Aqui est\u00e3o alguns exemplos de vari\u00e1veis de resposta que representam resultados de contagem discretos:<\/span><\/p>\n Se a vari\u00e2ncia for aproximadamente igual \u00e0 m\u00e9dia, ent\u00e3o um modelo de regress\u00e3o de Poisson geralmente se ajusta bem a um conjunto de dados.<\/span><\/p>\n No entanto, se a vari\u00e2ncia for significativamente maior que a m\u00e9dia, um modelo de regress\u00e3o binomial negativo geralmente \u00e9 capaz de ajustar melhor os dados.<\/span><\/p>\n Existem duas t\u00e9cnicas que podemos usar para determinar se a regress\u00e3o de Poisson ou a regress\u00e3o binomial negativa \u00e9 mais apropriada para um determinado conjunto de dados:<\/span><\/p>\n 1. Parcelas residuais<\/strong><\/span><\/p>\n Podemos criar um gr\u00e1fico dos res\u00edduos padronizados em rela\u00e7\u00e3o aos valores previstos de um modelo de regress\u00e3o.<\/span><\/p>\n Se a maioria dos res\u00edduos padronizados estiver entre -2 e 2, um modelo de regress\u00e3o de Poisson \u00e9 provavelmente apropriado.<\/span><\/p>\n No entanto, se muitos res\u00edduos ficarem fora deste intervalo, um modelo de regress\u00e3o binomial negativo provavelmente proporcionar\u00e1 um melhor ajuste.<\/span><\/p>\n 2. Teste de raz\u00e3o de verossimilhan\u00e7a<\/strong><\/span><\/p>\n Podemos ajustar um modelo de regress\u00e3o de Poisson e um modelo de regress\u00e3o binomial negativa ao mesmo conjunto de dados e ent\u00e3o realizar um teste de raz\u00e3o de verossimilhan\u00e7a.<\/span><\/p>\n Se o valor p do teste estiver abaixo de um certo n\u00edvel de signific\u00e2ncia (por exemplo, 0,05), ent\u00e3o podemos concluir que o modelo de regress\u00e3o binomial negativa proporciona um ajuste significativamente melhor.<\/span><\/p>\n O exemplo a seguir mostra como usar essas duas t\u00e9cnicas em R para determinar se \u00e9 melhor usar uma regress\u00e3o de Poisson ou um modelo de regress\u00e3o binomial negativa para um determinado conjunto de dados.<\/span><\/p>\n Suponha que queiramos saber quantas bolsas um jogador de beisebol do ensino m\u00e9dio em um determinado condado recebe com base em sua divis\u00e3o escolar (“A”, “B” ou “C”) e sua s\u00e9rie escolar. vestibular (medido de 0 a 100). ).<\/span><\/p>\n Use as etapas a seguir para determinar se um modelo de regress\u00e3o binomial negativa ou um modelo de regress\u00e3o de Poisson fornece um melhor ajuste aos dados.<\/span><\/p>\n Etapa 1: crie os dados<\/strong><\/span><\/p>\n O c\u00f3digo a seguir cria o conjunto de dados com o qual trabalharemos, que inclui dados de 1.000 jogadores de beisebol:<\/span><\/p>\n Etapa 2: Ajustar um modelo de regress\u00e3o de Poisson e um modelo de regress\u00e3o binomial negativo<\/strong><\/span><\/p>\n O c\u00f3digo a seguir mostra como ajustar um modelo de regress\u00e3o de Poisson e um modelo de regress\u00e3o binomial negativa aos dados:<\/span><\/p>\n Etapa 3: criar gr\u00e1ficos residuais<\/strong><\/span><\/p>\n O c\u00f3digo a seguir mostra como produzir gr\u00e1ficos residuais para ambos os modelos.<\/span> <\/p>\n A partir dos gr\u00e1ficos, podemos ver que os res\u00edduos est\u00e3o mais espalhados para o modelo de regress\u00e3o de Poisson (observe que alguns res\u00edduos se estendem al\u00e9m de 3) em compara\u00e7\u00e3o com o modelo de regress\u00e3o binomial negativa.