Incorpora sugestões pós apresentação do tcc

docs/01-tcc.Rnw

-%% abtex2-modelo-trabalho-academico.tex, v<VERSION> laurocesar
-%% Copyright 2012-<COPYRIGHT_YEAR> by abnTeX2 group at http://www.abntex.net.br/
-%%
-%% This work may be distributed and/or modified under the
-%% conditions of the LaTeX Project Public License, either version 1.3
-%% of this license or (at your option) any later version.
-%% The latest version of this license is in
-%%   http://www.latex-project.org/lppl.txt
-%% and version 1.3 or later is part of all distributions of LaTeX
-%% version 2005/12/01 or later.
-%%
-%% This work has the LPPL maintenance status `maintained'.
-%%
-%% The Current Maintainer of this work is the abnTeX2 team, led
-%% by Lauro César Araujo. Further information are available on
-%% http://www.abntex.net.br/
-%%
-%% This work consists of the files abntex2-modelo-trabalho-academico.tex,
-%% abntex2-modelo-include-comandos and abntex2-modelo-references.bib
-%%
-
 % ------------------------------------------------------------------------
 % ------------------------------------------------------------------------
 % abnTeX2: Modelo de Trabalho Academico (tese de doutorado, dissertacao de
@@ -45,6 +24,21 @@
 	svgnames
 	]{abntex2}
 
+% ---
+% Novo list of (listings) para QUADROS
+% ---
+
+\newcommand{\quadroname}{Quadro}
+\newcommand{\listofquadrosname}{Lista de quadros}
+
+\newfloat[chapter]{quadro}{loq}{\quadroname}
+\newlistof{listofquadros}{loq}{\listofquadrosname}
+\newlistentry{quadro}{loq}{0}
+
+% configurações para atender às regras da ABNT
+\counterwithout{quadro}{chapter}
+\renewcommand{\cftquadroname}{\quadroname\space}
+\renewcommand*{\cftquadroaftersnum}{\hfill--\hfill}
 
 % ---
 % PACOTES
@@ -97,6 +91,7 @@
 \usepackage{tikz}
 \usepackage{pdflscape}			% para ambiente landscape
 \usepackage{pgfgantt}			% cronograma estilo gráfico de gantt
+\usepackage{multicol}
 \usetikzlibrary{backgrounds}
 
 % ---
@@ -142,7 +137,7 @@
 % ---
 % Informações de dados para CAPA e FOLHA DE ROSTO
 % ---
-\titulo{Extensões e Aplicações Modelo de Regressão
+\titulo{Extensões e Aplicações do Modelo de Regressão
   Conway-Maxwell-Poisson para Modelagem de Dados de Contagem}
 \vspace{2cm}
 \autor{Eduardo Elias Ribeiro Junior}
@@ -227,7 +222,7 @@
 
 <<setup, include=FALSE, cache=FALSE>>=
 source("_setup.R")
-library(tccPackage)
+library(cmpreg)
 @
 
