机器算法验证 - 如何在每日时间序列数据中模拟月度效应？ - 吾爱随笔录

机器算法验证 r 时间序列季节性向量自回归

2022-03-13 04:20:03

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。

查看这些系列的图表，很明显终止与前几个月的注册倍数相关。也就是说，5 月 10 日注册人数激增，将导致 6 月 10 日、7 月 10 日和 8 月 10 日等终止人数增加，尽管效果会逐渐减弱。

我希望得到关于我可以使用哪些模型来模拟这个特定问题的提示。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，但我不确定如何包含月度效应 - 使用非常高的滞后量或以某种方式添加季节性分量？

2个回答

滞后 29 到 31 的 CCF 图是什么样的？尖峰是否足够频繁以至于它出现？您可以使用 Granger 检验来检查哪些滞后值具有统计显着性。

您应该捕获终止倾向的月份级别变化（例如，圣诞节假期期间的注册比四月期间的注册更有可能终止）。假设您通常的时间序列模型是：。现在，如果您认为参数等是特定于月份的，您可以将月份指示器标志与剩余的预测变量进行交互。

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份级别的模型，从而可以更灵活地捕获月份的特定变化趋势

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} + . .

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

其它你可能感兴趣的问题