Analyse de tendance
Trend Analysis ajuste l'un de quatre modèles de tendance (Linear, Quadratic, Exponential Growth ou S-Curve) à une série temporelle par les moindres carrés et le prolonge pour prévoir les périodes futures. Utilisez-le pour des séries avec une tendance à long terme et sans forte saison. La série ne doit pas avoir de trous et compter au moins 4 valeurs. Les résultats sont l'équation ajustée, les prévisions sans limites de prédiction, et MAPE, MAD et MSD.
Dernière révision
Point clé
L'analyse de tendance ajuste une tendance linéaire, quadratique, exponentielle ou en courbe en S à une série temporelle et la prolonge pour prévoir les périodes futures, pour des séries à tendance longue sans forte saisonnalité.
Sur cette page
Objectif
Trend Analysis ajuste une droite ou une courbe de tendance à une série temporelle et la prolonge pour prévoir les périodes futures. Il répond à des questions comme « à quelle vitesse la demande croît-elle chaque mois ? » ou « où en sera cette mesure d'usure dans six mois si la tendance se poursuit ? ». Utilisez-le pour une série avec une tendance à long terme et sans forte saisonnalité, ou comme premier regard avant une méthode saisonnière comme la décomposition ou la méthode de Winters.
Principales fonctionnalités
- Quatre modèles de tendance : Linear, Quadratic, Exponential Growth et S-Curve.
- Équation de tendance ajustée, prévisions pour un nombre quelconque de périodes, et mesures de précision MAPE, MAD et MSD.
- Axe du temps étiqueté à partir d'une colonne de dates ou d'horodatages, ou par numéro de ligne.
- Forecast origin pour prévoir à partir d'une ligne antérieure et comparer avec les données connues.
- Analyse de tendance pondérée : combine les estimations d'un ajustement précédent avec les nouvelles.
- Tableau de résultats facultatif (tendance et valeur sans tendance pour chaque période) et graphiques des résidus quatre-en-un.
Méthodes statistiques
L'indice de temps est t = 1, 2, … n (l'ordre des lignes). Linear ajuste Yt = b₀ + b₁·t et Quadratic ajuste Yt = b₀ + b₁·t + b₂·t², tous deux par les moindres carrés. Exponential Growth ajuste Yt = b₀·b₁ᵗ par une droite des moindres carrés sur le logarithme des données ; b₁ est donc le facteur de croissance par période (1.01 = 1 % par période). S-Curve ajuste la courbe logistique de Pearl-Reed Yt = 10ᵃ / (b₀ + b₁·b₂ᵗ) par les moindres carrés non linéaires, qui se stabilise à une limite supérieure. Exponential Growth et S-Curve exigent que toutes les valeurs soient supérieures à zéro.
Les valeurs ajustées sont les valeurs de tendance, et les prévisions prolongent l'équation à t = n + 1, n + 2 … (ou à partir de l'origine de prévision, avec une tendance ajustée aux données jusqu'à cette ligne). Aucune limite de prédiction n'est donnée. Précision : MAPE = moyenne de |erreur / donnée| × 100, MAD = moyenne de |erreur| et MSD = moyenne de erreur², où erreur = donnée − tendance ; les valeurs sans tendance du tableau de résultats sont donnée − tendance (donnée / tendance pour Exponential Growth et S-Curve).
Analyse de tendance pondérée : saisissez les estimations d'un ajustement précédent comme Prior parameter values (b₀ b₁ …, dans l'ordre des résultats). Chaque estimation combinée vaut w × nouvelle + (1 − w) × antérieure, avec w = 0.2 par défaut, de sorte qu'une nouvelle période de données met à jour une tendance établie en douceur au lieu de la remplacer. La série ne doit pas avoir de trous et compter au moins 4 valeurs.
Champs de saisie et options
Champ | Description |
Variable (Y) | Obligatoire. La série numérique, dans l'ordre chronologique. |
Time/stamp column | Facultatif. Étiquette l'axe du temps (par ex. une colonne de mois) ; l'ordre des lignes (Index) est utilisé si le champ est vide. Elle ne modifie pas l'ajustement. |
Model type | Linear (par défaut), Quadratic, Exponential Growth ou S-Curve. |
Number of forecasts | 0 par défaut (aucune), jusqu'à 1000. |
Forecast origin (row) | Facultatif, actif lorsque des prévisions sont demandées. Les prévisions commencent après cette ligne, avec les données jusqu'à celle-ci ; vide = fin de la série. |
Prior parameter values | Facultatif. Estimations d'un ajustement précédent, dans l'ordre des résultats (b0 b1 …), pour une analyse de tendance pondérée. |
Weights for blending priors with new estimates | Actif lorsque des valeurs antérieures sont saisies. Entre 0 et 1, une par estimation ; vide = 0.2 chacune. Combinée = w × nouvelle + (1 − w) × antérieure. |
Results to display | Summary table (par défaut) ou Summary table and results table. |
Residual plots (four in one) | Décochée par défaut. Droite de probabilité normale, résidus en fonction des valeurs ajustées, histogramme et résidus en fonction de l'ordre. |
Title | Titre des résultats. Par défaut Trend Analysis. |

Figure 1 — Tendance linéaire des ventes mensuelles (Sales), étiquetées par Month, avec 12 prévisions.
