Une série chronologique est une série d'observations recueillies à intervalles de temps réguliers. Ces données fournissent de l'information sur un concept statistique bien défini pendant une période de référence précise, et sont présentées à différents points dans le temps. La plupart des données économiques diffusées par Statistique Canada le sont sous forme de séries chronologiques. Les données mensuelles sur les prix à la consommation, les ventes dans les magasins de détail, l'emploi et le produit intérieur brut sont des exemples. Ces données, qui correspondent à des périodes de référence mensuelles, sont disponibles pour une longue suite de mois afin de faciliter les comparaisons au fil du temps.

Les données des séries chronologiques mensuelles ou trimestrielles sont parfois influencées par des effets saisonniers et de calendrier. Ces effets peuvent entraîner dans les données des changements qui, habituellement, surviennent au même moment et sont d'à peu près la même importance chaque année. Ainsi, historiquement, les ventes au détail mensuelles atteignent leur valeur la plus élevée de l'année en décembre en raison des achats de la période des Fêtes, puis diminuent pour atteindre leur niveau le plus faible en janvier. Ce phénomène se produit chaque année et a une incidence sur la mesure dans laquelle la comparaison des données brutes sur les ventes pour ces deux mois peut renseigner sur les tendances dans le secteur du commerce de détail. Une série chronologique désaisonnalisée est une série chronologique mensuelle ou trimestrielle que l'on a modifiée afin d'éliminer les effets saisonniers et de calendrier. Ces données désaisonnalisées permettent d'effectuer des comparaisons plus justes de la conjoncture économique d'une période à l'autre. Une série chronologique brute est la série équivalente avant que l'on procède à la désaisonnalisation et on l'appelle parfois série chronologique originale ou non désaisonnalisée.

De nombreux utilisateurs de statistiques économiques et sociales s'appuient sur les données chronologiques pour comprendre l'évolution des phénomènes socioéconomiques au fil du temps. Les propriétés statistiques importantes d'une série chronologique comprennent sa direction et ses points de retournement, ainsi que ses liens avec d'autres indicateurs socioéconomiques. La présence d'une influence saisonnière dans une série peut obscurcir ces caractéristiques importantes en rendant plus difficile l'interprétation des fluctuations des données d'une période à l'autre. De nombreux utilisateurs de séries chronologiques considèrent que les variations des données découlant d'effets saisonniers et d'autres effets de calendrier sont sans grande importance analytique. Ces effets saisonniers et de calendrier peuvent masquer les variations sous-jacentes « réelles » de la série chronologique attribuables au cycle économique ou à des événements non saisonniers, comme des grèves ou des interruptions non prévues de la production. Par conséquent, les techniques de désaisonnalisation qui éliminent des données originales l'effet des caractéristiques saisonnières et de calendrier peuvent rendre une série chronologique plus utile pour évaluer les changements de conjoncture économique significatifs au cours du temps.

La désaisonnalisation n'est pas toujours appropriée ni requise. Il n'est pas nécessaire de désaisonnaliser une série qui ne présente ni caractéristiques saisonnières ni autres effets de calendrier identifiables. Il n'est pas toujours bon non plus d'utiliser des données désaisonnalisées lorsque l'estimation brute représente la vraie statistique d'intérêt. Par exemple, on conseille aux décideurs qui se servent de l'Indice des prix à la consommation (IPC) à des fins d'indexation d'utiliser des données non désaisonnalisées, car celles-ci reflètent les mouvements réels des prix observés d'une période à l'autre. Par contre, les utilisateurs des données qui souhaitent analyser les tendances sous-jacentes des prix dans l'économie sont invités à utiliser les indices de prix désaisonnalisés.

De même, les analystes qui souhaitent calculer la croissance brute du nombre de jeunes adultes qui travaillaient d'avril 2012 à mai 2012 doivent examiner les estimations brutes pour ces deux mois et calculer la différence. Cette variation d'un mois à l'autre de l'emploi brut pourrait ne pas fournir beaucoup d'information utile à propos de l'évolution des conditions du marché du travail à laquelle faisaient face les jeunes adultes si des effets saisonniers et de calendrier avaient une influence importante sur les niveaux d'emploi durant l'un ou l'autre mois, ou les deux. Toutefois, les données brutes montrent la mesure dans laquelle l'emploi réel pour ce groupe s'est accru, ou a diminué, d'avril à mai — information qui pourrait être utile à d'autres fins.

Statistique Canada désaisonnalise presque tous ses indicateurs économiques infra-annuels importants, y compris les estimations trimestrielles et mensuelles de la croissance du produit intérieur et ses estimations mensuelles de l'emploi d'après les données de l'Enquête sur la population active. Même si la grande majorité des diffusions de l'organisme mettent l'accent sur les données désaisonnalisées, les séries désaisonnalisées ainsi que non désaisonnalisées sont souvent toutes deux mises à la disposition des utilisateurs.

Les données désaisonnalisées sont estimées en désagrégeant la série chronologique en diverses composantes. Ce processus, qui est fondé sur des méthodes statistiques bien établies, comprend la décomposition de la série chronologique en quatre composantes distinctes, à savoir 1) la tendance-cycle, 2) les effets saisonniers, 3) les autres effets de calendrier, tels que les effets de jours ouvrables et de jours fériés mobiles, et 4) la composante irrégulière. La série désaisonnalisée correspond à la série chronologique originale dont on a supprimé les effets saisonniers et de calendrier estimés, ou de manière équivalente, à la combinaison estimée de la tendance-cycle et de la composante irrégulière.

Une série chronologique peut être subdivisée en quatre composantes distinctes : 1) la tendance-cycle, 2) les effets saisonniers, 3) les autres effets de calendrier, tels que les effets de jours ouvrables et des jours de fêtes mobiles, et 4) la composante irrégulière. Voici un aperçu de chacune de ces composantes :

La tendance-cycle : Elle représente la version lissée de la série chronologique et indique la tendance ou direction générale de celle‑ci. La tendance-cycle peut être interprétée comme la variation de long terme de la série chronologique, qui résulte de différents facteurs (ou déterminants) qui conditionnent les variations à long terme des données au cours du temps. Comme son nom l'indique, la tendance-cycle reflète aussi les expansions et les contractions de l'activité économique, dont celles associées au cycle économique.

