Как смоделировать ежемесячные эффекты в ежедневных данных временных рядов?

У меня есть два временных ряда ежедневных данных. Одна есть, sign-upsа другая terminationsиз подписок. Я хотел бы предсказать последнее, используя информацию, содержащуюся в обеих переменных.

Глядя на график этих рядов, становится очевидным, что окончания связаны с кратными числами регистраций за предыдущие месяцы. То есть скачок числа подписок 10 мая приведет к увеличению числа прекращений в 10 июня, 10 июля и 10 августа и т. Д., Хотя этот эффект исчезает.

Я надеюсь получить подсказку о том, какие модели я мог бы использовать для моделирования этой конкретной проблемы. Любые советы будут высоко ценится..

До сих пор я думал о модели VAR, но я не уверен, как включить ежемесячный эффект - использовать действительно высокий порядок лагов или как-то добавить сезонный компонент?

Как выглядит график CCF для лагов с 29 по 31? Достаточно ли часты шипы, чтобы они проявились? Вы можете использовать тест Грейнджера, чтобы проверить, какие запаздывающие значения являются статистически значимыми.

Модели месячного уровня

Вы должны зафиксировать изменения уровня склонности к прекращению на уровне месяца (например, регистрация в рождественские праздники с большей вероятностью прекращается, чем регистрация в апреле). Допустим, что ваш обычный временной ряд модели: . Теперь, если вы считаете, что параметры и т. Д. от месяца, вы можете взаимодействовать с индикатором месяца с остальными предикторами.

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

Таким образом, ваша новая функциональная форма будет Это похоже на построение моделей на уровне месяца, позволяющих более гибко фиксировать месячные изменения в тенденции к прекращению

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