Михаил Л, Это простой МНК - коэффициент при X и свобод.член сходятся с вашими вычисленными... файл не доводила до полного исполнения вашего ТЗ - но функции работают чисто по МНК (Метод Наименьших Квадратов) -- в описании линка 2й файл лишний, наверно... первоисточник здесь - тоже не знаю зачем ему 2 файла....
В вашем случае:
.

подправлю (чтобы не на скорую руку) для полноты картины:
да, по совету из линка, - действительно, удобнее через COUNTAX и SUMX... чтобы результативный признак тоже в модель поместить вычисляемым столбцом:
иначе у меня тоже выдавал "не число"...

тема уже не тренда (как заявлено в названии ветки), а доверительного интервала...
там (в статистике!) ср.кв.отклонение считается на основе месячных данных, у вас нет разброса данных по месяцам... можно по годам оценивать отклонения (от среднего за год), из которых потом дисперсию, но вам виднее цель вашего анализа... - при аппроксимации на годовой основе - теряете сезонную цикличность.
В общем и целом, для использования отклонений в расчёте дисперсии надо использовать т.н. demeaning mean - вопрос от чего mean брать... - это к слову о ваших данных... но я не подряжаюсь на этот топик - просто было немного времени - подсказала... а по сути, как обычно, - меры и вычисляемые поля - всё в модельку и будет счастье... но тема берёт начало из статистики регрессионного анализа - чтобы "сигмы не привязывались к ЛИНЕЙН", а было понимание того, что и как надо посчитать, тогда быстрее будете получать ответ (если будете предоставлять точный алгоритм расчётов, нужных вам), чем копаться в чужих файлах с вашего линка...
успехов вам!

Найти бы хотя б работодателя, который толково разбирается в прогнозировании и все что около. Встречаю только работодателей, которые даже простейшие графики и диаграммы не понимают.
Сегодня только был на двух собеседованиях в компаниях, которые существуют более 14 лет и не у одной не настроено даже сбор данных из их 1с.
За четыре года встретил только одного аналитика, использующий PBi. Причем руководству дает файл pbix, а не ссылку на облачный аккаунт.
Я себя позиционирую как технический аналитик данных. Из полученных данных создаю необходимого вида таблицы. Даже не спорю и не доказываю работодателю как таблица будет полезнее. Что хотят видеть - то и делаю.  Есть опыт с данными из 1с, на этом и выезжаю)
А изучать с нуля прогнозирование я точно не потяну)

В тех компаниях, в которых я работал(всего то три), не требовалось прогнозирование. Руководитель я думаю не будет полагаться на прогнозы. Взглянуть еще можно и в тоже время чтоб было раз есть аналитики.
А вообще знаю что маркетологи используют прогнозы для составления плановых требований к торговым агентам.
Выгружаю из 1с в обработке) Типа СКД. Далее из PQ тяну из выгрузок. Напишите в телеграмм - покажу. Конешно можно и напрямую к серверному 1с подключаться, только это и нарушения правил пользования и к фактам еще нужно тянуть все справочники

по поводу Confidence Interval (для новой ветки) - если он вам всё-таки нужен... обратите внимание сюда (пункт Avoid...)- поэтому по вашим данным мне кажется, что у вас нехватка данных (не сравнивала с вашим линком на пример (может и там misuse), не присматривалась к его алгоритму) - просто по логике... пример с цифрами здесь или здесь логика по-простому...
-- станд. (ср.кв.) отклон-е находите мерой КОРЕНЬ из дисперсии (тоже мера) или VaR в англ.яз. лит,
-- z (или t) брать - см. свой sample size (до 30 - нужен t-value, иначе z-value)  - они табличные (в статистике много таблиц-справочников по распределениям и т.д. - вобщем, это справочная инфо - зависит от выбранного вами p-value)
-- собираете всю формулу с делением на корень из sample[population]_size... (ВАЖНО: тут имеется ввиду population для каждой даты, а не количество ваших дат)
= это и будет C.I., который +/- к средней (или вашей точке регрессии за дату, полагаю)

НО для этого вам, действительно, нужен разброс данных на каждую дату (у вас его нет) - это если у вас данные с разной дисперсией на каждый день (у вас вообще об этом ничего в файле) - тогда сможете прорисовать upper & lower level (т.к. +/- к лин. тренда) of Confidence Interval на графике с вашей линией тренда

ИЛИ

если хотите этот +/- посчитать для вашей выборки за период (что не совсем правильно, как усомнилась изначально) -- то получите 1 число, которое и есть этот +/- сигма

p.s. в общем успехов вам, если будете это делать в DAX... в первом случае получите upper & lower C.I. bounds -- т.е. это похоже и есть причина, по которой по линку в самом начале нужен 2-й файл (1 для данных полных по всем наблюдениям - для расчёта дисперсий в точках дат, второй уже частично сгруппирован, т.е. сжат в 1 линию регрессии, к которой и находятся параметры a и b) ... во 2-м случае (вариант ИЛИ) получите +/-сигма...

