger l’effet de certains jours fériés, de modifier le niveau de la série (effet d’une grève …)
• dans le cas mensuel seulement, introduire 7 coefficients de pondération, à raison d’un par jour
pour prendre en compte les variations de la série imputables à la composition des mois en
« jours ouvrables ».
A partir de ces données, le programme calcule des coefficients de correction qui sont appliqués à
la série brute. La série ainsi corrigée, tableau B1 des sorties imprimées, passe alors à l’étape B.
2.6.2 Étape B : Première correction automatique de la série
Cette étape consiste fondamentalement en une première estimation des points aberrants et, si on le
demande, des effets liés aux jours ouvrables. Cette estimation se fait par application de
l’algorithme de base détaillé ci-dessus.
Ces traitements aboutissent aux tableaux B19, évaluation des effets de jours ouvrables, et B20,
valeurs de correction des points jugés atypiques, qui servent à corriger la série brute et qui
conduisent à la série du tableau C1.
2.6.3 Étape C : Seconde correction automatique de la série
Cette étape, en appliquant toujours notre algorithme de base, aboutit à une estimation plus précise
des effets pour jours ouvrables (tableau C19) et des valeurs de correction des points atypiques
(tableau C20).
La série, enfin « nettoyée », figure dans le tableau D1 des sorties imprimées.
2.6.4 Étape D : Désaisonnalisation
Cette étape, qui applique pour la dernière fois notre algorithme de base, est celle de la
désaisonnalisation proprement dite puisqu’elle aboutit aux estimations finales :
• de la composante saisonnière (tableau D10),
• de la série corrigée des variations saisonnières (tableau D11),
• de la composante tendance-cycle (tableau D12),
• de la composante aléatoire (tableau D13).
2.6.5 Étapes E, F et G
Les étapes E et F proposent des statistiques qui permettent de juger de la qualité de la

désaisonnalisation.
La partie G propose des graphiques en mode caractère. Elle peut être oubliée dans la mesure où
elle peut être aujourd’hui avantageusement remplacée par les logiciels graphiques usuels de
bureautique.
12
2.6.6 Résumé
SCHÉMA SIMPLIFIÉ DU FONCTIONNEMENT DE X11
Étape A : Correction « manuelle »
• pour aléas importants

• pour jours ouvrables
↓
Étape B : Première correction automatique de la série
Estimation de la composante aléatoire
Détection et correction automatique des points « aberrants »
Correction des effets de jours ouvrables
↓
Etape C : Seconde correction automatique de la série
Estimation de la composante aléatoire
Détection et correction automatique des points « aberrants »
Correction des effets de jours ouvrables
↓
Étape D : Désaisonnalisation
1 - Calcul de la série désaisonnalisée provisoire (tableaux D1 à D6)
2 - Lissage de la série désaisonnalisée par une moyenne mobile de HENDERSON et nouvelle

estimation des coefficients saisonniers (tableaux D7 à D10)
3 - Calcul de la série désaisonnalisée définitive (tableau D11) et extraction des composantes

tendance-cycle (tableau D12) et aléatoire (tableau D13).
↓
Statistiques et graphiques
Étape E Étape F Étape G
13
2.7 De X11 à X11-ARIMA et X12-ARIMA.
L’utilisation de moyennes mobiles, comme nous le verrons dans le chapitre qui leur est consacré,
pose des problèmes en début et fin de série, notamment en ce qui concerne la stabilité des
estimations. Ainsi, lorsque l’on dispose d’un point supplémentaire et que l’on désaisonnalise à
nouveau la série avec le logiciel X11, il n’est pas rare de constater des variations sensibles des
estimations pour les dates les plus récentes.
Estella B. DAGUM, dès 1975, a proposé de remédier en grande partie à ces problèmes en
utilisant les modèles ARIMA popularisés quelques années plus tôt par les travaux de BOX et
JENKINS (1970). Elle a ainsi montré qu’on diminuait sensiblement les révisions en ajustant un
modèle ARIMA à la série, en prévoyant les valeurs futures de la série grâce à ce modèle et en
appliquant la procédure de désaisonnalisation X11 à cette série ainsi prolongée. C’est cette idée
qui est à la base du logiciel X11-ARIMA (Dagum, 1988)14.
Malheureusement, l’estimation de modèles ARIMA est rendue délicate par la présence de points
aberrants, de rupture de niveau, d’effets de calendrier …. X11-ARIMA repose alors sur le schéma
suivant :
1. Première désaisonnalisation par la méthode X11.

Cette étape permet d’estimer les valeurs atypiques, les effets de jours ouvrables comme nous
l’avons vu mais aussi les effets de Pâques en utilisant l’estimation de la composante
irrégulière du tableau D13.
2. Modélisation ARIMA de la série corrigée de tous ces effets
3. Seconde désaisonnalisation par la méthode X11.
X12-ARIMA repose sur le même principe mais propose en outre un module très complet, appelé
Reg-ARIMA, permettant de corriger la série initiale de toute sorte d’effets indésirables.
L’estimation de ces effets se fait grâce à l’utilisation de modèles de régression à erreurs ARIMA
(Findlay et alii, 1998)
14
Cette idée avait déjà été implicitement exprimée par Frederick Macaulay (1931) :
“ However, graduation of the ends of almost any series is necessarily extremely hypothetical unless facts
outside the range covered by the graduation are used in obtaining the graduation …..
Though mathematically inelegant, the most desirable procedure in a majority of the cases of graduation is
to graduate not only the actual data, but extrapolated data which sometimes may be extremely crude
estimates “.
Rendons hommage à Estella B. DAGUM d’avoir réussi à la mettre en œuvre et à l’imposer.
14
Chapitre 3 LES MOYENNES MOBILES
La méthode de désaisonnalisation X11 utilise des moyennes mobiles pour estimer les principales
composantes de la série, tendance et saisonnalité. Ces filtres, qui n'impliquent pas a priori
l'utilisation de concepts ou de modèles sophistiqués, sont très simples de principe et se révèlent
d'application particulièrement souple : il est possible de construire une moyenne mobile possédant
de bonnes propriétés en termes de conservation de tendance, d'élimination de la saisonnalité, de
réduction du bruit etc.
Dans ce chapitre nous allons étudier leurs propriétés et les principes qui ont guidé la construction
des moyennes utilisées dans X11.
3.1 Quelques définitions et un peu de théorie
Une série temporelle peut être considérée de deux points de vue : celui des temps et celui des
fréquences.
• Dans le domaine des temps, on regarde la série {X t } comme une succession de T valeurs
observées aux instants t, t variant de 1 à T. C’est de cette façon que l’on aborde généralement
une série temporelle et il est facile de représenter graphiquement, comme dans la figure 1, son
évolution au cours du temps. On note que cette série est caractérisée par une forte saisonnalité
traduisant la chute de l’activité industrielle au mois d’août.
Figure 1 : Évolution mensuelle de l’indice de la production industrielle française
140
120
100
80
Aug-90
60
Jan-80 Jan-82 Jan-84 Jan-86 Jan-88 Jan-90 Jan-92 Jan-94
Les modélisations de la série, ou de ses composantes, mettant en relation la valeur à l’instant

t et celles des instants passés sont particulièrement aisées à formaliser. C’est le cas par
exemple de la modélisation de la série par un modèle ARIMA saisonnier, de l’expression
15
d’une tendance linéaire, exponentielle ou encore localement polynomiale, ou de la
modélisation de la composante irrégulière par un bruit blanc.
• Dans le domaine des fréquences au contraire, on part de l’expression de la série {X t } comme
somme de fonctions sinusoïdales15. On mesure alors pour chaque fréquence, l’importance
qu’elle a dans la composition de la série : le graphique qui associe à chaque fréquence son
importance dans la série s’appelle le spectre de la série. Ainsi, le spectre de l’indice de la
production industrielle française est représenté dans la figure 2.
Comme on peut le voir, ce spectre laisse apparaître une forte contribution (on dit un pic
spectral) des fréquences multiples de π 6 (30°, 60°, 90°….). La période associée à cette
2π π 
fréquence est ω = = 2π   = 12 et nous retrouvons la saisonnalité mensuelle
f 6
observée sur le graphique précédent.
Les basses fréquences correspondent par nature à des composantes évoluant lentement,
tendance et cycle par exemple, et les hautes fréquences à des composantes évoluant plus vite
comme la composante irrégulière.
Figure 2 : Spectre de l’indice de la production industrielle française
30
25
20
15
10
0
0 30 60 90 120 150 180
Ces deux approches s’avèrent souvent complémentaires et par la suite, nous utiliserons soit l’une,
soit l’autre pour montrer les qualités et les défauts des filtres moyennes mobiles.
15
Dans sa Théorie Analytique de la Chaleur, publiée en 1807, Jean-Baptiste FOURIER a établi que toute
fonction mathématique pouvait être décomposée en une somme de fonctions sinus et cosinus. Ce théorème
a donné naissance tout d’abord à l’analyse harmonique puis, lorsqu’il a été généralisé, à l’analyse
spectrale.
16
3.1.1 Définitions et exemple
On appelle moyenne mobile de coefficients {θ i } l'opérateur noté M {θ i } , ou plus simplement

+f
M, défini par: M ( X t ) = ∑θ
k =− p
k X t +k .
La valeur à l'instant t de la série brute est donc remplacée par une moyenne pondérée de p valeurs
"passées" de la série, de la valeur actuelle, et de f valeurs "futures" de la série.
• La quantité p+f+1 est appelée ordre de la moyenne mobile.
• Lorsque p est égal à f, c’est à dire qu’on utilise autant de points dans le passé et dans le futur,
la moyenne mobile est dite centrée.
• Si en outre, on a θ − k = θ k pour tout k, la moyenne mobile M est dite symétrique. Dans ce
cas, lorsqu’il s’agira de lister les coefficients de la moyenne mobile, il suffira de préciser
l’ordre de la moyenne mobile et les k+1 premiers coefficients (Kendall, 1973) :
1
{1,2,2,2,2,2,2,2,2,2,2,2,1} s’écrit plus simplement [13] ; 1 {1,2,2,2,2,2,2}
24 24
De façon générale, avec une moyenne mobile d’ordre p+f+1, calculée pour un instant t avec p
points dans le passé et f points dans le futur, il sera impossible de lisser les p premières valeurs et
les f dernières valeurs de la série.
Dans la méthode X11, les moyennes mobiles symétriques jouent un grand rôle ; pour éviter la
perte d’information aux extrémités de la série, elles sont complétées par des moyennes mobiles
asymétriques ad hoc.
3.1.2 Fonctions de gain et déphasage
π 
Considérons la série X t = sin  t  et transformons la par la moyenne mobile asymétrique
3 
définie par M ( Xt ) =
1
[Xt -2 + Xt −1 + Xt ] qui remplace la valeur à l’instant t par la moyenne
3
simple des valeurs de l’instant présent et des deux instants précédents.
La figure 3 traduit le résultat du lissage et met en évidence deux phénomènes :

• Tout d’abord une réduction de l’amplitude de la série, qui répond bien à notre objectif de
lissage;
• Mais aussi un décalage dans le temps, on dit un déphasage : les deux séries ne présentent pas
des points de retournement aux mêmes dates.
Ce phénomène de déphasage est désagréable dans la mesure où il transforme les évolutions même
de la série. On peut néanmoins démontrer que les moyennes mobiles symétriques n’induisent pas
de déphasage (voir par exemple Koopmans, 1974)
17
π 
t  par la moyenne mobile [X t -2 + X t −1 + X t ]
1
Figure 3 :Lissage de la série X t = sin 
3  3
1.1
-1.1
0 5 10 15
De façon plus générale, soit une série X t = R sin(ωt + ϕ ) de fréquence ω (ou de période
ω ), d’amplitude R et de phase ϕ . La transformée de {X t } par une moyenne mobile

2π
quelconque sera aussi une sinusoïde d’amplitude modifiée et présentant un déphasage par rapport
à la série originale :
M ( X t ) = M [sin(ωt + ϕ )] = G (ω ) sin [ωt + ϕ + Γ(ω )]
• La fonction qui à ω associe G (ω ) s’appelle la fonction de gain de la moyenne mobile.
• La fonction qui à ω associe Γ(ω ) s’appelle la fonction de déphasage de la moyenne
mobile. On représente parfois

Γ(ω )
ω ce qui permet de mesurer le déphasage en nombre de
périodes.
Dans le cas de la moyenne mobile asymétrique sur 3 termes ci-dessus on a :
M ( X t ) = ( X t −2 + X t −1 + X t ) = R[sin(ωt − 2ω + ϕ ) + sin(ωt − ω + ϕ ) + sin(ωt + ϕ )]

1 1
3 3
1
= R (1 + 2 cos ω ) sin(ωt + ϕ − ω )
3
et donc :
1 + 2 cos ω
• G (ω ) =
3
• Γ(ω ) = −ω soit encore Γ(ω ) ω = −1
La fonction de gain, représentée à la figure 4, montre que la moyenne mobile annule les
fréquences 2π 3 . Elle serait bien adaptée à des enquêtes ayant lieu tous les 4 mois (donc de
période 3) puisqu’elle en éliminerait ainsi la saisonnalité tout en conservant les évolutions de fond
correspondant à des basses fréquences. Par contre, cette moyenne introduit un déphasage
18
systématique de une période qui conduirait à prendre trop tard conscience de possibles
retournements de tendance.
La fonction de gain permet donc de voir essentiellement les fréquences éliminées et préservées
par la moyenne mobile.
La fonction de déphasage montre les décalages introduits par lutilisation de moyennes mobiles
asymétriques. Dans la mesure où la méthode X11 met l’accent sur des moyennes mobiles
symétriques, nous délaisserons cette fonction dans la suite de ce document.
Figure 4 :Fonction de gain de la moyenne mobile

1
[X t-2 + X t −1 + X t ]
3
0.5
0
0 30 60 90 120 150 180
En matière de lissage, le filtre « idéal » serait celui qui laisserait inchangées les basses fréquences,
c’est à dire par exemple les fonctions périodiques de période supérieure à l’année (tendance et
cycle), et éliminerait au contraire toutes les hautes fréquences correspondant à des périodicités
inférieures ou égales à l’année (saisonnalité et irrégulier). La fonction de gain « idéale » de ce
filtre, dit filtre « passe-bas », serait donc de la forme :
1 pour ω ≤ ω 0
G (ω ) = 
0 pour ω > ω 0
3.1.3 Conservation de tendance
Le déphasage introduit par la moyenne mobile

1
[X t-2 + X t −1 + X t ] peut aussi se voir en
3
appliquant cette moyenne asymétrique à une simple droite X t = at + b . En effet, on a :
M ( X t ) = ( X t − 2 + X t −1 + X t ) = [a(t − 2) + b + a(t − 1) + b + at + b] = a (t − 1) + b = X t −1
1 1
3 3
Il serait pourtant souhaitable qu’une moyenne mobile respecte certaines tendances simples, en
particulier polynomiales.
• Or, pour qu’une moyenne mobile quelconque respecte les séries constantes X t = a , il faut
+f +f +f
que : M ( X t ) = ∑θ k X t + k =
k =− p
∑θ k a = a ∑ θ k = a
k =− p k =− p
19
+f
et donc que la somme des coefficients de la moyenne mobile ∑θ
k =− p
k soit égale à 1.
• pour qu’une moyenne mobile quelconque conserve les droites, il faut que pour tout t :
+f +f +f +f +f
M (X t ) = ∑θ
k =− p
k X t +k = ∑θ [a(t + k ) + b] = at ∑θ
k =− p
k
k =− p
k + a ∑ kθ k + b ∑θ k = at + b ,
k =− p k =− p
+f +f
ce qui entraîne que ∑θ
k =− p
k = 1 et ∑ kθ
k =− p
k =0
• De façon générale, on démontrerait de même que pour qu’une moyenne mobile conserve un
polynôme de degré d, il faut et il suffit que ses coefficients vérifient :
+f +f
∑θ k = 1 et
k =− p
∑k θ
k =− p
j
k =0 j = 1,....., d
Ainsi, pour la moyenne mobile asymétrique sur 3 termes définie ci-dessus, on a :

0
1 1 1
∑θ
k = −2
k =+ + =1
3 3 3
0
1 1 1
∑
k = −2
kθ k = −2 * − 1 * + 0 * = −1
3 3 3
et cette moyenne, si elle conserve les constantes, ne conserve pas les droites.
Par contre il est facile de vérifier que les moyennes mobiles symétriques suivantes conservent les
droites :
M ( X t ) = ( X t −1 + X t + X t +1 ) , M ( X t ) = ( X t −2 + 2 X t −1 + 2 X t + 2 X t +1 + X t + 2 )
1 1
3 4
3.1.4 Élimination de saisonnalité
Comme nous l’avons vu lors de la définition de la fonction de gain (paragraphe 3.1.2), les
moyennes mobiles peuvent éliminer certaines fréquences et donc certaines composantes
saisonnières. C’est d’ailleurs cet outil qui permet le plus facilement de repérer les fréquences
éliminées par une moyenne mobile quelconque.
Les saisonnalités fixes peuvent être "modélisées" par des fonctions périodiques de période k (4
pour une série trimestrielle, 12 pour une série mensuelle ....). Si on suppose en outre que la
somme des coefficients saisonniers est nulle sur une année, on montre (Gouriéroux, Monfort
1990) que ces fonctions engendrent alors un sous espace vectoriel de dimension k-1 dont il est
facile d'exhiber une base. Ainsi, dans le cas trimestriel, on trouve le sous espace engendré par les
vecteurs colonnes de la matrice :
1 1 1
− 1 0 0 
 
 0 −1 0 
 
 0 0 − 1
1 1 1
 
− 1 0 0 
 0 −1 0 
 
 0 0 − 1
M
 M M 
20
L'annulation de telles séries introduit donc des contraintes sur les coefficients de la moyenne
mobile qui s'expriment matriciellement : CΘ = α , où Θ est le vecteur colonne des coefficients
de la moyenne mobile M, C la matrice de dimensions (k-1,p+f+1) dont les lignes sont, pour k=4,
les vecteurs de base ci-dessus et α la matrice nulle de dimensions (k-1,1).
Par exemple, si nous considérons une moyenne mobile sur 4 termes, on devrait avoir :
θ  0 θ 1 = θ 2
1 − 1 0 0  1  
  θ 0 
CΘ = 1 0 − 1 0    =   soit encore θ 1 = θ 3 et donc θ 1 = θ 2 = θ 3 = θ 4
2
θ  0 θ = θ
1 0 0 − 1  3     1
θ 4  0
4
et cette moyenne mobile élimine les saisonnalités de période 4. En conséquence, sa fonction de

gain s’annulera à la fréquence π (= 2π ).
2 4
De façon générale, une moyenne mobile simple d’ordre k (et donc de coefficients tous égaux à
1/k) annule les saisonnalités fixes de période k et sa fonction de gain s’annule donc en 2π .
k
Par ailleurs, il est possible de traiter le cas de saisonnalités variant linéairement, ou même de
façon polynomiale, avec le temps (Grun-Rehomme, Ladiray 1994) : là encore, l’élimination de
ces saisonnalités se traduit par des contraintes linéaires sur les coefficients.
3.1.5 Réduction de la composante irrégulière
Après la tendance et la saisonnalité, il nous reste à voir l’effet d’une moyenne mobile sur la
composante irrégulière. Le résidu, dans la décomposition de la série brute, est souvent modélisé
sous la forme d'un bruit blanc, suite de variables aléatoires ( ε t ) d'espérance nulle, non corrélées,
et de même variance σ 2 . Ce bruit blanc est transformé par la moyenne mobile en une suite de
+f
variables aléatoires ( ε t* ), de même variance égale à : σ *2 = σ 2 ∑θ
k =− p
2
k
+f
Diminuer la composante irrégulière, et donc sa variance, revient à diminuer la quantité : ∑θ
k =− p
2
k .
3.1.6 Un exemple de construction de moyenne mobile
Cherchons par exemple une moyenne mobile centrée sur trois termes, de coefficients {θ −1 ,θ 0 ,θ 1 }
qui réduit au maximum la composante irrégulière et qui conserve les droites. D’après ce qui
précède, cela revient à résoudre le problème :
 +1
 +1
 Min
θ
∑ θ 12
 Min
θ
∑ θ k2 [
Min 2θ 12 + (1 − 2θ 1 ) 2 ]
 k = −1
 k = −1
 θ
 1 1 1 θ −1  1 ⇔ θ −1 + θ 0 + θ 1 = 1 ⇔  θ 0 = 1 − 2θ 1
 θ  =  −θ +θ = 0  θ −1 = θ 1
− 1 0 1   0
  
0 −1 1
  θ 1  
21
La dérivée, par rapport à θ 1 , de la fonction à minimiser est 12θ 1 − 4 qui s’annule donc pour
θ 1 = 1 3 et nous trouvons donc la moyenne mobile simple sur 3 termes de coefficients tous
égaux à 1/3, moyenne qui, comme nous l’avons déjà vu, élimine les saisonnalités d’ordre 3.
3.2 Les moyennes mobiles symétriques utilisées dans X11
3.2.1 Les moyennes mobiles simples composées.
Une moyenne mobile dite PxQ s’obtient en composant une moyenne mobile simple d’ordre P, de
coefficients tous égaux à 1/P, et une moyenne mobile simple d’ordre Q, de coefficients tous
égaux à 1/Q. Concrètement, cela revient à appliquer successivement à notre série les deux
moyennes mobiles simples.
Ainsi, la moyenne mobile 3x3 qui résulte de la double applications de la moyenne mobile
1 2 3 2 1 
arithmétique simple sur 3 termes est une moyenne mobile de coefficients  , , , ,  . De
9 9 9 9 9 
façon générale, une moyenne mobile PxQ est une moyenne mobile symétrique d’ordre p+q-1.
Lorsque Q est pair, par exemple égal à 2q, on a une petite ambiguïté de définition dans la mesure
où on peut choisir soit q points dans le passé et q-1 points dans le futur, soit q-1 points dans le
passé et q points dans le futur. Le plus souvent, on résout le problème en utilisant une moyenne
composée symétrique 2xQ qui correspond à la moyenne des deux moyennes mobiles candidates.
3.2.1.1 Estimation de la tendance : moyennes 2x4 et 2x12
Lorsque X11 fait une première estimation de la tendance (tableaux B2, C2 et D2), il utilise des
moyennes mobiles 2x4 dans le cas trimestriel et 2x12 dans le cas mensuel. A ce moment, la série
qui doit être lissée est composée d’une tendance, d’une saisonnalité et d’une composante
irrégulière. Dans le cas d’un schéma de composition additif, elle peut s’écrire :
X t = TC t + S t + I t
La moyenne 2x4
1 1 1 1 1 
C’est une moyenne mobile d’ordre 5, de coefficients  , , , ,  . La courbe des
8 4 4 4 8 
coefficients et la fonction de gain, présentées à la figure 5, permettent de mettre en évidence les
propriétés de cette moyenne mobile :
• Elle élimine la fréquence π 2 correspondant à la période 4 et de ce fait convient bien aux
séries trimestrielles ayant une saisonnalité constante.
• La somme de ses coefficients est égale à 1 et elle est symétrique : elle conserve donc les
tendances linéaires.
• La somme des carrés de ses coefficients est égale à 0.250 et elle réduit donc de 75% la
variance d’un bruit blanc.
Utiliser cette moyenne mobile revient donc à supposer que la tendance-cycle de notre série est
linéaire, ou linéaire par morceaux, que la saisonnalité est constante, ou varie peu dans le temps, et
que la composante irrégulière ne possède aucune structure et est de faible amplitude. Dans ce cas,
on aura :
M 2 x 4 ( X t ) = M 2 x 4 (TC t + S t + I t ) = M 2 x 4 (TC t ) + M 2 x 4 (S t ) + M 2 x 4 (I t ) ≈ TC t + 0 + ε ≈ TC t
22
Par contre cette moyenne mobile restitue assez mal les basses fréquences associées aux périodes
supérieures à l’année. Ainsi, les fonctions périodiques de 3 ans, qui correspondent dans le cas
trimestriel à des fréquences de π / 6 (soit 30°), ne sont restituées qu’à 80% environ.
La moyenne 2x12
Cette moyenne repose sur les mêmes idées que celles exposées pour la 2x4 et est utilisée dans le
cas mensuel. Ses coefficients sont :
1
{1,2,2,2,2,2,2,2,2,2,2,2,1} . Elle conserve donc les droites
24
et, comme le montre sa fonction de gain, elle élimine les saisonnalités mensuelles (qui
correspondent à une fréquence π 6 ). De plus, la somme des carrés de ses coefficients étant égale
à 1/12, elle réduit de plus de 90% la variance d’un bruit blanc.
Mais là encore, les séries périodiques de période inférieure à l’année ne sont pas toutes très bien
restituées. Ainsi, une fonction périodique de période 3 ans, ce qui correspond ici à une fréquence
π / 18 , ne sera restituée qu’à 80%.
Remarques
• Les moyennes mobiles 2x4 et 2x12 sont aussi utilisées dans la méthode X11 pour normaliser
les coefficients saisonniers.
• X11-ARIMA88 et X12-ARIMA proposent aussi en option des moyennes mobiles centrées
sur 8 et 24 termes dues à Pierre Cholette (1981). Ces moyennes ont été construites sur des
critères assez différents de ceux présentés ici, et aussi plus complexes. Elles ne seront pas
étudiées ici.
3.2.1.2 Estimation de la saisonnalité : moyennes 3x3, 3x5, 3x916
Ces moyennes sont utilisées par X11 pour extraire la composante saisonnière à partir d’une
estimation de la composante saisonnier-irrégulier. Elles apparaissent donc dans la construction
des tableaux B4, B5, B9, B10, C5, C10, D5 et D10.
A ce moment, la série qui doit être lissée est composée d’une saisonnalité et d’une composante
irrégulière. Dans le cas d’un schéma de composition additif, elle peut s’écrire : SI t = S t + I t et,
contrairement au cas précédent, nous sommes en présence d’un strict problème de lissage.
Les coefficients des moyennes 3x3, 3x5 et 3x9 sont les suivants :
M 3x 3 :
1
{1,2,3,2,1} , M 3x 5 : 1 {1,2,3,3,3,2,1} et M 3x 9 : 1 {1,2,3,3,3,3,3,3,3,2,1}.
9 15 27
Comme on peut le vérifier simplement, chacune de ces moyennes mobiles symétriques conserve
les droites. Mais les fonctions de gain, présentées à la figure 5, sont assez différentes de la forme
idéale associée à un filtre passe-bas. Ici, ce n’est pas gênant dans la mesure où la composante
saisonnier-irrégulier n’est pas sensée présenter de composante cyclique de périodicité de l’ordre
de 3 à 6 ans.
En fait appliquer par exemple le filtre 3x3 à chaque mois d’une estimation de la composante
Saisonnier-Irrégulier revient à appliquer sur cette composante elle même une moyenne mobile sur
49 termes de coefficients :
16
X12-ARIMA permet aussi d’utiliser une moyenne mobile 3x15.
23
1
{1,0,0,0,0,0,0,0,0,0,0,0,2,0,0,0,0,0,0,0,0,0,0,0,3,0,0,0,0,0,0,0,0,0,0,0,2,0,0,0,0,0,0,0,0,0,0,0,1}
9
Il en est de même pour les filtres 3x5 et 3x9 auxquels sont associées des moyennes mobiles sur,
respectivement, 73 et 121 termes ! Les fonctions de gains de ces nouvelles moyennes mobiles
sont présentées à la figure 6. Comme on peut le constater, ces moyennes mobiles conservent la
π
saisonnalité mensuelle puisqu’elles restituent exactement les fréquences multiples de .
6
Tableau 1 :Coefficients des moyennes mobiles composées utilisées dans X11, pouvoir de
réduction de variance et critère de Henderson.
∑θ représente le pouvoir de réduction de variance (voir 3.1.5)

i
2
∑ (∇ θ ) représente la valeur du critère de Henderson (voir 3.2.2)

3 2
i
I 2x4 2 x 12 3x3 3x5 3x9

-6 1/24
-5 1/12 1/27
-4 1/12 2/27
-3 1/12 1/15 3/27
-2 1/8 1/12 1/9 2/15 3/27
-1 1/4 1/12 2/9 3/15 3/27
0 1/4 1/12 3/9 2/15 3/27
1 1/4 1/12 2/9 3/15 3/27
2 1/8 1/12 1/9 2/15 3/27
3 1/12 1/15 3/27
4 1/12 2/27
5 1/12 1/27
6 1/24
∑θ i
2 0.2188 0.0800 0.2346 0.1644 0.1001
∑ (∇ θ )
3 2 0.1250 0.0139 0.1481 0.0356 0.0110
i
24
Figure 5 : Courbe des coefficients et fonctions de gain des moyennes mobiles composées
utilisées dans X11.
Courbe des coefficients Fonction de Gain
0.4 1
0.2
2x4 0.5
0
-0.2 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 0 30 60 90 120 150 180
0.1 1
2 x 12 0.5
-0.1 0
-12 -8 -4 0 4 8 12 0 30 60 90 120 150 180
0.4 1
0.3
3x3 0.2
0.5
0.1
0
-0.1 0
-6 -4 -2 0 2 4 6 0 30 60 90 120 150 180
0.3 1
0.2
3x5 0.1 0.5
0
-0.1 0
-8 -6 -4 -2 0 2 4 6 8 0 30 60 90 120 150 180
0.2 1
0.1
3x9 0.5
0
-0.1 0
-12 -8 -4 0 4 8 12 0 30 60 90 120 150 180
25
Figure 6 : Fonctions de gains des moyennes 3x3, 3x5 et 3x9
Sur chaque mois Sur la série elle-même
1 1
3x3 0.5 0.5
0 0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
1 1
3x5 0.5 0.5
0 0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
1 1
3x9 0.5 0.5
0 0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
3.2.2 Les moyennes mobiles de Henderson.
Les moyennes mobiles de Henderson sont utilisées dans X11 pour extraire la tendance d’une
estimation de la série corrigée des variations saisonnières (tableaux B7, C7, D7, D12). Dans le cas
additif, on a donc un modèle du type : Xsa t = TC t + I t .
Quel critère peut-on construire qui assurera une estimation lisse de la tendance-cycle ?
1 si t = 0
Considérons la série X t =  .
0 si t ≠ 0
Sa transformée par une moyenne mobile M centrée, d’ordre 2p+1 et de coefficients {θ i } , est
donnée par :
0 si t < − p

MX t = θ t si − p ≤ t ≤ p .
0 si t > p

Cette transformée sera donc lisse si la courbe des coefficients de la moyenne mobile est lisse.
Comme on peut le constater sur la figure précédente, les courbes des coefficients des moyennes
mobiles simples composées ne sont pas « lisses » et présentent des ruptures marquées.
26
∑ (∇ θ )
2
Henderson (1916, 1924) a proposé d’utiliser la quantité H = 3
i , où ∇ représente
17
l’opérateur différence première , pour mesurer la « souplesse » de la courbe des coefficients ».
Cette quantité est nulle lorsque les coefficients {θ i } se trouvent sur une parabole et, dans le cas
général, elle mesure l’écart entre la forme parabolique et la forme de la fonction donnant les {θ i } .
Henderson a alors cherché des moyennes centrées, d’ordre 2p+1, qui conservent les polynômes
d’ordre 2 et minimisent la quantité H.
Avec les notations du paragraphe 3.1.6, la moyenne mobile de Henderson d’ordre 2p+1 sera
solution du programme de minimisation :
 Min ∑ ∇ 3θ 2
 θ
( i )
i =+ p i=+ p i =+ p
∑ i θ = ∑ iθ i = 0 et ∑i θ =0
2
1 , i
i = − p i = − p i=− p
Les coefficients de ces moyennes mobiles peuvent se calculer aussi explicitement et on a, pour
une moyenne d’ordre 2p+1, en posant n = p + 2 :
θi =
[ ][ ][ ][
315 (n − 1) 2 − i 2 n 2 − i 2 (n + 1) 2 − i 2 3n 2 − 16 − 11i 2 ]
8n(n 2 − 1)(4n 2 − 1)(4n 2 − 9)(4n 2 − 25)
Cette formule permet donc de calculer, sous forme rationnelle, les coefficients des moyennes
mobiles de Henderson utilisées dans X11. On a donc, en ne présentant, pour cause de symétrie,
que les coefficients nécessaires :
5 termes [5] ;
1
{− 21,84,160}
286
7 termes [ 7] ;
1
{− 42,42,210,295}
715
9 termes [9] ;
1
{− 99,−24,288,648,805}
2431
13 termes [13] ;
1
{− 325,−468,0,1100,2475,3600,4032}
16796
Et, pour la 23 termes
[23] ;
1
{− 17250,−44022,−63250,−58575,−19950,54150,156978,275400,392700,491700,557700,580853}
4032015
Le tableau 2 donne, sous forme décimale, les coefficients des moyennes mobiles de Henderson
utilisées dans X11 ainsi que les valeurs des critères, de réduction de variance et de lissage,
associés.
X12-ARIMA permet d’utiliser n’importe quelle moyenne mobile de Henderson d’ordre impair.
Les courbes des coefficients, présentées dans la figure 7, sont lisses et les fonctions de gain de ces
moyennes plus proches de la forme idéale « passe-bas » que celles des moyennes mobiles
composées vues précédemment.
17
∇X t = X t − X t −1
27
Tableau 2 : Coefficients des moyennes mobiles de Henderson utilisées dans X11, pouvoir de
réduction de variance et critère de Henderson.
∑θ représente le pouvoir de réduction de variance (voir 3.1.5)

i
2
∑ (∇ θ ) représente la valeur du critère de Henderson (voir 3.2.2)

3 2
i
i 5 termes 7 termes 9 termes 13 termes 23 termes

-11 . . . . -0.00428
-10 . . . . -0.01092
-9 . . . . -0.01569
-8 . . . . -0.01453
-7 . . . . -0.00495
-6 . . . -0.01935 0.01343
-5 . . . -0.02786 0.03893
-4 . . -0.04072 0.00000 0.06830
-3 . -0.05874 -0.00987 0.06549 0.09740
-2 -0.07343 0.05874 0.11847 0.14736 0.12195
-1 0.29371 0.29371 0.26656 0.21434 0.13832
0 0.55944 0.41259 0.33114 0.24006 0.14406
1 0.29371 0.29371 0.26656 0.21434 0.13832
2 -0.07343 0.05874 0.11847 0.14736 0.12195
3 . -0.05874 -0.00987 0.06549 0.09740
4 . . -0.04072 0.00000 0.06830
5 . . . -0.02786 0.03893
6 . . . -0.01935 0.01343
7 . . . . -0.00495
8 . . . . -0.01453
9 . . . . -0.01569
10 . . . . -0.01092
11 . . . . -0.00428
∑θ i
2 0.4963 0.3566 0.2833 0.2038 0.1217
∑ (∇ θ ) 3 2 1.4965 0.2629 0.0675 0.0083 0.0003

i
3.3 Les moyennes mobiles asymétriques de Musgrave.
L’application d’une moyenne mobile centrée d’ordre 2p+1 ne permet pas, par construction,
d’avoir des estimations de la série lissée pour les p premiers et les p derniers instants de la série,
ce qui est pour le moins gênant. On est donc amené dans la pratique à utiliser des moyennes
mobiles non-centrées pour effectuer ces estimations.
Musgrave (1964) a étudié ce problème dans le cadre de la méthode X11 et a proposé un ensemble
de moyennes asymétriques qui complètent les moyennes mobiles de Henderson.
Supposons que la série à lisser se termine en juillet 1999. Si nous utilisons une moyenne mobile
symétrique d’ordre 13, le dernier point lissé grâce à cette moyenne sera celui de janvier 1999, les
six derniers mois devant être estimés par des moyennes mobiles asymétriques. Six mois plus tard,
donc en janvier 1999, la valeur lissée pour juillet 1999 pourra être calculé avec la moyenne
mobile symétrique d’ordre 13. Nous aurons donc deux estimations différentes de cette valeur et il
serait souhaitable qu’elles ne soient pas trop différentes.
28
Figure 7 : Moyennes mobiles de Henderson centrées utilisées dans X11
0.6 1
0.4
0.2 0.5
5 termes
0
-0.2 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 0 30 60 90 120 150 180
0.6 1
0.4
0.2 0.5
7 termes
0
-0.2 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 0 30 60 90 120 150 180
0.4 1
0.2
0.5
9 termes
0
-0.2 0
-6 -4 -2 0 2 4 6 0 30 60 90 120 150 180
0.4 1
0.2
0.5
13 termes
0
-0.2 0
-8 -6 -4 -2 0 2 4 6 8 0 30 60 90 120 150 180
0.2 1
0.1
0.5
23 termes
0
-0.1 0
-12 -8 -4 0 4 8 12 0 30 60 90 120 150 180
29
L’idée de Musgrave est justement de construire des moyennes mobiles asymétriques qui
minimisent les révisions des estimations. Pour cela, il pose les hypothèses suivantes :
• la série à lisser peut se modéliser linéairement sous la forme: X t = a + bt + ε t où a et b sont

des constantes, et les ε t sont des variables aléatoires non corrélées, de moyenne nulle et de
variance σ 2 .
• on dispose d'une série de poids {w1 , w2 , L , w N } de somme égale à 1 (c'est par exemple une
moyenne mobile centrée de Henderson) et on cherche une série de poids {v1 , v 2 ,L , v M } , avec
M < N , de somme aussi égale à 1.
• cette nouvelle moyenne mobile doit en outre minimiser les révisions des estimations, c'est-à-
i=M i=N
dire, par exemple, minimiser le critère: E( ∑ v X −∑ w X
i =1
i i
i =1
i i )2 .
Sous ces hypothèses, on montre (Doherty 1992, Findley & alii 1998) que les poids peuvent être
b2
calculés explicitement en fonction du rapport D = 2
:
 M + 1
 j− D
1 N
 2  N
 M + 1
v j = wj + ∑ wi +
M i = M +1
∑ i −
M ( M − 1)( M + 1) i = M +1 
 wi
2 
1+ D
12
3.3.1 Moyennes mobiles asymétriques de Musgrave associées aux moyennes

symétriques de Henderson
La valeur de D est inconnue mais Musgrave fait remarquer que le choix de l’ordre des moyennes
I
mobiles de Henderson dans X11 se fait à partir de la valeur du rapport R = où I désigne la
C
moyenne des variations absolues au mois le mois dans la partie irrégulière de la série et C désigne
la moyenne des variations absolues au mois le mois dans la tendance de la série18. En supposant la
2
4 1
normalité des ε t , on montre alors que: D =   , ce qui permet de calculer numériquement
 R
les moyennes mobiles asymétriques.
18
Se reporter à l’explication du tableau B7 pour plus de détail
30
Le tableau 3 présente les coefficients de ces moyennes mobiles calculés en fonction des valeurs
I
suivantes du rapport R = :
C
Henderson sur 5 termes R −1 = 0.001

Henderson sur 9 termes R −1 =1
Ce sont ces moyennes mobiles asymétriques qui sont utilisées dans X12-ARIMA. X11-
ARIMA88 utilise des moyennes mobiles asymétriques différentes pour la moyenne de Henderson
sur 5 termes.
3.3.2 Remarque sur les moyennes mobiles de Musgrave
Bien que la série à lisser soit supposée suivre un modèle linéaire en fin de période, les moyennes
mobiles de Musgrave ne conservent pas les droites mais seulement les constantes. En effet, pour
que cela soit le cas, il aurait en outre fallu imposer sur les coefficients la contrainte
+f
supplémentaire ∑ iθ
i =− p
i = 0.
Comme le montre la figure 8, les moyennes asymétriques de Musgrave fournissent des

estimations « prudentes » de la série lissée en atténuant la croissance observée dans les derniers
points de la série.
Figure 8 : Lissage d’une droite par une moyenne mobile de Henderson sur 13 termes
complétée par des moyennes mobiles asymétriques de Musgrave
31
Tableau 3 : Coefficients des moyennes mobiles asymétriques de Musgrave associées aux moyennes de Henderson (X12-ARIMA)
La notation Hp_f signifie que la moyenne mobile est d’ordre p+f+1 avec p points dans le passé et f points dans le futur.
Moyenne mobile de Henderson sur 23 termes :
i H11_11 H11_10 H11_9 H11_8 H11_7 H11_6 H11_5 H11_4 H11_3 H11_2 H11_1 H11_0
-11 -0.00428 -0.00390 -0.00282 -0.00103 0.00108 0.00268 0.00258 -0.00065 -0.00861 -0.02293 -0.04520 -0.07689
-10 -0.01092 -0.01059 -0.00968 -0.00817 -0.00642 -0.00511 -0.00519 -0.00776 -0.01396 -0.02486 -0.04130 -0.06385
-9 -0.01569 -0.01542 -0.01467 -0.01344 -0.01205 -0.01103 -0.01109 -0.01300 -0.01744 -0.02491 -0.03554 -0.04893
-8 -0.01453 -0.01431 -0.01372 -0.01279 -0.01175 -0.01101 -0.01106 -0.01230 -0.01500 -0.01904 -0.02385 -0.02808
-7 -0.00495 -0.00479 -0.00436 -0.00372 -0.00303 -0.00258 -0.00261 -0.00319 -0.00413 -0.00475 -0.00373 0.00119
-6 0.01343 0.01354 0.01380 0.01416 0.01448 0.01465 0.01464 0.01472 0.01554 0.01834 0.02518 0.03925
-5 0.03893 0.03898 0.03908 0.03916 0.03913 0.03900 0.03902 0.03976 0.04233 0.04856 0.06121 0.08444
-4 0.06830 0.06830 0.06823 0.06802 0.06764 0.06723 0.06726 0.06866 0.07299 0.08264 0.10112 0.13350
-3 0.09740 0.09734 0.09711 0.09661 0.09587 0.09517 0.09522 0.09729 0.10337 0.11644 0.14074 0.18228
-2 0.12195 0.12184 0.12144 0.12066 0.11956 0.11858 0.11865 0.12137 0.12921 0.14571 0.17583 0.22652
-1 0.13832 0.13815 0.13759 0.13652 0.13507 0.13380 0.13389 0.13728 0.14687 0.16679 0.20273 0.26258
0 0.14406 0.14384 0.14312 0.14176 0.13995 0.13839 0.13850 0.14255 0.15390 0.17724 0.21901 0.28801
1 0.13832 0.13804 0.13716 0.13551 0.13334 0.13150 0.13163 0.13634 0.14945 0.17622 0.22380 0
2 0.12195 0.12162 0.12057 0.11864 0.11611 0.11399 0.11413 0.11951 0.13437 0.16456 0 0
3 0.09740 0.09701 0.09580 0.09358 0.09070 0.08829 0.08845 0.09449 0.11111 0 0 0
4 0.06830 0.06786 0.06649 0.06398 0.06075 0.05805 0.05823 0.06493 0 0 0 0
5 0.03893 0.03844 0.03690 0.03411 0.03052 0.02753 0.02773 0 0 0 0 0
6 0.01343 0.01288 0.01118 0.00810 0.00415 0.00088 0 0 0 0 0 0
7 -0.00495 -0.00555 -0.00742 -0.01078 -0.01509 0 0 0 0 0 0 0
8 -0.01453 -0.01519 -0.01721 -0.02087 0 0 0 0 0 0 0 0
9 -0.01569 -0.01640 -0.01859 0 0 0 0 0 0 0 0 0
10 -0.01092 -0.01169 0 0 0 0 0 0 0 0 0 0
11 -0.00428 0 0 0 0 0 0 0 0 0 0 0
32
Moyenne mobile de Henderson sur 13 termes : Moyenne mobile de Henderson sur 9 termes :
i H6_6 H6_5 H6_4 H6_3 H6_2 H6_1 H6_0 H4_4 H4_3 H4_2 H4_1 H4_0
-6 -0.01935 -0.01643 -0.01099 -0.00813 -0.01603 -0.04271 -0.09186
-5 -0.02786 -0.02577 -0.02204 -0.02019 -0.02487 -0.03863 -0.05811
-4 0 0.00127 0.00330 0.00413 0.00267 0.00182 0.01202 -0.04072 -0.03082 -0.02262 -0.04941 -0.15554
-3 0.06549 0.06594 0.06626 0.06608 0.06784 0.07990 0.11977 -0.00987 -0.00426 -0.00021 -0.01056 -0.03384
-2 0.14736 0.14698 0.14559 0.14441 0.14939 0.17436 0.24390 0.11847 0.11980 0.11969 0.12578 0.18536
-1 0.21434 0.21314 0.21004 0.20784 0.21605 0.25392 0.35315 0.26656 0.26361 0.25933 0.28187 0.42429
0 0.24006 0.23803 0.23324 0.23002 0.24144 0.29223 0.42113 0.33114 0.32391 0.31547 0.35445 0.57972
1 0.21434 0.21149 0.20498 0.20076 0.21540 0.27910 0 0.26656 0.25504 0.24244 0.29786 0
2 0.14736 0.14368 0.13547 0.13024 0.14810 0 0 0.11847 0.10267 0.08590 0 0
3 0.06549 0.06099 0.05108 0.04483 0 0 0 -0.00987 -0.02995 0 0 0
4 0 -0.00532 -0.01694 0 0 0 0 -0.04072 0 0 0 0
5 -0.02786 -0.03401 0 0 0 0 0
6 -0.01935 0 0 0 0 0 0
Moyenne mobile de Henderson sur 7 termes : Moyenne mobile de Henderson sur 5 termes19 :
X12-ARIMA X11-ARIMA88
i H3_3 H3_2 H3_1 H3_0 H2_2 H2_1 H2_0 H2_1 H2_0

-3 -0.05874 -0.05314 -0.05421 -0.03379
-2 0.05874 0.05818 0.06101 0.11601 -0.07343 -0.03671 -0.18357 -0.073 -0.073
-1 0.29371 0.28699 0.29371 0.38329 0.29371 0.29371 0.36713 0.294 0.403
0 0.41259 0.39972 0.41032 0.53449 0.55944 0.52273 0.81643 0.522 0.670
1 0.29371 0.27468 0.28917 0 0.29371 0.22028 0 0.257 0
2 0.05874 0.03356 0 0 -0.07343 0 0 0 0
3 -0.05874 0 0 0
19
Contrairement à X12-ARIMA, X11-ARIMA n’utilise pas des moyennes mobiles de Musgrave pour compléter la moyenne de Henderson sur 5 termes.
33
3.3.3 Moyennes mobiles asymétriques associées aux moyennes mobiles composées
Curieusement, bien que le premier travail de Musgrave ait porté sur la génération des filtres
asymétriques associés aux moyennes mobiles composées servant à estimer les coefficients
saisonniers, ses recommandations n’ont pas été appliquées dans la méthode X11.
Les filtres asymétriques associés aux moyennes 3x3, 3x5 et 3x9 figurent dans le tableau 4. Les
filtres 2x4 et 2x12 ne sont pas complétés par des moyennes asymétriques.
Tableau 4 : Moyennes mobiles asymétriques associées aux moyennes mobiles composées 20.
La notation Sp_f signifie que la moyenne mobile est d’ordre p+f+1 avec p points dans le passé et
f points dans le futur.
Moyenne mobile 3x9 :
i S5_5 S5_4 S5_3 S5_2 S5_1 S5_0

-5 1/27 35/1026 35/1026 33/1026 29/1026 52/1026
-4 2/27 75/1026 77/1026 81/1026 94/1026 115/1026
-3 3/27 114/1026 116/1026 136/1026 148/1026 177/1026
-2 3/27 116/1026 120/1026 136/1026 164/1026 202/1026
-1 3/27 117/1026 126/1026 147/1026 181/1026 227/1026
0 3/27 119/1026 131/1026 158/1026 197/1026 252/1026
1 3/27 120/1026 135/1026 167/1026 213/1026 0
2 3/27 121/1026 141/1026 177/1026 0 0
3 3/27 123/1026 145/1026 0 0 0
4 2/27 86/1026 0 0 0 0
5 1/27 0 0 0 0 0
Moyenne mobile 3x5 : Moyenne mobile 3x3 :
i S3_3 S3_2 S3_1 S3_0 S2_2 S2_1 S2_0

-3 1/15 4/60 4/60 9/60
-2 2/15 8/60 11/60 17/60 1/9 3/27 5/27
-1 3/15 13/60 15/60 17/60 2/9 7/27 11/27
0 3/15 13/60 15/60 17/60 3/9 10/27 11/27
1 3/15 13/60 15/60 0 2/9 7/27 0
2 2/15 9/60 0 0 1/9 0 0
3 1/15 0 0 0
20
Dans X11-ARIMA et X12-ARIMA, les moyennes mobiles asymétriques liées à la 3x9 sont codées sous
forme décimale avec 3 chiffres seulement après la virgule. La forme fractionnaire donnée ici est celle qui se
rapproche le plus de cette expression décimale. Les autres moyennes mobiles sont codées sous forme
fractionnaire dans les programmes.
34
3.4 Le filtre moyenne mobile X11
Si on ne tient pas compte de la procédure de détection et de correction des points atypiques et de

la procédure d’estimation des effets de calendrier, la méthode X11 peut être vue comme
l’application successive de plusieurs moyennes mobiles. L’opérateur qui permet de passer de la
série brute à la série corrigée des variations saisonnières est donc lui même une moyenne mobile.
Ainsi, dans le cas d’une série mensuelle, l’algorithme de base décrit en 2.4 peut se résumer à
l’application d’une seule moyenne mobile que l’on peut calculer matriciellement (Gouriéroux et
Monfort, 1990).
Estimation de la Tendance-Cycle par moyenne mobile 2x12 :

1
TC (1) = M 2 x12 X avec M 2 x12 : [13] ; {1,2,2,2,2,2,2}
24
Estimation de la composante Saisonnier-Irrégulier :

(S + I )(1) = X − TC (1) = [Id − M 2 x12 ]X
Où Id représente l’opérateur identité qui transforme la série en elle-même. Ici, Id serait la
moyenne mobile [13] ; {0,0,0,0,0,0,1} .
Estimation de la composante Saisonnière par moyenne mobile 3x3 sur chaque mois :
Appliquer la moyenne mobile 3x3 sur les valeurs d’un mois donné revient à appliquer sur la série
des coefficients saisonniers la moyenne M 3 , sur 49 mois, définie par :
1
M 3 : [49] ; {1,0,0,0,0,0,0,0,0,0,0,0,2,0,0,0,0,0,0,0,0,0,0,0,3}
9
S (1) = M 3 ( S + I ) (1) = M 3 [ Id − M 2 x12 ] X
Les coefficients sont ensuite normalisés de telle sorte que leur somme sur toute période de 12
mois soit approximativement nulle :
Snorm (1) = S (1) − M 2 x12 S (1) = [ Id − M 2 x12 ]M 3 [ Id − M 2 x12 ] X = M 3 [ Id − M 2 x12 ] 2 X
Estimation de la série corrigée des variations saisonnières :

(
Xsa (1) = X − Snorm (1) = X − M 3 [ Id − M 2 x12 ] 2 X = Id − M 3 [ Id − M 2 x12 ] 2 X )
Estimation de la Tendance-Cycle par moyenne mobile de Henderson sur 13 termes :
( )
TC ( 2) = H 13 Xsa (1) = H 13 Id − M 3 [ Id − M 2 x12 ] 2 X
Estimation de la composante Saisonnier-Irrégulier :

[ (
( S + I ) ( 2) = X − TC ( 2) = Id − H 13 Id − M 3 [ Id − M 2 x12 ]2 X )]
Estimation de la composante Saisonnière par moyenne mobile 3x5 sur chaque mois :
Appliquer la moyenne mobile 3x5 sur les valeurs d’un mois donné revient à appliquer sur la série
des coefficients saisonniers la moyenne M 5 , sur 73 mois, définie par :
1
M 5 : [73] ; {1,0,0,0,0,0,0,0,0,0,0,0,2,0,0,0,0,0,0,0,0,0,0,0,3,0,0,0,0,0,0,0,0,0,0,0,3}
27
35
[ (
S ( 2 ) = M 5 ( S + I ) ( 2 ) = M 5 Id − H 13 Id − M 3 [ Id − M 2 x12 ]2 X )]
Les coefficients sont ensuite normalisés de telle sorte que leur somme sur toute période de 12
mois soit approximativement nulle.
[ (
S ( 2 ) = M 5 ( S + I ) ( 2 ) = M 5 Id − H 13 Id − M 3 [ Id − M 2 x12 ]2 X )]
Snorm (2)
=S (2)
− M 2 x12 S ( 2)
[ (
= ( Id − M 2 x12 ) M 5 Id − H 13 Id − M 3 [ Id − M 2 x12 ] 2 X )]
Estimation de la série corrigée des variations saisonnières :
{
Xsa = X − Snorm ( 2 ) = Id − ( Id − M 2 x12 ) M 5 Id − H 13 Id − M 3 [ Id − M 2 x12 ]2 X [ ( )]}
L’ordre de cette moyenne mobile peut se calculer de proche en proche :
Ordre [ Id − M 2 x12 ] 2 = 2 * Ordre [ Id − M 2 x12 ] − 1 = 2 * 13 − 1 = 25
( )
Ordre Id − M 3 [ Id − M 2 x12 ] 2 = Ordre M 3 + 25 − 1 = 49 + 25 − 1 = 73
Ordre[H (Id − M [ Id − M ] )] = Ordre H + 73 − 1 = 13 + 73 − 1 = 85
13 3 2 x12
2
13
Ordre[M [Id − H (Id − M [ Id − M ] )]] = Ordre M + 85 − 1 = 73 + 85 − 1 = 157

5 13 3 2 x12
2
5
Ordre[Id − ( Id − M ) M [Id − H (Id − M [ Id − M ] )]] = Ordre ( Id − M ) + 157 − 1 = 169

2 x12 5 13 3 2 x12
2
2 x12
C’est donc une moyenne mobile d’ordre 169 dont les coefficients et la fonction de gain sont
présentés à la figure 9. En toute rigueur, il faut disposer de 84 observations, soit 7 ans, de part et
d’autre d’un point pour pouvoir utiliser ce filtre. 84 moyennes mobiles asymétriques doivent donc
le compléter.
Figure 9 : Le filtre moyenne mobile mensuel symétrique de X11
1 1.2
0.6 0.8
0.2 0.4
-0.2 0
-84 0 84 0 30 60 90 120 150 180
La figure 10 présente les coefficients et la fonction de gain du filtre central X11 utilisé dans le cas
trimestriel. Ce filtre est d’ordre 57 et nécessite aussi 7 ans de part et d’autre d’un point pour être
utilisé.
36
Figure 10 : Le filtre moyenne mobile trimestriel symétrique de X11
1 1.2
0.6 0.8
0.2 0.4
-0.2 0
-28 0 28 0 30 60 90 120 150 180
37
38
Chapitre 4 LES DIFFÉRENTS TABLEAUX
Ce chapitre présente un exemple complet, et très détaillé, de désaisonnalisation par la méthode

X11. La série qui sera décomposée est mensuelle : c'est dans ce cas que les options de traitement
proposées par les logiciels sont les plus nombreuses et les plus complexes. Il s'agit de l'indice
mensuel de la production industrielle en France dont l'évolution d’octobre 1985 à mars 1995 est
représentée à la figure 11.
Avertissements
1. Dans la suite, nous nous référerons presque exclusivement au schéma de composition

multiplicatif pour décrire le contenu des tableaux. Cependant, dans la traduction en formules
mathématiques de ces explications, nous utiliserons un langage symbolique qui permettra de
traiter les deux schémas. Ainsi, on aura les correspondances suivantes :
Symbole Schéma Additif Schéma Multiplicatif Signification
_op Ces deux premières lignes traduisent les

- / opérations de base de chacun des deux schémas
_invop + *
_xbar 0 1 Certains estimateurs, les coefficients saisonniers
par exemple, sont supposés de moyenne nulle
dans le cas additif et de moyenne égale à 1 dans
le cas multiplicatif. Ces valeurs moyennes
interviennent à de nombreux endroits dans
l'algorithme de calcul de la méthode X11.
_mult . 100 * Dans certains tableaux, et pour le cas

multiplicatif seulement, les estimations sont
multipliées par 100 et s'interprètent en termes de
pourcentages
2. Dans sa version actuelle, ce chapitre présente les parties B, C, D, E et F. La partie G des

graphiques est avantageusement remplacée par les logiciels graphiques actuels. Les parties A
(ajustements préalables de la série) et F (diagnostics de la désaisonnalisation) diffèrent
sensiblement entre X11-ARIMA88 et X12-ARIMA.
3. Certains traitements relativement complexes se répètent dans la méthode X11. Ils sont
détaillés au premier tableau où ils sont mis en œuvre. Il s'agit notamment :
Traitement Tableaux
Repérage et correction des valeurs atypiques B4, B9, B17, C17
Régression pour correction des effets de Jours Ouvrables B14, B15, C14, C15
Extraction de la Tendance-Cycle B7, C7, D7, D12
39
4. Les sorties commentées dans ce document peuvent s’obtenir en soumettant aux logiciels
X11-ARIMA88 et X12-ARIMA les programmes suivants :
X12-ARIMA :
series{ data=(115.7 109.8 …..130.2) start= 1985.10 period= 12

print=none decimals=3}
x11 {mode=mult print=(all) }
x11regression { variables=td print=(all)}
X11-ARIMA88 :
DATA ipi 12 85 10 ;
(les données)
;
TITLE ipi;
RANGE 12 85 10 95 3 ;
SA (ipi, 0 ,1) TDR 2 00 00 CHART 1 PRTDEC 3 PRINT 5;
END;
Ces deux programmes ne donnent cependant pas tout à fait les mêmes diagnostics ; les
différences sont expliquées à chaque étape concernée. Les données sont celles du tableau B1 (voir
4.1.1.3)
Figure 11 : Indice mensuel de la Production Industrielle en France, d’octobre 1985 à mars

1995
140
120
100
80
60
Jan-85 Jan-86 Jan-87 Jan-88 Jan-89 Jan-90 Jan-91 Jan-92 Jan-93 Jan-94 Jan-95
40
4.1 PARTIE B : Estimation préliminaire des points atypiques et des effets
de calendrier
4.1.1 Tableau B1 : Série Brute ou Série Brute ajustée a priori
4.1.1.1 Description et mode de calcul
Ce tableau présente la série brute ou la série préalablement ajustée a priori par les éléments de la
partie A. Ces facteurs correctifs sont : les coefficients d'ajustements permanents ou temporaires et
les pondérations associées à chaque jour de la semaine.
4.1.1.2 Remarques
• Les facteurs d'ajustement a priori de la partie A figurent dans des tableaux différents selon le
logiciel utilisé.
Facteurs d'ajustement X11-ARIMA88 X12-ARIMA

