วิธีสร้างแบบจำลองเดือนต่อเดือนผลกระทบในข้อมูลอนุกรมเวลารายวัน?

ฉันมีชุดข้อมูลรายวันสองชุด หนึ่งคือsign-upsและอื่น ๆterminationsของการสมัครสมาชิก ฉันต้องการทำนายหลังโดยใช้ข้อมูลที่มีอยู่ในตัวแปรทั้งสอง

เมื่อมองดูกราฟของซีรี่ส์เหล่านี้เห็นได้ชัดว่าการเลิกจ้างมีความสัมพันธ์กับการลงชื่อสมัครเข้าใช้หลายรายการก่อนหน้านี้หลายเดือน นั่นคือการขัดขวางการลงชื่อสมัครใช้ในวันที่ 10 พฤษภาคมจะนำไปสู่การเพิ่มขึ้นของการยุติในวันที่ 10 มิถุนายน 10 กรกฎาคมและ 10 สิงหาคมเป็นต้นไปแม้ว่าผลจะหมดไป

ฉันหวังว่าจะได้คำใบ้ว่าฉันควรใช้แบบจำลองรุ่นใดเพื่อแก้ปัญหาเฉพาะนี้ คำแนะนำใด ๆ ที่จะได้รับการชื่นชมมาก ..

จนถึงตอนนี้ฉันกำลังคิดแบบจำลอง VAR แต่ฉันไม่แน่ใจว่าจะรวมเอฟเฟกต์รายเดือนอย่างไรให้ใช้คำสั่งล่าช้าสูงมากหรือเพิ่มองค์ประกอบตามฤดูกาลอย่างใด

พล็อต CCF มีลักษณะเป็นอย่างไรสำหรับล่าช้า 29 ถึง 31 เดือยแหลมบ่อยพอที่จะปรากฏขึ้นหรือไม่? คุณสามารถใช้การทดสอบ Granger เพื่อตรวจสอบว่าค่าความล่าช้ามีความสำคัญทางสถิติหรือไม่

แบบจำลองระดับเดือน

คุณควรจับความแปรปรวนของระดับเดือนในแนวโน้มที่จะยุติ (กล่าวว่าการลงทะเบียนในช่วงวันหยุดคริสต์มาสมีแนวโน้มที่จะยกเลิกมากกว่าการสมัครในช่วงเดือนเมษายน) สมมติว่ารุ่นอนุกรมเวลาปกติของคุณคือ:

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

ดังนั้นรูปแบบการทำงานใหม่ของคุณจะเป็น

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