Os modelos lineares generalizados (MLG) são uma ampla classe de modelos de regressão. No entanto, as suposições impostas por esses modelos não são adequadas, por exemplo, para a análise de dados de contagem superdispersos. Um dos modelos de superdispersão muito utilizado é o modelo de regressão binomial negativo. Se um certo parâmetro desse modelo é conhecido, ele faz parte da classe dos MLG¦s. No entanto, a suposição de que tal parâmetro é conhecido é geralmente irreal e métodos adequados de inferência nesses modelos estão descritos na literatura. Os MLG¦s impõem uma restrição adicional: uma função estritamente monótona da resposta média, a função de ligação, deve estar relacionada a um preditor linear, que envolve parâmetros desconhecidos e as covariáveis. Os modelos aditivos generalizados (MAG) estendem a classe dos MLG¦s permitindo não linearidade na relação entre uma função da resposta média e as covariáveis, que é modelada através de funções alisadoras não especificadas. Embora MAG¦s constituam uma classe mais ampla que os MLG¦s, eles também não são adequados para a análise de contagens superdispersas. Recentemente, os MAG¦s foram estendidos para englobar respostas binomiais negativas. Nessa dissertação apresentamos esta extensão e sua implementação computacional. Apresentamos também uma aplicação desse modelo a dados reais, com ênfase no estudo da relação entre poluição atmosférica e saúde humana na cidade de São Paulo

not available