объяснила, чем мне не нравится ваш файл и отсутствие постановки вопроса (чужие реализации неизвестных вопросов  - это не вопрос! - а ответ на др. вопрос! возможно не тот, который мучает вас)

замечательно, что у вас получилось, что хотели... потому что меня дальше после C.I. ещё мучал бы Random Effect, т.к. вы показали только Fixed Effect ... и вопрос, when to demean data (y-y_mean: p40 "Only within variation is left. - for Panel Data") или для таких случаев, тоже не второстепенен в моделировании... поэтому мне уже не до C.I. ... чуть что, откроете новую ветку с вашим новым вопросом... успехов

кстати for Panel Data (did) - для межгрупповой оценки по месяцам - вам demeaning нужен будет... - это на перспективу - если захотите оценивать разброс по месяцам (не вникала в ваш линк по CI ) - но повторюсь, данных нужно много (не знаю помогут ли 14 лет) -- и только тогда средняя и диапазон будут стремиться к статистической устойчивости (т.е. валидности)... а т.к. за эти 14 лет много разл. факторов влияло в разл. периоды - и они вами не учтены, то и дисперсия у вас будет большая и средняя всё равно может быть (и даже будет) смещённая (т.е. ещё стат. неустойчива)... но так же через корр-регр анализ можете изучать и др факторы, проблема в том, что в соц-эк явлениях не сможете сделать conditioning, поэтому оценки параметров модели (ваши a и b) всё равно будут biased (смещёнными) -- хотя смещение Мат.Ожидания от Среднего всей генеральной совокупности -- в принципе, в бизнесе и есть показатель - лучше/хуже среднего

LS (МНК) - Итог: mean+/-3sigma - for Normal data - н привести к Normal
MLE under Gaussian Noise (no Autocorr) - Итог: best with AIC - for Non parametric data ()

реал данные ненормальны, а TS имеют автокорреляцию - поэтому надо правильно ставить вопрос и брать правильные (Random Values!) данные (для независимости опытов), чтобы стат. выводы помогали... при том что "Statistics can’t be used to variable data"  - начинает работать, только если есть закономерность, вскрытие которой и есть задача Structural Engineering... чтобы выделять реальные тренды из latent-space, а не фиксить по факту результат незамеченных/невскрытых предпосылок

вывод LS: mean+/-3sigma это вывод для норм data
вывод max-likelihood это вывод для non-parametric data (нет mean, нет sigma - но можно найти MaxLikelihood) - обычно данные именно такие

для последнего м исп разл optimization algos:
- quadratic algo - in SVM (Euclidead distance) -- NB выбрать правильный Kernel (это фильтр) для имеющегося use-case
- Gradient Descent - in Neural Networks  -- NB if it can  converge
(т.е. чтобы был толк от более сложных вычислений [оптимизации на макс/мин] - задачу в любом случае надо сводить к квадратичному виду! чтобы нашёлся этот convergence point условно говоря, т.е. min [от negative log-likelihood] или max[от log-likelihood], т.е. решение)

и остаётся вопрос Интерпретации результатов:
для Непараметрических моделей (часто по реал данным м построить т их) - LIME  (или здесь)... - независимо от модели... - генерится куча однотипных (по своей схеме) данных и ищется наиболее подходящий - по сути всё тот же Monte-Carlo Markov Chain алгоритм - мне так кажется... (хоть никто из так называемых "экспертов" - не может по алгоритму и тому и др (LIME и MCMC и NN) объяснить, в чём отличие, или ?? как обычно отличие в том "кто как что" обозвал)

