有许多不同复杂程度的可能模型。这些包括（一些非常密切相关）：

具有滞后变量的时间序列回归

滞后回归模型。另见分布式滞后模型

具有自相关误差的回归

具有自相关误差的传递函数建模/滞后回归

ARMAX 型号

向量自回归模型

状态空间/动态线性模型可以包含自相关和回归组件

因为您的输入序列是 0/1，您可能希望查看具有自相关误差的滞后回归，但要注意季节性和日历效应（如假期）。

如此简单的模型可能看起来像

$\qquad\text{ Sales}_t = \phi_0+\phi_1\,\text{Sales}_{t-1} +\beta_3\,\text{job}_{t-3}+\beta_4\,\text{job}_{t-4}+\epsilon_t$

或者类似的东西

$\qquad\text{ Sales}_t = \alpha +\beta_3\,\text{job}_{t-3}+\beta_{12}\,\text{job}_{t-12}+\text{seasonal}_{t}+\eta_t$

其中又是噪声项的一些 ARMA 模型（尽管您可能希望其中有更多的滞后，而不仅仅是一个） - 或各种其他可能性。[上面的季节项没有参数，因为它可能有几个分量，所以有几个参数；将其视为该数据组件模型的占位符。这些模型都可能不够，它们只是为了大致了解简单模型的外观]$\eta_t$

您可能还想考虑二进制工作状态变量是否需要模型本身（如果您想预测比涉及它的最小滞后更远，至少考虑那里是否存在任何此类影响可能很重要 - 请参阅传递函数模型，但您必须考虑二进制变量的特殊性质）

一旦你有了一个能够很好地捕捉主要特征的销售模型，你就可以将其视为测试。您应该有足够的数据（看起来像几年）来保存一些数据以进行样本外模型测试和验证。我会从单独考虑销售的特征开始——它是固定的吗？自相关？它是否遇到任何季节性/周期性或日历组件？是否还有其他主要驱动因素需要考虑？

由于您提到 R，请注意tslm包中的函数forecast可以方便地在回归模型中包含季节性或趋势分量。

讨论几乎所有这些主题的书是 Shumway 和 Stoffer时间序列分析及其应用（第 3 版在 Stoffer 的页面上）。另一个强烈推荐的文本是预测原理和实践，Hyndman 和 Athanasopoulos，在这里，它涵盖了我提到的一些事情（但不是那么多）。

除了@Glen_b 的非常好的回答，我想推荐一些关于时间序列分析的补充信息和资源（主要在！），这可能对你有用。请在我的相关答案中找到它们，如下：关于一般时间序列分析和时间序列分类和聚类。希望这会有所帮助。R