Effets saisonniers : Il s'agit des caractéristiques ou des variations régulières dans les données de la série chronologique qui se manifestent durant le même mois ou le même trimestre chaque année. Sur la base des variations antérieures de la série chronologique, ces caractéristiques régulières se répètent d'année en année. Ces caractéristiques saisonnières sont raisonnablement stables en ce qui concerne le moment de leur manifestation, leur direction et leur grandeur. Souvent, ces effets saisonniers résultent de variations bien établies de l'activité économique liées au calendrier, comme les augmentations des ventes au détail durant la période qui précède Noël, ou la hausse de l'emploi dans le secteur de la construction au printemps. Les effets saisonniers représentent ces mouvements survenant régulièrement dans les données.

Autres effets de calendrier, comme les effets des jours ouvrables et des jours de fêtes mobiles : En plus des effets saisonniers, des effets systématiques liés au calendrier peuvent influer sur le niveau d'activité économique durant une période particulière. Les plus importants sont les effets de jours ouvrables. Ces effets peuvent être présents quand le niveau d'activité économique varie selon le jour de la semaine. Ainsi, les ventes au détail sont habituellement plus importantes le samedi que n'importe quel autre jour. Par conséquent, elles seront vraisemblablement plus élevées durant un mois comprenant cinq samedis que durant un mois n'en comprenant que quatre. Un autre exemple courant d'effet de calendrier est celui de la date de Pâques, qui pourrait donner lieu à une augmentation des ventes au détail en mars ou en avril selon le mois où elle tombe. Cet effet de calendrier particulier est ce qu'on appelle un effet de jour de fêtes mobiles.

La composante irrégulière : Cette composante comprend les fluctuations inattendues dans les données qui 1) ne font pas partie de la tendance-cycle et 2) ne sont pas reliées à des facteurs saisonniers ou à des effets de calendrier courants. La composante irrégulière pourrait résulter d'événements ou de chocs économiques non prévus (p. ex., grèves, perturbations, conditions météorologiques inhabituelles pour la saison), ou simplement être due au bruit (causé par les erreurs d'échantillonnage et non dues à l'échantillonnage) dans la mesure des données non désaisonnalisées.

Les effets saisonniers et les autres effets de calendriers, comme les effets de jours ouvrables et de jours de fêtes mobiles, sont exclus de la série désaisonnalisée. Par conséquent, cette dernière représente la combinaison de la tendance-cycle et de la composante irrégulière. Il importe de souligner la contribution de la composante irrégulière, car les données désaisonnalisées sont parfois interprétées à tort comme fournissant aux utilisateurs une information « pure » sur la tendance-cycle.

Les données brutes peuvent être révisées pour tenir compte de données supplémentaires qui ont été obtenues tardivement, pour corriger des données qui ont d'abord été déclarées incorrectement ou pour diverses autres raisons. Le cas échéant, les données désaisonnalisées fondées sur les données non corrigées doivent aussi être révisées.

Le recul est un élément très important dans l'analyse des séries chronologiques. Même si la série brute n'a pas été révisée, il est souvent utile de réviser les données désaisonnalisées. Pour estimer les effets saisonniers à une période donnée, les statisticiens utilisent l'information sur les observations antérieures, courantes et futures. L'information sur les observations futures n'est pas disponible en temps réel, de sorte que la désaisonnalisation est effectuée en utilisant les valeurs antérieures et les valeurs courantes, ainsi que des valeurs projetées. Ces projections sont fondées sur un modèle statistique qui s'appuie sur l'information passée. À mesure que de nouvelles données deviennent disponibles, les diverses composantes de la série chronologique peuvent être estimées plus précisément. Cela donne des estimations révisées, plus exactes, des données désaisonnalisées.

Périodiquement, les méthodes utilisées pour estimer les composantes des séries chronologiques pour des séries de données particulières sont révisées également. À Statistique Canada, chaque programme statistique possède sa propre stratégie de révision, et les calendriers sont communiqués systématiquement aux utilisateurs des données avant ces révisions.

La comparaison des données brutes recueillies pour une même période chaque année fournit certains renseignements sur les tendances de long terme et les cycles économiques, mais ces comparaisons n'éliminent pas nécessairement toutes les tendances saisonnières des données. Certains jours de fêtes mobiles, comme le jour de Pâques, ne tombent pas à la même date ni même le même mois chaque année. Si la date de ces jours de fêtes mobiles influence la variable mesurée, comme les ventes au détail mensuelles, la comparaison des données brutes d'une année à l'autre peut être trompeuse. Par exemple, en 2013, le jour de Pâques était le 31 mars, tandis qu'en 2012, il tombait le 8 avril. Par conséquent, il pourrait être faux de conclure qu'un changement dans les ventes de mars 2012 à mars 2013 représente la tendance économique sous-jacente dans le secteur du commerce de détail, alors que ce changement pourrait être influencé par la date de la fête de Pâques.

De même, les comparaisons d'une année à l'autre des données brutes ne tiennent pas compte de l'effet de jours ouvrables qui se manifeste dans de nombreuses séries et qui peut affecter la validité des comparaisons d'une année à l'autre. Ainsi, la production de nombreuses entreprises est plus faible le samedi et le dimanche qu'en semaine. En 2011, octobre a débuté un dimanche, et comprenait cinq fins de semaine complètes et 21 jours de semaine. En 2012, octobre a débuté un lundi et comprenait quatre fins de semaine complètes et 23 jours de semaine. La simple comparaison d'une année à l'autre entre ces deux mois ne tient pas compte de ces différences et pourrait nuire à l'analyse des variations du produit économique au cours du temps.

Même si aucun autre effet de calendrier n'est présent dans les données, la comparaison des mêmes périodes d'une année à l'autre peut poser problème. En général, on peut montrer que ce genre de comparaison manque d'actualité en ce qui concerne la détermination des points de retournement (par exemple, point auquel une série décroissante commence à croître).

La comparaison d'une valeur courante avec une seule valeur passée (la valeur de la série 12 mois avant le mois de référence courant) peut aussi induire en erreur, si cette valeur particulière est inhabituelle. Par exemple, la comparaison des données économiques pour la Colombie-Britannique pour février 2011 aux données pour février 2010 (le mois durant lequel la province a été l'hôte des Jeux olympiques d'hiver) pourrait ne pas fournir d'information utile sur l'évolution de la tendance. Afin d'atténuer partiellement cet effet, les données du mois courant (février 2011) peuvent être comparées à une moyenne des données pour plusieurs mois de février antérieurs (par exemple, les cinq dernières années). Une technique similaire peut être appliquée pour examiner les fluctuations d'un mois à l'autre. Par exemple, on pourrait comparer les variations de décembre à janvier de cette année à une moyenne historique des variations de décembre à janvier pour les cinq dernières années. Bien que cette méthode puisse fournir certains éclaircissements supplémentaires, les résultats doivent être interprétés avec prudence, car elle ne remplace pas les techniques plus formelles de désaisonnalisation.

