Outcomes of interest for entomological data are often in the form of counts and as a first step, a standard model to analyse this type of data is the Poisson model, an example of generalized linear models. The basic model assumptions are independence of observations and constant rate of event occurrence. If one or both of these assumptions failure the variance of the data will be greater (smaller) than the variance expected using the Poisson model resulting in what is called overdispersion (undersispersion). Many different models for overdispersion (underdispersion) can arise from alternative possible mechanisms for the underlying process. Another reason for extending the Poisson model is because of the occurrence of a hierarchical structure in the data caused by a clustering resulted from repeatedly measuring the outcome on the same experimental unit. In entomological applications involving count data there is often an excess of zero observations. In this work we present a review of models that can be used to take into account the different aspects of the failure of the Poisson model assumptions. The proposed methodology is illustrated using data of an experiment to evaluate 25 isolates of entomopathogenic fungi (Metarhizium spp., B. bassiana and I. fumosorosea) and compare with the three reference treatments on the control of T. urticae. We compared the results and also discussed model selection and diagnostics. For grouping the isolates we proposed two different methods. All the methods were implemented in the software R.

Resultados de interesse na área entomológica estão frequentemente na forma de contagens e como um primeiro passo, o modelo padrão para análise desse tipo de dados é o modelo de Poisson, um caso particular de modelos lineares generalizados. As suposições básicas para esse modelo são independência das observações e taxa constante de ocorrência dos eventos. Se uma ou ambas suposições falham a variância observada dos dados será maior (menor) do que a variância esperada pelo modelo de Poisson, resultando no que é chamado superdispersão (subdispersão). Muitos modelos diferentes para superdispersão (subdispersão) podem aparecer de mecanismos específicos alternativos para o processo gerador dos dados. Outra razão para estender o modelo de Poisson é devido à ocorrência de uma estrutura hierárquica nos dados resultante de medidas repetidas feitas na mesma unidade experimental. Nas aplicações entomológicas envolvendo dados de contagem, frequentemente, ocorre um excesso de zeros. Neste trabalho, é apresentada uma revisão de modelos que podem ser usados para levar em conta os diversos aspectos de falhas das suposições do modelo Poisson. A metodologia proposta é ilustrada, usando dados de um experimento para avaliar 25 isolados de fungos entomopatogênicos (Metarhizium spp., B. bassiana and I. fumosorosea) e comparar com três tratamentos de referência no controle de T. urticae. Comparam-se os resultados e, também, são discutidos aspectos de seleção de modelos e diagnósticos. Para agrupamento dos isolados são propostos dois métodos. Todos os métodos foram implementados usando o software R.