추세 분석(Trend Analysis)
추세 분석은 네 가지 추세 모형(Linear, Quadratic, Exponential Growth 또는 S-Curve) 중 하나를 최소제곱법으로 시계열에 적합하고 이를 연장하여 미래 기간을 예측합니다. 장기 추세가 있고 뚜렷한 계절성이 없는 시계열에 사용합니다. 시계열에는 결측이 없어야 하며 값이 4개 이상 필요합니다. 출력은 적합된 방정식, 예측 한계가 없는 예측값, MAPE, MAD, MSD입니다.
최종 검토
핵심 요점
추세 분석은 시계열에 선형, 2차, 지수 성장 또는 S-곡선 추세를 적합하고 이를 연장하여 미래 기간을 예측하며, 장기 추세가 있고 뚜렷한 계절 패턴이 없는 시계열에 사용합니다.
목적
추세 분석은 시계열에 추세선 또는 추세 곡선을 적합하고 이를 연장하여 미래 기간을 예측합니다. “매달 수요가 얼마나 빠르게 증가하고 있는가?” 또는 “추세가 계속되면 이 마모 측정값은 6개월 후 어디에 있을까?”와 같은 질문에 답합니다. 장기 추세가 있고 뚜렷한 계절 패턴이 없는 시계열에 사용하거나, 분해나 Winters 방법과 같은 계절 방법을 적용하기 전에 먼저 살펴보는 용도로 사용합니다.
주요 기능
- 네 가지 추세 모형: Linear, Quadratic, Exponential Growth, S-Curve.
- 적합된 추세 방정식, 원하는 기간 수만큼의 예측값, MAPE, MAD, MSD 정확도 척도.
- 날짜 또는 타임스탬프 열이나 행 번호로 시간 축에 레이블을 붙입니다.
- Forecast origin으로 이전 행에서 예측을 시작하여 알려진 데이터와 비교할 수 있습니다.
- 가중 추세 분석: 이전 적합의 추정값과 새로운 추정값을 혼합합니다.
- 선택 사항인 결과 표(각 기간의 추세와 추세 제거 값)와 4-in-1 잔차 그림.
통계적 방법
시간 지수는 t = 1, 2, … n(행 순서)입니다. Linear는 Yt = b₀ + b₁·t를, Quadratic은 Yt = b₀ + b₁·t + b₂·t²를 적합하며, 둘 다 최소제곱법을 사용합니다. Exponential Growth는 데이터의 로그에 최소제곱 직선을 적합하여 Yt = b₀·b₁ᵗ를 적합하므로 b₁은 기간당 성장 계수입니다(1.01은 기간당 1%). S-Curve는 비선형 최소제곱법으로 Pearl-Reed 로지스틱 곡선 Yt = 10ᵃ / (b₀ + b₁·b₂ᵗ)를 적합하며, 이 곡선은 상한에서 평평해집니다. Exponential Growth와 S-Curve는 모든 값이 0보다 커야 합니다.
적합값은 추세 값이며, 예측값은 방정식을 t = n + 1, n + 2 …로 연장합니다(또는 예측 시작 지점부터, 해당 행까지의 데이터에 적합한 추세를 사용). 예측 한계는 제공하지 않습니다. 정확도: MAPE = 평균 |오차 / 데이터| × 100, MAD = 평균 |오차|, MSD = 평균 오차²이며, 오차 = 데이터 − 추세입니다. 결과 표의 추세 제거 값은 데이터 − 추세입니다(Exponential Growth와 S-Curve는 데이터 / 추세).
가중 추세 분석: 이전 적합의 추정값을 Prior parameter values(b₀ b₁ …, 출력 순서)로 입력합니다. 혼합된 각 추정값은 w × 새 값 + (1 − w) × 이전 값이며 w의 기본값은 0.2이므로, 새로운 기간의 데이터가 확립된 추세를 대체하지 않고 완만하게 갱신합니다. 시계열에는 결측이 없어야 하며 값이 4개 이상 필요합니다.
입력 항목 및 옵션
항목 | 설명 |
Variable (Y) | 필수 항목입니다. 시간 순서대로 정렬된 수치형 시계열입니다. |
Time/stamp column | 선택 항목입니다. 시간 축에 레이블을 붙입니다(예: 월 열). 비워 두면 행 순서(Index)를 사용합니다. 적합에는 영향을 주지 않습니다. |
Model type | Linear(기본값), Quadratic, Exponential Growth 또는 S-Curve. |
Number of forecasts | 기본값 0(없음), 최대 1000. |
Forecast origin (row) | 선택 항목이며 예측을 요청했을 때 활성화됩니다. 이 행 다음부터 그 행까지의 데이터를 사용하여 예측하며, 비워 두면 시계열의 끝입니다. |
Prior parameter values | 선택 항목입니다. 가중 추세 분석을 위한 이전 적합의 추정값으로, 출력 순서(b0 b1 …)입니다. |
Weights for blending priors with new estimates | 이전 값을 입력하면 활성화됩니다. 0과 1 사이이며 추정값마다 하나씩 입력하고, 비워 두면 각각 0.2입니다. 혼합 값 = w × 새 값 + (1 − w) × 이전 값. |
Results to display | Summary table(기본값) 또는 Summary table and results table. |
Residual plots (four in one) | 기본값은 선택 해제입니다. 정규 확률도, 잔차 대 적합값, 히스토그램, 잔차 대 순서입니다. |
Title | 출력의 제목입니다. 기본값은 Trend Analysis입니다. |

그림 1 — Month로 레이블을 붙인 월별 Sales의 선형 추세와 12개 예측값.
