O objetivo deste trabalho é fazer uma revisão dos modelos não lineares de família exponencial (Cordeiro & Paula (1989); Wei (1998)) para respostas independentes e apresentar possíveis extensões para o caso de dados correlacionados. Inicialmente são apresentados exemplos ilustrativos, alguns dos quais são reanalizados ao longo do texto. Em seguida são discutidos procedimentos de estimação e testes de hipóteses, tais como apresentação de um processo de estimação que pode ser adaptado ao processo iterativo usado na classe dos modelos lineares generalizados, e alguns resultados assintóticos. Técnicas usuais de diagnóstico, como pontos de alavanca, análise de resíduos e diagnóstico de influência são adaptados para a classe dos modelos não lineares de família exponencial. Extensões para a classe dos modelos não lineares com resposta binomial negativa são também apresentadas. Finalmente, são consideradas duas possíveis extensões dos modelos não lineares de família exponencial para dados correlacionados, através de equações de estimação generalizadas e através de modelagem mista em que efeitos aleatórios em forma linear são adicionados ao componente não linear da parte sistemática do modelo conforme sugerido recentemente por Tang et al. (2006a).

The aim of this work is to present a review of the exponential family nonlinear models (Cordeiro & Paula (1989); Wei (1998)) for independent responses and to present possible extensions for the case of correlated data. Firstly, ilustrative examples are presented with some of them being reanalyzed along the text. Then, estimation and hypothesis testing procedures, such as the presentation of an iterative process adapted from the one of generalized linear models, and some asymptotic results are discussed. Useful diagnostic techniques, as calculation of leverage measures, residual analysis and influence diagnostics are adapted for the class of exponential family nonlinear models. Extensions to nonlinear negative binomial models are also presented. Finally, two possible extensions for correlated data are considered, by using generalized estimating equations and mixed modeling in which linear random effects are added into the systematic component together with the nonlinear function, as suggested by Tang et al. (2006a).