Curriculum vitæ

Expérience professionnelle

2024-

Chef de secteur Synthèse, tableaux des opérations financières et dette publique, DGFIP, Paris.

2021-2024

Chargé d’études macroéconomiques, Insee, Paris.

Été 2020

Stagiaire dans la cellule Recherche et Développement de la NBB (National Bank of Belgium), Bruxelles, Belgique.

2017 - 2019

Méthodologue sur les corrections des variations saisonnières, Insee, Paris.

2019 -

Référé des revues Statéco, Journal of Official Statistics, Statistical Journal of the IAOS et International Journal of Operational Research.

2015 - 2017

Responsable du suivi de l’activité conjoncturelle dans l’industrie, Insee, Paris.

Été 2013

Stagiaire dans le service des relations internationales de l’INE (Instituto Nacional de Estadística), Madrid, Espagne.

Formation

2020 -

Doctorant à l’École Doctorale de Gestion et d’Economie (EDGE), Laboratoire d’Économie et de Management de Nantes Atlantique (LEMNA).

  • Détection en temps réels des points de retournement : apport de l’utilisation des filtres asymétriques dans l’analyse conjoncturelle.
  • Sous la direction d’Olivier Darné (LEMNA) et Dominique Ladiray (Insee).

2019 - 2021

École Nationale de la Statistique et de l’Administration Économique (ENSAE), voie Data Science, Statistique et Apprentissage

2014 - 2015

Master 2 de statistique-économétrie, spécialité statistique publique, parcours études statistiques, ENSAI / Université Rennes 1.

2013 - 2014

Licence Sciences des organisations et des marchés, mention économie appliquée, Université Paris-Dauphine.

2012 - 2013

Licence Sciences, technologies, santé, mention mathématiques, Université Rennes 1.

2012 - 2014

École Nationale de la Statistique et de l’Analyse de l’Information (ENSAI).

2010 - 2012

Classes préparatoires aux grandes écoles, filière MPSI (Maths, Physique, Sciences de l’Ingénieur) puis MP* (Mathématiques Physique), option informatique, Lycée Carnot, Dijon.

Publications / Interventions

Publications

  • Quartier-la-Tente A. (2024), « Utilisation de modèles de régression à coefficients variant dans le temps pour la prévision conjoncturelle », Document de travail de l’Insee.

    Cette étude décrit trois méthodes d’estimation de modèles de régression linéaire avec des coefficients variant dans le temps : régression par morceaux, régression locale et régression avec coefficients stochastiques (modélisation espace-état). Elle détaille également leur implémentation sous R grâce au package tvCoef. À travers une analyse comparative sur une trentaine de modèles de prévision trimestrielle, nous montrons que l’utilisation de ces méthodes, notamment par la modélisation espace-état, réduit les erreurs de prévision lorsque des ruptures sont présentes dans les coefficients. Par ailleurs, même lorsque les tests classiques concluent à la constance des coefficients, la régression avec coefficients stochastiques peut permettre de réduire les erreurs de prévision. Cependant, les incertitudes liées à l’estimation de certains hyperparamètres peuvent augmenter les erreurs de prévision en temps réel, en particulier pour la régression locale. Ainsi, une analyse économique des paramètres estimés demeure essentielle.

    Cette étude est entièrement reproductible et tous les codes utilisés sont disponibles sous https://github.com/InseeFrLab/DT-tvcoef.

  • Abbas R., Carnot N., Lequien M., Quartier-la-Tente A., Roux S. (2024), « En chemin vers la neutralité carbone. Mais quel chemin ? », Document de travail de l’Insee.

    Avec un modèle de choix optimal d’investissement – ou d’échouage – en capital brun, émetteur de gaz à effet de serre, ou vert, sans émissions, nous décrivons les transitions optimales vers la neutralité carbone qui respectent des contraintes climatiques de type plafonds ponctuels d’émissions (Fit for 55) ou budget carbone. Nous montrons que :

    1. un échouage anticipé ne peut pas se produire avec des cibles ponctuelles ;

    2. pour limiter le réchauffement à un niveau donné, introduire explicitement cette contrainte sous la forme d’un budget carbone restant minimise le coût économique associé, induisant un échouage initial élevé avec des budgets limités. Des plafonds d’émissions réguliers dès la première année, et choisis à partir des émissions de cette trajectoire optimale, entraînent une trajectoire proche ;

    3. à cumul d’émissions donné, retarder la transition augmente les coûts et l’échouage ;

    4. l’investissement total durant et après la transition est inférieur à celui de l’état initial.

    Tous les codes utilisés sont disponibles sous https://github.com/InseeFrLab/DT-way-to-net-zero.

  • Quartier-la-Tente A. (2024), « Estimation en temps réel de la tendance-cycle : apport de l’utilisation des moyennes mobiles asymétriques », Document de travail méthodologique de l’Insee.

