Regressão de Poisson na Tese: Quando a Variável Dependente É uma Contagem (2026)

Se a sua variável dependente é quantas vezes alguma coisa aconteceu — número de consultas, de faltas, de reclamações, de publicações, de acidentes — não está perante uma variável contínua, e a regressão linear é o modelo errado. A família correcta chama-se modelos para dados de contagem, e a porta de entrada é a regressão de Poisson.

O erro típico numa tese não é escolher Poisson: é escolher Poisson e parar aí. O modelo assume uma condição forte que os dados reais quase nunca cumprem, e não verificar essa condição produz erros-padrão demasiado pequenos, valores-p demasiado bonitos e conclusões que não resistem à arguição. Este artigo cobre quando usar, como detectar o problema, para onde escapar quando ele aparece, e o que reportar.

Como reconhecer uma variável de contagem

Três propriedades definem-na, e todas as três importam:

• Só assume números inteiros não negativos. 0, 1, 2, 3 — não existe meia consulta nem menos duas faltas.
• Não tem limite superior natural definido pelo desenho. Distingue-se assim de «14 respostas correctas em 20», que é uma proporção binomial e pede outro modelo.
• A distribuição é assimétrica à direita, tipicamente com uma barra alta em zero e uma cauda longa e fina.

O contraste com a variável contínua simétrica que a regressão linear pressupõe é imediato:

Porque é que a regressão linear falha aqui

Não é uma objecção estética. São três falhas concretas:

1. Prevê valores impossíveis. Uma recta ajustada a contagens devolve previsões negativas para os valores baixos dos preditores. «Este participante terá −0,7 reclamações» não é um resultado.
2. Os resíduos não são homocedásticos. Em dados de contagem, a variância cresce com a média — quem tem contagens altas varia mais. O pressuposto de variância constante está violado por construção, não por acaso amostral.
3. A transformação não resolve. A tentação é aplicar logaritmo ou raiz quadrada à variável dependente e seguir em frente. O logaritmo de zero é indefinido, o remendo habitual (somar 1 antes de logaritmizar) é arbitrário e distorce os coeficientes, e o modelo continua a estimar a média do log em vez do log da média. Sobre o que a transformação de dados resolve e não resolve em geral, veja como verificar os pressupostos dos testes paramétricos.

A resposta correcta não é forçar a contagem a parecer normal. É usar um modelo desenhado para contagens.

A regressão de Poisson

É um modelo linear generalizado com função de ligação logarítmica: modela o logaritmo da contagem esperada como uma função linear dos preditores. Duas consequências práticas seguem daí.

A primeira é que as previsões nunca são negativas — a exponencial garante-o. A segunda é que os efeitos passam a ser multiplicativos e não aditivos: um preditor não acrescenta um número fixo de ocorrências, multiplica a contagem esperada por um factor. É a mesma lógica de leitura da regressão logística, com rácios de taxas de incidência no lugar dos odds ratios.

O pressuposto que decide tudo: equidispersão

A distribuição de Poisson tem uma propriedade invulgar: a média e a variância são o mesmo número. O modelo não estima um parâmetro de dispersão separado — assume-o igual à média.

Nos dados reais de uma tese, isto quase nunca se verifica. Quando a variância observada excede a média, há sobredispersão, e a consequência é específica e grave: os coeficientes continuam aproximadamente correctos, mas os erros-padrão vêm subestimados. Intervalos de confiança demasiado estreitos, valores-p demasiado pequenos, preditores declarados significativos que não o são. É o modo de falha mais comum e o mais fácil de detectar — desde que se procure.

Detectar sobredispersão em três verificações

O rácio de dispersão é a verificação de referência e sai directamente do output. Um valor próximo de 1 indica equidispersão; valores nitidamente acima indicam sobredispersão. Não existe um limiar consensual e universal — o critério defensável é reportar o valor, compará-lo com 1 e, na dúvida, correr também o modelo alternativo e confrontar os dois.

A descritiva simples merece nota especial porque é gratuita e quase sempre suficiente para levantar a suspeita. Se a variância for várias vezes a média, sabe o resultado antes de estimar seja o que for. Verifique também se a inflação não vem de meia dúzia de casos extremos — o procedimento está em detectar, tratar e reportar outliers.

