Trendanalyse

Die Trendanalyse passt eines von vier Trendmodellen (Linear, Quadratic, Exponential Growth oder S-Curve) nach der Methode der kleinsten Quadrate an eine Zeitreihe an und schreibt es für künftige Perioden fort. Setzen Sie sie für Reihen mit langfristigem Trend und ohne starke Saisonalität ein. Die Reihe darf keine Lücken haben und braucht mindestens 4 Werte. Ausgabe: angepasste Gleichung, Prognosen ohne Prognosegrenzen sowie MAPE, MAD und MSD.

Zuletzt geprüft

Kernaussage

Die Trendanalyse passt einen linearen, quadratischen, exponentiellen oder S-förmigen Trend an eine Zeitreihe an und schreibt ihn für künftige Perioden fort, für Reihen mit langfristigem Trend und ohne starkes saisonales Muster.

Auf dieser Seite
  1. Zweck
  2. Wichtige Funktionen
  3. Statistische Methoden
  4. Eingabefelder und Optionen
  5. Beschreibung der Ausgabe
  6. Beispiel

Zweck

Die Trendanalyse passt eine Trendgerade oder -kurve an eine Zeitreihe an und schreibt sie für künftige Perioden fort. Sie beantwortet Fragen wie „Wie schnell wächst die Nachfrage pro Monat?“ oder „Wo wird dieser Verschleißmesswert in sechs Monaten liegen, wenn sich der Trend fortsetzt?“. Verwenden Sie sie für eine Reihe mit langfristigem Trend und ohne starkes saisonales Muster oder als ersten Überblick vor einem saisonalen Verfahren wie Decomposition oder Winters' Method.

Wichtige Funktionen

  • Vier Trendmodelle: Linear, Quadratic, Exponential Growth und S-Curve.
  • Angepasste Trendgleichung, Prognosen für beliebig viele Perioden sowie die Genauigkeitsmaße MAPE, MAD und MSD.
  • Zeitachse beschriftet über eine Datums- bzw. Zeitstempelspalte oder über die Zeilennummer.
  • Prognoseursprung, um von einer früheren Zeile aus zu prognostizieren und mit bekannten Daten zu vergleichen.
  • Gewichtete Trendanalyse: Schätzwerte einer früheren Anpassung werden mit den neuen gemischt.
  • Optionale Ergebnistabelle (Trend und trendbereinigter Wert je Periode) und Residuendiagramme (vier in einem).

Statistische Methoden

Der Zeitindex ist t = 1, 2, … n (die Zeilenreihenfolge). Linear passt Yt = b₀ + b₁·t an und Quadratic Yt = b₀ + b₁·t + b₂·t², beide nach der Methode der kleinsten Quadrate. Exponential Growth passt Yt = b₀·b₁ᵗ über eine Kleinste-Quadrate-Gerade auf den Logarithmus der Daten an, sodass b₁ der Wachstumsfaktor je Periode ist (1.01 = 1% je Periode). S-Curve passt die logistische Pearl-Reed-Kurve Yt = 10ᵃ / (b₀ + b₁·b₂ᵗ) nach der nichtlinearen Methode der kleinsten Quadrate an; sie flacht an einer Obergrenze ab. Exponential Growth und S-Curve erfordern, dass alle Werte größer als null sind.

Die Anpassungswerte sind die Trendwerte, und die Prognosen schreiben die Gleichung auf t = n + 1, n + 2 … fort (bzw. ab dem Prognoseursprung mit einem Trend, der an die Daten bis zu dieser Zeile angepasst wurde). Prognosegrenzen werden nicht angegeben. Genauigkeit: MAPE = Mittelwert von |Fehler / Daten| × 100, MAD = Mittelwert von |Fehler| und MSD = Mittelwert von Fehler², wobei Fehler = Daten − Trend; die trendbereinigten Werte in der Ergebnistabelle sind Daten − Trend (Daten / Trend bei Exponential Growth und S-Curve).

Gewichtete Trendanalyse: Geben Sie die Schätzwerte einer früheren Anpassung als Prior parameter values ein (b₀ b₁ …, in der Reihenfolge der Ausgabe). Jeder gemischte Schätzwert ist w × neu + (1 − w) × früher, mit w = 0.2 als Standard, sodass eine neue Datenperiode einen etablierten Trend behutsam aktualisiert, statt ihn zu ersetzen. Die Reihe darf keine Lücken haben und muss mindestens 4 Werte enthalten.

Eingabefelder und Optionen

Feld

Beschreibung

Variable (Y)

Pflichtfeld. Die numerische Reihe in zeitlicher Reihenfolge.

Time/stamp column

Optional. Beschriftet die Zeitachse (z. B. eine Monatsspalte); ohne Angabe wird die Zeilenreihenfolge (Index) verwendet. Die Anpassung ändert sich dadurch nicht.

Model type

Linear (Standard), Quadratic, Exponential Growth oder S-Curve.

Number of forecasts

Standard 0 (keine), bis zu 1000.

Forecast origin (row)

Optional, aktiv, wenn Prognosen angefordert werden. Die Prognosen beginnen nach dieser Zeile und verwenden die Daten bis dorthin; leer = Ende der Reihe.

Prior parameter values

Optional. Schätzwerte einer früheren Anpassung in der Reihenfolge der Ausgabe (b0 b1 …) für eine gewichtete Trendanalyse.

