Як моделювати ефекти місяця в місяць у щоденних даних часових рядів?

У мене є два часові ряди щоденних даних. Один є, sign-upsа другий terminationsпередплати. Я хотів би передбачити останнє, використовуючи інформацію, що міститься в обох змінних.

Переглядаючи графік цих рядів, очевидно, що закінчення співвідносяться з кратними реєстраціями місяцями раніше. Тобто, сплеск підписок 10 травня призведе до збільшення термінів припинення в 10 червня, 10 липня та 10 серпня тощо, хоча ефект втрачається.

Я сподіваюся отримати підказку щодо того, які моделі я можу використати для моделювання цієї конкретної проблеми. Будь-яка порада буде дуже вдячна ..

Поки що я думав про модель VAR, але не знаю, як включити щомісячний ефект - використовувати дійсно високий порядок відставання або якось додати сезонний компонент?

Як виглядає сюжет CCF для відставання від 29 до 31? Чи є шипи досить частими, що вони з’являються? Ви можете використовувати тест Грейнджера, щоб перевірити, які відстаючі значення є статистично значущими.

Місячні моделі рівня

Вам слід зафіксувати зміни на рівні місяця в схильності до припинення (скажімо, підписки під час різдвяних свят швидше закінчуються, ніж реєстрації протягом квітня). Припустимо, що ваш звичайний часовий ряд моделі: . Тепер, якщо ви вважаєте, що параметри і т.д. є місячними, ви можете взаємодіти прапор індикатора місяця з іншими прогнозами.

$$terminations_{t}=\beta_{1} signups_{t-1}+ \beta_{2} signups_{t-2} +..$$ $\beta_{1}$

Таким чином, вашою новою функціональною формою будуть Це схоже на побудову моделей на рівні місяця, що дозволяє підвищити гнучкість у захопленні конкретних змін в місяці в тенденції до припинення

$$terminations_{t}=\beta'_{1} signups_{t-1} MonthFlag_{t-1}+ \beta'_{2} signups_{t-2} MonthFlag_{t-1}+..$$