Comment modéliser les effets d'un mois à l'autre dans les données de séries chronologiques quotidiennes?

J'ai deux séries chronologiques de données quotidiennes. L'un est sign-upset l'autre terminationsdes abonnements. J'aimerais prédire ce dernier en utilisant les informations contenues dans les deux variables.

En regardant le graphique de ces séries, il est évident que les terminaisons sont corrélées aux multiples des inscriptions des mois précédents. Autrement dit, un pic des inscriptions le 10 mai entraînera une augmentation des résiliations le 10 juin, le 10 juillet et le 10 août et ainsi de suite, bien que l'effet se dissipe.

J'espère avoir une idée des modèles que je pourrais utiliser pour modéliser ce problème spécifique. Tout conseil serait très apprécié..

Jusqu'à présent, j'ai pensé à un modèle VAR, mais je ne sais pas comment inclure l'effet mensuel - utiliser un ordre de retard vraiment élevé ou ajouter une composante saisonnière d'une manière ou d'une autre?

À quoi ressemble le tracé CCF pour les décalages 29 à 31? Les pics sont-ils suffisamment fréquents pour apparaître? Vous pouvez utiliser un test de Granger pour vérifier quelles valeurs décalées sont statistiquement significatives.

Modèles au niveau du mois

Vous devez saisir les variations au niveau du mois dans la propension à résilier (par exemple, les inscriptions pendant les vacances de Noël sont plus susceptibles de se terminer que les inscriptions en avril). Disons que votre modèle de série chronologique habituel est:

$$terminations_{t}=\beta_{1} signups_{t-1}+ \beta_{2} signups_{t-2} +..$$ . Maintenant, si vous pensez que les paramètres etc. sont spécifiques au mois, vous pouvez interagir avec l'indicateur d'indicateur du mois avec les autres prédicteurs.$\beta_{1}$

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