<?xml version="1.0"?>
<metadata xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:dc="http://purl.org/dc/elements/1.1/"><dc:title>Razmerje tveganj in razmerje obetov</dc:title><dc:creator>Letnar,	Gašper	(Avtor)
	</dc:creator><dc:creator>Pohar Perme,	Maja	(Mentor)
	</dc:creator><dc:subject>razmerje tveganj</dc:subject><dc:subject>razmerje obetov</dc:subject><dc:subject>posplošeni linearni modeli</dc:subject><dc:subject>logistična regresija</dc:subject><dc:subject>Poissonova regresija</dc:subject><dc:description>Razmerje tveganj in razmerje obetov sta dve meri, ki ju pogosto srečujemo v medicini, ko želimo ovrednotiti vpliv dejavnika izpostavljenosti na binarni izid. V delu diplomskega seminarja obe meri definiram, predstavim njune lastnosti in se nato posvetim ocenjevanju. Če nadzor nad vplivom motečih dejavnikov pri samem procesu vzorčenja ni mogoč, kar se skoraj gotovo zgodi pri opazovalnih raziskavah, moramo njihov učinek upoštevati v statistični analizi. To navadno storimo z uporabo regresijskih modelov in posledično se v jedru dela osredotočim na osnovno teorijo posplošenih linearnih modelov, ki je potrebna za ocenjevanje obeh mer. Ko ocenjujemo razmerje obetov, je izbira logističnega modela samoumevna. Žal pa za ocenjevanje razmerja tveganj nimamo modela, ki bi imel tako lepe matematične lastnosti, kot jih ima logistični model za razmerje obetov. A vendar, ker je razmerje tveganj tista mera, ki jo v praksi želimo oceniti, je bilo v zadnjih desetletjih veliko truda vloženega v iskanje najustreznejšega pristopa za ocenjevanje te mere. Dva najbolj uporabljena pristopa za ocenjevanje sta log-binomska regresija in Poissonova regresija. V drugem delu diplomskega dela prvi model na kratko omenim, večjo pozornost pa namenim slednjemu.</dc:description><dc:date>2019</dc:date><dc:date>2019-08-30 14:59:32</dc:date><dc:type>Delo diplomskega seminarja/zaključno seminarsko delo/naloga</dc:type><dc:identifier>109341</dc:identifier><dc:identifier>UDK: 519.2</dc:identifier><dc:identifier>VisID: 97868</dc:identifier><dc:identifier>COBISS_ID: 18710361</dc:identifier><dc:language>sl</dc:language></metadata>
