Resumo: O principal foco deste trabalho consiste na modelagem de dados (in)dependentes no intervalo [0,1], e respectivos casos particulares. Nesse sentido desenvolvemos duas abordagens, sob o enfoque frequentista. A primeira corresponde a uma nova classe de modelos baseados nas distribuições beta, simplex e beta retangular e, em suas respectivas versões aumentadas em zeros e/ou uns. Consideramos preditores, com uma parte paramétrica e outra não paramétrica, para a média, e preditores paramétricos para a dispersão/precisão e probabilidades de ocorrência de zeros e uns (no caso das distribuições aumentadas). Uma das vantagens dessa estrutura é poder modelar de forma satisfatória fenômenos lineares e não lineares. Na segunda abordagem, o foco são dados dependentes. De modo análogo ao caso anterior, foram desenvolvidos modelos de regressão baseados nas supracitadas distribuições, também sob o enfoque semi-paramétrico para a média (uma parte paramétrica e outra não paramétrica para o preditor) e paramétrica para as demais quantidades, considerando estruturas de correlação via Equações de Estimação Generalizadas (EEG). As duas abordagens foram desenvolvidas utilizando funções de ligação, para a média, simétricas e assimétricas, o que corresponde a generalizações de metodologias existentes. Além das novas classes de modelos, técnicas de seleção estrutural e diagnóstico, medidas de influência global e local, foram desenvolvidas para todos os modelos, em ambas as abordagens. Além disso, foram conduzidos estudos de simulação apropriados e análise de dados reais para ilustrar o potencial das metodologias desenvolvidas Ver menos

Abstract: The main focus of this work consists on the modeling of (in)dependent data in the interval [0,1], and the respective particular cases. In this sense, we developed two approaches, under the frequentist paradigm. The first one corresponds to a new class of models based on the beta, simplex and beta rectangular distributions and, in their respective augmented zero and/or one versions. We consider predictors, with a parametric and a nonparametric part, for the mean, and parametric predictors for the dispersion / precision and probabilities of occurrences of zeros and ones (for the augmented distributions). One of the advantages of this structure is to model linear and non-linear phenomena, properly. In the second approach, we focus on dependent data. In a similar way to the previous case, regression models were developed based on the aforementioned distributions, also under the semi-parametric approach for the mean (a parametric part and a nonparametric part for the predictor) and parametric for the other quantities, considering correlation structures via Generalized Estimation Equations (GEE). The two approaches were developed considering symmetric and asymmetric link functions, which correspond to generalizations of existing methodologies. In addition to the new model classes, structural selection, model fit assessment tools, measures of global and local influence, were developed for all models, for both approaches. In addition, appropriate simulation studies and real data analysis were conducted to illustrate the potential of the developed methodologies Ver menos