Analyses of data that have response variables contained in the (0,1) interval have received a lot of attention in the past two decades, most notably through the use of the beta regression model. However, there are situtations where there are boundary observations in the data, i.e. observations equal to zero or to one, in which other methodologies must be considered. In this work, the focus is on data that have a small custer of observations at one of the boundaries and the methods used either provide ways to still fit a beta regression model, via maximum likelihood or via a robust estimation method, for these scenarios by adapting the data to fit onto the (0,1) interval or using a model that can naturally cope with the presence boundary observations; here, the inflated beta regression model and a quasi-likelihood model were used for this purpose. The methods were applied to two different datasets that had distinct characteristics; diagnostic analyses were conducted to assess the quality of the fits and then simulation scenarios were carried out to evaluate the performance of each of the methods in situations that may arise in practice. Finally, some conclusions were made about which methods work best in each of the situations explored.

Análises de dados cujas variáveis respostas estão contidas no intervalo (0,1) têm recebido muita atenção nas últimas duas décadas, principalmente com o uso do modelo de regressão beta. No entanto, existem situações em que os dados contêm observações nas fronteiras, isto, é observações iguais a zero ou a um, em que outras metodolgias precisam ser consideradas, Neste trabalho, o foco é em dados que têm um pequeno cluster de observações em uma das fronteiras e os métodos utilizados fornecem maneiras de continuar ajustando um modelo de regressão beta, por máxima verossimilhança ou por um método de estimação robusto, para estes cenários após uma adaptação dos dados ou usar um modelo que é capaz lidar com a presença de observações nas fronteiras; aqui, o modelo de regressão beta inflacionado e um modelo de quasi-verossimilhança foram usados para esta finalidade. Os métodos foram aplicados em dois conjuntos de dados com características distintas; análises de diagnóstico foram conduzidas para avaliar a qualidade dos ajustes e então, cenários de simulação foram feitos para avaliar a performance de cada um dos métodos em situações que podem surgir na prática. Finalmente, algumas conclusões foram apresentadas sobre quais métodos funcionam melhor em cada uma das situações exploradas.