Regressão Logística em Jamovi: Predizer Resultados Binários
A regressão logística prevê a probabilidade de um evento com dois resultados possíveis (ocorre / não ocorre). É o método central em saúde, psicologia clínica e gestão sempre que a variável dependente é dicotómica.
Regressão linear vs. logística: usa regressão linear quando o resultado é contínuo (ex.: nota, salário). Usa logística quando o resultado é binário (ex.: aprovado/reprovado, comprou/não comprou, saúvel/doente).
1. Preparar os dados
- A variável dependente deve ser nominal com 2 categorias (0/1 ou dois valores textuais)
- Certificar que o Jamovi a reconhece como Nominal (ícone de reticulado) — não Contínua
- Verificar que não existem valores em falta (missing data) nas variáveis do modelo
- N mínimo: regra geral ≥ 10 eventos por preditor (EPV ≥ 10)
2. Análise passo a passo
2.1 Abrir a análise
- Menu Analyses → Regression → 2 Outcomes — Binomial
- Arrastar a variável dicotómica para Dependent Variable
- Arrastar os preditores para Covariates (numéricos) ou Factors (categóricos)
- Em Reference Levels confirmar qual a categoria de referência (0 / grupo de controlo)
2.2 Activar outputs essenciais
- Odds ratios → activa em Model Coefficients → Odds ratio
- Intervalos de confiança → 95% CI
- Pseudo-R² → Nagelkerke (em Model Fit Measures)
- Hosmer-Lemeshow → teste de calibração do modelo
3. Interpretar o output
Odds Ratio (OR)
Cada OR indica quanto a probabilidade do evento muda por cada unidade de aumento no preditor:
- OR = 1 — sem efeito
- OR > 1 — preditor aumenta a probabilidade
- OR < 1 — preditor diminui a probabilidade
IC a 95% que não inclua 1 → OR estatisticamente significativo.
Qualidade do modelo
- Nagelkerke R²: 0–1, maior = melhor ajuste (semelhante ao R² da regressão linear)
- AIC/BIC: para comparar modelos (menor = melhor)
- Hosmer-Lemeshow p > .05: modelo bem calibrado
- Acurácia de classificação: % de casos correctamente classificados
Multicolinearidade
Verifica se os preditores são independentes:
- Activa Collinearity statistics no output
- VIF < 5 (idealmente < 3): sem problema
- VIF > 10: multicolinearidade grave
4. Reportar em APA
"Foi estimada uma regressão logística binária para prever a probabilidade de [evento], a partir de [preditores]. O modelo foi estatísticamente significativo, χ²(3) = 24.6, p < .001, explicando entre 18% (Cox & Snell) e 26% (Nagelkerke) da variância. A variável [X] foi um preditor significativo (OR = 2.34, 95% IC [1.45, 3.78], p = .001), indicando que por cada unidade de aumento em [X] a probabilidade de [evento] aumenta 2.34 vezes."
Páginas relacionadas
Variável dependente contínua.
Interpretação detalhada do OR.
Quando usar cada modelo.
Formatar os resultados.