Regressão Binomial Negativa Inflacionada de Zeros Geograficamente Ponderada: um caso geral para dados de contagem

Modelos de Poisson e de Regressão Binomial Negativa são frequentemente usados para descrever a relação entre uma variável dependente de contagem e um conjunto de variáveis independentes. No entanto, esses modelos falham na análise de dados com excesso de zeros, sendo os modelos Poisson Inflacionado de Zeros (ZIP) e Binomial Negativo Inflacionado de Zeros (ZINB) os mais adequados para se ajustar a esse tipo de dado. Para incorporar a dimensão espacial nos modelos de dados de contagem, foram desenvolvidas a Regressão de Poisson Geograficamente Ponderada (GWPR), Regressão Binomial Negativa Geograficamente Ponderada (GWNBR) e a Regressão de Poisson Inflacionada de Zeros Geograficamente Ponderada (GWZIPR), mas ainda não foi desenvolvida a parte inflacionada de zeros da distribuição binomial negativa, a fim de incorporar a superdispersão e a inflação de zeros, como foi no início da pandemia de COVID-19, enquanto que alguns lugares estavam tendo um surto de casos e em outros não havia casos ainda. Portanto, é proposto o modelo de Regressão Binomial Negativo Inflacionado de Zeros Geograficamente Ponderado (GWZINBR), que pode ser considerado um caso geral para dados de contagem, uma vez que localmente pode se tornar um modelo GWZIPR, GWNBR ou GWPR. Aplicamos este modelo à dados simulados e aos casos de COVID-19 na Coreia do Sul no início da pandemia em 2020 e os resultados mostraram uma melhor compreensão do fenômeno em comparação com o modelo GWNBR.