<\/span><\/p>\n Isto \u00e9 um sinal de que um modelo de regress\u00e3o binomial negativa \u00e9 provavelmente mais apropriado, uma vez que os res\u00edduos deste modelo s\u00e3o menores.<\/span><\/p>\n Etapa 4: realizar um teste de raz\u00e3o de verossimilhan\u00e7a<\/strong><\/span><\/p>\n Finalmente, podemos realizar um teste de raz\u00e3o de verossimilhan\u00e7a para determinar se h\u00e1 uma diferen\u00e7a estatisticamente significativa no ajuste dos dois modelos de regress\u00e3o:<\/span><\/p>\n O valor p do teste acabou sendo 3,508072e-29<\/strong> , que \u00e9 significativamente menor que 0,05.<\/span><\/p>\n Assim, concluir\u00edamos que o modelo de regress\u00e3o binomial negativa proporciona um ajuste significativamente melhor aos dados em compara\u00e7\u00e3o com o modelo de regress\u00e3o de Poisson.<\/span><\/p>\n Uma introdu\u00e7\u00e3o \u00e0 distribui\u00e7\u00e3o binomial negativa<\/a> A regress\u00e3o binomial negativa e a regress\u00e3o de Poisson s\u00e3o dois tipos de modelos de regress\u00e3o que devem ser usados quando a vari\u00e1vel de resposta \u00e9 representada por resultados de contagem discreta. Aqui est\u00e3o alguns exemplos de vari\u00e1veis de resposta que representam resultados de contagem discretos: O n\u00famero de alunos que se formam em um […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1533","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Exemplo: regress\u00e3o binomial negativa vs regress\u00e3o de Poisson<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>set. seeds<\/span> (1)\n\n#create dataset\n<\/span>data <- data. frame<\/span> (offers = c(rep(0, 700), rep(1, 100), rep(2, 100),\n rep(3, 70), rep(4, 30)),\n division = sample(c(' A<\/span> ', ' B<\/span> ', ' C<\/span> '), 100, replace = TRUE<\/span> ),\n exam = c(runif(700, 60, 90), runif(100, 65, 95),\n runif(200, 75, 95)))\n\n#view first six rows of dataset\n<\/span>head(data)\n\n offers division exam\n1 0 A 66.22635\n2 0 C 66.85974\n3 0 A 77.87136\n4 0 B 77.24617\n5 0 A 62.31193\n6 0 C 61.06622<\/strong><\/pre>\n #fit Poisson regression model\n<\/span>p_model <- glm(offers ~ division + exam, family = ' fish<\/span> ', data = data)\n\n#fit negative binomial regression model\n<\/span>library<\/span> (MASS)\n\nnb_model <- glm. nb<\/span> (offers ~ division + exam, data = data)\n<\/strong><\/pre>\n #Residual plot for Poisson regression\n<\/span>p_res <- resid<\/span> (p_model)\nplot(fitted(p_model), p_res, col=' steelblue<\/span> ', pch=16,\n xlab=' Predicted Offers<\/span> ', ylab=' Standardized Residuals<\/span> ', main=' Poisson<\/span> ')\nabline(0,0)\n\n#Residual plot for negative binomial regression<\/span>\nnb_res <- resid<\/span> (nb_model)\nplot(fitted(nb_model), nb_res, col=' steelblue<\/span> ', pch=16,\n xlab=' Predicted Offers<\/span> ', ylab=' Standardized Residuals<\/span> ', main=' Negative Binomial<\/span> ')\nabline(0,0)<\/strong> <\/pre>\n![\"Regress\u00e3o](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/negatifbinom1.png\")
<\/p>\n pchisq(2 * ( logLik<\/span> (nb_model) - logLik<\/span> (p_model)), df = 1, lower. tail<\/span> = FALSE<\/span> )\n\n'log Lik.' 3.508072e-29 (df=5)\n<\/strong><\/pre>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Uma introdu\u00e7\u00e3o \u00e0 distribui\u00e7\u00e3o de Poisson<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"