Trendanalyse
Trend Analysis past een van vier trendmodellen (Linear, Quadratic, Exponential Growth of S-Curve) met kleinste kwadraten aan op een tijdreeks en verlengt die om toekomstige perioden te voorspellen. Gebruik haar voor reeksen met een langetermijntrend en geen sterk seizoen. De reeks mag geen hiaten bevatten en moet minstens 4 waarden hebben. De uitvoer bestaat uit de gefitte vergelijking, voorspellingen zonder voorspellingsgrenzen, en MAPE, MAD en MSD.
Laatst beoordeeld
Belangrijkste conclusie
Trendanalyse past een lineaire, kwadratische, exponentiële-groei- of S-curve-trend aan op een tijdreeks en verlengt die om toekomstige perioden te voorspellen, voor reeksen met een langetermijntrend en geen sterk seizoenspatroon.
Op deze pagina
Doel
Trend Analysis past een trendlijn of -curve aan op een tijdreeks en verlengt die om toekomstige perioden te voorspellen. Zij beantwoordt vragen als “hoe snel groeit de vraag elke maand?” of “waar komt deze slijtagemeting over zes maanden uit als de trend doorzet?”. Gebruik haar voor een reeks met een langetermijntrend en geen sterk seizoenspatroon, of als eerste blik vóór een seizoensmethode zoals Decomposition of Winters' Method.
Belangrijkste mogelijkheden
- Vier trendmodellen: Linear, Quadratic, Exponential Growth en S-Curve.
- Gefitte trendvergelijking, voorspellingen voor een willekeurig aantal perioden, en nauwkeurigheidsmaten MAPE, MAD en MSD.
- Tijdas gelabeld vanuit een datum- of tijdstempelkolom, of met het rijnummer.
- Forecast origin om vanaf een eerdere rij te voorspellen en te vergelijken met bekende gegevens.
- Gewogen trendanalyse: meng schattingen van een eerdere fit met de nieuwe.
- Optionele resultatentabel (trend en trendgecorrigeerde waarde voor elke periode) en residuenplots in vier-in-één.
Statistische methoden
De tijdindex is t = 1, 2, … n (de rijvolgorde). Linear past Yt = b₀ + b₁·t aan en Quadratic past Yt = b₀ + b₁·t + b₂·t² aan, beide met kleinste kwadraten. Exponential Growth past Yt = b₀·b₁ᵗ aan met een kleinste-kwadratenlijn op de logaritme van de gegevens, zodat b₁ de groeifactor per periode is (1.01 = 1% per periode). S-Curve past de logistische Pearl-Reed-curve Yt = 10ᵃ / (b₀ + b₁·b₂ᵗ) aan met niet-lineaire kleinste kwadraten, die afvlakt bij een bovengrens. Exponential Growth en S-Curve vereisen dat alle waarden groter dan nul zijn.
De fits zijn de trendwaarden, en voorspellingen verlengen de vergelijking naar t = n + 1, n + 2 … (of vanaf de forecast origin, met een trend die is aangepast op de gegevens tot die rij). Er worden geen voorspellingsgrenzen gegeven. Nauwkeurigheid: MAPE = gemiddelde |fout / gegevens| × 100, MAD = gemiddelde |fout| en MSD = gemiddelde fout², waarbij fout = gegevens − trend; de trendgecorrigeerde waarden in de resultatentabel zijn gegevens − trend (gegevens / trend voor Exponential Growth en S-Curve).
Gewogen trendanalyse: voer de schattingen van een eerdere fit in als Prior parameter values (b₀ b₁ …, in uitvoervolgorde). Elke gemengde schatting is w × nieuw + (1 − w) × eerder, met standaard w = 0.2, zodat een nieuwe periode gegevens een vaste trend voorzichtig bijwerkt in plaats van haar te vervangen. De reeks mag geen hiaten bevatten en moet minstens 4 waarden hebben.
Invoervelden en opties
Veld | Beschrijving |
Variable (Y) | Verplicht. De numerieke reeks, in tijdsvolgorde. |
Time/stamp column | Optioneel. Labelt de tijdas (bijv. een maandkolom); de rijvolgorde (Index) wordt gebruikt als dit leeg blijft. Het verandert de fit niet. |
Model type | Linear (standaard), Quadratic, Exponential Growth of S-Curve. |
Number of forecasts | Standaard 0 (geen), tot 1000. |
Forecast origin (row) | Optioneel, actief wanneer voorspellingen worden gevraagd. Voorspellingen beginnen na deze rij, met de gegevens tot die rij; leeg = einde van de reeks. |
Prior parameter values | Optioneel. Schattingen van een eerdere fit, in uitvoervolgorde (b0 b1 …), voor een gewogen trendanalyse. |
Weights for blending priors with new estimates | Actief wanneer eerdere waarden zijn ingevoerd. Tussen 0 en 1, één per schatting; leeg = 0.2 elk. Gemengd = w × nieuw + (1 − w) × eerder. |
Results to display | Summary table (standaard) of Summary table and results table. |
Residual plots (four in one) | Standaard niet aangevinkt. Normale waarschijnlijkheidsplot, residuen tegen fits, histogram en residuen tegen volgorde. |
Title | Titel van de uitvoer. Standaard Trend Analysis. |

Figuur 1 — Lineaire trend van maandelijkse Sales, gelabeld met Month, met 12 voorspellingen.