    Cette étude s’intéresse à différentes méthodes de construction de moyennes mobiles pour l’estimation en temps réel de la tendance-cycle et la détection rapide des points de retournement. Nous proposons une comparaison des principales méthodes, en s’appuyant sur une formulation générique de construction de moyennes mobiles. Nous décrivons également deux prolongements possibles aux filtres polynomiaux locaux : l’ajout d’un critère permettant de contrôler le déphasage (délai dans la détection des points de retournement) et une façon de paramétriser localement ces filtres. La comparaison empirique des méthodes montre que : les problèmes d’optimisation de filtres issus des espaces de Hilbert à noyau reproduisant (RKHS) augmentent le déphasage et les révisions des estimations de la tendance-cycle ; modéliser des tendances polynomiales trop complexes introduit plus de révisions sans diminuer le déphasage ; pour les filtres polynomiaux, une paramétrisation locale permet une réduction des révisions et du délai de détection des points de retournement.

    Cette étude est entièrement reproductible et tous les codes sont disponibles sous https://github.com/InseeFrLab/DT-est-tr-tc.

  • Abbas R., Carnot N., Lequien M., Quartier-la-Tente A., Roux S. (2023), contribution au rapport Mahfouz - Pisani-Ferry sur l’effet macro-économique de la transition bas carbone, rapport de synthèse p79-81 et rapport thématique sur le marché du travail p47-57.

  • Babet D., Lequien M., Quartier-la-Tente A. (2022), « L’apport des modèles macroéconomiques pour simuler les effets du renchérissement des prix d’importation de l’énergie », Note de conjoncture, mars, p. 16-18.

  • Quartier-la-Tente A. (2022), « Estimation en temps réel de la tendance-cycle : apport de l’utilisation des filtres asymétriques dans la détection des points de retournement », 14e Journées de Méthodologie Statistique.

  • Ladiray D. et Quartier-la-Tente A. (2018), « Du bon usage des modèles Reg-ARIMA en désaisonnalisation », 13e Journées de Méthodologie Statistique.

    Les modèles de régression avec erreurs ARIMA (Reg-ARIMA) sont aujourd’hui largement utilisés en désaisonnalisation. Ils permettent notamment d’enlever certains effets déterministes présents dans la série (points atypiques, ruptures, effets de calendrier) avant de la décomposer en tendance-cycle, saisonnalité et irrégulier.

    Les principaux logiciels d’ajustement saisonnier (X-13ARIMA-SEATS, TRAMO-SEATS, JDemetra+) mettent en œuvre ces modèles de façon automatique et conviviale. Cette facilité cache en fait une complexité réelle et dans certains cas un manque de robustesse qui peut échapper à l’utilisateur… et aux tests statistiques.

    Dans cette article, nous illustrons les réelles difficultés de mise en œuvre de ces modèles à travers des cas concrets : l’estimation d’un effet d’année bissextile, l’estimation de ruptures et l’identification d’un modèle ARIMA.

  • Pham H. et Quartier-la-Tente A. (2018), « Désaisonnaliser les séries très longues par sous-période, gains et choix de la longueur de traitement », 13e Journées de Méthodologie Statistique.

    Sur longue période, les institutions, les normes de sociétés ainsi que les comportements des agents économiques évoluent, induisant des changements dans la dynamique des séries écono- miques que l’on étudie. Ainsi, on admet l’idée que les séries temporelles d’une longueur dépassant les 20 années présentent en général un profil changeant. Ces changements pouvant concerner les effets de calendrier (activités les dimanches et jours fériés par exemple), la saisonnalité ou la corrélation temporelle entre observations éloignées modélisée par une fonction ARIMA. Dans ce cas, réaliser une désaisonnalisation sur les séries longues risque de produire des résultats sous-optimaux, en particulier sur les périodes les plus récentes et les plus anciennes.

    Le premier objectif de cet article est d’examiner si couper les séries longues permet effectivement d’améliorer la qualité de la désaisonnalisation. Les résultats qui sont présentés s’appuient sur une étude empirique des séries de l’indice de la production industrielle (IPI) qui sont longues de 27 années, de janvier 1990 à décembre 2017. En coupant ces séries en deux sous-périodes au point de janvier 2005 afin de désaisonnaliser par sous-période, nous constatons que la qualité de la phase de pré-ajustement s’améliore. Cette phase concerne la détection des outliers, la cor- rection des effets de calendrier et l’estimation d’un modèle ARIMA. En revanche, on constate qu’il n’y a pas de différence sur l’appréciation de la qualité de la décomposition réalisée par la méthode non-paramétrique X11, quand bien même les résultats de la décomposition obtenus sont différents.

    Par ailleurs, le choix de la date de coupure est lui-même un problème à résoudre. Ce choix peut être guidé par des informations sur les changements de gestion des données, sur les révisions de méthodes statistiques appliquées, sur les chocs connus de nature économique et institutionnelle ou encore il peut simplement résulter de contraintes de production. Autrement dit, le choix peut être effectué à l’aide d’informations qualitatives existant en dehors des données et de manière indépendantes des données. L’autre objectif de cet article est justement d’examiner s’il est possible de proposer un moyen de choisir une date de coupure qui soit fondée sur l’étude des données.

