###############################################################################
## CE092 - Extensões de Modelos de Regressão ----------------------------------
## Modelos de Regressão para Dados no Intervalo Unitário ----------------------
## Ricardo Rasmussen Petterle -------------------------------------------------
## Contato: ricardopetterle@ufpr.br -------------------------------------------
## Aula 1: 13/10/2026 (19:00) -------------------------------------------------
###############################################################################

## Carregando pacotes extras
## install.packages("betareg")
library(betareg)

## O pacote unitregTMB está disponível em: https://github.com/rpetterle/unitregTMB
## install.packages("remotes")
## 1. Install the regcore dependency
## remotes::install_github("rpetterle/regcore")
## 2. Install unitregTMB
## remotes::install_github("rpetterle/unitregTMB")
library(unitregTMB)

## Simulando dados
set.seed(123)
n <- 300
x <- rnorm(n, mean = 0, sd = 1)
eta <- -0.2 + 1.1 * x
mu <- plogis(eta)
phi <- 5
y <- rbeta(n, shape1 = mu * phi,
           shape2 = (1 - mu) * phi)
dat <- data.frame(y = y, x = x, mu = mu)

## Ajustando um modelo linear (inadequado)
fit_lm <- lm(y ~ x, data = dat)
summary(fit_lm)
range(predict(fit_lm))
par(mfrow = c(2,2), oma = c(0, 0, 1.1, 0))
plot(fit_lm)

## Ajustando o modelo de regressão beta
fit_beta <- betareg(y ~ x, 
                    data = dat)
summary(fit_beta)
range(predict(fit_beta))

## Exemplo 1: Conjunto de dados FoodExpenditure -------------------------------

## Carregando o conjunto de dados 
data("FoodExpenditure", package = "betareg")

## Construindo a resposta
FoodExpenditure$prop <- with(FoodExpenditure, food / income)

## Resumo da resposta
summary(FoodExpenditure$prop)

## Primeiras seis linhas do conjunto de dados
head(FoodExpenditure)

## Ajustando o modelo linear
fit_lm <- lm(prop ~ income + persons,
             data = FoodExpenditure)

## Resumo modelo linear
summary(fit_lm)

## Ajuste com o modelo de regressão beta
fit_beta <- betareg(prop ~ income + persons,
                    data = FoodExpenditure)

## Resumo modelo beta
summary(fit_beta)

## Exemplo 2: conjunto de dados GasolineYield ---------------------------------
## Carregando o conjunto de dados
data("GasolineYield", package = "betareg")

## Modelo beta com precisão constante
fit_gy1 <- betareg(yield ~ batch + temp,
                   data = GasolineYield)
summary(fit_gy1)

## Modelo beta com precisão variável
fit_gy2 <- betareg(yield ~ batch + temp | temp,
                   data = GasolineYield)
summary(fit_gy2)

## Comparando os dois modelos
AIC(fit_gy1, fit_gy2)
BIC(fit_gy1, fit_gy2)

## Exemplo 3: conjunto de dados wqi (índice de qualidade da água) -------------

## Carregando o conjunto de dados
data("wqi", package = "unitregTMB")

## Modelo: Beta 
fit_beta <- unitregTMB(y ~ quarter + location, 
                       family = beta_fam(model_for = "mean"),
                       data = wqi)

## Modelo: Bessel
fit_bessel <- unitregTMB(y ~ quarter + location, 
                         family = bessel(model_for = "mean"),
                         data = wqi)

## Modelo: Simplex
fit_simplex <- unitregTMB(y ~ quarter + location, 
                          family = simplex(model_for = "mean"),
                          data = wqi)

## Modelo: Unit-gamma
fit_unitgamma <- unitregTMB(y ~ quarter + location, 
                            family = unitgamma(model_for = "mean"),
                            data = wqi)

## Modelo: Vasicek
fit_vasicek <- unitregTMB(y ~ quarter + location, 
                          family = vasicek(model_for = "mean"),
                          data = wqi)

## Medidas de bondade de ajuste (LogLik, AIC, BIC)
gof_tab(fit_beta, 
        fit_bessel,
        fit_simplex,
        fit_unitgamma,
        fit_vasicek)

## Qual modelo se ajustou melhor aos dados?
## Note que, nesse exemplo, tratamos as observações como independentes.

## Coeficientes (erros-padrão)
summary_coef(fit_beta, 
             fit_bessel,
             fit_simplex,
             fit_unitgamma,
             fit_vasicek, 
             print_tex = FALSE)

## Plotando os coeficientes e intervalos (95%)
plot_coef(fit_beta, 
          fit_bessel,
          fit_simplex,
          fit_unitgamma,
          fit_vasicek, 
          facet = FALSE,
          palette = "grey")
## Obs: math_labels = TRUE caso queira os betas no eixo Y.

## Half Normal Plot para o modelo simplex
plot_envelope(fit_simplex)

## Criando um data frame (Figura com cinco HNP)
df_plot <- df_envelopes(fit_beta, 
                        fit_bessel,
                        fit_simplex,
                        fit_unitgamma,
                        fit_vasicek)

## Carregando o pacote ggplot2
library(ggplot2)

## Figura customizada com half normal plot dos cinco modelos ajustados
ggplot(df_plot, aes(x = Theoretical, y = Observed)) +
       facet_wrap(~ Model, nrow = 1) + 
       geom_point(shape = 3, size = 1.4) +
       geom_line(aes(y = Median), linetype = "dashed") +
       geom_line(aes(y = Lower), col = "#1466b8", linewidth = 0.6) +
       geom_line(aes(y = Upper), col = "#1466b8", linewidth = 0.6) +
       labs(x = "Theoretical quantiles", y = "Randomized quantile residuals") +
       theme_bw() +
       theme(text = element_text(size = 16, family = "Palatino"), 
             panel.grid.minor = element_blank(),
             strip.text = element_text())
       
## FIM ------------------------------------------------------------------------