Ajustements mensuels permanents A2 A2p
Ajustements mensuels temporaires A4 A2t
Effets mensuels dus aux poids journaliers fournis A6 A4
par l’utilisateur
• X11-ARIMA88 et X12-ARIMA proposent, à la suite de ce tableau B1, un test statistique sur

l'existence d'une saisonnalité. Ce test ne peut être calculé qu'à partir de la première estimation
de la composante Saisonnier-Irrégulier du tableau B3 (voir 4.1.3.1).
4.1.1.3 Exemple
B1 : SÉRIE BRUTE
ANNÉE JANV FÉVR MARS AVRIL MAI JUIN JUIL AOUT SEPT OCT NOV DÉC
1985 . . . . . . . . . 115.700 109.800 100.600

1986 106.600 98.700 103.900 109.500 97.700 103.700 99.700 65.700 105.200 117.100 108.300 104.400
1987 100.500 103.200 112.900 107.100 100.000 108.300 101.800 68.700 108.700 116.900 114.700 110.000
1988 107.700 110.200 118.700 108.100 107.400 114.700 101.200 76.000 114.600 117.900 121.300 114.700
1989 117.900 112.200 120.200 114.700 110.500 120.300 105.600 79.400 114.200 126.700 126.800 112.700
1990 121.100 112.500 123.600 116.100 115.600 116.800 111.800 83.300 114.600 132.000 127.100 110.800
1991 123.300 112.800 119.300 119.400 113.300 116.700 115.300 81.600 116.400 132.400 124.800 115.800
1992 123.500 116.900 124.000 120.000 109.800 118.700 112.100 80.000 119.300 129.000 122.100 113.800
1993 113.700 113.100 122.700 114.200 107.900 117.100 108.100 79.700 114.800 121.000 121.700 114.800
1994 116.300 111.500 124.000 115.400 114.000 121.000 109.500 85.400 120.600 126.400 127.700 120.000
1995 124.100 116.300 130.200 . . . . . . . . .
TEST DE LA PRÉSENCE D'UNE SAISONNALITÉ STABLE
Somme des Carrés D.D.L Moyenne Quadratique F-Value PROB>F

Entre les Mois 10897.091 11 990.645 183.698 0.000
Résidu 485.351 90 5.393
TOTAL 11382.442 101
41
4.1.2 Tableau B2 : Estimation préliminaire de la Tendance-Cycle
La première estimation de la composante Tendance-Cycle est obtenue en appliquant aux données

du tableau B1 une moyenne mobile centrée simple d'ordre 12. Cette moyenne mobile, qui par
construction élimine les saisonnalités mensuelles constantes, est la composée d'une moyenne
mobile simple sur 12 termes (et donc de coefficients 1/12) et d'une moyenne mobile simple sur 2
termes qui permet de "recentrer" le résultat. La moyenne mobile utilisée est donc une 2x12, sur
13 termes, et de coefficients {1/24, 1/12, 1/12, 1/12, 1/12, 1/12, 1/12, 1/12, 1/12, 1/12, 1/12, 1/12,
1/24}.
4.1.2.2 Remarques
• X11-ARIMA88 et X12-ARIMA proposent aussi une moyenne mobile centrée sur 24 termes
(Cholette, 1981).
• Les 6 premiers et les 6 derniers points de la série, pour lesquels on ne peut obtenir
d'estimation de la Tendance-Cycle à cause de la symétrie de la moyenne mobile, ne sont pas
imputés à ce stade du calcul.
4.1.2.3 Exemple
B2 : TENDANCE-CYCLE - MOYENNE MOBILE SIMPLE SUR 12 TERMES
ANNÉE JANV FÉVR MARS AVRIL MAI JUIN JUIL AOUT SEPT OCT NOV DÉC
1985 . . . . . . . . . . . .
1986 . . . 101.458 101.454 101.550 101.454 101.388 101.950 102.225 102.221 102.508
1987 102.788 103.000 103.271 103.408 103.667 104.167 104.700 105.292 105.825 106.108 106.458 107.033
1988 107.275 107.554 108.104 108.392 108.708 109.179 109.800 110.308 110.454 110.792 111.196 111.558
1989 111.975 112.300 112.425 112.775 113.371 113.517 113.567 113.713 113.867 114.067 114.338 114.404
1990 114.517 114.938 115.117 115.354 115.588 115.521 115.533 115.638 115.471 115.429 115.471 115.371
1991 115.513 115.588 115.592 115.683 115.604 115.717 115.933 116.113 116.479 116.700 116.579 116.517
1992 116.467 116.267 116.321 116.300 116.046 115.850 115.358 114.792 114.579 114.283 113.963 113.817
1993 113.583 113.404 113.204 112.683 112.333 112.358 112.508 112.550 112.538 112.642 112.946 113.363
1994 113.583 113.879 114.358 114.825 115.300 115.767 116.308 116.833 117.292 . . .
1995 . . . . . . . . . . . .
Ainsi la valeur d’avril 1986, la première calculable, s'obtient à partir des valeurs du tableau B1
d’octobre 1985 à octobre 1986 (6 mois avant et 6 mois après) :
115.7 109.8 + 100.6 + 106.6 + 98.7 + 103.9 + 109.5 + 97.7 + 103.7 + 99.7 + 65.7 + 105.2 117.1
APR86 = + + = 101.458
24 12 24
42
4.1.3 Tableau B3 : Estimation préliminaire de la composante Saisonnier-Irrégulier
non modifiée
La composante Tendance-Cycle est enlevée de la série analysée, par soustraction ou division

selon le schéma de composition adopté, pour obtenir une première estimation de la composante
Saisonnier-Irrégulier.
On a donc : B3 = B1 _op B2
Ce tableau sert de base au test de saisonnalité stable édité à la suite du tableau B1. Ce test est un
test d’analyse de la variance à un facteur : on dispose de k échantillons (ici les estimations
Saisonnier-Irrégulier pour chacun de nos k=12 mois ou de nos k=4 trimestres) de tailles
respectives n1 , n2 ,...., n k . Ces échantillons correspondent chacun à un niveau différent d’un
facteur A, ici la saisonnalité. On suppose que ce facteur influe uniquement sur les moyennes des
distributions et non sur leur variance. Il s’agit donc d’un test de confusion des k moyennes
x1 , x 2 ,....., x k . Si on considère chaque échantillon comme issu d’une variable aléatoire X i
suivant une loi de moyenne mi et d’écart-type σ , le problème est de tester :
 H 0 : m1 = m2 = .... = mk

 H 1 : mi ≠ m j pour au moins un couple (i, j )
L’équation dite d’analyse de la variance s’écrit :
1 2 S A2 + S R2
( ) ( )
n n
1 k j
∑∑ ij X − X
2
=
1 k
∑ i in ( X − X )2
+
1 k j
∑∑ ij i X − X
2
soit S =
n i =1 j =1 n i =1 n i =1 j =1 n n
La variance totale se décompose donc en variance des moyennes, variance due au facteur
saisonnalité, et en une variance résiduelle. Si l’hypothèse H 0 est vraie, on montre que la quantité
S A2 (k − 1)
FS = suit une loi de Fisher-Snedecor F ( k − 1; n − k ) à k-1 et n-k degrés de liberté.
S R2 (n − k )
D’où le test : si la quantité FS calculée à partir des données du tableau B3 est supérieure à la
valeur critique d’une loi de Fisher-Snedecor, on conclut à une influence significative du facteur
saisonnalité (i.e. les moyennes mensuelles ou trimestrielles ne sont pas toutes égales).
4.1.3.2 Remarques
• Là encore, pas d'estimation pour les 6 valeurs de début et les 6 valeurs de fin de la série.
• Certaines hypothèses du modèle d’analyse de la variance utilisé pour tester l’existence d’une
saisonnalité sont sans doute violées. Ainsi la composante irrégulière peut être autocorrélée à
ce niveau de l’analyse. Il est donc usuel de choisir des valeurs critiques élevées et de ne
rejeter l’hypothèse nulle que si la probabilité associée à la valeur de la statistique FS est
inférieure à un pour mille.
• Le rejet de l’hypothèse nulle tend à prouver l’existence d’une saisonnalité stable, c’est à dire
que par exemple, le coefficient saisonnier du mois de janvier n’évolue pas. Accepter
l’hypothèse nulle ne signifie pour autant pas qu’il n’y a pas de saisonnalité. Ainsi, une forte
43
évolution des coefficients saisonniers se traduirait par une variance telle qu’il serait
impossible de distinguer statistiquement les moyennes.
4.1.3.3 Exemple
B3 : SÉRIE BRUTE DÉBARRASSÉE DE SA TENDANCE (estimation Saisonnier-Irrégulier)
ANNÉE JANV FÉVR MARS AVRIL MAI JUIN JUIL AOÛT SEPT OCT NOV DÉC
1985 . . . . . . . . . . . .
1986 . . . 107.926 96.300 102.117 98.271 64.801 103.188 114.551 105.947 101.845
1987 97.775 100.194 109.324 103.570 96.463 103.968 97.230 65.247 102.717 110.170 107.742 102.772
1988 100.396 102.460 109.802 99.731 98.796 105.057 92.168 68.898 103.753 106.416 109.087 102.816
1989 105.291 99.911 106.916 101.707 97.468 105.976 92.985 69.825 100.293 111.075 110.900 98.510
1990 105.749 97.879 107.369 100.647 100.011 101.107 96.769 72.035 99.246 114.356 110.071 96.038
1991 106.742 97.588 103.208 103.213 98.007 100.850 99.454 70.277 99.932 113.453 107.052 99.385
1992 106.039 100.545 106.602 103.181 94.618 102.460 97.175 69.691 104.120 112.877 107.141 99.985
1993 100.103 99.732 108.388 101.346 96.053 104.220 96.082 70.813 102.010 107.420 107.751 101.268
1994 102.392 97.911 108.431 100.501 98.873 104.521 94.146 73.096 102.821 . . .
1995 . . . . . . . . . . . .
La valeur de avril86 s’obtient donc simplement : APR86 = 100*( 109.500 / 101.458 ) = 107.926

Entre les Mois 10897.091 11 990.645 183.698 0.000
Résidu 485.351 90 5.393
TOTAL 11382.442 101
La valeur de la statistique FS étant très élevée, l’hypothèse d’égalité de la moyenne des

coefficients saisonniers est rejetée. Comme le graphique ci dessous le montre, cela est
essentiellement dû au mois d’août qui présente un coefficient saisonnier très faible.
Figure 12 : Composantes Saisonnier-Irrégulier de chaque mois.

(Ce graphique représente les 12 colonnes du tableau B3 : la première courbe montre de la composante
Saisonnier-Irrégulier du mois de janvier pour les années 1987 à 1994 ; la droite représente la valeur
moyenne de ces 8 valeurs ; les autres courbes correspondent aux autres mois).
120
100
80
60
44
4.1.4 Tableau B4 : Valeurs de remplacement pour les points atypiques de la
composante Saisonnier-Irrégulier
Ce tableau présente les résultats de la procédure automatique de détection et de correction des

points "atypiques" de la composante Saisonnier-Irrégulier présente dans la méthode X11. Y
figurent les valeurs de remplacement proposées pour les points aberrants détectés ainsi que, en
marge du tableau, le écart-types mobiles ayant servi à les déterminer.
C'est sans aucun doute le tableau le plus difficile à reconstituer dans la mesure où il résulte d'un
algorithme assez complexe comportant six étapes.
• Étape 1 : estimation de la composante saisonnière.

Cette composante saisonnière est estimée par lissage de la composante Saisonnier-Irrégulier
mais en s'intéressant aux valeurs de chaque mois : on lisse les valeurs correspondant au mois
de janvier, puis celles du mois de février et ainsi de suite, en employant une moyenne 3x3, de
coefficients {1/9,2/9,3/9,2/9,1/9}. Cette moyenne mobile, symétrique, porte sur 5 termes et ne
permet donc pas d'estimer les valeurs des coefficients saisonniers des 2 premières et dernières
années. Celles-ci sont alors calculées grâce à des moyennes mobiles asymétriques ad hoc. On
obtient alors une série de coefficients provisoires fspro.
• Étape 2 : normalisation des coefficients saisonniers.

Ces coefficients saisonniers provisoires sont alors normalisés de telle sorte que, sur une année
d'observations, leur moyenne soit approximativement égale à 0 (pour un schéma additif) ou à
1 (pour un schéma multiplicatif). Pour cela, on calcule une moyenne mobile centrée sur 12
termes, donc une 2x12, de la série fspro, notée M2x12(fspro) ; les six valeurs qui manquent au
début (à la fin) de cette série sont prises égales à la première (dernière) valeur calculée par
cette moyenne mobile. La série fsnorm des coefficients normalisés est alors définie par :
fsnorm = fspro _op M2x12(fspro)
• Étape 3 : estimation de la composante irrégulière.

L’estimation initiale des facteurs saisonniers est enlevée de la composante Saisonnier-
Irrégulier pour obtenir une estimation de la composante irrégulière.
Irreg = SI _op fsnorm
• Étape 4 : Calcul d'un écart-type mobile.

Un écart-type mobile de la composante irrégulière est calculé sur des intervalles de cinq ans.
Chaque écart-type est associé à l'année centrale qui a permis de le calculer. Les valeurs de
cette année centrale qui s'éloignent, en valeur absolue de leur écart à la moyenne _xbar, de
plus de 2.5 fois cet écart-type sont considérées comme aberrantes et affectées d'un poids nul.
L'écart-type mobile est alors recalculé sans tenir compte de ces valeurs (cela a donc pour effet
d'obtenir une estimation plus robuste de cet écart-type).
Pour les deux premières années, c'est l'écart-type associé à la troisième année qui est utilisé
dans les comparaisons. De même, pour les deux dernières années, c'est l'écart-type associé à
l'antépénultième année qui est considéré.
45
• Étape 5 : Détection des valeurs atypiques et pondération de l'irrégulier.
On affecte à chaque valeur de la composante irrégulière un poids, fonction de l'écart-type
σ qui lui est associé, calculé de la façon suivante (voir graphique) :
• Les valeurs qui sont, en valeur absolue de leur écart à la moyenne _xbar, plus
grandes que 2.5 σ sont affectées d'un poids nul.
• Les valeurs qui sont, en valeur absolue de leur écart à la moyenne _xbar, plus petites
que 1.5 σ sont affectées d'un poids égal à 1.
• Celles qui sont, en valeur absolue de leur écart à la moyenne _xbar, comprises entre
1.5 σ et 2.5 σ reçoivent un poids variant linéairement entre 0 et 1, en fonction de
leur position.
pt
I t − _ xbar
− 2.5σ − 1.5σ 0 1.5σ 2.5σ
• Étape 6 : Correction des valeurs atypiques de la composante Saisonnier-Irrégulier.

Une valeur de la composante Saisonnier-Irrégulier dont l’irrégulier ne reçoit pas une pondération
intégrale, et qui a donc été considérée comme atypique, est corrigée et remplacée par une
moyenne pondérée de cinq valeurs :
• la valeur elle-même affectée de son poids,
• les deux valeurs précédentes, pour le même mois, ayant une pondération intégrale,
• et les deux valeurs suivantes, pour le même mois, ayant une pondération intégrale.
Pour les deux premières et deux dernières années, les valeurs de remplacement sont calculées
comme la moyenne pondérée de la valeur considérée et des quatre valeurs les plus proches, du
même mois, ayant reçu une pondération 1.21
4.1.4.2 Remarques
Sur les moyennes mobiles asymétriques :
• Les moyennes mobiles asymétriques utilisées pour compléter la moyenne mobile 3x3
diffèrent très légèrement, pour des problèmes d'arrondis, selon le logiciel utilisé.
21
En début et en fin de série, c'est-à-dire dans les deux premières et deux dernières années, X11 utilise les 3
plus proches valeurs de pondération intégrale pour corriger un point atypique (et non les 4 plus proches
comme dans X11-ARIMA88 ou X12-ARIMA). De plus, il y a ici des erreurs de calcul dans le logiciel X11.
46
Sur le calcul des poids et la correction des valeurs atypiques :
• Le caractère atypique d'une valeur It de l'irrégulier est déterminé en comparant la valeur de

I t − _ xbar aux bornes λ Inf * σ t et λSup * σ t où σ t est l'écart-type de l'année de
l'observation It et λ Inf et λSup sont des paramètres fixés par l'utilisateur (par défaut, 1.5 et 2.5)
• S’il n’existe pas quatre points du même mois ayant reçu une pondération intégrale, la valeur
atypique est remplacée par la moyenne des valeurs du mois.
Sur le calcul des écart-types mobiles :
• L'écart-type est calculé en supposant connue la moyenne de l'irrégulier _xbar, c'est à dire 0
pour un schéma additif et 1 pour un schéma multiplicatif. Dans ce cas, un estimateur sans
biais de la variance est donné par :
∑
1
σ2 = ( x i − _ xbar ) 2 , où n est le nombre d’observations utilisées (voir ci-après).
n i
N'oublions pas que nous cherchons à repérer des valeurs atypiques. En utilisant une
estimation de la moyenne, on risquerait de voir cette estimation fortement influencée par ces
mêmes valeurs atypiques.
• Lors du calcul du second écart-type correspondant à une année, on exclut les valeurs x de
l'irrégulier de l'année vérifiant la condition x − _ xbar > λSup * σ .
• L'écart-type est en principe calculé sur 5 années complètes d'observations. En début et en fin
de série, en particulier à cause des valeurs manquantes générées par l'utilisation de moyennes
mobiles symétriques, on fait une petite exception.
Ainsi, si votre série brute commence en janvier 1970, la première estimation de la
composante Saisonnier-Irrégulier du tableau B3 commencera en juillet 1970. Pour X11-
ARIMA88 et X12-ARIMA, l’écart-type de 1972 et sera calculé à partir des observations de
1970 et des cinq premières années complètes (de 1971 à 1975) donc sur 66 observations.
C'est cet écart-type qui sera alors attribué aux années 1970 et 1971. L'écart-type de 1973 sera
lui calculé sur moins d'observations, les 60 correspondants aux années 1971 à 1975.22
4.1.4.3 Exemple
Voici le tableau en sortie de X11. Nous allons, pour mieux le comprendre, détailler les étapes de
son calcul à partir de tableaux malheureusement non récupérables dans les versions usuelles des
logiciels de la famille X11 (tableaux numérotés ici de B4a à B4f).
22
Notons que pour le logiciel X11, le premier écart-type sur cinq ans calculable sera celui de 1973 et sa
valeur sera aussi affectée aux années 1970, 1971 et 1972. Les six premières observations ne seront donc pas
intégrées dans ce calcul
47
B4 : VALEURS DE REMPLACEMENT POUR LES POINTS EXTRÊMES
ANNÉE JANV FÉVR MARS AVRIL MAI JUIN JUIL AOÛT SEPT OCT NOV DÉC ÉCART
-TYPE
1985 . . . . . . . . . . . . 1.427
1986 . . . 102.584 . . . . . 112.451 . . 1.427
1987 103.375 . . . . . . . . . . . 1.427
1988 . . . 101.798 . . 95.684 . . 112.038 . . 1.427
1989 . . . . . 103.387 . . . . . . 1.371
1990 . . . . . . . 70.119 . . . 99.580 1.396
1991 . . 106.783 . . . 96.339 . . . . . 1.294
1992 . . . . 97.354 . . . 101.594 . . . 1.285
1993 104.841 . . . . . . . . 112.788 . . 1.285
1994 . . . . 98.075 . . 70.649 . . . . 1.285
1995 . . . . . . . . . . . . 1.285
B4a : FACTEURS SAISONNIERS PROVISOIRES (MM 3x3)
1985 . . . . . . . . . . . .
1986 . . . 104.634 96.829 103.416 96.717 65.741 103.101 111.260 107.260 102.403
1987 100.235 101.065 109.073 103.497 97.137 103.993 95.716 66.587 102.838 110.433 107.976 102.070
1988 101.580 100.703 108.659 102.035 97.840 104.254 94.664 68.186 102.190 110.072 108.951 100.988
1989 103.631 99.799 107.513 101.407 98.276 103.897 94.835 69.652 101.058 110.933 109.534 99.488
1990 105.305 99.071 106.529 101.632 98.266 102.721 96.058 70.544 100.673 112.380 109.149 98.523
1991 105.466 98.806 105.874 102.261 97.422 102.209 97.257 70.547 100.981 112.591 108.248 98.887
1992 104.438 99.118 106.533 102.201 96.762 102.572 97.057 70.709 102.035 111.776 107.601 99.724
1993 102.973 99.232 107.361 101.810 96.629 103.467 96.238 71.054 102.537 110.761 107.373 100.397
1994 102.135 99.140 108.075 101.342 96.936 104.017 95.496 71.535 102.731 . . .
1995 . . . . . . . . . . . .
Les données du tableau B3 sont lissées colonne par colonne (mois par mois), avec une moyenne
mobile 3x3 de coefficients {1/9,2/9,3/9,2/9,1/9}. Ainsi, les valeurs de la composante Saisonnier-
Irrégulier du mois d'avril sont :
1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995
Avril . 107.926 103.570 99.731 101.707 100.647 103.213 103.181 101.346 100.501
Le facteur saisonnier du mois d'avril 1988 sera donc estimé par :

107.926 + 2 *103.570 + 3 * 99.731 + 2 *101.707 + 100.647
APR88 = = 102.035
9
Cette moyenne mobile symétrique peut s'appliquer pour estimer les valeurs des coefficients
saisonniers des années 1988 à 1992. Pour le début de la série (années 1986 et 1987) et la fin de la
série (années 1993 et 1994), on utilise des moyennes asymétriques prédéfinies (voir tableau 4,
3.3.3) :
• APR86 = 107.926 *11 + 103.570 *11 + 99.731* 5 = 104.634
27
(le point courant et deux points dans le futur)
• 107.926 * 7 + 103.570 *10 + 99.731* 7 + 101.707 * 3
APR87 = = 103.497
27
(un point dans le passé, le point courant et deux points dans le futur)
• 100.501 * 7 + 101.346 *10 + 103.181 * 7 + 103.213 * 3
APR93 = = 101.810
27
(un point dans le futur, le point courant et deux points dans le passé)
• 100.501 *11 + 101.346 *11 + 103.181 * 5
APR94 = = 101.342
27
(le point courant et deux points dans le passé)
48
B4b: MOYENNE MOBILE CENTRÉE SUR 12 MOIS
1985 . . . . . . . . . . . .
1986 . . . 100.097 100.097 100.097 100.097 100.097 100.097 100.097 100.062 100.099
1987 100.082 100.075 100.099 100.054 100.050 100.066 100.108 100.149 100.116 100.038 100.007 100.047
1988 100.014 100.037 100.076 100.034 100.060 100.055 100.096 100.144 100.058 99.984 99.976 99.979
1989 99.972 100.040 100.054 100.043 100.103 100.064 100.072 100.111 100.040 100.008 100.017 99.968
1990 99.970 100.058 100.079 100.123 100.168 100.111 100.078 100.073 100.035 100.034 100.025 99.969
1991 99.997 100.047 100.060 100.082 100.053 100.031 100.003 99.973 100.014 100.039 100.009 99.996
1992 100.003 100.001 100.052 100.062 100.001 100.009 99.983 99.927 99.966 99.984 99.962 99.994
1993 99.997 99.977 100.013 99.991 99.939 99.958 99.951 99.912 99.938 99.948 99.942 99.977
1994 99.969 99.958 99.987 99.987 99.987 99.987 99.987 99.987 99.987 . . .
1995 . . . . . . . . . . . .
Au tableau B4a, on applique une moyenne mobile centrée sur 12 mois. Le premier terme
calculable est donc celui d’octobre 1986 et le dernier, celui de mars 1994. Ainsi :
104.634
OCT86 =
24
96.829+ 103.416+ 96.717+ 65.741+ 103.101+ 111.260+ 107.260+ 102.403+ 100.235+ 101.065+ 109.073
+
12
103.497
+
24
= 100.097
Les six premières valeurs, d’avril à septembre 1986, non calculables avec cette moyenne mobile
symétrique, seront prises égales à la première valeur calculable, celle d’octobre 1986. On procède
de même pour la fin de série : la valeur calculée pour mars 1994 (99.987) est répétée pour les six
mois suivants. Les coefficients saisonniers normalisés sont alors obtenus en corrigeant le tableau
B4a par le tableau B4b, pour obtenir :
B4c : FACTEURS SAISONNIERS NORMALISÉS
1985 . . . . . . . . . . . .
1986 . . . 104.532 96.735 103.315 96.623 65.678 103.001 111.152 107.193 102.301
1987 100.153 100.989 108.964 103.441 97.089 103.925 95.613 66.488 102.719 110.391 107.969 102.022
1988 101.566 100.666 108.577 102.001 97.782 104.196 94.573 68.088 102.131 110.089 108.977 101.009
1989 103.660 99.759 107.456 101.363 98.176 103.830 94.767 69.574 101.018 110.924 109.515 99.521
1990 105.337 99.014 106.445 101.507 98.102 102.607 95.984 70.493 100.638 112.342 109.122 98.554
1991 105.469 98.760 105.811 102.177 97.370 102.178 97.254 70.566 100.967 112.548 108.238 98.890
1992 104.435 99.117 106.478 102.138 96.761 102.563 97.074 70.761 102.070 111.794 107.642 99.730
1993 102.976 99.255 107.347 101.819 96.688 103.511 96.285 71.117 102.600 110.818 107.435 100.419
1994 102.166 99.182 108.089 101.355 96.949 104.031 95.509 71.545 102.745 . . .
1995 . . . . . . . . . . . .
Ainsi, APR86 = 100*(104.634 / 100.097 ) = 104.532

Il suffit de diviser la composante Saisonnier-Irrégulier du tableau B3 par les facteurs saisonniers
normalisés du tableau B4c ci-dessus.
49
B4d : IRRÉGULIER PROVISOIRE
1985 . . . . . . . . . . . .
1986 . . . 103.246 99.550 98.840 101.705 98.665 100.182 103.058 98.838 99.555
1987 97.625 99.213 100.330 100.125 99.355 100.041 101.692 98.134 99.998 99.800 99.790 100.735
1988 98.848 101.782 101.128 97.775 101.038 100.826 97.456 101.189 101.589 96.663 100.101 101.789
1989 101.573 100.152 99.498 100.339 99.279 102.066 98.120 100.360 99.282 100.137 101.264 98.985
1990 100.391 98.854 100.869 99.152 101.946 98.539 100.818 102.189 98.617 101.793 100.870 97.447
1991 101.207 98.814 97.540 101.014 100.654 98.701 102.261 99.590 98.974 100.804 98.904 100.500
1992 101.535 101.441 100.116 101.022 97.785 99.900 100.105 98.488 102.009 100.969 99.534 100.256
1993 97.210 100.481 100.970 99.535 99.344 100.685 99.789 99.573 99.425 96.934 100.294 100.845
1994 100.221 98.719 100.316 99.157 101.984 100.471 98.574 102.168 100.074 . . .
1995 . . . . . . . . . . . .
Ainsi, APR86 = 100*( 107.926 / 104.532 ) = 103.246
• Étape 4 : Calcul d'un écart-type mobile.
L'écart-type correspondant à l'année 1989 sera calculé à partir des données des années 1987 à
1991 (deux années avant, deux années après) selon la formule 23:
1 60
σ 89 = ∑
60 i =1
( xi − 100) 2 = 1.3705
Ceux des années 1990 et 1991 sont calculés selon le même principe.
Pour X11-ARIMA88 et X12-ARIMA, l'écart-type de 1988 est calculé à partir de l'ensemble des
observations disponibles de 1986 à 1991, soit 69 observations. C’est cet écart-type qui sera
associé aux années 1986 et 87. De même, l'écart-type de 1992 utilise toutes les données de 1989 à
1994 ; il sera aussi associé aux années 1993 et 1994.
Les résultats du calcul de X11-ARIMA88 et X12-ARIMA figurent dans le tableau B4e, colonne
Écart-type 1.
B4e: VALEURS DES ÉCART-TYPES MOBILES SUR CINQ ANS
ANNÉE ÉCART-TYPE 1 ÉCART-TYPE 2

1985
1986 1.4265 1.4265
1987 1.4265 1.4265
1988 1.4265 1.4265
1989 1.3705 1.3705
1990 1.3958 1.3958
1991 1.2941 1.2941
1992 1.2847 1.2847
1993 1.2847 1.2847
1994 1.2847 1.2847
1995
Ce premier calcul sert à repérer d'éventuels points atypiques. Pour une année donnée, une valeur
sera considérée comme aberrante si elle s'éloigne, en valeur absolue de son écart à la moyenne
théorique (ici 1), de plus de 2.5 fois l'écart-type correspondant à cette année. Le graphique suivant
représente l'écart de l’irrégulier à sa moyenne théorique et les deux "limites de confiance".
Comme on peut le constater, aucune valeur n'est considérée comme très atypique. Dans le cas
contraire, on aurait éliminé ces valeurs et refait le calcul de l'écart-type (voir par exemple le cas
du tableau B17, 4.1.18.3). Ce nouveau calcul conduit donc à la colonne Écart-type 2 du tableau
B4e identique à la colonne 1.
23
où la moyenne théorique est considérée égale à 100 pour tenir compte du fait que les valeurs de
l’irrégulier ont été elles-mêmes multipliées par 100
50
Figure 13 : Écart à la moyenne de l'irrégulier et "limites de confiance" (tableau B4)
3
Jun-89
2
-1
-2
Jan-87
-3
Oct-88
-4
Jan-86 Jan-87 Jan-88 Jan-89 Jan-90 Jan-91 Jan-92 Jan-93 Jan-94 Jan-95
Étape 5 : Détection des valeurs atypiques et pondération de l'irrégulier.
Le graphique ci-dessus permet de situer les valeurs de l'irrégulier par rapport aux limites de
confiance supérieures et inférieures calculées à partir des écart-types estimés auparavant. Toutes
les valeurs situées entre ces limites sont considérées comme atypiques et vont donc être corrigées
; les poids associés à chacune de ces valeurs figurent dans le tableau B4f.
B4f : POIDS ASSOCIÉS AUX VALEURS DE L'IRRÉGULIER
1985 . . . . . . . . . . . .
1986 . . . 22.419 100.000 100.000 100.000 100.000 100.000 35.633 100.000 100.000
1987 83.535 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1988 100.000 100.000 100.000 94.011 100.000 100.000 71.692 100.000 100.000 16.096 100.000 100.000
1989 100.000 100.000 100.000 100.000 100.000 99.217 100.000 100.000 100.000 100.000 100.000 100.000
1990 100.000 100.000 100.000 100.000 100.000 100.000 100.000 93.192 100.000 100.000 100.000 67.113
1991 100.000 100.000 59.928 100.000 100.000 100.000 75.258 100.000 100.000 100.000 100.000 100.000
1992 100.000 100.000 100.000 100.000 77.601 100.000 100.000 100.000 93.624 100.000 100.000 100.000
1993 32.820 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 11.350 100.000 100.000
1994 100.000 100.000 100.000 100.000 95.570 100.000 100.000 81.282 100.000 . . .
1995 . . . . . . . . . . . .
Aucune valeur n'est jugée très atypique. Par contre, on a par exemple pour janvier 1987 :
JAN 87 − 100 = 97.625 − 100 = 2.375
1.5 * σ 87 = 1.5 * 1.4265 = 2.13975 < 2.375 < 2.5 * σ 87 = 2.5 * 1.4265 = 3.5663
On va attribuer à cette valeur jugée moyennement atypique, un poids proportionnel à l'écart à la
moyenne constaté de :
3.5663 − 2.375
poids ( JAN 87) = = 0.835
3.5663 − 2.1398
51
De même, pour la valeur de juin 1989, légèrement au-delà de la limite de confiance inférieure, on
a:
JUN 89 − 100 = 102.066 − 100 = 2.066
1.5 * σ 89 = 1.5 * 1.3705 = 2.056 < 2.066 < 2.5 * σ 89 = 2.5 * 1.3705 = 3.426
3.426 − 2.066
poids ( JUN 89) = = 0.992
3.426 − 2.056
La correction de la composante Saisonnier-Irrégulier (tableau B3) se fait enfin à partir de ces

poids. Ainsi, la valeur de juin 1989 sera remplacée par la moyenne de cette valeur affectée de son
poids et des deux valeurs antérieures et postérieures du même mois ayant reçu une pondération
intégrale, donc non jugées atypiques. Il s'agit donc, comme le montre le tableau B4f, des valeurs
des mois de juin 1987, 1988 et 1990, 1991. Ce qui conduit à :
103.968 + 105.057 + 105.976 * 0.992 + 101.107 + 100.850
SI ( JUN 89) = = 103.387
4 + 0.992
La valeur de janvier 1987 a été jugée elle aussi atypique. Mais, comme elle se trouve en début de
série, elle est corrigée de façon légèrement différente et est remplacée par la moyenne de cette
valeur affectée de son poids et des quatre valeurs les plus proches du même mois ayant reçu une
pondération intégrale. Il s'agit donc dans ce cas, d'après le tableau B4f, des valeurs de janvier
1988, 1989, 1990 et 1991. On a donc, aux erreurs d'arrondis près :
97.775 * 0.835 + 100.396 + 105.291 + 105.749 + 106.742
SI ( JAN 87) = = 103.375
4 + 0.835
52
4.1.5 Tableau B5 : Estimation de la composante saisonnière
Cette estimation est obtenue à partir des valeurs de la composante Saisonnier-Irrégulier du

tableau B3 corrigées par les valeurs du tableau B4. On procède en deux étapes identiques aux 2
premières étapes du tableau B4 :
• Étape 1 : estimation de la composante saisonnière par moyenne mobile 3x3.
4.1.5.2 Exemple
L'estimation est faite à partir de la composante Saisonnier-Irrégulier corrigée :
B4g : COMPOSANTE SAISONNIER-IRRÉGULIER CORRIGÉE
1985 . . . . . . . . . . . .
1986 . . . 102.584 96.300 102.117 98.271 64.801 103.188 112.451 105.947 101.845
1987 103.375 100.194 109.324 103.570 96.463 103.968 97.230 65.247 102.717 110.170 107.742 102.772
1988 100.396 102.460 109.802 101.798 98.796 105.057 95.684 68.898 103.753 112.038 109.087 102.816
1989 105.291 99.911 106.916 101.707 97.468 103.387 92.985 69.825 100.293 111.075 110.900 98.510
1990 105.749 97.879 107.369 100.647 100.011 101.107 96.769 70.119 99.246 114.356 110.071 99.580
1991 106.742 97.588 106.783 103.213 98.007 100.850 96.339 70.277 99.932 113.453 107.052 99.385
1992 106.039 100.545 106.602 103.181 97.354 102.460 97.175 69.691 101.594 112.877 107.141 99.985
1993 104.841 99.732 108.388 101.346 96.053 104.220 96.082 70.813 102.010 112.788 107.751 101.268
1994 102.392 97.911 108.431 100.501 98.075 104.521 94.146 70.649 102.821 . . .
1995 . . . . . . . . . . . .
Étape 1 : estimation de la composante saisonnière.
Les données du tableau précédent sont lissées colonne par colonne (mois par mois), avec une
moyenne mobile 3x3 coefficients {1/9,2/9,3/9,2/9,1/9}, pour aboutir au tableau B5a.

102.584 + 2 *103.570 + 3 *101.798 + 2 *101.707 + 100.647
APR88 = = 102.131
9
série (années 1993 et 1994), on utilise des moyennes asymétriques prédéfinies (tableau 4, 3.3.3) :
• 102.584 *11 + 103.570 *11 + 101.798 * 5
APR86 = = 102.840
27
(le point courant et deux points dans le futur)
• 102.584 * 7 + 103.570 *10 + 101.798 * 7 + 101.707 * 3
APR87 = = 102.648
27
(un point dans le passé, le point courant et deux points dans le futur)
• 100.501 * 7 + 101.346 *10 + 103.181 * 7 + 103.213 * 3
APR93 = = 101.810
27
(un point dans le futur, le point courant et deux points dans le passé)
53
• 100.501 *11 + 101.346 *11 + 103.181 * 5
APR94 = = 101.342
27
(le point courant et deux points dans le passé)
B5a : FACTEURS SAISONNIERS PROVISOIRES (MM 3x3)
1985 . . . . . . . . . . . .
1986 . . . 102.840 96.829 103.416 97.368 65.741 103.101 111.445 107.260 102.403
1987 102.516 101.065 109.073 102.648 97.137 103.706 96.627 66.587 102.838 111.346 107.976 102.070
1988 103.032 100.703 108.659 102.131 97.840 103.678 95.836 67.973 102.190 111.712 108.951 101.382
1989 104.253 99.799 107.911 101.866 98.276 103.034 95.270 69.226 101.058 112.182 109.534 100.276
1990 105.305 99.071 107.323 101.862 98.570 102.146 95.757 69.906 100.393 113.004 109.149 99.704
1991 105.993 98.806 107.066 102.261 98.030 101.921 96.219 70.121 100.420 113.188 108.248 99.674
1992 105.492 99.118 107.328 102.201 97.585 102.572 96.365 70.225 101.192 113.168 107.601 100.117
1993 104.728 99.232 107.758 101.810 97.132 103.467 95.892 70.420 101.881 112.948 107.373 100.397
1994 104.065 99.140 108.075 101.342 97.118 104.017 95.496 70.538 102.263 . . .
1995 . . . . . . . . . . . .
B5b : MOYENNE MOBILE CENTRÉE SUR 12 MOIS
1985 . . . . . . . . . . . .
1986 . . . 100.247 100.247 100.247 100.247 100.247 100.247 100.247 100.251 100.276
1987 100.258 100.262 100.286 100.271 100.297 100.313 100.321 100.327 100.295 100.256 100.264 100.292
1988 100.258 100.282 100.313 100.301 100.357 100.369 100.392 100.405 100.336 100.294 100.301 100.292
1989 100.242 100.270 100.275 100.248 100.292 100.270 100.268 100.281 100.226 100.202 100.214 100.189
1990 100.172 100.221 100.221 100.228 100.246 100.206 100.211 100.229 100.207 100.213 100.207 100.175
1991 100.185 100.213 100.223 100.232 100.202 100.163 100.141 100.133 100.157 100.166 100.145 100.153
1992 100.186 100.197 100.233 100.265 100.237 100.229 100.215 100.188 100.211 100.212 100.177 100.196
1993 100.213 100.202 100.239 100.258 100.239 100.242 100.226 100.194 100.203 100.197 100.177 100.199
1994 100.206 100.194 100.215 100.215 100.215 100.215 100.215 100.215 100.215 . . .
1995 . . . . . . . . . . . .
calculable est donc celui d’octobre 1986 et le dernier, celui de mars 1994. Ainsi :
102.840
OCT86 =
24
96.829 + 103.416 + 97.368 + 65.741 + 103.101 + 111.445 + 107.260 + 102.403 + 102.516 + 101.065 + 109.073
+
12
102.648
+
24
= 100.247
Les six premières valeurs, d’avril à septembre 1986, non calculables avec cette moyenne mobile
symétrique, seront prises égales à la première valeur calculable, celle d’octobre 1986. On procède
de même pour la fin de série : la valeur calculée pour mars 1994 (100.215) est répétée pour les six
mois suivants.
54
Les coefficients saisonniers normalisés sont alors obtenus en divisant le tableau B5a par le
tableau B5b :
B5 : COEFFICIENTS SAISONNIERS NORMALISÉS
1985 . . . . . . . . . 111.171 106.991 102.120
1986 102.253 100.801 108.761 102.587 96.590 103.161 97.128 65.580 102.847 111.171 106.991 102.120
1987 102.253 100.801 108.761 102.370 96.850 103.382 96.319 66.370 102.536 111.062 107.692 101.773
1988 102.767 100.419 108.320 101.824 97.492 103.297 95.462 67.699 101.848 111.385 108.624 101.087
1989 104.002 99.530 107.614 101.614 97.991 102.757 95.016 69.032 100.830 111.956 109.301 100.086
1990 105.124 98.853 107.086 101.630 98.328 101.936 95.555 69.746 100.185 112.764 108.924 99.529
1991 105.797 98.596 106.828 102.024 97.832 101.755 96.083 70.028 100.262 113.000 108.091 99.521
1992 105.295 98.924 107.078 101.931 97.355 102.338 96.158 70.093 100.980 112.928 107.411 99.922
1993 104.505 99.033 107.501 101.548 96.900 103.218 95.676 70.284 101.675 112.725 107.183 100.197
1994 103.852 98.948 107.843 101.124 96.910 103.793 95.291 70.387 102.044 112.725 107.183 100.197
1995 103.852 98.948 107.843 . . . . . . . . .
APR86 = 100 * (102.840 / 100.247) = 102.587

Les valeurs manquantes d’octobre 1985 à mars 1986 sont obtenues en dupliquant la première
valeur calculée pour le mois considéré. De même, pour les valeurs d’octobre 1994 à mars 1995,
on duplique la dernière valeur calculée pour le mois considéré.
4.1.6 Tableau B6 : Estimation de la série corrigée des variations saisonnières
Cette estimation s'obtient simplement en retirant à la série de départ, du tableau B1, l'estimation
de la composante saisonnière du tableau B5 : B6 = B1 _op B5
4.1.6.2 Exemple
B6: SÉRIE DÉSAISONNALISÉE PROVISOIRE
1985 . . . . . . . . . 104.074 102.626 98.511
1986 104.251 97.916 95.530 106.739 101.149 100.522 102.648 100.183 102.288 105.333 101.224 102.232
1987 98.286 102.380 103.805 104.620 103.253 104.757 105.691 103.511 106.011 105.257 106.507 108.084
1988 104.800 109.740 109.583 106.164 110.163 111.039 106.011 112.261 112.520 105.849 111.669 113.467
1989 113.363 112.730 111.695 112.878 112.766 117.072 111.140 115.019 113.260 113.169 116.010 112.603
1990 115.197 113.805 115.421 114.238 117.566 114.582 117.000 119.433 114.388 117.058 116.687 111.324
1991 116.544 114.406 111.675 117.031 115.810 114.687 120.000 116.525 116.096 117.168 115.458 116.357
1992 117.289 118.172 115.804 117.727 112.784 115.988 116.579 114.134 118.143 114.232 113.676 113.889
1993 108.799 114.205 114.138 112.459 111.352 113.449 112.985 113.398 112.909 107.340 113.544 114.574
1994 111.987 112.685 114.982 114.117 117.635 116.578 114.911 121.329 118.184 112.131 119.142 119.764
1995 119.498 117.536 120.731 . . . . . . . . .
Avec par exemple : APR86 = 100*( 109.500 / 102.587 ) = 106.739
55
4.1.7 Tableau B7 : Estimation de la composante Tendance-Cycle
Ce tableau présente une estimation de la composante Tendance-Cycle réalisée à partir de la série

désaisonnalisée du tableau précédent. Il s'agit donc ici d'un problème de lissage et pour le
résoudre, le programme va utiliser une moyenne mobile de Henderson.
• Étape 1 : choix de la moyenne mobile, calcul du ratio I

C
Pour une série mensuelle, X11 utilise, à cette étape et selon les cas, une moyenne mobile de
Henderson sur 9 ou 13 termes. Le choix de l'ordre de la moyenne mobile est, sauf intervention de
l'utilisateur, automatique et fondé sur la valeur d'un indicateur dit "ratio I " mesurant en
C
quelque sorte l'importance de la composante irrégulière dans la série ; plus elle est importante,
plus l'ordre de la moyenne mobile choisie sera grand.
Pour calculer ce ratio, on calcule une première décomposition de la série CVS (Corrigée des
Variations Saisonnières) à l'aide d'une moyenne mobile de Henderson sur 13 termes. A cette
étape du calcul, on ne se préoccupe pas des 6 points "perdus" en début et fin de série.
On a donc : Tendance-Cycle = C = H13(Série CVS) et Irrégulier = I = Série CVS _op Tendance-
Cycle
On calcule ensuite, pour chaque série C et I, la moyenne de la valeur absolue des taux de
croissance mensuels (schéma multiplicatif) ou des croissances mensuelles (schéma additif), notés
C et I . On a donc :
1 n 1 n
C= ∑
n − 1 t =2
C t _ op C t −1 − _xbar et I = ∑
n − 1 t =2
I t _ op I t −1 − _xbar
On calcule ensuite le ratio I et :

C
• Si le ratio est inférieur à 1, on choisira une moyenne mobile de Henderson à 9 termes.
• Sinon on choisira une moyenne mobile de Henderson à 13 termes.
• Étape 2 : lissage de la série CVS par une moyenne mobile de Henderson
La série CVS du tableau B6 est alors lissée par la moyenne mobile de Henderson choisie. A ce
stade, on estimera les points non calculables par la moyenne symétrique en début et fin de série (4
ou 6 selon le cas) grâce à des moyennes mobiles asymétriques ad hoc.
4.1.7.2 Remarques
• Notez que le calcul du ratio se fait sans se préoccuper des 6 premiers et 6 derniers mois pour
lesquels la moyenne mobile de Henderson sur 13 termes ne permet pas d'obtenir d'estimation
de la Tendance-Cycle.
• A cette étape, le programme ne choisit qu'entre une moyenne à 9 termes et une moyenne à 13
termes.
• Il est possible de spécifier soit même la longueur de la moyenne mobile de Henderson à
utiliser. Dans ce cas, X11 ARIMA donne le choix entre une moyenne mobile sur 9, 13 ou 23
56
termes. X12-ARIMA permet de choisir toute moyenne de Henderson d’ordre impair inferieur
à 101.
• Les coefficients des moyennes mobiles utilisées (symétriques ou non) sont, aux arrondis près,
les mêmes dans X11-ARIMA88 et X12-ARIMA. Les coefficients des moyennes mobiles
symétriques sont calculés à partir de la formule exacte de Henderson. Pour les filtres
asymétriques, X11-ARIMA88 utilise des valeurs à 7 décimales dérivées d'une formule établie
par Laniel (1985) et X12-ARIMA utilise directement une formule due à Doherty (1991) et
basée sur les travaux de Musgrave (1964).24 Ces différents filtres sont présentés en 3.2.2 et
3.3.1.
• Notons enfin que le calcul de cette Tendance-Cycle se fait sans exclure de la série CVS les
points jugés atypiques. Une option est cependant proposée à cette fin dans X11-ARIMA88 ;
dans ce cas, le programme recherchera et corrigera ces valeurs atypiques de la même façon
qu’au tableau B4 : estimation de la composante irrégulière en enlevant la Tendance-Cycle de
la série CVS, calcul d’un écart-type mobile sur 5 ans …..
4.1.7.3 Exemple

C
On lisse tout d’abord le tableau B6 par une moyenne mobile de Henderson sur 13 termes dont les
coefficients figurent dans le tableau 3 (paragraphe 3.2.2 ,colonne H6_6).
Le premier terme calculable avec le filtre symétrique de Henderson est donc celui d'avril 1986, et
on a, aux arrondis près :
APR86= 104.074*(-0.0193)+ 102.626*(-0.0279)+ 98.511*(0.0000)+

104.251*(0.0655)+97.916*(0.1474)+95.530*(0.2143)+
106.739*(0.2401)+101.149*(0.2143)+100.522*(0.1474)+
102.648*(0.0655)+100.183*(0.0000)+102.288*(-0.0279)+
105.333*(-0.0193) =100.809
A cette étape du calcul, on ne se préoccupe pas d'estimer les 6 points non calculables avec le filtre
symétrique en début et en fin de série. On en déduit une estimation de la tendance (tableau B7a)
et, par division avec le tableau B6, de la composante irrégulière (tableau B7b) :
B7a : TENDANCE-CYCLE (Moyenne Mobile de Henderson sur 13 termes)
1985 . . . . . . . . . . . .
1986 . . . 100.809 101.258 101.649 102.031 102.287 102.241 102.092 101.939 101.700
1987 101.671 102.029 102.691 103.528 104.218 104.567 104.799 104.992 105.302 105.774 106.319 106.848
1988 107.460 107.972 108.320 108.737 109.126 109.403 109.568 109.760 110.159 110.671 111.282 111.855
1989 112.343 112.722 113.066 113.268 113.389 113.645 113.835 113.913 113.901 113.920 113.989 114.155
1990 114.366 114.521 114.877 115.348 115.889 116.472 116.816 116.862 116.614 116.065 115.337 114.704
1991 114.232 114.160 114.487 115.084 115.871 116.538 116.921 117.008 116.831 116.619 116.632 116.735
1992 116.829 116.824 116.503 116.091 115.767 115.602 115.688 115.709 115.381 114.694 113.877 113.108
1993 112.640 112.448 112.498 112.798 112.965 112.853 112.539 112.212 112.024 111.941 111.996 112.314
1994 112.954 113.648 114.346 115.193 116.069 116.819 117.188 117.307 117.362 . . .
1995 . . . . . . . . . . . .
24
Dans X11, les coefficients des moyennes mobiles symétriques et asymétriques sont arrondis à la
troisième décimale. On ne sait pas comment les filtres asymétriques ont été calculés.
57
B7b : IRRÉGULIER
1985 . . . . . . . . . . . .
1986 . . . 105.882 99.893 98.891 100.605 97.944 100.046 103.174 99.298 100.524
1987 96.670 100.344 101.085 101.055 99.074 100.182 100.851 98.590 100.674 99.510 100.178 101.157
1988 97.525 101.638 101.166 97.634 100.951 101.495 96.753 102.279 102.143 95.643 100.348 101.441
1989 100.908 100.007 98.787 99.656 99.451 103.016 97.632 100.971 99.437 99.341 101.773 98.640
1990 100.727 99.375 100.473 99.037 101.447 98.378 100.158 102.200 98.091 100.856 101.171 97.053
1991 102.024 100.216 97.544 101.692 99.947 98.412 102.634 99.587 99.371 100.471 98.994 99.676
1992 100.394 101.154 99.400 101.409 97.423 100.334 100.770 98.639 102.393 99.598 99.823 100.691
1993 96.590 101.563 101.458 99.700 98.573 100.528 100.396 101.057 100.790 95.890 101.382 102.012
1994 99.144 99.152 100.556 99.066 101.350 99.793 98.057 103.428 100.701 . . .
1995 . . . . . . . . . . . .
Ainsi, APR86 = 100* ( 106.739 / 100.809 ) = 105.882
Le schéma étant multiplicatif, on calcule :

1 n 1 n C t - C t −1 1 n 1 n I t - I t −1
C= ∑
n − 1 t =2
C t /C t −1 − 1 = ∑
n − 1 t = 2 C t −1
et I = ∑
n − 1 t =2
I t /It −1 − 1 = ∑
n − 1 t = 2 I t −1
B7c : CROISSANCE, EN VALEUR ABSOLUE ET EN %, DE LA TENDANCE
ANNÉE JANV FÉVR MARS AVRIL MAI JUIN JUIL AOÛT SEPT OCT NOV DÉC TOTAL
1985 . . . . . . . . . . . . 0.000
1986 . . . . 0.445 0.387 0.375 0.251 0.044 0.146 0.150 0.235 2.033
1987 0.028 0.352 0.649 0.814 0.667 0.335 0.222 0.184 0.295 0.449 0.514 0.498 5.008
1988 0.573 0.477 0.322 0.385 0.358 0.255 0.151 0.175 0.364 0.465 0.552 0.514 4.589
1989 0.437 0.337 0.305 0.178 0.106 0.226 0.168 0.069 0.011 0.017 0.061 0.146 2.060
1990 0.184 0.136 0.311 0.410 0.469 0.503 0.295 0.040 0.212 0.471 0.627 0.549 4.207
1991 0.412 0.063 0.286 0.522 0.684 0.575 0.329 0.075 0.151 0.182 0.011 0.089 3.379
1992 0.081 0.005 0.274 0.354 0.279 0.143 0.075 0.018 0.284 0.596 0.712 0.675 3.496
1993 0.414 0.170 0.045 0.266 0.148 0.099 0.278 0.291 0.167 0.074 0.049 0.284 2.285
1994 0.570 0.615 0.614 0.741 0.760 0.647 0.316 0.102 0.047 . . . 4.410
1995 . . . . . . . . . . . . 0.000
Soit, en utilisant les totaux par ligne :

2.033 + 5.008 + 4.589 + 2.060 + 4.207 + 3.379 + 3.496 + 2.285 + 4.410
C= = 0.312
101
B7d : CROISSANCE, EN VALEUR ABSOLUE, DE L'IRRÉGULIER
1985 . . . . . . . . . . . . 0.000
1986 . . . . 5.657 1.002 1.733 2.645 2.146 3.128 3.757 1.234 21.302
1987 3.833 3.801 0.738 0.029 1.961 1.118 0.668 2.242 2.114 1.156 0.671 0.978 19.307
1988 3.591 4.217 0.464 3.492 3.397 0.539 4.672 5.711 0.133 6.364 4.920 1.090 38.591
1989 0.526 0.893 1.219 0.879 0.205 3.585 5.226 3.420 1.519 0.097 2.448 3.079 23.096
1990 2.116 1.342 1.105 1.429 2.433 3.025 1.810 2.039 4.020 2.818 0.312 4.070 26.519
1991 5.122 1.772 2.666 4.252 1.715 1.536 4.290 2.968 0.218 1.107 1.470 0.689 27.805
1992 0.720 0.758 1.735 2.022 3.931 2.988 0.434 2.115 3.806 2.730 0.227 0.869 22.334
1993 4.073 5.148 0.103 1.733 1.130 1.984 0.131 0.658 0.264 4.862 5.728 0.622 26.435
1994 2.812 0.009 1.416 1.482 2.305 1.536 1.740 5.478 2.637 . . . 19.415
1995 . . . . . . . . . . . . 0.000
21.302 + 19.307 + 38.591 + 23.096 + 26.519 + 27.805 + 22.334 + 26.435 + 19.415

