Poisson models generally are utilized in analyzing spatial patterns of crime count data. When spatial autocorrelation is present, these models are extended to account for it. Among various methods, eigenvector spatial filtering (ESF) furnishes an efficient means of analysis. However, because space–time crime data have temporal components as well as spatial components, Poisson models need to be further adjusted to reflect the two types of components simultaneously. This article discusses how the ESF method can be utilized to model space–time crime data, extending the generalized linear mixed model specification for it. This approach is illustrated with an application to space–time vehicle burglary incidents in the city of Plano, Texas, during 2004–2009. Los modelos de Poisson generalmente se utilizan en el análisis de los patrones espaciales de los datos de recuento de crimen. Cuando hay autocorrelación espacial, estos modelos son modificados para dar cuenta de ello. Entre los diversos métodos existentes, el método Eigenvector (autovector, vector propio) de filtrado espacial (Eigenvector Spatial Filtering‐ESF) proporciona un medio eficaz para dicho análisis. Sin embargo, dado que los datos de criminalidad espacio‐temporales tienen tanto componentes temporales como espaciales, los modelos tipo Poisson requieren de un ajuste adicional para reflejar ambos tipos de componentes de manera simultánea. El artículo presente expone cómo el método ESF puede ser utilizado para modelar datos espacio‐temporales sobre delitos mediante la modificación del modelo mixto lineal generalizado (Generalized Linear Mixed Model‐GLMM). El procedimiento propuesto se ilustra con el caso de incidentes espacio‐temporales de robos de vehículos en la ciudad de Plano, Texas, durante 2004–2009. 泊松模型一般用于犯罪计数数据的空间模式分析中，当空间自相关关系呈现时，这类模型可扩展以解释潜在的分布特征。在各种模型中，特征向量空间滤波（ESF）提供了一种有效的分析方法。然而，由于时空犯罪数据包含时间和空间组分，因此泊松模型需要进一步调整以同时反映这两种不同类型的数据。本文讨论了如何利用特征向量空间滤波(ESF)模型对时空犯罪数据进行建模，并采用扩展广义线性混合模型(GLMM)进行规范。最后，以德克萨斯州普莱诺市2004‐2009年的车辆盗窃案数据进行了实证验证。