 
@@ -314,29 +309,29 @@ library(tccPackage)
   representam o número de ocorrências de um evento em um domínio
   discreto ou contínuo.  Para análise estatística dessas variáveis, o
   modelo de Poisson é amplamente utilizado. Porém, não são raras as
-  situações de sub ou superdispersão, que inviabilizam o emprego deste
+  situações de sub ou superdispersão, que inviabilizam o emprego desse
   modelo. Uma alternativa paramétrica é o modelo COM-Poisson que, com a
   adição de um parâmetro, contempla diferentes níveis de dispersão.
-  Outras características bastantes frequentes em dados de contagem são
-  frequência excessiva de valores zeros e estrutura de correlação entre
-  observações, muitas vezes induzida pelo processo de casualização ou
-  amostragem. Nesses casos os modelos adotados devem ser
-  adaptados. Neste trabalho são exploradas as características da
-  distribuição COM-Poisson e apresentados os modelos de regressão
-  COM-Poisson de efeitos fixos, com modelagem para excesso de zeros e
-  incluindo efeitos aleatórios. O emprego dos modelos COM-Poisson e suas
-  extensões é ilustrado com aplicações onde seus resultados são
-  comparados com as abordagens Poisson, Quasi-Poisson e Binomial
-  Negativa (para casos de superdispersão) via níveis descritivos de
-  testes de razão de verossimilhanças, critério de informação de Akaike
-  e predições pontuais e intervalares. O ajuste dos modelos é feito via
-  maximização da verossimilhança. Os resultados mostram que o modelo
-  Poisson é de fato restritivo, com ajustes inadequados na maioria das
-  aplicações. O modelo COM-Poisson, por sua vez, mostrou-se bastante
-  flexível com resultados similares aos obtidos via abordagem
-  semi-paramétrica Quasi-Poisson. As extensões propostas para o modelo
-  COM-Poisson apresentaram resultados satisfatórios, sendo equivalentes
-  as abordagens já consolidadas na literatura.
+  Outras características frequentes em dados de contagem são excesso de
+  contagens nulas e estrutura de correlação entre observações, muitas
+  vezes induzida pelo processo de casualização ou amostragem. Nesses
+  casos os modelos adotados devem ser adaptados. Neste trabalho são
+  exploradas as características da distribuição COM-Poisson e
+  apresentados os modelos de regressão COM-Poisson de efeitos fixos, com
+  modelagem para excesso de zeros e incluindo efeitos aleatórios. O
+  emprego dos modelos COM-Poisson e suas extensões é ilustrado com
+  aplicações e seus resultados são comparados com as abordagens Poisson,
+  Quasi-Poisson e Binomial Negativa (para casos de superdispersão) via
+  níveis descritivos de testes de razão de verossimilhanças, critério de
+  informação de Akaike e predições pontuais e intervalares. O ajuste dos
+  modelos é feito via maximização da verossimilhança. Os resultados
+  mostram que o modelo Poisson é de fato restritivo, com ajustes
+  inadequados na maioria das aplicações. O modelo COM-Poisson, por sua
+  vez, mostrou-se bastante flexível apresentando resultados similares
+  aos obtidos via abordagem semi-paramétrica Quasi-Poisson. As extensões
+  propostas para o modelo COM-Poisson apresentaram resultados
+  satisfatórios, sendo equivalentes às abordagens já consolidadas na
+  literatura.
 
   \textbf{Palavras-chave}:
   COM-Poisson; dados de contagem; subdispersão; superdispersão; excesso
@@ -359,6 +354,14 @@ library(tccPackage)
 \cleardoublepage
 % ---
 
+% ---
+% inserir lista de quadros
+% ---
+\pdfbookmark[0]{\listofquadrosname}{loq}
+\listofquadros*
+\cleardoublepage
+% ---
+
 % ---
 % inserir lista de abreviaturas e siglas
 % ---

docs/cap01_introducao.Rnw

@@ -6,20 +6,20 @@ Em diversas áreas do conhecimento é comum o interesse em i) compreender
 o relacionamento entre variáveis de interesse e características de uma
 amostra e ii) realizar predições por meio de modelos estatísticos
 ajustados por dados de uma amostra. A teoria de modelos de regressão
-sustentam muitas das pesquisas na área de Estatística aplicada.
+sustenta muitas das pesquisas na área de Estatística aplicada.
 
 Os modelos de regressão, na sua forma univariada e usual, consistem no
 estabelecimento de uma equação matemática que relaciona a média de uma
 variável aleatória de interesse (variável resposta) com as demais
-variáveis observadas (covariáveis). Nesta metodologia considera-se uma
-distribuição de probabilidades para a variável resposta condicionada as
-covariáveis cuja média está associada a uma preditor que acomoda os
-efeitos das covariáveis.
+variáveis observadas (covariáveis). Nessa metodologia considera-se uma
+distribuição de probabilidades para a variável resposta condicionada às
+covariáveis cuja média está associada a um preditor que acomoda os
+efeitos dessas covariáveis.
 
 Pode-se destacar o modelo linear normal como o de uso predominante
 dentre os disponíveis para análises estatísticas aplicadas. Esse modelo
-estabelece que a variável resposta condicional as covariáveis tem
-distribuição Normal de média descrita por um preditor linear das
+estabelece que a variável resposta, condicional às covariáveis, tem
+distribuição Normal, de média descrita por um preditor linear das
 covariáveis. Todavia, não são raras as situações em que a variável
 resposta é uma contagem, assumindo valores inteiros não
 negativos. Variáveis aleatórias de contagem, de forma geral, representam
@@ -28,7 +28,7 @@ ser contínuo, como um intervalo de tempo ou espaço, ou discreto, como
 indivíduos ou grupos.
 