Ladiray, D. et Quenneville B. (2001) Seasonal Adjustment with the X-11 Method, Springer-Verlag, Lecture Notes in Statistics, vol. 158. Une version française Désaisonnaliser avec la méthode X-11.

Statistique Canada (2009). Désaisonnalisation et estimation de la tendance-cycle, lignes directrices concernant la qualité, 5ième édition, no au catalogue 12-539-X.

Wyman, D. (2010), La désaisonnalisation et le repérage des tendances économiques, Statistique Canada : L'observateur économique canadien, mars 2010, no au catalogue 11-010-X.

Les lecteurs sont également invités à consulter les articles.

Les variations d'une période à l'autre des données brutes et les variations d'une période à l'autre des données désaisonnalisées fournissent des renseignements différents. En guise d'exemple, examinons les données fictives sur l'emploi par secteur industriel mesurées par une enquête mensuelle. Chaque mois, ces données sont recueillies et traitées pour obtenir une estimation de l'emploi total. Cette estimation est brute (non désaisonnalisée), il s'agit d'une mesure du nombre de personnes ayant un emploi durant la semaine de référence du mois en question, sans distinguer (ou dissocier) les différentes composantes de la série chronologique qui contribuent à cette estimation.

Avant la publication, l'estimation est désaisonnalisée afin d'éliminer des données brutes l'influence des effets saisonniers et de calendrier (en utilisant l'information courante et passée sur l'emploi). Cette estimation désaisonnalisée constitue l'estimation officielle de l'emploi par secteur industriel diffusée dans le Quotidien.

Au sujet des comparaisons au cours du temps, il est important de souligner que la différence entre les estimations désaisonnalisées de l'emploi pour deux mois consécutifs ne peut pas être interprétée comme la différence brute entre les nombres de personnes qui avaient effectivement un emploi durant ces mois. La différence brute est la différence entre les estimations de l'emploi non désaisonnalisées, obtenues directement d'après l'enquête.

La différence entre les estimations désaisonnalisées pour deux mois consécutifs représente plutôt une mesure directe de la variation du nombre de personnes ayant un emploi, après avoir tenu compte des changements prévus dus à la variation de l'emploi saisonnier entre ces deux mois. Le nombre résultant peut être inférieur ou supérieur à la différence brute, selon la façon dont les facteurs saisonniers varient d'un mois à l'autre.

L'exemple qui suit illustre le concept de désaisonnalisation au moyen de données brutes et de données désaisonnalisées sur l'emploi dans une industrie à l'aide de données fictives pour deux mois consécutifs. Dans cet exemple, on suppose qu'il n'y a pas d'autres effets de calendrier.

L'estimation non désaisonnalisée de l'emploi dans l'industrie est 6 200 au mois 1. L'estimation désaisonnalisée de l'emploi était plus élevée, soit 7 200. Par conséquent, l'emploi attribué aux facteurs saisonniers était environ de -1 000. Qu'est-ce que cela signifie?

Cela veut dire que l'on prévoyait qu'environ 1 000 travailleurs de moins durant ce mois comparativement à un niveau moyen générique de l'emploi dans l'industrie tout au long de l'année. Les niveaux « que l'on prévoyait » et « moyen » sont fondés sur les tendances historiques antérieures qui reflètent les variations saisonnières types dans ces données.

Par conséquent, ces 1 000 travailleurs de moins sont rajoutés à l'estimation de l'emploi pour le mois 1, ce qui donne une estimation désaisonnalisée plus grande que l'estimation non désaisonnalisée, ou brute, calculée d'après les données de l'enquête. Pourquoi fait-on cela? Parce que l'objectif de la désaisonnalisation est de rendre les données  plus comparables d'un mois à l'autre afin qu'elles fournissent une meilleure information sur l'évolution de la tendance et sur les variations cycliques. En désaisonnalisant les données, on place les comparaisons d'un mois à l'autre sur un pied d'égalité.

L'estimation de l'emploi dans l'industrie pour le mois 2 présente le même profil : l'estimation désaisonnalisée finale est plus élevée que l'estimation non désaisonnalisée. Pour ce mois, on s'attendrait à ce qu'il y ait 1 400 travailleurs en moins dans l'industrie (comparé à un niveau moyen générique de l'emploi mensuel dans une année) basé sur le patron saisonnier récurrent. Le rajout de ces emplois à l'estimation non désaisonnalisée calculée d'après les données d'enquête fait passer les données (désaisonnalisées) publiées à 6 800.

Les deux mois susmentionnés sont des exemples de « rajout » pour compléter les données d'enquête par des emplois additionnels, parce que les facteurs saisonniers sont négatifs. Dans ces exemples, un nombre plus faible d'emplois est prévu pour le mois en question en raison des caractéristiques saisonnières antérieures, de sorte que des emplois doivent être rajoutés afin que les données soient comparables d'un mois à l'autre. Pour d'autres mois, on pourrait observer la situation inverse parce que les effets saisonniers sont positifs. Dans ces cas, on prévoit qu'un plus grand nombre de personnes travailleront que durant le mois moyen hypothétique, de sorte que la désaisonnalisation supprime certains emplois des données non désaisonnalisées afin de mettre le mois en question (en termes statistiques) sur pied d'égalité avec les autres mois de l'année.

L'interprétation des variations d'un mois à l'autre peut être complexe, car elle implique certains des aspects les plus techniques de la modélisation des données qui est utilisée dans les routines de désaisonnalisation. Les effets saisonniers peuvent être modélisés de manière « additive » ou « multiplicative ». Si les effets saisonniers sont modélisés comme étant additifs, il est possible d'examiner de façon assez simple la mesure dans laquelle les variations d'un mois à l'autre de l'emploi sont influencées par les variations des effets saisonniers.

Pour le voir, examinons de nouveau les données fictives utilisées dans l'exemple de la question 11. Sur une base désaisonnalisée, l'emploi a diminué pour passer de 7 200 au mois 1 à 6 800 au mois 2, soit une diminution de 400 travailleurs.

Ce chiffre est différent de la variation non désaisonnalisée calculée directement d'après les données de l'enquête. L'estimation non désaisonnalisée du nombre de travailleurs est passée de 6 200 au mois 1 à 5 400 au mois 2, soit une diminution de 800 travailleurs, c'est-à-dire deux fois plus que la diminution affichée par les données désaisonnalisées.