p.s.
и да, вы правы - важна постаноВка вопроса - для любых оптимизационных задач (хоть по МНК, хоть по MLE) важно, чтобы задача/решение (или область решений) имела сходимость (т.е. решение на поиск нужного), т.е. can converge to min/max...
возможно вы хотите, чтобы вам всегда предоставляли алгоритм, а вы выполняли только техническую составляющую ТехЗадания,
но зачастую заказчик считает, что если у вас проф.тех.(высшее) образование - то вы сами можете состряпать алгоритм - хоть по Лапласу из ~ 18-го века, хоть по Лагранжу, хоть свой собственный - и именно вы должны выбрать/предложить максимально быстрый и дающий точные результаты алгоритм (как технарь), потому что вас этому учили, а не заказчика... но заказчик не хочет терять деньги () потому что вы выбрали не тот алгоритм == для этого вам надо знать все Assumptions ваших моделей, которые технически реализовываете (или иметь/найти экспертное мнение - e.g. статиста, но не руководителя бизнеса - это не его проблемы)...
т.е. программист со своими статистами(экспертами) - тоже имеет больше шансов реализовать адекватную модель (ту, на которую можно полагаться, а не просто отдавать на суд потребителя ТУИ предприятия, используя для рекламных графиков, -- ни потребитель, ни заёмщик денег на бизнес не обязаны разбираться, почему вы выбрали Ньютона или Лагранжа, ни даже статист (эксперт), - вы должны уметь объяснить (где OLS [МНК], а где MLE и почему вы выбрали один vs. др.) ... вы, как технарь... сбросить ответственность того, что и как вы считаете, на кого-либо не получится -- это ваша компетенция -- и да, к знаниям надо прилагать опыт работы с данными и задачами такого типа, работы с пониманием "какие расчёты к каким данным", а не надеждой, что поймёт кто-то вместо вас... поэтому часто "компьютерщики" и заказчики не могут услышать друг друга, когда между ними нет связующего звена - экспертов того, в чём один не должен разбираться, а второй имеет нехватку инфо для своего ТЗ... - а "эксперты" генерят не логику, а новые слова , не в состоянии сгенерить адекватное решение, и коверкают язык, продвигая свои новые слова (названия алго) под новым брендом, имеющим однако всё те же старые добрые ньютоновсие алгоритмы, НО без объяснения, как они их применили, обозвав новым словом, -- что и вызывает сомнения "а поняли ли сами, что обозвали" -- язык теряет силу для выстраивания конструктивного диалога, превращаясь в кувалду, когда отказываются от языка "знаний из опыта" (даже исторического) в пользу языка "я придумал, чтобы обозвать и продвигать" -- но любое "придумал" имеет под собой базу - важно, чтобы она не была гнилой... background считающего и становится базой в расчётах... это как в марковских моделях: всю историю м включить фактором в текущий state ... - каков текущий state, такие и расчёты - по Байесу...
====

поэтому так и получается: "надо чтобы прогноз был"... когда в фирме нет ни экспертов, ни квалифицированных (от слова "знания+опыт", а не слова "корочка") математиков (applied math) -- такие и прогнозы... а опыт, действительно, нарабатывается только на работе, а не из алгоритма псевдослучайных чисел -- в жизни же не всё случайно... и опыт передаётся по истории в текущее состояние (как в MCMC), а не как "я придумал брэнд" (что-то туда вложил, не знаю что, - просто поработал с shaker'ом, внедрив последние технологии работы барменов в отрасль прогнозирования) -- "так вы брэнд-менеджер или вы программист или вы бармэн или что-то помните из того, чему вас учили?" [примерный риторический скрытый вопрос на собеседовании]

как обычно:
один отдел работает, второй ждёт первого, потом наоборот ... а платить придётся 1+1=2... расход человеко-времени 2x, полезность - лишь 50% ... вы правы: вопрос рентабельности - уже не ваш вопрос

Или
пс. За некоторыми компаниями наблюдаю несколько лет. Сначала нужен аналитик девушка до 27 лет, через полгода уже аналитик до 27 лет. Звоню говорю что могу работать еще лет двадцать. В ответ от hr: у нас директору отдела 25 лет, как он будет вами управлять? В итоге заканчиваем разговор

Типа этого.
На первом - вызывает доверие
На втором - можно сказать вызывает доверие второе полугодие

в общем:
сглаживание (smoothing)
прогноз (SARIMAX Model)
-- разработана очень большая library statsmodels в Python для оценки АвтоРегрессионных моделей и др
== сделать авторегрессию ручками в DAX - проблематично - можно только порисовать графики (подготовить данные для АР-модели сложно - нет соотв. объектной модели, т.к. DAX лишь функциональный язык, не более того)...

То что вы пишите я еще могу переваривать, однако когда перехожу по ссылкам я просто теряюсь даже с переводом) Глазами похлопаю и обратно на планету эксель)
и там же предложил отдельные меры для каждого месяца. И очень даже работает(в файле)