Binomial negativa: a saída habitual

A regressão binomial negativa é a extensão natural do Poisson. Acrescenta um parâmetro de dispersão que permite à variância crescer mais depressa do que a média, em vez de a obrigar a acompanhá-la.

Na prática, interpreta-se exactamente da mesma maneira — os coeficientes exponenciados continuam a ser rácios de taxas de incidência — mas os erros-padrão passam a ser honestos. É por isso que muitos preditores que apareciam significativos no Poisson deixam de o ser no binomial negativo. Isso não é o modelo a piorar: é o Poisson a ter estado a mentir.

A regra de decisão prática é simples. Estime os dois. Se o parâmetro de dispersão for indistinguível de zero e o teste de razão de verosimilhanças não favorecer o binomial negativo, fique com o Poisson e diga que verificou. Caso contrário, apresente o binomial negativo como modelo principal e justifique-o com o valor da dispersão.

Excesso de zeros: quando a contagem tem duas origens

Há um caso em que nem o Poisson nem o binomial negativo chegam: quando os zeros são muito mais numerosos do que qualquer um dos modelos consegue produzir, e há razão teórica para acreditar que nem todos os zeros são iguais.

O exemplo canónico: numa tese sobre número de idas ao ginásio por semana, um zero pode significar «é sócio e esta semana não foi» ou «não é sócio e nunca poderia ir». São processos diferentes, e um modelo único trata-os como se fossem o mesmo.

O aviso importa mais do que a tabela: muitos zeros não são, por si, motivo para um modelo zero-inflado. Uma contagem com média baixa produz naturalmente muitos zeros, e o binomial negativo acomoda-os sem dificuldade. Só passe para ZIP ou ZINB se conseguir nomear os dois processos e defender a distinção no capítulo de método. Caso contrário, está a acrescentar parâmetros que não sabe explicar — e o júri vai perguntar.

Offset: quando o que interessa é a taxa, não a contagem

Este é o detalhe técnico que mais frequentemente falta em teses que, no resto, estão bem feitas.

Se as unidades observadas não estiveram expostas durante o mesmo tempo — ou não têm a mesma dimensão — as contagens não são comparáveis. Cinco eventos num serviço com 500 doentes não são cinco eventos num serviço com 50. Três reclamações num mês não são três reclamações num ano.

A solução não é dividir a contagem pela exposição e modelar a razão resultante, porque isso destrói a natureza inteira da variável. A solução é incluir o logaritmo da exposição como offset: um termo com coeficiente fixado em 1, que faz o modelo estimar uma taxa em vez de uma contagem bruta. Todo o resto se mantém, e a interpretação passa a ser em taxas por unidade de exposição.

Se a sua variável de exposição existe mas não está limpa, o momento de a preparar é antes de modelar, e o registo dessa decisão pertence ao livro de códigos da tese.

Interpretar e reportar os coeficientes

O coeficiente bruto está em escala logarítmica e não se interpreta directamente. Exponencie-o: obtém o rácio de taxas de incidência (IRR).

• IRR = 1 — o preditor não altera a contagem esperada.
• IRR = 1,35 — por cada unidade a mais no preditor, a contagem esperada aumenta 35 %, mantendo o resto constante.
• IRR = 0,60 — por cada unidade a mais, a contagem esperada diminui 40 %.

Reporte sempre o IRR com o respectivo intervalo de confiança a 95 %, e não apenas o valor-p. Um intervalo que contém 1 é o equivalente a não significativo, e mostra de imediato a precisão da estimativa — informação que o valor-p esconde.

Duas frases-tipo, prontas a adaptar: «Cada ano adicional de antiguidade associou-se a um aumento de 12 % no número esperado de participações em formação (IRR = 1,12; IC 95 % [1,04; 1,21])» e «Não se observou associação entre o género e o número de participações (IRR = 0,96; IC 95 % [0,82; 1,12])».

Amostra, software e o que fazer com dados agrupados

Os modelos de contagem são estimados por máxima verosimilhança e não são generosos com amostras pequenas, sobretudo se a contagem média for baixa. As regras práticas de dimensionamento aplicam-se aqui com margem acrescida — o ponto de partida está em quantos casos precisa por variável na regressão.

Quanto a software: em R, o Poisson sai de glm() com a família adequada e o binomial negativo do pacote MASS; os modelos zero-inflados estão no pscl. No SPSS, ambos estão no procedimento de Modelos Lineares Generalizados, com o offset disponível na caixa de diálogo. No Stata, existem comandos dedicados para cada variante e para o teste de comparação. Se está a decidir a ferramenta antes de decidir o modelo, veja jamovi vs JASP vs SPSS.

