¿Cómo modelar los efectos mes a mes en datos diarios de series temporales?

11

Tengo dos series temporales de datos diarios. Uno es sign-upsy el otro terminationsde suscripciones. Me gustaría predecir esto último utilizando la información contenida en ambas variables.

Al observar el gráfico de estas series, es obvio que las terminaciones están correlacionadas con múltiplos de las suscripciones de los meses anteriores. Es decir, un aumento en las inscripciones el 10 de mayo conducirá a un aumento en las terminaciones el 10 de junio, 10 de julio y 10 de agosto, y así sucesivamente, aunque el efecto desaparece.

Espero obtener una pista sobre qué modelos podría emplear para modelar este problema específico. Cualquier consejo sería muy apreciado..

Hasta ahora, he estado pensando en un modelo VAR, pero no estoy seguro de cómo incluir el efecto mensual: ¿usar un orden de rezagos realmente alto o agregar un componente estacional de alguna manera?

r time-series seasonality var

— wije
fuente

1

¿Cómo se ve el diagrama CCF para los rezagos 29 a 31? ¿Son los picos lo suficientemente frecuentes como para que aparezcan? Puede usar una prueba de Granger para verificar qué valores rezagados son estadísticamente significativos.

— tmakino
fuente

Sí, hay picos claros en el diagrama de CCF en los rezagos 28-31, particularmente el 30.

— wije

1

Modelos a nivel de mes

t e r m i n a t i o n s_{t} = β_{1} s i g n u p s_{t - 1} + β_{2} s i g n u p s_{t - 2} + . .

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

β_{1}

$\beta_{1}$

t e r m i n a t i o n s_{t} = β_{1}^{'} s i g n u p s_{t - 1} M o n t h F l a g_{t - 1} + β_{2}^{'} s i g n u p s_{t - 2} M o n t h F l a g_{t - 1} + . .

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

— wabbit
fuente