Calculatrice gratuite Editverse
Régression de Poisson
Ce modèle calcule le nombre de résultats et les rapports de taux avec leurs intervalles de confiance à 95 % pour chaque prédicteur, grâce à la commande R associée. Chaque ligne représente une observation et toutes les lignes sont supposées couvrir la même période d'observation : le calculateur ne tient pas compte de l'exposition ni du décalage temporel. Un guide complet est fourni ci-dessous. Validé avec R 4.3.3.
En mots simples
La régression de Poisson est l'outil approprié pour mesurer des nombres dénombrables : le nombre d'infections dans un service, le nombre de chutes par patient en un an, le nombre d'événements indésirables par consultation. Les nombres dénombrables ne peuvent prendre que les valeurs 0, 1, 2, 3, etc., ils ne peuvent être négatifs et sont souvent concentrés autour de zéro avec une longue traîne, une configuration que la régression linéaire classique peine à gérer.
La calculatrice ajuste un modèle de Poisson et présente chaque prédicteur sous forme de rapport de taux : une valeur supérieure à 1 indique que le prédicteur est associé à un nombre attendu plus élevé, une valeur inférieure à 1 à un nombre attendu plus faible. Ainsi, les résultats sont faciles à interpréter, même pour les personnes n'ayant jamais utilisé de modèle linéaire généralisé auparavant.
Quand utiliser la régression de Poisson
Utilisez la régression de Poisson lorsque votre résultat est un nombre d'événements observés sur la même fenêtre fixe pour chaque observation , comme les admissions à l'hôpital par mois ou les colonies bactériennes par plaque, et que vous souhaitez savoir comment un ou plusieurs prédicteurs modifient le taux attendu de ces événements.
Elle se situe aux côtés de deux autres outils de régression, selon la nature de votre variable dépendante. Si votre variable dépendante est continue et approximativement symétrique (pression artérielle, poids, résultat d'analyse), utilisez plutôt la régression linéaire multiple . Si votre variable dépendante est binaire (un événement s'est produit ou non), utilisez plutôt la régression logistique , qui fournit des rapports de cotes plutôt que des rapports de taux. La régression de Poisson est un compromis, spécifiquement conçue pour les variables de comptage.
Résultat attendu : une ligne par enregistrement, nombre, x1, x2, …
Déposez un fichier CSV ici ou cliquez pour en choisir un. Analyse effectuée dans votre navigateur : aucun fichier n’est téléchargé.
Résultat attendu : une ligne par enregistrement, nombre, x1, x2, …
df <- read.csv(text = "count,x1 {pois_csv}") m <- glm(count ~ ., data = df, family = poisson) summary(m); exp(coef(m))Mode d'emploi
Quand l'utiliser ? Modélisez le nombre de résultats et obtenez les rapports de taux pour chaque prédicteur.
Hypothèses. Les effectifs suivent une distribution de Poisson ; la moyenne est égale à la variance (vérifier la surdispersion).
Erreurs fréquentes. Si la variance dépasse largement la moyenne, utilisez une loi binomiale négative ou un modèle quasi-Poisson.
Exemple concret
Cliquez sur « Charger les données d'exemple » ci-dessus, puis sur « Lancer l'analyse » pour afficher un résultat complet avec figure, formule et interprétation pour ce test.
Références
- Cameron AC, Trivedi PK. Analyse de régression des données de comptage. 2e éd. 2013.
Exemples travaillés
Exemple 1 : Dénombrements vs. un prédicteur unique
Huit observations associent un résultat de comptage à un prédicteur x1 : (comptage = 2, x1 = 1), (3, 2), (5, 3), (8, 4), (10, 5), (14, 6), (20, 7), (25, 8). Remarquez que les comptages augmentent fortement, et non linéairement, lorsque x1 augmente ; cette accélération est caractéristique des données de comptage et explique en partie pourquoi l’ajustement d’une droite aux comptages bruts est souvent peu précis aux valeurs extrêmes. Entrez les paires dans la calculatrice et exécutez le modèle : il s’ajuste. glm(count ~ x1, family = poisson) et indique un coefficient pour x1 sur l'échelle logarithmique, que la calculatrice convertit également en un ratio de taux pour vous.
Exemple 2 : Lecture du résultat
À partir de ces mêmes données, la calculatrice donne la p-valeur du coefficient (x1 est-il associé au nombre d'observations ?) et le coefficient exponentié, ou rapport de taux, avec son intervalle de confiance à 95 % (de combien chaque augmentation d'une unité de x1 multiplie-t-elle le nombre d'observations attendu ?) : ici 1.40, IC à 95 % [1.26 ; 1.56], p < 0.0001. La commande R (summary(m); exp(coef(m))) affiche également la déviance résiduelle, une indication approximative de la qualité d'ajustement du modèle. Un rapport de taux nettement supérieur à 1, associé à une faible valeur p, indiquerait que le prédicteur est lié à un nombre attendu significativement plus élevé ; un rapport de taux proche de 1 indiquerait un effet négligeable.