Description des résultats
- Trend Analysis (graph) — données réelles, tendance ajustée et prévisions, avec MAPE, MAD et MSD dans le titre.
- Method — colonne de données, longueur et type de modèle (plus l'analyse pondérée et l'origine de prévision lorsqu'elles sont utilisées).
- Fitted Trend Equation — l'équation avec ses estimations.
- Weighted Estimates — lorsque des valeurs antérieures sont saisies : Parameter, Prior, New, Weight et Blended.
- Accuracy Measures — MAPE, MAD et MSD.
- Forecasts — période et prévision.
- Results — lorsqu'il est choisi : Period, données, Trend et Detrend pour chaque période.
- Residual Plots — lorsque la case est cochée.
- Export PDF via Download.

Figure 2 — Une droite à travers 60 mois de ventes : environ 12 unités de plus chaque mois.
Exemple résolu
Un distributeur d'électronique grand public vend davantage chaque année. Avant de construire une prévision saisonnière, l'analyste des ventes pose la question la plus simple : à quelle vitesse les ventes mensuelles croissent-elles en moyenne, et où une droite les placerait-elle en 2025 ? Il dispose de 60 mois de ventes unitaires (janvier 2020 à décembre 2024) et sélectionne Variable (Y) = Sales, Time/stamp column = Month, Model type = Linear et Number of forecasts = 12.
La tendance ajustée est Yt = 781.6 + 11.93×t : les ventes croissent d'environ 12 unités par mois, soit environ 143 par an. La droite prévoit 1,509 pour janvier 2025 (période 61), jusqu'à 1,641 pour décembre 2025 (période 72). Le MAPE est de 7.4 % (MAD 81.8 unités) : les mois s'écartent en moyenne de 7.4 % de la droite, surtout à cause de la saison. Chaque mois de décembre se situe 191 à 273 unités au-dessus de la droite (décembre 2024 : 1,759 contre 1,497) et chaque mois de février 123 à 236 unités en dessous.
Pour la décision, cela signifie que la droite donne un taux de croissance fiable mais sous-estimera le pic de fin d'année et surestimera le creux de début d'année. Le modèle Quadratic donne un terme de courbure de seulement 0.00093×t² et le même MAPE (7.4 %) ; la croissance est donc proche d'une droite ; Exponential Growth (1.08 % par mois) s'ajuste un peu moins bien, avec un MAPE de 7.6 %. Pour des prévisions mensuelles qui suivent la saison, utilisez la décomposition (MAPE 2.2 %) ou la méthode de Winters sur les mêmes données.
Questions fréquentes
Quand utiliser l'analyse de tendance ?
Utilisez l'analyse de tendance pour une série temporelle avec une tendance à long terme et sans forte saisonnalité, par exemple pour voir à quelle vitesse la demande croît chaque mois ou où en sera une mesure d'usure si la tendance se poursuit. C'est aussi un premier regard utile avant une méthode saisonnière comme la décomposition ou la méthode de Winters.
Quels modèles de tendance sont disponibles ?
Linear ajuste Yt = b0 + b1·t et Quadratic ajoute un terme b2·t², tous deux par les moindres carrés. Exponential Growth ajuste Yt = b0·b1^t, où b1 est le facteur de croissance par période. S-Curve ajuste la courbe logistique de Pearl-Reed, qui se stabilise à une limite supérieure. Exponential Growth et S-Curve exigent que toutes les valeurs soient supérieures à zéro.
L'analyse de tendance donne-t-elle des intervalles de prédiction ?
Non. Les prévisions prolongent l'équation ajustée aux périodes futures, mais aucune limite de prédiction n'est donnée. La qualité de l'ajustement est jugée avec MAPE, MAD et MSD, fondés sur les erreurs entre les données et la tendance. Un MAPE élevé sur des données saisonnières montre qu'une méthode saisonnière est nécessaire.
Qu'est-ce que l'analyse de tendance pondérée ?
L'analyse de tendance pondérée combine les estimations d'un ajustement précédent avec les nouvelles. Chaque estimation combinée vaut w fois la nouvelle estimation plus (1 - w) fois l'antérieure, avec w = 0.2 par défaut, de sorte qu'une nouvelle période de données met à jour une tendance établie en douceur au lieu de la remplacer.