I= = 2.226
101
I 2.226
donc = = 7.14
C 0.312
58
Le ratio étant supérieur à 1, on choisit une moyenne mobile de Henderson sur 13 termes dont les
coefficients et ceux des moyennes mobiles asymétriques associées figurent dans le tableau 3
(3.3.1).
L'estimation de la tendance pour octobre 1985 se fait, à partir de la série CVS du tableau B6, en
utilisant le point courant et six points dans le futur auxquels on applique les coefficients de la
moyenne mobile H13_0 du tableau H13.
OCT85 = 104.074*(0.42113)+102.626*(0.35315)+98.511*(0.24390)+104.251*(0.11977)
+97.916*(0.01202)+95.530*(-0.05811)+ 106.739*(-0.09186) =102.405
Ce qui conduit au tableau B7 :
B7: TENDANCE-CYCLE
valeur de I/C : 7.1441
Une moyenne mobile de HENDERSON sur 13 termes a été choisie
1985 . . . . . . . . . 102.405 101.784 101.095
1986 100.543 100.309 100.463 100.809 101.258 101.649 102.031 102.287 102.241 102.092 101.939 101.700
1987 101.671 102.029 102.691 103.528 104.218 104.567 104.799 104.992 105.302 105.774 106.319 106.848
1988 107.460 107.972 108.320 108.737 109.126 109.403 109.568 109.760 110.159 110.671 111.282 111.855
1989 112.343 112.722 113.066 113.268 113.389 113.645 113.835 113.913 113.901 113.920 113.989 114.155
1990 114.366 114.521 114.877 115.348 115.889 116.472 116.816 116.862 116.614 116.065 115.337 114.704
1991 114.232 114.160 114.487 115.084 115.871 116.538 116.921 117.008 116.831 116.619 116.632 116.735
1992 116.829 116.824 116.503 116.091 115.767 115.602 115.688 115.709 115.381 114.694 113.877 113.108
1993 112.640 112.448 112.498 112.798 112.965 112.853 112.539 112.212 112.024 111.941 111.996 112.314
1994 112.954 113.648 114.346 115.193 116.069 116.819 117.188 117.307 117.362 117.495 117.801 118.258
1995 118.787 119.246 119.901 . . . . . . . . .
59
4.1.8 Tableau B8 : Estimation de la composante Saisonnier-Irrégulier
Tableau similaire au tableau B3 : la composante Tendance-Cycle est enlevée de la série analysée,

par soustraction ou division selon le schéma de composition adopté, pour obtenir une estimation
de la composante Saisonnier-Irrégulier.
On a donc : B8 = B1 _op B7
4.1.8.2 Remarque
Contrairement au tableau B3, les points de début et de fin de série ayant été estimés par des
moyennes mobiles de Henderson asymétriques pour la Tendance-Cycle, on dispose d'une
estimation complète de la composante Saisonnier-Irrégulier.
4.1.8.3 Exemple
B8 : SÉRIE BRUTE DÉBARRASSÉE DE SA TENDANCE (estimation Saisonnier-Irrégulier)
1985 . . . . . . . . . 112.983 107.876 99.511
1986 106.024 98.396 103.421 108.622 96.487 102.017 97.716 64.231 102.894 114.700 106.240 102.655
1987 98.848 101.148 109.941 103.451 95.953 103.570 97.138 65.434 103.227 110.518 107.883 102.950
1988 100.224 102.064 109.583 99.414 98.419 104.841 92.362 69.242 104.031 106.532 109.002 102.544
1989 104.946 99.537 106.309 101.264 97.453 105.856 92.766 69.702 100.263 111.218 111.239 98.725
1990 105.888 98.235 107.593 100.652 99.751 100.282 95.706 71.281 98.273 113.729 110.199 96.596
1991 107.938 98.809 104.204 103.750 97.781 100.139 98.614 69.739 99.631 113.533 107.003 99.199
1992 105.710 100.065 106.435 103.367 94.846 102.680 96.898 69.139 103.396 112.474 107.221 100.612
1993 100.941 100.580 109.069 101.243 95.517 103.763 96.055 71.026 102.478 108.092 108.664 102.213
1994 102.962 98.110 108.443 100.180 98.218 103.579 93.439 72.800 102.759 107.579 108.403 101.473
1995 104.473 97.530 108.590 . . . . . . . . .
La valeur d’avril 1986 s'obtient donc simplement : APR86 = 100* ( 109.500 / 100.809 ) = 108.622
60
4.1.9 Tableau B9 : Valeurs de remplacement pour les valeurs atypiques de la
composante Saisonnier-Irrégulier
Pour la seconde fois dans l'étape B, le programme va détecter et corriger automatiquement les
valeurs atypiques de la composante Saisonnier-Irrégulier. La stratégie suivie est similaire à celle
utilisée pour le tableau B4 (voir 4.1.4). La détection se fait à partir des données du tableau B8 et,
contrairement à ce qui se passe pour le tableau B4, c'est une moyenne mobile 3x5, de coefficients
{1/15,2/15,3/15,3/15,3/15,2/15,1/15}, qui est utilisée pour la première estimation de la
composante saisonnière.
4.1.9.2 Remarques
• La moyenne mobile symétrique 3x5, sur 7 termes, ne permet pas d'estimer les coefficients
saisonniers des 3 premières et 3 dernières années. Ce sont des moyennes mobiles
asymétriques ad hoc qui sont utilisées (voir tableau 4, 3.3.3).
• Un problème pourrait intervenir dans l'application de ces moyennes mobiles asymétriques si
on ne dispose pas d'assez d'années d'observations. Supposons que nous n'ayons, pour un mois
donné, que 5 années d'observations. Le point central ne peut être estimé puisqu'on ne dispose
ni de 3 points dans le futur, ni de 3 points dans le passé ce qui serait nécessaire pour pouvoir
utiliser une moyenne mobile asymétrique. Dans ce cas, il sera estimé par la moyenne simple
des 5 observations disponibles.
• Les autres remarques que l'on peut faire à ce stade sont les mêmes que celles concernant le
tableau B4 (voir 4.1.4.2)
4.1.9.3 Exemple
Voici le tableau en sortie de X11. Nous allons, pour mieux le comprendre, détailler les étapes de
son calcul à partir de tableaux malheureusement non récupérables dans les versions usuelles des
logiciels de la famille X11 (tableaux numérotés ici de B9a à B9f).
B9: VALEURS DE REMPLACEMENT POUR LES POINTS EXTRÊMES
ANNÉE JANV FÉVR MARS AVRIL MAI JUIN JUIL AOÛT SEPT OCT NOV DÉC ECT
1985 . . . . . . . . . . . . 2.077
1986 104.457 . 107.611 101.329 . . . 68.245 . . . . 2.077
1987 103.337 . . . . . . . . . . . 2.077
1988 . . . . . . . . . 111.877 . . 2.104
1989 . . . . . . . . . . . . 1.885
1990 . . . . . . . . 101.123 . . 99.679 1.808
1991 105.353 . 106.753 . . . 95.836 . . . . . 1.609
1992 . . . . . . . . . . . . 1.625
1993 104.314 . . . . . . . . . . . 1.603
1994 . . . . . . 95.015 70.697 . . . . 1.603
1995 . . . . . . . . . . . . 1.603
61
B9a: FACTEURS SAISONNIERS PROVISOIRES (mm 3x5)
1985 . . . . . . . . . 111.803 107.583 101.831
1986 102.186 100.386 107.447 103.444 97.028 103.833 95.293 66.812 102.916 111.496 107.899 101.660
1987 102.573 100.199 107.399 103.147 97.231 103.700 95.192 67.258 102.471 111.238 108.370 101.295
1988 103.089 100.040 107.403 102.525 97.520 103.441 95.150 68.070 101.809 111.212 108.809 100.658
1989 103.899 99.859 107.240 102.025 97.711 103.004 95.241 68.959 101.314 111.314 108.970 100.077
1990 104.532 99.715 107.024 101.817 97.530 102.747 95.532 69.692 101.004 111.471 108.955 99.669
1991 104.905 99.449 106.899 101.861 97.314 102.464 95.807 70.265 101.078 111.463 108.699 99.674
1992 104.726 99.208 107.073 102.010 96.961 102.391 96.134 70.550 101.394 111.103 108.329 100.121
1993 104.205 99.083 107.544 101.929 96.722 102.550 96.058 70.779 101.975 110.432 108.036 100.701
1994 103.670 98.987 107.985 101.920 96.432 102.861 95.937 70.801 102.391 110.004 107.932 101.098
1995 103.230 98.939 108.361 . . . . . . . . .
Les données du tableau B8 sont lissées colonne par colonne (mois par mois), avec une moyenne
mobile 3x5 dont les coefficients et ceux des moyennes asymétriques associées figurent dans le
tableau 4 (3.3.3).
Ainsi, les valeurs de la composante Saisonnier-Irrégulier du mois d'avril sont :
1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995
Avril . 108.622 103.451 99.414 101.264 100.652 103.750 103.367 101.243 100.180
108.622 + 103.451 * 2 + 99.414 * 3 + 101.264 * 3 + 100.652 * 3 + 103.750 * 2 + 103.367

APR89 = = 102.025
15
saisonniers des années 1989 à 1991. Pour le début de la série (années 1986 à 1988) et la fin de la
série (années 1992 à 1994), on utilise des moyennes asymétriques prédéfinies, par exemple :
108.622 *15 + 103.451 *15 + 99.414 *15 + 101.264 *11 + 100.652 * 4
APR87 = = 103.147
60
(un point dans le passé, le point courant et trois points dans le futur)
1985 . . . . . . . . . 100.034 100.034 100.034
1986 100.034 100.034 100.034 100.034 100.034 100.041 100.050 100.058 100.048 100.034 100.030 100.033
1987 100.023 100.037 100.037 100.008 100.017 100.021 100.028 100.042 100.036 100.010 99.996 99.998
1988 99.985 100.017 100.023 99.995 100.012 100.004 100.011 100.037 100.023 99.995 99.982 99.972
1989 99.958 99.998 100.015 99.999 100.010 99.992 99.994 100.015 100.000 99.982 99.966 99.948
1990 99.949 99.992 100.009 100.003 100.009 99.991 99.990 99.994 99.978 99.974 99.967 99.946
1991 99.946 99.981 100.008 100.011 100.000 99.990 99.982 99.965 99.962 99.975 99.967 99.949
1992 99.960 99.985 100.010 100.009 99.978 99.981 99.978 99.951 99.966 99.982 99.969 99.965
1993 99.969 99.975 100.009 100.005 99.965 99.977 99.979 99.953 99.967 99.985 99.973 99.973
1994 99.981 99.977 99.995 99.995 99.973 99.985 99.983 99.963 99.976 99.976 99.976 99.976
1995 99.976 99.976 99.976 . . . . . . . . .
62
calculable est donc celui de avril 1986 et le dernier, celui de septembre 1994. Ainsi :
111.803
APR86 =
24
107.583+ 101.831+ 102.186 + 100.386 + 107.447 + 103.444+ 97.028 + 103.833+ 95.293+ 66.812 + 102.916
+
12
111.496
+
24
= 100.034
Les six premières valeurs, de octobre 1985 à mars 1986, non calculables avec cette moyenne
mobile symétrique, seront prises égales à la première valeur calculable, celle de avril 1986. On
procède de même pour la fin de série : la valeur calculée pour septembre 1994 (99.976) est
répétée pour les six mois suivants.
Les coefficients saisonniers normalisés sont alors obtenus en divisant le tableau B9a par le
tableau B9b pour obtenir :
B9c: FACTEURS SAISONNIERS NORMALISÉS
1985 . . . . . . . . . 111.765 107.547 101.796
1986 102.151 100.352 107.411 103.409 96.994 103.791 95.246 66.774 102.866 111.458 107.867 101.627
1987 102.550 100.162 107.359 103.139 97.215 103.678 95.165 67.229 102.434 111.226 108.374 101.298
1988 103.104 100.023 107.378 102.530 97.509 103.437 95.140 68.045 101.786 111.217 108.828 100.686
1989 103.943 99.860 107.224 102.027 97.702 103.012 95.247 68.949 101.314 111.334 109.008 100.130
1990 104.585 99.724 107.014 101.814 97.522 102.756 95.542 69.697 101.027 111.499 108.990 99.723
1991 104.961 99.468 106.890 101.850 97.314 102.475 95.824 70.290 101.117 111.490 108.735 99.725
1992 104.768 99.223 107.062 102.001 96.982 102.410 96.155 70.584 101.429 111.123 108.363 100.155
1993 104.237 99.108 107.534 101.923 96.756 102.574 96.078 70.812 102.009 110.449 108.066 100.728
1994 103.689 99.010 107.990 101.925 96.458 102.876 95.953 70.827 102.415 110.030 107.958 101.122
1995 103.254 98.962 108.386 . . . . . . . . .
Ainsi, APR86 = 100*( 103.444 / 100.034 ) = 103.409
Il suffit de corriger la composante Saisonnier-Irrégulier du tableau B8 par les facteurs saisonniers

normalisés du tableau B9c ci-dessus.
B9d: IRRÉGULIER PROVISOIRE
1985 . . . . . . . . . 101.090 100.306 97.755
1986 103.792 98.051 96.285 105.041 99.477 98.291 102.593 96.192 100.027 102.909 98.491 101.011
1987 96.390 100.984 102.405 100.303 98.702 99.896 102.073 97.330 100.774 99.363 99.547 101.631
1988 97.206 102.040 102.054 96.961 100.933 101.358 97.081 101.760 102.206 95.787 100.160 101.845
1989 100.965 99.676 99.147 99.252 99.745 102.761 97.395 101.092 98.962 99.896 102.047 98.597
1990 101.246 98.507 100.541 98.859 102.286 97.592 100.173 102.273 97.275 102.000 101.109 96.865
1991 102.836 99.338 97.488 101.865 100.480 97.721 102.912 99.216 98.531 101.832 98.408 99.472
1992 100.899 100.849 99.414 101.340 97.798 100.264 100.773 97.952 101.940 101.215 98.946 100.456
1993 96.838 101.485 101.427 99.333 98.720 101.160 99.976 100.302 100.459 97.866 100.554 101.475
1994 99.299 99.091 100.419 98.288 101.824 100.683 97.380 102.785 100.336 97.772 100.413 100.347
1995 101.180 98.553 100.188 . . . . . . . . .
Ainsi, APR86 = 100*( 108.622 / 103.409 ) = 105.041
63
• Étape 4 :.Calcul d'un écart-type mobile.
1991 (deux années avant, deux années après) selon la formule suivante :25
1 60
σ 89 = ∑
60 i =1
( xi − 100) 2 = 1.8846
Ceux des années 1988, 1990, 1991 et 1992 sont calculés selon le même principe.
observations disponibles de 1985 à 1990 soit 63 observations. Les résultats du calcul de X11-
ARIMA88 et X12-ARIMA figurent dans le tableau B9e, colonne Écart-type 1.
B9e: VALEURS DES ÉCART-TYPES MOBILES SUR CINQ ANS

1985 2.0774 2.0774
1986 2.0774 2.0774
1987 2.0774 2.0774
1988 2.1038 2.1038
1989 1.8846 1.8846
1990 1.8082 1.8082
1991 1.6093 1.6093
1992 1.6246 1.6246
1993 1.6030 1.6030
1994 1.6030 1.6030
1995 1.6030 1.6030
Ce premier calcul sert à repérer d'éventuels points atypiques. Pour une année donnée, une valeur
sera considérée comme aberrante si elle s'éloigne, en valeur absolue de son écart à la moyenne
théorique, de plus de 2.5 fois l'écart-type correspondant à cette année. Ici, d'après le graphique
suivant, aucune valeur n'est détectée comme très atypique. Le nouveau calcul de l'écart-type
conduit donc aux mêmes résultats (colonne Écart-type 2 du tableau B9e).
-2
-4
-6
25
64
• Étape 5 : Détection des valeurs atypiques et pondération de l'irrégulier.
B9f: POIDS ASSOCIÉS AUX VALEURS DE L'IRRÉGULIER
1985 . . . . . . . . . 100.000 100.000 100.000
1986 67.475 100.000 71.178 7.340 100.000 100.000 100.000 66.711 100.000 100.000 100.000 100.000
1987 76.235 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1988 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 49.731 100.000 100.000
1989 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1990 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 99.273 100.000 100.000 76.630
1991 73.758 100.000 93.885 100.000 100.000 100.000 69.057 100.000 100.000 100.000 100.000 100.000
1992 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1993 52.737 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1994 100.000 100.000 100.000 100.000 100.000 100.000 86.573 76.236 100.000 100.000 100.000 100.000
1995 100.000 100.000 100.000 . . . . . . . . .
Les valeurs de l'irrégulier sont alors situées par rapport aux limites de confiance supérieures et
inférieures calculées à partir des écart-types estimés auparavant. Toutes les valeurs situées au delà
des limites de confiance inférieurs sont considérées comme atypiques et vont donc être corrigées,
à des degrés divers, et les poids (multipliés par 100) associés à chacune de ces valeurs figurent
dans le tableau B9f.
Ainsi, pour octobre 1988, on a :

OCT 88 − 100 = 95.787 − 100 = 4.213
1.5 * σ 88 = 1.5 * 2.1038 = 3.1557 < 4.213 < 2.5 * σ 88 = 2.5 * 2.1038 = 5.2595
5.2595 − 4.213
poids (OCT 88) = = 0.497
5.2595 − 3.1557
La correction de la composante Saisonnier-Irrégulier (tableau B8) se fait enfin à partir de ces

poids. Ainsi, la valeur d’octobre 1988 sera remplacée par la moyenne de cette valeur affectée de
son poids et des deux valeurs antérieures et postérieures du même mois ayant reçu une
pondération intégrale, donc non jugées atypiques. Il s'agit donc, comme le montre le tableau B9f,
des valeurs des mois d’octobre 1986, 1987, 1990 et 1991. Ce qui conduit à :
114.700 + 110.518 + 106.532 * 0.497 + 111.218 + 113.729

SI (OCT 88) = = 111.877
4 + 0.497
La valeur de janvier 1986 est jugée elle aussi atypique. Mais, comme elle se trouve en début de
série, elle est corrigée de façon différente : elle est remplacée par la moyenne de cette valeur
affectée de son poids et des quatre valeurs les plus proches du même mois ayant reçu une
pondération intégrale. Il s'agit donc dans ce cas, d'après le tableau B9f, des valeurs de janvier
1988, 1989, 1990 et 1992 et on a :
106.024 * 0.675 + 100.224 + 104.946 + 105.888 + 105.710

SI ( JAN 86) = = 104.457
4 + 0.675
65
4.1.10 Tableau B10 : Estimation de la composante saisonnière
Cette estimation est obtenue d'une façon similaire à celle conduisant au tableau B5 (voir 4.1.5) à
partir des valeurs de la composante Saisonnier-Irrégulier du tableau B8 corrigées par les valeurs
du tableau B9. On procède là encore en deux étapes : estimation de la composante saisonnière
puis normalisation des coefficients saisonniers.
Comme au tableau B9, et à la différence du tableau B5, c'est une moyenne mobile 3x5 qui est
utilisée pour l’estimation de la composante saisonnière.
4.1.10.2 Exemple
L'estimation est faite à partir de la composante Saisonnier-Irrégulier corrigée :
B9g: COMPOSANTE SAISONNIER-IRRÉGULIER CORRIGÉE
1985 . . . . . . . . . 112.983 107.876 99.511
1986 104.457 98.396 107.611 101.329 96.487 102.017 97.716 68.245 102.894 114.700 106.240 102.655
1987 103.337 101.148 109.941 103.451 95.953 103.570 97.138 65.434 103.227 110.518 107.883 102.950
1988 100.224 102.064 109.583 99.414 98.419 104.841 92.362 69.242 104.031 111.877 109.002 102.544
1989 104.946 99.537 106.309 101.264 97.453 105.856 92.766 69.702 100.263 111.218 111.239 98.725
1990 105.888 98.235 107.593 100.652 99.751 100.282 95.706 71.281 101.123 113.729 110.199 99.679
1991 105.353 98.809 106.753 103.750 97.781 100.139 95.836 69.739 99.631 113.533 107.003 99.199
1992 105.710 100.065 106.435 103.367 94.846 102.680 96.898 69.139 103.396 112.474 107.221 100.612
1993 104.314 100.580 109.069 101.243 95.517 103.763 96.055 71.026 102.478 108.092 108.664 102.213
1994 102.962 98.110 108.443 100.180 98.218 103.579 95.015 70.697 102.759 107.579 108.403 101.473
1995 104.473 97.530 108.590 . . . . . . . . .
moyenne mobile 3x5 (voir tableau 4, 3.3.3), pour aboutir au tableau B10a.

101.329 + 2 *103.451 + 3 * 99.414 + 3 *101.264 + 3 *100.652 + 2 *103.750 + 103.367
APR89 = = 101.539
15
Pour le début de la série (années 1986 à 1988) et la fin de la série (années 1992 à 1994), on utilise
des moyennes asymétriques prédéfinies, par exemple :
101.329 *15 + 103.451 *15 + 99.414 *15 + 101.264 *11 + 100.652 * 4
APR87 = = 101.324
60
66
B10a: FACTEURS SAISONNIERS PROVISOIRES (mm 3x5)
1985 . . . . . . . . . 112.605 107.583 101.831
1986 103.013 100.386 108.635 101.378 97.028 103.833 95.293 67.950 102.916 112.476 107.899 101.660
1987 103.304 100.199 108.447 101.324 97.231 103.700 95.192 68.261 102.661 112.396 108.370 101.501
1988 103.654 100.040 108.201 101.431 97.520 103.441 94.965 68.672 102.189 112.281 108.809 101.069
1989 104.048 99.859 107.859 101.539 97.711 103.004 94.871 69.227 101.884 112.383 108.970 100.694
1990 104.539 99.715 107.534 101.817 97.530 102.747 94.976 69.692 101.574 112.184 108.955 100.286
1991 104.837 99.449 107.408 101.861 97.314 102.464 95.356 70.125 101.648 111.819 108.699 100.291
1992 104.883 99.208 107.583 102.010 96.961 102.391 95.769 70.235 101.774 111.103 108.329 100.532
1993 104.591 99.083 107.883 101.929 96.722 102.550 95.943 70.253 102.165 110.432 108.036 100.906
1994 104.341 98.987 108.155 101.920 96.432 102.861 95.967 70.205 102.391 110.004 107.932 101.098
1995 104.185 98.939 108.361 . . . . . . . . .
1985 . . . . . . . . . 100.199 100.199 100.199
1986 100.199 100.199 100.199 100.199 100.207 100.213 100.218 100.222 100.206 100.196 100.202 100.205
1987 100.196 100.204 100.207 100.193 100.209 100.222 100.230 100.238 100.221 100.215 100.232 100.233
1988 100.213 100.221 100.218 100.194 100.207 100.207 100.206 100.215 100.193 100.183 100.196 100.185
1989 100.163 100.182 100.193 100.184 100.195 100.186 100.191 100.206 100.186 100.184 100.188 100.170
1990 100.164 100.187 100.194 100.173 100.164 100.146 100.141 100.143 100.126 100.123 100.116 100.095
1991 100.099 100.133 100.154 100.142 100.116 100.106 100.108 100.100 100.097 100.110 100.102 100.084
1992 100.098 100.120 100.130 100.105 100.060 100.055 100.053 100.035 100.042 100.052 100.038 100.035
1993 100.049 100.057 100.074 100.062 100.022 100.026 100.031 100.016 100.024 100.035 100.022 100.023
1994 100.037 100.036 100.043 100.035 100.013 100.016 100.018 100.009 100.016 100.016 100.016 100.016
1995 100.016 100.016 100.016 . . . . . . . . .
112.605
APR86 =
24
107.583+ 101.831+ 103.013+ 100.386 + 108.635+ 101.378+ 97.028 + 103.833+ 95.293+ 67.950 + 102.916
+
12
112.746
+
24
= 100.199
répétée pour les six mois suivants. Les coefficients saisonniers normalisés sont alors obtenus en
divisant le tableau B10a par le tableau B10b, pour obtenir :
B10 : FACTEURS SAISONNIERS
1985 . . . . . . . . . 112.382 107.370 101.629
1986 102.809 100.187 108.419 101.177 96.828 103.613 95.086 67.799 102.704 112.255 107.681 101.452
1987 103.102 99.995 108.223 101.129 97.028 103.470 94.973 68.099 102.435 112.154 108.120 101.265
1988 103.433 99.820 107.966 101.235 97.319 103.227 94.770 68.525 101.992 112.076 108.596 100.882
1989 103.879 99.677 107.652 101.352 97.521 102.812 94.690 69.085 101.694 112.177 108.766 100.523
1990 104.368 99.529 107.326 101.641 97.371 102.597 94.842 69.593 101.446 112.046 108.828 100.190
1991 104.734 99.317 107.243 101.717 97.201 102.356 95.253 70.055 101.550 111.696 108.588 100.207
1992 104.780 99.089 107.443 101.902 96.902 102.335 95.718 70.210 101.731 111.046 108.287 100.497
1993 104.540 99.027 107.804 101.865 96.700 102.524 95.913 70.242 102.141 110.394 108.012 100.883
1994 104.302 98.952 108.108 101.884 96.419 102.844 95.950 70.199 102.374 109.987 107.915 101.082
1995 104.169 98.923 108.343 . . . . . . . . .
67
4.1.11 Tableau B11 : Estimation de la série corrigée des variations saisonnières
Cette estimation s'obtient simplement en retirant à la série de départ, du tableau B1, l'estimation
de la composante saisonnière du tableau B10 : B11 = B1 _op B10
4.1.11.2 Exemple
B11: SÉRIE DÉSAISONNALISÉE PROVISOIRE
1985 . . . . . . . . . 102.953 102.263 98.988
1986 103.687 98.516 95.832 108.226 100.901 100.084 104.853 96.904 102.430 104.316 100.575 102.906
1987 97.476 103.205 104.322 105.905 103.063 104.668 107.188 100.882 106.117 104.231 106.086 108.626
1988 104.125 110.399 109.942 106.781 110.359 111.115 106.785 110.908 112.362 105.197 111.698 113.697
1989 113.498 112.563 111.656 113.169 113.309 117.010 111.522 114.931 112.297 112.947 116.581 112.114
1990 116.032 113.033 115.163 114.225 118.722 113.843 117.881 119.696 112.967 117.809 116.789 110.589
1991 117.727 113.576 111.243 117.385 116.563 114.014 121.046 116.480 114.624 118.536 114.930 115.561
1992 117.866 117.975 115.410 117.760 113.310 115.991 117.114 113.944 117.270 116.168 112.755 113.238
1993 108.762 114.211 113.818 112.109 111.582 114.217 112.706 113.466 112.393 109.607 112.672 113.795
1994 111.503 112.681 114.700 113.266 118.234 117.654 114.123 121.655 117.803 114.923 118.334 118.716
1995 119.134 117.566 120.173 . . . . . . . . .
4.1.12 Tableau B13 : Estimation de la composante irrégulière
Cette estimation s'obtient simplement en retirant à la série corrigée des variations saisonnière, du
tableau B11, l'estimation de la composante Tendance-Cycle du tableau B7 : B13 = B11 _op B7
4.1.12.2 Exemple
B13: SÉRIE DES FACTEURS IRRÉGULIERS
1985 . . . . . . . . . 100.535 100.471 97.916
1986 103.127 98.213 95.390 107.358 99.648 98.460 102.766 94.737 100.185 102.178 98.661 101.186
1987 95.874 101.153 101.588 102.296 98.892 100.097 102.280 96.086 100.774 98.541 99.781 101.664
1988 96.897 102.248 101.498 98.202 101.130 101.564 97.460 101.047 101.999 95.053 100.374 101.647
1989 101.028 99.859 98.753 99.913 99.930 102.961 97.968 100.893 98.592 99.146 102.274 98.212
1990 101.457 98.700 100.249 99.026 102.444 97.743 100.912 102.425 96.873 101.503 101.259 96.413
1991 103.060 99.489 97.167 101.999 100.597 97.834 103.528 99.549 98.111 101.645 98.541 98.994
1992 100.887 100.985 99.061 101.438 97.878 100.337 101.233 98.474 101.637 101.286 99.015 100.115
1993 96.558 101.568 101.173 99.389 98.776 101.209 100.148 101.117 100.329 97.915 100.604 101.319
1994 98.715 99.149 100.309 98.327 101.865 100.715 97.384 103.706 100.376 97.811 100.452 100.387
1995 100.292 98.592 100.227 . . . . . . . . .
68
4.1.13 Estimation de l'effet dû à la composition journalière du mois (Trading-Days)
Certaines séries économiques, comme le chiffre d'affaire mensuel d'un commerce de détail, sont
fortement influencées par la composition journalière du mois : un samedi de plus ou de moins
dans un mois peut faire varier le chiffre d'affaire mensuel de façon non négligeable. Ces "effets de
jours ouvrables", comme la saisonnalité, peuvent rendre délicates les comparaisons des valeurs de
la série d'un mois à l'autre, ou celles d'un même mois d'une année à l'autre, et c'est pourquoi, si
ces effets sont jugés statistiquement significatifs, ils sont généralement ôtés de la série lors du
processus de désaisonnalisation.
La composante irrégulière, celle du tableau B13 par exemple, ne contient par construction ni
tendance, ni saisonnalité. Il est donc assez naturel d'y rechercher les effets de jours ouvrables que
l’on explique par un modèle de régression linéaire.
Il est possible, à la demande de l'utilisateur, de faire une estimation et une correction automatique
de ces effets. C'est l'objet des tableaux B14, B15, B16, B18 et B19 de la partie B et de leurs
équivalents dans la partie C.
4.1.13.1 Quelques particularités de notre calendrier
Notre calendrier est basé sur le rythme solaire. La Terre réalise une révolution complète autour du
soleil en 365 jours et 6 heures environ. Pour tenir compte de ces 6 heures supplémentaires, le
calendrier admet 365 jours 3 années sur 4 et la quatrième année (dite bissextile) compte un jour
supplémentaire, le 29 février. La règle retenue étant que l'année bissextile correspond à toute
année dont l'expression numérique est parfaitement divisible par 4. Cette correction est cependant
trop forte. C'est pourquoi, les années séculaires ne sont pas bissextiles, sauf si elles sont divisibles
par 400 (1600, 2000, 2400, ...). Il subsiste néanmoins de la sorte une petite erreur estimée à un
jour pour 4000 ans ... En termes de mois, notre calendrier est donc périodique de période 4, au
moins entre 1901 et 2099.
Pour une date donnée, le jour correspondant subit un décalage temporel : si le premier janvier
d'une année non bissextile est un samedi, il sera un dimanche l'année suivante et un lundi, si
l'année de référence est bissextile. Il faut donc attendre 28 ans (4 fois 7) pour retrouver la même
structure annuelle en termes de dates et de jours.
4.1.13.2 Les effets de jours ouvrables
Nous supposerons par la suite, en reprenant les notations de Findley et alii (1998), que le j-ième
jour de la semaine a un effet α j où, par exemple, j=1 désigne le lundi, j=2 le mardi ...., et j=7 le
dimanche. Chaque α j représente par exemple les ventes moyennes pour un jour j. Si D jt
7
représente le nombre de jours j dans le mois t, la longueur du mois sera N t = ∑D
j =1
jt et l'effet
7
cumulatif pour ce mois, les ventes totales du mois, sera : ∑α
j =1
j D jt . Notons par ailleurs
1 7
α = ∑ α j l'effet journalier moyen, les ventes d'un jour en moyenne.
7 j =1
∑ (α − α ) = 0 , on peut écrire :
7
Comme par construction j
j =1
69
j D jt = α N t + ∑ (α j − α )D jt = α N t + ∑ (α j − α )(D jt − D7t )
7 7 6
∑α
j =1 j =1 j =1
(1)
Ainsi, l'effet cumulatif du mois se décompose en un effet directement lié à la longueur du mois et
un effet net de chaque jour de la semaine.
∑ (α − α )D jt ne fait en réalité intervenir que les jours de la

7
On peut remarquer que la somme j
j =1
semaine apparaissant 5 fois dans le mois : tout mois contient 4 semaines complètes, pour
lesquelles par définition l'effet lié aux jours s'annule, plus 0, 1, 2 ou 3 jours qui participent à
l'effet jours ouvrables du mois.
4.1.13.3 Le modèle de régression
Pour être homogène avec notre variable à expliquer B13 qui ne contient ni saisonnalité ni
tendance, l'équation (1) doit être corrigée de ces effets.
• La partie α N t de l'équation contient potentiellement de telles composantes parce que les
mois sont de longueur différente et que, comme on l'a vu ci-dessus, la variable N t est
périodique de période 48 mois (4 ans). On peut résumer ces effets par la quantité α N t * où
* *
N t représente la moyenne, sur 4 ans, de la longueur du mois t. En d'autres termes, N t est
égal à 30 ou 31 si le mois considéré n'est pas un mois de Février et à 28.25 dans le cas
contraire. Ainsi, on a :
α N t = α N * t + α ( N t − N t * ) équation dont la seconde partie est nulle sauf pour le mois de
février.
• La seconde partie de l'équation fait intervenir les D jt , nombre de fois où le jour j est présent
dans le mois t. Ces variables sont périodiques de période 336 mois (28 ans) et de moyennes
égales : il apparaît en moyenne sur un cycle, dans un mois de mars, autant de lundi, mardi,
mercredi .....26. Dans la seconde partie de l'équation c'est la différence D jt − D7 t qui
intervient et, comme ces variables ont même comportement, il n'y a dans cette différence ni
saisonnalité, ni tendance.
La façon dont on corrige l'équation (1) de ces effets dépend du schéma de composition adopté.
• Pour un schéma multiplicatif, on élimine les effets saisonnier et tendanciel en divisant

l'équation (1) par α N t * . En posant β j = α j α − 1 , cela conduit à :
7
Nt 6
 D jt − D7 t 
∑ (β j + 1) D jt
∑
j =1
+ β   = (2)
N * t j =1  N * t
j
 N *t
Si Iˆt est une estimation de la composante irrégulière, X11 et ses descendants directs
6
estiment les coefficients β 1 , β 2 , L , β 6 (et β 7 = − ∑β
j =1
j ) en ajustant par les moindres
carrés ordinaires le modèle :
26
Pour un mois de 31 jours, cette moyenne commune est de 4.428574, pour un mois de 30 jours de
4.285714 et pour un mois de février, de 4.035714.
70
6
N t Iˆt − N t = ∑ β j ( D jt − D7t ) + et
*
(3)
j =1
Ce qui correspond au modèle proposé par Young (1965).
• Pour un schéma additif, on doit soustraire logiquement α N t * à l'équation (1). Ce qui conduit
à:
6
Iˆt = β 0 ( N t − N t ) + ∑ β j ( D jt − D7t ) + et
*
(4)
j =1
où β 0 = α et β j = α j − α pour 1 ≤ j ≤ 6
Dans X11 et X11-ARIMA88, le premier régresseur N t − N * t est omis et on n'estime alors
que 6 paramètres.
• Estimation des paramètres
Dans le cas de X11 et X11-ARIMA88 le modèle peut donc s'écrire, que le schéma soit additif ou
multiplicatif :
6 6
Yt = ∑ β j ( D jt − D7t ) + et = ∑ β j Z jt + et
j =1 j =1
La résolution par moindres carrés ordinaires27 conduit aux résultats suivants, en notant
eˆ'*eˆ
σˆ 2 = où les ê sont les résidus de la régression :
n−6
Paramètre Variance
βˆ = [Z ’Z ] Z ’Y −1
sˆ ( βˆ j ) = σˆ 2 [ Z ’Z ] −jj1
2
6 6 6
β 7 = −∑ β j sˆ 2 ( βˆ j ) = σˆ 2 ∑∑ [ Z ’Z ]ij−1
j =1 i =1 j =1
Les tests de Student, pour tester la nullité d'un coefficient, et de Fisher, pour tester l'existence d'un
effet global dû aux jours ouvrables sont aussi disponibles :
Hypothèse Statistique Loi suivie

βj =k βˆ j − k Loi de Student à n-6 degrés de liberté
tj =
sˆ( βˆ )
j
β1 = β 2 = β 3 = β 4 = β 5 = β 6 = 0 βˆ ' Zˆ ' Zˆβˆ Loi de Fisher à 6 et n-6 degrés de liberté

F=
6σˆ 2
27
L'utilisation des MCO et des tests associés repose sur l'hypothèse supplémentaire que la composante
irrégulière que l'on cherche à expliquer, ne présente que peu ou pas d'autocorrélation.
71
4.1.14 Tableau B14 : Valeurs de la composante irrégulière exclues de la régression
pour Jours Ouvrables
Si l'utilisateur le demande, le programme peut estimer dans la série un effet dû à la composition

journalière du mois. Cet effet de calendrier va être recherché dans la composante irrégulière et
évalué par régression linéaire. Auparavant, X11 va repérer les valeurs extrêmes de la composante
irrégulière et les exclure des calculs, rendant ainsi plus robustes les résultats de la régression. La
recherche se fait en trois phases :
• Étape 1 : Calcul de la moyenne de l'irrégulier par type de mois.

On distingue ici 15 types différents de mois :
• les mois de 31 jours commençant un lundi, un mardi, un mercredi, ...., soit donc 7
catégories ;
• les mois de 30 jours commençant un lundi, un mardi, un mercredi, ...., soit 7 autres
catégories ;
• les mois de février de 28 jours.
Les valeurs de la composante irrégulière sont ainsi regroupées en 15 classes pour lesquelles on
calcule la moyenne mi . On a donc N données qui se répartissent en 15 groupes d'effectif
ni , (i = 1K15) avec :
15 ni
∑n ∑I
1
i = N et mi = ij
i =1 ni j =1
• Étape 2 : Premier calcul d'un écart-type global et repérage des valeurs atypiques
Dans chaque classe, on calcule les carrés des écarts à la moyenne de la classe, dont la moyenne
∑∑ (I − mi ) .
15 ni
1
fournit une estimation de l'écart-type global : σ 2 =
2
ij
N i =1 j =1
Une valeur I ij de l'irrégulier est jugée atypique si elle s'éloigne trop de la moyenne mi de la
classe à laquelle elle appartient, en d'autres termes si elle vérifie : I ij − mi ≥ λ * σ où σ est
l'écart-type global calculé ci-dessus et λ un paramètre modifiable par l'utilisateur et fixé par
défaut à 2.5.
• Étape 3 : Calcul final de l'écart-type global et repérage des valeurs atypiques

Les deux étapes sont recommencées en excluant les valeurs atypiques repérées dans la première
itération : calcul des moyennes par classes et estimation de l'écart-type. Les valeurs atypiques
ainsi repérées et qui seront exclues de la régression pour jours ouvrables sont indiquées dans le
tableau B14.
4.1.14.2 Remarques
• Du point de vue théorique, on se place ici dans le cadre d'un modèle d'analyse de la variance
à un facteur et on cherche à évaluer "l'effet jours ouvrables" de chacun des 15 types de mois
72
distingués. On suppose donc que, dans chaque classe i l'irrégulier du tableau B13 suit une loi
normale de moyenne variable mi et d'écart-type constant σ . Dans ce cas, l'estimation faite à
l'étape 2 est une estimation biaisée de l'écart-type inconnu mais constant σ . Il faudrait en
fait diviser par N-15 pour obtenir une estimation sans biais.
• Pour les mois de février d'années bissextiles, on ne calcule pas de moyenne de classe et celle-
ci est prise égale à _xbar (0 pour un schéma additif, 1 pour un schéma multiplicatif).
• Dans l’étape 3, les valeurs détectées comme atypiques lors de l’étape précédente sont
comparées à la moyenne théorique _xbar.
• Toutes les observations, hormis les valeurs détectées comme atypiques, sont utilisées pour la
régression.
4.1.15 Exemple
• Étape 1 : Calcul de la moyenne de l'irrégulier par type de mois.

On classe tout d’abord les mois selon leur nombre de jour et le jour correspondant au 1er du mois,
en distinguant 15 classes :
B14a : Répartition des mois par type
Longueur 1er du mois Mois concernés Moyenne

28 FEB86 FEB87 FEB89 FEB90 FEB91 FEB93 FEB94 FEB95 99.590
Dimanche JUN86 NOV87 APR90 SEP91 NOV92 98.879
Lundi SEP86 JUN87 APR91 JUN92 NOV93 100.644
Mardi APR86 SEP87 NOV88 SEP92 JUN93 NOV94 101.967
30 Mercredi APR87 JUN88 NOV89 APR92 SEP93 JUN94 101.436
Jeudi SEP88 JUN89 NOV90 APR93 SEP94 101.197
Vendredi NOV85 APR88 SEP89 JUN90 NOV91 APR94 98.646
Samedi NOV86 APR89 SEP90 JUN91 98.320
Dimanche DEC85 MAR87 MAY88 JAN89 OCT89 JUL90 DEC91 MAR92 AUG93 MAY94 JAN95 100.277
Lundi DEC86 AUG88 MAY89 JAN90 OCT90 JUL91 MAR93 AUG94 101.691
Mardi OCT85 JUL86 DEC87 MAR88 AUG89 MAY90 JAN91 OCT91 DEC92 MAR94 101.493
31 Mercredi JAN86 OCT86 JUL87 MAR89 AUG90 MAY91 JAN92 JUL92 DEC93 MAR95 101.303
Jeudi MAY86 JAN87 OCT87 DEC88 MAR90 AUG91 OCT92 JUL93 DEC94 99.703
Vendredi AUG86 MAY87 JAN88 JUL88 DEC89 MAR91 MAY92 JAN93 OCT93 JUL94 97.310
Samedi MAR86 AUG87 OCT88 JUL89 DEC90 AUG92 MAY93 JAN94 OCT94 97.188
Pour chaque groupe, on calcule la moyenne des valeurs de l'irrégulier B13, moyennes figurant
dans la dernière colonne du tableau ci-dessus. Ainsi, pour les mois de février à 28 jours, on a :
98.213 + 101.153 + 99.859 + 98.700 + 99.489 + 101.568 + 99.149 + 98.592

m Fév = = 99.590
8
On calcule ensuite le carré de l'écart de chaque valeur de l'irrégulier à la moyenne de la classe à
laquelle il appartient. Ainsi, aux erreurs d’arrondis près, on a :
JUN 86 = (98.460 − 98.879 ) ≈ 0.175 et FEB 88 = (102 .248 − 100 ) ≈ 5.052 .
2 2
La moyenne de ces valeurs (voir tableau B14c) fourni la première estimation de l'écart-type.
∑∑ (I )
15 ni
1
σ= ij − mi
2
= 1.2389
N i =1 j =1
Cet écart-type va servir à déterminer la borne à partir de laquelle un point de l'irrégulier sera
considéré comme atypique. Cette borne est, par défaut égale à 2.5 fois la valeur de l'écart-type,
soit 3.097.
73
B14b : Écarts à la moyenne en valeur absolue
1985 . . . . . . . . . 0.958 1.825 2.361
1986 1.825 1.378 1.798 5.391 0.055 0.419 1.273 2.572 0.459 0.875 0.341 0.505
1987 3.829 1.563 1.310 0.860 1.582 0.547 0.977 1.101 1.194 1.162 0.903 0.171
1988 0.413 2.248 0.005 0.444 0.853 0.128 0.150 0.645 0.802 2.134 1.594 1.944
1989 0.751 0.269 2.550 1.593 1.761 1.764 0.781 0.599 0.054 1.131 0.838 0.902
1990 0.234 0.890 0.546 0.148 0.951 0.903 0.634 1.123 1.448 0.188 0.063 0.774
1991 1.567 0.102 0.143 1.355 0.706 0.486 1.837 0.154 0.768 0.152 0.105 1.283
1992 0.416 0.985 1.216 0.002 0.568 0.307 0.070 1.287 0.330 1.582 0.137 1.378
1993 0.752 1.978 0.518 1.808 1.589 0.759 0.445 0.840 1.107 0.605 0.041 0.016
1994 1.528 0.441 1.184 0.319 1.588 0.721 0.074 2.015 0.821 0.623 1.515 0.684
1995 0.015 0.999 1.075 . . . . . . . . .
B14c : Carrés des écarts à la moyenne
1985 . . . . . . . . . 0.917 3.332 5.576
1986 3.330 1.898 3.231 29.061 0.003 0.175 1.620 6.617 0.211 0.766 0.116 0.255
1987 14.661 2.442 1.717 0.740 2.504 0.300 0.955 1.212 1.425 1.350 0.815 0.029
1988 0.171 5.052 0.000 0.197 0.727 0.016 0.022 0.415 0.644 4.555 2.540 3.779
1989 0.564 0.072 6.501 2.536 3.101 3.112 0.609 0.359 0.003 1.280 0.702 0.813
1990 0.055 0.792 0.298 0.022 0.905 0.815 0.403 1.260 2.095 0.035 0.004 0.600
1991 2.456 0.010 0.021 1.835 0.498 0.236 3.374 0.024 0.590 0.023 0.011 1.646
1992 0.173 0.971 1.478 0.000 0.323 0.094 0.005 1.656 0.109 2.504 0.019 1.899
1993 0.565 3.912 0.268 3.267 2.524 0.575 0.198 0.706 1.225 0.366 0.002 0.000
1994 2.334 0.195 1.401 0.102 2.522 0.520 0.005 4.060 0.675 0.389 2.296 0.468
1995 0.000 0.998 1.156 . . . . . . . . .
Les deux seuls points qui s'éloignent, en valeur absolue, de plus de 3.097 (soit 2.5 σ ) sont les
valeurs de avril 1986 (mois de 30 jours commençant un mardi) et janvier 1987 (mois de 31 jours
commençant un jeudi). Ces deux points sont donc exclus et les calculs de ces deux premières
étapes refaits.

B14d : Répartition des valeurs de l'irrégulier non exclues par type de mois
Longueur 1er du mois Mois concernés Moyenne

28 FEB86 FEB87 FEB89 FEB90 FEB91 FEB93 FEB94 FEB95 99.590
Dimanche JUN86 NOV87 APR90 SEP91 NOV92 98.879
Lundi SEP86 JUN87 APR91 JUN92 NOV93 100.644
Mardi SEP87 NOV88 SEP92 JUN93 NOV94 100.889
30 Mercredi APR87 JUN88 NOV89 APR92 SEP93 JUN94 101.436
Jeudi SEP88 JUN89 NOV90 APR93 SEP94 101.197
Vendredi NOV85 APR88 SEP89 JUN90 NOV91 APR94 98.646
Samedi NOV86 APR89 SEP90 JUN91 98.320
Dimanche DEC85 MAR87 MAY88 JAN89 OCT89 JUL90 DEC91 MAR92 AUG93 MAY94 JAN95 100.277
Lundi DEC86 AUG88 MAY89 JAN90 OCT90 JUL91 MAR93 AUG94 101.691
Mardi OCT85 JUL86 DEC87 MAR88 AUG89 MAY90 JAN91 OCT91 DEC92 MAR94 101.493
31 Mercredi JAN86 OCT86 JUL87 MAR89 AUG90 MAY91 JAN92 JUL92 DEC93 MAR95 101.303
Jeudi MAY86 OCT87 DEC88 MAR90 AUG91 OCT92 JUL93 DEC94 100.182
Vendredi AUG86 MAY87 JAN88 JUL88 DEC89 MAR91 MAY92 JAN93 OCT93 JUL94 97.310
Samedi MAR86 AUG87 OCT88 JUL89 DEC90 AUG92 MAY93 JAN94 OCT94 97.188
Seules les moyennes des types de mois concernés par les valeurs exclues sont affectées et le
calcul des carrés des écarts à la moyenne conduit à la nouvelle estimation de l'écart-type:
∑∑ (I )
15 ni
1
σ= − mi
2
= 1.0505
N′
ij
i =1 j =1
Ainsi, la nouvelle moyenne pour les mois de 30 jours commençant un mardi est 100.889 au lieu
de 101.967 et le carré de l’écart à cette nouvelle moyenne pour septembre 1987 sera de
(100.774 − 100.889) 2 = (0.115) 2 = 0.01323 au lieu de (100.774 − 100.967) 2 = (0.193) 2 = 0.03725 .
74
B14e : Écarts à la moyenne en valeur absolue
1985 . . . . . . . . . 0.958 1.825 2.361
1986 1.825 1.378 1.798 7.358 0.534 0.419 1.273 2.572 0.459 0.875 0.341 0.505
1987 4.126 1.563 1.310 0.860 1.582 0.547 0.977 1.101 0.115 1.641 0.903 0.171
1988 0.413 2.248 0.005 0.444 0.853 0.128 0.150 0.645 0.802 2.134 0.515 1.465
1989 0.751 0.269 2.550 1.593 1.761 1.764 0.781 0.599 0.054 1.131 0.838 0.902
1990 0.234 0.890 0.067 0.148 0.951 0.903 0.634 1.123 1.448 0.188 0.063 0.774
1991 1.567 0.102 0.143 1.355 0.706 0.486 1.837 0.633 0.768 0.152 0.105 1.283
1992 0.416 0.985 1.216 0.002 0.568 0.307 0.070 1.287 0.748 1.104 0.137 1.378
1993 0.752 1.978 0.518 1.808 1.589 0.320 0.033 0.840 1.107 0.605 0.041 0.016
1994 1.528 0.441 1.184 0.319 1.588 0.721 0.074 2.015 0.821 0.623 0.437 0.205
1995 0.015 0.999 1.075 . . . . . . . . .
Notez enfin que dans le tableau B14e, les points considérés comme extrêmes dans l’étape
précédente sont comparés à la moyenne théorique (ici 100 pour tenir compte du fait que
l’irrégulier est multiplié par 100). Ainsi, l’écart absolu pour janvier 1987 est :
95.874 − 100 = 4.126
B14f : Carrés des écarts à la moyenne
1985 . . . . . . . . . 0.917 3.332 5.576
1986 3.330 1.898 3.231 54.144 0.285 0.175 1.620 6.617 0.211 0.766 0.116 0.255
1987 17.022 2.442 1.717 0.740 2.504 0.300 0.955 1.212 0.013 2.692 0.815 0.029
1988 0.171 5.052 0.000 0.197 0.727 0.016 0.022 0.415 0.644 4.555 0.266 2.147
1989 0.564 0.072 6.501 2.536 3.101 3.112 0.609 0.359 0.003 1.280 0.702 0.813
1990 0.055 0.792 0.004 0.022 0.905 0.815 0.403 1.260 2.095 0.035 0.004 0.600
1991 2.456 0.010 0.021 1.835 0.498 0.236 3.374 0.401 0.590 0.023 0.011 1.646
1992 0.173 0.971 1.478 0.000 0.323 0.094 0.005 1.656 0.560 1.218 0.019 1.899
1993 0.565 3.912 0.268 3.267 2.524 0.102 0.001 0.706 1.225 0.366 0.002 0.000
1994 2.334 0.195 1.401 0.102 2.522 0.520 0.005 4.060 0.675 0.389 0.191 0.042
1995 0.000 0.998 1.156 . . . . . . . . .
La nouvelle borne pour juger du caractère atypique d'un point est : 2.5*1.0505 = 2.626 et les
seules valeurs de l'irrégulier s'éloignant suffisamment de leur moyenne sont celles de Avril 1986
et Janvier 1987. Ces valeurs sont consignées dans le tableau B14 :
B14 : VALEURS DE L'IRRÉGULIER EXCLUES DE LA RÉGRESSION POUR JOURS OUVRABLES
1985 . . . . . . . . . . . .
1986 . . . 107.358 . . . . . . . .
1987 95.874 . . . . . . . . . . .
1988 . . . . . . . . . . .
1989 . . . . . . . . . . . .
1990 . . . . . . . . . . . .
1991 . . . . . . . . . . . .
1992 . . . . . . . . . . . .
1993 . . . . . . . . . . . .
1994 . . . . . . . . . . . .
1995 . . . . . . . . . . . .
75
4.1.16 Tableau B15 : Régression préliminaire pour Jours Ouvrables
Des poids journaliers vont être à présent estimés grâce à une régression par moindres carrés
ordinaires sur les données non jugées atypiques du tableau B13 selon la méthodologie exposée au
paragraphe 4.1.13.
• Écriture du modèle de régression
On a, selon le schéma et avec les notations du paragraphe 4.1.13, le modèle suivant :

6
N t Iˆt − N t = ∑ β j ( D jt − D7t ) + et
*
• Pour un schéma multiplicatif :
j =1
6
• Pour un schéma additif : Iˆt = ∑ β j ( D jt − D7 t ) + et

j =1
• Dérivation des poids journaliers
Dans le cas additif, les poids qui seront utilisés dans la suite de la désaisonnalisation sont les β̂ j
calculés ci-dessus.
Dans le cas multiplicatif, on ajoute 1 aux estimations ci-dessus ou bien les poids journaliers a
priori s'ils existent.
4.1.16.2 Remarques
• Dans le cas additif, le logiciel X12-ARIMA introduit une variable explicative supplémentaire
6
et le modèle estimé est alors Iˆt = β 0 ( N t − N t ) +
*
∑β
j =1
j ( D jt − D7t ) + et . Le principe de
l'estimation reste cependant le même.

• Dans le cas multiplicatif, si un ajustement journalier a priori est fait, alors N t et N * t sont
égaux à la somme mensuelle des poids journaliers a priori.
• X12-ARIMA permet d’introduire dans la régression d’autres variables prédéfinies ou définies
par l’utilisateur. Parmi les variables prédéfinies, on peut citer l’effet de Pâques (voir chapitre
5), des variables indicatrices modélisant des points aberrants, des variables estimant les effets
de fêtes américaines particulières (Thanksgiving, Labor Day).
76
4.1.16.3 Exemple
B15 : RÉGRESSION POUR JOURS OUVRABLES
Poids Combinés Poids Coefficients Std Student Prob >t

a Priori de la régression
Lundi 1.081 1.000 0.081 0.093 0.872 0.192
Mardi 1.273 1.000 0.273 0.091 2.990 0.002
Mercredi 1.047 1.000 0.047 0.095 0.494 0.311
Jeudi 1.319 1.000 0.319 0.095 3.362 0.001
Vendredi 1.066 1.000 0.066 0.092 0.717 0.237
Samedi 0.565 1.000 -0.435 0.091 -4.772 0.000
Dimanche 0.649 1.000 -0.351 0.093 -3.760 0.000
Somme D.D.L Moyenne F-Value Prob > F

des Carrés des Carrés
RÉGRESSION 23.436 6 3.906 31.257 0.000
ERREUR 13.246 106 0.125
TOTAL 36.682 112
Il serait assez fastidieux de présenter ici l'ensemble des calculs intermédiaires de la régression
aboutissant au tableau B15 et nous ne le ferons pas : les méthodes usuelles de régression par
moindres carrés sont utilisées.
Si nous nous fixons un risque de première espèce de 1 % par exemple, les tests s'interprètent de la
façon suivante :
• Le test de Fisher rejette l'hypothèse nulle d'égalité des coefficients journaliers ; on peut donc
admettre l'existence d'un effet dû à la composition journalière du mois. En effet, la probabilité
de trouver une valeur de la statistique de Fisher plus grande que celle trouvée (31.257) est
quasiment nulle et donc inférieure à notre risque de première espèce. Nous sommes donc
dans la région critique du test ce qui ne nous permet pas d'accepter l'hypothèse nulle d'égalité
des coefficients journaliers.
• On interprète de la même manière les tests de Student mais en prenant garde à ce que la loi de
Student est symétrique. Il faut donc comparer la valeur (Prob > |t|) à la moitié du risque de
première espèce soit 0.005. Tous les tests conduisant à une valeur plus petite que 0.005 ne
permettent pas d'accepter l'hypothèse de nullité du coefficient journalier. Dans notre cas, les
coefficients de mardi, jeudi, samedi et dimanche sont jugés significativement différents de 0.
77
4.1.17 Tableau B16 : Coefficients d’ajustement pour jours ouvrables issus de la
régression
Des estimations de la régression, on déduit des coefficients mensuels M t d'ajustement pour jours
ouvrables, directement en utilisant les équations (2) et (4) du paragraphe 4.1.13:
7
1
• Pour un schéma multiplicatif : Mt =
N *t
∑ (β
j =1
j + 1) D jt
7
• Pour un schéma additif : M t = ∑ β j D jt

j =1
Où N * t est égal au nombre de jours du mois si des coefficients d'ajustement a priori ont été
fournis et, dans le cas contraire, à 31, 30 ou 28.25 selon que le mois a 31 ou 30 jours ou est un
mois de Février.
La composante irrégulière du tableau B13 est alors corrigée de ces effets de calendrier pour
aboutir à un tableau "B16bis", malheureusement non imprimable dans les logiciels usuels :
B16bis = B13 _op B16
4.1.17.2 Exemple
B16 : COEFFICIENTS DE CORRECTION POUR JOURS OUVRABLES ISSUS DE LA RÉGRESSION
1985 . . . . . . . . . 102.061 98.772 100.009
1986 101.393 99.115 97.726 101.067 99.840 99.099 102.061 97.678 101.180 101.393 97.380 101.294
1987 99.840 99.115 100.009 101.219 97.678 101.180 101.393 97.726 101.067 99.840 99.099 102.061
1988 97.678 102.941 102.061 98.772 100.009 101.219 97.678 101.294 101.283 97.726 101.067 99.840
1989 100.009 99.115 101.393 97.380 101.294 101.283 97.726 102.061 98.772 100.009 101.219 97.678
1990 101.294 99.115 99.840 99.099 102.061 98.772 100.009 101.393 97.380 101.294 101.283 97.726
1991 102.061 99.115 97.678 101.180 101.393 97.380 101.294 99.840 99.099 102.061 98.772 100.009
1992 101.393 101.116 100.009 101.219 97.678 101.180 101.393 97.726 101.067 99.840 99.099 102.061
1993 97.678 99.115 101.294 101.283 97.726 101.067 99.840 100.009 101.219 97.678 101.180 101.393
1994 97.726 99.115 102.061 98.772 100.009 101.219 97.678 101.294 101.283 97.726 101.067 99.840
1995 100.009 99.115 101.393 . . . . . . . . .
Prenons comme exemple le mois d’avril 1986.

