مدل خودبازگشتی گسسته مقدار بر اساس نوفه هایی با توزیع نمایی-وایبل گسسته

در این مقاله،  به منظور مدل سازی داده های سری زمانی گسسته مقدار، فرایند خودبازگشتی گسسته مقدار جدید بر اساس توزیع نمایی-وایبل گسسته معرفی شده است.   نظر به اهمیت توزیع های گسسته در مدل سازی داده های شمارشی، همتای گسسته توزیع نمایی-وایبل معرفی و برخی ویژگی های آماری آن از قبیل تابع بﻘا، نرخ خطر، تابع مولد گشتاور، چولگی و کشیدگی بررسی می شود.  شاخص های پراکندگی فیشر، چولگی و کشیدگی، بیانگر انعطاف پذیری و کارایی توزیع نمایی-وایبل گسسته در برازش انواع مختلف داده های شمارشی است. توزیع نمایی-وایبل گسسته، برازش داده هایی با ویژگی های مختلف پراکندگی (کم پراکندگی، بیش پراکندگی و همسان)، دم راست بلند (چوله به راست) و دم سنگین را پوشش می دهد. پارامترهای مدل با استفاده از سه رویکرد ماکسیمم درستنمایی شرطی، کمترین توان های دوم شرطی تعمیم یافته و یول-واکر  برآورد شده است. در پایان، کارایی و برتری فرایند مدنظر در برازش داده های تعداد فوت ناشی از بیماری COVID-۱۹ نیز، در مقایسه با سایر مدل های رقیب بررسی می شود.

Keywords:

INAR(۱) process , Discrete Exponential-Weibull , Dispersion index , Heavy-tailed. , فرایند(۱)INAR , نمایی-وایبل گسسته , شاخص پراکندگی , دم سنگین.