Weights for blending priors with new estimates

Aktiv, wenn frühere Werte eingegeben sind. Zwischen 0 und 1, einer je Schätzwert; leer = jeweils 0.2. Gemischt = w × neu + (1 − w) × früher.

Results to display

Summary table (Standard) oder Summary table and results table.

Residual plots (four in one)

Standardmäßig deaktiviert. Normalverteilungs-Wahrscheinlichkeitsnetz, Residuen gegen Anpassungswerte, Histogramm und Residuen gegen Reihenfolge.

Title

Titel der Ausgabe. Standard Trend Analysis.

trend-analysis-inputs


Abbildung 1 — Linearer Trend der monatlichen Sales, beschriftet nach Month, mit 12 Prognosen.

Beschreibung der Ausgabe

  • Trend Analysis (Grafik) — tatsächliche Daten, angepasster Trend und Prognosen, mit MAPE, MAD und MSD im Titel.
  • Method — Datenspalte, Länge und Modelltyp (bei Verwendung zusätzlich gewichtete Analyse und Prognoseursprung).
  • Fitted Trend Equation — die Gleichung mit ihren Schätzwerten.
  • Weighted Estimates — bei eingegebenen früheren Werten: Parameter, Prior, New, Weight und Blended.
  • Accuracy Measures — MAPE, MAD und MSD.
  • Forecasts — Periode und Prognose.
  • Results — wenn gewählt: Period, data, Trend und Detrend für jede Periode.
  • Residual Plots — wenn aktiviert.
  • PDF-Export über Download.

trend-analysis-output


Abbildung 2 — Eine Gerade durch 60 Monate Verkäufe: etwa 12 Einheiten mehr pro Monat.

Beispiel

Ein Distributor für Unterhaltungselektronik verkauft jedes Jahr mehr. Bevor der Vertriebsanalyst eine saisonale Prognose erstellt, stellt er die einfachste Frage: Wie schnell wachsen die monatlichen Verkäufe im Durchschnitt, und wo würde eine Gerade sie im Jahr 2025 sehen? Er hat 60 Monate Stückverkäufe (Januar 2020 bis Dezember 2024) und wählt Variable (Y) = Sales, Time/stamp column = Month, Model type = Linear und Number of forecasts = 12.

Der angepasste Trend ist Yt = 781.6 + 11.93×t: Die Verkäufe wachsen um etwa 12 Einheiten pro Monat bzw. etwa 143 pro Jahr. Die Gerade prognostiziert 1,509 für Januar 2025 (Periode 61), steigend auf 1,641 für Dezember 2025 (Periode 72). MAPE beträgt 7.4% (MAD 81.8 Einheiten): Die Monate liegen im Mittel 7.4% von der Geraden entfernt, überwiegend wegen der Saisonalität. Jeder Dezember liegt 191 bis 273 Einheiten über der Geraden (Dezember 2024: 1,759 gegenüber 1,497) und jeder Februar 123 bis 236 Einheiten darunter.

Für die Entscheidung bedeutet das: Die Gerade liefert eine belastbare Wachstumsrate, unterschätzt aber die Jahresendspitze und überschätzt die Delle zu Jahresbeginn. Das Modell Quadratic ergibt einen Krümmungsterm von nur 0.00093×t² und denselben MAPE (7.4%), das Wachstum ist also nahezu linear; Exponential Growth (1.08% pro Monat) passt mit MAPE 7.6% etwas schlechter. Für monatliche Prognosen, die der Saisonalität folgen, verwenden Sie für dieselben Daten Decomposition (MAPE 2.2%) oder Winters' Method.

Häufig gestellte Fragen

Wann sollte man eine Trendanalyse verwenden?

Verwenden Sie die Trendanalyse für eine Zeitreihe mit langfristigem Trend und ohne starkes saisonales Muster, zum Beispiel um zu sehen, wie schnell die Nachfrage pro Monat wächst oder wo ein Verschleißmesswert liegen wird, wenn sich der Trend fortsetzt. Sie ist auch ein nützlicher erster Überblick vor einem saisonalen Verfahren wie Decomposition oder Winters' Method.

Welche Trendmodelle stehen zur Verfügung?

Linear passt Yt = b0 + b1·t an, Quadratic fügt einen Term b2·t² hinzu, beide nach der Methode der kleinsten Quadrate. Exponential Growth passt Yt = b0·b1^t an, wobei b1 der Wachstumsfaktor je Periode ist. S-Curve passt die logistische Pearl-Reed-Kurve an, die an einer Obergrenze abflacht. Exponential Growth und S-Curve erfordern, dass alle Werte größer als null sind.

Liefert die Trendanalyse Prognoseintervalle?

Nein. Die Prognosen schreiben die angepasste Gleichung auf künftige Perioden fort, Prognosegrenzen werden jedoch nicht angegeben. Die Anpassung wird mit MAPE, MAD und MSD beurteilt, die auf den Fehlern zwischen Daten und Trend beruhen. Ein großer MAPE bei saisonalen Daten zeigt, dass ein saisonales Verfahren erforderlich ist.

Was ist eine gewichtete Trendanalyse?

Die gewichtete Trendanalyse mischt die Schätzwerte einer früheren Anpassung mit neuen. Jeder gemischte Schätzwert ist w mal dem neuen Schätzwert plus (1 - w) mal dem früheren, mit w = 0.2 als Standard, sodass eine neue Datenperiode einen etablierten Trend behutsam aktualisiert, statt ihn zu ersetzen.