No abstract

Summary In this paper we propose a new stationary first‐order non‐negative integer valued autoregressive process with geometric marginals based on a generalised version of the negative binomial thinning operator. In this manner we obtain another process that we refer to as a generalised stationary integer‐valued autoregressive process of the first order with geometric marginals. This new process will enable one to tackle the problem of overdispersion inherent in the analysis of integer‐valued time series data, and contains the new geometric process as a particular case. In addition various properties of the new process, such as conditional distribution, autocorrelation structure and innovation structure, are derived. We discuss conditional maximum likelihood estimation of the model parameters. We evaluate the performance of the conditional maximum likelihood estimators by a Monte Carlo study. The proposed process is fitted to time series of number of weekly sales (economics) and weekly number of syphilis cases (medicine) illustrating its capabilities in challenging cases of highly overdispersed count data.

No abstract

No abstract

Na maioria dos estudos de séries temporais de dados hidrológicos, a informação da existência de observações atípicas (outliers) não é considerada como parte integrante da modelagem dos dados. A consideração dos dados atípicos nos processos de modelagem estocástica tem como objetivo melhorar a eficiência do modelo ajustado e proporcionar uma maior confiabilidade em seus resultados. Por isso, usa-se neste artigo ferramental teórico na modelagem de séries temporais sazonais com outliers, tendo como estudo de caso a vazão máxima do Rio Jucu, entre os dois principais mananciais responsáveis pelo abastecimento da Grande Vitória, estado do Espírito Santo. Os resultados mostram que o modelo SARIMA (Auto-Regressivo Integrado e de Médias Móveis Sazonal), considerando a informação da presença de outliers, representou melhor a dinâmica da série em estudo, ao prever o ciclo anual de picos máximos de vazão com uma redução de 46% no Erro Quadrático Médio (EQM) de previsão para 1-passo à frente.