Quelles sont les raisons de cet écart important entre les deux estimations? Comme il est mentionné dans l'exemple, les deux mois présentent des facteurs saisonniers négatifs. Cela signifie que, compte tenu des caractéristiques antérieures de la saisonnalité, nous nous attendions à ce que, durant chacun des deux mois, le nombre de travailleurs dans l'industrie soit inférieur à une moyenne annuelle générique. Toutefois, en valeur absolue, le facteur saisonnier négatif du second mois dépassait nettement (d'environ 400 travailleurs) celui du premier mois. Par conséquent, alors qu'on a ajouté environ 1 000 emplois à l'estimation non désaisonnalisée du mois 1 pour obtenir une estimation désaisonnalisée, le mois 2 se voit augmenté de 1 400 emplois.

Numériquement, environ 40 % de cette réduction de l'estimation désaisonnalisée étaient attribuables à des variations de la tendance-cycle. Le 60 % restant était dû à la composante irrégulière.

Les deux estimations sont correctes, puisqu'elles découlent toutes deux de processus statistiques légitimes. Le choix de l'une plutôt que l'autre dépend de l'objectif de l'analyse.

Si l'utilisateur s'intéresse aux estimations du niveau réel d'emploi durant une période particulière (le nombre de personnes qui travaillent), ou aux variations d'une période à l'autre de ces niveaux réels d'emploi, les estimations peuvent être obtenues directement d'après les données de l'enquête sans aucune désaisonnalisation.

C'est lorsqu'on essaie d'utiliser ces données désaisonnalisées pour interpréter l'évolution de la conjoncture économique qu'un problème se pose. Les données brutes reflètent l'effet combiné de toutes les composantes qui ont contribué au niveau observé de l'emploi durant une période mensuelle ou trimestrielle. Cela inclut la tendance-cycle, les effets saisonniers, les autres effets de calendrier et la composante irrégulière. Dans l'exemple de la question 11, il est correct de dire que le nombre d'emplois dans l'industrie a diminué de 800 du mois 1 au mois 2, car il s'agit de la diminution du niveau de l'emploi calculée directement d'après les données brutes. Il est cependant moins approprié d'attribuer cette diminution à des facteurs précis, comme les ralentissements cycliques, en ne tenant pas compte de l'influence possible d'autres composantes, dont les changements saisonniers typiques liés à l'embauche, car ceux-ci contribuent également aux variations des données brutes.

L'élément important ici est que le choix entre les données désaisonnalisées et les données brutes est dicté par le contexte. Il dépend de la question à laquelle les données sont censées répondre et de la mesure dans laquelle les fluctuations d'une période à l'autre dues à des effets saisonniers sont pertinentes pour cette question.

Cette question traite de la fiabilité des données désaisonnalisées. Commençons par souligner deux faits :

• Les effets saisonniers reflètent des variations caractéristiques des données de la série chronologique due à des influences saisonnières établies;
• Les données désaisonnalisées (dont sont éliminés les effets saisonniers et les autres effets de calendrier) ne sont pas influencées uniquement par les variations de la tendance-cycle. Elles sont aussi influencées par les événements irréguliers, c'est-à-dire des événements qui, dans de nombreux cas, peuvent avoir un effet important sur l'estimation résultante.

La notion de changement structurel peut avoir trait à des situations où un aspect fondamental d'une économie ou d'une industrie est en train de changer, ce qui crée de nouvelles conditions, différentes des normes en place antérieurement. Il pourrait s'agir d'innovations technologiques importantes qui modifient la nature de la production. Il pourrait aussi s'agir de changements plus ordinaires des habitudes d'embauche en réponse à de nouvelles pratiques administratives.

Les deux exemples susmentionnés pourraient l'un et l'autre donner lieu dans une industrie concernée à de nouvelles caractéristiques saisonnières qui diffèrent des caractéristiques saisonnières habituelles. Comment ces changements sont-ils reflétés dans les données désaisonnalisées?

À court terme, ces nouvelles caractéristiques seront considérées comme des variations irrégulières dans les données, dans la mesure où elles s'écartent soudainement des effets prévus. Au cours du temps, elles deviendront saisonnières et intégrées progressivement dans les données historiques à mesure que de nouvelles données chronologiques sur ces changements deviennent disponibles. Cela suppose que les changements deviennent une caractéristique régulière des données et qu'ils ne résultent pas d'événements ou de chocs irréguliers.

Par conséquent, il peut être plus difficile d'interpréter les variations des données désaisonnalisées lorsque les caractéristiques saisonnières sous-jacentes évoluent rapidement. Le cas échéant, les facteurs irréguliers peuvent avoir un effet important sur les estimations désaisonnalisées.

Cette question découle d'une idée fausse fréquente au sujet de la désaisonnalisation voulant qu'il s'agisse d'une technique dont le seul objet est d'éliminer des données les effets des changements météorologiques ou climatiques. La désaisonnalisation élimine des données mensuelles ou trimestrielles l'effet moyen ou prévu des effets saisonniers, et bon nombre de ces effets sont liés aux variations météorologiques ou climatiques. Mais il est plus exact de dire que les effets saisonniers ont trait à tous les aspects saisonniers (météorologiques et climatiques ou autres) susceptibles d'influer sur l'analyse de la tendance ou des effets cycliques dans les données.

La notion d'effet « moyen » mentionnée plus haut est importante, car la grandeur des ajustements saisonniers propres à une période est de nouveau fondée sur les tendances historiques. Si, dans l'ensemble, les conditions météorologiques ou climatiques reflètent les tendances historiques, on peut s'attendre à ce que les routines de désaisonnalisation éliminent relativement bien des données brutes les variations attribuables aux changements météorologiques ou climatiques. Par contre, les conditions météorologiques inhabituelles pour la saison, comme le printemps très chaud qu'a connu l'est du Canada en 2012, ne reflètent pas, par définition, le profil moyen et auront une incidence sur les estimations désaisonnalisées.

Pour désaisonnaliser les données des séries chronologiques infra-annuelles, Statistique Canada utilise la méthode X-12-ARIMA, qui s'appuie sur des techniques statistiques bien établies pour éliminer des données brutes les effets saisonniers et de calendrier réguliers. Bien que des options de rechange moins complexes puissent être utilisées, comme la comparaison des données originales à celles pour la même période l'année précédente, ces techniques présentent des limites lorsqu'il s'agit d'éliminer les effets de calendrier. Donc, Statistique Canada recommande d'utiliser les méthodes formelles établies pour traiter la saisonnalité. En pratique, la désaisonnalisation est effectuée conformément aux Lignes directrices de Statistique Canada concernant la qualité.

