Como modelar efeitos mês a mês em dados diários de séries temporais?

Eu tenho duas séries temporais de dados diários. Um é sign-upse o outro terminationsde assinaturas. Eu gostaria de prever o último usando as informações contidas nas duas variáveis.

Observando o gráfico dessas séries, é óbvio que as terminações estão correlacionadas com os múltiplos de inscrições nos meses anteriores. Ou seja, um aumento nas inscrições em 10 de maio levará a um aumento nas rescisões em 10 de junho, 10 de julho e 10 de agosto e assim por diante, embora o efeito desapareça.

Espero obter uma dica de quais modelos posso empregar para modelar esse problema específico. Qualquer conselho seria muito apreciado..

Até agora, estive pensando em um modelo VAR, mas não sei como incluir o efeito mensal - use uma ordem muito alta de atrasos ou adicione um componente sazonal de alguma forma?

Como é o gráfico de CCF para os atrasos 29 a 31? Os picos são frequentes o suficiente para que apareçam? Você pode usar um teste de Granger para verificar quais valores atrasados ​​são estatisticamente significativos.

Modelos no nível do mês

Você deve capturar as variações no nível do mês na propensão a terminar (por exemplo, as inscrições durante as férias de Natal são mais propensas a terminar do que as inscrições em abril). Vamos dizer que seu modelo habitual de séries temporais é: . Agora, se você acredita que os parâmetros etc. são específicos para o mês, você pode interagir com o indicador do mês com os demais preditores.

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

Portanto, seu novo formulário funcional será Isso é semelhante à criação de modelos no nível do mês, permitindo maior flexibilidade na captura de variações específicas do mês na tendência de término

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