Lundi Mardi Mercredi Jeudi Vendredi Samedi Dimanche Nb jours
poids 1.0809 1.2732 1.0469 1.3187 1.0663 0.5653 0.6487
Nombre de
APR86 4 5 5 4 4 4 4 30
On a donc :
100*(4*1.0809+ 5*1.2732+ 5*1.0469+ 4*1.3187 + 4*1.0663+ 4*0.5653+ 4*0.6487)
APR86 = = 101.067
30
Ou encore, comme les jours apparaissant 5 fois sont le Mardi et le Mercredi :
28 + 1.2732 + 1.0469
APR86 = 100* = 101.067
30
78
On obtient ensuite une valeur corrigée de la composante irrégulière (tableau B16bis ci-après) :
APR86 = 100 * (107.358 / 101.067) = 106.225
B16bis : IRRÉGULIER CORRIGÉ DES EFFETS JOURS OUVRABLES ISSUS DE LA RÉGRESSION
1985 . . . . . . . . . 98.505 101.721 97.907
1986 101.710 99.090 97.610 106.225 99.808 99.356 100.691 96.989 99.016 100.774 101.316 99.894
1987 96.028 102.056 101.578 101.064 101.243 98.929 100.874 98.323 99.710 98.699 100.689 99.612
1988 99.200 99.326 99.448 99.423 101.121 100.341 99.776 99.756 100.707 97.265 99.314 101.810
1989 101.019 100.751 97.396 102.601 98.654 101.657 100.248 98.856 99.818 99.137 101.042 100.546
1990 100.161 99.582 100.410 99.927 100.376 98.958 100.902 101.018 99.479 100.207 99.977 98.657
1991 100.979 100.377 99.476 100.809 99.215 100.467 102.206 99.709 99.003 99.592 99.766 98.985
1992 99.501 99.870 99.053 100.216 100.204 99.167 99.842 100.766 100.564 101.448 99.916 98.093
1993 98.853 102.475 99.881 98.130 101.075 100.140 100.309 101.108 99.121 100.242 99.430 99.926
1994 101.013 100.034 98.284 99.550 101.856 99.502 99.699 102.382 99.104 100.087 99.392 100.548
1995 100.283 99.472 98.850 . . . . . . . . .
79
4.1.18 Tableau B17 : Poids préliminaires pour la correction de l'irrégulier
A partir de l'estimation de la composante irrégulière B16bis, ou du tableau B13 si aucune

correction pour jours ouvrables n'est demandée, on cherche à identifier et à corriger les points
atypiques. Pour cela, on utilise l'algorithme de détection des points atypiques et de calcul de poids
correctifs détaillé aux tableaux B4 et B9 (voir respectivement 4.1.4 et 4.1.9). Comme on dispose
déjà d'une estimation de l'irrégulier, seules les étapes 4 et 5 sont appliquées.
4.1.18.2 Remarques
Les remarques faites aux tableaux B4 et B9 concernant le calcul des écart-types mobiles et des
poids correctifs sont aussi valables ici.
4.1.18.3 Exemple
• Calcul d'un écart-type mobile
1 60
σ 89 = ∑
60 i =1
( xi − 100) 2 = 1.198
Ceux des années 1988, 1990, 1991 et 1992 sont calculés selon le même principe.
observations disponibles de 1985 à 1990, soit 63. Les résultats du calcul de X11-ARIMA88 et
X12-ARIMA figurent dans le tableau B17a, colonne Écart-type 1.
B17a : VALEURS DES ÉCART-TYPES MOBILES SUR CINQ ANS

1985 1.5282 1.2322
1986 1.5282 1.2322
1987 1.5282 1.2322
1988 1.5142 1.1965
1989 1.1979 1.0918
1990 1.0200 1.0200
1991 1.0173 0.9740
1992 0.9484 0.8527
1993 0.9399 0.8479
1994 0.9399 0.8479
1995 0.9399 0.8479
Ce premier calcul sert à repérer d'éventuels points atypiques. Comme le montre la figure 15, les
valeurs de avril 1986, janvier 1987, février 1993 et août 1994 sont détectées comme très
atypiques.
On a en effet par exemple :
APR86 − 100 = 106.225 − 100 = 6.225 > 2.5 * σ 86 = 2.5 * 1.5282 = 3.8205 et
AUG94 − 100 = 102.382 − 100 = 2.382 > 2.5 * σ 94 = 2.5 * 0.94 = 2.35
28
80
Figure 15 : Écart à la moyenne de l'irrégulier et "limites supérieures de confiance" (tableau
B17)
6 Apr-86
4
Feb-93 Aug-94
-2
-4
Jan-87
-6
Ces points sont donc éliminés du second calcul de l'écart-type mobile qui conduit aux résultats de
la colonne "Écart-type 2" du tableau B17a.
• Détection et correction des valeurs atypiques
inférieures calculées à partir des nouvelles estimations des écart-types. Toutes les valeurs situées
au delà des limites de confiance inférieures (voir figure 16) sont considérées comme atypiques et
vont donc être corrigées, à des degrés divers, et les poids associés à chacune de ces valeurs
figurent dans le tableau B17.
B17 : POIDS PRÉLIMINAIRES POUR LA CORRECTION DE L'IRRÉGULIER
BORNES RETENUES : DE 1.5 A 2.5 SIGMA
1985 . . . . . . . . . 100.000 100.000 80.138
1986 100.000 100.000 56.025 0.000 100.000 100.000 100.000 5.658 100.000 100.000 100.000 100.000
1987 0.000 83.133 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1988 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 21.455 100.000 98.701
1989 100.000 100.000 11.498 11.770 100.000 98.258 100.000 100.000 100.000 100.000 100.000 100.000
1990 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1991 100.000 100.000 100.000 100.000 100.000 100.000 23.528 100.000 100.000 100.000 100.000 100.000
1992 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 80.157 100.000 26.391
1993 100.000 0.000 100.000 29.466 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1994 100.000 100.000 47.606 100.000 31.094 100.000 100.000 0.000 100.000 100.000 100.000 100.000
1995 100.000 100.000 100.000 . . . . . . . . .
81
6 Apr-86
4
Feb-93 Aug-94
-2
Oct-88
-4
Jan-87
-6
Les valeurs jugées précédemment très atypiques le restent et sont affectées d'un poids nul. Ainsi :
APR86 − 100 = 106.225 − 100 = 6.225 > 2.5 * σ 86 = 2.5 * 1.2322 = 3.0805
Pour octobre 1988, situé entre les deux limites de confiance et donc jugé moyennement atypique
on a :
OCT 88 − 100 = 97.265 − 100 = 2.735
1.5 * σ 88 = 1.5 * 1.1965 = 1.79475 < 2.735 < 2.5 * σ 88 = 2.5 * 1.1965 = 2.99125
2.99125 − 2.735
poids (OCT 88) = = 0.214
2.99125 − 1.79475
82
4.1.19 Tableau B18 : Coefficients pour jours ouvrables combinés (issus de
l'ajustement a priori et de la régression pour jours ouvrables)
Si on a fourni au préalable des coefficients journaliers de correction a priori des effets de jours
ouvrables (schéma multiplicatif seulement) et si on a aussi demandé une régression pour jours
ouvrables, le tableau B18 présente le résultat combiné de ces deux corrections, simple addition
des deux effets. Ces poids journaliers combinés vont permettre d'estimer des coefficients de
correction pour chaque mois, de la même façon qu'au tableau B16.
Pour un schéma additif, ce tableau n'est pas édité puisqu'on ne peut utiliser dans ce cas de
correction a priori.
7
1
Pour un schéma multiplicatif, on calcule : M t =
N *t
∑α
j =1
j D jt
où D jt est le nombre de jours j (lundi, mardi, mercredi ...., dimanche) contenu dans le mois i,
(α 1 , α 2 , L , α 7 ) les poids combinés de chaque jour (colonne "poids combinés" du tableau B15) et
où N * t est égal au nombre de jours du mois si des coefficients d'ajustement a priori ont été
fournis et, dans le cas contraire, à 31, 30 ou 28.25 selon que le mois a 31 ou 30 jours ou est un
mois de Février.
4.1.19.2 Remarque
Dans X12-ARIMA, d’autres effets peuvent être estimés au moment de la régression sur la
composante irrégulière (Pâques, Labor Day, Thanksgiving …..). Dans ce cas le tableau B18 prend
en compte l’ensemble des effets.
4.1.19.3 Exemple
Dans notre cas, le tableau B18 est identique au tableau B16.
B18: COEFFICIENTS COMBINÉS DE CORRECTION POUR EFFET DE JOURS OUVRABLES
1985 . . . . . . . . . 102.061 98.772 100.009
1986 101.393 99.115 97.726 101.067 99.840 99.099 102.061 97.678 101.180 101.393 97.380 101.294
1987 99.840 99.115 100.009 101.219 97.678 101.180 101.393 97.726 101.067 99.840 99.099 102.061
1988 97.678 102.941 102.061 98.772 100.009 101.219 97.678 101.294 101.283 97.726 101.067 99.840
1989 100.009 99.115 101.393 97.380 101.294 101.283 97.726 102.061 98.772 100.009 101.219 97.678
1990 101.294 99.115 99.840 99.099 102.061 98.772 100.009 101.393 97.380 101.294 101.283 97.726
1991 102.061 99.115 97.678 101.180 101.393 97.380 101.294 99.840 99.099 102.061 98.772 100.009
1992 101.393 101.116 100.009 101.219 97.678 101.180 101.393 97.726 101.067 99.840 99.099 102.061
1993 97.678 99.115 101.294 101.283 97.726 101.067 99.840 100.009 101.219 97.678 101.180 101.393
1994 97.726 99.115 102.061 98.772 100.009 101.219 97.678 101.294 101.283 97.726 101.067 99.840
1995 100.009 99.115 101.393 . . . . . . . . .
83
4.1.20 Tableau B19 : Série brute corrigée des effets de jours ouvrables
La série du tableau B1, ou celle du tableau A1 si aucun ajustement préalable n'est demandé, est
corrigée par les effets de jours ouvrables estimés précédemment (tableau B18). On a donc :
B19 = B1 _op B18
4.1.20.2 Exemple
B19: SÉRIE BRUTE CORRIGÉE DES EFFETS DE JOURS OUVRABLES
1985 . . . . . . . . . 113.364 111.165 100.591
1986 105.135 99.581 106.318 108.344 97.857 104.643 97.687 67.262 103.973 115.491 111.214 103.067
1987 100.661 104.121 112.890 105.810 102.377 107.037 100.401 70.299 107.552 117.088 115.743 107.779
1988 110.260 107.051 116.303 109.444 107.390 113.319 103.605 75.029 113.148 120.644 120.019 114.884
1989 117.889 113.202 118.548 117.786 109.089 118.776 108.058 77.797 115.620 126.689 125.273 115.379
1990 119.553 113.504 123.799 117.156 113.266 118.252 111.790 82.155 117.683 130.314 125.490 113.379
1991 120.810 113.807 122.136 118.007 111.743 119.840 113.827 81.731 117.459 129.727 126.352 115.790
1992 121.803 115.610 123.989 118.555 112.410 117.315 110.560 81.862 118.040 129.207 123.211 111.502
1993 116.403 114.110 121.133 112.753 110.411 115.864 108.274 79.693 113.418 123.876 120.280 113.223
1994 119.007 112.496 121.496 116.835 113.990 119.543 112.103 84.309 119.072 129.342 126.352 120.193
1995 124.089 117.338 128.411 . . . . . . . . .
On a donc par exemple : APR86 = 100 * (109.500 / 101.067) = 108.344
84
4.1.21 Tableau B20 : Valeurs de correction des points atypiques de l'irrégulier
Les valeurs de la composante irrégulière B16bis, ou B13 si on ne demande pas de régression pour
jours ouvrables, détectées comme atypiques lors de la constitution du tableau B17, et pour
lesquelles on a donc calculé un poids, sont corrigées de la façon suivante :
• Schéma additif : B20 = B16bis * (1 - B17)
• Schéma multiplicatif : B20 = B16bis / [1 + B17 * (B16bis – 1)]
Ou, en notation symbolique : B20 = B16bis _op [_xbar + B17 * (B16bis – _xbar)]
4.1.21.2 Remarques
Il s'agit bien des valeurs qui serviront à corriger la série initiale. Un point jugé très aberrant
recevra donc un poids de 0 et une valeur de correction égale à la valeur de l'irrégulier ; en d'autres
termes, dans ce cas, on enlèvera de la série initiale l'irrégulier correspondant à cette date (voir
tableau C1).
4.1.21.3 Exemple
La valeur de octobre 1988, détectée comme atypique et affectée d'un poids égal à 0.21455 sera
donc corrigée de la façon suivante, puisque nous avons ici un schéma multiplicatif :
0.97265
OCT 88 = 100 * = 97.839
1 + 0.21455 * (0.97265 − 1)
B20:VALEURS DE CORRECTION POUR LES POINTS JUGÉS ATYPIQUES
1985 . . . . . . . . . 100.000 100.000 99.577
1986 100.000 100.000 98.935 106.225 100.000 100.000 100.000 97.155 100.000 100.000 100.000 100.000
1987 96.028 100.341 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1988 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 97.839 100.000 100.023
1989 100.000 100.000 97.689 102.288 100.000 100.028 100.000 100.000 100.000 100.000 100.000 100.000
1990 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1991 100.000 100.000 100.000 100.000 100.000 100.000 101.678 100.000 100.000 100.000 100.000 100.000
1992 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.284 100.000 98.589
1993 100.000 102.475 100.000 98.674 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1994 100.000 100.000 99.093 100.000 101.272 100.000 100.000 102.382 100.000 100.000 100.000 100.000
1995 100.000 100.000 100.000 . . . . . . . . .
85
4.2 PARTIE C : Estimation finale des points atypiques et des effets de
calendrier
4.2.1 Tableau C1 : Série brute ajustée pour tenir compte des ajustements a priori,
de ceux liés à la correction pour jours ouvrables et des points atypiques
détectés
Ce tableau présente la série brute corrigée des divers effets mis en évidence lors de la partie B,
points jugés atypiques et effets liés aux jours ouvrables, et ajustée a priori par les éléments de la
partie A.
Il est donc calculé à partir du tableau B19 qui prend en compte les effets dus aux jours ouvrables,
ou du tableau B1 si la régression pour jours ouvrables n'est pas demandée, et du tableau B20 qui
précise les corrections à apporter aux points jugés atypiques.
On a donc : C1 = B19 _op B20
4.2.1.2 Exemple
C1: SÉRIE ORIGINALE AJUSTÉE
1985 . . . . . . . . . 113.364 111.165 101.018
1986 105.135 99.581 107.463 101.995 97.857 104.643 97.687 69.231 103.973 115.491 111.214 103.067
1987 104.825 103.768 112.890 105.810 102.377 107.037 100.401 70.299 107.552 117.088 115.743 107.779
1988 110.260 107.051 116.303 109.444 107.390 113.319 103.605 75.029 113.148 123.308 120.019 114.858
1989 117.889 113.202 121.354 115.151 109.089 118.742 108.058 77.797 115.620 126.689 125.273 115.379
1990 119.553 113.504 123.799 117.156 113.266 118.252 111.790 82.155 117.683 130.314 125.490 113.379
1991 120.810 113.807 122.136 118.007 111.743 119.840 111.949 81.731 117.459 129.727 126.352 115.790
1992 121.803 115.610 123.989 118.555 112.410 117.315 110.560 81.862 118.040 128.841 123.211 113.098
1993 116.403 111.354 121.133 114.269 110.411 115.864 108.274 79.693 113.418 123.876 120.280 113.223
1994 119.007 112.496 122.608 116.835 112.558 119.543 112.103 82.348 119.072 129.342 126.352 120.193
1995 124.089 117.338 128.411 . . . . . . . . .
Ainsi, la valeur du mois d'avril 1986, jugée atypique, devient :

APR86 = 100*( 108.344 / 106.225 ) = 101.995
86
4.2.2 Tableau C2 : Estimation préliminaire de la Tendance-Cycle
Une nouvelle estimation de la composante Tendance-Cycle est obtenue en appliquant aux

données du tableau C1 une moyenne mobile centrée simple d'ordre 12, tout comme au tableau
B2.
4.2.2.2 Remarques
(Cholette, 1981).
• Les 6 premiers et les 6 derniers points de la série ne sont pas imputés à ce stade du calcul.
4.2.2.3 Exemple
C2: TENDANCE-CYCLE - MOYENNE MOBILE SIMPLE SUR 12 TERMES
1985 . . . . . . . . . . . .
1986 . . . 101.181 101.272 101.359 101.432 101.593 101.994 102.379 102.726 103.014
1987 103.227 103.385 103.578 103.794 104.049 104.434 104.857 105.220 105.500 105.793 106.153 106.624
1988 107.019 107.350 107.780 108.273 108.710 109.183 109.796 110.370 110.837 111.285 111.594 111.890
1989 112.302 112.603 112.821 113.065 113.425 113.665 113.756 113.838 113.953 114.138 114.396 114.549
1990 114.684 115.021 115.289 115.526 115.686 115.612 115.581 115.646 115.589 115.555 115.527 115.530
1991 115.603 115.592 115.565 115.531 115.542 115.679 115.821 115.937 116.089 116.189 116.240 116.163
1992 115.999 115.947 115.977 115.964 115.796 115.553 115.216 114.814 114.517 114.220 113.958 113.814
1993 113.658 113.473 113.190 112.790 112.461 112.344 112.458 112.614 112.723 112.892 113.088 113.331
1994 113.644 113.914 114.260 114.723 115.204 115.748 116.250 116.663 117.107 . . .
1995 . . . . . . . . . . . .
Ainsi la valeur d'avril 1986 s'obtient à partir des valeurs du tableau C1 de octobre 1985 à octobre
1986 (6 mois avant et 6 mois après) :
113 .364
APR 86 = +
24
111 .165 + 101 .018 + 105 .135 + 99.581 + 107 .463 + 101 .995 + 97.857 + 104 .643 + 97.687 + 69.231 + 103 .973
12
115 .491
+
24
= 101 .181
87
4.2.3 Tableau C4 : Estimation préliminaire de la composante Saisonnier-Irrégulier
modifiée
La composante Tendance-Cycle est enlevée de la série analysée pour obtenir une estimation de la
composante Saisonnier-Irrégulier.
On a donc : C4 = C1 _op C2
4.2.3.2 Remarque
• Là encore, pas d'estimation pour les 6 valeurs de début et les 6 valeurs de fin de la série.
• Ce tableau équivaut au tableau B4g : ici le calcul des valeurs de remplacement pour les points
atypiques de la composante Saisonnier-Irrégulier n'a pas lieu car ces valeurs ont déjà été
repondérées par les poids du tableau B20.
4.2.3.3 Exemple
C4: COMPOSANTE SAISONNIER-IRRÉGULIER MODIFIÉE
1985 . . . . . . . . . . . .
1986 . . . 100.804 96.628 103.240 96.308 68.146 101.940 112.807 108.262 100.051
1987 101.548 100.370 108.990 101.943 98.393 102.492 95.751 66.811 101.946 110.676 109.034 101.083
1988 103.028 99.722 107.908 101.082 98.786 103.788 94.362 67.980 102.085 110.804 107.550 102.652
1989 104.976 100.532 107.563 101.846 96.177 104.467 94.991 68.340 101.463 110.996 109.509 100.724
1990 104.246 98.681 107.381 101.411 97.908 102.284 96.720 71.041 101.812 112.772 108.623 98.138
1991 104.505 98.456 105.686 102.143 96.712 103.597 96.657 70.496 101.180 111.651 108.699 99.679
1992 105.003 99.709 106.908 102.234 97.075 101.525 95.959 71.300 103.076 112.801 108.119 99.370
1993 102.414 98.132 107.018 101.311 98.177 103.132 96.279 70.766 100.616 109.730 106.360 99.905
1994 104.719 98.755 107.306 101.840 97.703 103.279 96.433 70.586 101.678 . . .
1995 . . . . . . . . . . . .
La valeur de avril 1986 s’obtient donc simplement : APR86 = 100*( 101.995 / 101.181 ) = 100.804
88
4.2.4 Tableau C5 : Estimation de la composante saisonnière

tableau C4. On procède en deux étapes, similaires aux étapes 1 et 2 vues au tableau B4 :
• Étape 1 : estimation de la composante saisonnière par une moyenne mobile 3x3.
• Étape 2 : normalisation des coefficients saisonniers par une moyenne mobile centrée sur 12
termes.
4.2.4.2 Exemple
L'estimation est faite à partir de la composante Saisonnier-Irrégulier modifiée du tableau C4.
• Étape 1 : première estimation de la composante saisonnière.
moyenne mobile 3x3 coefficients {1/9,2/9,3/9,2/9,1/9}, pour aboutir au tableau C5a.
100.804 + 101.943 * 2 + 101.082 * 3 + 101.846 * 2 + 101.411
APR88 = = 101.449
9
série (années 1993 et 1994), on utilise des moyennes asymétriques prédéfinies. Ainsi, par
exemple, en avril 1987, on utilise un point dans le passé, le point courant et deux points dans le
futur :
100.804 * 7 + 101.943 *10 + 101.082 * 7 + 101.846 * 3
APR87 = = 101.414
27
C5a: FACTEURS SAISONNIERS PROVISOIRES (mm 3x3)
1985 . . . . . . . . . . . .
1986 . . . 101.319 97.746 103.037 95.720 67.571 101.969 111.568 108.445 100.953
1987 102.786 100.136 108.285 101.414 97.791 103.241 95.451 67.630 101.927 111.297 108.502 101.182
1988 103.284 99.984 108.040 101.449 97.782 103.423 95.288 68.159 101.870 111.260 108.514 101.084
1989 103.947 99.692 107.549 101.623 97.447 103.515 95.505 68.930 101.701 111.385 108.734 100.502
1990 104.414 99.272 107.051 101.725 97.263 103.144 95.975 70.008 101.765 111.913 108.662 99.694
1991 104.378 98.979 106.691 101.875 97.162 102.890 96.289 70.586 101.710 111.870 108.383 99.409
1992 104.201 98.860 106.758 101.874 97.402 102.622 96.322 70.895 101.812 111.704 107.869 99.452
1993 103.915 98.739 106.916 101.780 97.606 102.805 96.278 70.828 101.592 111.337 107.510 99.645
1994 103.833 98.678 107.115 101.698 97.780 102.895 96.282 70.792 101.504 . . .
1995 . . . . . . . . . . . .
89
C5b: MOYENNE MOBILE CENTRÉE SUR 12 MOIS
1985 . . . . . . . . .
1986 99.965 99.965 99.965 99.965 99.965 99.965 99.965 99.971 99.981
1987 99.979 99.970 99.971 99.958 99.949 99.961 99.991 100.005 99.989 99.980 99.981 99.988
1988 99.989 100.004 100.024 100.020 100.019 100.015 100.039 100.054 100.022 100.009 100.002 99.992
1989 100.005 100.046 100.071 100.069 100.084 100.068 100.064 100.066 100.027 100.011 100.007 99.984
1990 99.988 100.053 100.100 100.125 100.144 100.107 100.072 100.059 100.031 100.023 100.025 100.010
1991 100.012 100.049 100.071 100.067 100.054 100.030 100.011 99.999 99.997 99.999 100.009 100.008
1992 99.998 100.013 100.030 100.027 99.999 99.979 99.969 99.952 99.953 99.956 99.961 99.977
1993 99.983 99.978 99.966 99.942 99.911 99.905 99.909 99.903 99.909 99.914 99.918 99.929
1994 99.932 99.931 99.926 99.926 99.926 99.926 99.926 99.926 99.926
1995 . . . . . . . . .
Au tableau C5a, on applique une moyenne mobile centrée sur 12 mois. Le premier terme
calculable est donc celui de octobre 1986 et le dernier, celui de mars 1994. Ainsi :
111.385
APR 90 =
24
108.734 + 100.502 + 104.414 + 99.272 + 107.051 + 101.725 + 97.263 + 103.144 + 95.975 + 70.008 + 101.765
+
12
111.913
+
24
= 100 .125
Les six premières valeurs, de avril à septembre 1986, non calculables avec cette moyenne mobile
symétrique, seront prises égales à la première valeur calculable, celle de octobre 1986 (99.965).
On procède de même pour la fin de série : la valeur calculée pour mars 1994 (99.926) est répétée
pour les six mois suivants. Les coefficients saisonniers normalisés sont alors obtenus en divisant
le tableau C5a par le tableau C5b, pour obtenir :
C5: FACTEURS SAISONNIERS
1985 . . . . . . . . . 111.607 108.476 100.972
1986 102.808 100.166 108.317 101.355 97.780 103.072 95.754 67.595 102.005 111.607 108.476 100.972
1987 102.808 100.166 108.317 101.457 97.841 103.282 95.459 67.626 101.938 111.319 108.522 101.194
1988 103.296 99.980 108.014 101.428 97.763 103.407 95.251 68.122 101.847 111.250 108.512 101.093
1989 103.943 99.646 107.473 101.553 97.366 103.444 95.444 68.885 101.673 111.373 108.726 100.517
1990 104.426 99.220 106.943 101.598 97.123 103.033 95.906 69.967 101.733 111.888 108.635 99.684
1991 104.365 98.930 106.615 101.807 97.110 102.858 96.278 70.587 101.714 111.870 108.373 99.401
1992 104.203 98.848 106.726 101.846 97.403 102.643 96.352 70.929 101.860 111.752 107.912 99.475
1993 103.933 98.760 106.952 101.839 97.692 102.904 96.365 70.896 101.685 111.433 107.599 99.716
1994 103.903 98.746 107.194 101.773 97.853 102.971 96.354 70.844 101.580 111.433 107.599 99.716
1995 103.903 98.746 107.194 . . . . . . . . .

90
4.2.5 Tableau C6 : Estimation de la série corrigée des variations saisonnières
Cette estimation s'obtient simplement en retirant à la série de départ, du tableau C1, l'estimation
de la composante saisonnière du tableau C5 : C6 = C1 _op C5
4.2.5.2 Exemple
C6: SÉRIE DÉSAISONNALISÉE PROVISOIRE
1985 . . . . . . . . . 101.574 102.479 100.046
1986 102.264 99.416 99.212 100.632 100.078 101.524 102.019 102.421 101.929 103.480 102.524 102.075
1987 101.962 103.595 104.222 104.291 104.636 103.635 105.177 103.952 105.507 105.182 106.654 106.507
1988 106.742 107.073 107.674 107.903 109.848 109.586 108.771 110.140 111.096 110.839 110.605 113.616
1989 113.418 113.603 112.915 113.391 112.040 114.789 113.216 112.938 113.717 113.751 115.219 114.785
1990 114.486 114.397 115.761 115.313 116.621 114.771 116.562 117.420 115.679 116.469 115.515 113.738
1991 115.757 115.038 114.558 115.913 115.069 116.509 116.277 115.788 115.480 115.962 116.589 116.487
1992 116.890 116.957 116.175 116.406 115.407 114.294 114.745 115.415 115.885 115.292 114.177 113.695
1993 111.997 112.752 113.259 112.205 113.019 112.594 112.357 112.407 111.539 111.166 111.786 113.545
1994 114.536 113.924 114.379 114.800 115.029 116.094 116.345 116.238 117.220 116.071 117.429 120.535
1995 119.428 118.829 119.793 . . . . . . . . .
91
4.2.6 Tableau C7 : Estimation de la composante Tendance-Cycle

désaisonnalisée du tableau précédent. Tout comme au tableau B7 le programme va utiliser une
moyenne mobile de Henderson dont l'ordre dépendra de la valeur du ratio I .
C

C
• Si le ratio est inférieur à 1, on choisira une moyenne mobile de Henderson à 9 termes.
• Si le ratio est supérieur à 3.5, on choisira une moyenne mobile de Henderson à 23
termes.
• Sinon on choisira une moyenne mobile de Henderson à 13 termes.
4.2.7 Remarques
• A cette étape, contrairement à la partie B, le programme choisit entre une moyenne à 9

termes, une moyenne à 13 termes ou une moyenne à 23 termes.
• La série du tableau C1 correspond à une série corrigée, au moins en partie, d’effets
indésirables et en particulier de points extrêmes. Cela se fera évidemment sentir sur le
numérateur du ratio I qui, selon toute logique sera plus petit que celui calculé à la partie
C
B.
4.2.7.1 Exemple

C
On lisse tout d’abord le tableau C6 par une moyenne mobile de Henderson sur 13 termes dont les
coefficients figurent dans le tableau 3 (3.3.1).
Le premier terme calculable est donc celui de avril 1986, et on a, aux arrondis près :
APR86= 101.574*(-0.01935)+102.479*(0.02786)+100.046*(0.00000)
+102.264*(0.06549)+99.416*(0.14736)+99.212*(0.21434)
+100.632*(0.24006)+100.078*(0.21434)+101.524*(0.14736)
+102.019*(0.06549)+102.421*(0.00000)+101.929*(-0.02786)
+103.480*(-0.01935) =100.198
A cette étape du calcul, on ne se préoccupe pas d'estimer les 6 points non calculables en début et
en fin de série. On en déduit une estimation de la tendance (tableau C7a) et, par rapport avec le
tableau C6, de la composante irrégulière (tableau C7b):
92
C7a : TENDANCE-CYCLE (Moyenne Mobile de Henderson sur 13 termes)
1985 . . . . . . . . . . . .
1986 . . . 100.198 100.587 101.166 101.772 102.244 102.449 102.498 102.511 102.620
1987 102.881 103.274 103.699 104.070 104.311 104.422 104.534 104.765 105.141 105.593 106.028 106.428
1988 106.850 107.321 107.802 108.319 108.846 109.307 109.680 110.054 110.537 111.161 111.891 112.540
1989 112.988 113.249 113.355 113.338 113.257 113.240 113.358 113.564 113.811 114.073 114.323 114.591
1990 114.852 115.028 115.234 115.503 115.820 116.153 116.348 116.353 116.189 115.874 115.489 115.137
1991 114.922 114.947 115.150 115.426 115.680 115.834 115.909 115.959 116.015 116.137 116.345 116.579
1992 116.732 116.654 116.328 115.875 115.474 115.233 115.181 115.203 115.108 114.803 114.281 113.645
1993 113.087 112.747 112.638 112.664 112.668 112.524 112.229 111.935 111.829 111.980 112.387 112.970
1994 113.584 114.142 114.586 114.967 115.342 115.681 116.010 116.382 116.837 . . .
1995 . . . . . . . . . . . .
C7b : IRRÉGULIER
1985 . . . . . . . . . . . .
1986 . . . 100.433 99.494 100.354 100.243 100.173 99.493 100.958 100.013 99.469
1987 99.107 100.311 100.504 100.212 100.311 99.247 100.615 99.224 100.349 99.610 100.590 100.074
1988 99.899 99.768 99.881 99.616 100.921 100.255 99.170 100.079 100.505 99.710 98.851 100.956
1989 100.381 100.313 99.612 100.046 98.926 101.368 99.875 99.449 99.917 99.718 100.784 100.169
1990 99.681 99.451 100.458 99.836 100.692 98.810 100.184 100.917 99.561 100.513 100.023 98.785
1991 100.727 100.079 99.485 100.422 99.472 100.583 100.317 99.852 99.539 99.849 100.210 99.921
1992 100.135 100.260 99.869 100.458 99.942 99.185 99.621 100.184 100.675 100.426 99.909 100.044
1993 99.036 100.004 100.552 99.593 100.312 100.063 100.115 100.422 99.740 99.274 99.466 100.509
1994 100.839 99.809 99.819 99.855 99.729 100.357 100.289 99.876 100.329 . . .
1995 . . . . . . . . . . . .
Le schéma étant multiplicatif, on calcule les taux de croissance (voir 4.1.7.3) :
C7c : CROISSANCE, EN VALEUR ABSOLUE, DE LA TENDANCE
1985 . . . . . . . . . . . . 0.000
1986 . . . . 0.389 0.575 0.600 0.464 0.200 0.048 0.012 0.106 2.394
1987 0.255 0.382 0.411 0.358 0.232 0.106 0.108 0.221 0.358 0.431 0.412 0.377 3.650
1988 0.397 0.441 0.448 0.479 0.486 0.424 0.342 0.340 0.439 0.564 0.657 0.580 5.598
1989 0.398 0.231 0.094 0.015 0.072 0.015 0.104 0.182 0.218 0.230 0.219 0.235 2.012
1990 0.228 0.153 0.178 0.233 0.274 0.288 0.167 0.004 0.141 0.271 0.333 0.305 2.576
1991 0.187 0.022 0.177 0.239 0.221 0.133 0.064 0.044 0.048 0.106 0.179 0.201 1.620
1992 0.132 0.067 0.280 0.389 0.346 0.209 0.045 0.019 0.083 0.265 0.454 0.557 2.845
1993 0.491 0.301 0.097 0.023 0.004 0.128 0.262 0.261 0.095 0.134 0.364 0.519 2.679
1994 0.543 0.491 0.389 0.332 0.326 0.294 0.285 0.321 0.390 . . . 3.372
1995 . . . . . . . . . . . . 0.000
Soit, en utilisant les totaux par ligne :

2.394 + 3.650 + 5.598 + 2.012 + 2.576 + 1.620 + 2.845 + 2.679 + 3.372
C= = 0.2648
101
(en B7, cette quantité était égale à 0.312).
C7d : CROISSANCE, EN VALEUR ABSOLUE, DE L'IRRÉGULIER
1985 . . . . . . . . . . . . 0.000
1986 . . . . 0.935 0.865 0.111 0.069 0.679 1.473 0.937 0.544 5.614
1987 0.364 1.215 0.193 0.290 0.098 1.061 1.379 1.383 1.134 0.736 0.984 0.513 9.350
1988 0.176 0.130 0.113 0.265 1.309 0.660 1.082 0.916 0.426 0.791 0.862 2.130 8.859
1989 0.570 0.067 0.699 0.436 1.120 2.469 1.473 0.427 0.471 0.199 1.069 0.610 9.611
1990 0.487 0.230 1.012 0.619 0.858 1.869 1.391 0.732 1.344 0.956 0.488 1.237 11.223
1991 1.966 0.643 0.593 0.941 0.946 1.117 0.264 0.464 0.314 0.311 0.362 0.288 8.210
1992 0.214 0.124 0.390 0.591 0.515 0.757 0.440 0.564 0.491 0.248 0.514 0.135 4.983
1993 1.007 0.978 0.547 0.954 0.722 0.248 0.052 0.306 0.678 0.468 0.193 1.049 7.202
1994 0.328 1.021 0.010 0.035 0.126 0.630 0.068 0.411 0.453 . . . 3.083
1995 . . . . . . . . . . . . 0.000
5.614 + 9.350 + 8.859 + 9.611 + 11.223 + 8.210 + 4.983 + 7.202 + 3.083

Et I = = 0.6746
101
93
I 0.6746
donc = = 2.547
C 0.2648
Le ratio étant supérieur à 1 et inférieur à 3.5, on choisit une moyenne mobile de Henderson sur 13
termes dont les coefficients et ceux des moyennes mobiles asymétriques associées figurent dans
le tableau 3 (3.3.1). L'estimation de la tendance pour octobre 1985 se fait en utilisant le point
courant et six points dans le futur auxquels on applique les coefficients de la moyenne mobile
H6_0 du tableau 3.
Oct85 = 101.574*(0.42113)+102.479*(0.35315)+100.046*(0.24390)+102.264*(0.11977)
+99.416*(0.01202)+99.212*(-0.05811)+ 100.632*(-0.09186) =101.801
Ce qui conduit au tableau C7 :
C7: TENDANCE-CYCLE
valeur de I/C: 2.5476; Une moyenne mobile de HENDERSON sur 13 termes a été choisie
1985 . . . . . . . . . 101.801 101.494 101.102
1986 100.683 100.300 100.105 100.198 100.587 101.166 101.772 102.244 102.449 102.498 102.511 102.620
1987 102.881 103.274 103.699 104.070 104.311 104.422 104.534 104.765 105.141 105.593 106.028 106.428
1988 106.850 107.321 107.802 108.319 108.846 109.307 109.680 110.054 110.537 111.161 111.891 112.540
1989 112.988 113.249 113.355 113.338 113.257 113.240 113.358 113.564 113.811 114.073 114.323 114.591
1990 114.852 115.028 115.234 115.503 115.820 116.153 116.348 116.353 116.189 115.874 115.489 115.137
1991 114.922 114.947 115.150 115.426 115.680 115.834 115.909 115.959 116.015 116.137 116.345 116.579
1992 116.732 116.654 116.328 115.875 115.474 115.233 115.181 115.203 115.108 114.803 114.281 113.645
1993 113.087 112.747 112.638 112.664 112.668 112.524 112.229 111.935 111.829 111.980 112.387 112.970
1994 113.584 114.142 114.586 114.967 115.342 115.681 116.010 116.382 116.837 117.399 118.026 118.651
1995 119.188 119.603 119.876 . . . . . . . . .
94
4.2.8 Tableau C9 : Estimation de la composante Saisonnier-Irrégulier
Tableau similaire au tableau C4 : la composante Tendance-Cycle est enlevée de la série analysée,

par soustraction ou division selon le schéma de composition adopté, pour obtenir une nouvelle
estimation de la composante Saisonnier-Irrégulier. On a donc : C9 = C1 _op C7
4.2.8.2 Remarque
Contrairement au tableau C4, les points de début et de fin de série ayant été estimés par des
moyennes mobiles de Henderson asymétriques pour la Tendance-Cycle, on dispose d'une
estimation complète de la composante Saisonnier-Irrégulier.
4.2.8.3 Exemple
C9 : SÉRIE BRUTE DÉBARRASSÉE DE SA TENDANCE (estimation Saisonnier-Irrégulier)
1985 . . . . . . . . . 111.358 109.528 99.917
1986 104.422 99.284 107.350 101.794 97.285 103.438 95.986 67.712 101.487 112.676 108.490 100.436
1987 101.889 100.478 108.863 101.672 98.145 102.504 96.046 67.101 102.294 110.886 109.163 101.269
1988 103.191 99.748 107.886 101.039 98.663 103.670 94.461 68.175 102.362 110.928 107.264 102.059
1989 104.338 99.959 107.056 101.600 96.320 104.859 95.325 68.505 101.589 111.060 109.579 100.687
1990 104.093 98.675 107.433 101.432 97.795 101.807 96.083 70.609 101.286 112.462 108.660 98.473
1991 105.124 99.008 106.066 102.236 96.597 103.458 96.584 70.483 101.245 111.701 108.601 99.323
1992 104.344 99.104 106.586 102.313 97.346 101.807 95.988 71.059 102.548 112.228 107.814 99.518
1993 102.932 98.764 107.542 101.425 97.997 102.968 96.476 71.195 101.420 110.624 107.024 100.224
1994 104.774 98.558 107.001 101.625 97.587 103.338 96.632 70.757 101.913 110.173 107.055 101.300
1995 104.112 98.106 107.120 . . . . . . . . .
La valeur d’avril 1986 s’obtient donc simplement : APR86 = 100*( 101.995 / 100.198 ) = 101.794
95
4.2.9 Tableau C10 : Estimation de la composante saisonnière
Cette estimation est obtenue d'une façon similaire à celle conduisant au tableau B10, à partir des
valeurs de la composante Saisonnier-Irrégulier du tableau C9. On procède là encore en deux
étapes : estimation de la composante saisonnière, à l'aide d'une moyenne mobile 3x5, puis
normalisation des coefficients saisonniers.
4.2.9.2 Exemple
Les données du tableau C9 sont lissées colonne par colonne (mois par mois), avec une moyenne
mobile 3x5 (voir tableau 4, 3.3.3), pour aboutir au tableau C10a.

101.794 + 2 *101.672 + 3 *101.039 + 3 *101.600 + 3 *101.432 + 2 *102.236 + 102.313
APR89 = = 101.609
15
15 *101.794 + 15 *101.672 + 15 *101.039 + 11*101.600 + 4 *101.432
APR87 = = 101.515
60
C10a: FACTEURS SAISONNIERS PROVISOIRES (mm 3x5)
1985 . . . . . . . . . 111.533 108.791 100.768
1986 103.343 99.855 107.886 101.516 97.775 103.452 95.472 67.789 101.979 111.471 108.766 100.829
1987 103.444 99.782 107.814 101.515 97.702 103.414 95.505 68.014 101.913 111.482 108.683 100.793
1988 103.591 99.690 107.656 101.543 97.583 103.378 95.578 68.423 101.831 111.464 108.696 100.607
1989 103.844 99.500 107.394 101.609 97.497 103.212 95.656 69.054 101.788 111.562 108.556 100.320
1990 104.037 99.325 107.134 101.707 97.353 103.120 95.826 69.704 101.726 111.566 108.457 100.007
1991 104.212 99.074 106.956 101.777 97.340 102.925 96.044 70.319 101.702 111.576 108.183 99.808
1992 104.226 98.877 106.908 101.836 97.352 102.850 96.288 70.688 101.694 111.411 107.930 99.835
1993 104.184 98.721 106.950 101.846 97.462 102.783 96.386 70.882 101.784 111.232 107.627 100.035
1994 104.092 98.627 107.027 101.855 97.486 102.818 96.398 70.925 101.853 111.112 107.493 100.194
1995 104.000 98.570 107.126 . . . . . . . . .
C10b: MOYENNE MOBILE CENTRÉE SUR 12 MOIS
1985 . . . . . . . . . 100.011 100.011 100.011
1986 100.011 100.011 100.011 100.011 100.007 100.009 100.015 100.016 100.010 100.007 100.004 99.999
1987 99.999 100.010 100.017 100.014 100.011 100.006 100.011 100.013 100.003 99.998 99.994 99.987
1988 99.989 100.009 100.023 100.018 100.018 100.011 100.014 100.016 99.998 99.990 99.989 99.978
1989 99.974 100.004 100.029 100.031 100.029 100.011 100.007 100.008 99.990 99.983 99.981 99.971
1990 99.975 100.009 100.033 100.031 100.027 100.010 100.004 100.001 99.983 99.979 99.981 99.972
1991 99.973 100.008 100.033 100.032 100.021 100.001 99.994 99.986 99.976 99.976 99.979 99.977
1992 99.984 100.009 100.024 100.017 100.000 99.990 99.989 99.981 99.976 99.979 99.984 99.985
1993 99.987 99.999 100.011 100.007 99.987 99.983 99.987 99.979 99.979 99.982 99.984 99.986
1994 99.988 99.990 99.995 99.993 99.982 99.983 99.986 99.980 99.982 99.982 99.982 99.982
1995 99.982 99.982 99.982 . . . . . . . . .
96
Au tableau C10a, on applique une moyenne mobile centrée sur 12 mois. Le premier terme
111.533
APR86 =
24
108.791+ 100.768+ 103.343+ 99.855 + 107.886+ 101.516+ 97.775 + 103.452+ 95.472 + 67.789 + 101.979
+
12
111.471
+
24
= 100.011
répétée pour les six mois suivants. Les coefficients saisonniers normalisés sont alors obtenus en
divisant le tableau C10a par le tableau C10b, pour obtenir :
C10: FACTEURS SAISONNIERS
1985 . . . . . . . . . 111.521 108.779 100.758
1986 103.332 99.844 107.875 101.505 97.768 103.444 95.457 67.778 101.968 111.463 108.761 100.829
1987 103.444 99.772 107.796 101.500 97.691 103.408 95.495 68.004 101.910 111.485 108.689 100.806
1988 103.603 99.681 107.631 101.524 97.565 103.366 95.565 68.412 101.833 111.475 108.709 100.629
1989 103.870 99.497 107.364 101.578 97.468 103.200 95.649 69.048 101.799 111.580 108.576 100.348
1990 104.063 99.316 107.098 101.675 97.327 103.110 95.822 69.703 101.743 111.590 108.478 100.034
1991 104.240 99.066 106.921 101.744 97.319 102.924 96.050 70.329 101.727 111.603 108.206 99.832
1992 104.243 98.868 106.882 101.818 97.353 102.860 96.298 70.701 101.718 111.435 107.947 99.849
1993 104.198 98.722 106.939 101.839 97.474 102.801 96.399 70.896 101.806 111.252 107.645 100.048
1994 104.105 98.636 107.033 101.862 97.504 102.835 96.411 70.940 101.872 111.133 107.512 100.212
1995 104.019 98.588 107.145 . . . . . . . . .
Avec, par exemple : APR86=100*(101.516/100.011)=101.505
97
4.2.10 Tableau C11 : Estimation de la série corrigée des variations saisonnières
Cette estimation s'obtient simplement en retirant à la série de départ, du tableau B1 (et non pas
C1), l'estimation de la composante saisonnière du tableau C10 : C11 = B1 _op C10
Ainsi, puisque l’on part de la série B1, cette série corrigée des variations saisonnières comporte
les valeurs extrêmes détectées précédemment.
4.2.10.2 Exemple
C11: SÉRIE DÉSAISONNALISÉE PROVISOIRE
1985 . . . . . . . . . 103.747 100.938 99.844
1986 103.163 98.854 96.315 107.876 99.931 100.248 104.445 96.934 103.169 105.058 99.576 103.541
1987 97.154 103.436 104.735 105.517 102.364 104.731 106.603 101.023 106.663 104.858 105.530 109.121
1988 103.955 110.553 110.284 106.477 110.080 110.965 105.897 111.092 112.537 105.763 111.582 113.983
1989 113.507 112.768 111.956 112.919 113.370 116.569 110.404 114.992 112.182 113.550 116.784 112.309
1990 116.371 113.275 115.408 114.187 118.775 113.277 116.674 119.507 112.636 118.290 117.167 110.762
1991 118.284 113.863 111.578 117.353 116.421 113.385 120.042 116.026 114.424 118.635 115.336 115.995
1992 118.474 118.238 116.015 117.857 112.786 115.400 116.410 113.152 117.285 115.762 113.111 113.972
1993 109.120 114.564 114.739 112.138 110.696 113.910 112.138 112.418 112.764 108.762 113.057 114.745
1994 111.714 113.042 115.852 113.290 116.919 117.665 113.576 120.384 118.384 113.738 118.777 119.746
1995 119.305 117.965 121.517 . . . . . . . . .
4.2.11 Tableau C13 : Estimation de la composante irrégulière
Cette estimation s'obtient simplement en retirant à la série corrigée des variations saisonnière, du
tableau C11, l'estimation de la composante Tendance-Cycle du tableau C7 : C13 = C11 _op C7
4.2.11.2 Exemple
C13: SÉRIE DES FACTEURS IRRÉGULIERS
1985 . . . . . . . . . 101.911 99.452 98.755
1986 102.463 98.559 96.214 107.663 99.347 99.093 102.626 94.806 100.703 102.497 97.137 100.898
1987 94.433 100.157 100.999 101.390 98.133 100.296 101.979 96.428 101.448 99.303 99.531 102.530
1988 97.290 103.011 102.302 98.300 101.134 101.516 96.550 100.944 101.809 95.144 99.724 101.282
1989 100.459 99.576 98.765 99.630 100.100 102.940 97.394 101.258 98.569 99.542 102.153 98.008
1990 101.323 98.475 100.151 98.861 102.552 97.524 100.281 102.711 96.942 102.085 101.453 96.200
1991 102.926 99.057 96.898 101.670 100.640 97.885 103.566 100.058 98.629 102.151 99.133 99.499
1992 101.492 101.357 99.731 101.710 97.672 100.145 101.066 98.220 101.892 100.836 98.976 100.288
1993 96.492 101.612 101.865 99.533 98.250 101.232 99.920 100.431 100.835 97.127 100.597 101.571
1994 98.354 99.036 101.105 98.542 101.367 101.715 97.902 103.439 101.325 96.882 100.637 100.923
1995 100.098 98.631 101.369 . . . . . . . . .
98
4.2.12 Tableau C14 : Valeurs de la composante irrégulière exclues de la régression
pour Jours Ouvrables
Les tableaux C14, C15 et C16 portent sur l’estimation finale de l’effet de la composition
journalière du mois. Au tableau C14, X11 va repérer les valeurs extrêmes de la composante
irrégulière et les exclure des calculs. La recherche se fait en deux phases :
• Étape 1 : Calcul d'un écart-type global et repérage des valeurs atypiques
L'étape B nous fournit une première estimation de l'effet jours ouvrables, effet résumé dans le
tableau B16 (ou B18 si une correction a priori a été demandée par l'utilisateur). La composante
irrégulière du tableau C13 est alors corrigée de cet effet pour obtenir un résidu : Res = C13 –
B1629.
On calcule ensuite une estimation de la variance de ce résidu, par la moyenne des carrés de ce
résidu, ce qui revient à supposer que les résidus sont de moyenne nulle.
N N
∑ (C13 − B16 i ) = ∑ (R )
1 1
On a donc : σ 2 =
2 2
i i
N i =1 N i =1
Une valeur I i de l'irrégulier est jugée atypique si le résidu associé Ri est trop grand et, plus
précisément, si : Ri ≥ λ * σ où σ est l'écart-type global calculé ci-dessus et λ un paramètre
modifiable par l'utilisateur et fixé par défaut à 2.5.
On refait les calculs ci-dessus en excluant les valeurs atypiques repérées. On obtient alors un
nouvel écart-type et de nouvelles valeurs atypiques qui seront exclues de la régression pour jours
ouvrables ; ces valeurs figurent dans le tableau C14.
4.2.12.2 Remarques
• Le calcul fait ici est donc sensiblement différent de celui fait en B14. L'utilisation des
coefficients correcteurs du tableau B16 permet, dans la mesure où ces coefficients ont été
calculés à partir de la structure journalière de chaque mois, de distinguer tous les types de
mois et non 15 types seulement comme à l'étape B.
• Toutes les observations, hormis les valeurs détectées comme atypiques, sont utilisées pour la
régression. Dans X11-ARIMA88, lorsqu'une extrapolation ARIMA est demandée, les
coefficients journaliers sont estimés sur l'ensemble des données disponibles jusqu'au dernier
mois de décembre30.
29
Il s'agit bien ici d'une soustraction dans la mesure où le modèle posé pour l'effet jours ouvrables est un
modèle de régression linéaire.
30
Sauf si on demande aussi une correction de l’effet de Pâques ; dans ce cas, tous les points sont utilisés.
99
4.2.12.3 Exemple
On corrige la composante irrégulière du tableau C13 par les coefficients pour jours ouvrables du
tableau B16 pour obtenir les résidus en valeur absolue du tableau C14a.
C14a : COMPOSANTE IRRÉGULIÈRE CORRIGÉE DES EFFETS POUR JOURS OUVRABLES
1985 . . . . . . . . . 0.149 0.680 1.254
1986 1.070 0.556 1.511 6.596 0.493 0.006 0.565 2.872 0.477 1.104 0.243 0.396
1987 5.407 1.042 0.990 0.171 0.455 0.884 0.586 1.298 0.381 0.536 0.432 0.469
1988 0.388 0.070 0.241 0.472 1.125 0.298 1.128 0.350 0.526 2.581 1.343 1.442
1989 0.450 0.460 2.628 2.250 1.193 1.657 0.331 0.803 0.203 0.467 0.935 0.330
1990 0.029 0.640 0.312 0.238 0.491 1.248 0.272 1.318 0.438 0.791 0.170 1.525
1991 0.865 0.058 0.781 0.489 0.753 0.505 2.272 0.218 0.469 0.090 0.361 0.510
1992 0.098 0.241 0.278 0.492 0.007 1.036 0.327 0.494 0.824 0.996 0.123 1.773
1993 1.187 2.497 0.572 1.750 0.524 0.165 0.080 0.422 0.383 0.552 0.584 0.178
1994 0.629 0.079 0.955 0.230 1.358 0.496 0.223 2.145 0.041 0.844 0.430 1.084
1995 0.089 0.485 0.024 . . . . . . . . .
Ainsi on a, pour le mois d’avril 1986 : APR86 = 107.663 − 101.067 = 6.596

La moyenne des carrés des éléments du tableau C14a fournit une première estimation de l'écart-
type :
N
∑ (R )
1
σ = i
2
= 1.2302
N i =1
Les deux seuls points qui s'éloignent, en valeur absolue, de plus de 3.076 (soit 2.5 σ ) sont les
valeurs de avril 1986 et janvier 1987. Ces deux points sont donc exclus.
Le nouvel écart-type se calcule simplement en enlevant les résidus concernés et on obtient

σ = 0.9439
Ce nouveau calcule conduit à une borne égale à 2.360 (soit 2.5 σ ) et donc à l'élimination de 6
points : APR86, AUG86, JAN87, OCT88, MAR89 et FEB93.
C14 : VALEURS DE L'IRRÉGULIER EXCLUES DE LA RÉGRESSION POUR JOURS OUVRABLES
1985 . . . . . . . . . . . .
1986 . . . 107.663 . . . 94.806 . . . .
1987 94.433 . . . . . . . . . . .
1988 . . . . . . . . . 95.144 . .
1989 . . 98.765 . . . . . . . . .
1990 . . . . . . . . . . . .
1991 . . . . . . . . . . . .
1992 . . . . . . . . . . . .
1993 . 101.612 . . . . . . . . . .
1994 . . . . . . . . . . . .
1995 . . . . . . . . . . . .
100
4.2.13 Tableau C15 : Régression finale pour Jours Ouvrables
Des poids journaliers vont être à présent estimés grâce à une régression par moindres carrés
ordinaires sur les données non jugées atypiques du tableau C13, selon une méthodologie
identique à celle présentée au tableau B15 (voir 4.1.16.1) et que nous ne reprendrons pas ici.
4.2.13.2 Exemple
C15 : RÉGRESSION POUR JOURS OUVRABLES
Poids Combinés Poids Coefficients Std Student Prob >t

a Priori de la régression
Lundi 1.092 1.000 0.092 0.067 1.373 0.086
Mardi 1.242 1.000 0.242 0.066 3.649 0.000
Mercredi 1.083 1.000 0.083 0.068 1.210 0.114
Jeudi 1.356 1.000 0.356 0.068 5.215 0.000
Vendredi 1.076 1.000 0.076 0.068 1.126 0.131
Samedi 0.518 1.000 -0.482 0.066 -7.281 0.000
Dimanche 0.632 1.000 -0.368 0.067 -5.458 0.000
Somme D.D.L Moyenne F-Value Prob > F

des Carrés des Carrés
RÉGRESSION 26.115 6 4.352 68.245 0.000
ERREUR 6.505 106 0.064
TOTAL 32.620 112
Si nous nous fixons un risque de première espèce de 1 % par exemple, les tests s'interprètent de la
façon suivante :
• Le test de Fisher rejette l'hypothèse nulle d'égalité des coefficients journaliers ; on peut donc
admettre l'existence d'un effet dû à la composition journalière du mois. En effet, la probabilité
de trouver une valeur de la statistique de Fisher plus grande que celle trouvée (68.245) est
quasiment nulle et donc inférieure à notre risque de première espèce. Nous sommes donc
dans la région critique du test ce qui ne nous permet pas d'accepter l'hypothèse nulle d'égalité
des coefficients journaliers.
• On interprète de la même manière les tests de Student mais en prenant garde à ce que la loi de
Student est symétrique. Il faut donc comparer la valeur (Prob > |t|) à la moitié du risque de
première espèce soit 0.005. Tous les tests conduisant à une valeur plus petite que 0.005 ne
permettent pas d'accepter l'hypothèse de nullité du coefficient journalier. Dans notre cas, les
coefficients de mardi, jeudi, samedi et dimanche sont jugés significativement différents de 0.
• Enfin, on peut remarquer que par rapport aux résultats du tableau B15, la précision des
estimation s'est accrue grâce à la correction des valeurs atypiques.
101
4.2.14 Tableau C16 : Coefficients d’ajustement pour jours ouvrables issus de la
régression
Des estimations de la régression, on déduit le tableau C16, similaire au tableau B16, des
coefficients mensuels M i d'ajustement pour jours ouvrables.
La composante irrégulière du tableau C13 est alors corrigée de ces effets de calendrier pour
aboutir à un tableau "C16bis", malheureusement non imprimable dans les logiciels usuels :
C16bis = C13 _op C16
4.2.14.2 Remarques
• X11-ARIMA88 présente en plus un tableau C16A répétant les coefficients de chaque jour
obtenus par la régression
• X12-ARIMA et X11-ARIMA88 présentent aussi un tableau C16C estimant les coefficients
de correction des douze prochains mois.
4.2.14.3 Exemple
C16 : COEFFICIENTS DE CORRECTION POUR JOURS OUVRABLES ISSUS DE LA RÉGRESSION
1985 . . . . . . . . . 102.198 98.646 99.895
1986 101.662 99.115 97.557 101.084 99.839 99.083 102.198 97.504 101.116 101.662 97.167 101.347
1987 99.839 99.115 99.895 101.463 97.504 101.116 101.662 97.557 101.084 99.839 99.083 102.198
1988 97.504 102.982 102.198 98.646 99.895 101.463 97.504 101.347 101.441 97.557 101.084 99.839
1989 99.895 99.115 101.662 97.167 101.347 101.441 97.557 102.198 98.646 99.895 101.463 97.504
1990 101.347 99.115 99.839 99.083 102.198 98.646 99.895 101.662 97.167 101.347 101.441 97.557
1991 102.198 99.115 97.504 101.116 101.662 97.167 101.347 99.839 99.083 102.198 98.646 99.895
1992 101.662 100.947 99.895 101.463 97.504 101.116 101.662 97.557 101.084 99.839 99.083 102.198
1993 97.504 99.115 101.347 101.441 97.557 101.084 99.839 99.895 101.463 97.504 101.116 101.662
1994 97.557 99.115 102.198 98.646 99.895 101.463 97.504 101.347 101.441 97.557 101.084 99.839
1995 99.895 99.115 101.662 . . . . . . . . .
Prenons comme exemples les mois d'avril 1986 et février 1989.