Comme il est mentionné en introduction, le présent document est un guide pratique destiné à offrir aux utilisateurs une perspective supplémentaire sur certaines questions relatives à l'utilisation et à l'interprétation des données désaisonnalisées. Il est conçu comme un complément à un article publié par Wyman (2010), dans lequel nombre de ces questions sont illustrées au moyen de données de Statistique Canada. En outre, les lecteurs pourraient trouver dans l'abondante littérature sur la désaisonnalisation un examen plus complet des questions présentées dans ce document.

Ladiray, D. et Quenneville B. (2001) Seasonal Adjustment with the X-11 Method, Springer-Verlag, Lecture Notes in Statistics, vol. 158. Une version française Désaisonnaliser avec la méthode X-11.

Statistique Canada (2009). Désaisonnalisation et estimation de la tendance-cycle, lignes directrices concernant la qualité, 5ième édition, no au catalogue 12-539-X.

Wyman, D. (2010), La désaisonnalisation et le repérage des tendances économiques, Statistique Canada : L'observateur économique canadien, mars 2010, no au catalogue 11-010-X.

Les lecteurs sont également invités à consulter les articles.

Le travail d'un statisticien-mathématicien

À Statistique Canada, nous produisons et interprètons un grand volume d'information statistique. Nous faisons l'échantillonnage, la collecte, l'acquisition, le nettoyage, l'appariement et l'analyse de données pour expliquer l'information statistique reliée à de nombreux aspects de l'économie et la société canadienne. Nous produisons des statistiques fondées sur des recensements à tous les cinq ans et sur de nombreuses enquêtes, mais aussi sur l'exploitation de nombreuses données provenant d'un très large éventail de sources. Nous développons et utilisons des solutions innovatrices incluant l'apprentissage automatisé et les mégadonnées, la théorie statistique de pointe et des méthodes statistiques avant-gardistes

Statistique Canada entreprend présentement une transformation substantielle. Les résultats de cette transformation permettront à Statistique Canada de répondre davantage aux besoins croissants en données et d'accroître les connaissances statistiques des canadiens, facilitant l'utilisation responsable de données pour la prise de décisions. Des méthodes statistiques innovantes n'ont jamais été aussi essentielles que maintenant à notre succès. Une main-d'oeuvre très compétente, talentueuse et diversifiée est au cœur de cette transformation et les statisticiens-mathématiciens jouent un rôle clé.

Les statisticiens-mathématiciens appliquent, adaptent et élaborent des méthodes mathématiques, statistiques ou d'enquêtes pour des problèmes pratiques. Ils explorent et adoptent des méthodes sophistiquées pour intégrer et transformer des sources de données alternatives en information statistique afin d'appuyer une prise de décision fondée sur des données probantes. Leur travail est primordial à Statistique Canada. La qualité des résultats et le coût des opérations dépendent grandement de la méthodologie utilisée.

Les tâches incluent la planification, la mise en œuvre et l'évaluation de méthodes statistiques liées à la production de statistiques officielles. Ce travail pourrait inclure du travail sur des enquêtes, une participation à des projets de recherche portant sur divers sujets liés aux méthodes statistiques, ou du travail sur de nouvelles méthodes telles que l'intégration des données provenant d'une variété de sources existantes ou l'utilisation de nouvelles méthodes pour les analyser. Les statisticiens-mathématiciens peuvent aussi être impliqués dans des projets visant à combiner les méthodes statistiques classiques et les méthodes avant-gardistes à la fine pointe de la technologie incluant l'exploration des méthodes d'apprentissage automatisé, d'intelligence artificielle, de microsimulation, d'échantillonnage non-probabiliste et de données modélisées et/ou synthétiques. Les statisticiens-mathématiciens font face à un large éventail de défis statistiques, autant théoriques et pratiques!

Statistique Canada développe normalement ses projets en équipes de projet multidisciplinaires. Ces équipes peuvent être constituées d'experts de divers domaines: domaine spécialisé (p. ex. économiste, sociologue, géographe), opérations d'enquête, développement des systèmes et méthodologie (statisticiens-mathématiciens). Cette structure requiert de la part des statisticiens-mathématiciens l'acquisition de certaines connaissances relatives au domaine du client dans le but de déterminer et de satisfaire ses besoins en méthodologie.

Au sein des équipes, le statisticien-mathématicien apporte son expertise, son expérience et son esprit analytique et critique sur les méthodes statistiques et d'enquête. Dans la structure de projet multidisciplinaire, le statisticien-mathématicien est d'abord un fournisseur de services. Le travail de statisticien-mathématicien est très diversifié. Il nécessite beaucoup de créativité et une grande capacité d'adaptation. Chaque statisticien-mathématicien travaille habituellement sur plusieurs projets ou activités à la fois. De plus, tout projet pose de nouveaux défis car les solutions existant dans les volumes peuvent rarement être appliquées directement. Les statisticiens-mathématiciens doivent constamment avoir recours à une combinaison équilibrée de recherche pure et empirique et à des travaux à caractère pratique afin d'élaborer et de mettre en place une méthodologie efficace et conforme aux critères scientifiques. Pour la majorité des statisticiens-mathématiciens, leur travail est relié aux activités méthodologiques bien que quelques-uns travaillent aussi du côté de la recherche.

La recherche

Comme tout organisme qui s'efforce d'être le meilleur dans sa sphère d'activités, Statistique Canada accorde une très grande importance à la recherche. Ainsi, l'organisme possède une longue et riche tradition de recherche dans le domaine des méthodes statistiques. En particulier, la recherche en méthodologie se concentre sur des développements qui permettront de satisfaire dans le futur la demande de meilleures statistiques à un coût moindre.

Qu'il s'agisse d'un problème spécifique à un projet ou de nature plus générale, Statistique Canada fournit le milieu et le soutien permettant à ses statisticiens-mathématiciens de se pencher sur les problèmes de recherche.

D'une part, les statisticiens-mathématiciens effectuent régulièrement des études théoriques et des simulations empiriques pour appuyer leurs services de méthodologie au sein des équipes de projet. D'autre part, ils exécutent des travaux de recherche portant sur plusieurs sujets liés aux méthodes statistiques tels que les méthodes d'estimation temporelle et spatiale, la variance non due à l'échantillonnage, la détection des valeurs aberrantes, l'étalonnage, l'interpolation et la calendarisation, l'analyse de données longitudinales et les séries chronologiques. Initialement, la recherche peut représenter une faible portion des tâches d'un statisticien-mathématicien. Par la suite, selon l'expérience acquise et l'intérêt du statisticien-mathématicien, la recherche peut devenir une de ses tâches principales.

