Làm thế nào để mô hình hiệu ứng từ tháng này sang tháng khác trong dữ liệu chuỗi thời gian hàng ngày?

11

Tôi có hai chuỗi thời gian của dữ liệu hàng ngày. Một là sign-upsvà cái còn lại terminationscủa đăng ký. Tôi muốn dự đoán cái sau bằng cách sử dụng thông tin có trong cả hai biến.

Nhìn vào biểu đồ của các chuỗi này, rõ ràng là việc chấm dứt có tương quan với bội số của các lần đăng ký các tháng trước. Đó là, một sự gia tăng trong đăng ký vào ngày 10 tháng 5, sẽ dẫn đến sự gia tăng các chấm dứt vào ngày 10 tháng 6, ngày 10 tháng 7 và ngày 10 tháng 8, v.v., mặc dù hiệu ứng đã mất đi.

Tôi hy vọng sẽ có được một gợi ý về những mô hình mà tôi có thể sử dụng để mô hình hóa vấn đề cụ thể này. Bât cư lơi khuyên nao cung se được đanh gia cao..

Cho đến nay, tôi đã nghĩ đến một mô hình VAR, nhưng tôi không chắc làm thế nào để bao gồm hiệu ứng hàng tháng - sử dụng một độ trễ thực sự cao hoặc thêm một thành phần theo mùa nào đó?

r time-series seasonality var

— wije
nguồn

1

Cốt truyện CCF trông như thế nào đối với độ trễ 29 đến 31? Là gai thường xuyên đủ để nó xuất hiện? Bạn có thể sử dụng thử nghiệm Granger để kiểm tra giá trị độ trễ nào có ý nghĩa thống kê.

— tmakino
nguồn

Có, có những đột biến rõ ràng trong âm mưu CCF ở độ trễ 28-31, đặc biệt là ngày 30.

— wije

1

Mô hình cấp tháng

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} + . .

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

— wợi
nguồn