Escolar Documentos
Profissional Documentos
Cultura Documentos
Naquele momento, regressão logística para a predição de probabilidade de uma classe – onde a resposta é
uma variável categórica – e a regressão de Poisson para predição de número de casos – onde a resposta é
a contagem de certo evento categórico – já eram bem conhecidas, porém a estatística ainda vivia o
predomínio de técnicas desenvolvidas para a análise de respostas quantitativas.
Será que eles intuíram o fabuloso crescimento por vir, onde finalmente respostas categóricas encontraram
seu espaço de enorme relevância na ciência da estatística? Afinal, não são elas preponderantes no mundo
que nos cerca: O mundo material da física e da química, o mundo da botânica, da biologia e das ciências
da vida, e o mundo das nossas civilizações, aquele das ciências sociais?
Texto elaborado pelo professor da disciplina na manhã do dia 16/05/2022.
Modelos de regressão linear simples e múltipla já fazem parte de outras disciplinas. Sua aplicação a
situações da área da saúde em nada alteram os fundamentos do modelo, apenas o contexto de aplicação.
Isto também se aplica a modelos de regressão logística, que são igualmente vistos em outras disciplinas.
Porém modelos de regressão de Poisson podem ser novidades. Para demostrar a ligação entre esses
modelos, decidiu-se abordá-los aqui dentro do contexto de modelos lineares generalizados.
PREDITOR LINEAR: Uma função linear das variáveis explicativas que é usada para a predição do valor da
função de ligação para cada conjunto de observações das variáveis explicativas
𝜂 = 𝛽0 + 𝛽1 𝑋1 + ⋯ + 𝛽𝑝 𝑋𝑝
FUNÇÃO DE LIGAÇÃO: Uma função suave e invertível chamada de função de ligação, que transforma o
valor esperado 𝜇 = 𝐸 𝑌 da variável resposta no preditor linear
𝑔 𝜇 = 𝜂 = 𝛽0 + 𝛽1 𝑋1 + ⋯ + 𝛽𝑝 𝑋𝑝
PASSO A PASSO
A inversa da função de ligação fornece o valor esperado (a média) da variável resposta para esses dados de
entrada:
𝜇 = 𝑔−1 𝜂
𝑃 𝑌 = 𝑦𝑖 𝑋 = 𝑥𝑖
Lembre que se 𝑌 é uma variável aleatória discreta escrevemos, para um dado valor especificado para as
variáveis preditivas 𝑥 = 𝑥1 , 𝑥2 , … , 𝑥𝑝 :
𝑝 𝑦𝑥 =𝑃 𝑌=𝑘𝑋=𝑥
𝜇 𝑥 =𝐸 𝑌=𝑘𝑋=𝑥 = 𝑘𝑝(𝑦|𝑥)
𝑘
E se 𝑌 é uma variável aleatória contínua escrevemos, para um dado valor especificado para as variáveis
preditivas 𝑥 = 𝑥1 , 𝑥2 , … , 𝑥𝑝 :
𝑓 𝑦𝑥 =𝑃 𝑌=𝑘𝑋=𝑥
+∞
𝜇 𝑥 =𝐸 𝑌=𝑦𝑋=𝑥 = 𝑦𝑓 𝑦 𝑥 𝑑𝑦
−∞
REGRESSÃO LINEAR
Exemplos Qual o índice glicêmico de uma pessoa em função da sua idade, do número de horas
dedicadas a atividades físicas por semana, se é ou não fumante, etc.
Qual o índice de massa corporal de uma pessoa em função da sua idade, do número de
horas dedicadas a atividades físicas por semana, se é fumante, se possui carro, etc.
REGRESSÃO LINEAR
Modelo linear 𝜂 = 𝛽0 + 𝛽1 𝑋1 + ⋯ + 𝛽𝑝 𝑋𝑝
Componente aleatório 𝑌 ~ 𝑁 𝜇, 𝜎 2 = 𝛽0 + 𝛽1 𝑋1 + ⋯ + 𝛽𝑝 𝑋𝑝 + 𝑁 0, 𝜎 2
Valor Esperado 𝐸 𝑌 =𝜇
Variância 𝑉 𝑌 = 𝜎2
Distribuição normal
𝑋 ~ 𝑁𝑜𝑟𝑚𝑎𝑙(𝜇, 𝜎 2 )
𝜎 2 = 𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎
1 𝑥−𝜇 2
𝑓 𝑥 = exp − − ∞ ≤ 𝑥 ≤ +∞
𝜎 2𝜋 2𝜎 2
Média e variância
𝜇=𝐸 𝑋
𝜎2 = 𝑉 𝑋
REGRESSÃO LOGÍSTICA
Se a pessoas foi ou não infectada por dengue em função da temperatura média do dia,
umidade relativa do ar, da estação do ano
REGRESSÃO LOGÍSTICA
Modelo linear 𝜂 = 𝛽0 + 𝛽1 𝑋1 + ⋯ + 𝛽𝑝 𝑋𝑝
𝜇
Função de ligação 𝑔 𝜇 = log =𝜂
1−𝜇
Valor Esperado 𝐸 𝑌 =𝜇
Variância 𝑉 𝑌 = 𝜇(1 − 𝜇) 𝑛
REGRESSÃO DE POISSON
Exemplos Número de fatalidades por trimestre devido à AIDS na Austrália (Janeiro de 1983 a
Junho de 1986)
REGRESSÃO DE POISSON
Modelo linear 𝜂 = 𝛽0 + 𝛽1 𝑋1 + ⋯ + 𝛽𝑝 𝑋𝑝
Valor Esperado 𝐸 𝑌 =𝜇
Variância 𝑉 𝑌 =𝜇
Distribuição de Poisson
𝑋 ~ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆)
𝑒 −𝜆 𝜆𝑥
𝑓 𝑥 = 𝑥 = 0, 1, 2, …
𝑥!
Média e variância
𝜇=𝐸 𝑋 =𝜆
𝜎2 = 𝑉 𝑋 = 𝜆