Les résultats des recherches des statisticiens-mathématiciens peuvent être présentés à des conférences pertinentes et publiés dans des revues spécialisées. D'ailleurs, Statistique Canada publie lui-même une telle revue de réputation internationale : Techniques d'enquête.

Afin de promouvoir et de stimuler la recherche, Statistique Canada a mis sur pied un programme de bourses de recherche à l'intention des chercheurs de l'extérieur. De plus, Statistique Canada participe activement à des travaux de recherche qui sont réalisés conjointement avec des universités et des organismes statistiques d'autres pays.

Milieu de travail

À titre de nouvel employé, vous travaillerez étroitement avec un statisticien-mathématicien plus expérimenté ce qui vous permettra de développer une expérience de travail précieuse qui vous permettra d'enrichir vos compétences professionnelles.

Statistique Canada s'est engagé à offrir à ses employés un milieu de travail moderne et flexible et accorde une grande importance au mieux-être de ses employés. Nous disposons d'un éventail de programmes visant le respect de cette valeur. Ces programmes touchent des aspects qui sont au coeur de sa culture institutionnelle : santé et sécurité, respect et équité, flexibilité des horaires et assurance du mieux-être, de la reconnaissance et de l'appartenance.

La formation et le perfectionnement

Statistique Canada accorde la plus grande importance à la formation et au perfectionnement de ses employés. D'une part, le développement de leurs intérêts est encouragé et soutenus tout au long de leur carrière. D'autre part, nous offrons un programme de perfectionnement complet et bien organisé dans les deux langues officielles.

Notre programme de formation statistique est volumineux, varié et comprend des cours ou autres activités d'apprentissage de grande qualité. Dans le contexte actuel de modernisation à Statistique Canada, les mathématiciens-statisticiens doivent conserver le développement et le maintien de leurs capacités liées aux méthodes d'enquêtes traditionnelles, tout en faisant de la place aux méthodes avant-gardistes, liées à l'intégration et la science des données.

Un des objectifs de notre programme de formation et de perfectionnement est de bâtir une culture d'apprentissage productif. Les cours plus traditionnels en classe ne sont qu'un seul moyen d'atteindre ces objectifs d'apprentissage, et les outils d'apprentissage incluent aussi l'apprentissage autodirigé, informel et par expérience.

Cours internes

Plusieurs cours traitant de statistique et de méthodologie d'enquête sont offerts sur une base régulière par des professeurs invités ou des employés d'expérience de Statistique Canada. On y présente autant les concepts classiques que les résultats de recherches récentes. De plus, en guise de soutien technique et professionnel, une gamme complète de cours est offerte sur des sujets aussi variés que l'informatique, la gestion de projet, la supervision d'employés et les techniques de présentation.

Les nouveaux employés sont aussi appelés à participer au Cours d'exploration des habiletés d'enquête, d'une durée de deux semaines à temps plein. Ensemble, les participants ont à élaborer toutes les étapes d'une enquête portant sur une question socio-économique choisie à l'avance, ce qui augmente leurs connaissances des politiques, principes, complexités et interrelations inhérentes à la conception d'une enquête statistique. Cette formation pratique est accompagnée de séances en classe qui augmentent également les connaissances des méthodes et procédures d'enquête.

Séminaires, conférences et articles

Tous les statisticiens-mathématiciens sont encouragés à présenter les résultats de leurs travaux à des séminaires, à des conférences pertinentes à leur travail et aussi à soumettre des articles à des revues spécialisées. En plus de publier la revue Techniques d'enquête, l'organisme tient lui-même un symposium annuel portant sur un thème d'actualité lié aux méthodes statistiques.

Études universitaires

Statistique Canada encourage ses employés à continuer leur perfectionnement professionnel en suivant des cours pertinents à leur emploi. Trois universités dans la région d'Ottawa-Gatineau permettent aux employés de parfaire leurs connaissances. En plus des cours réguliers offerts par les universités locales, ils ont accès à des programmes qui ont été créés spécifiquement pour le personnel de Statistique Canada. Mentionnons également qu'à l'occasion, Statistique Canada autorise un employé à prendre un congé d'études pour entreprendre ou terminer un diplôme à temps plein en statistique ou dans un domaine relié à son travail.

Rémunération

En général, tous les candidats sont embauchés au niveau MA -2. Le salaire initial d'un statisticien-mathématicien est 67 476 $^{Note de bas de page *}. Après 16 à 24 mois d'expérience à Statistique Canada, le salaire atteint normalement le premier échelon du niveau MA-3. Des augmentations annuelles ont lieu à l'intérieur du niveau MA-3 jusqu'à l'atteinte du salaire maximum.

Un régime de pension agréé, un régime de soins dentaires, un régime de soins de santé, un régime d'assurance-invalidité et une assurance-vie font partie des avantages sociaux accordés aux employés de la fonction publique fédérale. En tant que nouvel employé, vous aurez droit chaque année à 20 jours de vacances, 15 jours de congés de maladie, 5 ours de congés pour obligations familiales et 2 congés personnels. Vous aurez également droit à un congé de maternité ou un congé parental ainsi qu'à un congé sans solde d'une durée maximale de 5 ans pour la garde des enfants ou des parents.

Qui est admissible

Les personnes résidant au Canada ainsi que les citoyens canadiens résidant à l'étranger. La préférence sera accordée aux vétérans, aux citoyens canadiens et aux résidents permanents.

Processus d'application

Étape 1 : Les candidats intéressés pourront postuler en ligne sur le site de la Commission de la fonction publique (Emplois au gouvernement du Canada)

• Fournissez les renseignements suivants :
  • votre curriculum vitae;
  • vos notes pour tous les cours déjà suivis à un établissement d'enseignement postsecondaire reconnu (avec codes et titres complets);
  • la liste des cours que vous suivez ou suivrez à un établissement d'enseignement postsecondaire reconnu pendant l'année scolaire en cours (avec codes et titres complets).

Étape 2 : Rédigez l'examen.

Étape 3 : Les candidats ayant réussi seront invités à une entrevue.

Vous devez être en mesure de fournir les documents suivants sur demande seulement :

• vos relevés de notes officiels d'établissements d'enseignement postsecondaire reconnus
• une preuve d'équivalence canadienne, si vous êtes titulaire de un ou plusieurs diplômes étrangers.

