Günlük zaman serisi verilerinde aydan aya etkileri nasıl modellenir?

İki günlük veri serim var. Biri sign-upsdiğeri terminationsise abonelikler. Her iki değişkente bulunan bilgileri kullanarak ikincisini tahmin etmek istiyorum.

Bu serinin grafiğine bakıldığında, sonlandırmaların aylar öncesindeki kayıtların katları ile ilişkili olduğu açıktır. Yani, 10 Mayıs'taki kayıtlarda bir artış, 10 Haziran, 10 Temmuz ve 10 Ağustos'ta fesihlerde artışa neden olacak, ancak etki tükeniyor.

Bu sorunu modellemek için hangi modelleri kullanabileceğime dair bir ipucu almayı umuyorum. Herhangi bir tavsiye çok takdir edilecektir ..

Şimdiye kadar, bir VAR modeli düşünüyordum, ancak aylık efekti nasıl ekleyeceğimi bilmiyorum - gerçekten yüksek bir gecikme sırası kullanın veya bir şekilde sezonluk bir bileşen ekleyin?

CCF grafiği 29 ila 31 arasındaki gecikmeler için neye benziyor? Sivri uçlar görülebilecek kadar sık ​​mı? Hangi gecikmeli değerlerin istatistiksel olarak anlamlı olduğunu kontrol etmek için bir Granger testi kullanabilirsiniz.

Ay seviyesi modeller

Sonlandırma eğilimindeki ay düzeyindeki varyasyonları yakalamanız gerekir (Noel tatili sırasında yapılan kayıt işlemlerinin sona erme olasılığının Nisan ayında yapılan kayıtlara göre daha yüksek olduğunu varsayalım). : Diyelim her zamanki zaman serisi modeli olduğunu söylemek . Şimdi, vb. Parametrelerin aylara özgü olduğuna inanıyorsanız , ay göstergesi bayrağını kalan öngörücülerle etkileşimde bulunabilirsiniz.

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

Böylece yeni işlevsel formunuz Bu, ayın belirli modellerini sonlandırma eğiliminde yakalamak için daha fazla esneklik sağlayan ay düzeyinde modeller oluşturmaya benzer

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