 A análise de dados de contagem pelo modelo linear normal produz
-estimativas que contêm erros padrões inconsistentes e podem produzir
+estimativas que contêm erros padrões inconsistentes e pode produzir
 predições negativas para o número de eventos \cite{King1989}. Uma
 alternativa adotada durante muitos anos, e ainda aplicada, é encontrar
 alguma forma de transformação da variável resposta a fim de atender aos
@@ -40,57 +40,59 @@ a relação média e variância, característica de dados de contagem e iv) o
 uso da transformação logarítmica é problemática quando há contagens
 nulas.
 
-Diante do problema diferentes abordagens foram propostas, contudo
-destaca-se o trabalho apresentado por \citeonline{Nelder1972} que
-introduz a teoria dos modelos lineares generalizados (MLG's). Esta nova
-classe de modelos flexibilizou a distribuição condicional permitindo que
-outras distribuições pertencentes à família exponencial fossem
-consideradas para a distribuição da variável resposta. Tal família
-contempla as distribuições Poisson, Binomial, Gama entre outras bem
-conhecidas na literatura, além da própria distribuição Normal.
-
-Com os MLG's a modelagem de dados passou a ser mais fiel a natureza da
+Diante dos problemas relatados na aplicação de modelos normais para
+análise de dados de contagem, diferentes abordagens foram
+propostas. Destaca-se o trabalho apresentado por \citeonline{Nelder1972}
+que introduz a teoria dos modelos lineares generalizados (MLG's). Essa
+nova classe de modelos flexibilizou a distribuição condicional
+permitindo que outras distribuições pertencentes à família exponencial
+fossem consideradas para a distribuição da variável resposta. Tal
+família contempla as distribuições Poisson, Binomial, Gama entre outras
+bem conhecidas na literatura, além da própria distribuição Normal.
+
+Com os MLG's a modelagem de dados passou a ser mais fiel à natureza da
 variável resposta, principalmente no que diz respeito ao seu
 suporte. Nesse contexto, a análise de variáveis aleatórias de contagem,
 que têm suporte nos conjunto dos números naturais, foi enriquecida
 expressivamente.
 
 Para análise estatística dessas variáveis, o modelo probabilístico de
-Poisson, já consolidado na literatura é amplamente utilizado. Este
+Poisson, já consolidado na literatura, é amplamente utilizado. Esse
 modelo possui apenas um parâmetro, denotado por $\lambda$, que
 representa a média e também a variância, o que implica em uma relação
 identidade ($\lambda = E(Y) = V(Y)$). Essa propriedade, chamada de
 equidispersão, é uma particularidade do modelo Poisson que pode não ser
-adequada a diversas situações. Quando aplicado sob negligência desta
+adequada a diversas situações. Quando aplicado sob negligência dessa
 suposição, o modelo Poisson apresenta erros padrões inconsistentes para
-as estimativas dos parâmetros e por consequência, para toda função
+as estimativas dos parâmetros e, por consequência, para toda função
 desses parâmetros \cite{Winkelmann1995, Winkelmann1994}.
 
 O caso de superdispersão, quando a variância é maior que a média, é o
 mais comum e existe uma variedade de métodos para análise de dados
-assim. A superdispersão pode ocorrer pela ausência de covariáveis
-importantes, excesso de zeros, diferentes amplitudes de domínio
-(\textit{offset}) não consideradas, heterogeneidade de unidades
+superdispersos. A superdispersão pode ocorrer pela ausência de
+covariáveis importantes, excesso de zeros, diferentes amplitudes de
+domínio (\textit{offset}) não consideradas, heterogeneidade de unidades
 amostrais, entre outros \cite{RibeiroJr2012}. Para tais casos, uma
-abordagem é a adoção de modelos com efeitos aleatórios que capturam a
-variabilidade extra com a adoção de um ou mais termos de efeito
+abordagem é a adoção de modelos com efeitos aleatórios, que capturam a
+variabilidade extra, com a adoção de um ou mais termos de efeito
 aleatório. Um caso particular do modelo Poisson de efeitos aleatórios,
-muito adotado no campo aplicado da Estatística, ocorre quando
-considera-se a distribuição Gama para os efeitos aleatórios, nessa
-situação há expressão fechada para a função de probabilidade
-marginal, que assume a forma Binomial Negativa.
+muito adotado no campo aplicado da Estatística, ocorre quando a
+distribuição Gama é assumida para os efeitos aleatórios. Nessa situação
+há expressão fechada para a função de probabilidade marginal, que assume
+a forma Binomial Negativa.
 
