Resumo

GEORGE, Sebastian  e  JOSE, Ambily. Modelo oculto de Markov de Poisson generalizado para datos de recuento sobredispersados o subdispersos. Rev.Colomb.Estad. [online]. 2020, vol.43, n.1, pp.71-82.  Epub 05-Jun-2020. ISSN 0120-1751.  https://doi.org/10.15446/rce.v43n1.77542.

El método estadístico más adecuado para explicar la dependencia serial en los datos de recuento de series de tiempo se basan en los modelos ocultos de Markov (HMM). Estos modelos suponen que las observaciones se generan a partir de un finito mezcla de distribuciones regidas por el principio de la cadena de Markov (MC). El modelo de Markov oculto de Poisson (P-HMM) puede ser el método ms utilizado para modelar las situaciones mencionadas anteriormente. Sin embargo, en el escenario de la vida real, este modelo no puede considerarse como la mejor opción. Teniendo en cuenta este hecho, nosotros, en este artículo, apostamos por la distribución generalizada de Poisson (GPD) para modelar datos de conteo. Este método puede rectificar la sobredispersión y subdispersión en el modelo de Poisson. Aqu desarrollamos Poisson generalizado Modelo de Markov oculto (GP-HMM) combinando GPD con HMM para modelando tales datos. Los resultados del estudio sobre datos simulados y una aplicación de datos reales, casos mensuales de leptospirosis en el estado de Kerala en South India, muestra buenas propiedades de convergencia, lo que demuestra que el GP-HMM Es un método mejor en comparación con P-HMM.

Palavras-chave : Algoritmo EM; Distribución generalizada de Poisson; Modelo oculto de Markov; Sobredispersión.

        · resumo em Inglês     · texto em Inglês     · Inglês ( pdf )