Modelos para Dados de Contagem com Estrutura Temporal

porque não houve muita diferença entre as estimativas da verossimilhança preditiva entre
o modelo Poisson dinâmico e o modelo de sobredispersão Poisson-lognormal em suas
duas versões. Quantos aos modelos dinâmicos para dados inflacionados de zeros, vimos
que estes apresentaram o pior desempenho quanto à capacidade preditiva. Os valores
estimados para a verosssimilhança preditiva destes modelos foram menores até que o valor
estimado para a verossimilhança preditiva do modelo PAR. Entretanto, estes modelos
apresentam características peculiares as quais podemos estar interessados. Portanto,
também não devemos descartar totalmente a utilização dos modelos dinâmicos para dados
de contagem inflacionados de zeros para a modelagem do conjunto de dados sob estudo.
Vimos, para a análise da série temporal do número semanal de casos de dengue
notificados no bairro da Mangueira no município do Rio de Janeiro, que o método
CUBS proposto por Ravines et al. (2007) não obteve uma boa performance quanto às
taxas de aceitação dos valores propostos para os parâmetros de estados dos modelos
dinâmicos. Desta forma, ainda no Capítulo 4, fizemos uma investigação a fim de descobrir
as causas deste mau desempenho do algoritmo e chegamos à conclusão, com base
em fortes evidências, de que o excesso de valores 0 (zero) do início da série temporal
das observações foi a causa da performance ruim do CUBS. Utilizamos, portanto, no
ajuste dos modelos de interesse para a série temporal sob estudo, o algoritmo proposto
po Gamerman (1998).
Com relação ao modelo PAR, observamos que, apesar da estimativa para a verossimilhança
preditiva deste modelo ser maior que as estimativas da verossimilhança preditiva
dos modelos para dados inflacionados de zeros, o ajuste deste modelo para o conjunto de
dados sob estudo foi razoavelmente ruim. Podemos concluir este fato através da análise
de resíduos e dos valores replicados. Por tratar-se de um modelo estático, o modelo PAR
não foi capaz de capturar os picos da série temporal das observações. Novamente, extensões
podem ser feitas neste modelo no sentido de incluir uma estrutura dinâmica na
componente de chegada ν t .
128