 Outra manifestação de fuga da suposição de equidispersão é a
-subdispersão, situação menos comum na literatura. Os processos que
-reduzem a variabilidade das contagens, abaixo do estabelecido pela
-Poisson, não são tão conhecidos quanto os que produzem variabilidade
-extra. Pela mesma razão, são poucas as abordagens descritas na
-literatura capazes de tratar subdispersão, uma vez que efeitos
-aleatórios só capturam a variabilidade extra. Cita-se os modelos
-de quasi-verossimilhança como a abordagem mais utilizada. Todavia não é
-possível descrever uma distribuição de probabilidades para a variável
-resposta nessa abordagem, pois a modelagem é baseada apenas nos dois
-primeiros momentos da distribuição condicional \cite{Paula2013}.
+subdispersão, situação menos comum na prática e menos relatada na
+literatura. Os processos que reduzem a variabilidade das contagens,
+abaixo do estabelecido pela Poisson, não são tão conhecidos quanto os
+que produzem variabilidade extra. Pela mesma razão, são poucas as
+abordagens descritas na literatura capazes de tratar subdispersão, uma
+vez que efeitos aleatórios só capturam a variabilidade extra. Cita-se os
+modelos de quasi-verossimilhança como a abordagem mais
+utilizada. Todavia não é possível descrever uma distribuição de
+probabilidades para a variável resposta nessa abordagem, pois a
+modelagem é baseada apenas nos dois primeiros momentos da distribuição
+condicional \cite{Paula2013}.
 
 <<processo-pontual, fig.cap="Ilustração de diferentes tipos de processos pontuais. Da direita para esquerda têm-se processos sob padrões aleatório, aglomerado e uniforme.", fig.height=3, fig.width=7>>=
 
@@ -132,21 +134,21 @@ xyplot(y ~ x | caso, data = da,
 
 @
 
-A figura \ref{fig:processo-pontual} ilustra, em duas dimensões, a
-ocorrência de equi, super e subdispersão respectivamente. Nesta figura
+A \autoref{fig:processo-pontual} ilustra, em duas dimensões, a
+ocorrência de equi, super e subdispersão respectivamente. Nessa figura
 cada ponto representa a ocorrência de um evento e cada parcela,
 delimitada pelas linhas pontilhadas, representa a unidade (ou domínio)
-na qual tem-se o número de eventos (como variável aleatória). O painel
-da esquerda representa a situação de dados de contagem equidispersos,
-nesse cenário as ocorrências da variável aleatória se dispõem
-aleatoriamente. No painel central o padrão já se altera, tem-se a
-representação do caso de superdispersão. Nesse cenário formam-se
-aglomerados que deixam parcelas com contagens muito elevadas e parcelas
-com contagens baixas. Uma possível causa deste padrão se dá pelo
-processo de contágio (e.g. contagem de casos de uma doença contagiosa,
-contagem de frutos apodrecidos). No terceiro e último painel ilustra-se
-o caso de subdispersão, em que as ocorrências se dispõem uniformemente
-no espaço. Agora as contagens de ocorrências nas parcelas variam bem
+na qual conta-se o número de eventos (como variável aleatória). O painel
+da esquerda representa a situação de dados de contagem equidispersos.
+Nesse cenário as ocorrências dos eventos se dispõem aleatoriamente. No
+painel central o padrão já se altera, tem-se a representação do caso de
+superdispersão. Nesse cenário formam-se aglomerados que deixam parcelas
+com contagens muito elevadas e parcelas com contagens baixas. Uma
+possível causa desse padrão se dá pelo processo de contágio
+(e.g. contagem de casos de uma doença contagiosa, contagem de frutos
+apodrecidos). No terceiro e último painel ilustra-se o caso de
+subdispersão, em que as ocorrências se dispõem uniformemente no
+espaço. Agora as contagens de ocorrências nas parcelas variam bem
 pouco. Ao contrário do caso superdisperso uma causa provável seria o
 oposto de contágio, a repulsa, ou seja, uma ocorrência causa a repulsa
 de outras ocorrências em seu redor (e.g. contagem de árvores, contagem
@@ -154,7 +156,7 @@ de animais territoriais ou que disputam por território).
 
