Analyse temporelle de la saisonnalité dans les séries économiques

Notre étude se limite à l'analyse de la saisonnalité dans le domaine temporel. Il faut néanmoins noter que les études les plus récentes sur le sujet sont surtout axées sur l'analyse dans le domaine des fréquences (analyse spectrale), la composante saisonnière étant considérée comme de fréquence élevée comparativement à la composante tendance-cycle caractérisée plutôt par une fréquence basse. Nous n'avons pas inventorié toutes les techniques d'ajustement saisonnier; celles que nous avons choisies sont néanmoins très représentatives. Il est possible de dégager certaines caractéristiques communes aux différentes méthodes: - Les techniques déterministes sont généralement automatiques, dans ce sens que la même technique est utilisée sur n'importe quelle série. - Les différentes techniques sont basées sur les valeurs passées de la série et non sur les valeurs prises par d'autres séries. Ce sont donc des méthodes d'auto-ajustement plutôt que d'ajustement causal. Notre travail se place à un niveau antérieur à la construction d'un modèle économétrique proprement dit c'est-à-dire un modèle permettant de mesurer des relations causales entre variables économiques. Nous nous sommes intéressé au problème du choix du meilleur filtre appliquable aux séries préalablement à la modélisation économétrique. Ce qui est important de noter, c'est que le choix du filtre peut modifier profondément la série; ainsi une moyenne mobile appliquée à un bruit blanc peut produire une oscillation systématique, c'est ce qui est connu sous le nom d'effet Slutzky-Yule dans la littérature. Dans la même ligne, Working (5) a montré que, partant d'une série où les différences entre observations successives sont aléatoires, on arrive à une série où les différences successives sont corrélées si on travaille sur les observations originales aggrégées sur un nombre donné de périodes. Lorsqu'il existe une saisonnalité dans les données à analyser, il est important de trouver une procédure adéquate pour tenir compte de la saisonnalité sinon le modèle de causalité économique peut être biaisé (spurious regression). Ainsi Paul Newbold (6) et d'autres auteurs ont montré que l'utilisation de données désaisonnalisées publiées par les bureaux de statistiques pour estimer des modèles de causalité, introduit souvent des distortions dans la fonction de transfert et qu'il faut utiliser des modèles tenant compte de la saisonnalité d'une façon explicite