Los datos de recuento a menudo presentan discrepancias en las frecuencias de ceros, que comúnmente ocurren en varios dominios de aplicación. Estos datos pueden incluir exceso de ceros (inflación de ceros) o, con menos frecuencia, escasez de ceros (deflación de ceros). En modelos de regresión, ambas situaciones pueden surgir en diferentes niveles de covariables. El modelo de regresión de series de potencia modificada por ceros proporciona un marco efectivo para modelar tales datos de recuento, ya que no requiere conocimiento previo del tipo de modificación de ceros, ya sea inflación de ceros o deflación de ceros, y puede acomodar la sobredispersión, equidispersión o subdispersión presente en los datos. Este artículo propone un procedimiento de estimación bayesiana basado en el algoritmo de Monte Carlo Hamiltoniano de gradiente estocástico, abordando efectivamente muchos desafíos asociados con la estimación de los parámetros del modelo. Además, presentamos una medida de eficiencia bayesiana para evaluar el impacto de la información previa en la estimación de parámetros. La utilidad práctica del método propuesto se demuestra a través de datos simulados y reales en diferentes tipos de modificación de ceros.