Lundi Mardi Mercredi Jeudi Vendredi Samedi Dimanche Nb jours
poids 1.092 1.242 1.083 1.356 1.076 0.518 0.632
Nombre de
APR86 4 5 5 4 4 4 4 30
FEB89 4 4 4 4 4 4 4 28
Les coefficients de correction pour ces mois seront donc, aux arrondis près :
100* (4*1.0925+ 5 *1.2424+ 5 *1.0828+ 4 *1.3562+ 4 *1.0761+ 4 * 0.5176+ 4 * 0.6325)
APR86 = ≈ 101.084
30
ou plus simplement, puisque Mardi et Mercredi sont les seuls jours intervenant 5 fois dans le
mois :
100* (28 + 1.2424+ 1.0828)
APR86 = ≈ 101.084
30
28
et, pour un mois de Février de 28 jours : FEB89 = = 99.115
28.25
102
On obtient ensuite une valeur corrigée de la composante irrégulière (tableau C16bis ci-après) :
107.663 99.576
APR86 = 100 * = 106.509 et FEB89 = 100 * = 100.465
101.084 99.115
C16bis : IRRÉGULIER CORRIGÉ DES EFFETS JOURS OUVRABLES ISSUS DE LA RÉGRESSION
1985 . . . . . . . . . 99.720 100.817 98.860
1986 100.788 99.439 98.624 106.509 99.508 100.010 100.419 97.234 99.592 100.822 99.969 99.557
1987 94.585 101.051 101.106 99.928 100.645 99.189 100.312 98.843 100.360 99.464 100.452 100.325
1988 99.781 100.028 100.102 99.649 101.241 100.052 99.022 99.602 100.363 97.527 98.655 101.446
1989 100.565 100.465 97.151 102.535 98.770 101.478 99.834 99.080 99.922 99.647 100.680 100.517
1990 99.976 99.355 100.313 99.776 100.346 98.863 100.387 101.033 99.769 100.728 100.012 98.610
1991 100.712 99.941 99.378 100.547 98.995 100.739 102.189 100.220 99.542 99.954 100.494 99.604
1992 99.833 100.406 99.837 100.244 100.172 99.039 99.415 100.680 100.799 100.999 99.892 98.131
1993 98.962 102.519 100.511 98.119 100.710 100.147 100.081 100.537 99.381 99.613 99.486 99.911
1994 100.818 99.920 98.931 99.895 101.474 100.248 100.408 102.064 99.885 99.308 99.558 101.086
1995 100.204 99.511 99.712 . . . . . . . . .
103
4.2.15 Tableau C17 : Poids préliminaires pour la correction de l'irrégulier
A partir de l'estimation de la composante irrégulière C16bis, ou du tableau C13 si aucune

correction pour jours ouvrables n'est demandée, on cherche à identifier et à corriger les points
atypiques. Pour cela, on utilise l'algorithme de détection des points atypiques et de calcul de poids
correctifs détaillé aux tableaux B4 et B9 (voir respectivement 4.1.4 et 4.1.9). Comme on dispose
déjà d'une estimation de l'irrégulier, seules les étapes 4 et 5 sont appliquées.
4.2.15.2 Remarques
Les remarques faites aux tableaux B4 et B9 concernant le calcul des écart-types mobiles et des
poids correctifs sont aussi valables ici.
4.2.15.3 Exemple
• Calcul d'un écart-type mobile
1 60
σ 89 = ∑
60 i =1
( xi − 100) 2 = 1.4629
Ceux des années 1988, 1990, 1991 et 1992 sont calculés selon le même principe. Pour X11-
ARIMA88 et X12-ARIMA, l'écart-type de 1987 est calculé à partir de l'ensemble des
observations disponibles de 1985 à 1990, soit 63 observations. Les résultats du calcul de X11-
ARIMA88 et X12-ARIMA figurent dans le tableau C17a, colonne Écart-type 1.
C17a : VALEURS DES ÉCART-TYPES MOBILES SUR CINQ ANS

1985 1.4389 0.9815
1986 1.4389 0.9815
1987 1.4389 0.9815
1988 1.4629 0.9889
1989 1.1712 0.9476
1990 0.9538 0.9538
1991 0.9526 0.9030
1992 0.8592 0.8021
1993 0.8420 0.7861
1994 0.8420 0.7861
1995 0.8420 0.7861
Ce premier calcul sert à repérer d'éventuels points atypiques. Comme le montre la figure 17, les
valeurs de avril 1986, janvier 1987 et février 1993 sont détectées comme très atypiques.
31
104
Figure 17 : Écart à la moyenne de l'irrégulier et "limites supérieures de confiance" (tableau
C17)
Apr-86
6
4
Feb-93
-2
-4
Jan-87
-6
On a en effet :
APR86 − 100 = 106.509 − 100 = 6.509 > 2.5 * σ 86 = 2.5 * 1.4389 = 3.597 ,
JAN 87 − 100 = 94.585 − 100 = 5.415 > 2.5 * σ 87 = 2.5 * 1.4389 = 3.597 et
FEB93 − 100 = 102.519 − 100 = 2.519 > 2.5 * σ 93 = 2.5 * 0.8420 = 2.105
Ces points sont donc éliminés du second calcul de l'écart-type mobile qui conduit aux résultats de
la colonne "Écart-type 2" du tableau C17a.
• Détection et correction des valeurs atypiques

inférieures calculées à partir des nouvelles estimations des écart-types. Toutes les valeurs situées
au delà des limites de confiance inférieures (voir figure 18) sont considérées comme atypiques et
vont donc être corrigées, à des degrés divers, et les poids associés à chacune de ces valeurs
figurent dans le tableau C17.
C17 : POIDS PRÉLIMINAIRES POUR LA CORRECTION DE L'IRRÉGULIER
BORNES RETENUES : DE 1.5 À 2.5 SIGMA
1985 . . . . . . . . . 100.000 100.000 100.000
1986 100.000 100.000 100.000 0.000 100.000 100.000 100.000 0.000 100.000 100.000 100.000 100.000
1987 0.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1988 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 0.000 100.000 100.000
1989 100.000 100.000 0.000 0.000 100.000 94.034 100.000 100.000 100.000 100.000 100.000 100.000
1990 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1991 100.000 100.000 100.000 100.000 100.000 100.000 7.552 100.000 100.000 100.000 100.000 100.000
1992 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 16.963
1993 100.000 0.000 100.000 10.773 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1994 100.000 100.000 100.000 100.000 62.449 100.000 100.000 0.000 100.000 100.000 100.000 100.000
1995 100.000 100.000 100.000 . . . . . . . . .
105
Figure 18 : Écart à la moyenne de l'irrégulier et "limites de confiance" (tableau C17)
Apr-86
6
4
Feb-93
-2
-4
Jan-87
-6
Les valeurs jugées précédemment très atypiques le restent et sont affectées d'un poids nul. Ainsi :
APR86 − 100 = 106.509 − 100 = 6.509 > 2.5 * σ 86 = 2.5 * 0.9815 = 2.454
Pour juillet 1991, situé entre les deux limites de confiance et donc jugé moyennement atypique on
a:
JUL91 − 100 = 102.189 − 100 = 2.189
1.5 * σ 91 = 1.5 * 0.9030 = 1.3545 < 2.189 < 2.5 * σ 91 = 2.5 * 0.9030 = 2.2575
moyenne constaté de, aux arrondis près :
2.2575 − 2.189
poids ( JUL91) = = 0.075
2.2575 − 1.3545
106
4.2.16 Tableau C18 : Coefficients pour jours ouvrables combinés (issus de
l'ajustement a priori et de la régression pour jours ouvrables)
Comme au tableau B18, si on a fourni au préalable des coefficients journaliers de correction a

priori des effets de jours ouvrables (schéma multiplicatif seulement) et si on a aussi demandé une
régression pour jours ouvrables, le tableau C18 présente le résultat combiné de ces deux
corrections, simple addition des deux effets, où les poids combinés proviennent du tableau C15.
4.2.16.2 Remarque
Dans X12-ARIMA, d’autres effets peuvent être estimés au moment de la régression sur la
composante irrégulière (Pâques, Labor Day, Thanksgiving …..). Dans ce cas le tableau C18 prend
en compte l’ensemble des effets.
4.2.16.3 Exemple
Dans notre cas, le tableau C18 est identique au tableau C16.
C18: COEFFICIENTS COMBINÉS DE CORRECTION POUR EFFET DE JOURS OUVRABLES
1985 . . . . . . . . . 102.198 98.646 99.895
1986 101.662 99.115 97.557 101.084 99.839 99.083 102.198 97.504 101.116 101.662 97.167 101.347
1987 99.839 99.115 99.895 101.463 97.504 101.116 101.662 97.557 101.084 99.839 99.083 102.198
1988 97.504 102.982 102.198 98.646 99.895 101.463 97.504 101.347 101.441 97.557 101.084 99.839
1989 99.895 99.115 101.662 97.167 101.347 101.441 97.557 102.198 98.646 99.895 101.463 97.504
1990 101.347 99.115 99.839 99.083 102.198 98.646 99.895 101.662 97.167 101.347 101.441 97.557
1991 102.198 99.115 97.504 101.116 101.662 97.167 101.347 99.839 99.083 102.198 98.646 99.895
1992 101.662 100.947 99.895 101.463 97.504 101.116 101.662 97.557 101.084 99.839 99.083 102.198
1993 97.504 99.115 101.347 101.441 97.557 101.084 99.839 99.895 101.463 97.504 101.116 101.662
1994 97.557 99.115 102.198 98.646 99.895 101.463 97.504 101.347 101.441 97.557 101.084 99.839
1995 99.895 99.115 101.662 . . . . . . . . .
107
4.2.17 Tableau C19 : Série brute corrigée des effets de jours ouvrables
La série du tableau B1, ou du tableau A1 si aucun ajustement préalable n'est demandé, est
corrigée par les effets de jours ouvrables estimés précédemment (tableau C18). On a donc :
C19 = B1 _op C18
4.2.17.2 Exemple
C19: SÉRIE BRUTE CORRIGÉE DES EFFETS DE JOURS OUVRABLES
1985 . . . . . . . . . 113.212 111.307 100.706
1986 104.858 99.581 106.502 108.326 97.858 104.660 97.556 67.382 104.039 115.186 111.458 103.012
1987 100.663 104.121 113.019 105.555 102.560 107.105 100.136 70.421 107.535 117.089 115.761 107.634
1988 110.457 107.009 116.147 109.584 107.513 113.046 103.791 74.990 112.972 120.853 119.999 114.886
1989 118.024 113.202 118.236 118.044 109.031 118.591 108.245 77.692 115.768 126.834 124.971 115.585
1990 119.490 113.504 123.800 117.174 113.114 118.404 111.918 81.939 117.941 130.246 125.294 113.575
1991 120.648 113.807 122.354 118.082 111.448 120.103 113.767 81.732 117.477 129.553 126.513 115.922
1992 121.482 115.803 124.131 118.269 112.611 117.390 110.268 82.004 118.021 129.209 123.230 111.353
1993 116.611 114.110 121.069 112.578 110.602 115.845 108.275 79.784 113.144 124.098 120.357 112.924
1994 119.213 112.496 121.333 116.984 114.120 119.255 112.303 84.265 118.887 129.566 126.331 120.194
1995 124.231 117.338 128.072 . . . . . . . . .
On a donc par exemple : APR86 = 100 * (109.500 / 101.084) = 108.326
108
4.2.18 Tableau C20 : Valeurs de correction des points atypiques de l'irrégulier
Les valeurs de la composante irrégulière C16bis, ou C13 si on ne demande pas de régression pour
jours ouvrables, détectées comme atypiques lors de la constitution du tableau C17, et pour
lesquelles on a donc calculé un poids, sont corrigées, comme au tableau B20, de la façon suivante
:
C20 = C16bis _op [_xbar + C17 * (C16bis – _xbar)]
4.2.18.2 Exemple
La valeur de mai 1994, détectée comme atypique et affectée d'un poids égal à 0.62449 sera donc
corrigée de la façon suivante, puisque nous avons ici un schéma multiplicatif :
1.01474
MAY 94 = 100 * = 100.549
1 + 0.62449 * (1.01474 − 1)
C20:VALEURS DE CORRECTION POUR LES POINTS JUGÉS ATYPIQUES
1985 . . . . . . . . . 100.000 100.000 100.000
1986 100.000 100.000 100.000 106.509 100.000 100.000 100.000 97.234 100.000 100.000 100.000 100.000
1987 94.585 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1988 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 97.527 100.000 100.000
1989 100.000 100.000 97.151 102.535 100.000 100.087 100.000 100.000 100.000 100.000 100.000 100.000
1990 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1991 100.000 100.000 100.000 100.000 100.000 100.000 102.021 100.000 100.000 100.000 100.000 100.000
1992 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 98.443
1993 100.000 102.519 100.000 98.319 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1994 100.000 100.000 100.000 100.000 100.549 100.000 100.000 102.064 100.000 100.000 100.000 100.000
1995 100.000 100.000 100.000 . . . . . . . . .
109
4.3 PARTIE D : Estimation finale des différentes composantes
4.3.1 Tableau D1 : Série brute ajustée pour tenir compte des ajustements a priori,
de ceux liés à la correction pour jours ouvrables et des points atypiques
détectés
Ce tableau présente la série brute corrigée des divers effets mis en évidence lors de la partie C,
points jugés atypiques et effets liés aux jours ouvrables, et ajustée a priori par les éléments de la
partie A.
Il est donc calculé à partir du tableau C19 qui prend en compte les effets dus aux jours ouvrables,
ou du tableau B1 si la régression pour jours ouvrables n'est pas demandée, et du tableau C20 qui
précise les corrections à apporter aux points jugés atypiques.
On a donc : D1 = C19 _op C20
4.3.1.2 Exemple
D1: SÉRIE ORIGINALE AJUSTÉE
1985 . . . . . . . . . 113.212 111.307 100.706
1986 104.858 99.581 106.502 101.706 97.858 104.660 97.556 69.299 104.039 115.186 111.458 103.012
1987 106.425 104.121 113.019 105.555 102.560 107.105 100.136 70.421 107.535 117.089 115.761 107.634
1988 110.457 107.009 116.147 109.584 107.513 113.046 103.791 74.990 112.972 123.917 119.999 114.886
1989 118.024 113.202 121.703 115.126 109.031 118.488 108.245 77.692 115.768 126.834 124.971 115.585
1990 119.490 113.504 123.800 117.174 113.114 118.404 111.918 81.939 117.941 130.246 125.294 113.575
1991 120.648 113.807 122.354 118.082 111.448 120.103 111.514 81.732 117.477 129.553 126.513 115.922
1992 121.482 115.803 124.131 118.269 112.611 117.390 110.268 82.004 118.021 129.209 123.230 113.114
1993 116.611 111.306 121.069 114.503 110.602 115.845 108.275 79.784 113.144 124.098 120.357 112.924
1994 119.213 112.496 121.333 116.984 113.498 119.255 112.303 82.561 118.887 129.566 126.331 120.194
1995 124.231 117.338 128.072 . . . . . . . . .
Ainsi, la valeur du mois d'avril 1986, jugée atypique, devient :

APR86 = 100*( 108.326 / 106.509 ) = 101.706
110
4.3.2 Tableau D2 : Estimation préliminaire de la Tendance-Cycle
Une nouvelle estimation de la composante Tendance-Cycle est obtenue, comme en B2 et C2, en

appliquant aux données du tableau D1 une moyenne mobile centrée simple d'ordre 12.
4.3.2.2 Remarques
(Cholette, 1981).
• Les 6 premiers et les 6 derniers points de la série ne sont pas imputés à ce stade du calcul.
4.3.2.3 Exemple
D2: TENDANCE-CYCLE - MOYENNE MOBILE SIMPLE SUR 12 TERMES
1985 . . . . . . . . . . . .
1986 . . . 101.023 101.111 101.213 101.375 101.629 102.090 102.522 102.878 103.176
1987 103.385 103.540 103.732 103.957 104.216 104.588 104.948 105.236 105.487 105.785 106.160 106.614
1988 107.013 107.356 107.773 108.284 108.745 109.224 109.841 110.415 110.904 111.366 111.661 111.951
1989 112.363 112.661 112.890 113.128 113.457 113.693 113.784 113.857 113.957 114.130 114.385 114.552
1990 114.702 115.032 115.299 115.532 115.687 115.617 115.582 115.642 115.595 115.572 115.541 115.542
1991 115.596 115.571 115.543 115.495 115.516 115.665 115.798 115.915 116.073 116.154 116.211 116.146
1992 115.981 115.941 115.975 115.983 115.832 115.578 115.258 114.868 114.553 114.268 114.028 113.879
1993 113.732 113.557 113.261 112.845 112.512 112.384 112.485 112.643 112.703 112.818 113.042 113.305
1994 113.615 113.898 114.253 114.720 115.197 115.749 116.261 116.672 117.154 . . .
1995 . . . . . . . . . . . .
Ainsi la valeur d'avril 1986 s'obtient à partir des valeurs du tableau D1 de octobre 1985 à octobre
1986 (6 mois avant et 6 mois après) :
113 .212
APR 86 = +
24
111.307 + 100.706 + 104.858 + 99.581 + 106.502 + 101.706 + 97.858 + 104.660 + 97.556 + 69.299 + 104.039
12
115 .186
+
24
= 101 .023
111
4.3.3 Tableau D4 : Estimation préliminaire de la composante Saisonnier-Irrégulier
modifiée
La composante Tendance-Cycle est enlevée de la série analysée pour obtenir une estimation de la
On a donc : D4 = D1 _op D2
4.3.3.2 Remarque
Là encore, pas d'estimation pour les 6 valeurs de début et les 6 valeurs de fin de la série.
4.3.3.3 Exemple
D4: COMPOSANTE SAISONNIER-IRRÉGULIER MODIFIÉE
1985 . . . . . . . . . . . .
1986 . . . 100.677 96.783 103.405 96.233 68.188 101.909 112.353 108.339 99.841
1987 102.940 100.562 108.953 101.538 98.411 102.407 95.415 66.917 101.941 110.686 109.045 100.957
1988 103.218 99.677 107.770 101.201 98.867 103.499 94.492 67.917 101.865 111.269 107.468 102.622
1989 105.039 100.480 107.806 101.766 96.099 104.217 95.132 68.237 101.589 111.131 109.255 100.902
1990 104.175 98.672 107.373 101.422 97.776 102.410 96.830 70.855 102.030 112.696 108.442 98.297
1991 104.371 98.474 105.895 102.240 96.478 103.836 96.301 70.510 101.210 111.535 108.865 99.807
1992 104.743 99.881 107.033 101.971 97.219 101.568 95.671 71.390 103.028 113.075 108.070 99.328
1993 102.531 98.018 106.894 101.470 98.303 103.079 96.257 70.829 100.391 109.998 106.471 99.664
1994 104.927 98.769 106.197 101.974 98.525 103.029 96.596 70.764 101.479 . . .
1995 . . . . . . . . . . . .
La valeur de avril 1986 s’obtient donc simplement : APR86 = 100*( 101.706 / 101.023 ) = 100.677
112
4.3.4 Tableau D5 : Estimation de la composante saisonnière

tableau D4. Encore une fois, on procède en deux étapes, comme en B5 et C5 :
• Étape 1 : estimation de la composante saisonnière avec une moyenne 3x3.
• Étape 2 : normalisation des coefficients saisonniers par une moyenne mobile centrée sur 12
termes
4.3.4.2 Exemple
L'estimation est faite à partir de la composante Saisonnier-Irrégulier modifiée du tableau D4.
moyenne mobile 3x3, pour aboutir au tableau D5a.
100.677 + 101.538 * 2 + 101.201 * 3 + 101.766 * 2 + 101.422
APR88 = = 101.367
9
série (années 1993 et 1994), on utilise des moyennes asymétriques prédéfinies. Ainsi, par
exemple, en avril 1987, on utilise un point dans le passé, le point courant et deux points dans le
futur :
100.677 * 7 + 101.538 *10 + 101.201 * 7 + 101.766 * 3
APR87 = = 101.252
27
D5a: FACTEURS SAISONNIERS PROVISOIRES (mm 3x3)
1985 . . . . . . . . . . . .
1986 . . . 101.124 97.832 103.016 95.577 67.620 101.914 111.473 108.465 100.811
1987 103.442 100.186 108.259 101.252 97.850 103.150 95.356 67.652 101.874 111.319 108.476 101.093
1988 103.724 100.003 108.042 101.367 97.798 103.284 95.292 68.122 101.844 111.388 108.420 101.080
1989 104.135 99.686 107.617 101.591 97.386 103.413 95.529 68.853 101.745 111.505 108.610 100.590
1990 104.367 99.276 107.147 101.717 97.174 103.156 95.947 69.929 101.842 111.974 108.567 99.807
1991 104.280 99.003 106.800 101.860 97.092 102.973 96.144 70.565 101.747 111.920 108.372 99.471
1992 104.126 98.897 106.694 101.859 97.502 102.664 96.173 70.941 101.755 111.836 107.903 99.425
1993 103.930 98.746 106.638 101.816 97.877 102.758 96.198 70.922 101.448 111.536 107.566 99.553
1994 103.917 98.669 106.636 101.768 98.193 102.779 96.287 70.906 101.323 . . .
1995 . . . . . . . . . . . .
113
D5b: MOYENNE MOBILE CENTRÉE SUR 12 MOIS
1985 . . . . . . . . .
1986 99.982 99.982 99.982 99.982 99.982 99.982 99.982 99.988 99.994
1987 99.991 99.983 99.983 99.974 99.968 99.981 100.004 100.008 99.992 99.987 99.990 99.994
1988 99.996 100.013 100.032 100.033 100.034 100.031 100.048 100.051 100.021 100.012 100.004 99.993
1989 100.008 100.048 100.074 100.075 100.088 100.075 100.065 100.057 100.021 100.006 100.003 99.983
1990 99.990 100.052 100.101 100.125 100.142 100.108 100.072 100.057 100.031 100.022 100.025 100.014
1991 100.014 100.049 100.072 100.065 100.055 100.033 100.012 100.002 99.993 99.988 100.005 100.010
1992 99.998 100.015 100.031 100.028 100.005 99.983 99.973 99.959 99.950 99.946 99.960 99.979
1993 99.984 99.984 99.971 99.946 99.919 99.910 99.915 99.911 99.908 99.906 99.917 99.931
1994 99.936 99.939 99.933 99.933 99.933 99.933 99.933 99.933 99.933
1995 . . . . . . . . .
Au tableau D5a, on applique une moyenne mobile centrée sur 12 mois. Le premier terme
calculable est donc celui de octobre 1986 et le dernier, celui de mars 1994. Ainsi :
111.505
APR90 =
24
108.610+ 100.590 + 104.367 + 99.276 + 107.147 + 101.717 + 97.174 + 103.156 + 95.947 + 69.929 + 101.842
+
12
111.974
+
24
= 100.125
Les six premières valeurs, de avril à septembre 1986, non calculables avec cette moyenne mobile
symétrique, seront prises égales à la première valeur calculable, celle de octobre 1986 (99.982).
On procède de même pour la fin de série : la valeur calculée pour mars 1994 (99.933) est répétée
pour les six mois suivants. Les coefficients saisonniers normalisés sont alors obtenus en divisant
le tableau D5a par le tableau D5b, pour obtenir :
D5: FACTEURS SAISONNIERS
1985 . . . . . . . . . 111.493 108.478 100.817
1986 103.452 100.203 108.278 101.143 97.850 103.034 95.594 67.632 101.932 111.493 108.478 100.817
1987 103.452 100.203 108.278 101.278 97.881 103.170 95.352 67.646 101.882 111.333 108.487 101.100
1988 103.728 99.989 108.008 101.334 97.765 103.252 95.247 68.087 101.823 111.374 108.416 101.088
1989 104.127 99.638 107.537 101.515 97.300 103.335 95.467 68.814 101.724 111.498 108.608 100.607
1990 104.378 99.224 107.039 101.590 97.036 103.045 95.878 69.890 101.811 111.949 108.540 99.793
1991 104.265 98.955 106.723 101.794 97.038 102.940 96.132 70.564 101.755 111.933 108.366 99.461
1992 104.128 98.882 106.661 101.831 97.498 102.681 96.199 70.970 101.806 111.896 107.947 99.445
1993 103.947 98.762 106.669 101.871 97.956 102.851 96.279 70.985 101.541 111.641 107.655 99.622
1994 103.984 98.729 106.707 101.836 98.259 102.848 96.351 70.954 101.391 111.641 107.655 99.622
1995 103.984 98.729 106.707 . . . . . . . . .

114
4.3.5 Tableau D6 : Estimation de la série corrigée des variations saisonnières
Cette estimation s'obtient simplement en retirant à la série du tableau D1, l'estimation de la

composante saisonnière du tableau D5 : D6 = D1 _op D5
4.3.5.2 Exemple
D6: SÉRIE DÉSAISONNALISÉE PROVISOIRE
1985 . . . . . . . . . 101.542 102.608 99.890
1986 101.359 99.379 98.360 100.557 100.008 101.577 102.052 102.465 102.067 103.312 102.746 102.178
1987 102.874 103.910 104.379 104.223 104.780 103.814 105.017 104.101 105.548 105.171 106.705 106.463
1988 106.487 107.020 107.536 108.142 109.971 109.485 108.970 110.138 110.950 111.262 110.685 113.649
1989 113.347 113.613 113.173 113.408 112.056 114.664 113.385 112.902 113.806 113.754 115.067 114.888
1990 114.479 114.392 115.659 115.340 116.569 114.905 116.730 117.240 115.843 116.344 115.436 113.811
1991 115.714 115.010 114.646 116.001 114.850 116.673 116.001 115.827 115.451 115.742 116.746 116.550
1992 116.665 117.112 116.379 116.143 115.501 114.325 114.625 115.547 115.927 115.472 114.158 113.745
1993 112.183 112.702 113.499 112.400 112.910 112.634 112.459 112.396 111.427 111.158 111.798 113.352
1994 114.646 113.943 113.707 114.875 115.509 115.953 116.556 116.359 117.256 116.055 117.348 120.650
1995 119.472 118.848 120.022 . . . . . . . . .
115
4.3.6 Tableau D7 : Estimation de la composante Tendance-Cycle

désaisonnalisée du tableau précédent. La méthodologie est la même que celle suivie pour
construire le tableau C7 (voir 4.2.6).
4.3.6.2 Exemple

C
On lisse tout d’abord le tableau D6 par une moyenne mobile de Henderson sur 13 termes dont les
coefficients figurent dans le tableau 3 (voir 3.3.1).
On a par exemple pour avril 1990 :
APR90= 113.754*(-0.01935)+115.067*(-0.02786)+114.888*(0.00000)+114.479*(0.06549)
+114.392*(0.14736)+115.659*(0.21434)+115.340*(0.24006)+116.569*(0.21434)
+114.905*(0.14736)+116.730*(0.06549)+117.240*(0.00000)+115.843*(-0.02786)
+116.344*(-0.01935) =115.507
en fin de série. On en déduit une estimation de la tendance (tableau D7a) et, par rapport avec le
tableau D6, de la composante irrégulière (tableau D7b):
D7a : TENDANCE-CYCLE (Moyenne Mobile de Henderson sur 13 termes)
1985 . . . . . . . . . . . .
1986 . . . 99.924 100.448 101.139 101.793 102.277 102.510 102.619 102.727 102.919
1987 103.227 103.605 103.961 104.237 104.392 104.458 104.568 104.811 105.176 105.595 105.986 106.358
1988 106.769 107.255 107.783 108.342 108.897 109.373 109.753 110.132 110.620 111.245 111.976 112.620
1989 113.055 113.305 113.399 113.377 113.299 113.273 113.379 113.577 113.823 114.082 114.322 114.577
1990 114.827 115.007 115.221 115.507 115.844 116.190 116.387 116.378 116.190 115.852 115.462 115.118
1991 114.922 114.960 115.161 115.427 115.657 115.784 115.845 115.893 115.954 116.098 116.330 116.583
1992 116.752 116.675 116.343 115.875 115.469 115.236 115.197 115.241 115.170 114.874 114.359 113.735
1993 113.185 112.848 112.740 112.756 112.737 112.564 112.240 111.920 111.807 111.956 112.336 112.886
1994 113.478 114.036 114.508 114.946 115.391 115.783 116.130 116.484 116.891 . . .
1995 . . . . . . . . . . . .
D7b : IRRÉGULIER
1985 . . . . . . . . . . . .
1986 . . . 100.633 99.562 100.433 100.254 100.183 99.568 100.676 100.018 99.280
1987 99.659 100.295 100.402 99.987 100.372 99.383 100.430 99.323 100.354 99.598 100.678 100.099
1988 99.737 99.781 99.771 99.816 100.986 100.102 99.286 100.005 100.298 100.015 98.847 100.914
1989 100.258 100.272 99.800 100.027 98.903 101.228 100.005 99.406 99.985 99.713 100.652 100.271
1990 99.697 99.466 100.380 99.855 100.626 98.894 100.294 100.740 99.702 100.425 99.978 98.865
1991 100.689 100.043 99.553 100.497 99.301 100.767 100.135 99.943 99.567 99.693 100.358 99.972
1992 99.926 100.375 100.031 100.231 100.028 99.209 99.503 100.265 100.658 100.520 99.825 100.008
1993 99.115 99.871 100.673 99.684 100.153 100.062 100.195 100.426 99.660 99.286 99.521 100.413
1994 101.029 99.919 99.300 99.939 100.102 100.147 100.367 99.893 100.313 . . .
1995 . . . . . . . . . . . .
Le schéma étant multiplicatif, on calcule les taux de croissance moyens.
116
D7c : CROISSANCE, EN VALEUR ABSOLUE, DE LA TENDANCE
1985 . . . . . . . . . . . . 0.000
1986 . . . . 0.524 0.688 0.646 0.476 0.227 0.106 0.106 0.187 2.961
1987 0.299 0.367 0.343 0.265 0.149 0.064 0.105 0.232 0.348 0.399 0.370 0.350 3.291
1988 0.386 0.456 0.492 0.518 0.513 0.437 0.347 0.345 0.443 0.566 0.657 0.575 5.735
1989 0.387 0.221 0.083 0.019 0.069 0.023 0.093 0.175 0.217 0.227 0.210 0.224 1.948
1990 0.218 0.156 0.186 0.249 0.291 0.299 0.169 0.008 0.161 0.291 0.337 0.298 2.664
1991 0.170 0.033 0.175 0.231 0.199 0.110 0.053 0.041 0.053 0.124 0.199 0.217 1.606
1992 0.146 0.066 0.285 0.401 0.351 0.201 0.034 0.038 0.062 0.257 0.449 0.545 2.835
1993 0.484 0.298 0.095 0.014 0.017 0.154 0.288 0.285 0.100 0.133 0.339 0.489 2.697
1994 0.525 0.491 0.414 0.382 0.388 0.340 0.299 0.305 0.350 . . . 3.494
1995 . . . . . . . . . . . . 0.000
2.961 + 3.291 + 5.735 + 1.948 + 2.664 + 1.606 + 2.835 + 2.697 + 3.494

C= = 0.2696
101
D7d : CROISSANCE, EN VALEUR ABSOLUE, DE L'IRRÉGULIER
1985 . . . . . . . . . . . . 0.000
1986 . . . . 1.065 0.875 0.178 0.071 0.615 1.113 0.653 0.739 5.308
1987 0.382 0.638 0.107 0.414 0.385 0.985 1.053 1.102 1.038 0.754 1.085 0.575 8.518
1988 0.362 0.044 0.010 0.045 1.173 0.876 0.815 0.724 0.293 0.283 1.168 2.092 7.884
1989 0.650 0.014 0.471 0.227 1.124 2.351 1.208 0.599 0.582 0.272 0.942 0.378 8.817
1990 0.573 0.232 0.920 0.523 0.772 1.721 1.416 0.445 1.031 0.725 0.445 1.113 9.916
1991 1.845 0.641 0.490 0.948 1.190 1.476 0.628 0.191 0.377 0.127 0.668 0.385 8.965
1992 0.047 0.450 0.343 0.200 0.203 0.819 0.297 0.766 0.392 0.137 0.692 0.184 4.527
1993 0.893 0.762 0.804 0.983 0.471 0.091 0.133 0.230 0.762 0.375 0.236 0.896 6.637
1994 0.613 1.099 0.619 0.643 0.164 0.044 0.220 0.473 0.420 . . . 4.295
1995 . . . . . . . . . . . . 0.000
5.308 + 8.518 + 7.884 + 8.817 + 9.916 + 8.965 + 4.527 + 6.637 + 4.295

I = = 0.64224
101
I 0.64224
donc = = 2.3822
C 0.2696

le tableau 3 (voir 3.3.1). L'estimation de la tendance pour octobre 1985 se fait en utilisant le point
H6_0 du tableau 3.
Oct85 = 101.542*(0.42113)+102.608*(0.35315)+99.890*(0.24390)+101.359*(0.11977)
+99.379*(0.01202)+98.360*(-0.05811)+100.557*(-0.09186) =101.743
Ce qui conduit au tableau D7 :

D7: TENDANCE-CYCLE
valeur de I/C: 2.3822; Une moyenne mobile de HENDERSON sur 13 termes a été choisie
1985 . . . . . . . . . 101.743 101.327 100.829
1986 100.322 99.896 99.730 99.924 100.448 101.139 101.793 102.277 102.510 102.619 102.727 102.919
1987 103.227 103.605 103.961 104.237 104.392 104.458 104.568 104.811 105.176 105.595 105.986 106.358
1988 106.769 107.255 107.783 108.342 108.897 109.373 109.753 110.132 110.620 111.245 111.976 112.620
1989 113.055 113.305 113.399 113.377 113.299 113.273 113.379 113.577 113.823 114.082 114.322 114.577
1990 114.827 115.007 115.221 115.507 115.844 116.190 116.387 116.378 116.190 115.852 115.462 115.118
1991 114.922 114.960 115.161 115.427 115.657 115.784 115.845 115.893 115.954 116.098 116.330 116.583
1992 116.752 116.675 116.343 115.875 115.469 115.236 115.197 115.241 115.170 114.874 114.359 113.735
1993 113.185 112.848 112.740 112.756 112.737 112.564 112.240 111.920 111.807 111.956 112.336 112.886
1994 113.478 114.036 114.508 114.946 115.391 115.783 116.130 116.484 116.891 117.414 118.042 118.680
1995 119.243 119.691 120.001 . . . . . . . . .
117
4.3.7 Tableau D8 : Estimation de la composante Saisonnier-Irrégulier non modifiée
La composante Tendance-Cycle est enlevée de la série analysée, C19 ou B1 si l'option de

correction pour jours ouvrables n'a pas été choisie, pour obtenir une estimation de la composante
Saisonnier-Irrégulier. On a donc : D8 = C19 _op D7 et les valeurs extrêmes sont présentes dans
cette série.
Plusieurs tests, paramétrique et non-paramétrique, sur la présence de saisonnalité sont édités.
1. Deux tests de « saisonnalité stable » sont proposés, l’un paramétrique et l’autre non-
paramétrique, pour trancher entre les deux hypothèses :
 H 0 : m1 = m2 = .... = mk

H 1 : mi ≠ m j pour au moins un couple (i, j )
où m1 , m 2 ,...., m k sont les facteurs saisonniers stables pour les 12 mois ou les 4 trimestres.
• Le premier, dit test de saisonnalité stable, est un test paramétrique basé sur un modèle
d’analyse de la variance à un facteur en tout point similaire à celui édité après le tableau
B1 (voir 4.1.3.1).
• Le second est un test non-paramétrique de Kruskal-Wallis : les données du tableau D8
sont supposées provenir de k échantillons indépendants A1 , A2 ,..., Ak (4 si la série est
trimestrielle, 12 si elle est mensuelle) de tailles respectives n1 , n2 ,..., n k . Le test est fondé
12 k
S i2
sur la statistique H = ∑
N ( N + 1) i =1 ni
− 3( N + 1) où S i est la somme des rangs des
k
observations de l’échantillon Ai dans la série des N = ∑n
i =1
i observations. Cette
quantité, sous l’hypothèse nulle, suit une loi du Chi-deux à k-1 degrés de liberté.
2. Vient ensuite un test dit de « saisonnalité évolutive » qui est un test basé sur un modèle
d’analyse de la variance à deux facteurs (le mois ou le trimestre, et l’année) proposé par
Higginson (1975).
Ce test repose sur la modélisation des valeurs de la composante Saisonnier-Irrégulier du
tableau D8 suivante :
SI ij − _ xbar = X ij = mi + b j + eij , où
• mi désigne l’effet du mois, ou trimestre i ( i=1 …k)
• b j désigne l’effet de l’année j (j=1….N)
• eij représente l’effet résiduel, réalisation de lois indépendantes et identiquement
distribuées (i.i.d), de moyenne nulle.
Le test est basé sur la décomposition S 2 = S A2 + S B2 + S R2 où :
2
S 2 est la somme des carrés totale : S 2 = ∑∑ ( X ij − X .. ) avec X .. =

k N k N
1
•
i =1 j =1 kN
∑∑ X
i =1 j =1
ij
2
S A2 est la somme des carrés « inter mois » : S A2 = N ∑ ( X i. − X .. ) avec X i. = 1
k N
•
i =1 N
∑X j =1
ij
118
2
S B2 est la somme des carrés « inter année » : S B2 = k ∑ (X . j − X .. ) avec X . j =
N
1 k
•
j =1
∑ X ij
k i =1
2
S R2 est la somme des carrés « résiduelle » : S R2 = ∑ ∑ (X ij − X i . − X . j + X .. ) .
k N
•
i =1 j =1
L’hypothèse nulle ( H 0 ) : b1 = b2 = .... = bk , c’est à dire que la saisonnalité n’évolue pas au

S B2 ( N − 1)
cours des années, peut être testée grâce à la statistique FM = qui suit , sous
S R2 ( N − 1)(k − 1)
H 0 , une loi de Fisher-Snedecor à (N-1) et (k-1)(N-1) degrés de liberté.
3. Enfin, ces tests sont complétés par un test dit de « présence d’une saisonnalité identifiable »
construit à partir des valeurs des statistiques de Fisher des tests paramétrique de
« saisonnalité stable » (statistique FS ) et de « saisonnalité évolutive » (statistique FM )
évoqués ci-dessus. Ce test a été élaboré, à partir de considérations théoriques et pratiques, par
Lothian et Morry (1978). La valeur de la statistique de test T est :
T1 =
7 3F
, T2 = M , T =
1
(T1 + T2 )
FS FS 2
La version finale du test combiné s’interprète alors selon le diagramme suivant :
Test de la présence d’une

saisonnalité stable au niveau de 0.1% ( FS )
Échec Succès (présence de saisonnalité)
Test de la présence d’une

saisonnalité évolutive au niveau de 5% ( FM )
Échec Succès
3F 7 3F
T1 =
7
, T2 = M , T =
1
(T1 + T2 ) T1 =
FS
, T2 = M
FS
FS FS 2
Échec si T ≥ 1 Échec si T1 ≥ 1 ou T2 ≥ 1
Succès
Échec Succès
Échec
Test non-paramétrique de
Kruskal-Wallis au niveau de 0.1%
Échec
Succès
Pas de coefficient Probablement pas de coefficient Facteur saisonnier

saisonnier identifiable saisonnier identifiable identifiable
119
4.3.7.2 Exemple
D8: SÉRIE BRUTE DÉBARRASSÉE DE SA TENDANCE (estimation Saisonnier Irrégulier)
1985 . . . . . . . . . 111.272 109.850 99.878
1986 104.521 99.685 106.791 108.408 97.421 103.481 95.838 65.882 101.491 112.247 108.498 100.090
1987 97.516 100.498 108.713 101.265 98.245 102.534 95.762 67.188 102.243 110.885 109.223 101.200
1988 103.455 99.770 107.760 101.147 98.729 103.358 94.567 68.091 102.126 108.636 107.165 102.012
1989 104.396 99.909 104.265 104.116 96.233 104.695 95.472 68.405 101.709 111.178 109.316 100.880
1990 104.061 98.694 107.446 101.443 97.643 101.905 96.160 70.407 101.507 112.424 108.516 98.660
1991 104.983 98.997 106.246 102.300 96.361 103.730 98.207 70.524 101.314 111.589 108.754 99.434
1992 104.051 99.253 106.694 102.066 97.525 101.869 95.721 71.158 102.476 112.478 107.757 97.905
1993 103.027 101.119 107.388 99.842 98.106 102.914 96.468 71.287 101.196 110.845 107.140 100.034
1994 105.054 98.649 105.960 101.774 98.899 102.998 96.705 72.340 101.708 110.349 107.022 101.276
1995 104.183 98.034 106.726 . . . . . . . . .
La valeur d’avril 1986 s’obtient donc simplement : APR86 = 100*( 108.326 / 99.924 ) = 108.408

Entre les Mois 11264.919 11 1024.084 498.194 0.000
Résidu 209.670 102 2.056
TOTAL 11474.589 113
TEST NON-PARAMÉTRIQUE DE LA PRÉSENCE D'UNE SAISONNALITÉ STABLE
Statistique de Kruskal-Wallis D.D.L PROB>F

104.780 11 0.000
TEST DE LA PRÉSENCE D'UNE SAISONNALITÉ ÉVOLUTIVE

Entre les Années 20.628 8 2.578 1.724 0.104
Résidu 131.614 88 1.496
Nous ne détaillerons pas les calculs complexes conduisant aux valeurs des différentes statistiques
de test. Par contre, explicitons le test combiné :
1. La statistique FS est suffisamment grande pour rejeter l’hypothèse d’égalité des coefficients
saisonniers.
2. La statistique FM montre que la série ne comporte aucune composante saisonnière
évolutive : le test accepte l’hypothèse H 0 .
7 7 3F 3 *1.724
3. On a T1 = = = 0.014 et T2 = M = = 0.010 et donc ces deux
FS 498.194 FS 498.194
statistiques sont plus petites que 1.
4. Le test non-paramétrique de Kruskal-Wallis confirme l’existence d’une saisonnalité
Le test combiné statuera donc sur la présence d’une saisonnalité identifiable.
120
4.3.8 Tableau D9 : Valeurs de remplacement pour les points atypiques de la
Le tableau D8 nous donne une estimation de la composante Saisonnier-Irrégulier "brute"

puisqu'elle est issue de la série C19 corrigée des effets pour jours ouvrables (ou de la série B1 si
aucune correction n'a été demandée).
On peut utiliser, à la place de la série C19 (ou B1), la série D1 corrigée à la fois des valeurs
atypiques et des effets de jours ouvrables. La comparaison de ces deux estimations de la
composante Saisonnier-Irrégulier (corrigée ou non des valeurs atypiques) nous permet de repérer
les valeurs de remplacement utilisées pour les points jugés atypiques. Ces valeurs sont alors
consignées dans le tableau D9.
On compare donc les séries C19 _op D7 et D1 _op D7.
4.3.8.2 Exemple
On enlève à la série D1 l'estimation de la tendance obtenue en D7.
D9bis: VALEURS FINALES DES S-I corrigés
1985 . . . . . . . . . 111.272 109.850 99.878
1986 104.521 99.685 106.791 101.783 97.421 103.481 95.838 67.756 101.491 112.247 108.498 100.090
1987 103.098 100.498 108.713 101.265 98.245 102.534 95.762 67.188 102.243 110.885 109.223 101.200
1988 103.455 99.770 107.760 101.147 98.729 103.358 94.567 68.091 102.126 111.390 107.165 102.012
1989 104.396 99.909 107.322 101.542 96.233 104.604 95.472 68.405 101.709 111.178 109.316 100.880
1990 104.061 98.694 107.446 101.443 97.643 101.905 96.160 70.407 101.507 112.424 108.516 98.660
1991 104.983 98.997 106.246 102.300 96.361 103.730 96.261 70.524 101.314 111.589 108.754 99.434
1992 104.051 99.253 106.694 102.066 97.525 101.869 95.721 71.158 102.476 112.478 107.757 99.453
1993 103.027 98.634 107.388 101.549 98.106 102.914 96.468 71.287 101.196 110.845 107.140 100.034
1994 105.054 98.649 105.960 101.774 98.359 102.998 96.705 70.878 101.708 110.349 107.022 101.276
1995 104.183 98.034 106.726 . . . . . . . . .
Avec par exemple : APR86 = 100*( 101.706 / 99.924 ) = 101.783 .

Cette table est comparée au tableau D8 ; les valeurs qui ne coïncident pas correspondent aux
valeurs de remplacement des points jugés atypiques et sont éditées dans le tableau D9
D9: VALEURS FINALES DE REMPLACEMENT DES S-I EXTRÊMES
1985 . . . . . . . . . . . .
1986 . . . 101.783 . . . 67.756 . . . .
1987 103.098 . . . . . . . . . . .
1988 . . . . . . . . . 111.390 . .
1989 . . 107.322 101.542 . 104.604 . . . . . .
1990 . . . . . . . . . . . .
1991 . . . . . . 96.261 . . . . .
1992 . . . . . . . . . . . 99.453
1993 . 98.634 . 101.549 . . . . . . . .
1994 . . . . 98.359 . . 70.878 . . . .
1995 . . . . . . . . . . . .
121
4.3.9 Tableau D9A : Calcul des "Ratios de Saisonnalité Mobile" (RSM).
A partir du tableau non édité D9bis précédent, on va essayer de mesurer l'importance de la

composante irrégulière par rapport à la composante saisonnière et ce, pour chaque mois. L'idée
est que nous allons avoir à lisser cette composante pour estimer la composante saisonnière ; selon
l'importance de l'irrégulier dans la composante Saisonnier-Irrégulier, nous serons amenés à
utiliser des moyennes mobiles plus ou moins longues. Nous avons déjà rencontré cette idée dans
le programme d'extraction de la Tendance-Cycle où le ratio I servait à choisir la longueur de
C
la moyenne mobile de Henderson. Le programme procède en plusieurs étapes.
• Étape 1 : estimation des composantes irrégulière et saisonnière
Une estimation de la composante saisonnière est obtenue en lissant, mois par mois donc colonne
par colonne, le tableau D9bis par une moyenne mobile simple sur 7 termes, donc de coefficients
1 1 1 1 1 1 1 
 , , , , , ,  . Pour ne pas perdre 3 points au début et à la fin de chaque colonne,
7 7 7 7 7 7 7 
chacune d'entre elle va être fictivement complétée. Supposons que la colonne correspondant au
mois soit composée de N valeurs {x1 , x 2 , x3 , K , x N −1 , x N } . Elle va être transformée en une série
{x − 2 , x −1 , x0 , x1 , x 2 , x3 , K , x N −1 , x N , x N +1 , x N + 2 , x N +3 } avec :
x + x 2 + x3 x + x N −1 + x N − 2
x − 2 = x −1 = x 0 = 1 et x N +1 = x N + 2 = x N + 3 = N
3 3
On a donc alors les estimations souhaitées : S = M 7 ( D9bis ) et I = D9bis _op S
• Étape 2 : Calcul des "Ratios de Saisonnalité Mobile"
Pour chaque mois i on s'intéresse aux moyennes des évolutions annuelles de chaque composante
en calculant :
N N
∑ ∑
1 i
1 i
Si = S i ,t _ op S i ,t −1 − _xbar , I i = I i ,t _ op I i ,t −1 − _xbar , où N i désigne

N i − 1 t =2 N i − 1 t =2
le nombre de mois i dans les données, et le ratio de saisonnalité mobile du mois i :
RSM i = I i S i . Ces ratios sont publiés dans le tableau D9A
• Étape 3 : Calcul du "Ratio de Saisonnalité Mobile" global
Un Ratio de Saisonnalité Mobile global est calculé de la façon suivante :

∑Ni * Ii
RSM = i
∑Ni * Si
i
122
4.3.9.2 Remarques
• Ces Ratios servent à mesurer l'importance du "bruit" dans la composante Saisonnier-

Irrégulier. L'idée de base est bien d'avoir, pour chaque mois, un indicateur permettant de
choisir une moyenne mobile appropriée pour enlever le bruit et obtenir une bonne estimation
du coefficient saisonnier. Plus le ratio est élevé, plus la série est "chaotique" et plus l'ordre de
la moyenne mobile à utiliser doit être important. Pour la suite, le programme par défaut
choisit la même moyenne mobile pour lisser chaque série mensuelle mais on a ici des
éléments permettant de choisir une moyenne mobile pour chaque mois.
• En fait ce n'est pas tout à fait aussi simple et une correction est apportée au niveau mensuel au
calcul des S i et I i . Ces quantités sont multipliées respectivement par des paramètres CS i et
FIS i dont la valeur dépend du nombre d'années disponibles pour chaque mois : le calcul
théorique et la justification de ces constantes se trouve dans Lothian (1978). On trouvera ci-
après les valeurs de ces constantes selon le nombre d'années nyear de la colonne i :
nyear CS FIS
4 3 90
2 842 + 21 2
5 3 2 60
1+ 3 894 + 2 211
6 5 6 25 3
8+ 2 2 298 + 67
7 et plus 3 * nyear 5 6 * nyear
6 2 + (nyear − 6) 3 6 149 + 5 6 (nyear − 6)
4.3.9.3 Exemple
A partir du tableau D9bis, nous allons détailler le calcul pour le mois de mai par exemple. La
composante Saisonnier-Irrégulier pour ce mois est celle de la colonne 1 du tableau suivant :
ANNÉE Colonne 1 Colonne 2 MM7

98.132
98.132
1985 . 98.132 .
1986 97.421 97.421 97.861
1987 98.245 98.245 97.791
1988 98.729 98.729 97.538
1989 96.233 96.233 97.451
1990 97.643 97.643 97.549
1991 96.361 96.361 97.565
1992 97.525 97.525 97.461
1993 98.106 98.106 97.713
1994 98.359 98.359 97.763
1995 . 97.997 .
97.997
97.997
97.421 + 98.245 + 98.729

La moyenne des 3 premières années est : = 98.132
3
97.525 + 98.106 + 98.359
Celle des 3 dernières années : = 97.997
3
123
La série à traiter est donc celle de la colonne 2 du tableau précédent. En lissant par une moyenne
mobile d'ordre 7, on a, par exemple pour le point de l'année 1986 :
98.132 + 98.132 + 98.132 + 97.421 + 98.245 + 98.729 + 96.233
MAY 86 = = 97.861
7
Ces calculs conduisent à l'estimation des facteurs saisonniers du tableau suivant.
FACTEURS SAISONNIERS
1985 . . . . . . . . . 111.457 108.901 100.621
1986 103.792 99.974 107.693 101.419 97.861 103.335 95.401 67.782 101.919 111.415 108.919 100.691
1987 103.845 99.789 107.649 101.425 97.791 103.161 95.511 68.172 101.855 111.552 108.823 100.444
1988 104.029 99.648 107.433 101.554 97.538 103.248 95.636 68.579 101.763 111.569 108.760 100.308
1989 104.081 99.544 107.282 101.650 97.451 103.068 95.683 69.076 101.838 111.742 108.461 100.247
1990 103.867 99.394 107.367 101.616 97.549 102.988 95.773 69.580 101.796 111.541 108.267 100.239
1991 104.147 99.130 106.974 101.689 97.565 103.054 95.908 70.107 101.719 111.465 107.953 100.250
1992 104.251 98.882 106.826 101.782 97.461 102.945 96.155 70.538 101.672 111.441 107.973 99.999
1993 104.207 98.672 106.736 101.818 97.713 102.658 96.273 70.924 101.684 111.448 107.686 99.909
1994 104.210 98.635 106.628 101.868 97.763 102.756 96.293 71.024 101.724 111.276 107.513 100.137
1995 104.083 98.555 106.692 . . . . . . . . .
En enlevant cette estimation du tableau D9bis, on obtient une estimation de la composante

irrégulière. Par exemple : APR 86 = 100 * (101.783 / 101.419) = 100.359
IRRÉGULIER
1985 . . . . . . . . . 99.834 100.871 99.261
1986 100.703 99.711 99.162 100.359 99.551 100.141 100.458 99.961 99.581 100.746 99.614 99.403
1987 99.281 100.711 100.989 99.842 100.465 99.391 100.263 98.557 100.381 99.402 100.368 100.753
1988 99.448 100.122 100.304 99.599 101.221 100.106 98.883 99.289 100.357 99.840 98.534 101.699
1989 100.303 100.367 100.038 99.895 98.750 101.490 99.779 99.029 99.873 99.496 100.788 100.631
1990 100.187 99.296 100.073 99.830 100.097 98.949 100.404 101.189 99.717 100.792 100.230 98.425
1991 100.803 99.867 99.320 100.601 98.765 100.656 100.369 100.594 99.601 100.111 100.742 99.186
1992 99.808 100.375 99.877 100.279 100.066 98.955 99.549 100.879 100.791 100.931 99.800 99.455
1993 98.868 99.962 100.611 99.736 100.403 100.250 100.202 100.511 99.520 99.459 99.493 100.125
1994 100.809 100.014 99.374 99.907 100.610 100.236 100.428 99.794 99.983 99.167 99.543 101.137
1995 100.097 99.471 100.032 . . . . . . . . .
Colonne par colonne, on calcule ensuite les variations annuelles moyennes de l'irrégulier et de la
composante saisonnière selon les formules correspondant au schéma multiplicatif :
1 N 1 N Si,t - Si,t −1 1 N 1 N I i,t - I i,t −1
Si = ∑
N − 1 t =2
Si ,t /Si,t −1 − 1 = ∑
N − 1 t =2 Si,t −1
et I i =
N − 1 t =2
∑
I i,t /Ii,t −1 − 1 = ∑
N − 1 t =2 I i,t −1
Les accroissements annuels, en pourcentage sont :
TAUX DE CROISSANCE DES FACTEURS SAISONNIERS EN VALEUR ABSOLUE
1986 . . . . . . . . . 0.0371 0.0165 0.0696
1987 0.0509 0.1844 0.0410 0.0063 0.0713 0.1685 0.1155 0.5752 0.0625 0.1226 0.0884 0.2454
1988 0.1776 0.1413 0.2002 0.1270 0.2588 0.0839 0.1305 0.5963 0.0898 0.0155 0.0572 0.1360
1989 0.0493 0.1049 0.1410 0.0939 0.0889 0.1737 0.0496 0.7249 0.0733 0.1544 0.2748 0.0604
1990 0.2051 0.1508 0.0795 0.0329 0.1004 0.0785 0.0941 0.7302 0.0415 0.1792 0.1790 0.0081
1991 0.2689 0.2658 0.3663 0.0715 0.0167 0.0645 0.1407 0.7575 0.0751 0.0686 0.2904 0.0108
1992 0.0999 0.2502 0.1381 0.0912 0.1072 0.1059 0.2577 0.6148 0.0468 0.0213 0.0186 0.2505
1993 0.0422 0.2124 0.0844 0.0356 0.2585 0.2789 0.1227 0.5473 0.0119 0.0059 0.2659 0.0893
1994 0.0037 0.0369 0.1010 0.0495 0.0517 0.0959 0.0204 0.1411 0.0401 0.1538 0.1605 0.2280
1995 0.1226 0.0809 0.0596 . . . . . . . . .
99.648 - 99.789
Avec par exemple pour février 1988 : FEB88 = 100 * = 0.1413
99.789
124
CROISSANCE DE L'IRRÉGULIER EN VALEUR ABSOLUE
1986 . . . . . . . . . 0.9131 1.2463 0.1430
1987 1.4115 1.0026 1.8419 0.5154 0.9177 0.7482 0.1942 1.4050 0.8034 1.3343 0.7568 1.3578
1988 0.1679 0.5841 0.6776 0.2434 0.7531 0.7193 1.3761 0.7425 0.0241 0.4405 1.8274 0.9392
1989 0.8598 0.2446 0.2659 0.2969 2.4415 1.3817 0.9062 0.2614 0.4821 0.3446 2.2876 1.0502
1990 0.1157 1.0674 0.0357 0.0648 1.3638 2.5036 0.6266 2.1809 0.1564 1.3025 0.5536 2.1928
1991 0.6148 0.5749 0.7530 0.7724 1.3301 1.7250 0.0354 0.5876 0.1158 0.6751 0.5114 0.7735
1992 0.9865 0.5093 0.5606 0.3196 1.3171 1.6898 0.8170 0.2832 1.1944 0.8188 0.9352 0.2711
1993 0.9421 0.4118 0.7348 0.5417 0.3364 1.3088 0.6563 0.3646 1.2607 1.4584 0.3080 0.6735
1994 1.9633 0.0523 1.2294 0.1714 0.2061 0.0140 0.2256 0.7141 0.4654 0.2936 0.0508 1.0115
1995 0.7066 0.5430 0.6625 . . . . . . . . .
99.448 - 99.281
Avec par exemple pour janvier 1988 : JAN 88 = 100 * = 0.168
99.281
Pour calculer le Ratio de Saisonnalité Mobile du mois d'avril par exemple, on a, avec 8 années
d'observations :
8*1.732051 8 * 12.247449
CS APR = = 1.1596 et FIS APR = = 1.0025
8.485281 + ( 8-6 )*1.732051 73.239334 + ( 8-6 )*12.247449
0.5154 + 0.2434 + 0.2969 + 0.0648 + 0.7724 + 0.3196 + 0.5417 + 0.1714

I APR = * FIS APR ≈ 0 .3657 * 1 .0025 = 0 .3666
8
et
0.0063 + 0.1270 + 0.0939 + 0.0329 + 0.0715 + 0.0912 + 0.0356 + 0.0495
S APR = * CS APR = 0 . 0635 * 1 . 1596 = 0 .0736
8
0.367
d'où finalement : RSM APR = ≈ 4.98
0.075
Les résultats complets sont consignés dans le tableau D9A :
D9A: VARIATIONS SUR UN AN DES COMPOSANTES IRRÉGULIÈRE ET SAISONNIÈRE ET RAPPORT DE

SAISONNALITÉ ÉVOLUTIVE
JANV FÉVR MARS AVRIL MAI JUIN JUIL AOÛT SEPT OCT NOV DÉC
I 0.8651 0.5557 0.7529 0.3666 1.0859 1.2645 0.6062 0.8195 0.5642 0.8442 0.9440 0.9368
S 0.1292 0.1807 0.1533 0.0736 0.1382 0.1522 0.1350 0.6794 0.0639 0.0960 0.1711 0.1390
RATIO 6.697 3.075 4.911 4.979 7.858 8.310 4.491 1.206 8.826 8.790 5.518 6.739
125
4.3.10 Tableau D10 : Estimation finale des facteurs saisonniers
• Étape 1 : Calcul du Ratio de Saisonnalité Mobile global
Pour calculer un ratio de saisonnalité mobile global, le programme utilise l’ensemble des données
disponibles jusqu’à la dernière année complète, ceci pour éviter en cours d’année, de devoir
changer le filtre utilisé. Il calcule, pour chaque mois, les valeurs moyennes des évolutions des
composantes saisonnière et irrégulière selon la méthode décrite précédemment. Le ratio global
s’en déduit en pondérant ces quantités par le nombre de mois de chaque type :
∑N * I i i
RSM = i
∑N * S
i
i i
• Étape 2 : choix d'une moyenne mobile et estimation de la composante saisonnière
Selon la valeur du ratio, le programme va sélectionner automatiquement une moyenne mobile qui
sera appliquée, colonne par colonne (i.e. mois par mois) à la composante Saisonnier-Irrégulier du
tableau D8 modifiée, pour les points atypiques, par les valeurs du tableau D9.
Figure 19 : Critères de sélection de la moyenne mobile saisonnière
A B C D E
(3x3) (3x5) (3x9)
Global RSM 2.5 3.5 5.5 6.5
Le choix de la moyenne mobile repose, dans X11 ARIMA, sur la stratégie suivante :
• Un Ratio de Saisonnalité Mobile global est calculé de la manière indiquée au tableau D9A.
• Si ce ratio tombe dans la zone A ( RSM < 2.5), une moyenne mobile 3x3 est utilisée, s'il est
dans la zone C (3.5 < RSM < 5.5), une moyenne mobile 3x5 est sélectionnée et s'il est dans la
zone E (RSM > 6.5), c'est une moyenne mobile 3x9 qui sera utilisée.
• Si le ratio RSM tombe dans la zone B ou D, on enlève une année d'observations et on
recalcule le RSM. S'il retombe dans les zones B ou D, on recommence ... et ainsi de suite en
enlevant au maximum 5 années d'observations. Si cela ne marche pas, c'est à dire que l'on
tombe encore dans les zones B ou D, on choisit une 3x5.
126
La moyenne mobile symétrique choisie porte selon le cas sur 5 (3x3), 7 (3x5) ou 11 (3x9) termes
et ne permet donc pas d'estimer les valeurs des coefficients saisonniers des 2 (ou 3 ou 5)
premières et 2 (ou 3 ou 5) dernières années. Celles-ci sont alors calculées grâce à des moyennes
mobiles asymétriques ad hoc. On obtient alors une série de coefficients provisoires fspro
• Étape 3 : Normalisation des coefficients saisonniers
Ces coefficients saisonniers provisoires sont alors normalisés à l'aide d'une moyenne mobile
centrée sur 12 termes.
• Étape 4 : Prévision des coefficients saisonniers
Une prévision sur un an des facteurs saisonniers est alors calculée par simple projection linéaire à
partir des deux derniers coefficients saisonniers d'un mois donné. Si N est la dernière année
disponible pour un mois donné, on a donc :
3 * fs N − fs N −1
fs N +1 = fs N + ( fs N − fs N −1 ) =
1
2 2
4.3.10.2 Remarques
• Un problème pourrait intervenir dans l'application de ces moyennes mobiles asymétriques si

on ne dispose pas d'assez d'années d'observations. Supposons que nous n'ayons, pour un mois
donné, que 5 années d'observations pour une moyenne mobile 3x5. Le point central ne peut
être estimé puisqu'on ne dispose ni de 3 points dans le futur, ni de 3 points dans le passé ce
qui serait nécessaire pour pouvoir utiliser une moyenne mobile asymétrique. Dans ce cas, il
sera estimé par la moyenne simple des 5 observations disponibles. A chaque fois qu'on
rencontre un tel problème d'estimation, avec par exemple une 3x9 et moins de 11 années
d'observations, on utilise la moyenne simple des observations disponibles.
• Il est toujours possible de fixer soit même la moyenne mobile à utiliser. Dans ce cas, X11-
ARIMA88 permet de choisir entre une moyenne mobile simple sur 3 termes, une 3x3, une
3x5, une 3x9 et une saisonnalité stable. X12-ARIMA propose en plus une 3x15.
4.3.10.3 Exemple
L’analogue du tableau D9A calculé sur les données disponibles jusqu’en décembre 1994 (la
dernière année complète disponible), est le suivant :
I 0.88256 0.54414 0.76503 0.36663 1.08594 1.26447 0.60619 0.81945 0.56420 0.84420 0.94401 0.93682
S 0.12803 0.16754 0.16818 0.07363 0.13820 0.15217 0.13498 0.67941 0.06392 0.09604 0.17107 0.13902
RATIO 6.89366 3.24787 4.54879 4.97930 7.85791 8.30979 4.49105 1.20612 8.82600 8.79035 5.51829 6.73894
Comme on peut le constater, seules les valeurs des 3 premiers mois, ceux dont les dernières
valeurs ont été exclues, sont modifiées. Le ratio global s’en déduit aisément :
∑N *Ii i
RSM = i
∑N *S
i
i i
8 * (0.88256 + 0.54414 + 0.76503 + 0.36663 + 1.08594 + 1.26447 + 0.60619 + 0.81945 + 0.56420) + 9 * (0.84420 + 0.94401+ 0.93682)
=
8 * (0.12803+ 0.16754 + 0.16818 + 0.07363 + 0.13820 + 0.15217 + 0.13498 + 0.67941+ 0.06392) + 9 * (0.09604 + 0.17107 + 0.13902)
79.71415
= = 4.6068
17.30365
127
Le Ratio de Saisonnalité Mobile global calculé est de 4.61. Il est donc directement dans la zone C
et on va choisir une moyenne mobile 3x5 (voir 3.3.3, tableau 4) pour lisser la composante
Saisonnier-Irrégulier corrigée du tableau D9bis (voir 4.3.8.2) et obtenir ainsi le tableau D10bis.
101.783 + 2 *101.265 + 3 *101.147 + 3 *101.542 + 3 *101.443 + 2 *102.300 + 102.066

APR89 = = 101.558
15
15 *101.783 + 15 *101.265 + 15 *101.147 + 11 *101.542 + 4 *101.443

APR87 = = 101.428
60
D10bis: FACTEURS SAISONNIERS PROVISOIRES
1985 . . . . . . . . . 111.456 108.887 100.633
1986 103.797 99.973 107.690 101.420 97.847 103.346 95.401 67.787 101.917 111.434 108.827 100.720
1987 103.845 99.885 107.655 101.428 97.751 103.314 95.456 67.994 101.879 111.489 108.679 100.725
1988 103.924 99.750 107.584 101.470 97.585 103.299 95.538 68.384 101.829 111.504 108.650 100.606
1989 104.031 99.537 107.399 101.558 97.465 103.165 95.614 69.003 101.807 111.643 108.480 100.364
1990 104.097 99.332 107.204 101.673 97.305 103.108 95.766 69.666 101.749 111.669 108.398 100.072
1991 104.176 99.089 106.953 101.769 97.357 102.927 95.972 70.308 101.702 111.684 108.145 99.850
1992 104.199 98.886 106.790 101.843 97.453 102.855 96.189 70.723 101.651 111.518 107.934 99.838
1993 104.191 98.734 106.681 101.865 97.673 102.756 96.282 70.954 101.686 111.371 107.652 99.998
1994 104.141 98.626 106.662 101.872 97.751 102.764 96.292 71.020 101.721 111.279 107.524 100.131
1995 104.082 98.561 106.692 . . . . . . . . .
Ces facteurs sont alors normalisés en appliquant une moyenne mobile centrée d'ordre 12 qui
conduit au tableau D10ter suivant :
D10ter: FACTEURS DE NORMALISATION (mm12)
1985 . . . . . . . . . 100.012 100.012 100.012
1986 100.012 100.012 100.012 100.012 100.009 100.010 100.015 100.014 100.009 100.007 100.004 99.998
1987 99.999 100.010 100.017 100.018 100.014 100.008 100.012 100.009 100.001 100.000 99.994 99.987
1988 99.990 100.009 100.023 100.022 100.021 100.015 100.015 100.010 99.994 99.990 99.988 99.978
1989 99.975 100.004 100.029 100.034 100.033 100.016 100.008 100.003 99.986 99.983 99.981 99.972
1990 99.976 100.009 100.035 100.033 100.031 100.015 100.006 100.000 99.979 99.973 99.979 99.973
1991 99.974 100.010 100.035 100.033 100.023 100.004 99.995 99.988 99.973 99.969 99.976 99.977
1992 99.983 100.009 100.025 100.016 100.000 99.991 99.990 99.983 99.972 99.968 99.979 99.984
1993 99.983 99.997 100.008 100.003 99.985 99.980 99.985 99.978 99.973 99.972 99.976 99.980
1994 99.980 99.984 99.988 99.985 99.976 99.976 99.979 99.974 99.973 99.973 99.973 99.973
1995 99.973 99.973 99.973 . . . . . . . . .
On a par exemple :
111 . 456
APR 86 =
24
108.887 + 100.633 + 103.797 + 99.973 + 107.690 + 101.420 + 97.847 + 103.346 + 95.401 + 67.787 + 101.917
+
12
111 . 434
+
24
= 100 . 012
128
Il reste maintenant à corriger le tableau D10bis par le tableau D10ter pour obtenir l'estimation
finale des coefficients saisonniers du tableau D10 :
D10: FACTEURS SAISONNIERS FINAUX
UNE MOYENNE MOBILE 3x5 A ÉTÉ CHOISIE. RAPPORT I/S = 4.949
1985 . . . . . . . . . 111.443 108.874 100.621
1986 103.785 99.961 107.677 101.408 97.839 103.336 95.387 67.778 101.908 111.426 108.823 100.721
1987 103.846 99.874 107.636 101.410 97.738 103.306 95.445 67.987 101.878 111.490 108.686 100.739
1988 103.935 99.741 107.558 101.448 97.564 103.283 95.524 68.377 101.836 111.516 108.662 100.628
1989 104.057 99.532 107.368 101.524 97.433 103.149 95.606 69.001 101.821 111.663 108.501 100.393
1990 104.122 99.323 107.167 101.639 97.275 103.092 95.760 69.666 101.770 111.700 108.421 100.099
1991 104.202 99.080 106.916 101.735 97.334 102.923 95.976 70.317 101.730 111.719 108.171 99.873
1992 104.217 98.876 106.764 101.827 97.454 102.865 96.199 70.735 101.679 111.554 107.957 99.854
1993 104.208 98.737 106.672 101.862 97.688 102.776 96.297 70.969 101.714 111.402 107.678 100.018
1994 104.161 98.642 106.675 101.887 97.775 102.789 96.312 71.038 101.749 111.309 107.553 100.158
1995 104.111 98.588 106.721 . . . . . . . . .

