Groupe de l'analyse de conjoncture (613-951-4886)

Les tendances saisonnières influent sur les données mensuelles et trimestrielles (ou les données infra-annuelles) et il est nécessaire de procéder à une désaisonnalisation de ces données. Les données annuelles ne sont pas touchées par le mouvement saisonnier qui se produit au cours d’une année. Toutefois, les totaux annuels des séries mensuelles ou trimestrielles désaisonnalisées sont touchés par les fluctuations saisonnières et les jours ouvrables supplémentaires, et ils peuvent ne pas égaler le total annuel non désaisonnalisé à moins qu’il n’ait été précisé dans le programme de désaisonnalisation que ce total soit appliqué aux données désaisonnalisées.

Selon la publication Statistique Canada : Lignes directrices concernant la qualité, numéro 12-539 au catalogue de Statistique Canada, octobre 2009, (accessible à /pub/12-539-x/12-539-x2009001-fr.pdf, page 63), les effets climatiques et institutionnels sont des effets saisonniers tandis que les effets des jours ouvrables et de la date de Pâques, qui est soit en mars, soit en avril, sont des effets de calendrier. Les effets saisonniers et les effets de calendrier forment ce que l’on appelle l’effet saisonnier combiné. Afin d’éviter toute confusion dans cette étude, les effets climatiques et institutionnels sont examinés séparément et toutes les références aux facteurs saisonniers, à la saisonnalité, aux tendances saisonnières et à la désaisonnalisation faites dans cette étude se rapportent à l’effet saisonnier combiné.

Les jours les plus importants de la semaine varient d’une série à l’autre. Pour ce qui est des données sur les importations du commerce international de marchandises, le lundi est la journée la plus occupée. Des coûts additionnels sont ajoutés pour les biens traités par les autorités douanières le samedi et le dimanche, ce qui incite certains importateurs à garder leurs biens jusqu’au lundi. Cela a pour effet de créer une « file d’attente ».

L’effet de la date de la fête de Pâques fait augmenter les ventes au détail au cours du mois où cette fête est célébrée mais fait diminuer la semaine de travail (et a ainsi un effet modérateur) pour la plupart des autres séries. Lorsque la fête de Pâques a lieu au début d’avril, cela a également des répercussions sur les ventes au détail à la fin de mars.

L’effet de calendrier a tendance à être beaucoup plus grand dans les séries comme celles des ventes au détail et du commerce de marchandises que dans les données de l’Enquête sur la population active (EPA) et l’Indice des prix à la consommation (IPC). Les données de l’EPA et de l’IPC sont recueillies au cours d’une période déterminée chaque mois et elles ne sont pas soumises à un ajustement pour tenir compte des jours ouvrables mais plutôt à un ajustement pour tenir compte de la période de reference, qui tient compte des congés au cours de la période pendant laquelle les données sont recueillies. Par conséquent, la différence entre les données désaisonnalisées et les données non désaisonnalisées de l’EPA et de l’IPC est beaucoup moins prononcée que celle de ces autres séries.

C'est le cas uniquement des séries pour lesquelles un modèle multiplicatif de l'ajustement saisonnier, le modèle le plus courant, s'applique. Un modèle additif est utilisé pour les séries telles que celle de la variation des stocks, où des nombres négatifs surviennent.

Le progiciel de désaisonnalisation que Statistique Canada utilise est X-12-ARIMA. Ce progiciel peut être téléchargé sans frais à partir du site Web du US Census Bureau.

Yiling Zhang. « Les habitudes de magasinage des consommateurs durant les Fêtes ». Analyse en bref. Numéro au catalogue de Statistique Canada 11-621-MWF. Décembre 2004.

Katherine Marshall. « La saisonnalité de l'emploi ». L'emploi et le revenu en perspective. Numéro au catalogue de Statistique Canada 75-001-XPB. Printemps 1999.

Cette saisonnalité fluctuante est survenue dans diverses séries liées à la construction telles que celles de la construction résidentielle, des permis de bâtir et des mises en chantier d’habitations.

Durant la grève des employés municipaux à Toronto en 2009, on a arrêté d’approuver les permis de bâtir, ce qui a entraîné une forte baisse du nombre de permis émis en juillet et une reprise subséquente à l’automne pour finir de traiter l’importante accumulation des demandes.

La variation en janvier et en février, telle que mesurée par l’écart-type de la croissance au cours de ces mois, était de 1,8 et 1,3, respectivement, comparativement à un écart-type de 1,1 pour la série dans son entier.

Les ventes au détail entre 2004 et 2007 étaient, en moyenne, 13 % plus élevées en décembre qu’en mai.

Certaines données ne sont pas désaisonnalisées, soit parce que la tendance irrégulière est si importante qu’elle dépasse la tendance saisonnière, celle-ci ne pouvant ainsi être identifiée, ou parce qu’il n’y a pas de tendance saisonnière pour cette activité économique spécifique. Par exemple, pour l’Indice des prix des produits industriels (IPPI), plusieurs industries augmentent les prix une fois par année et les laissent inchangés durant le reste de l’année. Procéder à une désaisonnalisation de la série ne ferait que répartir cette augmentation de prix, effectuée une fois dans l’année, sur 12 mois, ce qui est, d’un point de vue analytique, sans signification. Un tel processus ne doit donc pas être entrepris.

Voir Benoit Quenneville (2009), « Gain and phase shift of the Annual Difference Operator », Statistique Canada, document de travail de la Direction de la méthodologie (à venir), qui démontre que la tendance du calcul d’une année à l’autre est dominée par ce qui s’est passé, en moyenne, six mois plus tôt au lieu de par ce qui a lieu dans le mois courant.

Toutefois, lorsque l’on utilise des données non désaisonnalisées, il est plus utile d’analyser la variation dans le calcul d’une année à l’autre (par exemple, la différence entre janvier 2008 et janvier 2009 par rapport à celle entre février 2008 et février 2009) que de procéder seulement et de façon isolée au calcul de la variation en pourcentage par rapport au même mois de l’année précédente.

Le programme des primes à la casse aux États Unis, qui permettait aux ménages propriétaires de vieilles voitures de recevoir de l’argent pour l’achat d’un nouveau véhicule en juillet et août 2009, est un exemple de la façon dont la question d’un mois aberrant est partiellement résolue par l’utilisation de données désaisonnalisées. Certains analystes ont émis l’hypothèse que les ventes monteraient en flèche durant le programme des primes à la casse puis se replieraient fortement une fois la demande tarie. Après un léger recul en septembre, les ventes ont poursuivi sur leur trajectoire préalable au programme des primes à la casse et que vers la fin de 2009, elles avaient dépassé le niveau atteint avant ce programme. Par conséquent, écarter juillet, août et septembre a pour effet de révéler la tendance sous jacente des séries désaisonnalisées.