Dados provenientes de estudos em ciências agrárias podem apresentar características diferentes, com destaque para estudos de produção in vitro apresentam distribuição normal e são medidos em contextos longitudinais ou hierárquicos. Exemplos comuns incluem dados na forma de contagens, proporções e binários. Por outro lado, na maioria dos estudos de hormesis, os dados são correlacionados, presentes em características morfológicas, fisiológicas e bioquímicas. Nesse sentido, o objetivo deste trabalho é desenvolver modelos e ferramentas computacionais que auxiliem na análise desses tipos de dados, tornando-a mais acessível a pesquisadores de áreas aplicadas. Em relação aos dados da PIVE, inicialmente, abordaram-se os aspectos relacionados a superdispersão e correlação em dados longitudinais, testes de hipóteses sobre os componentes de variância e seleção de modelos com foco em dados na forma de contagens e na proposição de um tutorial utilizando o software R. Os modelos lineares generalizados mistos (MLGMs) e os modelos combinados (MC) ajustaram-se satisfatoriamente, captando a variabilidade extra e a correlação entre as medidas longitudinais. O MC tem como característica o uso de dois conjuntos de efeitos aleatórios para capturar a superdispersão e a correlação, sendo mais flexíveis que os tradicionais MLGMs. Apesar da flexibilidade de modelagem oferecida, os MCs ainda não possuem uma ferramenta computacional padronizada no software de código-aberto R. Em função disso, foi desenvolvido o pacote combTMB para o software R. As funcionalidades do pacote são ilustradas com duas aplicações em dados na forma de contagens e de proporções. Finalmente, foi proposta uma modelagem não linear multivariada para estudar hormesis em plantas, sendo que as informações concernentes às correlações das variáveis respostas são consideradas com uma matriz de variâncias e covariâncias obtida, a partir dos resíduos univariados. Uma vantagem dessa estratégia de modelagem é a obtenção de estimativas mais precisas dos parâmetros e uma maior compreensão das relações bifásicas de dose-resposta, pois considera na estrutura de modelagem as inter-relações existentes entre as diversas características mensuradas no sistema vegetal.

Data from studies in agricultural sciences may present different features, especially in studies of i>in vitro embryo production (IVP) and hormesis in plants. In IVP, data are usually non-Gaussian and are measured in longitudinal or hierarchical contexts. Common examples include count, proportion, and binary data. On the other hand, in most hormesis studies, data are correlated and present in morphological, physiological, and biochemical characteristics. In this sense, the objective of this work is to develop models and computational tools that assist in the analysis of these types of data, making it more accessible to researchers in applied fields. Regarding IVP data, initially, aspects related to overdispersion and correlation in longitudinal data, hypothesis tests for variance components, and model selection focused on count data were addressed, proposing a tutorial using the software R. Generalized linear mixed models (GLMMs) and combined models (CM) were satisfactorily fitted, capturing the extra variability and correlation between longitudinal measures. The CM is characterized by the use of two sets of random effects to capture overdispersion and correlation, being more flexible than traditional GLMMs. Despite the modeling flexibility offered, CMs still do not have a standardized computational tool in the open-source software R. For this purpose, it was developped the package combTMB for R. software. The packages functionalities are illustrated with two applications on count and proportion data. Finally, a multivariate nonlinear modeling has been proposed to study hormesis in plants, where information concerning to the correlations of response variables is considered with a variance-covariance matrix obtained from univariate residuals. An advantage of this modeling strategy is obtaining more precise estimates of parameters and a better understanding of dose-response biphasic relationships, considering the interrelationships between the various characteristics measured in the plant system.