Neste trabalho estudamos modelos de regressão semiparamétricos sob a abordagem bayesiana, em que sua componente aleatória é descrita usando distribuições de mistura normal na escala, as quais incluem distribuições bem conhecidas como a normal, t-Student, slash, normal contaminada, Laplace e hiperbólica simétrica. Na primeira parte do trabalho, estudamos a inferência e diagnóstico nos modelos semiparamétricos aditivos elípticos generalizados, em que o parâmetro de localização bem como o de dispersão incluem componentes não paramétricas aditivas aproximadas usando B-splines. Em seguida, estudamos a versão estrutural sistemática destes modelos admite variáveis explicativas com e sem erro de medição bem como a presença de efeitos não lineares aproximados usando B-splines. Com o objetivo de gerar amostras da distribuição a posteriori dos parâmetros dos modelos estudados, propomos algoritmos MCMC eficientes. Adicionalmente, desenvolvemos o pacote BayesGESM na linguagem R, o qual é uma ferramenta computacional para aplicar os métodos estatísticos estudados neste trabalho.

not available