Integer-Valued First Order Autoregressive (INAR(1)) Model With Negative Binomial (NB) Innovation For The Forecasting Of Time Series Count Data
Notice bibliographique
Résumé
This paper is about the theoretical investigation of integer-valued first order autoregressive (INAR(1)) model with negative binomial (NB) innovation for the forecasting of time series count data. The study makes use of the Conditional Least squares (CLS) estimator to estimate the parameter of INAR(1) model, and Maximum Likelihood Estimator (MLE) to estimate the mean (μ ) and the dispersion parameter (K) of the NB distribution. A simulation experiment based on theoretical generated data were addressed under different parameter values α =0.2, 0.6, 0.8, different sample sizes n=30, 90, 120, 600 for the class of INAR(1) model, and μ  =0.85, 1.5, 2,  K=1,2, 4 for the NB distribution. The Monte Carlo simulations were conducted with codes written in R, all results were based on 1000 runs. The estimation of parameter for the class of INAR(1) model gives a better result when the number of observations is small and the parameter value is high. The NB estimation gives a better result when the number of observations is small and with large K values. The forecasting accuracy of the model at different lead time period l =1, 3, 5, 7, 9, 15 were investigated with codes written in R. The results showed that the minimum mean square error (MMSE) produced when the number of lead times forecasts is between one and five were less than that produced when the numbers of lead times forecast were greater than five. The MMSE increased when the number of lead time periods increases. This result indicates that forecasting with this class of model is better with short time frame of predictions. The study was applied to the number of deaths arising from COVID-19 in Nigeria which consist of count time series data of 48 observations (weekly data), from January 2021 to December 2021.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».