Wie modelliere ich monatliche Effekte in täglichen Zeitreihendaten?

Ich habe zwei Zeitreihen von täglichen Daten. Eines ist sign-upsund das andere terminationsvon Abonnements. Letzteres möchte ich anhand der in beiden Variablen enthaltenen Informationen vorhersagen.

Wenn man sich die Grafik dieser Serien ansieht, ist es offensichtlich, dass die Kündigungen mit einem Vielfachen der Anmeldungen in den Monaten zuvor korrelieren. Das heißt, ein Anstieg der Anmeldungen am 10. Mai wird zu einer Zunahme der Kündigungen am 10. Juni, 10. Juli und 10. August usw. führen, obwohl der Effekt nachlässt.

Ich hoffe, einen Hinweis zu bekommen, welche Modelle ich verwenden könnte, um dieses spezielle Problem zu modellieren. Jeder Rat wäre sehr dankbar ..

Bisher habe ich über ein VAR-Modell nachgedacht, bin mir aber nicht sicher, wie ich den monatlichen Effekt einbeziehen soll - eine wirklich hohe Reihenfolge von Verzögerungen verwenden oder irgendwie eine saisonale Komponente hinzufügen?

Wie sieht der CCF-Plot für die Verzögerungen 29 bis 31 aus? Sind die Spitzen häufig genug, dass sie auftreten? Mit einem Granger-Test können Sie überprüfen, welche verzögerten Werte statistisch signifikant sind.

Modelle auf Monatsniveau

Sie sollten die Schwankungen der Kündigungsneigung auf Monatsebene erfassen (z. B. werden Anmeldungen in den Weihnachtsferien eher beendet als Anmeldungen im April). Lassen Sie sich sagen , dass Ihr übliches Zeitreihenmodell ist: . Wenn Sie nun glauben, dass die Parameter usw. sind, können Sie das Monatsindikator-Flag mit den verbleibenden Prädiktoren interagieren.

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

Daher Ihre neue Funktionsform Dies ähnelt dem Erstellen von Modellen auf Monatsebene, die eine größere Flexibilität bei der Erfassung monatenspezifischer Abweichungen in der Tendenz zur Beendigung ermöglichen

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