När det gäller att analysera och prediktera utvecklingen av antal dödade personer i vägtrafiken spelar sannolikhetsmodeller en viktig roll. I den här rapporten studeras en metod för analys av tidsserier av diskreta data som också kan hantera seriell korrelation. Metoden är en vidareutveckling av traditionell Poissonregression där överspridning och seriell korrelation modelleras genom en latent process. Syftet är dels att testa hur metoden fungerar i praktiken, dels att studera vikten av att ta hänsyn till eventuell seriell korrelation i data. Metoden testades dels för totalt antal dödade, dels för antal dödade uppdelat på följande sex trafikantkategorier: bilister (förare och passagerare i personbil, lastbil och buss), motorcyklister, mopedister, cyklister, gångtrafikanter och övriga. Resultaten visar att man i flera fall förbättrar anpassningen av modellerna om man tar hänsyn till att det finns seriell korrelation i serierna. Speciellt tydlig är förbättringen när det gäller totalt antal dödade och bilister, men anpassningen förbättras också för motorcyklister, cyklister och gångtrafikanter. Det tyder dels på att det fattas viktiga förklaringsvariabler i modellerna som ger upphov till korrelation, dels att detta till viss del kan kompenseras för med den föreslagna metoden.

Probability models play an important role when analysing and forecasting time series of the number of fatalities in road traffic accidents. This report presents a study of a method of analysing time series of count data that also can account for serial correlation. The method is a development of traditional Poisson regression where overdispersion and serial correlation is modelled by a latent process. The aim of the study was partly to test how the method worked in practice, partly to study the importance of considering possible serial correlation in the data. The method was tested both for the total number of killed road users and the number of killed road users divided in the following six categories: car occupants (drivers and passengers in passenger cars, lorries, and busses), motor-cyclists, mopedists, cyclists, pedestrians, and others. The results show that the fit was improved for several of the models when serial correlation was considered. The improvement was most evident for the total number of road users and for car occupants, but the fit was also improved for motor-cyclists, cyclists and pedestrians. This indicates that important explanatory variables were missing, which gave rise to the correlation, and that this partly could be compensated for by the studied method.