Come modellare gli effetti di mese in mese nei dati giornalieri delle serie temporali?

Ho due serie temporali di dati giornalieri. Uno è sign-upse l'altro terminationsdegli abbonamenti. Vorrei prevedere quest'ultimo utilizzando le informazioni contenute in entrambe le variabili.

Guardando il grafico di queste serie è ovvio che le terminazioni sono correlate ai multipli delle iscrizioni dei mesi precedenti. Cioè, un picco di iscrizioni il 10 maggio porterà ad un aumento delle interruzioni il 10 giugno, il 10 luglio e il 10 agosto e così via, sebbene l'effetto svanisca.

Spero di avere un suggerimento su quali modelli potrei impiegare per modellare questo problema specifico. Qualsiasi consiglio sarebbe molto apprezzato ..

Finora, ho pensato a un modello VAR, ma non sono sicuro di come includere l'effetto mensile: utilizzare un ordine davvero elevato di ritardi o aggiungere un componente stagionale in qualche modo?

Che aspetto ha la trama CCF per ritardi da 29 a 31? I picchi sono abbastanza frequenti da mostrarsi? È possibile utilizzare un test Granger per verificare quali valori ritardati sono statisticamente significativi.

Modelli a livello di mese

Dovresti acquisire le variazioni a livello di mese nella propensione a terminare (diciamo che le iscrizioni durante le vacanze di Natale hanno maggiori probabilità di terminare rispetto alle registrazioni ad aprile). Diciamo che il solito modello di serie alle ore: . Ora se ritieni che i parametri ecc. specifici del mese, puoi interagire con l'indicatore del mese con i restanti predittori.

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

Quindi il tuo nuovo modulo funzionale sarà È simile alla costruzione di modelli a livello di mese che consentono una maggiore flessibilità nell'acquisizione di variazioni specifiche del mese nella tendenza a terminare

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