Um último caso a antecipar: se as suas contagens estiverem agrupadas — vários registos por doente, por turma, por empresa — a independência das observações está comprometida e nenhum destes modelos, na sua forma simples, é adequado. O caminho é a versão multinível, e o critério para saber se precisa dela está em dados aninhados na tese.

O que reportar na tese

1. A justificação de que a variável dependente é uma contagem, com a média, a variância e a percentagem de zeros.
2. O modelo escolhido e a razão da escolha — o rácio de dispersão, ou o teste que comparou Poisson e binomial negativo.
3. O offset usado, se aplicável, e o que representa.
4. Uma tabela com os IRR, os intervalos de confiança a 95 % e os valores-p de cada preditor.
5. Uma medida de ajustamento do modelo (AIC ou BIC) e, se comparou modelos, o valor para cada um.
6. O número de casos efectivamente incluídos, depois de perdas por dados em falta.

O ponto 2 é o que distingue um trabalho competente. Escolher Poisson sem verificar a dispersão é indefensável; escolher binomial negativo com a verificação reportada é uma decisão metodológica que se defende em duas frases.

Perguntas frequentes

A minha variável tem muitos zeros. Preciso mesmo de um modelo zero-inflado?

Provavelmente não. Contagens com média baixa produzem naturalmente muitos zeros, e o binomial negativo acomoda-os. Só justifique um modelo zero-inflado se conseguir nomear dois processos distintos a gerar zeros diferentes.

Posso usar regressão linear se a contagem for alta?

Com contagens elevadas e afastadas de zero, a aproximação linear degrada-se menos e aparece na literatura. Ainda assim, é uma aproximação: não impede previsões negativas nos extremos nem corrige a heterocedasticidade. Se usar, declare-o como opção assumida e mostre que a distribuição a suporta.

Qual é a diferença entre binomial negativa e quasi-Poisson?

Ambos corrigem a sobredispersão, mas de forma diferente: o quasi-Poisson multiplica os erros-padrão por um factor comum, enquanto o binomial negativo assume uma distribuição própria e estima o parâmetro de dispersão. Este último permite comparar ajustamento por AIC — o quasi-Poisson, por não ter verosimilhança plena, não permite. Para uma tese, o binomial negativo é normalmente a escolha mais fácil de defender.

Como escolho entre os modelos que estimei?

Combine três critérios: o AIC ou BIC mais baixo, o teste de razão de verosimilhanças quando os modelos são encaixados, e — decisivo — a plausibilidade teórica. Um modelo com AIC ligeiramente melhor que não consegue explicar não é o modelo certo.

E se a minha variável for uma proporção, tipo «12 acertos em 20»?

Aí o denominador é conhecido e fixo, e o modelo indicado é uma regressão binomial ou logística sobre a proporção, não um modelo de contagem. A distinção está no limite superior: contagem não tem, proporção tem.

Que teste devo reportar sobre o ajustamento global?

O rácio de dispersão e o AIC são o mínimo. Muitos trabalhos acrescentam um gráfico das contagens observadas contra as previstas pelo modelo, que mostra visualmente se os zeros estão a ser subestimados — uma peça simples e persuasiva.

Isto aplica-se a uma tese de mestrado?

Aplica-se sempre que a variável dependente for uma contagem, independentemente do grau. O que se espera de uma tese de mestrado não é o modelo mais sofisticado — é o modelo adequado ao tipo de variável, com a verificação de pressupostos reportada.

Como sei, à partida, que é este o modelo de que preciso?

Pelo tipo da variável dependente, antes de olhar para os dados. Se não tiver a certeza sobre que família de teste ou modelo o seu desenho pede, o percurso de decisão está em que teste estatístico usar na tese.

Escreva a justificação do modelo, não só o output

Numa tese quantitativa, o que sustenta a análise não é o quadro de resultados: é o parágrafo que explica porque é que aquele modelo foi escolhido e que verificação o suportou. O Tesify ajuda-o a redigir a secção de método com o pressuposto declarado, o diagnóstico de dispersão no formato esperado e a tabela de IRR pronta a ler. Comece agora, gratuitamente.