Poisson log-linear regression model is commonly used for analysing count data. Valid inference based on this model can be drawn when the mean and variance of the data are equal. However, in practice variance of responses is often much greater than the mean of the responses, known as over-dispersion. Also, non-stationarity, i.e. non-constant mean, or/and non-constant variance, and/or covariance that is not solely the function of elapsed time between responses over the period of study, is another issue in the longitudinal study. It has been found that ignoring such departures may arise bias and provide misleading conclusions. As a remedy, negative binomial (NB) regression was suggested by the researcher for modelling longitudinal count. For longitudinal non-stationary count with over-dispersion, there is no established observation-driven model in the literature. Although there exists a non-stationary NB type model in the time series context, this type of observation-driven model has never been used in longitudinal data. In this paper, we have extended the non-stationary model to the longitudinal set-up and proposed a GQL estimation procedure for estimating regression parameters. An extensive simulation study has been carried out through which it has been shown that GQL provides unbiased estimates of the regression parameters. Performance of the method of moment approach for estimating correlation and over-dispersion parameter has also found to be consistent. The proposed model and estimation technique, thereafter, was applied to analyse longitudinal epileptic seizure count data.

泊松对数线性回归模型通常用于分析计数数据。当数据的均值和方差相等时，可以得出基于该模型的有效推理。然而，在实践中，响应的方差通常远大于响应的平均值，称为过度分散。此外，非平稳性，即非常量均值，或/和非常量方差，和/或协方差不仅仅是研究期间响应之间经过时间的函数，是纵向研究中的另一个问题。已经发现，忽略这种偏离可能会产生偏见并提供误导性的结论。作为补救措施，研究人员建议使用负二项式 (NB) 回归来对纵向计数进行建模。对于过度离散的纵向非平稳计数，文献中没有既定的观察驱动模型。尽管在时间序列上下文中存在非平稳 NB 类型的模型，但这种类型的观察驱动模型从未用于纵向数据。在本文中，我们将非平稳模型扩展到纵向设置，并提出了用于估计回归参数的 GQL 估计程序。已经进行了广泛的模拟研究，通过该研究表明 GQL 提供了回归参数的无偏估计。估计相关性和过度分散参数的矩量法的性能也被发现是一致的。此后，所提出的模型和估计技术被应用于分析纵向癫痫发作计数数据。尽管在时间序列上下文中存在非平稳 NB 类型的模型，但这种类型的观察驱动模型从未用于纵向数据。在本文中，我们将非平稳模型扩展到纵向设置，并提出了用于估计回归参数的 GQL 估计程序。已经进行了广泛的模拟研究，通过该研究表明 GQL 提供了回归参数的无偏估计。估计相关性和过度分散参数的矩方法的性能也被发现是一致的。此后，所提出的模型和估计技术被应用于分析纵向癫痫发作计数数据。尽管在时间序列上下文中存在非平稳 NB 类型的模型，但这种类型的观察驱动模型从未用于纵向数据。在本文中，我们将非平稳模型扩展到纵向设置，并提出了用于估计回归参数的 GQL 估计程序。已经进行了广泛的模拟研究，通过该研究表明 GQL 提供了回归参数的无偏估计。估计相关性和过度分散参数的矩量法的性能也被发现是一致的。此后，所提出的模型和估计技术被应用于分析纵向癫痫发作计数数据。我们已将非平稳模型扩展到纵向设置，并提出了用于估计回归参数的 GQL 估计程序。已经进行了广泛的模拟研究，通过该研究表明 GQL 提供了回归参数的无偏估计。估计相关性和过度分散参数的矩方法的性能也被发现是一致的。此后，所提出的模型和估计技术被应用于分析纵向癫痫发作计数数据。我们已将非平稳模型扩展到纵向设置，并提出了用于估计回归参数的 GQL 估计程序。已经进行了广泛的模拟研究，通过该研究表明 GQL 提供了回归参数的无偏估计。估计相关性和过度分散参数的矩量法的性能也被发现是一致的。此后，所提出的模型和估计技术被应用于分析纵向癫痫发作计数数据。估计相关性和过度分散参数的矩量法的性能也被发现是一致的。此后，所提出的模型和估计技术被应用于分析纵向癫痫发作计数数据。估计相关性和过度分散参数的矩量法的性能也被发现是一致的。此后，所提出的模型和估计技术被应用于分析纵向癫痫发作计数数据。