如何对每日时间序列数据中的月度效果建模？

11

我有两个时间序列的每日数据。一个是订阅sign-ups，另一个terminations是订阅。我想使用两个变量中包含的信息来预测后者。

从这些系列的图表来看，很明显终止与前几个月的签约倍数相关。也就是说，5月10日的注册人数激增，将导致6月10日，7月10日和8月10日的终止人数增加，依此类推，尽管这种影响逐渐减弱。

我希望获得有关我可以采用哪种模型来建模此特定问题的提示。任何建议将不胜感激。

到目前为止，我一直在考虑一个VAR模型，但是我不确定如何包括月度影响-使用非常高的滞后量或以某种方式添加季节性成分？

r time-series seasonality var

— 维耶
source

1

对于滞后29到31，CCF图是什么样的？峰值是否足够频繁地出现？您可以使用Granger检验来检查哪些滞后值具有统计意义。

— 天野
source

是的，CCF图中有明显的峰值，位于延迟28-31，尤其是30。

— Wije 2013年

1

您应该记录终止趋势的月份水平变化（例如，圣诞节假期期间的签约比四月期间的签约更有可能终止）。假设您通常的时间序列模型是：。现在，如果您相信参数等是特定于月份的，则可以将月份指示符标志与其余预测变量进行交互。

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}

$\beta_{1}$

因此，您的新功能形式将是这类似于构建月级模型，从而可以更大的灵活性来捕获特定于月度的终止趋势

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} + . .

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

— 兔子
source