Hypothèses à vérifier
Il s'agit de données distribuées selon une loi de Poisson. Le résultat doit correspondre à un décompte d'événements (0, 1, 2, 3…) et non à un taux déjà divisé par l'exposition.
La moyenne est égale à la variance. Une propriété fondamentale de la distribution de Poisson est que sa variance est égale à sa moyenne. Attention à la surdispersion : si la variance observée est beaucoup plus grande que la moyenne, les erreurs standard d'un modèle de Poisson simple seront trop faibles.
Observations indépendantes. Chaque comptage doit être indépendant des autres ; les comptages répétés sur un même patient ou groupe nécessitent un modèle qui tienne compte de cette structure.
Relation log-linéaire. Le modèle suppose que les prédicteurs agissent linéairement sur le logarithme du nombre attendu, et non sur le nombre lui-même.
Erreurs courantes
En négligeant la surdispersion
Si la variance dépasse largement la moyenne, utilisez plutôt un modèle binomial négatif ou un modèle quasi-Poisson — tous deux sont conçus pour des données de comptage surdispersées qu'un modèle de Poisson simple sous-estimerait.
Considérer le coefficient brut comme la taille de l'effet
Le coefficient du modèle est exprimé sur une échelle logarithmique et n'est pas directement interprétable. Il faut toujours l'exponentier (comme le fait la calculatrice) pour obtenir le rapport des taux avant de décrire l'effet.
Utilisation de la régression de Poisson sur un taux déjà normalisé
Si votre résultat est exprimé en « événements par personne-année » plutôt qu'en nombre brut, vous avez besoin d'un terme de décalage pour l'exposition, et non d'un simple modèle de comptage ajusté à la valeur normalisée. Ce calculateur ne prend pas en compte de décalage ; par conséquent, lorsque le temps-personne ou l'exposition diffère d'une ligne à l'autre, effectuez un ajustement. glm(count ~ x1 + offset(log(time)), family = poisson) dans R à la place.
Confondre les rapports de taux avec les rapports de cotes
La régression de Poisson fournit des rapports de taux d'incidence, et non des rapports de cotes. Leur interprétation est identique (supérieur à 1 = risque plus élevé, inférieur à 1 = risque plus faible), mais ils répondent à une question différente de celle posée par les rapports de cotes de la régression logistique.
Questions fréquemment posées
Quelle est la différence entre la régression de Poisson et la régression linéaire ?
La régression linéaire suppose une variable de résultat continue et approximativement normale. La régression de Poisson est conçue pour les variables de type comptage (0, 1, 2…) et modélise le logarithme de l'effectif théorique, ce qui permet de gérer l'asymétrie positive et la non-négativité inhérentes aux comptages. Consultez le calculateur de régression linéaire multiple pour les variables continues.
Qu'est-ce qu'un ratio de taux ?
Le rapport de taux est l'exponentiation du coefficient de régression. Un rapport de taux de 1.5 pour un prédicteur signifie qu'une augmentation d'une unité de ce prédicteur est associée à une augmentation de 50 % du nombre attendu, toutes choses égales par ailleurs.
Que se passe-t-il si mes données sont surdispersées ?
Vérifiez si la variance de vos effectifs dépasse sensiblement la moyenne. Si c'est le cas, un modèle binomial négatif est généralement plus approprié ; une régression de Poisson classique sous-estimera vos erreurs standard et pourrait donner aux résultats une signification plus importante qu'ils ne le sont réellement.
La régression de Poisson peut-elle gérer les valeurs nulles ?
Oui, les zéros sont une composante normale des données de comptage et la distribution de Poisson les prend directement en compte. Si vos données contiennent beaucoup plus de zéros que ne le prédit une distribution de Poisson, un modèle à inflation de zéros pourrait mieux convenir.
Calculatrices associées
Références
- Cameron AC, Trivedi PK. Analyse de régression des données de comptage. 2e éd. 2013.
- McCullagh P, Nelder JA. Modèles linéaires généralisés. 2e éd. Chapman & Hall/CRC; 1989.
Besoin de cette analyse pour votre manuscrit ?
Nos biostatisticiens titulaires d'un doctorat effectuent des régressions de Poisson et binomiales négatives sur vos données de comptage — des tableaux prêts à être publiés avec une sortie R reproductible.