 Uma alterativa paramétrica que contempla os casos de equi, super e
 subdispersão é a adoção de uma distribuição mais flexível para a
-variável resposta condicional as covariáveis. \citeonline{Conway1962},
+variável resposta condicional às covariáveis. \citeonline{Conway1962},
 antes da formalização dos MLG's, propuseram uma distribuição denominada
 COM-Poisson (nome em em homenagem aos seus autores Richard W. Conway,
 William L. Maxwell, \textbf{Co}nway-\textbf{M}axwell-Poisson) que
@@ -165,10 +167,10 @@ contemplando os casos de sub e superdispersão \cite{Shmueli2005}.
 Uma característica bastante relevante é que a COM-Poisson possui como
 casos particulares as distribuições Poisson, Geométrica e
 Binomial. Portanto, empregando a COM-Poisson como distribuição
-condicional de um modelo de regressão, a imposição de equidispersão não
+condicional em um modelo de regressão, a imposição de equidispersão não
 precisa ser satisfeita. Tal flexibilidade, considerando o amplo uso do
 modelo Poisson, significa que a COM-Poisson pode ser aplicada nessas
-situações e será especialmente importante naquelas onde há fuga da
+situações e será especialmente importante naquelas em que há fuga da
 equidispersão.
 
 Assim como no modelo COM-Poisson vários aspectos do COM-Poisson podem
@@ -177,42 +179,43 @@ experimento sugere uma estrutura de covariância entre observações
 induzidas por um processo hierárquico de casualização ou amostragem. São
 casos assim os experimentos em parcelas subdivididas e experimentos com
 medidas repetidas ou longitudinais. Tais estruturas estabelecem modelos
-com efeitos não observáveis que agem em grupos experimentais e isso pode
-ser incorporado no modelo de regressão COM-Poisson com a inclusão de
-efeitos aleatórios. Da mesma forma, excesso de zeros pode ser
-introduzido a essa distribuição da mesma maneira que ocorre para o
-modelo Poisson, através de truncamento (modelos Hurdle) ou inflação
-(modelos de mistura) \cite{Sellers2016}. Estas extensões do modelo
-COM-Poisson ainda não são bem consolidadas na literatura e são escassas
-suas aplicações. Uma constatação do fato é que não há implementações
-destas extensões nos principais softwares estatísticos.
+com efeitos não observáveis e isso pode ser incorporado no modelo de
+regressão COM-Poisson com a inclusão de efeitos aleatórios a nível de
+grupos experimentais. Da mesma forma, excesso de zeros pode ser
+introduzido a essa distribuição como ocorre para o modelo Poisson,
+através de truncamento (modelos Hurdle) ou inflação (modelos de mistura)
+\cite{Sellers2016}. Estas extensões do modelo COM-Poisson ainda não são
+bem consolidadas na literatura e são escassas suas aplicações. Uma
+constatação do fato é que não há implementações destas extensões nos
+principais softwares estatísticos.
 
