Receba gratuitamente todos os nossos conteúdos.

Fique por dentro das novidades e oportunidades referentes à Psicometria e Análise Quantitativa de Dados.

Para que serve a Regressão de Poisson?

Em estatística, a regressão de Poisson é uma forma de modelo linear generalizado de análise de regressão usada para modelar dados de contagem e tabelas de contingência. Isto é, a regressão de Poisson é usada para prever uma variável dependente que consiste em dados de contagem por meio de uma ou mais variáveis independentes (as variáveis preditoras ou explicativas) que pode ser medido em uma escala contínua, ordinal ou nominal/dicotômica. Variáveis ordinais e nominais/dicotômicas podem ser amplamente classificadas como variáveis categóricas.

Cabe ressaltar que dados de contagem ou, variáveis de contagem, para serem utilizados na regressão de Poisson, devem ser zero ou maiores.

Em termos simples, pense em um “inteiro” como um número “inteiro” (por exemplo, 0, 1, 5, 8, 354, etc.). Além disso, como os dados de contagem devem ser “positivos” (ou seja, consistir em valores inteiros “não negativos” – por exemplo, valores como -1, -5, -8, -354, -888 e -23400 não seriam considerados dados de contagem).

Por outro lado, variáveis contínuas incluem tempo de espera (medido em horas ou minutos), inteligência (medido usando pontuação de QI), desempenho no exame (medido de 0 a 100) e peso (medido em kg).

Exemplos de variáveis ordinais incluem formas de classificação de categorias (por exemplo, uma escala de 3 pontos explicando o quanto um cliente gostou de um produto , variando de “Não muito” a “Sim, muito”).

Exemplos de variáveis nominais incluem sexo (por exemplo, dois grupos – masculino e feminino – também conhecido como variável dicotômica), etnia (por exemplo, quatro grupos: latino americano, caucasianos, afro-americanos e hispânicos) e profissão (por exemplo, seis grupos: psicólogo, engenheiro, dentista, terapeuta ocupacional, biólogo e enfermeiro).

Ao realizar uma regressão de Poisson, você será capaz de determinar quais de suas variáveis independentes (se houver) têm um efeito estatisticamente significativo em sua variável dependente. Se você tiver variáveis independentes categóricas, você será capaz de determinar o aumento ou diminuição percentual nas contagens de um grupo (por exemplo, mortes por câncer entre fumantes de cigarro tradicional) versus mortes por câncer entre fumantes de cigarros eletrônicos.

Por outro lado, se você possui variáveis independentes contínuas, você será capaz de interpretar como um aumento ou diminuição de uma única unidade nessa variável está associado a um aumento ou diminuição percentual nas contagens de sua variável dependente (por exemplo, uma diminuição de R$ 1.000,00 no salário – a variável independente – em a variação percentual no número de vezes que as pessoas deixam de pagar a conta do cartão de crédito – a variável dependente).

Um exemplo de uso da regressão de Poisson: Examinar o número de pessoas à sua frente na fila para o atendimento em um pronto socorro com base em preditores tais como: o modo de chegada ao pronto socorro (ambulância ou por conta própria), a gravidade avaliada da lesão durante a triagem (leve, moderada, grave), hora do dia e dia da semana.

Aqui, o “número de pessoas à sua frente na fila” é a variável dependente, enquanto “modo de chegada” é uma variável independente nominal, “gravidade da lesão avaliada” é uma variável independente ordinal e “hora do dia” e ” dia da semana” são variáveis independentes contínuas.

Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).

BRUNO FIGUEIREDO DAMÁSIO

Sou Psicólogo, mestre e doutor em Psicologia. Venho me dedicando à Psicometria desde 2007.

Fui professor e chefe do Departamento de Psicometria da UFRJ durante os anos de 2013 a 2020. Fui editor-chefe da revista Trends in Psychology, da Sociedade Brasileira de Psicologia (SBP) eEditor-Associado da Spanish Journal of Psychology, na sub-seção Psicometri e Métodos Quantitativos.

Tenho mais de 50 artigos publicados e mais de 3000 citações, nas melhores revistas nacionais e internacionais. Atualmente, me dedico a formação de novos pesquisadores, através da Psicometria Online Academy. Minha missão é ampliar a formação em Psicometria no Brasil e lhe auxiliar a conquistar os seus objetivos profissionais.

Deseja se tornar completamente autônomo e independente na análise dos seus dados?

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Veja mais

Posts relacionados

Covariância e correlação

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

Covariância e correlação

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.