On peut enfin prévoir le facteur saisonnier du mois d'avril 1995 de la façon suivante :
3 * 101.887 − 101.862
APR95 = = 101.899
2
Ce qui conduit au tableau D10A suivant :
D10A: PRÉVISION DES FACTEURS SAISONNIERS
1995 . . . 101.899 97.818 102.795 96.320 71.073 101.766 111.262 107.490 100.229
1996 104.085 98.561 106.743 . . . . . . . . .
129
4.3.11 Tableau D11 : Série corrigée des variations saisonnières et des effets de jours
ouvrables
La série de départ ou, si une correction pour jours ouvrables a été demandée, la série du tableau
C19 est corrigée des facteurs saisonniers du tableau D10, pour obtenir la série désaisonnalisée
finale (tableau D11) : D11 = C19 _op D10.
Un test de Fisher est effectué pour vérifier qu'il n'existe pas de saisonnalité résiduelle dans la série
D11. Pour cela, la tendance est d’abord enlevée par différenciation, sur 3 mois pour une série
mensuelle ou sur un trimestre pour une série trimestrielle. Le test est alors fait sur la série
complète mais aussi sur les trois dernières années, soit sur les 36 dernières observations pour une
série mensuelle et sur les 12 dernières pour une série trimestrielle. Ce test de Fisher correspond a
un test d’analyse de la variance à un facteur tout à fait similaire à celui présenté aux tableaux B3
et D8.
Seuls les statistiques de Fisher et le résultat du test aux niveaux de 1% et 5% sont édités. Un
message prévient aussi de la difficulté d’interpréter ce test lorsque la série évolue fortement dans
les dernières années d’observation.
4.3.11.2 Exemple
D11: SÉRIE DÉSAISONNALISÉE FINALE
1985 . . . . . . . . . 101.587 102.236 100.085
1986 101.034 99.620 98.909 106.822 100.020 101.281 102.274 99.415 102.091 103.374 102.421 102.275
1987 96.935 104.252 105.001 104.088 104.934 103.677 104.916 103.579 105.552 105.022 106.510 106.845
1988 106.275 107.287 107.985 108.020 110.198 109.453 108.654 109.671 110.936 108.373 110.433 114.168
1989 113.423 113.734 110.122 116.272 111.904 114.971 113.220 112.595 113.697 113.586 115.180 115.133
1990 114.759 114.279 115.521 115.285 116.283 114.852 116.874 117.617 115.890 116.603 115.563 113.463
1991 115.783 114.864 114.439 116.068 114.501 116.692 118.537 116.234 115.479 115.963 116.956 116.069
1992 116.566 117.119 116.267 116.147 115.553 114.120 114.624 115.931 116.072 115.827 114.147 111.515
1993 111.902 115.569 113.496 110.520 113.221 112.715 112.439 112.420 111.238 111.397 111.774 112.903
1994 114.450 114.044 113.741 114.818 116.718 116.020 116.603 118.619 116.844 116.402 117.460 120.004
1995 119.326 119.019 120.007 . . . . . . . . .
Avec par exemple : APR86 = 100*( 108.326 / 101.408 ) = 106.822 .

La série est alors différenciée sur 3 mois pour enlever la tendance avant d’effectuer le test de
saisonnalité résiduelle. Ainsi, on a : APR86 = 106.822 − 101.034 = 5.788 .
SÉRIE DÉSAISONNALISÉE DIFFÉRENCIÉE POUR TEST DE SAISONNALITÉ RÉSIDUELLE
1985 . . . . . . . . . . . .
1986 -0.553 -2.616 -1.176 5.788 0.400 2.372 -4.548 -0.604 0.810 1.100 3.005 0.184
1987 -6.440 1.832 2.726 7.154 0.682 -1.324 0.827 -1.355 1.875 0.107 2.931 1.293
1988 1.253 0.776 1.140 1.745 2.911 1.467 0.634 -0.527 1.483 -0.281 0.763 3.233
1989 5.050 3.300 -4.046 2.849 -1.830 4.849 -3.052 0.691 -1.274 0.366 2.585 1.436
1990 1.173 -0.901 0.388 0.525 2.004 -0.669 1.589 1.334 1.038 -0.271 -2.053 -2.427
1991 -0.820 -0.699 0.976 0.286 -0.364 2.252 2.468 1.733 -1.212 -2.574 0.722 0.590
1992 0.603 0.163 0.198 -0.419 -1.566 -2.147 -1.523 0.377 1.951 1.202 -1.784 -4.556
1993 -3.925 1.423 1.981 -1.381 -2.349 -0.781 1.919 -0.800 -1.477 -1.042 -0.646 1.665
1994 3.054 2.270 0.837 0.368 2.673 2.279 1.785 1.901 0.824 -0.201 -1.159 3.160
1995 2.924 1.559 0.003 . . . . . . . . .
130
Les résultats des tests de Fisher sont alors édités :
TEST SUR LA PRÉSENCE DE SAISONNALITÉ RÉSIDUELLE
Pas de saisonnalité résiduelle détectée dans la série complète au F=0.52

niveau de 1%
F=0.38
Pas de saisonnalité résiduelle détectée dans les 3 dernières années au
niveau de 1%
Pas de saisonnalité résiduelle détectée dans les 3 dernières années au
niveau de 5%
Remarque : Les résultats de ce test sur les 3 dernières années peuvent être
sujet à caution si le niveau de la série désaisonnalisée évolue fortement.
131
4.3.12 Tableau D11A : Série désaisonnalisée finale dont les totaux sont révisés
L’utilisateur peut demander d’ajuster la série désaisonnalisée du tableau D11, de façon à ce que
les totaux annuels de la série brute (éventuellement ajustée a priori) et de la série ainsi ajustée
D11A soient les mêmes (à des fins de publication par exemple). Dans ce cas, les différences
annuelles observées entre D11 et A1 sont réparties sur les valeurs de la série désaisonnalisée de
telle sorte que les évolutions mensuelles (ou trimestrielles) soient les plus semblables possible sur
les séries D11 et D11A.
En principe, cet ajustement n’est pas souhaitable lorsque la saisonnalité évolue sensiblement ou
lorsqu’on a demandé une correction pour jours ouvrables.
On trouvera tous les détails théoriques de l’ajustement dans Cholette (1978) ou Cholette et
Dagum (1994).
Supposons que nos séries - originale Y, corrigée des variations saisonnières Z et ajustée X -
comprennent T points répartis sur I années de J périodes (12 mois ou 4 trimestres). La série
inconnue X doit évoluer le plus parallèlement possible à la série connue Z, sous la contrainte que
ses sommes annuelles soient égales à celles de la série Y.
Si ∆ désigne l’opérateur différence première, le problème peut donc s’écrire :
 T
 x ∑ [∆( xt − z t )]
2
Min
t =2
J
∑ xij = y i. ∀i = 1,...., I
 j =1
Ou encore, en définissant les matrices suivantes :
− 1 1 0 L 0 0  1 e 0 L 0 0
 0 −1 1 L 0 0  1 0 e L 0 0
    
D =  L L L L L L , e = M et B = L L L L L
(T −1,T )
  ( J ,1)
 (T , I )
 
0 0 0 L 1 0 1 0 0 L e 0
 0 0 0 L − 1 1  1  0 0 L 0 e 
Min ( X − Z )′ D ′D( X − Z ) = ( X − Z )′ A( X − Z )
 X
 Y − B ′X = 0
En faisant intervenir un vecteur Λ de I multiplicateurs de Lagrange, la solution s’écrit :
−1
 Xˆ   A B   A 0   Z   Z  Z 
ˆ=      =W  =W 
 Λ   B ′ 0   B ′ I I  Y − B ′Z  Y − B ′Z   R
où I k désigne la matrice unité d’ordre k.
132
Comme on peut le voir, la matrice W, de dimensions (T+I,T+I), ne dépend pas des données, Y et
IT WX 
Z, et on peut montrer qu’elle a toujours la forme W = 
WΛ 
où W X est une matrice de
0
dimensions (T,I).
On a donc finalement :
I
∀t = 1,...., T xˆ t = z t + ∑ w X ( t ,i ) * ri
i =1
En d’autres termes, le coefficient correcteur apporté à la série z t (notre série D11) est une
moyenne pondérée des différences entre les totaux annuels des séries y t (notre série A1) et z t .
Cette moyenne porte sur les I années d’observations.
4.3.12.2 Remarques
• Le calcul ci-dessus est rendu un peu complexe par le fait que la matrice A = D ′D n’est pas
inversible. On trouve une solution élégante, basée sur une régression par moindres carrés
généralisés dans Cholette et Dagum (1994) et Bournay et Laroque (1979).
• Les coefficients correcteurs dépendant de toutes les différences de totaux annuels observées,
cela signifie que toute nouvelle année complète de données entraîne une révision de toute la
série D11A. Cela n’est pas souhaitable et c’est pourquoi les programmes X11-ARIMA88 et
X12-ARIMA incorporent les valeurs de la matrice de poids W x calculée dans le cas de 5
années d’observations : matrice de dimensions (60,5) dans le cas mensuel et (20,5) dans le
cas trimestriel. C’est cette matrice qui est utilisée, quelle que soit la longueur de la série pour
calculer la série ajustée D11A. Dans ce cas, voir Tableau 5, la première année complète de
données est associée aux 12 (pour le cas mensuel) premières lignes de la matrice W x , la
seconde année est associée avec les 12 lignes suivantes. Les deux dernières années complètes
sont associées de même aux 24 dernières lignes de la matrice. Toutes les autres années, de la
troisième à l’antépénultième, sont associées aux 12 lignes centrales de la matrice W x .
• Si la dernière année n’est pas complète, les estimations du tableau D11A pour les mois
renseignés se font en appliquant le dernier facteur correctif calculé (c’est à dire celui du mois
de décembre de la dernière année complète), ce qui correspond d’ailleurs à la solution du
problème de minimisation exposé ci-dessus dans le cas d’années incomplètes.
• X11-ARIMA88 et X12-ARIMA n’envisagent que le cas d’un ajustement additif pas
nécessairement compatible avec un schéma de composition multiplicatif. Ainsi, pour ce type
de schéma, il peut arriver que le tableau D11A présente des valeurs négatives. Cholette et
Dagum (1994) donnent la solution proportionnelle à appliquer dans le cas multiplicatif,
solution non disponible dans les versions actuelles des logiciels.
133
4.3.12.3 Exemple
Nous devons réconcilier les séries D11 et B1. Les valeurs des totaux annuels de ces deux séries et
de leurs différences (résidus R) sont :
ANNÉE B1 D11 R
1986 1220.5 1219.53575 0.96425
1987 1252.8 1251.31218 1.48782
1988 1312.5 1311.45328 1.04672
1989 1361.2 1363.83663 -2.63663
1990 1385.3 1386.98833 -1.68833
1991 1391.1 1391.58606 -0.48606
1992 1389.2 1383.88885 5.31115
1993 1348.8 1349.59492 -0.79492
1994 1391.8 1395.72244 -3.92244
Comme on peut le voir, les différences entre les totaux annuels sont assez faibles. Cela tient au
fait que nous avons, régulièrement dans le processus de désaisonnalisation, normalisé32 les
estimations des coefficients saisonniers.
Pour les données de la première année complète (1986), les matrices de poids et de résidus
utilisées sont :
Poids 1 2 3 4 5 Résidu Corrections
Jan 0.10539496 -.02790048 0.00737759 -.00191944 0.00038069 0.0723
Feb 0.10446930 -.02672983 0.00706804 -.00183890 0.00036472 0.96425 0.0726
Mar 0.10261797 -.02438853 0.00644894 -.00167783 0.00033277 1.48782 0.0733
Apr 0.09984099 -.02087658 0.00552030 -.00143622 0.00028485 1.04672 0.0743
May 0.09613833 -.01619398 0.00428210 -.00111408 0.00022096 -2.63663 0.0757
June 0.09151002 -.01034074 0.00273435 -.00071140 0.00014110 -1.68833 0.0774
July 0.08595605 -.00331684 0.00087706 -.00022818 0.00004526 0.0794
Aug 0.07947641 0.00487771 -.00128979 0.00033557 -.00006655 0.0818
Sep 0.07207110 0.01424290 -.00376618 0.00097985 -.00019434 0.0845
Oct 0.06374014 0.02477874 -.00655213 0.00170467 -.00033810 0.0875
Nov 0.05448351 0.03648524 -.00964762 0.00251003 -.00049783 0.0909
Dec 0.04430122 0.04936238 -.01305266 0.00339593 -.00067353 0.0947
Les corrections apportées se calculent par le produit de ces deux matrices et on a, par exemple,
pour Février 1986 :
FEB86 = ( 0.10446930* 0.96425 ) + (-.02672983*1.48782 ) + ( 0.00706804*1.04672 )
+ ( -.00183890* - 2.63663 ) + ( 0.00036472* -1.68833 ) = 0.0726
Ce qui conduit à la valeur ajusté :

D11 A( FEB 86) = D11( FEB86) + 0.0726 = 99.620 + 0.0726 = 99.693
32
C’est à dire fait en sorte que leur somme soit à peu près égale à 0, ou à 12 selon le schéma, sur toute
période d’un an.
134
Pour la quatrième année de données complètes (1989), les matrices de poids et de résidus utilisées
sont :

Jan -.00879152 0.04432649 0.06039494 -.01571303 0.00311645 -0.1009
Feb -.00616123 0.03106468 0.07290679 -.01805856 0.00358166 -0.1401
Mar -.00384049 0.01936360 0.08291627 -.01884336 0.00373731 1.48782 -0.1741
Apr -.00182930 0.00922326 0.09042338 -.01806743 0.00358341 1.04672 -0.2027
May -.00012766 0.00064366 0.09542812 -.01573076 0.00311997 -2.63663 -0.2261
June 0.00126443 -.00637522 0.09793049 -.01183335 0.00234698 -1.68833 -0.2442
July 0.00234698 -.01183335 0.09793049 -.00637522 0.00126443 -0.48606 -0.2570
Aug 0.00311997 -.01573076 0.09542812 0.00064366 -.00012766 -0.2645
Sep 0.00358341 -.01806743 0.09042338 0.00922326 -.00182930 -0.2667
Oct 0.00373731 -.01884336 0.08291627 0.01936361 -.00384049 -0.2636
Nov 0.00358166 -.01805856 0.07290679 0.03106468 -.00616123 -0.2553
Dec 0.00311645 -.01571303 0.06039494 0.04432649 -.00879152 -0.2416
On a, par exemple, pour Août 1989 :

AUG89 = ( 0.00311997 * 1.48782 ) + ( − 0.01573076 * 1.04672 ) + ( 0.09542812 * −2.63663 )
+ ( 0.00064366 * −1.68833 ) + ( − 0.00012766 * −0.48606 ) = − 0.2645
Ce qui conduit à la valeur ajustée suivante :
D11A( AUG89) = D11( AUG89) − 0.2645 = 112.595 − 0.2645 = 112.331
Pour la dernière année de données complètes (1994), les matrices de poids et de résidus utilisées
sont :

Jan -.00067353 0.00339593 -.01305266 0.04936238 0.04430122 -0.2828
Feb -.00049783 0.00251003 -.00964762 0.03648524 0.05448351 -0.2943
Mar -.00033810 0.00170467 -.00655213 0.02477874 0.06374014 -1.68833 -0.3048
Apr -.00019434 0.00097985 -.00376618 0.01424290 0.07207110 -0.48606 -0.3142
May -.00006655 0.00033557 -.00128979 0.00487771 0.07947641 5.31115 -0.3225
June 0.00004526 -.00022818 0.00087706 -.00331684 0.08595605 -0.79492 -0.3298
July 0.00014110 -.00071140 0.00273435 -.01034074 0.09151002 -3.92244 -0.3361
Aug 0.00022096 -.00111408 0.00428210 -.01619398 0.09613833 -0.3413
Sep 0.00028485 -.00143622 0.00552030 -.02087658 0.09984099 -0.3455
Oct 0.00033277 -.00167783 0.00644894 -.02438853 0.10261797 -0.3486
Nov 0.00036472 -.00183890 0.00706804 -.02672983 0.10446930 -0.3507
Dec 0.00038069 -.00191944 0.00737759 -.02790048 0.10539496 -0.3518
On a, par exemple, pour décembre 1994 :
DEC 94 = ( 0.00038069 * −1.68833 ) + ( − 0.00191944 * −0.48606 ) + ( 0.00737759 * 5.31115 )

+ ( − 0.02790048 * −0.79492 ) + ( 0.10539496 * −3.92244 ) = − 0.3518
Ce qui conduit à la valeur ajustée suivante :
D11A( DEC 94) = D11( DEC 94) − 0.3518 = 120.004 − 0.3518 = 119.652
Ce dernier facteur correctif va nous servir à estimer les valeurs de la dernière année incomplète
1995. Ainsi, on aura :
D11A( JAN 95) = D11( JAN 95) − 0.3518 = 119.326 − 0.3518 = 118.974
135
Ce qui conduit au tableau final D11A suivant :
D11A: SÉRIE DÉSAISONNALISÉE FINALE AJUSTÉE SUR LES TOTAUX ANNUELS
1985 . . . . . . . . . . . .
1986 101.106 99.693 98.982 106.896 100.095 101.358 102.353 99.497 102.175 103.462 102.512 102.369
1987 97.033 104.355 105.108 104.200 105.050 103.798 105.041 103.710 105.688 105.163 106.656 106.996
1988 106.432 107.445 108.141 108.168 110.335 109.574 108.756 109.749 110.986 108.391 110.415 114.109
1989 113.322 113.594 109.948 116.070 111.678 114.727 112.963 112.331 113.430 113.323 114.925 114.891
1990 114.556 114.095 115.355 115.133 116.144 114.723 116.752 117.499 115.774 116.487 115.444 113.337
1991 115.616 114.694 114.273 115.915 114.368 116.587 118.468 116.210 115.507 116.051 117.112 116.301
1992 116.880 117.502 116.705 116.626 116.060 114.642 115.146 116.440 116.554 116.270 114.536 111.838
1993 112.143 115.736 113.594 110.554 113.197 112.639 112.316 112.257 111.040 111.168 111.522 112.633
1994 114.167 113.750 113.436 114.504 116.395 115.690 116.267 118.278 116.498 116.053 117.109 119.652
1995 118.974 118.667 119.655 . . . . . . . . .
136
Tableau 5 : Matrice des poids utilisée par X11-ARIMA88 et X12-ARIMA dans le cas
mensuel.
1 2 3 4 5
Jan 0.10539496 -0.02790048 0.00737759 -0.00191944 0.00038069
Feb 0.10446930 -0.02672983 0.00706804 -0.00183890 0.00036472
Mar 0.10261797 -0.02438853 0.00644894 -0.00167783 0.00033277
Apr 0.09984099 -0.02087658 0.00552030 -0.00143622 0.00028485
May 0.09613833 -0.01619398 0.00428210 -0.00111408 0.00022096
June 0.09151002 -0.01034074 0.00273435 -0.00071140 0.00014110
July 0.08595605 -0.00331684 0.00087706 -0.00022818 0.00004526
Aug 0.07947641 0.00487771 -0.00128979 0.00033557 -0.00006655
Sep 0.07207110 0.01424290 -0.00376618 0.00097985 -0.00019434
Oct 0.06374014 0.02477874 -0.00655213 0.00170467 -0.00033810
Nov 0.05448351 0.03648524 -0.00964762 0.00251003 -0.00049783
Dec 0.04430122 0.04936238 -0.01305266 0.00339593 -0.00067353
Jan 0.03319327 0.06341017 -0.01676725 0.00436236 -0.00086521

Feb 0.02325596 0.07505210 -0.01892111 0.00492273 -0.00097635
Mar 0.01448931 0.08428817 -0.01951423 0.00507704 -0.00100696
Apr 0.00689330 0.09111838 -0.01854662 0.00482530 -0.00095703
May 0.00046795 0.09554273 -0.01601827 0.00416749 -0.00082656
June -0.00478676 0.09756121 -0.01192919 0.00310363 -0.00061556
July -0.00887082 0.09717384 -0.00627938 0.00163371 -0.00032402
Aug -0.01178422 0.09438060 0.00093117 -0.00024226 0.00004805
Sep -0.01352698 0.08918150 0.00970246 -0.00252430 0.00050066
Oct -0.01409909 0.08157654 0.02003448 -0.00521239 0.00103380
Nov -0.01350055 0.07156572 0.03192723 -0.00830655 0.00164748
Dec -0.01173136 0.05914904 0.04538072 -0.01180676 0.00234170
Jan -0.00879152 0.04432649 0.06039494 -0.01571303 0.00311645

Feb -0.00616123 0.03106468 0.07290679 -0.01805856 0.00358166
Mar -0.00384049 0.01936360 0.08291627 -0.01884336 0.00373731
Apr -0.00182930 0.00922326 0.09042338 -0.01806743 0.00358341
May -0.00012766 0.00064366 0.09542812 -0.01573076 0.00311997
June 0.00126443 -0.00637522 0.09793049 -0.01183335 0.00234698
July 0.00234698 -0.01183335 0.09793049 -0.00637522 0.00126443
Aug 0.00311997 -0.01573076 0.09542812 0.00064366 -0.00012766
Sep 0.00358341 -0.01806743 0.09042338 0.00922326 -0.00182930
Oct 0.00373731 -0.01884336 0.08291627 0.01936361 -0.00384049
Nov 0.00358166 -0.01805856 0.07290679 0.03106468 -0.00616123
Dec 0.00311645 -0.01571303 0.06039494 0.04432649 -0.00879152
Jan 0.00234170 -0.01180676 0.04538072 0.05914904 -0.01173136

Feb 0.00164748 -0.00830655 0.03192723 0.07156572 -0.01350055
Mar 0.00103380 -0.00521239 0.02003448 0.08157654 -0.01409909
Apr 0.00050066 -0.00252430 0.00970246 0.08918150 -0.01352698
May 0.00004805 -0.00024226 0.00093117 0.09438060 -0.01178422
June -0.00032402 0.00163371 -0.00627938 0.09717384 -0.00887082
July -0.00061556 0.00310363 -0.01192919 0.09756121 -0.00478676
Aug -0.00082656 0.00416749 -0.01601827 0.09554273 0.00046795
Sep -0.00095703 0.00482530 -0.01854662 0.09111838 0.00689330
Oct -0.00100696 0.00507704 -0.01951423 0.08428817 0.01448931
Nov -0.00097635 0.00492273 -0.01892111 0.07505210 0.02325596
Dec -0.00086521 0.00436236 -0.01676725 0.06341017 0.03319327
Jan -0.00067353 0.00339593 -0.01305266 0.04936238 0.04430122

Feb -0.00049783 0.00251003 -0.00964762 0.03648524 0.05448351
Mar -0.00033810 0.00170467 -0.00655213 0.02477874 0.06374014
Apr -0.00019434 0.00097985 -0.00376618 0.01424290 0.07207110
May -0.00006655 0.00033557 -0.00128979 0.00487771 0.07947641
June 0.00004526 -0.00022818 0.00087706 -0.00331684 0.08595605
July 0.00014110 -0.00071140 0.00273435 -0.01034074 0.09151002
Aug 0.00022096 -0.00111408 0.00428210 -0.01619398 0.09613833
Sep 0.00028485 -0.00143622 0.00552030 -0.02087658 0.09984099
Oct 0.00033277 -0.00167783 0.00644894 -0.02438853 0.10261797
Nov 0.00036472 -0.00183890 0.00706804 -0.02672983 0.10446930
Dec 0.00038069 -0.00191944 0.00737759 -0.02790048 0.10539496
137
4.3.13 Tableau D12 : Estimation finale de la Tendance-Cycle
La série D1, où ont été enlevés les points atypiques et les effets de jours ouvrables, est corrigée
par les facteurs saisonniers du tableau D10 pour obtenir une série désaisonnalisée modifiée. C'est
celle-ci qui est lissée, avec une moyenne mobile de Henderson, à cette étape pour obtenir une
estimation finale de la Tendance-Cycle. La méthodologie est la même que celle suivie pour
construire le tableau C7 (voir 4.2.6). On a donc CVS = D1 _op D10.

C
4.3.13.2 Exemple
On calcule d'abord une série CVS modifiée.

D11bis: SÉRIE DÉSAISONNALISÉE MODIFIÉE
1985 . . . . . . . . . 101.587 102.236 100.085
1986 101.034 99.620 98.909 100.294 100.020 101.281 102.274 102.244 102.091 103.374 102.421 102.275
1987 102.484 104.252 105.001 104.088 104.934 103.677 104.916 103.579 105.552 105.022 106.510 106.845
1988 106.275 107.287 107.985 108.020 110.198 109.453 108.654 109.671 110.936 111.120 110.433 114.168
1989 113.423 113.734 113.351 113.398 111.904 114.871 113.220 112.595 113.697 113.586 115.180 115.133
1990 114.759 114.279 115.521 115.285 116.283 114.852 116.874 117.617 115.890 116.603 115.563 113.463
1991 115.783 114.864 114.439 116.068 114.501 116.692 116.189 116.234 115.479 115.963 116.956 116.069
1992 116.566 117.119 116.267 116.147 115.553 114.120 114.624 115.931 116.072 115.827 114.147 113.279
1993 111.902 112.730 113.496 112.410 113.221 112.715 112.439 112.420 111.238 111.397 111.774 112.903
1994 114.450 114.044 113.741 114.818 116.081 116.020 116.603 116.220 116.844 116.402 117.460 120.004
1995 119.326 119.019 120.007 . . . . . . . . .
Avec, par exemple : APR86 = 100*( 101.706 / 101.408 ) = 100.294

C
On lisse tout d’abord le tableau D11bis par une moyenne mobile de Henderson sur 13 termes dont
les coefficients figurent dans le tableau 3 (voir 3.3.1).
Le premier terme calculable est donc celui de avril 1986, et on a, aux arrondis près :
APR86= 101.587*(-0.01935)+102.236*(-0.02786)+100.085*(0.00000)
+101.034*(0.06549)+99.620*(0.14736)+98.909*(0.21434)
+100.294*(0.24006)+100.020*(0.21434)+101.281*(0.14736)
+102.274*(0.06549)+102.244*(0.00000)+102.091*(-0.02786)
+103.374*(-0.01935) =99.974
en fin de série. On en déduit une estimation de la tendance (tableau D12a) et, par rapport avec le
tableau D11bis, de la composante irrégulière (tableau D12b):
138
D12a : TENDANCE-CYCLE (Moyenne Mobile de Henderson sur 13 termes)
1985 . . . . . . . . . . . .
1986 . . . 99.974 100.452 101.097 101.732 102.206 102.428 102.530 102.646 102.889
1987 103.273 103.736 104.129 104.379 104.447 104.388 104.399 104.597 104.981 105.466 105.942 106.409
1988 106.900 107.438 107.964 108.469 108.927 109.284 109.565 109.900 110.422 111.138 111.983 112.724
1989 113.206 113.457 113.517 113.439 113.287 113.193 113.251 113.435 113.720 114.050 114.367 114.672
1990 114.915 115.024 115.159 115.400 115.752 116.179 116.475 116.536 116.363 115.983 115.517 115.089
1991 114.825 114.818 115.012 115.309 115.604 115.821 115.971 116.074 116.128 116.209 116.346 116.516
1992 116.647 116.562 116.246 115.807 115.447 115.279 115.308 115.399 115.318 114.956 114.338 113.620
1993 113.033 112.734 112.717 112.815 112.839 112.665 112.313 111.950 111.784 111.883 112.219 112.753
1994 113.367 113.993 114.565 115.078 115.541 115.902 116.190 116.476 116.818 . . .
1995 . . . . . . . . . . . .
D12b : IRRÉGULIER
1985 . . . . . . . . . . . .
1986 . . . 100.320 99.569 100.182 100.533 100.037 99.670 100.824 99.781 99.403
1987 99.235 100.497 100.837 99.721 100.466 99.319 100.495 99.027 100.544 99.579 100.536 100.410
1988 99.416 99.859 100.020 99.587 101.167 100.154 99.169 99.792 100.465 99.984 98.616 101.281
1989 100.192 100.244 99.854 99.964 98.779 101.483 99.973 99.260 99.980 99.593 100.711 100.402
1990 99.865 99.352 100.315 99.900 100.459 98.858 100.342 100.927 99.593 100.535 100.040 98.587
1991 100.834 100.041 99.502 100.659 99.046 100.752 100.188 100.138 99.441 99.789 100.525 99.617
1992 99.931 100.478 100.018 100.294 100.092 98.995 99.407 100.461 100.653 100.758 99.833 99.700
1993 98.999 99.996 100.691 99.641 100.338 100.045 100.112 100.420 99.512 99.565 99.603 100.134
1994 100.955 100.045 99.280 99.774 100.467 100.102 100.356 99.781 100.022 . . .
1995 . . . . . . . . . . . .
Le schéma étant multiplicatif, on calcule les taux de croissance :
D12c : CROISSANCE, EN VALEUR ABSOLUE, DE LA TENDANCE
1985 . . . . . . . . . . . . 0.000
1986 . . . . 0.479 0.642 0.628 0.466 0.217 0.099 0.113 0.236 2.881
1987 0.374 0.448 0.379 0.240 0.065 0.057 0.010 0.190 0.367 0.462 0.452 0.440 3.484
1988 0.461 0.504 0.489 0.467 0.423 0.327 0.257 0.306 0.475 0.648 0.760 0.662 5.780
1989 0.428 0.221 0.053 0.069 0.133 0.084 0.051 0.163 0.251 0.290 0.278 0.267 2.288
1990 0.211 0.095 0.117 0.210 0.304 0.369 0.255 0.052 0.148 0.327 0.401 0.371 2.862
1991 0.229 0.007 0.169 0.259 0.255 0.188 0.130 0.089 0.046 0.070 0.118 0.146 1.705
1992 0.112 0.073 0.271 0.378 0.311 0.146 0.025 0.079 0.070 0.315 0.538 0.627 2.944
1993 0.517 0.264 0.015 0.087 0.021 0.154 0.312 0.323 0.148 0.088 0.301 0.475 2.706
1994 0.545 0.552 0.502 0.447 0.403 0.312 0.249 0.246 0.294 . . . 3.550
1995 . . . . . . . . . . . . 0.000
2.881 + 3.484 + 5.780 + 2.288 + 2.862 + 1.705 + 2.944 + 2.706 + 3.550

C= = 0.2792
101
D12d : CROISSANCE, EN VALEUR ABSOLUE, DE L'IRRÉGULIER
1985 . . . . . . . . . . . . 0.000
1986 . . . . 0.749 0.615 0.350 0.493 0.366 1.157 1.035 0.378 5.144
1987 0.169 1.272 0.338 1.107 0.747 1.142 1.184 1.461 1.532 0.959 0.961 0.126 10.998
1988 0.990 0.446 0.161 0.433 1.587 1.001 0.984 0.628 0.675 0.478 1.368 2.702 11.453
1989 1.076 0.053 0.389 0.110 1.186 2.738 1.488 0.713 0.725 0.386 1.122 0.307 10.293
1990 0.535 0.514 0.969 0.414 0.560 1.594 1.502 0.583 1.322 0.945 0.492 1.452 10.882
1991 2.279 0.786 0.538 1.162 1.602 1.722 0.560 0.050 0.695 0.349 0.738 0.903 11.385
1992 0.315 0.547 0.458 0.276 0.201 1.096 0.416 1.060 0.192 0.104 0.918 0.134 5.716
1993 0.703 1.007 0.695 1.043 0.700 0.293 0.068 0.308 0.905 0.054 0.038 0.532 6.345
1994 0.821 0.902 0.764 0.498 0.694 0.364 0.254 0.573 0.241 . . . 5.110
1995 . . . . . . . . . . . . 0.000
5.144 + 10.998 + 11.453 + 10.293 + 10.882 + 11.385 + 5.716 + 6.345 + 5.110

I= = 0.7656
101
I 0.7656
donc = = 2.742
C 0.2792
139
le tableau 3 (voir 3.3.1).. L'estimation de la tendance pour octobre 1985 se fait en utilisant le point
H6_0 du tableau 3.
OCT85 = 101.587*(0.42113)+102.236*(0.35315)+100.085*(0.24390)+101.034*(0.11977)
+99.620*(0.01202)+98.909*(-0.05811)+100.294*(-0.09186) =101.634
Ce qui conduit au tableau D12 :
D12: TENDANCE-CYCLE
valeur de I/C: 2.7420
UNE MOYENNE MOBILE DE HENDERSON SUR 13 TERMES A ÉTÉ CHOISIE
1985 . . . . . . . . . 101.634 101.254 100.809
1986 100.356 99.967 99.809 99.974 100.452 101.097 101.732 102.206 102.428 102.530 102.646 102.889
1987 103.273 103.736 104.129 104.379 104.447 104.388 104.399 104.597 104.981 105.466 105.942 106.409
1988 106.900 107.438 107.964 108.469 108.927 109.284 109.565 109.900 110.422 111.138 111.983 112.724
1989 113.206 113.457 113.517 113.439 113.287 113.193 113.251 113.435 113.720 114.050 114.367 114.672
1990 114.915 115.024 115.159 115.400 115.752 116.179 116.475 116.536 116.363 115.983 115.517 115.089
1991 114.825 114.818 115.012 115.309 115.604 115.821 115.971 116.074 116.128 116.209 116.346 116.516
1992 116.647 116.562 116.246 115.807 115.447 115.279 115.308 115.399 115.318 114.956 114.338 113.620
1993 113.033 112.734 112.717 112.815 112.839 112.665 112.313 111.950 111.784 111.883 112.219 112.753
1994 113.367 113.993 114.565 115.078 115.541 115.902 116.190 116.476 116.818 117.300 117.921 118.567
1995 119.144 119.619 119.961 . . . . . . . . .
4.3.14 Tableau D13 : Estimation finale de la composante irrégulière
Cette estimation finale de la composante irrégulière s'obtient en enlevant la composante

tendancielle (tableau D12) de l'estimation de la série désaisonnalisée obtenue en D11 : D13 =
D11 _op D12.
4.3.14.2 Exemple
D13: COMPOSANTE IRRÉGULIÈRE FINALE
1985 . . . . . . . . . 99.954 100.970 99.281
1986 100.676 99.653 99.099 106.850 99.569 100.182 100.533 97.269 99.670 100.824 99.781 99.403
1987 93.862 100.497 100.837 99.721 100.466 99.319 100.495 99.027 100.544 99.579 100.536 100.410
1988 99.416 99.859 100.020 99.587 101.167 100.154 99.169 99.792 100.465 97.512 98.616 101.281
1989 100.192 100.244 97.009 102.498 98.779 101.571 99.973 99.260 99.980 99.593 100.711 100.402
1990 99.865 99.352 100.315 99.900 100.459 98.858 100.342 100.927 99.593 100.535 100.040 98.587
1991 100.834 100.041 99.502 100.659 99.046 100.752 102.212 100.138 99.441 99.789 100.525 99.617
1992 99.931 100.478 100.018 100.294 100.092 98.995 99.407 100.461 100.653 100.758 99.833 98.148
1993 98.999 102.515 100.691 97.966 100.338 100.045 100.112 100.420 99.512 99.565 99.603 100.134
1994 100.955 100.045 99.280 99.774 101.018 100.102 100.356 101.840 100.022 99.235 99.609 101.212
1995 100.153 99.499 100.038 . . . . . . . . .
Avec, par exemple : APR86 = 100*( 106.822 / 99.974 ) = 106.850
140
4.3.15 Tableau D16 : Estimation des différents effets saisonnier et de calendrier
Cette estimation finale de la composante saisonnière et des effets de calendrier s'obtient en

enlevant la série désaisonnalisée (tableau D11) des données brutes (tableau A1 ou A3 si des
ajustements permanents ont été demandés) : D16 = A1 _op D11.
4.3.15.2 Exemple
D16: COMPOSANTE SAISONNIÈRE ET EFFETS DE CALENDRIER
1985 . . . . . . . . . 113.892 107.399 100.515
1986 105.509 99.077 105.046 102.507 97.681 102.388 97.483 66.086 103.046 113.278 105.740 102.078
1987 103.678 98.991 107.523 102.894 95.298 104.459 97.030 66.326 102.982 111.310 107.689 102.953
1988 101.341 102.715 109.922 100.074 97.461 104.794 93.140 69.298 103.303 108.791 109.840 100.466
1989 103.947 98.651 109.152 98.648 98.746 104.635 93.270 70.518 100.443 111.545 110.089 97.887
1990 105.525 98.444 106.993 100.707 99.413 101.696 95.659 70.823 98.887 113.205 109.983 97.653
1991 106.493 98.203 104.248 102.870 98.951 100.007 97.269 70.203 100.797 114.174 106.706 99.768
1992 105.949 99.813 106.651 103.317 95.021 104.013 97.798 69.007 102.781 111.373 106.968 102.049
1993 101.607 97.863 108.109 103.330 95.301 103.890 96.141 70.895 103.202 108.621 108.880 101.680
1994 101.616 97.769 109.020 100.507 97.672 104.293 93.908 71.995 103.215 108.589 108.718 99.997
1995 104.001 97.715 108.494 . . . . . . . . .
On a alors par exemple : APR86 = 100*( 109.500 / 106.822 ) = 102.507
141
4.3.16 Tableau D18 : Effets de calendrier combinés.
Le tableau D18 ne figure que dans les sorties de X12-ARIMA. Ce logiciel propose un traitement
des effets de calendrier beaucoup plus sophistiqué que celui de X11-ARIMA. Ces effets peuvent
être estimés soit à partir d’une estimation de la composante irrégulière (instruction
« X11regression »), soit à partir de la série brute avant toute procédure de désaisonnalisation
(instruction « Regression »).
Le tableau D18 présente les effets de calendrier combinés, effets de jours ouvrables et effets liés
aux jours fériés, estimés au préalable dans la partie Reg-ARIMA de X12-ARIMA ou par une
régression sur la composante irrégulière.
4.3.16.2 Exemple
Dans notre exemple, ce tableau serait égal au tableau C18.
D18: COEFFICIENTS COMBINÉS DE CORRECTION POUR EFFETS DE CALENDRIER
1985 . . . . . . . . . 102.198 98.646 99.895
1986 101.662 99.115 97.557 101.084 99.839 99.083 102.198 97.504 101.116 101.662 97.167 101.347
1987 99.839 99.115 99.895 101.463 97.504 101.116 101.662 97.557 101.084 99.839 99.083 102.198
1988 97.504 102.982 102.198 98.646 99.895 101.463 97.504 101.347 101.441 97.557 101.084 99.839
1989 99.895 99.115 101.662 97.167 101.347 101.441 97.557 102.198 98.646 99.895 101.463 97.504
1990 101.347 99.115 99.839 99.083 102.198 98.646 99.895 101.662 97.167 101.347 101.441 97.557
1991 102.198 99.115 97.504 101.116 101.662 97.167 101.347 99.839 99.083 102.198 98.646 99.895
1992 101.662 100.947 99.895 101.463 97.504 101.116 101.662 97.557 101.084 99.839 99.083 102.198
1993 97.504 99.115 101.347 101.441 97.557 101.084 99.839 99.895 101.463 97.504 101.116 101.662
1994 97.557 99.115 102.198 98.646 99.895 101.463 97.504 101.347 101.441 97.557 101.084 99.839
1995 99.895 99.115 101.662 . . . . . . . . .
142
4.4 PARTIE E : Composantes corrigées des points les plus atypiques
4.4.1 Tableau E1 : Série brute corrigée des points les plus atypiques
Ce tableau présente la série brute corrigée des points atypiques ayant reçu un poids nul lors de
l'étape C17. Lorsque, à une date donnée, un point a été jugé très atypique, la valeur de la série
brute est remplacée par la composée de la valeur de la composante tendancielle (tableau D12), de
la saisonnalité (tableau D10) et le cas échéant des ajustements a priori et des corrections des
effets de calendrier.
On a donc : E1 = D12 _invop D10 _invop C16.
4.4.1.2 Exemple
E1 : SÉRIE BRUTE CORRIGÉE DES VALEURS ATYPIQUES
1985 . . . . . . . . . 115.700 109.800 100.600
1986 106.600 98.700 103.900 102.480 97.700 103.700 99.700 67.544 105.200 117.100 108.300 104.400
1987 107.072 103.200 112.900 107.100 100.000 108.300 101.800 68.700 108.700 116.900 114.700 110.000
1988 107.700 110.200 118.700 108.100 107.400 114.700 101.200 76.000 114.600 120.908 121.300 114.700
1989 117.900 112.200 123.906 111.905 110.500 120.300 105.600 79.400 114.200 126.700 126.800 112.700
1990 121.100 112.500 123.600 116.100 115.600 116.800 111.800 83.300 114.600 132.000 127.100 110.800
1991 123.300 112.800 119.300 119.400 113.300 116.700 115.300 81.600 116.400 132.400 124.800 115.800
1992 123.500 116.900 124.000 120.000 109.800 118.700 112.100 80.000 119.300 129.000 122.100 113.800
1993 113.700 110.326 122.700 114.200 107.900 117.100 108.100 79.700 114.800 121.000 121.700 114.800
1994 116.300 111.500 124.000 115.400 114.000 121.000 109.500 83.857 120.600 126.400 127.700 120.000
1995 124.100 116.300 130.200 . . . . . . . . .
On a ainsi : APR86 = 99.974 * 1.014 * 1.0108 = 102.480
143
4.4.2 Tableau E2 : Série désaisonnalisée corrigée des points les plus atypiques
Ce tableau présente la série désaisonnalisée du tableau D11 corrigée des points atypiques ayant
reçu un poids nul lors de l'étape C17. Lorsque, à une date donnée, un point a été jugé très
atypique, la valeur de la série désaisonnalisée est remplacée par la valeur de la composante
tendancielle (tableau D12).
4.4.2.2 Exemple
E2 : SÉRIE DÉSAISONNALISÉE CORRIGÉE DES VALEURS ATYPIQUES
1985 . . . . . . . . . 101.587 102.236 100.085
1986 101.034 99.620 98.909 99.974 100.020 101.281 102.274 102.206 102.091 103.374 102.421 102.275
1987 103.273 104.252 105.001 104.088 104.934 103.677 104.916 103.579 105.552 105.022 106.510 106.845
1988 106.275 107.287 107.985 108.020 110.198 109.453 108.654 109.671 110.936 111.138 110.433 114.168
1989 113.423 113.734 113.517 113.439 111.904 114.971 113.220 112.595 113.697 113.586 115.180 115.133
1990 114.759 114.279 115.521 115.285 116.283 114.852 116.874 117.617 115.890 116.603 115.563 113.463
1991 115.783 114.864 114.439 116.068 114.501 116.692 118.537 116.234 115.479 115.963 116.956 116.069
1992 116.566 117.119 116.267 116.147 115.553 114.120 114.624 115.931 116.072 115.827 114.147 111.515
1993 111.902 112.734 113.496 110.520 113.221 112.715 112.439 112.420 111.238 111.397 111.774 112.903
1994 114.450 114.044 113.741 114.818 116.718 116.020 116.603 116.476 116.844 116.402 117.460 120.004
1995 119.326 119.019 120.007 . . . . . . . . .
En avril 1986 un point atypique a été détecté. La valeur pour cette date du tableau D11 (106.822)
est remplacée par la valeur correspondante du tableau D12 (99.974).
144
4.4.3 Tableau E3 : Composante irrégulière finale corrigée des points les plus
atypiques
Ce tableau présente la composante irrégulière du tableau D13 corrigée des points atypiques ayant
reçu un poids nul lors de l'étape C17. Lorsque, à une date donnée, un point a été jugé très
atypique, la valeur de la composante est remplacée par la moyenne théorique (1 ou 0 selon le
schéma).
4.4.3.2 Exemple
E3 : COMPOSANTE IRRÉGULIÈRE CORRIGÉE DES VALEURS ATYPIQUES
1985 . . . . . . . . . 99.954 100.970 99.281
1986 100.676 99.653 99.099 100.000 99.569 100.182 100.533 100.000 99.670 100.824 99.781 99.403
1987 100.000 100.497 100.837 99.721 100.466 99.319 100.495 99.027 100.544 99.579 100.536 100.410
1988 99.416 99.859 100.020 99.587 101.167 100.154 99.169 99.792 100.465 100.000 98.616 101.281
1989 100.192 100.244 100.000 100.000 98.779 101.571 99.973 99.260 99.980 99.593 100.711 100.402
1990 99.865 99.352 100.315 99.900 100.459 98.858 100.342 100.927 99.593 100.535 100.040 98.587
1991 100.834 100.041 99.502 100.659 99.046 100.752 102.212 100.138 99.441 99.789 100.525 99.617
1992 99.931 100.478 100.018 100.294 100.092 98.995 99.407 100.461 100.653 100.758 99.833 98.148
1993 98.999 100.000 100.691 97.966 100.338 100.045 100.112 100.420 99.512 99.565 99.603 100.134
1994 100.955 100.045 99.280 99.774 101.018 100.102 100.356 100.000 100.022 99.235 99.609 101.212
1995 100.153 99.499 100.038 . . . . . . . . .
4.4.4 Tableau E4 : Comparaison des totaux annuels entre Série brute et Série
désaisonnalisée
Ce tableau compare les totaux annuels des séries brute et désaisonnalisée, et ce pour deux couples
de séries : la série brute A1 et la série désaisonnalisée finale D11 d'une part et les séries
correspondantes corrigées des points atypiques (E1 et E2). Pour chacun de ces couples et pour
chaque année n, on calcule par exemple A1n _op D11n.
4.4.4.2 Exemple
E4 : COMPARAISON DES TOTAUX ANNUELS
A1 et D11 E1 et E2
1986 100.079 99.987
1987 100.119 100.137
1988 100.080 100.098
1989 99.807 99.832
1990 99.878 99.878
1991 99.965 99.965
1992 100.384 100.384
1993 99.941 99.945
1994 99.719 99.762
1252.8 1259.372
Ainsi, pour l'année 1987, on a : * 100 = 100.119 et = 100.137
1251.312 1257.651
145
4.4.5 Tableau E5 : évolution de la série brute
Ce tableau présente l'évolution de la série brute. Pour une série mensuelle par exemple, il donne
les accroissements mensuels lorsque le schéma de composition est additif ou le taux
d'accroissement mensuel dans le cas d'un schéma multiplicatif. Pour une date t donnée, on a
donc : E5t = A1t _op A1t-1 - _xbar
4.4.5.2 Exemple
E5 : ÉVOLUTION DE LA SÉRIE ORIGINALE
1985 . . . . . . . . . . -5.099 -8.379
1986 5.964 -7.411 5.268 5.390 -10.776 6.141 -3.857 -34.102 60.122 11.312 -7.515 -3.601
1987 -3.736 2.687 9.399 -5.137 -6.629 8.300 -6.002 -32.515 58.224 7.544 -1.882 -4.098
1988 -2.091 2.321 7.713 -8.930 -0.648 6.797 -11.770 -24.901 50.789 2.880 2.884 -5.441
1989 2.790 -4.835 7.130 -4.576 -3.662 8.869 -12.219 -24.811 43.829 10.946 0.079 -11.120
1990 7.453 -7.102 9.867 -6.068 -0.431 1.038 -4.281 -25.492 37.575 15.183 -3.712 -12.825
1991 11.282 -8.516 5.762 0.084 -5.109 3.001 -1.200 -29.228 42.647 13.746 -5.740 -7.212
1992 6.649 -5.344 6.074 -3.226 -8.500 8.106 -5.560 -28.635 49.125 8.131 -5.349 -6.798
1993 -0.088 -0.528 8.488 -6.927 -5.517 8.526 -7.686 -26.272 44.040 5.401 0.579 -5.670
1994 1.307 -4.127 11.211 -6.935 -1.213 6.140 -9.504 -22.009 41.218 4.809 1.028 -6.030
1995 3.417 -6.285 11.952 . . . . . . . . .
 109.5 
Ainsi, le taux d'accroissement de mars 1986 à avril1986 est : APR86 = 100 *  − 1 = 5.390
 103.9 
4.4.6 Tableau E6 : évolution de la série désaisonnalisée finale
Ce tableau présente l'évolution de la série désaisonnalisée finale (tableau D11) calculée de la

même façon que ci-dessus. Pour une date t donnée, on a donc :
E6t = D11t _op D11t-1 - _xbar
4.4.6.2 Exemple
E6 : ÉVOLUTION DE LA SÉRIE DÉSAISONNALISÉE
1985 . . . . . . . . . . 0.638 -2.104
1986 0.948 -1.400 -0.714 8.000 -6.368 1.261 0.980 -2.795 2.691 1.257 -0.923 -0.143
1987 -5.221 7.549 0.718 -0.869 0.813 -1.198 1.194 -1.274 1.905 -0.502 1.417 0.314
1988 -0.533 0.952 0.651 0.032 2.016 -0.677 -0.729 0.936 1.153 -2.310 1.901 3.382
1989 -0.653 0.274 -3.176 5.585 -3.757 2.741 -1.523 -0.552 0.978 -0.097 1.403 -0.041
1990 -0.324 -0.419 1.087 -0.205 0.866 -1.230 1.760 0.635 -1.468 0.615 -0.892 -1.818
1991 2.045 -0.793 -0.370 1.424 -1.351 1.913 1.581 -1.943 -0.649 0.419 0.857 -0.759
1992 0.428 0.474 -0.727 -0.103 -0.511 -1.240 0.442 1.140 0.122 -0.211 -1.450 -2.305
1993 0.346 3.278 -1.794 -2.622 2.443 -0.446 -0.245 -0.016 -1.052 0.142 0.339 1.010
1994 1.370 -0.355 -0.266 0.947 1.655 -0.598 0.503 1.728 -1.497 -0.378 0.909 2.166
1995 -0.565 -0.257 0.830 . . . . . . . . .
 106.822 
Ainsi, le taux d'accroissement de mars 1986 à avril1986 est : APR86 = 100 *  − 1 = 8.000
 98.909 
146
4.4.7 Tableau E7 : évolution de la Tendance-Cycle finale
Ce tableau présente l'évolution de la composante Tendance-Cycle finale (tableau D12) calculée

de la même façon que ci-dessus. Pour une date t donnée, on a donc :
E7t = D12t _op D12t-1 - _xbar
4.4.7.2 Remarque
Ce tableau n'est édité que par X12-ARIMA
4.4.7.3 Exemple
E7 : ÉVOLUTION DE LA TENDANCE-CYCLE FINALE
1985 . . . . . . . . . . -0.375 -0.439
1986 -0.450 -0.388 -0.158 0.166 0.479 0.642 0.628 0.466 0.217 0.099 0.113 0.236
1987 0.374 0.448 0.379 0.240 0.065 -0.057 0.010 0.190 0.367 0.462 0.452 0.440
1988 0.461 0.504 0.489 0.467 0.423 0.327 0.257 0.306 0.475 0.648 0.760 0.662
1989 0.428 0.221 0.053 -0.069 -0.133 -0.084 0.051 0.163 0.251 0.290 0.278 0.267
1990 0.211 0.095 0.117 0.210 0.304 0.369 0.255 0.052 -0.148 -0.327 -0.401 -0.371
1991 -0.229 -0.007 0.169 0.259 0.255 0.188 0.130 0.089 0.046 0.070 0.118 0.146
1992 0.112 -0.073 -0.271 -0.378 -0.311 -0.146 0.025 0.079 -0.070 -0.315 -0.538 -0.627
1993 -0.517 -0.264 -0.015 0.087 0.021 -0.154 -0.312 -0.323 -0.148 0.088 0.301 0.475
1994 0.545 0.552 0.502 0.447 0.403 0.312 0.249 0.246 0.294 0.412 0.529 0.548
1995 0.487 0.398 0.286 . . . . . . . . .
 99.974 
Ainsi, le taux d'accroissement de mars 1986 à avril1986 est : APR86 = 100 *  − 1 ≈ 0.166
 99.809 
147
4.4.8 Tableau E11 : Estimation robuste de la série désaisonnalisée finale
Ce tableau présente une estimation robuste de la série désaisonnalisée finale. Il est équivalent au
tableau E2 sauf pour les points jugés très atypiques, c'est à dire ceux qui ont reçu un poids égal à
0 au tableau C17. La valeur de E2 aux dates correspondantes est remplacée par D12 + (A1 - E1).
4.4.8.2 Remarque
Ce tableau n'est édité que par X12-ARIMA
4.4.8.3 Exemple
E11 : ESTIMATION ROBUSTE DE LA SÉRIE DÉSAISONNALISÉE
1985 . . . . . . . . . 101.587 102.236 100.085
1986 101.034 99.620 98.909 106.994 100.020 101.281 102.274 100.362 102.091 103.374 102.421 102.275
1987 96.701 104.252 105.001 104.088 104.934 103.677 104.916 103.579 105.552 105.022 106.510 106.845
1988 106.275 107.287 107.985 108.020 110.198 109.453 108.654 109.671 110.936 108.130 110.433 114.168
1989 113.423 113.734 109.811 116.234 111.904 114.971 113.220 112.595 113.697 113.586 115.180 115.133
1990 114.759 114.279 115.521 115.285 116.283 114.852 116.874 117.617 115.890 116.603 115.563 113.463
1991 115.783 114.864 114.439 116.068 114.501 116.692 118.537 116.234 115.479 115.963 116.956 116.069
1992 116.566 117.119 116.267 116.147 115.553 114.120 114.624 115.931 116.072 115.827 114.147 111.515
1993 111.902 115.509 113.496 110.520 113.221 112.715 112.439 112.420 111.238 111.397 111.774 112.903
1994 114.450 114.044 113.741 114.818 116.718 116.020 116.603 118.019 116.844 116.402 117.460 120.004
1995 119.326 119.019 120.007 . . . . . . . . .
Ainsi, pour avril 1986, on a : APR86 = 99.974 + (109.500 − 102.480) = 106.994
148
4.5 PARTIE F : Mesures de qualité de la désaisonnalisation
4.5.1 Tableau F1 : Lissage de la série désaisonnalisée par une moyenne mobile