Qualifications et autres exigences

Les candidats doivent remplir les critères suivants :

• Un diplôme d'un établissement d'enseignement postsecondaire reconnu avec spécialisation :
  1. en mathématiques, en statistique ou en recherche opérationnelle ou
  2. dans une des sciences physiques, des sciences de la vie ou des sciences sociales en plus d'un nombre acceptable de cours (normalement 15 cours d'une session / approximativement 45 crédits) en mathématiques, statistique ou recherche opérationnelle à l'échelon d'un établissement d'enseignement postsecondaire reconnu.
• Application de la théorie et des techniques mathématiques ou statistiques (inclut sans s'y limiter, théorie des probabilités et distribution des variables aléatoires, tests d'hypothèses, analyse de variance, analyse de régression, analyse des données).
• Application des méthodes et concepts mathématiques, statistiques ou d'enquêtes (inclut sans s'y limiter, conception du questionnaire, plan d'échantillonnage, estimation).
• Faire preuve d'intégrité et de respect (agir avec transparence et équité).
• Réflexion approfondie (faire preuve de jugement et obtenir les faits pertinents avant de prendre une décision).
• Travailler efficacement avec les autres (comprendre le rôle, les responsabilités et la charge de travail des collègues et concilier ses besoins avec ceux des membres de son équipe).
• Faire preuve d'initiative et miser sur l'action (assumer des responsabilités et faire part de ses idées et opinions).
• Capacité à communiquer efficacement par écrit en français ou en anglais.

Foire aux questions

Consultez la foire aux questions.

Lectures proposées

En français

• ARDILLY, P. 1994. Les techniques de sondage, Technip.
• BROSSIER, G. et A.-M. DUSSAIX. 1999. Enquêtes et sondages : Méthodes, modèles, applications, nouvelles approches, Dunod.
• MORIN, H. 1992. Théorie de l'échantillonnage, Les Presses de l'Université Laval.
• SATIN, A. et W. SHASTRY. 1993. L'échantillonnage - Un guide non mathématique, 2^e édition, produit no 12-602F au catalogue de Statistique Canada, Ottawa.
• STATISTIQUE CANADA. 2003. Méthodes et pratiques d'enquête, produit no 12-587-XPF au catalogue de Statistique Canada, Ottawa.
• TILLÉ, Y. 2001. Théorie des sondages. Échantillonnage et estimation en populations finies, Dunod.

En anglais

• COCHRAN, W.G. 1977. Sampling Techniques, John Wiley & Sons.
• GOVINDARAJULU, Z. 1999. Elements of Sampling Theory and Methods, Prentice Hall.
• HANSEN, M., W. HURWITZ et W. MADOW. 1953. Sample Survey Methods and Theory, John Wiley and Sons.
• KISH, L. 1965. Survey Sampling, John Wiley & Sons.
• LEVY, P.S. et S. LEMESHOW. 1999. Sampling of Populations : Methods and Applications, John Wiley & Sons.
• LOHR, S.L. 1999. Sampling : Design and Analysis, Duxbury Press.
• RAJ, D. et P. CHANDHOK. 1998. Sample Survey Theory, Narosa Publishing House.
• RAO, P.S.R.S. 2000. Sampling Methodologies With Applications, Chapman and Hal.
• SARNDAL, C.E., B. SWENSSON et J. WRETMAN. 1992. Model-Assisted Survey Sampling, Springer-Verlag.
• SATIN, A. et W. SHASTRY. 1993. Survey Sampling: A Non-mathematical guide, 2^e édition, produit no 12-602E au catalogue de Statistique Canada, Ottawa.
• STATISTIQUE CANADA, 2003. Survey methods and practices, produit no 12-587-XPE au catalogue de Statistique Canada, Ottawa.
• THOMPSON, M.E. 1997. Theory of Sample Surveys, Chapman and Hall.
• THOMPSON, S.K. 1992. Sampling, John Wiley & Sons.

Exemples de questions pour l'examen écrit pour les statisticiens-mathématiciens

L'examen écrit est un examen évaluant les connaissances ET la capacité à communiquer par écrit. Il se divise en deux parties. La partie A contient une question visant à évaluer votre capacité de rédaction. La partie B évalue les connaissances et comporte des questions à choix multiples, des questions à réponse directe et une question à développement. Il n'y aura pas de pause entre les deux parties du test.

Vous trouverez ci-dessous des exemples de questions semblables à celles de l'examen.

Veuillez noter que les examens des années antérieures ne sont pas disponibles.

Partie A - Rédaction

Exemple 1
Rédigez une lettre de 200 à 300 mots au directeur du recrutement de Statistique Canada dans laquelle vous expliquez en quoi votre formation acquise, vos expériences de travail et vos aptitudes interpersonnelles font de vous un candidat ou une candidate de choix pour un poste de statisticien-mathématicien ou de statisticienne-mathématicienne.

Exemple 2
Les autorités de santé publique ont mené en 2002 et 2007 une enquête sur les habitudes de vie des citoyens de votre communauté. Le tableau suivant est extrait des résultats officiels de l'enquête :

À titre de journaliste affecté aux affaires locales, vous avez suivi le dossier depuis le début. Votre rédacteur en chef vous demande donc d'écrire un article pour votre journal expliquant les résultats de l'enquête à vos lecteurs.

Veuillez écrire cet article en utilisant 200 à 300 mots.

Partie B - Connaissances

Probabilité et statistique

1. Dans un lot de 10 pièces, on veut prélever un échantillon sans remise de taille 3. Combien d'échantillons différents peut-on prélever ?

Réponse : 10! / (7!*3!) = 10*9*8 / (3*2*1) = 120

2. La différence entre le paramètre que l'on désire estimer et l'espérance de son estimateur est __________.

Réponse : le biais

3. Soit X et Y, deux variables aléatoires indépendantes. Supposons que les espérances de X et Y sont E(X) = 8 et E(Y) = 3 et les variances respectives V(X) = 9 et V(Y) = 6. Soit Z défini comme suit : Z = 2X – 3Y +5. Alors la valeur de E(Z) est _____ et la valeur de V(Z) est _____.

Réponse : 12 et 90

4. Lequel des énoncés suivants relatifs à la loi du X² (Khi-deux) est toujours FAUX?

1. La distribution du X² est asymétrique.
2. La variance d'une variable aléatoire distribuée selon la loi du X² est le double de sa moyenne.
3. Si X₁ et X₂ sont deux variables aléatoires indépendantes de distribution X² avec n₁ et n₂ degrés de liberté respectivement, alors la variable Y = X₁ + X₂ a une distribution F (Fisher) avec n₁ et n₂ degrés de liberté.
4. Si X₁,…, X_n sont des variables aléatoires indépendantes distribuées selon la loi normale N(0,1), alor X₁²+…+ X_n² est distribué selon une loi du X² avec n degrés de liberté.
5. La loi du X² ne dépend que d'un seul paramètre.