  • Dortet-Bernadet V., Lenseigne F., Parent C., Quartier-la-Tente A., Stoliaroff-Pépin A-M. et Plouhinec C. (2016), « Après deux ans de turbulences, le secteur aéronautique français peut redécoller », Note de conjoncture, décembre, p. 19-37.

    L’objectif de ce dossier est d’analyser la conjoncture récente du secteur aéronautique. Ses effets d’entraînement sur l’activité nationale française s’y révèlent plus importants qu’ailleurs et l’économie française s’avère la plus dépendante aux fluctuations de la demande mondiale d’avions. Pourtant, la construction aéronautique française n’a pas profité du récent essor du trafic aérien et s’est repliée en 2014 et 2015. Ce repli tient à la fois à des problèmes d’offre (constructeurs et équipementiers à la limite de leur capacité de production, problèmes d’approvisionnement) et de demande (notamment pour les avions d’affaires et d’hélicoptères). Toutefois, ces problèmes semblent se résoudre peu à peu fin 2016 : production et exportations aéronautiques peuvent maintenant redécoller, ne serait-ce que pour rattraper le retard accumulé dans les livraisons.

  • Glotain M. et Quartier-la-Tente A. (2015), « De nouveaux indicateurs de climats des affaires sous-sectoriels pour améliorer le diagnostic conjoncturel », Note de conjoncture, juin, p. 35-56.

    L’objectif de ce dossier est de proposer de nouveaux indicateurs de climats des affaires pour améliorer le diagnostic conjoncturel. Ces indicateurs synthétiques permettent de résumer l’information commune aux soldes d’opinion collectés dans les enquêtes de conjoncture. En plus du climat des affaires « France » des climats pour les principaux secteurs marchands (industrie, bâtiment, commerce, services) étaient déjà publiés. Dans ce dossier, une désagrégation plus importante encore est proposée, avec des climats sous-sectoriels. Dans l’industrie, cela permet de distinguer par exemple le climat dans l’agroalimentaire et celui dans l’automobile. Ces climats sous-sectoriels apportent une information pertinente pour l’analyse : ils améliorent la lecture des soldes d’opinion ; ils permettent d’obtenir des prévisions satisfaisantes de l’activité des sous-branches correspondantes ; ils fournissent également, pour l’industrie dans son ensemble, des prévisions plus précises que les modèles utilisés jusqu’à présent. Ces nouveaux indicateurs de climats sous-sectoriels sont depuis systématiquement publiés dans les publications sur les enquêtes de conjoncture.

  • Quartier-la-Tente A. (2015), « Dans quelle mesure l’intégration d’informations sous-sectorielles permet-elle d’améliorer la qualité de la prévision de la production manufacturière ? », mémoire de master, miméo.

Interventions

Enseignements

2023-

Cours d’algèbre pour la préparation du concours interne d’administrateurs de l’Insee (32h), Paris.

2022-

Analyse des séries temporelles avec , CEPE, Paris.

2021 - 2022

Chargé de travaux pratiques d’analyse des séries temporelles, ENSAE, Paris.

2021

Désaisonnalisation avec JDemetra+ et RJDemetra (24h), RTE, Paris.

2019-

Formation désaisonnaliser une série temporelle (24h), CEPE, Paris.

2017 - 2019

Formations sur la correction des variations saisonnières et des jours ouvrables (CVS-CJO), Insee, Paris.

2016

Chargé de travaux pratiques d’initiation à , ENSAE, Paris.

Coopérations

Maurice (2023)

Assistance technique sur la production d’indicateurs mensuels d’activité économiques (IMAE).

Cameroun (2023)

Assistance technique sur la production de comptes nationaux trimestriels désaisonnalisés et corrigés des effets jours ouvrables.

Togo (2023)

Assistance technique sur la production de comptes nationaux trimestriels et d’indicateurs mensuels d’activité économiques désaisonnalisés et corrigés des effets jours ouvrables.

Mauritanie (2022)

Assistance technique sur la construction d’indice de production industrielle (IPI) et sur la désaisonnalisation

Macédoine du Nord (2022)

Assistance technique sur les prévisions de liquidités auprès de la Banque centrale de Macédoine du Nord.

Honduras (2022)

Assistance technique sur les prévisions de liquidités auprès de la Banque centrale du Honduras.

Sénégal (2020)

Formation sur le traitement et la prévision de séries temporelles avec le logiciel , BCEAO.

Europe (2017-)

Membre du centre d’excellence en désaisonnalisation d’Eurostat : réflexions sur les méthodes de désaisonnalisation ; développement de packages R autour de JDemetra+, maintenance et distribution. Assistance technique à plusieurs pays européens.

Paris (2018)

Assistance technique à une délégation serbe sur les méthodes de désaisonnalisation.

Sénégal (2017)

Formation sur la construction de modèles de prévisions et d’indicateurs synthétiques, BCEAO, Dakar, et Insee, Paris.

Paris (2016)

Assistance technique à une délégation serbe sur l’utilisation des enquêtes de conjoncture pour la prévision.