毎日の時系列データで月間効果をモデル化する方法は？

11

2つの時系列の日次データがあります。1つはサブスクリプションでsign-ups、もう1つはterminationsサブスクリプションです。両方の変数に含まれている情報を使用して、後者を予測したいと思います。

これらのシリーズのグラフを見ると、終了が数か月前のサインアップの倍数と相関していることは明らかです。つまり、5月10日にサインアップが急増すると、6月10日、7月10日、8月10日などに終了の増加につながりますが、効果はなくなります。

この特定の問題をモデル化するためにどのモデルを採用するかについてのヒントを得たいと思っています。何かアドバイスをいただければ幸いです。

これまではVARモデルを考えていましたが、毎月の効果を含める方法がわかりません-非常に高い次数のラグを使用するか、何らかの方法で季節成分を追加しますか？

r time-series seasonality var

— Wije
ソース

1

ラグ29〜31のCCFプロットはどのように見えますか？スパイクは頻繁に発生しますか？グレンジャー検定を使用して、どの遅れ値が統計的に有意であるかを確認できます。

— 玉木野
ソース

はい、CCFプロットには28〜31のラグ、特に30番に明確なスパイクがあります。

— wije 2013年

1

t e r メートル 私 ん a t 私 o ん s_{t} = β_{1} s 私 g ん あなた p s_{t - 1} + β_{2} s 私 g ん あなた p s_{t - 2} + 。 。

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

β_{1}

$\beta_{1}$

t e r メートル 私 ん a t 私 o ん s_{t} = β_{1}^{』} s 私 g ん あなた p s_{t - 1} M o ん t h F l a g_{t - 1} + β_{2}^{』} s 私 g ん あなた p s_{t - 2} M o ん t h F l a g_{t - 1} + 。 。

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

— うさぎ
ソース