 Na literatura brasileira, aplicações do modelo COM-Poisson são
-escassas. Foram encontradas apenas aplicações na área de Análise de
+raras. Foram encontradas apenas aplicações na área de Análise de
 Sobrevivência, mais especificamente em modelos com fração de cura
 \cite{Ribeiro2012, Borges2012}. Portanto, o presente trabalho visa
 colaborar com a literatura estatística brasileira i) apresentando e
-explorando o modelo de regressão COM-Poisson para dados de contagem, ii)
+explorando o modelo de regressão COM-Poisson para dados de contagem; ii)
 estendendo as aplicações desse modelo para situações específicas como
-inclusão de efeitos aleatórios e modelagem de excesso de zeros, iii)
-discutindo os aspectos inferenciais por meio de análise de dados reais e
-iv) disponibilizando os recursos computacionais, em formato de pacote R,
-para ajuste dos modelos apresentados. Nas aplicações optou-se também
-pela análise via modelos já disponíveis para as situações estudadas.
-
-O trabalho é organizado em cinco capítulos. Esse primeiro capítulo visa
+inclusão de efeitos aleatórios e modelagem de excesso de zeros; iii)
+discutindo os aspectos inferenciais por meio de análise de dados reais;
+e iv) disponibilizando os recursos computacionais, em formato de pacote
+R, para ajuste dos modelos apresentados. Nas aplicações optou-se também
+pela análise via modelos Poisson, Quasi-Poisson e Binomial Negativa para
+comparação de resultados.
+
+O trabalho é organizado em cinco capítulos. O primeiro capítulo visa
 enfatizar as características das variáveis aleatórias de contagem e suas
 lacunas que podem ser complementadas na análise estatística dessas
-variáveis. O capítulo \ref{cap:modelos-para-dados-de-contagem} é
-dedicado a revisão bibliográfica dos modelos estatísticos empregados a
-análise de dados de contagem. Nesse capítulo os modelos Poisson,
-Binomial Negativo, COM-Poisson, as abordagens para excesso de zeros e a
-estrutura dos modelos de efeitos aleatórios são apresentados. No
-capítulo \ref{cap:material-e-metodos} são apresentos os conjuntos de
-dados a serem analisados e os métodos para ajuste e comparação dos
-modelos. O capítulo \ref{cap:resultados-e-discussao} traz os os
-principais resultados da aplicação e comparação dos modelos estatísticos
-com ênfase nas discussões sob aspectos inferenciais
-empíricos. Finalmente no capítulo \ref{cap:consideracoes-finais} são
-apresentadas as considerações finais obtidas desse trabalho e listados
-algumas possíveis linhas de pesquisa para estudos futuros.
+variáveis. O \autoref{cap:modelos-para-dados-de-contagem} é dedicado a
+revisão bibliográfica dos modelos estatísticos empregados à análise de
+dados de contagem. Nesse capítulo os modelos Poisson, Binomial Negativo,
+COM-Poisson, as abordagens para excesso de zeros e a estrutura dos
+modelos de efeitos aleatórios são apresentados. No
+\autoref{cap:material-e-metodos} são apresentados os conjuntos de dados
+a serem analisados e os métodos para ajuste e comparação dos modelos. O
+\autoref{cap:resultados-e-discussao} traz os principais resultados da
+aplicação e comparação dos modelos estatísticos, com ênfase nas
+discussões sob aspectos inferenciais empíricos. Finalmente, no
+\autoref{cap:consideracoes-finais} são apresentadas as considerações
+finais obtidas desse trabalho e listadas algumas possíveis linhas de
+pesquisa para estudos futuros.

docs/cap05_consideracoes-finais.Rnw

@@ -3,46 +3,48 @@
 % ------------------------------------------------------------------------
 
 Os objetivos nesse trabalho foram a exploração, extensão e aplicação da
-distribuição COM-Poisson na análise de dados de contagem cujo foram
+distribuição COM-Poisson na análise de dados de contagem, cujo foram
 atendidos com a apresentação de seis aplicações dos modelos COM-Poisson
-à conjuntos de dados reais que exibem equidispersão, subdispersão,
+a conjuntos de dados reais que exibem equidispersão, subdispersão,
 superdispersão, contagens altas, excesso de zeros e efeito aleatório,
 mostrando a flexibilidade do modelo COM-Poisson.
 
 Das análises realizadas destaca-se a característica restritiva do modelo
-Poisson, que na maioria dos casos não se ajustou adequadamente devido a
+Poisson, que na maioria dos casos não se ajustou adequadamente devido à
 suposição de equidispersão. Para os modelos de regressão de efeitos
 fixos, os resultados obtidos com as abordagens via modelo COM-Poisson,
 Quasi-Poisson e Binomial Negativo (para os casos de superdispersão)
-foram bastante similares quanto a significância dos efeitos e predição
+foram bastante similares quanto à significância dos efeitos e predição
 com bandas de confiança. Resultados satisfatórios também foram obtidos
-para nos modelos COM-Poisson para modelagem de excesso de zeros e
+nos modelos COM-Poisson com modelagem de excesso de zeros e
 inclusão de efeitos aleatórios. Nessas extensões, há dificuldade
-computacional de ajuste dos modelos, principalmente devido ao cálculo
+computacional para ajuste dos modelos, principalmente devido ao cálculo
 das constantes de normalização, que mesmo nos modelos de efeitos fixos
-ainda são problemáticas.
+se mostram como dificuldades a serem superadas.
 