MCD
Ce tableau présente un lissage de la série désaisonnalisée finale (tableau D11) par une moyenne
mobile simple dont le calcul de l'ordre (dit "MCD" : Month for Cyclical Dominance) est expliqué
au tableau F2E.
4.5.1.2 Remarques
• Si le paramètre MCD calculé est pair, on utilise alors une moyenne mobile simple centrée,
c'est dire une 2xMCD.
• Quelque soit l'ordre de la moyenne mobile, on ne se préoccupe pas de l'estimation des
extrémités de la série.
4.5.1.3 Exemple
Le paramètre "MCD" est ici égal à 5 (voir tableau F2). Le tableau F1 s'obtient donc simplement, à
partir du tableau D11, par une moyenne mobile simple d'ordre 5.
F1 : LISSAGE DE LA SÉRIE DÉSAISONNALISÉE PAR UNE MOYENNE MOBILE MCD
MCD = 5
1985 . . . . . . . . . . . 100.912
1986 100.377 101.294 101.281 101.330 101.861 101.962 101.016 101.687 101.915 101.915 101.419 101.851
1987 102.177 102.510 103.042 104.391 104.523 104.239 104.532 104.549 105.116 105.502 106.041 106.388
1988 106.981 107.283 107.953 108.589 108.862 109.199 109.782 109.417 109.613 110.716 111.467 112.026
1989 112.376 113.544 113.091 113.401 113.298 113.792 113.277 113.614 113.656 114.038 114.471 114.587
1990 114.974 114.995 115.225 115.244 115.763 116.182 116.303 116.367 116.509 115.827 115.460 115.255
1991 114.822 114.924 115.131 115.313 116.047 116.406 116.289 116.581 116.634 116.140 116.207 116.535
1992 116.596 116.434 116.331 115.841 115.343 115.275 115.260 115.315 115.320 114.698 113.892 113.792
1993 113.326 112.601 112.942 113.104 112.478 112.263 112.407 112.042 111.854 111.947 112.353 112.914
1994 113.383 113.991 114.754 115.068 115.580 116.556 116.961 116.898 117.186 117.866 118.007 118.442
1995 119.163 . . . . . . . . . . .
Le premier terme calculable est celui de décembre 1985 et on a :

101.587 + 102.236 + 100.085 + 101.034 + 99.620
DEC85 = = 100.912
5
149
4.5.2 Tableau F2A : Évolutions, en valeur absolue, des principales composantes
Ce tableau présente les évolutions moyennes, sur plusieurs périodes (de 1 à 12 mois pour une
série mensuelle, de 1 à 4 trimestres pour une série trimestrielle), de quelques séries.
Prenons l'exemple de la série brute du tableau A1. Pour un délai d donné (de 1 à 12 mois par
n
∑
1
exemple), on calcule : Od = A1t _ op A1t − d − _xbar , c'est à dire, pour un schéma
n − d t = d +1
multiplicatif, la moyenne des taux de croissance absolus sur d mois. Ce calcul est fait, pour
chaque délai d, pour les 10 séries suivantes :
Tableau Symbole Série

A1 ou B1 Od La série originale
D11 CI d La série désaisonnalisée finale
D13 Id La composante irrégulière finale
D12 Cd La Tendance-Cycle finale
D10 Sd Les facteurs saisonniers finals
A2 Pd Les coefficients de l'ajustement préalable
C18 TD d Les coefficients finals pour jours ouvrables

F1 MCD d La série désaisonnalisée finale lissée par une moyenne mobile MCD
E1 OdM La série originale corrigée des valeurs extrêmes
E2 M La série désaisonnalisée finale corrigée des valeurs extrêmes
CI d
E3 I dM La composante irrégulière finale corrigée des valeurs extrêmes
4.5.2.2 Exemple
F2A : ÉVOLUTIONS EN VALEUR ABSOLUE POUR PLUSIEURS DÉLAIS
Délai A1 D11 D13 D12 D10 A2 C18 F1 E1 E2 E3

(O) (CI) (I) (C) (S) (P) (TD) (MCD) (Mod. O) (Mod. CI) (Mod. I)
1 11.03 1.34 1.29 0.29 10.73 0.00 2.46 0.34 11.02 0.90 0.86
2 11.84 1.43 1.26 0.57 11.25 0.00 2.16 0.58 11.76 1.06 0.83
3 11.54 1.55 1.21 0.83 11.47 0.00 1.26 0.78 11.46 1.23 0.79
4 11.95 1.70 1.19 1.07 11.37 0.00 2.45 1.00 11.99 1.43 0.78
5 11.22 1.72 1.08 1.30 10.69 0.00 1.93 1.23 11.37 1.57 0.74
6 12.04 1.91 1.14 1.50 12.03 0.00 1.51 1.44 12.34 1.71 0.66
7 11.74 2.07 1.12 1.70 10.91 0.00 2.35 1.64 11.93 1.90 0.75
8 12.05 2.21 1.22 1.89 11.39 0.00 1.86 1.85 12.00 2.06 0.82
9 11.85 2.44 1.17 2.07 10.68 0.00 1.17 2.03 11.81 2.22 0.74
10 12.09 2.52 1.14 2.26 10.92 0.00 2.53 2.22 12.08 2.40 0.75
11 11.04 2.65 1.10 2.44 10.32 0.00 1.84 2.40 11.24 2.60 0.75
12 3.35 2.96 1.25 2.60 0.14 0.00 1.50 2.58 3.23 2.85 0.88
Le schéma étant ici multiplicatif, ce sont les taux de croissance qui sont utilisé pour chaque délai.
La valeur 11.03 obtenue pour la moyenne des taux de croissance mensuels absolus de la série
originale peut se retrouver en prenant la moyenne des valeurs absolues des données du tableau
E5.
150
4.5.3 Tableau F2B : Contributions relatives des composantes aux évolutions de la
série brute
Ce tableau présente pour un délai d donné, la contribution relative de chaque composante à

l'évolution de la série brute. Les composantes étant indépendantes, on doit avoir, au moins
approximativement :
2
Od2 ≈ I d2 + C d2 + S d2 + Pd2 + TD d
Les deux membres de cette équation n'étant pas rigoureusement égaux, on va calculer en fait :
2 2
I d2 + C d2 + S d2 + Pd2 + TD d = Od’
2
I d2
On calcule ensuite les rapports 100 * , L ,100 * TD d afin d'obtenir la contribution
Od′ Od′
2 2
′2
relative de chaque composante. On calcule enfin le rapport 100 * O d 2 pour mesurer la qualité
Od
de l'approximation.
4.5.3.2 Remarques
• X12 utilise dans ce calcul la série E3, à la place de D13, comme estimation de la composante
irrégulière.
• X12 calcule la quantité Od′ à partir de la série E1 et non de la série originale comme X11-
2
ARIMA88.
4.5.3.3 Exemple
F2B : CONTRIBUTIONS DES COMPOSANTES À L'ÉVOLUTION DE LA SÉRIE BRUTE
Délai D13 (I) D12 (C) D10 (S) A2 (P) C18 (TD) TOTAL RATIO x100
1 1.36 0.07 93.65 0.00 4.92 100.00 101.17
2 1.20 0.24 95.04 0.00 3.52 100.00 94.97
3 1.08 0.51 97.23 0.00 1.17 100.00 101.72
4 1.02 0.83 93.81 0.00 4.34 100.00 96.57
5 0.97 1.39 94.56 0.00 3.08 100.00 96.01
6 0.86 1.50 96.13 0.00 1.51 100.00 103.85
7 0.97 2.23 92.49 0.00 4.30 100.00 93.30
8 1.07 2.58 93.84 0.00 2.51 100.00 95.20
9 1.12 3.54 94.20 0.00 1.14 100.00 86.32
10 0.99 3.86 90.30 0.00 4.86 100.00 90.30
11 1.03 5.08 91.00 0.00 2.89 100.00 95.97
12 14.74 63.79 0.18 0.00 21.28 100.00 94.63
Ainsi, pour le délai 1, on a, aux erreurs d'arrondis près :

2 2
I d2 + C d2 + S d2 + Pd2 + TD d = Od’ = (1.29) 2 + (0.29) 2 + (10.73) 2 + (0.00) 2 + ( 2.46) 2 = 122.933
O d′
2
122.933
100 * 2 = 100 * ≈ 101.17
Od (11.03) 2
2
et, par exemple, la contribution de la composante saisonnière est égale à : 100 * (10.73) ≈ 93.65
122.933
151
4.5.4 Tableau F2C : Moyennes et écart-types des évolutions en fonction du délai.
Pour chaque délai, on calcule la moyenne et l'écart-type des évolutions, en tenant compte du signe
cette fois ci, de la série brute et des ses composantes ainsi que de la série moyenne MCD du
tableau F1.
4.5.4.2 Exemple
F2C : MOYENNE ET ÉCART-TYPE DES ÉVOLUTIONS
Délai A1 (O) D13 (I) D12 (C) D10 (S) D11 (CI) F1 (MCD)
Avg STD Avg STD Avg STD Avg STD Avg STD Avg STD
1 1.38 16.84 0.02 1.90 0.15 0.31 1.15 16.20 0.17 1.92 0.15 0.40
2 1.96 20.42 0.01 1.90 0.30 0.60 1.61 20.04 0.30 2.00 0.31 0.62
3 1.94 19.26 0.01 1.77 0.45 0.86 1.45 18.95 0.47 1.96 0.46 0.82
4 1.95 17.71 0.02 1.85 0.61 1.09 1.25 16.95 0.63 2.14 0.61 1.04
5 2.31 18.40 0.01 1.59 0.77 1.28 1.52 18.23 0.79 1.99 0.75 1.25
6 2.27 17.14 0.02 1.79 0.93 1.45 1.28 16.60 0.95 2.22 0.90 1.42
7 2.75 19.93 -0.05 1.66 1.09 1.62 1.61 18.99 1.04 2.28 1.04 1.60
8 2.35 17.87 -0.02 1.73 1.25 1.78 1.04 17.07 1.22 2.46 1.20 1.79
9 2.45 17.28 -0.02 1.86 1.40 1.95 1.02 16.52 1.37 2.69 1.34 1.97
10 2.96 19.42 -0.03 1.64 1.54 2.13 1.32 18.20 1.51 2.69 1.48 2.15
11 2.88 15.66 0.01 1.60 1.68 2.31 1.12 14.89 1.69 2.81 1.62 2.32
12 1.86 3.62 0.01 1.71 1.82 2.49 0.02 0.22 1.82 3.03 1.76 2.49
Ainsi, la moyenne des taux de croissance mensuels de la série brute (1.38) correspond à la
moyenne du tableau E5.
152
4.5.5 Tableau F2D : Durées moyennes des phases de croissance et décroissance.
On calcule pour quelques séries la durée moyenne des phases de croissance et décroissance. Pour
cela, on considère la série des évolutions (taux de croissance si le schéma est multiplicatif,
accroissements s'il est additif). La durée d'une phase de croissance (décroissance) est le nombre
de termes positifs (négatifs) qui se succèdent. Si un terme est nul, il est compté dans la phase en
cours.
Les durées moyennes sont calculées pour les séries suivantes :
Tableau Symbole Série

D11 CI La série désaisonnalisée finale
D13 I La composante irrégulière finale
D12 C La Tendance-Cycle finale
F1 MCD La série désaisonnalisée finale lissée par une moyenne mobile MCD
4.5.5.2 Exemple
A titre d'exemple, considérons la Tendance-Cycle du tableau D12. La série des taux de croissance
mensuels est :
TAUX DE CROISSANCE MENSUELS DE LA TENDANCE-CYCLE D12
1985 . . . . . . . . . . -0.375 -0.439
1986 -0.450 -0.388 -0.158 0.166 0.479 0.642 0.628 0.466 0.217 0.099 0.113 0.236
1987 0.374 0.448 0.379 0.240 0.065 -0.057 0.010 0.190 0.367 0.462 0.452 0.440
1988 0.461 0.504 0.489 0.467 0.423 0.327 0.257 0.306 0.475 0.648 0.760 0.662
1989 0.428 0.221 0.053 -0.069 -0.133 -0.084 0.051 0.163 0.251 0.290 0.278 0.267
1990 0.211 0.095 0.117 0.210 0.304 0.369 0.255 0.052 -0.148 -0.327 -0.401 -0.371
1991 -0.229 -0.007 0.169 0.259 0.255 0.188 0.130 0.089 0.046 0.070 0.118 0.146
1992 0.112 -0.073 -0.271 -0.378 -0.311 -0.146 0.025 0.079 -0.070 -0.315 -0.538 -0.627
1993 -0.517 -0.264 -0.015 0.087 0.021 -0.154 -0.312 -0.323 -0.148 0.088 0.301 0.475
1994 0.545 0.552 0.502 0.447 0.403 0.312 0.249 0.246 0.294 0.412 0.529 0.548
1995 0.487 0.398 0.286 . . . . . . . . .
La série des durées des phases de croissance ou décroissance est :

113
{5, 14, 1, 21, 3, 14, 6, 11, 5, 2, 7, 2, 4, 18} soit une durée moyenne de = 8.0714
14
Le tableau F2D est donc :
F2D : DURÉE MOYENNE DES PHASES DE CROISSANCE OU DÉCROISSANCE
D11 (CI) D13 (I) D12 (C) F1 (MCD)

1.6377 1.5067 8.071 3.2059
153
4.5.6 Tableau F2E : Calcul du ratio MCD ("Month for Cyclical Dominance").
Id
A partir des données du tableau F2A, on calcule les rapports pour chaque valeur du délai
Cd
d. La valeur MCD, utilisée notamment pour le tableau F1, est celle du premier délai d pour lequel
Id
< 1.
Cd
4.5.6.2 Exemple
Les différentes valeurs du ratio se calculent aisément à partir des colonnes D13 et D12 du tableau
I 1.29
F2A. Ainsi, pour le délai 1, on a, aux arrondis près, 1 = ≈ 4.46 . D'où le tableau F2E :
C1 0.29
F2E : RATIO I/C et MCD
1 2 3 4 5 6 7 8 9 10 11 12
4.46 2.22 1.45 1.11 0.84 0.76 0.66 0.65 0.56 0.51 0.45 0.48
La valeur du MCD est donc 5.
154
4.5.7 Tableau F2F : Contribution relative des composantes à la variance de la
partie stationnaire de la série originale
Pour rendre stationnaire la série originale, on extrait une tendance linéaire si le schéma est additif
ou une tendance exponentielle si le schéma est multiplicatif. Cette tendance n'est pas estimée sur
la série brute (tableau A1) mais sur la composante Tendance-Cycle du tableau D12. Cette
dernière est d'ailleurs aussi rendue stationnaire en enlevant la même tendance. Enfin, la
contribution relative de chaque composante (irrégulier D13, Tendance-Cycle stationarisée,
saisonnalité D10, coefficients d'ajustement a priori, coefficients pour jours ouvrables C18) est
évaluée.
4.5.7.2 Remarques
• Dans le calcul des variances des composantes, on utilise les moyennes théoriques (_xbar)
pour les composantes saisonnière, irrégulière, coefficients pour jours ouvrables et les
moyennes empiriques pour la série brute, la composante Tendance-Cycle et les coefficients
d'ajustement a priori.
• Comme estimation de la composante irrégulière X12-ARIMA utilise le tableau E3 et X11-
ARIMA88 D13.
4.5.7.3 Exemple
Il serait fastidieux de décrire chaque étape de ce calcul assez long. On se contentera de résumer
chaque étape du calcul. Le schéma étant multiplicatif, on se trouve dans le cas où la méthode
employée est la plus complexe.
• On ajuste une droite, notée ols, par les moindres carrés ordinaires, au logarithme de la
composante Tendance-Cycle du tableau D12, ce qui revient à ajuster une tendance
exponentielle à la série D12.
• La série originale A1 et la Tendance-Cycle D12 sont alors rendues stationnaires en leur
enlevant cette tendance exponentielle : A1bis = A1 _op EXP(ols) et D12bis = D12 _op
EXP(ols).
• On dispose donc maintenant d'une série A1bis décomposée ici en 4 composantes
indépendantes : D12bis, D13, D10 et C18. On va transformer ces variables par logarithme
afin de se ramener à la somme de variables aléatoires indépendantes, ce qui permet d'utiliser
l'égalité approximative :
Var[ LOG( A1bis)] ≈ Var[ LOG( D12bis)] + Var[ LOG( D13)] + Var[ LOG( D10)] + Var[ LOG(C18)]
• Chacune de ces variances est alors calculée en utilisant les moyennes empiriques pour
LOG(A1bis) et LOG(D12bis) et la moyenne théorique (ici 0 puisqu'on est en transformation
logarithmique) pour LOG(D10), LOG(C18) et LOG(D13).
• Enfin, les contributions de la variance de chaque composante à la variance de la série
originale stationnarisée sont éditées dans le tableau F2F :
F2F : CONTRIBUTION RELATIVE DES COMPOSANTES À LA VARIANCE DE LA SÉRIE BRUTE STATIONNARISÉE
I C S TD Total
1.09 5.36 91.50 1.91 99.86
155
4.5.8 Tableau F2G : Autocorrélogramme de la composante irrégulière
Ce tableau présente l'autocorrélogramme de la composante irrégulière D13 calculé pour des

retards allant de 1 au nombre de périodes +2 (soit 14 pour une série mensuelle et 6 pour une série
trimestrielle). Variance et autocorrélations sont calculées avec la moyenne théorique _xbar.
N
∑ (I t − _ xbar )( I t − k − _ xbar )
On a donc, avec N observations dans la série I : Corrk ( I ) = t = k +1
N
∑ (I
t =1
t − _ xbar ) 2
4.5.8.2 Exemple
Ici, la moyenne théorique est 1. Le calcul des autocorrélations jusqu'à l'ordre 14 donne :
F2G : AUTOCORRÉLOGRAMME DE LA COMPOSANTE IRRÉGULIÈRE
1 2 3 4 5 6 7 8 9 10 11 12 13 14
-0.15 -0.15 0.00 -0.10 0.21 0.00 0.00 -0.07 -0.26 0.05 0.08 -0.05 0.02 -0.08
I I
4.5.9 Tableau F2H : Ratios et
C S
I I
Ce tableau rappelle les valeurs des ratios et calculés respectivement aux tableaux D12 et
C S
D10.
4.5.9.2 Exemple
F2H : RATIOS
RATIO I/C FINAL POUR D12 2.74

RATIO I/S FINAL POUR D10 4.60
156
4.5.10 Tableau F2I : Rappel des résultats des tests d'existence de saisonnalité
Ce tableau rappelle les valeurs des tests d'existence de la saisonnalité effectués aux tableaux B1
(test de Fisher de saisonnalité stable) et D8 (test de Fisher de saisonnalité, test de Kruskal-Wallis
de saisonnalité, test de Fisher de saisonnalité évolutive).
4.5.10.2 Remarque
X11-ARIMA88 imprime aussi le résultat du test d'existence d'un effet lié aux jours ouvrables
(tableau C15).
4.5.10.3 Exemple
F2I : RAPPEL DES DIFFÉRENTES STATISTIQUES DE TEST
STATISTIQUE PROB > Stat (%)

Test F de saisonnalité stable (B1) 183.698 0.000
Test F d'effet pour jours ouvrables (C15) 68.245 0.000
Test F de saisonnalité stable (D8) 498.194 0.000
Test de Kruskal-Wallis de saisonnalité stable (D8) 104.780 0.000
Test F de saisonnalité évolutive (D8) 1.724 10.386
157
4.5.11 Tableau F3 : Statistiques de qualité de l'ajustement
Ce tableau présente onze statistiques permettant de juger la qualité de l'ajustement saisonnier.

Leur calcul et leur justification sont détaillés dans Lothian & Morry (1978). Ces statistiques
varient entre 0 et 3, mais seules les valeurs en dessous de 1 sont jugées acceptables. Un indicateur
synthétique de la qualité de la désaisonnalisation est construit comme combinaison linéaire de ces
11 statistiques.
Statistique M1 :
Si dans l'évolution de la série la part de la composante irrégulière est trop forte, il sera difficile
d'identifier et d'extraire une composante saisonnière. La statistique M1 mesure la contribution de
l'irrégulier à la variance totale à partir des résultats du tableau F2B. Lothian & Morry (1978) ont
montré que, pour une série mensuelle, c'était le retard 3 qui permettait la meilleure comparaison
des contributions respectives des composantes irrégulière et saisonnière.
La statistique M1 tient aussi compte de la présence éventuelle de coefficients d’ajustement
préalable et se définit, en reprenant les notations du tableau F2B par :
I 32 O ’32
M 1 = 10 *
1 − P32 O ’32
La statistique M1, normalisée par le facteur 10, est jugée acceptable si elle ne dépasse pas 10%.
Statistique M2
Cette statistique, similaire à la statistique M1, est calculée à partir de la contribution de la
composante irrégulière à la variance de la série brute stationnarisée.
La statistique M2 tient aussi compte de la présence éventuelle de coefficients d’ajustement
préalable et se calcule à partir des données du tableau F2F par :
Contr ( I )
M 2 = 10 *
1 − Contr ( P)
La statistique M2, normalisée par le facteur 10, est jugée acceptable si elle ne dépasse pas 10%.
Statistique M3
Pour obtenir une désaisonnalisation correcte, X11 estime successivement chacune des
composantes. En particulier, dans l'extraction de la composante Tendance-Cycle, il est
souhaitable que la contribution de l'irrégulier à l'évolution de l'estimation provisoire de la série
désaisonnalisée ne soit pas trop importante. Dans le cas contraire, il sera difficile de séparer ces
deux composantes. La statistique M3 mesure cette contribution à partir du ratio I/C du tableau
D12, repris dans le tableau F2H. On a :
1 I 
M 3 = *  − 1
2 C 
Statistique M4
L'une des hypothèses de base conditionnant la validité des tests de Fisher fait au cours du
traitement X11 est la nature aléatoire de la composante irrégulière. La statistique M4 teste la
présence d'autocorrélation à partir de la durée moyenne des séquences (ADR) de l'irrégulier qui
figure au tableau F2D, selon la formule :
158
N − 1 2( N − 1)
−
ADR 3
M4=
16 N − 29
2.577 *
90
Statistique M5
La valeur MCD calculée au tableau F2E mesure le nombre de mois nécessaires pour que les
variations absolues de la composante Tendance-Cycle l'emportent sur celles de la composante
irrégulière. Cette mesure, comme M3, permet donc de comparer l'importance des évolutions des
composantes tendancielle et irrégulière.
I I
Le MCD est le nombre de mois k tel que : k ≤ 1 et k −1 > 1 . La valeur utilisée ici utilise une
Ck C k −1
I  I 
interpolation linéaire : MCD ′ = (k − 1) +  k −1 − 1 /  k −1 − k
I  . Il est généralement admis que,
 C k −1 
  C k −1 C k 

pour une série mensuelle, cette valeur ne doit pas dépasser 6, ce qui permet de définir la
statistique M5 comme :
MCD ′ − 0.5
M5 =
5
Statistique M6
Pour extraire la composante saisonnière, X11 lisse une estimation du mouvement Saisonnier-
Irrégulier par exemple à l'aide d'une moyenne mobile 3x5. L'expérience a montré que si les
évolutions annuelles de la composante irrégulière étaient trop faibles en regard des évolutions
annuelles de la composante saisonnière (faible ratio I/S), la moyenne 3x5 n'était pas assez flexible
pour suivre le mouvement saisonnier. Lothian (1978) a montré que cette moyenne 3x5 fonctionne
bien pour des valeurs du ratio I/S comprises entre 1.5 et 6.5. La statistique M6 est dérivée de ces
valeurs et du ratio I/S du tableau D10, repris dans le tableau F2H. On a :
1 I 
M6 = *  − 4 
2.5  S 
Statistique M7
M7 compare, à partir des statistiques des tests de Fisher du tableau D8, la part relative des
saisonnalité stable (statistique Fs) et mobile (statistique FM ). Elle permet de voir si la saisonnalité
est ou non identifiable par X11. On a :
1  7 3FM 
M7 =  + 
2  Fs FS 
Les filtres saisonniers utilisés par X11 fonctionnent de façon optimale pour des saisonnalités
constantes. Si ce mouvement saisonnier évolue au cours des ans, les estimations des coefficients
saisonniers peuvent être plus ou moins erronées. On considère deux types de mouvements : celui
dû à des variations quasi aléatoires de court terme et un autre dû à des évolutions de plus long
terme. L'importance du premier type de mouvement peut être mesurée par la moyenne des
évolutions absolues annuelles (statistiques M8 et M10). La moyenne simple des évolutions
annuelles donne au contraire une idée de l'importance d'un mouvement (linéaire) systématique
(statistiques M9 et M11).
159
Ces 4 dernières statistiques sont calculées à partir de facteurs saisonniers normalisés. À la
S −S
composante saisonnière du tableau D10, on applique la transformation : S ’t = t , où la
σ (S )
moyenne utilisée est la moyenne théorique _xbar.
Statistique M8
L'ampleur des variations de la composante saisonnière est mesurée par la variation absolue
moyenne :
J N
∑∑
1
∆S ’ = S Ji’ + j − S J’ (i −1)+ j où N désigne le nombre d'années de la série et J la
J ( N − 1) j =1 i = 2
1
périodicité (4 ou 12). On a alors, si la limite de tolérance est de 10% : M 8 = 100 * ∆S ’ * .
10
Statistique M9
On a, si la limite de tolérance est de 10% :
J
∑S
j =1
’
J ( N −1) + j − S ’j
1
M 9 = 100 * *
J * ( N − 1) 10
Statistique M10
C'est l'équivalent de la statistique M8 mesurée sur les dernières années :
1 J N −2 ’
∑∑
1
∆S ’ = S Ji + j − S J’ (i −1)+ j et M 10 = 100 * ∆S ’ *
R 3 J j =1 i = N − 4 R 10
Statistique M11
C'est l'équivalent de la statistique M9 mesurée sur les dernières années :
J
∑S
j =1
’
J ( N −2)+ j − S J’ ( N −5)+ j
1
M 11 = 100 * *
3J 10
Enfin, une statistique globale de qualité, combinaison linéaire des statistiques M1 à M11, est
calculée. On a :
10M 1 + 11M 2 + 10 M 3 + 8M 4 + 11M 5 + 10 M 6 + 18M 7 + 7 M 8 + 7 M 9 + 4 M 10 + 4 M 11
Q= .
100
4.5.11.2 Remarques
• X12-ARIMA utilise la série du tableau E3 comme estimation de la composante irrégulière, au

lieu de D13 pour X11-ARIMA88 ce qui se répercute sur la définition des statistiques M1 et
M2.
• La statistique M6 n'a de sens que si une moyenne mobile 3x5 a été utilisée. Dans le cas
contraire, son poids dans la statistique Q est nul.
• Les statistiques M8 à M11 ne sont calculables que si la série couvre au moins 6 années. Dans
le cas contraire, le vecteur de poids utilisé pour calculer la statistique Q est (14, 15, 10, 8, 11,
10, 32, 0, 0, 0, 0).
• X12-ARIMA calcule aussi une statistique globale Q2 qui ne prend pas en compte M2.
160
4.5.11.3 Exemple
Le tableau F3 édité pour notre exemple est :

F3 : STATISTIQUES DE QUALITÉ DE LA DÉSAISONNALISATION
M1 = 0.108
M2 = 0.109
M3 = 0.871
M4 = 0.029
M5 = 0.779
M6 = 0.241
M7 = 0.111
M8 = 0.126
M9 = 0.099
M10 = 0.163
M11 = 0.151
Statistique Q = 0.270
On a :
1.08 / 100
M 1 = 10 * = 0.108
1 − 0 / 100
1.09 / 100
M 2 = 10 * = 0.109 (compte tenu du fait que les résultats du tableau F2F sont exprimés
1 − 0 / 100
en %).
1
M3= (2.742 − 1) = 0.871
2
114 − 1 2 * (114 − 1)
−
1.5067 3 0.3350
M4= ≈ ≈ 0.029
16 * 114 − 29 11.509
2.577 *
90
1 1.14 − 1 
M 5 = 4 + − 0.5 ≈ 0.78
5 1.14 − 0.81 
1
M6 = 4.602 − 4 = 0.241
2.5
1  7 + 3 * 1.724 
M7 =   = 0.111
2  498.194 
Le calcul des autres statistiques demande une normalisation des coefficients saisonniers du
tableau D10. On calcule l'écart-type de ce tableau par la formule :
t=N
∑ (S
1
σ= t − 1) 2 = 0.1001
N t =1
St − 1
On normalise ensuite le tableau D10 par la formule S ’t = . Ainsi, pour la valeur de avril
σ
1.01408 − 1
1986, on a : APR86 = ≈ 0.1407 .
0.1001
161
On obtient alors le tableau suivant :
FACTEURS SAISONNIERS STANDARDISÉS
1985 . . . . . . . . . 1.1433 0.8866 0.0620
1986 0.3781 -0.0039 0.7670 0.1407 -0.2159 0.3333 -0.4609 -3.2194 0.1906 1.1416 0.8816 0.0721
1987 0.3843 -0.0125 0.7630 0.1408 -0.2261 0.3303 -0.4552 -3.1985 0.1877 1.1480 0.8678 0.0738
1988 0.3932 -0.0259 0.7552 0.1446 -0.2434 0.3280 -0.4472 -3.1596 0.1834 1.1506 0.8655 0.0628
1989 0.4053 -0.0467 0.7362 0.1523 -0.2565 0.3146 -0.4391 -3.0972 0.1820 1.1653 0.8494 0.0393
1990 0.4119 -0.0677 0.7160 0.1638 -0.2723 0.3089 -0.4237 -3.0308 0.1769 1.1690 0.8413 0.0099
1991 0.4199 -0.0920 0.6910 0.1733 -0.2664 0.2921 -0.4020 -2.9658 0.1729 1.1709 0.8164 -0.0127
1992 0.4213 -0.1123 0.6758 0.1825 -0.2544 0.2862 -0.3797 -2.9240 0.1678 1.1544 0.7951 -0.0146
1993 0.4205 -0.1262 0.6666 0.1860 -0.2310 0.2774 -0.3700 -2.9006 0.1712 1.1392 0.7672 0.0018
1994 0.4158 -0.1357 0.6670 0.1885 -0.2223 0.2786 -0.3685 -2.8937 0.1747 1.1299 0.7546 0.0158
1995 0.4107 -0.1411 0.6715 . . . . . . . . .
On en déduit les évolutions annuelles en retranchant à la ligne t la ligne t-1. Ainsi, l'évolution de
la saisonnalité entre les mois d'avril 1986 et avril 1987 est proche de 0.
On obtient le tableau suivant :
ÉVOLUTION ANNUELLE DES FACTEURS SAISONNIERS STANDARDISÉS
1985 . . . . . . . . . 0.00168 0.00501 -0.01003
1986 -0.00612 0.00867 0.00406 -0.00018 0.01011 0.00302 -0.00577 -0.02089 0.00299 -0.00636 0.01377 -0.00173
1987 -0.00890 0.01333 0.00779 -0.00380 0.01736 0.00227 -0.00794 -0.03897 0.00425 -0.00259 0.00232 0.01103
1988 -0.01218 0.02085 0.01902 -0.00761 0.01306 0.01341 -0.00815 -0.06237 0.00141 -0.01470 0.01611 0.02350
1989 -0.00655 0.02095 0.02013 -0.01153 0.01582 0.00568 -0.01539 -0.06638 0.00514 -0.00370 0.00803 0.02938
1990 -0.00799 0.02429 0.02500 -0.00955 -0.00594 0.01687 -0.02166 -0.06503 0.00400 -0.00188 0.02491 0.02254
1991 -0.00145 0.02031 0.01527 -0.00922 -0.01193 0.00581 -0.02228 -0.04180 0.00506 0.01651 0.02138 0.00194
1992 0.00085 0.01391 0.00912 -0.00347 -0.02338 0.00884 -0.00971 -0.02342 -0.00341 0.01518 0.02789 -0.01640
1993 0.00471 0.00951 -0.00030 -0.00249 -0.00870 -0.00121 -0.00155 -0.00688 -0.00350 0.00926 0.01255 -0.01402
1994 0.00506 0.00538 -0.00453 . . . . . . . . .
La statistique M8 se déduit à partir de la moyenne des valeurs absolues de ce tableau; c'est en fait
10 fois cette moyenne, soit 0.126.
De même, la statistique M10 se déduit à partir de la moyenne des valeurs absolues des données de
ce tableau, de avril 1990 à mars 1993. M10 est égale à 10 fois cette moyenne, soit 0.163.
Pour le calcul de M9, on peut par exemple faire la moyenne, multipliée par 10, des valeurs
absolues des moyennes mensuelles de ce tableau. Ainsi, la moyenne de la colonne du mois d'avril
est :
- 0.00018 - 0.00380 - 0.00761 - 0.01153 - 0.00955 - 0.00922 - 0.00347 - 0.00249
Avril = ≈ −0.00598
8
De même, pour les autres mois, on aurait :
-0.00362 0.01525 0.01062 -0.00598 0.00080 0.00688 -0.01156 -0.04072 0.00199 0.00149 0.01466 0.00513
Et 10 fois la moyenne des valeurs absolues de ces données conduit à la valeur de M9 :

0.0362 + 0.1525 + 0.1062 + 0.0598 + 0.0080 + 0.0688 + 0.1156 + 0.4072 + 0.0199 + 0.0149 + 0.1466 + 0.0513
M9 =
12
≈ 0.099
Pour M11, on ferait la même chose mais sur les données de avril 1990 à mars 1993, ce qui
conduit à la valeur 0.151.
Enfin, on déduit la valeur de la statistique Q finale :
1.08 + 1.199 + 8.71 + 0.233 + 8.569 + 2.45 + 1.998 + 0.882 + 0.693 + 0.652 + 0.604
Q= ≈ 0.27
100
162
Chapitre 5 MODÉLISATION DE L’EFFET DE PÂQUES
X11-ARIMA88 et X12-ARIMA proposent différents modèles de correction de l’effet de Pâques à

partir d’une estimation de la composante irrégulière. Les modèles proposés et la méthodologie
utilisée sont parfois assez différents dans les deux logiciels et c’est pourquoi nous ne l’avons pas
directement intégrée dans l’exemple ci-dessus.
5.1 La fête de Pâques
5.1.1 Un peu d’histoire
Selon les Évangiles, la résurrection du Christ a eu lieu pendant la Pâque juive, fête judaïque
annuelle célébrée après la première pleine lune de Printemps et au cours de laquelle un agneau est
sacrifié33 pour commémorer l’exode d’Égypte. Les Chrétiens souhaitèrent conserver le lien
symbolique entre ce sacrifice et le sacrifice de Jésus et c’est pourquoi il fut décidé, au concile de
Nicée en 325, que la fête chrétienne de Pâques serait célébrée le premier dimanche après la
première pleine lune suivant le solstice de Printemps. Malheureusement, l’ancien calendrier julien
était basé sur une année un peu plus longue que celle en usage aujourd’hui et, peu à peu, le
« solstice de Printemps » se rapprochait des mois d’hiver. Lorsqu’en 1582 le Pape Grégoire XIII
introduisit le calendrier grégorien encore en usage de nos jours, le solstice de Printemps était
presque en Février et l’un des principaux objectifs du changement de calendrier fut sans aucun
doute de ramener la fête de Pâques au Printemps !
5.1.2 Le calcul des dates de Pâques
La détermination à l’avance des dates de Pâques a fait l’objet de travaux de mathématiciens

célèbres et Gauss lui même est l’auteur d’algorithmes savants mais hélas complexes. Gardner
(1981) cite un algorithme simple, dû à Thomas H. O’Beirne (1966), valable de 1900 à 2099
inclus :
• Soit Y l’année. Soustraire 1900 de Y et soit N la différence.

• Diviser N par 19 ; soit A le reste de cette division.
• Diviser (7A+1) par 19 et soit B le quotient de la division dont on ignore le reste.
• Diviser (11A+4-B) par 29 ; soit M le reste de cette division.
• Diviser N par 4 et soit Q le quotient de la division dont on ignore le reste.
• Diviser (N+Q+31-M) par 7 ; soit W le reste.
• La date de Pâques est alors 25-M-W. Si le résultat est positif, le mois est avril, et mars dans le
cas contraire (en interprétant 0 comme le 31 mars, -1 comme le 30 mars et ainsi de suite
jusqu’à –9 pour le 22 mars).
33
« … Le Seigneur passera pendant la nuit et tuera tous les premiers nés égyptiens. Saura-t-il discerner les
enfants d'Israël ? Oui, car chaque famille aura, la veille au soir, immolé un agneau; prête au départ, en tenue
de voyage, ayant renoncé au pain levé des villes, elle attendra. Sur la porte elle aura inscrit un signe avec le
sang de cette victime qui, semblable au bélier d'Abraham, rachète la vie des enfants de Dieu (...) La Pâque
est née, la fête du «passage» ; Israël la commémorera d'année en année, au souvenir de la nuit où la
puissance de mort «passa outre» et contraignit la force brutale à laisser agir Dieu. »
DANIEL-ROPS, le Peuple de la Bible, II, I.
163
Par exemple, pour les années 1985 à 1995 les dates de Pâques sont les suivantes :
ANNÉE Date de Pâques Par exemple, pour 1989, l’algorithme donne :

1985 7 avril
1986 30 mars Y = 1989
1987 19 avril N = 1989-1900 = 89
1988 3 avril 89 = 19* 4 + 13 et donc A = 13
1989 26 mars ( 7 A + 1 )/ 19 = 92 / 19 = 19* 4 + 16 et donc B = 4
1990 15 avril ( 11A + 4-B)/ 29 = 143 / 29 = 29* 4 + 27 et donc M = 27
1991 31 mars N/ 4 = 89 / 4 = 22* 4 + 1 et donc Q = 22
1992 19 avril (N + Q + 31-M)/ 7 = 115 / 7 = 16* 7 + 3 et donc W = 3
1993 11 avril 25-M-W = -5
1994 3 avril
1995 16 avril Et donc Pâques est en mars (résultat négatif), le 26 (31-5)
La répartition des dates de Pâques sur la période 1900-2099 est illustrée à la figure 20. On note
que le dimanche de Pâques tombe beaucoup plus souvent au mois d’avril qu’au mois de mars :
156 fois contre 44 fois sur cette période.
5.1.3 Pâques et la désaisonnalisation
Pourquoi se préoccupe-t-on de la fête de Pâques en analyse des séries temporelles et en

désaisonnalisation ? Tout simplement parce que Pâques entraîne un changement du niveau de
l’activité de nombreux secteurs : Vendredi Saint et Lundi de Pâques fériés, modification des
habitudes alimentaires (chocolat, viande d’agneau …) etc. De plus, le dimanche de Pâques peut
être au plus tôt le 22 mars (la dernière fois remonte à 1818 et la prochaine fois sera en 2285) et au
plus tard le 25 avril (la dernière fois en 1943 et la prochaine fois en 2038) soit au premier ou au
second trimestre : les effets potentiels de cette fête ne sont donc pas complètement pris en compte
dans la saisonnalité de la série.
Les modèles élaborés pour la prise en compte de l’effet de Pâques dépendent de la nature même
de la série.
• 1997 est la dernière année où le dimanche de Pâques est tombé en mars (le 30), ce qui ne
s’était pas produit depuis 1991 où Pâques est tombé le 31 mars. Pour les ventes mensuelles
d’automobiles par exemple, la variation observée entre mars et avril 1997 n’est pas
comparable à celles observées entre les mêmes mois des années précédentes. La fermeture
des magasins le vendredi saint a entraîné une baisse inhabituelle des ventes en mars 1997.
Inversement, on a enregistré un relativement plus grand nombre de mariages en mars 1997.
Pour ces séries, l’impact de Pâques, positif ou négatif, est immédiat dans le sens où il se
concentre sur le mois dans lequel tombe Pâques.
• Pour d’autres séries, les variations liées à Pâques peuvent se faire sentir non seulement
pendant la fête elle-même mais aussi pendant les jours où les semaines qui précèdent. Cet
effet graduel s’observe par exemple dans les ventes de chocolat, de fleurs …. Dans ce cas,
l’effet constaté dépend non seulement du fait que Pâques tombe en mars ou en avril, mais
aussi de la date à laquelle il tombe en avril. Les chiffres de mars seront alors d’autant plus
affectés que Pâques tombe tôt en avril.
164
Figure 20 : Répartition des dates de Pâques sur la période 1900-2099
10
9
8
7
6
5
4
3
2
1
0
23/3 26/3 29/3 1/4 4/4 7/4 10/4 13/4 16/4 19/4 22/4 25/4
• Enfin, la plupart des séries de stock, qui présentent l’évolution d’une grandeur mesurée à une
date précise (nombre de chômeurs au 1er de chaque mois par exemple) ne sont que très
rarement affectées par la fête de Pâques. Il en est de même des données qui sont mesurées sur
des périodes de référence, une semaine donnée en général. Ainsi, les enquêtes emploi, qui
mesurent en particulier le nombre d’heures travaillées, portent elles généralement sur une
semaine de référence et ne sont qu’exceptionnellement touchées par la fête de Pâques.
Les modèles que nous allons présenter par la suite s’appliquent essentiellement aux séries de flux,
les séries de stock relevant plus de modèles d’intervention dans lesquels les événements
particuliers comme Pâques sont modélisés sous forme de variables indicatrices particulières et
leur effet ponctuel estimé par des méthodes de régression.
Les effets de Pâques peuvent enfin être estimés soit sur les données brutes, à l’aide de modèles de
régression avec erreurs ARIMA, soit sur une estimation préalable de la composante irrégulière
obtenu après élimination des autres effets présents dans la série (tendance, saisonnalité, effets de
jours ouvrables …). La première approche n’est proposée que par X12-ARIMA, dans son module
RegARIMA (Findley et alii 1998) et la seconde est disponible dans les deux logiciels X11-
ARIMA88 et X12-ARIMA; c’est sur les modèles utilisés pour cette seconde approche que nous
allons nous concentrer à présent. Nous en distinguerons six :
• Les 3 modèles proposés par X11-ARIMA88 et qui estiment l’effet de Pâques à partir de la
composante irrégulière du tableau D13 : le modèle à effet ponctuel, le modèle à effet ponctuel
corrigé et le modèle à effet graduel.
• Les 3 modèles proposés par X12-ARIMA : le modèle de Bateman & Mayes qui estime l’effet
de Pâques à partir du tableau D13, et deux modèles à effet graduel (« Sceaster » et « Easter »)
qui estiment l’effet de Pâques à partir des estimations de l’irrégulier des tableaux B13 et C13,
le cas échéant en même temps que les effets de jours ouvrables.
165
Les composantes irrégulières qui serviront d’exemple pour illustrer les différents modèles sont les
suivantes :
1985 . . . . . . . . . 100.535 100.471 97.916
1986 103.127 98.213 95.390 107.358 99.648 98.460 102.766 94.737 100.185 102.178 98.661 101.186
1987 95.874 101.153 101.588 102.296 98.892 100.097 102.280 96.086 100.774 98.541 99.781 101.664
1988 96.897 102.248 101.498 98.202 101.130 101.564 97.460 101.047 101.999 95.053 100.374 101.647
1989 101.028 99.859 98.753 99.913 99.930 102.961 97.968 100.893 98.592 99.146 102.274 98.212
1990 101.457 98.700 100.249 99.026 102.444 97.743 100.912 102.425 96.873 101.503 101.259 96.413
1991 103.060 99.489 97.167 101.999 100.597 97.834 103.528 99.549 98.111 101.645 98.541 98.994
1992 100.887 100.985 99.061 101.438 97.878 100.337 101.233 98.474 101.637 101.286 99.015 100.115
1993 96.558 101.568 101.173 99.389 98.776 101.209 100.148 101.117 100.329 97.915 100.604 101.319
1994 98.715 99.149 100.309 98.327 101.865 100.715 97.384 103.706 100.376 97.811 100.452 100.387
1995 100.292 98.592 100.227 . . . . . . . . .
D13: COMPOSANTE IRRÉGULIÈRE FINALE
1985 . . . . . . . . . 99.954 100.970 99.281
1986 100.676 99.653 99.099 106.850 99.569 100.182 100.533 97.269 99.670 100.824 99.781 99.403
1987 93.862 100.497 100.837 99.721 100.466 99.319 100.495 99.027 100.544 99.579 100.536 100.410
1988 99.416 99.859 100.020 99.587 101.167 100.154 99.169 99.792 100.465 97.512 98.616 101.281
1989 100.192 100.244 97.009 102.498 98.779 101.571 99.973 99.260 99.980 99.593 100.711 100.402
1990 99.865 99.352 100.315 99.900 100.459 98.858 100.342 100.927 99.593 100.535 100.040 98.587
1991 100.834 100.041 99.502 100.659 99.046 100.752 102.212 100.138 99.441 99.789 100.525 99.617
1992 99.931 100.478 100.018 100.294 100.092 98.995 99.407 100.461 100.653 100.758 99.833 98.148
1993 98.999 102.515 100.691 97.966 100.338 100.045 100.112 100.420 99.512 99.565 99.603 100.134
1994 100.955 100.045 99.280 99.774 101.018 100.102 100.356 101.840 100.022 99.235 99.609 101.212
1995 100.153 99.499 100.038 . . . . . . . . .
5.2 Les modèles utilisés dans X11-ARIMA88
Comme nous l’avons vu, il est plus fréquent que Pâques tombe en avril et, dans les modèles qui
vont suivre, c’est cette situation qui est considérée comme « normale » : si un « effet Pâques » est
détecté, seules les données des années où Pâques tombe en mars seront corrigées. Cette correction
affectera les mois de mars et avril des années concernées et, comme il est souhaitable que le
niveau de la série ne soit pas modifié, on va faire en sorte que la somme des coefficients
correcteurs soit égale à 0 pour un schéma additif, ou à 2 pour un schéma multiplicatif.
Enfin, notons qu’en travaillant sur les estimations de la composante irrégulière du tableau D13,
c’est un effet de Pâques résiduel qui est estimé.
5.2.1 Le modèle à effet ponctuel
Le modèle à effet ponctuel est la version la plus simple des modèles actuellement disponibles
dans le logiciel et qui seront explicités par la suite.
5.2.1.1 Modèle et estimation des effets
• Soit I i , j la valeur de la composante irrégulière du tableau D13 correspondant au mois j de

l’année i.
• I i , 4 et I i ,3 , i = 1....n , sont ainsi les valeurs de la composante irrégulière des mois d’avril et
de mars, pour les n années disponibles. On note Yi = I i , 4 − I i ,3 leurs différences.
• Soit X i la variable indicatrice valant 1 si Pâques tombe en Mars (ou au premier trimestre) et
0 s’il est en avril (ou au second trimestre).
166
• Soient enfin Z i le nombre de jours qui séparent le dimanche de Pâques de l’année i et le 22
mars (date la plus précoce pour cette fête) et f ( Z i ) la fonction définie par :
1 si Z i ≤ 9 (Pâques tombe en mars)
f (Z i ) = 
0 si Z i > 9 (Pâques tombe en avril)
Bien que n’intervenant pas explicitement dans les calculs relatifs au modèle à effet ponctuel,
la variable Z i et la fonction f ( Z i ) permettent d’uniformiser la présentation des différents
modèles et ainsi d’en faciliter leur compréhension. C’est pourquoi nous les introduisons ici
où d’ailleurs on a X i = f ( Z i ) .
L’effet de Pâques peut s’obtenir en expliquant les valeurs de l’irrégulier par la variable X i , c’est
à dire en mesurant l’impact sur l’irrégulier du fait que Pâques tombe en mars. On a donc les
modèles suivants :
 I i ,3 = a M + bM X i + η i

I i,4 = a A + b A X i + ξ i
où bM et b A mesurent l’impact de Pâques sur les valeurs des mois de mars et avril et où η i et ξ i
sont les termes d’erreurs des régressions. Dans ces modèles additifs, l’hypothèse de conservation
du niveau de la série impose que b A = −bM = b / 2 et on a, en prenant la différence de ces
modèles :
I i , 4 − I i ,3 = Yi = a + bX i + ε i .
• a s’interprète comme un effet moyen de la fête de Pâques sur la différence des irréguliers. Il
traduit donc une différence structurelle entre les mois de mars et d’avril (ou les premier et
second trimestres). Les données du tableau D13 ne présentant en principe ni tendance ni
saisonnalité, le paramètre a doit être nul en théorie et son estimation proche de zéro.
• b est l’effet supplémentaire dû au fait que Pâques tombe en mars. C’est donc bien cette
quantité qui mesure l’effet propre à la fête de Pâques.
Soit b̂ l’estimateur du paramètre b ; alors, sous l’hypothèse de conservation du niveau de la série,

les coefficients correcteurs appliqués sont :
Schéma additif Schéma multiplicatif

Mois de mars
− bˆ * f ( Z i ) / 2 1 − bˆ * f ( Z i ) / 2
Mois d’avril + bˆ * f ( Z i ) / 2 1 + bˆ * f ( Z i ) / 2
Seules les données des années où Pâques tombe en mars, et pour lesquelles f ( Z i ) ne sera pas
nul, seront donc corrigées.
L’estimateur b̂ de b , obtenu par les moindres carrés ordinaires, peut se calculer explicitement.
• Soient n M et n A les nombres d’années où Pâques tombe en mars ou en avril. On a bien sur
n = nM + n A .
• Soient YM et YA les sommes des valeurs Yi pour les années où Pâques tombe
respectivement en mars et en avril.
167
Cov( X , Y )
On a, pour une régression linéaire simple par les moindres carrés ordinaires, bˆ = or
Var ( X )
ici :
1 1  n  YM + YA  1  (n − n M ) * YM n M * YA 
Cov( X , Y ) = ∑
n i
X i Yi − XY = YM −  M 
n  n  n
= 
 n n
−
n 

1  n * YM n M * YA 
=  A − 
n n n 
Var ( X ) = ∑ X i2 − ( X ) = M A
1 2 n n
n i n n
YM YA
On en déduit directement bˆ = − = YM − Y A .
nM n A
Et, de même, l’estimateur â de a sera donné par
YM + YA  YM YA  n M YA
aˆ = Y − bˆX = −  −  = = Y A , ce qui montre que la valeur de
n  nM n A  n nA
l’estimateur devrait être proche zéro. En effet, le cas où Pâques tombe en avril correspondant à la
situation « normale », l’effet de Pâques est pour ces années compris dans la saisonnalité et
n’affecte donc pas les valeurs de l’irrégulier des mois de mars et avril pour ces années. Celles ci
sont donc en théorie de moyenne égale à 0 ou à 1 selon le schéma de composition et leur
différence est ainsi de moyenne nulle. En conséquence, on a aussi bˆ = YM − Y A ≅ YM .
Enfin, il est possible de tester la présence d’un effet de Pâques en utilisant le test global de Fisher
de la régression.
5.2.1.2 Exemple
Seules les données de 1986 à 1994 permettent de calculer la différence des irréguliers de mars et
avril. On a donc :
Année i f (Z i ) = X i Zi I i ,3 I i,4 Yi
1986 1 8 0.99099 1.06850 0.07751
1987 0 28 1.00837 0.99721 -0.01116
1988 0 12 1.00020 0.99587 -0.00433
1989 1 4 0.97009 1.02498 0.05489
1990 0 24 1.00315 0.99900 -0.00415
1991 1 9 0.99502 1.00659 0.01156
1992 0 28 1.00018 1.00294 0.00276
1993 0 20 1.00691 0.97966 -0.02726
1994 0 12 0.99280 0.99774 0.00494
On en déduit facilement
0.07751 + 0.05489 + 0.01156 − 0.01116 − 0.00433 − 0.00415 + 0.00276 − 0.02726 + 0.00494
bˆ = −
3 6
= 0.04799 + 0.00653 = 0.05452
168
Les résultats de l’analyse de la variance et le test de Fisher associés à cette régression sont
SOMME des CARRÉS D.D.L MOYENNE DES CARRÉS F-VALUE PROB > F
EFFET PÂQUES 0.0059 1 0.0059 14.2262 0.0070
ERREUR 0.0029 7 0.0004
TOTAL 0.0089
L’effet de Pâques est donc jugé significatif au niveau de 1%.
Les coefficients de correction seront nuls pour les années où Pâques tombe en avril et, le modèle
étant multiplicatif, ils seront, pour les années où il tombe en mars, de :
• 0.05452
1+ = 1.02726 pour les données du mois d’avril
2
• 1−
0.05452
= 0.97274 pour les données du mois de mars
2
Ce qui conduit dans X11-ARIMA88 au tableau suivant :
A11: EFFET DE PÂQUES, MODÈLE À EFFET PONCTUEL DE X11-ARIMA88
1985 . . . . . . . . . 100.000 100.000 100.000
1986 100.000 100.000 97.274 102.726 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1987 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1988 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1989 100.000 100.000 97.274 102.726 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1990 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1991 100.000 100.000 97.274 102.726 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1992 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1993 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1994 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1995 100.000 100.000 100.000 . . . . . . . . .
5.2.2 Le modèle à effet ponctuel corrigé
X11-ARIMA88 incorpore un modèle à effet ponctuel, mis au point au Bureau Australien de

Statistique (Laker, 1976), légèrement différent du modèle précédent et qui prend en compte les
cas où le week-end pascal est à cheval sur mars et avril, c’est à dire lorsque le dimanche de
Pâques tombe le 31 mars, le 1 ou le 2 avril. Dans ce cas, on suppose que les deux mois sont
affectés par la fête de Pâques et on considère que cet effet est alors la moitié de l’effet observé
lorsque le week-end pascal tombe entièrement en mars.
5.2.2.1 Modèle
Le modèle s’écrit alors Yi = a + bX i + ε i avec :

• I i , j la valeur de la composante irrégulière du tableau D13 correspondant au mois j de l’année
i. I i , 4 et I i ,3 , les valeurs de la composante irrégulière des mois d’avril et de mars, pour les n
années disponibles et Yi = I i , 4 − I i ,3 leurs différences.
• X i la variable indicatrice valant 1 si Pâques tombe en Mars, 0.5 si Pâques tombe à cheval sur
mars et avril, et 0 s’il est en avril.
169
• Z i le nombre de jours qui séparent le dimanche de Pâques de l’année i et le 22 mars (date la
plus précoce pour cette fête) et f ( Z i ) la fonction définie par :
 1 si Z i ≤ 8 (Pâques tombe en mars)

f ( Z i ) = 0.5 si 9 ≤ Z i ≤ 11 (Pâques tombe en mars - avril)
 0 si Z ≥ 12
 i (Pâques tombe en avril)
La valeur de b̂ peut encore se calculer explicitement.

