A modelagem para dados de contagem é bastante utilizada em diversas áreas do conhecimento, como nas ciências biológicas, educação e saúde pública. O modelo comumente utilizado para analisar dados de contagem é o modelo Poisson. Contudo, quando os dados apresentam superdispersão o modelo Poisson não é mais indicado. Existem extensões do modelo Poisson que podem ser usados nesta situação, como o modelo Poisson in acionado de zeros (ZIP, em inglês). Porém, neste trabalho, é considerado o modelo Binomial Negativo, que é adequado para esta situação, além de ser um modelo simples e bastante conhecido. Uma suposição do modelo de regressão tradicional é a independência entre as observações. Contudo, quando as unidades amostrais são medidas repetidamente ao longo do tempo, os estudos longitudinais permite a veri cação das taxas de mudança que ocorrem ao longo do tempo e os fatores que podem motivar tal variação. Estes estudos são de particular interesse quando o objetivo é avaliar variações globais ou individuais da resposta ao longo do tempo. Este tipo de estudo considera a correlação entre as respostas dentro das unidades amostrais e a ordenação cronológica das respostas. Duas abordagens de regressão comumente utilizadas para analisar dados longitudinais são os modelos condicionais e os marginais. O modelo condicional assume a existência de efeitos aleatórios que descrevem o comportamento de um indivíduo especí co, sendo este modelo também chamado de multinível. No modelo marginal a variável resposta é modelada independentemente da correlação existente entre as medidas de cada unidade amostral (denotada por correlação intra-indivíduo), modelando a expectativa marginal como uma função das variáveis explicativas. Neste trabalho as duas abordagens foram aplicadas à análise de dados de contagem longitudinais. Estudos de simulação foram realizados para avaliar a performance dos estimadores provenientes destas metodologias. Aplicações com bases de dados reais são apresentadas.CAPES