PLUS QU’UNE ECOLE, UN ESPRIT

ENSEA

LA METHODE DE CENSUS X-11

BIENVENUE

SOUS LA SUPERVISION DE :
Mme. ABY
Enseignante-chercheuse à l’ENSEA
PLAN DE PRESENTATION

INTRODUCTION

COMPOSANTES ET SCHEMAS DE
COMPOSITION / MOYENNES MOBILES
ALGORITHME SIMPLE DE
DESAISONNALISATION / DE BASE DE X-11
POINTS ABERRANTS ET EFFETS DE CALENDRIER
PRINCIPE ITERATIF DE X-11 ET EVOLUTION
CONCLUSION

NENE, ONANINA, OROSAKIN Elèves ISE 1 ECO

2
INTRODUCTION

 Les données à hautes fréquences (hebdomadaires, journalières, horaires) sont

utilisées depuis des décennies en Finance par exemple, mais essentiellement pour
la prévision.
 Ces données sont de plus en plus disponibles et “frappent à la porte” de la
statistique officielle, pour la production d’estimations rapides par exemple.
 En matière de désaisonnalisation, ces données posent plusieurs problèmes :
elles présentent des périodicités non entières (52 ou 53 semaines, 365 ou 366 jours par
exemples) ;
elles sont très volatiles et présentent plus de points atypiques et de ruptures ;
leur modélisation nécessite parfois de nombreux régresseurs (effets de calendrier,
harmoniques, points atypiques).

3
INTRODUCTION

 En matière de désaisonnalisation : la méthode statistique la plus utilisée est sans

aucun doute celle mise en œuvre dans le logiciel X-11.
 Développé dans les années 50-60 au US Bureau of Census : de nombreuses
modifications et améliorations, ont été apportés avec X-11-ARIMA (1975, 1988), X-12-
ARIMA et X-13 ARIMA
 Nous nous intéresserons dans la suite à la méthode initiale X-11
 La méthode X-11 repose sur un principe itératif d’estimation des différentes
composantes, cette estimation étant faite à chaque étape grâce à des moyennes
mobiles adéquates.

4
QUE RETENIR DONC DE LA
METHODE CENSUS X-11 ?

5
COMPOSANTES ET SCHEMAS DE COMPOSITION

 6 composantes possibles mais 5 au final. L’on note :

• la tendance de la série qui représente l’évolution de long terme de la série ;

•   le cycle, mouvement lisse, quasi périodique, autour de la tendance et met
en évidence une succession de phases de croissance et de récession.
X-11 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 TCt

6
COMPOSANTES ET SCHEMAS DE COMPOSITION

• la composante saisonnière, notée St , représentant des fluctuations infra

annuelles, mensuelles ou trimestrielles, qui se répètent plus ou moins
régulièrement d’année en année ;
•   une composante dite de " jours ouvrables ", notée Dt , qui mesure l’impact
sur la série de la composition journalière du mois ou du trimestre ;
• une composante mesurant l’effet de la fête de Pâques, notée Et ;
• la composante irrégulière, notée It , regroupant toutes les autres
fluctuations plus ou moins erratiques non prises en compte dans les
composantes précédentes.

7
COMPOSANTES ET SCHEMAS DE COMPOSITION

 La méthode X-11 considère trois schémas de composition possibles :

 

8
MOYENNES MOBILES

 Moyennes mobiles : outil de base de la méthode de désaisonnalisation X-11 et

utilisées pour estimer les principales composantes de la série, tendance et
saisonnalité
 Avant tout, outils de lissage conçus pour éliminer une composante
 indésirable de la série

 Cas de 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 possibilité d’utiliser une
moyenne de ces valeurs comme estimation

9
MOYENNES MOBILES

 Moyenne mobile de coefficients {θi} :

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.
  
 Problème : trouver le « bon » ensemble de coefficients {θi}.
 Possibilités de calcul très limitées à la fin du siècle dernier : les
statisticiens vont chercher des coefficients de pondération
indépendants des valeurs de la série selon des méthodes

10
ALGORITHME SIMPLE DE DESAISONNALISATION

 Soit une série brute mensuelle Xt que nous supposerons ici décomposée
en tendance-cycle, saisonnalité et partie irrégulière selon un schéma
additif : Xt = TCt + St + It . On peut imaginer un algorithme simple
 
de désaisonnalisation en 4 étapes

 Toute la difficulté réside dans le choix des moyennes mobiles utilisées

aux étapes 1 et 3

11
ALGORITHME SIMPLE DE DESAISONNALISATION

Description
TCt(1) = M0(Xt)
1. Estimation de
la Tendance- La moyenne mobile utilisée ici
devra donc reproduire au mieux
Cycle par la composante tendance-cycle
moyenne mobile tout en éliminant la composante
saisonnière et en réduisant la
composante irrégulière au
maximum.

8
 ALGORITHME SIMPLE DE DESAISONNALISATION

1. Estimation de DESCRIPTION
la Tendance-
Cycle par TCt(1) = M0(Xt)

moyenne mobile

DESCRIPTION
2. Estimation de la
composante (St + It)(1) = Xt − TCt(1)
Saisonnier-Irrégulier
9
 ALGORITHME SIMPLE DE DESAISONNALISATION

DESCRIPTION
1. Estimation de la
Tendance-Cycle par TCt(1) = M0(Xt)
moyenne mobile

2. Estimation de la DESCRIPTION
composante Saisonnier-
(St + It)(1) = Xt − TCt(1)
Irrégulier
DESCRIPTION
3. Estimation de la St(1) = M(1)[St + It(1)] / It(1)= (St + It)(1) - St(1)
composante Saisonnière Lisser les valeurs de la composante saisonnier-irrégulier de chaque mois
pour extraire l’évolution du coefficient saisonnier du mois concerné. La
par moyenne mobile sur moyenne mobile utilisée ici devra reproduire au mieux la composante
saisonnière de chaque mois en réduisant au maximum la composante

chaque mois irrégulière. On peut imposer ici une contrainte de normalisation des
coefficients qui leur imposera par exemple d’être de somme nulle.

