整数值时间序列数据在经济、医学和环境科学中非常常见.整数值自回归（integer-valued autoregressive,记为INAR）模型和整数值广义自回归条件异方差（integer-valued generalized autoregressive conditional heteroskedasticity,记为INGARCH）模型常被用来拟合这类数据.本文分别基于这两类模型来研究整数值数据的过离散和聚合问题.二元INAR（bivariate INAR,记为BINAR）模型常常被用来刻画两个整数值数据之间的交互依赖关系.我们注意到,实际中的二元整数值数据常常具有过离散的性质,因此,在本文中,二元负二项（bivariate negative binomial,记为BNB）分布被选为BINAR模型的新息.为了提高模型的灵活性,解释变量也被包含在模型的稀疏算子中.该新模型具有过离散的性质,且比基于二元泊松新息的传统模型更加灵活.本文回顾构造BNB分布的主要方法,并比较基于不同BNB新息的一阶BINAR模型的优劣.我们考虑条件最大似然方法来估计模型的参数,并利用矩估计给出相应的估计初始值.我们通过蒙特卡洛模拟说明该方法的有效性.我们也将上述模型应用到两个销售数据中,并得出一些有意义的结论.为了处理不同频率下的整数值数据（例如,每周的或者每天的）,我们基于INGARCH模型来研究整数值数据的时间聚合和系统抽样.在本文中,一方面,我们研究INGARCH模型的时间聚合和系统抽样,并讨论相关的预测,也利用时间聚合和系统抽样给出一种估计不同频率下整数值数据的新方法.另一方面,我们给出强和弱INGARCH模型的定义,也证明聚合后INGARCH模型和抽样后INGARCH模型是弱INGARCH模型,即它们满足一种和线性投影有关且更一般的INGARCH模型的定义.我们考虑拟最大似然和非线性最小二乘估计方法,并讨论相关的渐近性质和模拟结果.最后,我们利用一个实际例子来说明上述结果的实用性.