Réponse : C

Échantillonnage

5. L'échantillonnage par grappes à un degré est plus précis que l'échantillonnage aléatoire simple lorsque ___________ est négative.

Réponse : la corrélation intra grappe

6. Pour l'estimation d'un total d'une variable d'intérêt, un échantillon de taille N/4, obtenu d'un plan d'échantillonnage à tirage simple sans remise, est considéré, où N est la taille de la population. On réévalue ensuite les besoins et on opte pour tirer un échantillon de taille N/2. De quel facteur se trouve-t-on à réduire la variance de cette estimation en augmentant la taille de l'échantillon de la sorte?

Réponse : 3

Mathématiques

7. L'inverse de la matrice $X=5\left[\begin{array}{cc}2& 5\\ 4& -1\end{array}\right]$ est ___________.

Réponse : $X^{-1}=\frac{1}{5}\left[\begin{array}{cc}\frac{1}{22}& \frac{5}{22}\\ \frac{2}{11}& \frac{-1}{11}\end{array}\right]$ou $X^{-1}=\left[\begin{array}{cc}\frac{1}{110}& \frac{1}{22}\\ \frac{2}{55}& \frac{-1}{55}\end{array}\right]$

Analyse de données

8. L'analyse en composantes principales a pour but principal de :

1. Diviser un ensemble d'observations multivariées en plusieurs classes.
2. Assigner une observation particulière d'un ensemble d'observations multivariéesà une classe.
3. Caractériser la structure de corrélation entre deux ensembles de variables en remplaçant ceux-ci par deux ensembles plus petits mais fortement corrélés.
4. Trouver les variables constituant les meilleurs prédicteurs pour l'ensemble des variables d'intérêts, parmi un ensemble de variables prédicteurs.
5. Expliquer la variabilité totale d'un grand ensemble de variables par un plus petit ensembles de variables transformées expliquant une grande part de la variabilité totale.

Réponse : E

Question à développement

9. La taille de l'échantillon est l'une des questions de base en planification d'enquêtes. À votre avis, quels éléments doivent être pris en compte pour fixer la taille de l'échantillon, et de quelle façon chacun de ces éléments affecte-t-il la taille de l'échantillon?

Témoignages

« Statistique Canada est un milieu de travail chaleureux et positif au sein duquel vous pouvez apprendre et vous perfectionner à titre de professionnel en science des données. Au moyen d'un vaste éventail de projets et de formations offertes, il existe de nombreuses occasions de créer et d'appliquer des méthodes liées à la science des données et à l'apprentissage automatique. »

« Statistique Canada offre une excellente culture en milieu de travail qui m'a permis de développer mes compétences de méthodologiste dans une ambiance accueillante et pleine de dynamisme. Les employés de Statistique Canada se stimulent mutuellement et s'appuient à titre de producteurs de données de qualité, d'apprenants permanents et de professionnels dévoués. »

« À Statistique Canada, mes projets m'offrent la possibilité de travailler sur diverses étapes d'une enquête en utilisant des méthodes statistiques d'avant-garde. De plus, c'est facile d'avoir un équilibre entre mon travail et ma vie personnelle. J'ai accès à des heures de travail flexibles, ce qui me donne la chance de participer à plusieurs activités à l'extérieur du travail. »

« J'ai toujours eu des intérêts et aptitudes variés : devenir auteur, professeur ou mathématicien? J'ai découvert qu'à StatCan je pouvais être tout ça, et même plus! Non seulement suis-je devenu expert dans la mise en œuvre du Bootstrap dans les enquêtes, mais je donne aussi de la formation sur des sujets techniques connexes aussi bien à l'interne qu'à l'extérieur de l'Agence. »

« J'adore mon emploi à Statistique Canada! J'ai l'occasion de travailler avec des collègues chevronnés sur une variété de projets intéressants et novateurs. Et ce, tout en continuant ma formation en statistique et en profitant d'une excellente conciliation travail-vie personnelle! »

« Travailler à Statistique Canada comble tous mes besoins : j'utilise ce que j'ai étudié pour œuvrer directement dans l'intérêt des canadiens et de la société, dans un environnement de travail plaisant et sain. De plus, je peux poursuivre mes initiatives de recherche et de collaboration internationale ce qui m'a permis de participer à de nombreuses conférences et de gagner le prix des jeunes statisticiens du International Association for Official Statistics en 2020. »

« J'ai été ravi de trouver un emploi qui me permet d'utiliser toutes les compétences acquises à l'université. Des projets novateurs, d'excellentes conditions de travail et de nombreuses possibilités d'avancement… Sans mentionner le groupe de collègues dynamiques avec lesquels j'ai la chance de travailler! Je suis comblé. »

« J'apprécie beaucoup mon travail au quotidien, particulièrement la recherche et le développement qui me permettent de mettre mes connaissances acquises à l'université au service de projets importants et novateurs. Par ailleurs, Statistique Canada est un employeur qui fait la promotion du bien-être en milieu de travail. J'aime venir travailler tous les jours! »

« À titre de statisticienne-mathématicienne, tous les jours j'ai l'occasion de me pencher sur des défis statistiques diversifiés, de nature théorique ou appliquée, en compagnie de nombreuses personnes talentueuses. Comme mère au travail, Statistique Canada me donne la flexibilité nécessaire pour élever ma famille, tout en continuant de faire des recherches dans des domaines de la statistique nouveaux et intéressants, et en interagissant avec des collègues de la statistique partout dans le monde. »

« La formation donnée à Statistique Canada m'a permis de poursuivre mon apprentissage, et ce, depuis le premier jour de travail, dans de nombreux domaines, y compris ma langue seconde, les compétences en supervision, la statistique et la programmation informatique. »

« Le parcours de carrière du groupe MA de Statistique Canada m'a non seulement donné accès à un emploi, mais aussi à une carrière. De recrue à méthodologiste principale, j'ai pu tracer ma propre voie et travailler à des projets qui m'intéressent et me stimulent. Je crois que Statistique Canada s'est réellement investi dans mon perfectionnement, même lorsque j'ai fondé une famille. »

Contactez notre équipe de recrutement

Notez que si vous nécessitez de l'aide avec le processus d'application en ligne, vous devez contacter la Commission de la fonction publique du Canada au 1-888-780-4444.

Contactez-nous au statcan.marecruitment-marecrutement.statcan@statcan.gc.ca.