10
 ALGORITHME SIMPLE DE DESAISONNALISATION
1. Estimation de la
Tendance-Cycle par
moyenne mobile
2. Estimation de la composante
Saisonnier-Irrégulier
3. Estimation de la composante
Saisonnière par moyenne mobile
sur chaque mois
4. Estimation de la série corrigée
des variations saisonnières
TCt(1) = M0(Xt)
(St + It)(1) = Xt − TCt(1)
St(1) = M(1)[St + It(1)] / It(1)= (St + It)
(1) - St(1)
DESCRIPTION
Xsat (1) =(TCt+ It)(1)= Xt- St(1)
Toute la difficulté réside donc dans le choix des
moyennes mobiles utilisées aux étapes 1 et 3.
11
ALGORITHME DE BASE DE LA METHODE X-11

 On définit l’algorithme de base de la méthode X-11 qui correspond en

fait à utiliser deux fois l’algorithme simple précédent en changeant à
chaque fois les moyennes mobiles : soit 8 étapes
- 

16
ALGORITHME DE BASE DE LA METHODE X-11

- 

17
ALGORITHME DE BASE DE LA METHODE X-11

- 

18
ALGORITHME DE BASE DE LA METHODE X-11

- 

19
ALGORITHME DE BASE DE LA METHODE X-11

- 

20
POINTS ABERRANTS ET EFFETS DE CALENDRIER

 Les moyennes mobiles réagissent mal à la présence de valeurs atypiques.

 Incorporation dans la méthode X-11 d’un outil de détection et de correction des
points atypiques utilisés pour nettoyer la série préalablement à la
désaisonnalisation.
 D’autres effets que la saisonnalité peuvent expliquer des variations constatées dans
  la série : effet de jours ouvrables, effet de Pâques, etc.
 Estimation des composantes par des modèles de régression linéaire, à partir de la
composante irrégulière.
– A 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 (1) t = (St + It) (1) − S˜
X-11 va utiliser cette estimation pour détecter et corriger les points atypiques et obtenir
une meilleure estimation de la composante saisonnière.

21
POINTS ABERRANTS ET EFFETS DE CALENDRIER

– A l’étape 7, en enlevant l’estimation de la composante saisonnière de ` l’estimation de

la composante saisonnier-irrégulier obtenue `a l’étape 6 : I (2) t = (St + It) (2) − S˜(2)
X-11 va utiliser cette estimation `a nouveau pour détecter et corriger les points
atypiques et obtenir une estimation plus fiable de la composante saisonnière.
 
– A l’étape 8, en enlevant à l’estimation de la série corrigée des variations `
saisonnières l’estimation de la composante TC obtenue à l’étape 5 : I (3) t = (At) (2) −
(Ct) (2)
X-11 va utiliser cette estimation pour évaluer, par régression linéaire, la composante
pour jours ouvrables et détecter et corriger les points atypiques

22
PRINCIPE ITERATIF ET EVOLUTION

 Pour évaluer les différentes composantes de la série, en tenant

compte de la présence éventuelle de points aberrants, X-11 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

 Le programme X-11 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.

23
PRINCIPE ITERATIF ET EVOLUTION

 

24
PRINCIPE ITERATIF ET EVOLUTION

 

25
PRINCIPE ITERATIF ET EVOLUTION

 

26
PRINCIPE ITERATIF ET EVOLUTION

 L’estimation de modèles ARIMA est rendue délicate par la présence de points

aberrants, de rupture de niveau, d’effets de calendrier. X-11 ARIMA repose alors
sur le schéma suivant :
1. Première désaisonnalisation : 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
2. Modélisation ARIMA de la série corrigée de tous ces effets
3. Seconde désaisonnalisation par la méthode X11.
 X-12-ARIMA : même principe mais propose un module très complet (Reg-ARIMA)
corrigeant 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). X-13 ARIMA est dans le même sens
27
BIBLIOGRAPHIE

 COMPRENDRE LA METHODE X-11: Dominique LADIRAY , Benoît

QUENNEVILLE, Juillet 1999

 
 DÉSAISONNALISATION DE SÉRIES JOURNALIÈRES AVEC LA
MÉTHODE X-12 : Dominique LADIRAY, Institut National de la Statistique et
des Etudes Economiques, Paris, 25/10/2016

28
CONCLUSION
CONCLUSION

 Il est possible d’adapter l’algorithme de X-11 aux séries journalières

 La philosophie itérative de X-11 est d’ailleurs très proche de celle de STL
 Les effets des fêtes mobiles (Pâques) doivent être modélisés
 
 Le modèle à utiliser pour les prévisions n’est pas évident (ARIMA ?)
 Encore beaucoup de choses à régler :
l’ordre des moyennes mobiles ;
le choix automatique des moyennes (ratios RIC et RIS).

30
 MERCI POUR VOTRE ATTENTION

Cliquez sur l'icône pour ajouter une image

Cliquez sur l'icône pour ajouter une image

CRITIQUES QUESTIONS SUGGESTIONS

31