尝试查看两个系列之间的互相关：
将系列 1 与系列 2 关联起来；
将系列 1 与滞后 1 个周期的系列 2 相关联；
将系列 1 与滞后 2 个周期的系列 2 相关联；
等等。
探索尽可能多的滞后，在你所处的上下文中合理地预期是合理的。此外，根据应用程序的上下文，你可能需要查看滞后系列 1 与（非滞后）系列 2。
注意哪个滞后给出了最高的绝对相关性——这将是对“真实”滞后的粗略估计。

直观地检查互相关是很舒服的。在R中，您可以使用函数ccf(.)来获取和绘制相关图。

在回归中，有几种方法可以进行，但最直接的一种可能是移动平均法。也就是说，您假设目标之间存在线性（参数中的线性）关系$y_t$( change_in_rank) 和你的回归$x_t$( change_in_goodness) 由

这里，输入参数$p$确定最大滞后时间。接下来，您使用表单的一些选定数据来拟合您的模型$(x_{j-1}, \ldots, x_{j-p}; y_j)$在哪里$j\in \{1,\ldots, N_\text{data}\}$，例如通过使用标准最小二乘回归。

最后，您可以使用结果进行预测（在这种情况下，神经网络等更灵活的模型可能会做得更好），或者使用拟合参数来解释结果（在可解释性方面，几乎没有什么比线性模型更好）。$\boldsymbol \beta$

如果该模型不够灵活，您可以将其扩展到更高维度和更通用的函数，还可以扩展到您进一步包括的自回归移动平均模型的一些先前的回归结果。$f(x_{t-1}, \ldots, f_{t-p})$$y_j$$j<t$