-Em todas as aplicações observou-se a não ortonalidade empírica na matriz
-hessiana, o que se mostra como característica da distribuição. Outra
-característica observada na análise de dados é a simetria nos perfis de
-verossimilhança para o parâmetro $\phi$, indicando que aproximações
-quadráticas da verossimilhança podem ter bons desempenhos.
+Em todas as aplicações observou-se a não ortonalidade empírica, via
+matriz hessiana, o que se mostra como característica da
+distribuição. Outra característica observada na análise de dados é a
+simetria nos perfis de verossimilhança para o parâmetro $\phi$,
+indicando que aproximações quadráticas da verossimilhança podem ter bons
+desempenhos.
 
 De forma geral, sugere-se a aplicação dos modelos COM-Poisson na análise
-de dados de contagem, pois devido a sua flexibilidade, seus resultados
+de dados de contagem, pois devido à sua flexibilidade, seus resultados
 se equivalem a abordagem semi-paramétrica via quasi-verossimilhança,
 porém com todos os benefícios da inferência totalmente paramétrica.
 
 Dado o escopo do trabalho foram vários os tópicos levantados para
 pesquisas futuras. Estudo de reparametrizações que tornem os parâmetros
 $\lambda$ e $\nu$ ortogonais no modelo COM-Poisson podem ser de grande
-valia, pois tornaram as inferências entre eles independentes, além de
+valia, pois tornarão as inferências entre eles independentes, além de
 possivelmente permitir a fatoração da verossimilhança com estimação
 concentrada. Para acelerar o algoritmo de estimação aproximações da
 constante normalização podem resultar em ajustes satisfatórios. Estudos
 de simulação para verificar a robustez do modelo à má especificação da
 distribuição da variável resposta. Implementação da modelagem de excesso
-de zeros via mistura de distribuições. Inclusão de efeitos aleatórios
-dependentes no modelo misto COM-Poisson. São algumas das muitas
-possibilidades para pesquisa envolvendo dados de contagem subdispersos
-ou superdispersos modelados com a distribuição COM-Poisson.
+de zeros via mistura de distribuições. Expansão do modelo misto
+COM-Poisson com diferentes fontes de efeito aleatório e efeitos
+aleatórios dependentes. São algumas das muitas possibilidades para
+pesquisa envolvendo dados de contagem subdispersos ou superdispersos
+modelados com a distribuição COM-Poisson.

docs/capA_codigostcc.Rnw

@@ -5,7 +5,7 @@
 Todos os resultados apresentados são realizados com o \textit{software}
 R, cujo códigos para ajuste dos modelos COM-Poisson de efeito fixo,
 aleatório e com componente de barreira foram disponibilizados em formato
-de pacote no endereço \url{github.com/jreduardo/tccPackage}. Nesse
+de pacote no endereço \url{github.com/jreduardo/cmpreg}. Nesse
 apêndice são apresentados os códigos, que utilizam as funções do pacote,
 para produzir os resultados da seção \ref{sec:analise-cottonBolls2}
 (modelos de regressão de efeitos fixos). Todavia, os códigos que
@@ -15,15 +15,15 @@ visualizados no complemento online
 <<code-cottonBolls2, echo=TRUE, eval=FALSE>>=
 
 ##----------------------------------------------------------------------
-## Instalando o pacote tccPackage, elaborado no trabalho
+## Instalando o pacote cmpreg, elaborado no trabalho
 library(devtools)
-install_git("git@github.com:JrEduardo/tccPackage.git")
+install_git("git@github.com:JrEduardo/cmpreg.git")
 
 ##----------------------------------------------------------------------
 ## Análise de dados apresentados na seção ... (v.a. número de nós)
 
 ## Carrega o pacote no workspace
-library(tccPackage)
+library(cmpreg)
 
 ## Dados
 data(cottonBolls2)