ZUSAMMENFASSUNG In diesem Artikel präsentieren wir eine dynamische Version der ganzzahligen autoregressiven (INAR) Prozesse für Zähldaten. Das vorgeschlagene Bayesianische Modell bietet eine Vereinheitlichung der zuvor betrachteten Modelle, um zeitliche Korrelationen in univariaten Zeitreihen von Zählwerten zu beschreiben. Wir entwickeln die Bayesianische Inferenz für die vorgeschlagene Modellklasse über MCMC und führen einen Partikelfilterungsalgorithmus (PF) für die sequenzielle Inferenz ein. Die neue Modellklasse wird mit ihren statischen Gegenstücken unter Verwendung tatsächlicher Zählserien verglichen, und die zusätzlichen Erkenntnisse, die durch die neuen Modelle bereitgestellt werden, werden diskutiert.
Soyer et al. (Fri,) untersuchten diese Frage.