• Soient n M , n MA et n A les nombres d’années où Pâques tombe en mars, en « mars-avril » et
en avril. On a bien sur n = n M + n MA + n A .
• Soient YM , YMA et YA les sommes des valeurs Yi pour les années où Pâques tombe
respectivement en mars, en « mars-avril » et en avril ; et soit YT = YM + YMA + YA
On a alors :
 n + 0.5 * nMA  YT 
X i Yi − XY = (YM + 0.5 * YMA) −  M
1 1
Cov( X , Y ) =
n i
∑ n  n
 
 n 
= (YM + 0.5 * YMA − r * YT )
1
n
n + 0.5 * n MA
avec r = M
n
Var ( X ) = ∑ X i2 − ( X ) = (n M + 0.25 * nMA ) − r 2 = r − 0.25 * MA − r 2
1 2 1 n
n i n n
n
= r * (1 − r ) − 0.25 * MA
n
YM + 0.5 * YMA − r * YT
et donc bˆ = 2
2 * n * r * (1 − r ) − 0.5 * n MA
Ici encore, et comme le fait le programme X11-ARIMA88, la présence d’un effet de Pâques peut
être testée par le test de Fisher global de la régression.
5.2.2.2 Estimation des effets
L’estimation « naturelle » des corrections est la même que précédemment, et est appliquée telle
quelle pour un schéma additif :
Schéma additif
Mois de mars − bˆ * f ( Z i ) / 2
Mois d’avril + bˆ * f ( Z i ) / 2
Ainsi, pour une année où Pâques tombe à cheval sur mars et avril, la correction sera moitié
moindre que celle apportée aux années où Pâques tombe en mars.
170
Dans le cas d’un schéma de composition multiplicatif, le programme impose une correction
supplémentaire.
Pour les années où Pâques tombe en avril, et uniquement pour elles, notons AIA la moyenne des
irréguliers d’avril I i , 4 et AIM la moyenne des irréguliers de mars I i ,3 . Alors les effets
correcteurs appliqués sont définis par :
Schéma multiplicatif
Mois de mars 1 − bˆ * f ( Z i ) /(2 * AIM )
Mois d’avril 1 + bˆ * f ( Z i ) /(2 * AIA)
5.2.2.3 Justification de la correction apportée pour un schéma multiplicatif
Dans la présentation théorique du modèle (Laker, 1976), l’auteur considère l’estimation de l’effet
de Pâques à partir d’une estimation de la composante Saisonnier-Irrégulier. Il pose donc, de façon
similaire à ce que nous avons vu jusqu’à présent :
SI i ,3 = SI .3 − bX i + η i
 soit, par différence, (SI i ,4 ( )
− SI i ,3 ) = SI .4 − SI .3 + 2bX i + ε i
SI i , 4 = SI .4 + bX i + ξ i
Où :
• SI i ,3 et SI i , 4 désignent les valeurs de la composante Saisonnier-Irrégulier pour les mois de
mars et avril,
• b est l’effet de Pâques,
• SI .,3 est la moyenne théorique de la composante Saisonnier-Irrégulier pour un mois de mars
« normal », c’est à dire non affecté d’un effet de Pâques,
• et SI ., 4 est la moyenne théorique de la composante Saisonnier-Irrégulier pour un mois d’avril
« normal », c’est à dire affecté d’un effet de Pâques.
Dans ces conditions, si 2b̂ est l’estimation issue du modèle aux différences, on aura dans le cas
d’un schéma multiplicatif et par exemple pour le mois de mars :
 bˆX i   bˆX i   ˆ 
SI i ,3 ≈ SI .3 − bˆX i = SI .3 1 −  soit SI .3 ≈ SI i ,3 1 −  et donc le ratio 1 − bX i 
 SI .3   SI .3 
 SI .3     
permet de passer d’une valeur de la composante Saisonnier-Irrégulier affectée par l’effet de
Pâques à une valeur corrigée de cet effet. Malheureusement, la quantité SI .3 est inconnue et
Laker propose de l’estimer par la moyenne des valeurs de la composante Saisonnier-Irrégulier des
mois de mars des années où Pâques tombe en avril (donc des mois de mars « normaux »).
Une correction de même philosophie est proposée pour les valeurs de la composante Saisonnier-
Irrégulier du mois d’avril.
Dans notre cas, l’estimation de l’effet de Pâques se faisant sur les estimations de la composante
irrégulière, Laker propose d’adopter le même principe de correction, ce qui conduit aux formules
du paragraphe précédent.
En fait, cette correction s’avère ici superflue dans la mesure où nous connaissons la moyenne
théorique de l’irrégulier, ici égale à 1, et qu’il est inutile de l’estimer.
171
5.2.2.4 Exemple
Les données sont les mêmes et seule la fonction F ( Z i ) change pour l’année 1991 où le
dimanche de Pâques tombant le 31 mars, le week-end pascal est à cheval sur mars et avril.
Année i f (Z i ) Zi I i ,3 I i,4 Yi
1986 1 8 0.99099 1.06850 0.07751
1987 0 28 1.00837 0.99721 -0.01116
1988 0 12 1.00020 0.99587 -0.00433
1989 1 4 0.97009 1.02498 0.05489
1990 0 24 1.00315 0.99900 -0.00415
1991 0.5 9 0.99502 1.00659 0.01156
1992 0 28 1.00018 1.00294 0.00276
1993 0 20 1.00691 0.97966 -0.02726
1994 0 12 0.99280 0.99774 0.00494
On a donc :
n + 0.5 * n MA 2 + 0.5 * 1
r= M = = 0.27778
n 9
YM + 0.5 * YMA − r * YT 0.13240 + 0.5 * 0.01156 − 0.27778 * 0.104762
bˆ = 2 = 2* = 0.07012
2 * n * r * (1 − r ) − 0.5 * n MA 2 * 9 * 0.27778 * 0.72222 - 0.5 * 1
EFFET PÂQUES 0.0076 1 0.0076 43.8393 0.0003
ERREUR 0.0012 7 0.0002
TOTAL 0.0089
L’effet de Pâques est donc jugé très significatif.

Comme notre schéma est multiplicatif, le calcul des coefficients correcteurs nécessite de
connaître les moyennes des irréguliers pour les années où Pâques tombe en avril. On a :
1.00837 + 1.00020 + 1.00315 + 1.00018 + 1.00691 + 0.99280

AIM = = 1 . 001935
6
0.99721 + 0.99587 + 0.99900 + 1.00294 + 0.97966 + 0.99774
AIA = = 0 . 995403
6
Et les effets correcteurs appliqués sont définis par :
Pâques en mars Pâques en mars-avril

Mois de mars 1 − bˆ /( 2 * AIM ) = 0.9650 1 − 0.5 * bˆ /( 2 * AIM ) = 0.9825
Mois d’avril 1 + bˆ /(2 * AIA) = 1.0352 1 − 0.5 * bˆ /( 2 * AIA) = 1.0176
172
Ce qui conduit au tableau suivant de X11-ARIMA88 :
A11: EFFET DE PÂQUES, MODÈLE À EFFET PONCTUEL CORRIGÉ DE X11-ARIMA88
1985 . . . . . . . . . 100.000 100.000 100.000
1986 100.000 100.000 96.501 103.522 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1987 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1988 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1989 100.000 100.000 96.501 103.522 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1990 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1991 100.000 100.000 98.250 101.761 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1992 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1993 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1994 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1995 100.000 100.000 100.000 . . . . . . . . .
5.2.3 Le modèle à effet graduel
La fête de Pâques peut aussi avoir un effet sur les jours qui précèdent sa célébration : ainsi
comme il est habituel d’offrir et de consommer du chocolat ou d’offrir des fleurs à cette période,
les industries concernées vont adapter leur production pour pouvoir, le moment venu, répondre à
la demande.
5.2.3.1 Modèle et estimation
Dans ce cas, on suppose que l’effet varie linéairement pendant les k jours (k pouvant prendre les
valeurs 1 à 9) qui précèdent le dimanche de Pâques. Soient alors :
• I i ,3 et I i , 4 , i = 1....n , les valeurs de la composante irrégulière des mois de mars et avril du
tableau D13 pour les n années disponibles et Yi = I i , 4 − I i ,3 leurs différences.
• X i la variable indicatrice valant 1 si Pâques tombe en Mars et 0 s’il tombe le ou après le k
avril.
• Soient enfin Z i le nombre de jours qui séparent le dimanche de Pâques de l’année i et le 22
mars (date la plus précoce pour cette fête) et f ( Z i ) la fonction définie par :
 1 si Z i ≤ 9 (Pâques tombe en mars)
 k + 9 − Z i
f (Z i ) =  si 9 < Z i < k + 9 (Pâques tombe en avril, avant le k avril)
 k
 0 si Z i ≥ 9 + k (Pâques tombe en avril, le ou après le k avril)
L’effet de Pâques est alors estimé, par les moindres carrés ordinaires, à partir du modèle
Yi = a + bX i + ε i ; dans ce modèle les données des années où Pâques tombe entre le 1 et le k
avril ne sont donc pas utilisées.
La valeur de b peut encore se calculer explicitement, en utilisant les résultats du modèle de base à
effet ponctuel estimé sur les années pour lesquelles f ( Z i ) = 0 ou bien f ( Z i ) = 1 . En notant :
• n M et n LA les nombres d’années où Pâques tombe en mars, et « fin avril »
• YM et YLA les sommes des valeurs Yi pour les années où Pâques tombe respectivement en
mars et « fin avril »,
173
YM YLA
on a alors immédiatement bˆ = − = YM − YLA et aˆ = YLA .
nM n LA
Les coefficients correcteurs appliqués sont alors les suivants :
Schéma additif Schéma multiplicatif

Mois de mars − bˆ * f ( Z i ) / 2 1 − bˆ * f ( Z i ) / 2
Mois d’avril + bˆ * f ( Z ) / 2
i 1 + bˆ * f ( Z i ) / 2
5.2.3.2 Remarques
• L’utilisateur peut demander au programme X11-ARIMA88 de choisir automatiquement la

valeur « optimale » de k parmi les valeurs possibles de 1 à 9. L’algorithme choisira alors la
valeur de k qui conduit à la plus petite erreur quadratique moyenne.
• L’utilisateur peut demander au programme d’exclure les valeurs aberrantes avant d’estimer le
modèle. Seules les valeurs correspondant aux années où Pâques est en avril sont concernées :
il y a en général trop peu d’années où Pâques tombe en mars pour identifier correctement les
valeurs extrêmes dans ce cas.
1- On calcule l’écart-type des valeurs Yi pour les années où Pâques tombe le ou après le k
avril :
 
∑ (Y − YLA ) =
1 1
σ LA = ∑
2
Yi − n LAYLA2 
2
−1
i 
− 1 i∈LA
n LA i∈LA n LA 
2- Et on exclut toutes les valeurs de ces années telles que : Yi − YLA > 2 * σ LA
• Ce modèle est très proche du modèle « sceaster » utilisé dans X12-ARIMA (voir 5.3.2) à cela
près que l’estimation est faite de façon différente.
5.2.3.3 Exemple
A titre d’exemple, nous allons supposer k=5. Les données sont :
Année i Date de Pâques f (Z i ) Zi IM i IAi Yi

1986 30 mars 1 8 0.99099 1.06850 0.07751
1987 19 avril 0 28 1.00837 0.99721 -0.01116
1988 3 avril 0.4 12 1.00020 0.99587 -0.00433
1989 26 mars 1 4 0.97009 1.02498 0.05489
1990 15 avril 0 24 1.00315 0.99900 -0.00415
1991 31 mars 1 9 0.99502 1.00659 0.01156
1992 19 avril 0 28 1.00018 1.00294 0.00276
1993 11 avril 0 20 1.00691 0.97966 -0.02726
1994 3 avril 0.4 12 0.99280 0.99774 0.00494
Les années où Pâques tombe le 1, 2, 3 ou 4 avril sont donc affectées d’un poids différent de 0 où
1. C’est le cas des années 1988 et 1994 où Pâques était le 3 avril ( Z i = 12 ). La valeur de f ( Z i )
est pour ces années :
k + 9 − Z i 5 + 9 − 12 2
f (Z i ) = = = = 0.4
k 5 5
174
La régression est faite sur les données pour lesquelles f ( Z i ) = 1 (Pâques en mars) ou f ( Z i ) = 0
(Pâques après le 4 avril), soit 7 années. On a :
0.07751 + 0.05489 + 0.01156 − 0.01116 − 0.00415 + 0.00276 − 0.02726

b= − = 0.05794
3 4
EFFET PÂQUES 0.0058 1 0.0058 10.4940 0.0230
ERREUR 0.0027 5 0.0005
TOTAL 0.0085
L’effet de Pâques est donc jugé significatif.
Notre schéma étant multiplicatif, les coefficients correcteurs seront :
Pâques en mars (86, 89, 91) Pâques le 3 avril (88, 94)

Mois de mars 1 − b / 2 = 0.9710 1 − 0.4 * b / 2 = 0.9884
Mois d’avril 1 + b / 2 = 1.0289 1 + 0.4 * b / 2 = 1.0116
Pour une valeur de k égale à 5, on obtient donc le tableau suivant :
A11: EFFET DE PÂQUES, MODÈLE À EFFET GRADUEL DE X11-ARIMA88
1985 . . . . . . . . . 100.000 100.000 100.000
1986 100.000 100.000 97.103 102.897 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1987 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1988 100.000 100.000 98.841 101.159 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1989 100.000 100.000 97.103 102.897 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1990 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1991 100.000 100.000 97.103 102.897 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1992 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1993 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1994 100.000 100.000 98.841 101.159 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1995 100.000 100.000 100.000 . . . . . . . . .
Les valeurs estimées des différences Yî sont alors données par Yî = aˆ + bˆ * f ( Z i ) .
Or â est égal à la moyenne des différences pour les années où Pâques tombe après le 4 avril et
donc
− 0.011159 − 0.004152 + 0.0027566 − 0.027256
aˆ = = −0.009953
4
On peut alors évaluer les erreurs de prévision pour les années où Pâques tombe en avril :
Année i Yi f (Z i ) bˆ * f ( Z i ) Yî = aˆ + bˆ * f ( Z i ) Yi − Yî

1987 -0.01116 0 0 -0.00995 -0.001206
1988 -0.00433 0.4 0.02318 0.01322 -0.017553
1990 -0.00415 0 0 -0.00995 0.005800
1992 0.00276 0 0 -0.00995 0.012709
1993 -0.02726 0 0 -0.00995 -0.017303
1994 0.00494 0.4 0.02318 0.01322 -0.008284
La moyenne des carrés de ces erreurs est alors égale à 0.0001455
175
Choix optimal de la durée k
Si on demandait au programme de choisir la valeur de k optimale, c’est cette erreur quadratique

qui servirait de critère et il prendrait la valeur de k minimisant cette quantité. Sur notre exemple,
on trouverait les valeurs suivantes :
k 1 2 3 4 5 6 7 8 9
Erreur 0.0001132 0.0001132 0.0001132 0.0000958 0.0001455 0.0002065 0.0002639 0.0003144 0.0003581
Pour k égal à 1, 2 ou 3, on peut remarquer que pour les années qui nous intéressent (1986 à 1994),
les fonctions f ( Z i ) seront égales et les résultats de la régression identiques, ce qui explique
l’égalité des 3 premières erreurs quadratiques.
Prise en compte des valeurs extrêmes
Comme on l’a vu précédemment, aˆ = YLA = −0.009953 et l’écart-type des valeurs pour les années
où Pâques tombe le où après le 5 avril se calcule par exemple par
1  
σ LA =
n LA  ∑
− 1 i∈LA
Yi 2 − n LAYLA2  , or :

Yi − YLA
2
Yi f (Z i ) Yi
-0.011159 0 0.0001245 0.0012063
-0.004152 0 0.0000172 0.0058004
0.002757 0 0.0000076 0.0127093
-0.027256 0 0.0007429 0.0173034
Et donc
σ LA =
1
4 −1
[
(0.0001245+ 0.0000172+ 0.0000076+ 0.0007429) − 4 * (−0.009953) 2 ≈ 0.01286. ]
Aucune valeur Yi ne s’éloigne donc, en valeur absolue, de plus de 2 écart-types (soit 0.0257) de
la moyenne et aucun point n’est donc exclu de la régression.
5.3 Les modèles de X12-ARIMA
X12-ARIMA propose des modèles de correction de l’effet de Pâques différents de ceux de X11-
ARIMA88. Les modèles Sceaster et Easter évaluent l’effet de Pâques à partir des estimations de
la composante irrégulière des tables B13 et C13, seul le modèle de Bateman et Mayes (1970)
utilise les données du tableau D13.
Le modèle Sceaster est très proche du modèle à effet graduel proposé par X11-ARIMA88 et
discuté précédemment (voir 5.2.3). Ce modèle et ceux de X11-ARIMA88 considèrent que la
situation normale est celle où Pâques tombe en avril et ils ne corrigent donc que les données des
années où Pâques tombe en mars. Ce n’est pas le cas du modèle Easter et du modèle de Bateman
et Mayes qui vont, comme on le verra dans les paragraphes suivants, corriger les données des
mois de mars, avril et éventuellement février.
176
5.3.1 Le modèle de Bateman & Mayes
Ce modèle n’est utilisé que dans le cas d’un schéma de composition multiplicatif.
L’effet de Pâques est estimé, à partir des valeurs de la composante irrégulière du tableau D13
pour les mois de mars et avril, en plusieurs étapes :
• Soient I i ,3 et I i , 4 , i = 1....n , les valeurs de la composante irrégulière du tableau D13 pour

les n années disponibles. Les valeurs des mois d’avril sont transformées et ce sont les
variables 2 − I i , 4 et I i ,3 qui seront utilisées dans la suite.
• Soit k i le nombre de jours qui séparent le dimanche de Pâques de l’année i et le 22 mars.
• Les années sont réparties en 4 groupes définis en fonction de k :
G1 : 1 ≤ k ≤ 10 ( du 23 mars au 1 avril)
G2 : 11 ≤ k ≤ 17 ( du 2 avril au 8 avril)
Dans chaque groupe, on va calculer maintenant des moyennes « tronquées » de l’ensemble
des valeurs 2 − I i , 4 et I i ,3 ,
• La moyenne tronquée m1 est la moyenne des valeurs du groupe G1 calculée en éliminant les
valeurs qui s’éloignent de plus de deux écart-types de la moyenne simple du groupe G1 . La
moyenne tronquée m4 pour le groupe G4 est calculée de la même façon.
• Le calcul des moyennes m2 et m3 comporte plusieurs étapes :
a) Soient m2 et m3 les moyennes simples des groupes G2 et G3 .
b) Des facteurs préliminaires de correction de l’effet de Pâques pour le mois de mars,
correspondant à l’observation t, E t (k ) sont calculés ainsi :
 (m2 − m1 )(k − 10)
m1 + 4
si 11 ≤ k ≤ 14

 (m − m2 )(k − 14)
E t ( k ) = m 2 + 3 si 15 ≤ k ≤ 20
 7
 (m4 − m3 )(k − 21)
m 3 + si 21 ≤ k ≤ 24
 4
c) Le facteur préliminaire de correction pour le mois d’avril t+1 s’en déduit par
Et +1 (k ) = 2 − Et (k ) .
d) Calculer les erreurs quadratiques moyennes des coefficients correcteurs préliminaires
pour 11 ≤ k ≤ 17 et 18 ≤ k ≤ 24 .
e) Les moyennes tronquées m2 et m3 sont les moyennes des valeurs des groupes G2 et G3
qui ne s’éloignent pas de plus de deux écart-types des valeurs des facteurs préliminaires
qui leur sont affectées.
177
• L’effet de Pâques pour un mois de mars est alors calculé ainsi :
m1 si 1 ≤ k ≤ 10

m1 + (m 2 − m1 )(k − 10) si 11 ≤ k ≤ 14
 4
 (m − m2 )(k − 14)
E t ( k ) = m 2 + 3 si 15 ≤ k ≤ 20
 7
 (m4 − m3 )(k − 21)
m 3 + 4
si 21 ≤ k ≤ 24

m4 si 25 ≤ k ≤ 34
Pour le mois d’avril t+1, on aura : E t +1 (k ) = 2 − Et (k ) et, pour tous les autres mois, le
coefficient correcteur sera égal à 1.
La fonction qui à k associe l’effet de Pâques pour un mois de mars est donc une fonction
linéaire par morceaux.
• Ces coefficients correcteurs doivent être alors ajustés pour tenir compte de la saisonnalité de
Pâques dans la mesure où certaines dates sont plus fréquentes que d’autres (voir la figure
34
20). Pour cela, on calcule la quantité : E = ∑ w(k ) E (k )
k =0
t où w(k ) est la proportion
d’années où Pâques tombe le k − ième jour après le 22 mars, proportion calculée sur un
calendrier de 38 000 années.
Les valeurs de w(k ) utilisées par X12-ARIMA sont les suivantes :
k 0 1 2 3 4 5 6
w(k) 0.0290 0.0285 0.0285 0.0290 0.0280 0.0290 0.0280
k 7 8 9 10 11 12 13
w(k) 0.0290 0.0285 0.0285 0.0290 0.0280 0.0290 0.0280
k 14 15 16 17 18 19 20
w(k) 0.0290 0.0285 0.0285 0.0290 0.0280 0.0290 0.0280
k 21 22 23 24 25 26 27
w(k) 0.0290 0.0285 0.0285 0.0290 0.0280 0.0290 0.0280
k 28 29 30 31 32 33 34
w(k) 0.0290 0.0285 0.0285 0.0290 0.0280 0.0290 0.0280
Les estimations finales des facteurs correctifs de l’effet de Pâques sont alors :
Et E si t est un mois de mars
~ 
Et =  Et (2 − E ) si t est un mois d’avril
1 sinon

178
5.3.1.2 Exemple
Les données brutes (tableau D13) et les données transformées sont les suivantes :
Données brutes Données transformées

ANNÉE MARS AVRIL k MARS 2-AVRIL
1986 99.099 106.850 8 0.99099 0.93150
1987 100.837 99.721 28 1.00837 1.00279
1988 100.020 99.587 12 1.00020 1.00413
1989 97.009 102.498 4 0.97009 0.97502
1990 100.315 99.900 24 1.00315 1.00100
1991 99.502 100.659 9 0.99502 0.99341
1992 100.018 100.294 28 1.00018 0.99706
1993 100.691 97.966 20 1.00691 1.02034
1994 99.280 99.774 12 0.99280 1.00226
1995 100.038 . 25 1.00038 .
Ainsi par exemple, la donnée transformée pour avril 1987 est APR87 = 2 − 0.99721 = 1.00279 .
Des valeurs de k, on déduit les sous-ensembles G1 , G 2 , G3 et G 4 :
G1 = {1986,1989,1991}
G2 = {1988,1994}
G3 = {1990,1993}
G4 = {1987,1992,1995}
• Calcul de m1 :
k MARS 2-AVRIL
Les données de G1 sont :
8 0.99099 0.93150
4 0.97009 0.97502
9 0.99502 0.99341
La moyenne m1 et l’écart-type σ 1 de ces six valeurs sont : m1 = 0.97601 et σ 1 = 0.02201 .

La matrice des différences absolues à m1 est :
MARS 2-AVRIL
0.01498 0.04451
0.00591 0.00098
0.01902 0.01741
Et seule la première valeur d’avril (0.93150) est à plus de deux écart-types de la moyenne m1
(écart de 0.04451) et doit donc être éliminée du calcul final.
On a donc :
0.99099 + 0.97009 + 0.99502 + 0.97502 + 0.99341
m1 = = 0.98491
5
179
• Calcul de m4 :
k MARS 2-AVRIL
Les données de G4 sont :
28 1.00837 1.00279
28 1.00018 0.99706
25 1.00038 .
La moyenne m4 et l’écart-type σ 4 de ces six valeurs sont : m4 = 1.00176 et σ 4 = 0.003774 .

La matrice des différences absolues à m4 est :
MARS 2-AVRIL
0.00661 0.00103
0.00158 0.00469
0.00136 .
Et ici, aucun point n’étant jugé extrême, la valeur de m4 est 1.00176.
• Calcul de m2 et m3 :
Données de G2 Données de G3
k MARS 2-AVRIL k MARS 2-AVRIL
12 1.00020 1.00413 24 1.00315 1.00100
12 0.99280 1.00226 20 1.00691 1.02034
Les moyennes simples de ces deux groupes de 4 valeurs sont m 2 = 0.99985 et m3 = 1.00785 et
les estimations préliminaires des effets pour mars et avril sont :
k MARS AVRIL k MARS AVRIL
12 0.99238 1.00762 24 1.00328 0.99672
12 0.99238 1.00762 20 1.00671 0.99329
Ainsi, pour k=12 (données de G2),

(m − m1 )(k − 10) (0.99985 − 0.98491)(12 − 10)
Et (12) = m1 + 2 = 0.98491 + = 0.99238
4 4
E t +1 (12) = 2 − 0.99238 = 1.00762
Et, de même, pour les données de G3 , on a :
(m − m2 )(k − 14) (1.00785 − 0.99985)(20 − 14)
Et (20) = m2 + 3 = 0.99985 + = 1.00671
7 7
E t +1 (20) = 2 − 1.00328 = 0.99329
et
(m − m3 )(k − 21) ( 1.00176-1.00785 )( 24 − 21 )
Et (24) = m3 + 4 = 1.00785 + = 1.00328
4 4
E t +1 (24) = 2 − 1.00328 = 0.99329
180
Les matrices des écarts absolus aux estimations préliminaires des effets sont :
K MARS AVRIL k MARS AVRIL
12 0.00782 0.00349 24 0.00013 0.00428
12 0.00043 0.00537 20 0.00020 0.02705
Les erreurs quadratiques moyennes sont alors :

Pour I2 ( 11 ≤ k ≤ 17 ) :
EQM 2 =
1
4
[ ]
(0.00782) 2 + (0.00349) 2 + (0.00043) 2 + (0.00537) 2 = 0.00506
Pour I3 ( 18 ≤ k ≤ 24 ) :
EQM 3 =
1
4
[ ]
(0.00013) 2 + (0.00428) 2 + (0.00020) 2 + (0.02705) 2 = 0.01369
Aucun point n’est donc jugé atypique et les moyennes pour chaque sous-groupe sont donc les
moyennes simples : m 2 = 0.99985 et m 3 = 1.00785
• Calcul des effets de Pâques
Ces effets se calculent ainsi :

1. Pour les données de G1 , les effets de mars sont égaux à m1 (0.98491) et ceux d’avril à
2 − m1
2. Pour les données de G4 , les effets de mars sont égaux à m4 (1.00176) et ceux d’avril à
2 − m4
3. Pour les données de G2 et de G3 , les effets sont égaux aux effets préliminaires calculés
précédemment puisqu’aucun point extrême n’a été détecté.
Les effets de Pâques peuvent se calculer pour toute valeur de k à partir des moyennes m1 , m 2 , m3
et m4 : la courbe de ces effets est présentée dans la figure 21.
34
On peut alors calculer la composante saisonnière de ces effets : E = ∑ w(k ) E (k ) = 0.99639
k =0
t
et les effets corrigés :
Effets de Pâques « bruts » Effets de Pâques « corrigés »
ANNÉE MARS AVRIL MARS AVRIL

1986 98.491 101.509 98.847 101.144
1987 100.176 99.824 100.538 99.465
1988 99.238 100.762 99.597 100.400
1989 98.491 101.509 98.847 101.144
1990 100.328 99.672 100.691 99.314
1991 98.491 101.509 98.847 101.144
1992 100.176 99.824 100.538 99.465
1993 100.671 99.329 101.035 98.972
1994 99.238 100.762 99.597 100.400
1995 100.176 99.824 100.538 99.465
181
Avec par exemple :
MAR86 = 98.491 / 0.99639 = 98.847 et APR86 = 101.509 /(2 − 0.99639) = 101.144
Figure 21 : Effet de Pâques selon la date de Pâques (du 22 mars au 25 avril)
101
100
99
98
22/3 27/3 1/4 6/4 11/4 16/4 21/4 26/4
Ce qui conduit au résultat final :
CHL: EFFET DE PÂQUES, MODÈLE DE X12
1985 . . . . . . . . . 100.000 100.000 100.000
1986 100.000 100.000 98.847 101.144 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1987 100.000 100.000 100.538 99.465 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1988 100.000 100.000 99.597 100.400 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1989 100.000 100.000 98.847 101.144 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1990 100.000 100.000 100.691 99.314 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1991 100.000 100.000 98.847 101.144 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1992 100.000 100.000 100.538 99.465 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1993 100.000 100.000 101.035 98.972 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1994 100.000 100.000 99.597 100.400 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1995 100.000 100.000 100.538 . . . . . . . . .
5.3.2 Le modèle « Sceaster »
Ce modèle entre dans le cadre plus général de l’estimation des effets de calendrier proposée par la
méthode X11 à la fin des étapes B et C et plus précisément à partir des estimations de la
composante irrégulière des tableaux B13 et C13.
La fête de Pâques est supposée, comme dans le modèle à effet graduel proposé dans X11-
ARIMA88, avoir un impact sur les w jours ( 1 ≤ w ≤ 24 ) qui précèdent le dimanche pascal et on
pose le modèle Yij = a + bX ij ( w) + ε ij où :
• Yij est la valeur de l’irrégulier (du tableau B13 ou C13) correspondant à l’année i et à la
période (mois ou trimestre) j.
• Soit, pour une année i donnée, ni le nombre de jours, parmi les w jours avant Pâques (Pâques
compris) qui tombent en mars (ou au premier trimestre). Alors :
182
 ni w pour un mois de mars ou un premier trimestre ( j = 3 ou j = 1)

X ij ( w) = − ni w pour un mois d’avril ou un second trimestre ( j = 4 ou j = 2)
 0
 sinon
Les contraintes imposées à w ( 1 ≤ w ≤ 24 ) entraînent que seules les valeurs du régresseur pour
mars et avril (ou du premier et second trimestre) ne sont pas nulles34. Les valeurs de a et b sont
estimées par moindres carrés ordinaires.
À ce stade, il est possible de faire plusieurs remarques.
• Tout d’abord, si Pâques tombe en mars, la valeur associée X i 3 ( w) est égale à 1. De même, si
Pâques tombe après le w avril, cette valeur X i 3 ( w) est égale à 0. De façon plus générale, si
on considère les valeurs de la variable X pour les mois de mars, on a, en reprenant les
notations associées aux modèles de X11-ARIMA88 : X i 3 ( w) = f ( Z i )
• Compte tenu de la forme simple de la variable explicative, on peut donner une forme plus
explicite de l’estimateur b̂ . On a, en supposant que la série comporte T observations :
Cov( X , Y ) 1
bˆ =
Var ( X )
avec Cov ( X , Y ) = ∑∑ X ij Yij − XY
T i j
et
1
Var ( X ) = ∑∑ X ij2 − X 2
T i j
Les seules valeurs non nulles de la variable X sont celles des mois de mars et avril qui sont
par ailleurs opposées. Si l’on suppose que la série ne commence pas un mois d’avril ou ne se
termine pas en mars, à tout mois de mars correspondra un mois d’avril et la somme des deux
valeurs de la variable X de ces mois sera nulle. La moyenne X est donc elle aussi nulle dans
ce cas, et dans le cas général proche de 0.
On aura donc :
2
1 1 2 n 
Var ( X ) = ∑∑
T i j
X ij2 − X 2 = ∑∑ X ij2 = ∑  i 
T i j T i  w
Cov( X , Y ) = ∑∑ X ij Yij − XY = ∑∑ X ij Yij = ∑ i [Yi 3 − Yi 4 ]

1 1 1 n
T i j T i j T i w
Et on voit donc apparaître les valeurs des différences, pour chaque année, des irréguliers de
mars et avril.
• Enfin, comme aˆ = Y − bˆX et que la moyenne X est proche de 0, â est très proche de Y ,
moyenne de la composante irrégulière (soit proche de la moyenne théorique a égale à 0 pour
un schéma additif et à 1 pour un schéma multiplicatif).
L’effet de Pâques s’en déduit par Eˆ ij = Yîj = aˆ + bˆX ij ( w) ou, plus exactement par
Eˆ ij = a + bˆX ij ( w) , ce qui permet d’assurer que Pâques n’a pas d’effet en dehors des mois de
mars et avril.
34
En fait, ce n’est pas tout à fait vrai puisque par exemple, en 2008 Pâques tombera un 23 mars et si w=24,
on aura alors un jour en février.
183
Le modèle proposé par X12-ARIMA ressemble donc beaucoup au modèle à effet graduel de X11-
ARIMA8835, et au modèle à effet ponctuel pour w = 1 , mais ici l’estimation du modèle de
régression se fait en utilisant toutes les années disponibles et non pas seulement celles des années
où Pâques tombe en mars ou après le w avril. Par ailleurs, l’estimation est ici faite une première
fois sur les données du tableau B13 et une seconde fois sur les données du tableau C13.
Rappelons enfin qu’à cette étape du traitement, X12-ARIMA permet aussi de rechercher dans la
composante irrégulière d’autres effets de calendrier.
5.3.2.2 Exemple
Si on utilise ce modèle dans X12-ARIMA, l’estimation est faite une première fois sur les données
du tableau B13 puis, une seconde fois, sur les données du tableau C13.
Les valeurs de la variable à expliquer Y sont donc ici les 114 valeurs de B13 (divisées par 100) :
1985 . . . . . . . . . 100.535 100.471 97.916
1986 103.127 98.213 95.390 107.358 99.648 98.460 102.766 94.737 100.185 102.178 98.661 101.186
1987 95.874 101.153 101.588 102.296 98.892 100.097 102.280 96.086 100.774 98.541 99.781 101.664
1988 96.897 102.248 101.498 98.202 101.130 101.564 97.460 101.047 101.999 95.053 100.374 101.647
1989 101.028 99.859 98.753 99.913 99.930 102.961 97.968 100.893 98.592 99.146 102.274 98.212
1990 101.457 98.700 100.249 99.026 102.444 97.743 100.912 102.425 96.873 101.503 101.259 96.413
1991 103.060 99.489 97.167 101.999 100.597 97.834 103.528 99.549 98.111 101.645 98.541 98.994
1992 100.887 100.985 99.061 101.438 97.878 100.337 101.233 98.474 101.637 101.286 99.015 100.115
1993 96.558 101.568 101.173 99.389 98.776 101.209 100.148 101.117 100.329 97.915 100.604 101.319
1994 98.715 99.149 100.309 98.327 101.865 100.715 97.384 103.706 100.376 97.811 100.452 100.387
1995 100.292 98.592 100.227 . . . . . . . . .
Si nous supposons par exemple w=5, on peut calculer la variable X (nulle partout sauf pour les
mois de mars et avril) :
ANNÉE PÂQUES 5 jours Nombre de
avant jours en mars
X i ,mars X i ,avril
1985 7 avril 3 avril 0 0 0
1986 30 mars 26 mars 5 1 -1
1987 19 avril 15 avril 0 0 0
1988 3 avril 30 mars 2 0.4 -0.4
1989 26 mars 22 mars 5 1 -1
1990 15 avril 11 avril 0 0 0
1991 31 mars 27 mars 5 1 -1
1992 19 avril 15 avril 0 0 0
1993 11 avril 7 avril 0 0 0
1994 3 avril 30 mars 2 0.4 -0.4
1995 16 avril 12 avril 0 0 0
Ainsi, en 1988, dans les 5 jours qui précédaient Pâques (Pâques compris), 2 étaient en mars (les
30 et 31).
35
C’est d’ailleurs pour cela que cette modélisation est référencée dans X12-ARIMA par le mot clef
Sceaster, le SC signifiant Statistique Canada
184
D’où la variable explicative X :
1985 0 0 0
1986 0 0 1 -1 0 0 0 0 0 0 0 0
1987 0 0 0 0 0 0 0 0 0 0 0 0
1988 0 0 0.4 -0.4 0 0 0 0 0 0 0 0
1989 0 0 1 -1 0 0 0 0 0 0 0 0
1990 0 0 0 0 0 0 0 0 0 0 0 0
1991 0 0 1 -1 0 0 0 0 0 0 0 0
1992 0 0 0 0 0 0 0 0 0 0 0 0
1993 0 0 0 0 0 0 0 0 0 0 0 0
1994 0 0 0.4 -0.4 0 0 0 0 0 0 0 0
1995 0 0 0
On a Y = 0.9999 et X = 0 , ce qui entraîne :

aˆ = Y − bˆX = 0.9999
[
1 + (0.4) 2 + 1 + 1 + (0.4) 2 ] =
2
2  ni  2 2 * 3.32
Var ( X ) = ∑   =
T i  w 114 114
∑ [Yi3 − Yi4 ]
1 ni
Cov( X ,Y ) =
T i w
1  (95.390− 107.358) + 0.4 * (101.498− 98.202) + (98.753− 99.913) + (97.167 −101.999) + 0.4 * (100.309− 98.327) 
=
114  100 

− 0.15849
=
114
et donc bˆ = − 0.15849 = −0.02387

6.64
L’effet de Pâques est donc estimé par Eˆ ij = 1 + bˆX ij ( w) = 1 − 0.02387 * X ij ( w) , ce qui conduit
au tableau :
B16H : ESTIMATION PRÉLIMINAIRE DE L’EFFET DE PAQUES
1985 . . . . . . . . . 100.000 100.000 100.000
1986 100.000 100.000 97.613 102.387 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1987 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1988 100.000 100.000 99.045 100.955 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1989 100.000 100.000 97.613 102.387 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1990 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1991 100.000 100.000 97.613 102.387 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1992 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1993 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1994 100.000 100.000 99.045 100.955 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1995 100.000 100.000 100.000 . . . . . . . . .
Avec, par exemple pour mars 1988 : Eˆ1988,3 = 1 − 0.02387 * 0.4 = 0.99045
5.3.3 Le modèle « Easter »
Ce modèle, comme le précédent, entre dans le cadre plus général de l’estimation des effets de
calendrier proposée par la méthode X11 à la fin des étapes B et C et plus précisément à partir des
estimations de la composante irrégulière des tableaux B13 et C13.
185
La fête de Pâques est supposée ici encore avoir un impact sur les w jours ( 1 ≤ w ≤ 25 ) qui
précèdent le dimanche pascal et on pose le modèle Yij = a + bX ij ( w) + ε ij où :
• Yij est la valeur de l’irrégulier (du tableau B13 ou C13) correspondant à l’année i et à la
période (mois ou trimestre) j.
• Soit, pour une année i donnée, nij le nombre de jours, parmi les w jours avant Pâques
(Pâques exclus) qui tombent dans le mois (ou trimestre) j. Alors on défini d’abord la variable
nij
Z ij ( w) = . Compte tenu des contraintes sur w, cette variable est nulle sauf pour les mois
w
de février, mars et avril. Par contre elle possède une certaine saisonnalité : les valeurs
concernant le mois de février seront par exemple structurellement plus faibles. La variable
X ij (w) s’obtient en enlevant à Z ij (w) la moyenne Z . j ( w) correspondant au mois j et
nij
calculée sur les années disponibles. On a donc : X ij = − Z . j ( w) . Ainsi, cela permet de
w
conserver le niveau de la série en annulant l’effet de Pâques sur l’ensemble des mois
concernés. La variable explicative est alors de moyenne nulle et sans saisonnalité.
Les contraintes sur la valeur de w entraînent que seuls les mois de février, mars et avril peuvent
faire l’objet de corrections. Comme précédemment, les valeurs de a et b sont estimées par
moindres carrés ordinaires et l’effet de Pâques s’en déduit par Eˆ ij = a + bˆX ij ( w) .
5.3.3.2 Exemple
Si on utilise ce modèle dans X12-ARIMA, l’estimation est faite une première fois sur les données
du tableau B13 puis, une seconde fois, sur les données du tableau C13.
Les valeurs de la variable à expliquer Y sont donc ici les 114 valeurs de B13 (divisées par 100).
Si nous supposons par exemple w=5, on peut calculer la variable Z (nulle ici partout sauf pour les
mois de mars et avril) :
ANNÉE PÂQUES 5 jours Nombre de Nombre de
avant jours en mars jours en avril
Z i ,mars Z i ,avril
1985 7 avril 2 avril 0 5 0 1
1986 30 mars 25 mars 5 0 1 0
1987 19 avril 14 avril 0 5 0 1
1988 3 avril 29 mars 3 2 0.6 0.4
1989 26 mars 21 mars 5 0 1 0
1990 15 avril 10 avril 0 5 0 1
1991 31 mars 26 mars 5 0 1 0
1992 19 avril 14 avril 0 5 0 1
1993 11 avril 6 avril 0 5 0 1
1994 3 avril 29 mars 3 2 0.6 0.4
1995 16 avril 11 avril 0 0 0 1
Ainsi, en 1988, dans la période de 5 jours avant Pâques, on en avait 3 en mars (les 29, 30 et 31) et
2 en avril (les 1 et 2).
186
Les moyennes de Z i ,mars et Z i ,avril sont calculées sur les années complètes donc en enlevant les
années 1985 et 1995. Dans ces conditions, Z mars = (1 + 0.6 + 1 + 1 + 0.6) 9 = 0.46667 et
Z avril = 0.53333 .
En corrigeant la variable Z de ces moyennes mensuelles, on obtient la variable explicative X :
1985 . . . . . . . . . 0 0 0
1986 0 0 0.5333 -0.5333 0 0 0 0 0 0 0 0
1987 0 0 -0.4667 0.4667 0 0 0 0 0 0 0 0
1988 0 0 0.1333 -0.1333 0 0 0 0 0 0 0 0
1989 0 0 0.5333 -0.5333 0 0 0 0 0 0 0 0
1990 0 0 -0.4667 0.4667 0 0 0 0 0 0 0 0
1991 0 0 0.5333 -0.5333 0 0 0 0 0 0 0 0
1992 0 0 -0.4667 0.4667 0 0 0 0 0 0 0 0
1993 0 0 -0.4667 0.4667 0 0 0 0 0 0 0 0
1994 0 0 0.1333 -0.1333 0 0 0 0 0 0 0 0
1995 0 0 -0.4667 . . . . . . . . .
Dans le cas le plus général, les valeurs du régresseur pour les mois de février, mars et avril
peuvent ne pas être nulles et le calcul de l’estimation de b relativement complexe. Ici, comme
dans le cas précédent, on devine que ce calcul ne fera intervenir que les différences entre les
valeurs de l’irrégulier des mois de mars et avril. Quoiqu’il en soit, on obtient aˆ = 0.999646 et
bˆ = −0.02604 .
L’effet de Pâques est donc estimé par Eˆ ij = 1 + bˆX ij ( w) = 1 − 0.02604 * X ij ( w) , ce qui conduit
au tableau :
B16H : ESTIMATION PRÉLIMINAIRE DE L’EFFET DE PAQUES
1985 . . . . . . . . . 100.000 100.000 100.000
1986 100.000 100.000 98.6114 101.3886 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1987 100.000 100.000 101.2150 98.7850 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1988 100.000 100.000 99.6529 100.3471 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1989 100.000 100.000 98.6114 101.3886 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1990 100.000 100.000 101.2150 98.7850 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1991 100.000 100.000 98.6114 101.3886 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1992 100.000 100.000 101.2150 98.7850 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1993 100.000 100.000 101.2150 98.7850 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1994 100.000 100.000 99.6529 100.3471 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000
1995 100.000 100.000 101.2150 . . . . . . . . .
Avec, par exemple pour mars 1988 : Eˆ1988,3 = 1 − 0.02604 * 0.1333 = 0.996529 .
187
188
BIBLIOGRAPHIE
AKAIKE H.(1980), Seasonal Adjustment by a Bayesian Modeling, Journal of Time Series

Analysis, n°1, pp 1-13
ARMATTE M.(1992), Conjonctions, conjoncture et conjecture. Les baromètres économiques
(1885-1930), Histoire et Mesure, Vol 7, n°1/2, pp 99-149
BARTLETT. (1950) : Periodogram Analysis and Continuous Spectra, Biometrika, Vol n°35, pp
1-16
BATEMAN D.V., MAYES F. (1970) Holiday Adjustment of Retail Sales, U.S. Bureau of the
Census, unpublished memorandum
BELL W. R., CHEN B., FINDLEY D. F., MONSELL B. C., OTTO M. C. (1997), New
capabilities and methods of the X-12-ARIMA seasonal adjustment program, publication of the
Time Series Staff, Statistical Research Division, US Bureau of the Census.
BELL W. R., CHEN B., FINDLEY D. F., MONSELL B. C., OTTO M. C. (1997), X12-ARIMA
Reference Manual (Final version 0.1), publication of the Time Series Staff, Statistical Research
Division, US Bureau of the Census.
BELL W.R., HILLMER S.C. (1984), Issues Involved With the Seasonal Adjustment of Economic
Time Series, Journal of Business and Economic Statistics, Vol 2, n°4
BONGARD, J. (1962), Quelques remarques sur les moyennes mobiles, L'élimination des
variations saisonnières à l'aide de calculatrices électroniques, OCDE.
BOURNAY J., LAROQUE G. (1979) Réflexions sur la méthode d’élaboration des comptes
trimestriels, Annales de l’INSEE, n°36
BOX G.E.P., JENKINS G.M. (1970), Time Series Analysis : Forecasting and Control, San
Francisco : Holden Day.
BOX G.E.P., TIAO G.C. (1975), Intervention Analysis with Applications to Economic and
Environmental Problems, Journal of The American Statistical Association, Vol n°70, pp 70-79
BUREAU OF THE CENSUS, Time Series Staff (1998) X-12-ARIMA Reference Manual Final
Version 0.1
BURMAN J.P. (1980), Seasonal Adjustment by Signal Extraction, Journal of the Royal Statistical
Society, Serie A, n°143, pp321-337
CHEN B., FINDLEY D.F. (1998) Comparison of X11 and RegARIMA Easter Holiday
Adjustments, Statistical Research Division, U.S. Bureau of the Census, manuscript in preparation.
CHEN C., LIU L.M. (1993), Joint Estimation of Model Parameters and Outlier Effects in Time
Series, Journal of The American Statistical Association, Vol n°88, pp 284-297
CHOLETTE P.A. (1978) : A Comparison and Assessment of Various Adjustment Methods of Sub-
Annual Series to Yearly Benchmarks, Seasonal Adjustment and Time Series Analysis Staff,
Statistics Canada, Ottawa.
CHOLETTE P.A. (1981) : A Comparison of Various Trend-Cycle Estimators, Time Series
Analysis, O.D. Anderson & M.R. Perryman Editors, North-Holland.
CHOLETTE P.A., DAGUM E.B. (1994) : Benchmarking Time Series with Autocorrelated Survey
Errors, International Statistical Review, Vol. 62, n°3.
CLEVELAND W.S. (1979), Robust Locally Weighted Regression and Smoothing Scatterplots,
Journal of The American Statistical Association, Vol n°74, pp 829-836
CLEVELAND R.B., CLEVELAND W.M., McRAE J.E., TERPENNING I. (1990) : STL A
Seasonal-Trend Decomposition Procedure Based on Loess, Journal of Official Statistics, Vol 6,
n°1, pp 3-73
COOLEY J.W., TUKEY J.W. (1965), An Algorithm for the Machine Calculation of Complex
Fourier Series, Mathematics of Computation, Vol n°19, pp 297-301
189
DAGUM E. B. (1980), La méthode de désaisonnalisation X-11-ARMMI, Statistique Canada,
n°12-564F.
DAGUM E. B. (1988), The X11-ARIMA/88 Seasonal Adjustment Method, Foundations and
User’s Manual, Time Series Research and Analysis Division, Statistics Canada.
DAGUM E.B., HUOT G., MORRY M. (1988) Seasonal adjustment in the eighties: Some
problems and solutions, The Canadian Journal of Statistics, Vol. 16, Supplement
DOHERTY, M. (1992), The surrogate Henderson filters in X11, Technical report, Department of
statistics, Wellington, New Zealand.
DURBIN J., KENNY P.B. (1982), Local trend estimation and seasonal adjustment of economic
and social time series, Journal of the Royal Statistical Society A, n°145
FINDLEY D.F., MONSELL B.C., BELL W.R., OTTO M.C., CHEN B. (1998) : New
Capabilities and Methods of the X-12-ARIMA Seasonal Adjustment Program, Journal of Business
and Economic Statistics, Vol. 16, n°2
FISHER, A. (1937), A brief note on seasonal variation, Journal of Accountancy, n°64, pp 54-59
FISCHER B. (1995), Decomposition of times series : comparing different methods in theory and
in practice, EUROSTAT.
GARDNER M. (1981) Mathematical Games, Scientific American, February 1981, 17-20
GOMEZ V., MARAVALL A. (1997), Programs TRAMO and SEATS Instructions for the User
(Beta Version).
GOURIÉROUX C., LEGALLO F. (1981), Construction de moyennes mobiles par minimisation
sous contraintes d’une forme quadratique des coefficients, Annales de l'INSEE, n°42.
GOURIEROUX, C. , MONFORT, A. (1990), Séries temporelles et modèles dynamiques,
Économica.
GRAY A., THOMSON P. (1996), On a family of moving-average trend filters for the ends of
series, ASA proceedings of the survey methods section.
GRAY A., THOMSON P. (1996), Design of moving-average trend filters using Fidelity and
Smoothness Criteria, Athens conference in applied probability and time series, Volume II: Time
series analysis in memory of E.J. HANNAN, Ed. P.M. ROBINSON and M. ROSENBLATT.
GRUN-REHOMME M., LADIRAY D. (1994), Moyennes mobiles centrées et non centrées :
construction et comparaison, Revue de Statistique Appliquée, Volume XLII, n°3.
HARVEY A.C., KOOPMAN S.J., DOORNIK J.A., SHEPARD N. (1995), Structural Time Series
Modelling Program Manual, Chapman and Hall.
HENDERSON R. (1916), Note on graduation by adjusted average, Transactions of the Actuarial
Society of America, Volume 17, pages 43-48.
HENDERSON R. (1924), A new method of graduation, Transactions of the Actuarial Society of
America, Volume 25, pages 29-40.
HIGGINSON J. (1975) : Test F de la présence d’une saisonnalité mobile lors de l’utilisation de
la variante X-11 de la Census Method II, document de recherche, Division de la
désaisonnalisation et de l’analyse des séries chronologiques, Statistique Canada, Ottawa
HILLMER S.C., TIAO G.C. (1982), An ARIMA Model Based Approach to Seasonal Adjustment,
Journal of the American Statistical Association, n°77 pp 63-70
HYLLEBERG S. (1992), The historical perspective in Modelling seasonality, Oxford University
Press, pp 15-25.
JEVONS W.S (1862), On the study of periodic commercial fluctuations in Investigations in
currency and finance, London : Macmillan, 1884
KENDALL M. (1973), Time Series, Griffin.
KITAGAWA G., GERSCH W.(1984), A Smoothness Priors State Space Modelling of Time
Series with Trend and Seasonality, Journal of the American Statistical Association, n°79 pp 378-
389
KOOPMANS L.H. (1974), The Spectral Analysis of Time Series, Academic Press.
190
LAKER L.G. (1976) Mathematical Note on Easter Correction, working paper, Australian Bureau
of Statistics
LAKER L.G. (1976) Slightly Less Mathematical Note on the Mathematical Note on Easter
Correction, working paper, Australian Bureau of Statistics
LANIEL N. (1985) : Design Criteria for the 13-term Henderson End-Weights, working paper,
Methodology Branch, Statistics Canada, Ottawa
LAROQUE, G. (1977), Analyse d'une méthode de désaisonnalisation : le programme X11 du US
Bureau of Census, version trimestrielle, Annales de l'INSEE, n°28, pages 105-127.
LOTHIAN J. (1978) : The Identification and Treatment of Moving Seasonality in the X-11
Seasonal Adjustment Method, working paper 78-10-004, Methodology Branch, Seasonal
Adjustment and Time Series Analysis Staff, Statistics Canada, Ottawa
LOTHIAN J., MORRY M. (1978) : A Set of Quality Control Statistics for the X11-ARIMA
Seasonal Adjustment Method, working paper 78-10-005, Methodology Branch, Seasonal
Adjustment and Time Series Analysis Staff, Statistics Canada, Ottawa
LOTHIAN J., MORRY M. (1978) : Test de la présence d’une saisonnalité identifiable dans le
programme X-11-ARMMI, document de recherche 78-10-002F, Division de la désaisonnalisation
et de l’analyse des séries chronologiques, Statistique Canada, Ottawa
MABALLÉE, Colette et Berthe (1906), “Peaks and Peaks and Correlograms”, Zeitschrift für
Wahrscheinlichkeitstheorie und verwandte Gebiete, 3, 139-167.
MACAULAY, F.R. (1931), The Smoothing of Time Series, National Bureau of Economic
Research
MARAVALL A. (1995), Unobserved Components in Economic Time Series, dans Handbook of
Applied Econometrics, Blackwell Handbooks in Economics, M. Hashem Pesaran et Mike
Wickens (Editeurs)
MARCH, L. (1905), Comparaison Numérique de Courbes Statistiques, Journal de la Société
Statistique de Paris
MENDERHAUSEN, H. (1937), Annual Survey of Statistical Technique : Methods of Computing
and Eliminating Changing Seasonal Fluctuations, Econometrica, Vol n°5 pp 234-262
MUSGRAVE J. (1964), A Set of End Weights to End all End Weights, working paper, US Bureau
of Census, Washington.
MUSGRAVE J. (1964), Alternative Sets of Weights for Proposed X-11 Seasonal Factor Curve
Moving Averages, working paper, US Bureau of Census, Washington.
NERLOVE M., GRETHER D.M., CARVALHO J.L. (1979), Analysis of Economic Time Series :
a Synthesis, New York : Academic Press
O’BEIRNE T. (1966) The Regularity of Easter, Bulletin of the Institute of Mathematics and Its
applications, Vol. 2, n°2, pages 46-49
PANNEKOEK A. (1961), A history of Astronomy, New York : Wiley
PERSONS W.M. (1919), Indices of Business Conditions, Review of Economic Statistics n°1 pp
5-107
PRIESTLEY M.B. (1965), Evolutionary Spectra and Nonstationary Processes, Journal of the
Royal Statistical Society, Serie B, Vol n°27 pp 204-237
SHISKIN J., YOUNG A., MUSGRAVE J.C. (1967), The X11 variant of the Census Method II
Seasonal Adjustment Program, Washington DC, Technical Paper n°15, Bureau of Census, US
Department of Commerce
SHISKIN J., MUSGRAVE J., SOMER M., BAKKA N., ROSENBLATT H.M. (1969) :
X11Information for the user, Papers prepared for the Seminar on seasonal adjustments of the
National Association of Business Economists, Philadelphia, Pennsylvania, March 10, 1969, US
Department of Commerce, Bureau of the Census, Washington.
191
SLUTSKY E (1927), The summation of random causes as the source of cyclical processes,
Econometrica, vol n°84 pp 105-146 (1937), traduction d'un article paru en russe (Conjoncture
Institute, Moscou)
SPENCER J. (1904), On the graduation of rates of sickness and mortality, Journal of the institute
of actuaries, volume 38.
TUKEY J. W. (1950), The Sampling Theory of Power Spectrum Estimates in Proceedings of the
Symposium on Applications of Autocorrelation Analysis to Physical Problems, Washington DC,
Department of the Navy, Office of Naval Research
YOUNG A.H. (1965), Estimating Trading-Day Variations in Monthly Economic Series,
Washington DC, Technical Paper n°12, Bureau of Census, US Department of Commerce
YULE, G.U. (1921), On the Time Correlation Problem, With Especial reference to the Variate-
Difference Correlation Method, Journal of The Royal Statistical Society, n°84 pp 497-526
YULE, G.U. (1927), On a method of investigating periodicities in disturbed series with special
reference to Wolfer’s sunspot numbers, Philosophical Transactions of The Royal, serie A, n°226
pp 267-298
WALLIS K. (1982), Seasonal adjustment and revision of current data: linear filters for the X11
Method, Journal of the Royal Statistical Society A, 145, pages 74-85 .
WHITTAKER E. T. (1923), On a new method of graduation, Proceedings of the Edinburgh
mathematical Society, n°41.
192

Algo de Base de La Méthode X11

Transféré par

Droits d'auteur :

Formats disponibles

Algo de Base de La Méthode X11

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Algo de Base de La Méthode X11

Transféré par

Droits d'auteur :

Formats disponibles

COMPRENDRE LA METHODE X11

Dominique LADIRAY1, Benoît QUENNEVILLE2

COMPRENDRE LA MÉTHODE X11............................................................................................1

Ce document a pour ambition d’expliquer la méthode de désaisonnalisation mise en œuvre dans

Le développement de l'informatique, après la seconde guerre mondiale, a fortement contribué à la

Aujourd’hui, les deux grandes philosophies de la désaisonnalisation, à savoir l’approche

Schématiquement, comme le graphique qui suit le synthétise, les méthodes de désaisonnalisation

Les méthodes non paramétriques, dites « empiriques », permettent de décomposer la série en

Médianes Moyennes Méthodes Aléatoires Méthodes Déterministes

Modèles implicites Modèles explicites

2.1 Composantes et schémas de composition.

La méthode X11 permet de décomposer et de désaisonnaliser des séries mensuelles et

Sir KENDALL : « ...The essential idea of trend is that it shall be smooth. »9

La méthode X11 considère trois schémas de composition possibles :

X12-ARIMA propose en outre un modèle « pseudo-additif » : X t = TC t ( S t + Dt + E t + I t − 1)

2.3 Un algorithme simple de désaisonnalisation

1. Estimation de la Tendance-Cycle par moyenne mobile :

2. Estimation de la composante Saisonnier-Irrégulier :

4. Estimation de la série corrigée des variations saisonnières :

2.4 L’algorithme de base de la méthode X11.

1. Estimation de la Tendance-Cycle par moyenne mobile 2x12 :

2. Estimation de la composante Saisonnier-Irrégulier :

5. Estimation de la Tendance-Cycle par moyenne mobile de Henderson sur 13 termes :

ALGORITHME DE BASE DE X11

Série brute X t mensuelle : X t = TC t + S t + I t

1. Estimation de la Tendance-Cycle par moyenne mobile 2x12 :

4. Estimation de la série corrigée des variations saisonnières

5. Estimation de la Tendance-Cycle par une moyenne de Henderson (sur 13 termes)

2.6 Le principe itératif de X11.

Le programme X11 présente 4 étapes de traitement notées A, B, C, D plus 3 étapes notées E, F, G

2.6.1 Étape A : ajustements préalables

2.6.2 Étape B : Première correction automatique de la série

2.6.3 Étape C : Seconde correction automatique de la série

2.6.4 Étape D : Désaisonnalisation

Les étapes E et F proposent des statistiques qui permettent de juger de la qualité de la

SCHÉMA SIMPLIFIÉ DU FONCTIONNEMENT DE X11

Étape A : Correction « manuelle »

• pour aléas importants

Estimation de la composante aléatoire

Détection et correction automatique des points « aberrants »

Correction des effets de jours ouvrables

Estimation de la composante aléatoire

Détection et correction automatique des points « aberrants »

Correction des effets de jours ouvrables

1 - Calcul de la série désaisonnalisée provisoire (tableaux D1 à D6)

2 - Lissage de la série désaisonnalisée par une moyenne mobile de HENDERSON et nouvelle

3 - Calcul de la série désaisonnalisée définitive (tableau D11) et extraction des composantes

Étape E Étape F Étape G

1. Première désaisonnalisation par la méthode X11.

3.1 Quelques définitions et un peu de théorie

Figure 1 : Évolution mensuelle de l’indice de la production industrielle française

Les modélisations de la série, ou de ses composantes, mettant en relation la valeur à l’instant

Figure 2 : Spectre de l’indice de la production industrielle française

On appelle moyenne mobile de coefficients {θ i } l'opérateur noté M {θ i } , ou plus simplement

3.1.2 Fonctions de gain et déphasage

La figure 3 traduit le résultat du lissage et met en évidence deux phénomènes :

ω ), d’amplitude R et de phase ϕ . La transformée de {X t } par une moyenne mobile

mobile. On représente parfois

Dans le cas de la moyenne mobile asymétrique sur 3 termes ci-dessus on a :

M ( X t ) = ( X t −2 + X t −1 + X t ) = R[sin(ωt − 2ω + ϕ ) + sin(ωt − ω + ϕ ) + sin(ωt + ϕ )]