출력 설명
- Trend Analysis (graph) — 실제 데이터, 적합된 추세, 예측값이며 제목에 MAPE, MAD, MSD가 표시됩니다.
- Method — 데이터 열, 길이, 모형 유형입니다(가중 분석과 예측 시작 지점을 사용한 경우 함께 표시).
- Fitted Trend Equation — 추정값이 포함된 방정식입니다.
- Weighted Estimates — 이전 값을 입력한 경우: Parameter, Prior, New, Weight, Blended입니다.
- Accuracy Measures — MAPE, MAD, MSD입니다.
- Forecasts — 기간과 예측값입니다.
- Results — 선택한 경우: 각 기간의 Period, 데이터, Trend, Detrend입니다.
- Residual Plots — 선택한 경우입니다.
- Download를 통한 PDF 내보내기.

그림 2 — 60개월 판매량을 지나는 직선: 매달 약 12개씩 증가합니다.
계산 예제
한 소비자 가전 유통업체는 매년 더 많이 판매합니다. 계절 예측을 만들기 전에 판매 분석가는 가장 단순한 질문을 합니다. 월별 판매량이 평균적으로 얼마나 빠르게 증가하고 있으며, 직선으로 보면 2025년에는 어느 수준이 될까? 분석가는 60개월(2020년 1월~2024년 12월)의 단위 판매량 데이터를 가지고 있으며 Variable (Y) = Sales, Time/stamp column = Month, Model type = Linear, Number of forecasts = 12를 선택합니다.
적합된 추세는 Yt = 781.6 + 11.93×t입니다. 판매량은 매달 약 12개, 연간 약 143개씩 증가합니다. 이 직선은 2025년 1월(기간 61)에 1,509를, 2025년 12월(기간 72)에 1,641로 상승할 것으로 예측합니다. MAPE는 7.4%(MAD 81.8개)로, 각 월은 평균적으로 직선에서 7.4% 떨어져 있으며 대부분 계절 때문입니다. 매년 12월은 직선보다 191~273개 높고(2024년 12월: 1,759 대 1,497) 매년 2월은 123~236개 낮습니다.
의사결정 측면에서, 이 직선은 타당한 성장률을 제공하지만 연말 정점은 과소 예측하고 연초의 하락은 과대 예측합니다. Quadratic 모형의 곡선 항은 0.00093×t²에 불과하고 MAPE는 같으므로(7.4%) 성장은 직선에 가깝습니다. Exponential Growth(월 1.08%)는 MAPE 7.6%로 약간 덜 적합합니다. 계절을 따르는 월별 예측에는 같은 데이터에 분해(MAPE 2.2%) 또는 Winters 방법을 사용하십시오.
자주 묻는 질문
추세 분석은 언제 사용해야 합니까?
장기 추세가 있고 뚜렷한 계절 패턴이 없는 시계열에 추세 분석을 사용합니다. 예를 들어 매달 수요가 얼마나 빠르게 증가하는지, 추세가 계속되면 마모 측정값이 어디에 있을지 확인할 때 사용합니다. 분해나 Winters 방법과 같은 계절 방법을 적용하기 전에 먼저 살펴보는 용도로도 유용합니다.
어떤 추세 모형을 사용할 수 있습니까?
Linear는 Yt = b0 + b1·t를 적합하고 Quadratic은 b2·t² 항을 추가하며, 둘 다 최소제곱법을 사용합니다. Exponential Growth는 Yt = b0·b1^t를 적합하며 b1은 기간당 성장 계수입니다. S-Curve는 상한에서 평평해지는 Pearl-Reed 로지스틱 곡선을 적합합니다. Exponential Growth와 S-Curve는 모든 값이 0보다 커야 합니다.
추세 분석은 예측 구간을 제공합니까?
아니요. 예측값은 적합된 방정식을 미래 기간으로 연장하지만 예측 한계는 제공하지 않습니다. 적합은 데이터와 추세 사이의 오차에 기반한 MAPE, MAD, MSD로 판단합니다. 계절 데이터에서 MAPE가 크면 계절 방법이 필요하다는 뜻입니다.
가중 추세 분석이란 무엇입니까?
가중 추세 분석은 이전 적합의 추정값과 새로운 추정값을 혼합합니다. 혼합된 각 추정값은 w에 새 추정값을 곱한 값에 (1 - w)에 이전 값을 곱한 값을 더한 것이며 w의 기본값은 0.2이므로, 새로운 기간의 데이터가 확립된 추세를 대체하지 않고 완만하게 갱신합니다.
