Mnoho typů dat v biostatistice má podobu kompozi?ních dat, tj. jde o mnohorozměrná pozorování obsahující kladné složky, které reprezentují části nějakého celku a nesou relativní informaci. Logpodílová metodika, zohledňující specifické vlastnosti kompozic, slouží jako vhodný prostředek k jejich analýze. Tato práce představuje metodologické inovace a aplikace kompozi?ního přístupu v oborech biostatistiky, konkrétně v oblasti regresní analýzy a vizualizace dat, a to v metabolomice a při zkoumání vlivu pohybového chování na zdraví. Je zde prezentována nová robustní metoda pro regresi s kompozičními vysvětlujícími proměnnými, jež je schopna efektivně pracovat s pozorováními, která jsou odlehlá jako celek, i s těmi, kde se odlehlost projevuje pouze na prvkové úrovni. Také je tu představena vylepšená procedura pro identifikaci statisticky významných proměnných ve vysoce-dimenzionálních kompozičních datech. Je založena na regresi metodou částečných nejmenších čtverců (PLS regresi), při níž se pro reprezentaci kompozic využívají vážené pivotové souřadnice s novou strategií pro vážení danou povahou problému. V kontextu výzkumu pohybového chování je kladen zvláštní důraz na vhodnou souřadnicovou reprezentaci dat o pohybovém chování. Navržený souřadnicový systém bere v potaz to, že mezi kategoriemi pohybového chování, kompozičními proměnnými, existuje přirozené uspořádání.Many types of data in biostatistics meet properties of compositional data, i.e. multivariate observations comprising positive parts of a whole carrying relative information. Given their specific properties, the logratio methodology serves as a proper tool for the analysis of compositions. This thesis presents methodological developments and applications of the compositional approach in fields of biostatistics, specifically in relation to regression analysis and data visualization as applied to metabolomics and time-use epidemiology. A novel method for regression with compositional explanatory variables is introduced, which is robust against rowwise as well as against cellwise outliers. Further, a procedure for improved biomarker discovery in high-dimensional compositional data is presented. It is based on partial least squares (PLS) regression using a weighted pivot coordinate representation for compositions with a new, task-driven, strategy for weighting. In the context of time-use research, special relevance is given to a suitable coordinate representation of time-use data. The proposed coordinate system aims to reflect the fact that there is a natural ordering in time-use categories, the compositional variables.