Beschrijving van de uitvoer
- Trend Analysis (grafiek) — werkelijke gegevens, gefitte trend en voorspellingen, met MAPE, MAD en MSD in de titel.
- Method — gegevenskolom, lengte en modeltype (plus gewogen analyse en forecast origin wanneer gebruikt).
- Fitted Trend Equation — de vergelijking met haar schattingen.
- Weighted Estimates — wanneer eerdere waarden zijn ingevoerd: Parameter, Prior, New, Weight en Blended.
- Accuracy Measures — MAPE, MAD en MSD.
- Forecasts — periode en voorspelling.
- Results — indien gekozen: Period, data, Trend en Detrend voor elke periode.
- Residual Plots — indien aangevinkt.
- PDF-export via Download.

Figuur 2 — Een rechte lijn door 60 maanden verkoop: ongeveer 12 stuks meer per maand.
Uitgewerkt voorbeeld
Een distributeur van consumentenelektronica verkoopt elk jaar meer. Voordat een seizoensvoorspelling wordt opgesteld, stelt de verkoopanalist de eenvoudigste vraag: hoe snel groeit de maandelijkse verkoop gemiddeld, en waar zou een rechte lijn de verkoop in 2025 uitkomen? De analist heeft 60 maanden verkochte aantallen (januari 2020 tot december 2024) en selecteert Variable (Y) = Sales, Time/stamp column = Month, Model type = Linear en Number of forecasts = 12.
De gefitte trend is Yt = 781.6 + 11.93×t: de verkoop groeit met ongeveer 12 stuks per maand, oftewel ongeveer 143 per jaar. De lijn voorspelt 1,509 voor januari 2025 (periode 61), oplopend tot 1,641 voor december 2025 (periode 72). MAPE is 7.4% (MAD 81.8 stuks): de maanden liggen gemiddeld 7.4% van de lijn, vooral door het seizoen. Elke december ligt 191 tot 273 stuks boven de lijn (december 2024: 1,759 tegenover 1,497) en elke februari 123 tot 236 stuks eronder.
Voor de beslissing betekent dit dat de lijn een goede groeisnelheid geeft maar de piek aan het eind van het jaar zal onderschatten en de dip aan het begin van het jaar zal overschatten. Het Quadratic-model geeft een curveterm van slechts 0.00093×t² en dezelfde MAPE (7.4%), dus de groei ligt dicht bij een rechte lijn; Exponential Growth (1.08% per maand) past iets slechter, met MAPE 7.6%. Gebruik voor maandelijkse voorspellingen die het seizoen volgen Decomposition (MAPE 2.2%) of Winters' Method op dezelfde gegevens.
Veelgestelde vragen
Wanneer gebruikt u trendanalyse?
Gebruik trendanalyse voor een tijdreeks met een langetermijntrend en geen sterk seizoenspatroon, bijvoorbeeld om te zien hoe snel de vraag elke maand groeit of waar een slijtagemeting uitkomt als de trend doorzet. Het is ook een nuttige eerste blik vóór een seizoensmethode zoals Decomposition of Winters' Method.
Welke trendmodellen zijn beschikbaar?
Linear past Yt = b0 + b1·t aan en Quadratic voegt een term b2·t² toe, beide met kleinste kwadraten. Exponential Growth past Yt = b0·b1^t aan, waarbij b1 de groeifactor per periode is. S-Curve past de logistische Pearl-Reed-curve aan, die afvlakt bij een bovengrens. Exponential Growth en S-Curve vereisen dat alle waarden groter dan nul zijn.
Geeft trendanalyse voorspellingsintervallen?
Nee. Voorspellingen verlengen de gefitte vergelijking naar toekomstige perioden, maar er worden geen voorspellingsgrenzen gegeven. De fit wordt beoordeeld met MAPE, MAD en MSD, gebaseerd op de fouten tussen de gegevens en de trend. Een grote MAPE bij seizoensgegevens toont aan dat een seizoensmethode nodig is.
Wat is gewogen trendanalyse?
Gewogen trendanalyse mengt de schattingen van een eerdere fit met nieuwe. Elke gemengde schatting is w maal de nieuwe schatting plus (1 - w) maal de eerdere, met standaard w = 0.2, zodat een nieuwe periode gegevens een vaste trend voorzichtig bijwerkt in plaats van haar te vervangen.
