prikaz prve stranice dokumenta Regresijska analiza za brojeće podatke
  Preuzmi
PDF 243.55 KB
diplomski rad
Regresijska analiza za brojeće podatke
2025. urn:nbn:hr:217:189344
Matošin, Matea
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Matematički odsjek

Citirajte ovaj rad

Matošin, M. (2025). Regresijska analiza za brojeće podatke (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:189344

Matošin, Matea. "Regresijska analiza za brojeće podatke." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2025. https://urn.nsk.hr/urn:nbn:hr:217:189344

Matošin, Matea. "Regresijska analiza za brojeće podatke." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2025. https://urn.nsk.hr/urn:nbn:hr:217:189344

Matošin, M. (2025). 'Regresijska analiza za brojeće podatke', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 18.03.2025., https://urn.nsk.hr/urn:nbn:hr:217:189344

Matošin M. Regresijska analiza za brojeće podatke [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2025 [pristupljeno 18.03.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:189344

M. Matošin, "Regresijska analiza za brojeće podatke", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2025. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:189344

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:189344
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovRegresijska analiza za brojeće podatke
Naslov (engleski)Regression analysis for count data
AutorMatea Matošin
MentorSnježana Lubura Strunjak (mentor)
Član povjerenstvaSnježana Lubura Strunjak (predsjednik povjerenstva)
Član povjerenstvaAna Prlić (član povjerenstva)
Član povjerenstvaVanja Wagner (član povjerenstva)
Član povjerenstvaMea Bombardelli (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Matematički odsjek)
Zagreb
Datum i država obrane2025-02-20, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Teorija vjerojatnosti i statistika
Sažetak
U ovom diplomskom radu obrađena je regresijska analiza za brojeće podatke kroz pristup generaliziranih linearnih modela, s naglaskom na Poissonovu i negativu binomnu regresiju. Generalizirani linearni modeli pružaju fleksibilno modeliranja podataka koristeći eksponencijalnu familju distribucija i odgovarajuće funkcije veze. U radu su detaljno analizirani Poissonova regresija koja je osnovni pristup za modeliranje brojećih podataka i negativna binomna regresija koja uključuje dodatni parametar... Više disperzije za rješavanje problema prekomjerne raspršenosti. Praktična primjena ovih modela na stvarne skupove podataka omogućuje usporedbu njihovih performansi. Rezultati teorijskog i praktičnog dijela potvrđuju da negativna binomna regresija bolje odgovara podatcima sa prekomjernom raspršenosti, dok je Poissonova regresija primjerenija kada vrijedi pretpostavka o jednakoj raspršenosti. Odabir odgovarajućeg modela za brojeće podatke ključan je za točnost statističkih procjena i interpretaciju rezultata. Pravilna dijagnostika modela je ključna u donošenju ispravnih zaključaka i osigurava da modeli adekvatno reprezentiraju stvarne podatke. Sakrij dio sažetka
Sažetak (engleski)
In this thesis, regression analysis for count data is explored through the framework of generalized linear models, with a focus on Poisson and negative binomial regression. Generalized linear models provide a flexible approach to data modeling using the exponential family of distributions and appropriate link functions. The study presents a detailed analysis of Poisson regression, which serves as the fundamental model for count data, and negative binomial regression, which includes an... Više additional dispersion parameter to deal with overdispersion. The practical application of these models to real datasets allows for a comparison of their performance. The results from both theoretical and empirical analyses confirm that negative binomial regression is more suitable for data with overdispersion, while Poisson regression is more appropriate when the assumption of equidispersion holds. The selection of an appropriate model for count data is crucial for the accuracy of statistical estimates and the interpretation of results. Proper model diagnostics play a key role in making correct conclusions and ensuring that models adequately represent real-world data. Sakrij dio sažetka
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:189344
Studijski programNaziv: Matematička statistika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: sveučilišni magistar matematike (univ. mag. math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2025-02-05 19:02:33
accessibility

closePristupačnostrefresh

Ako želite spremiti trajne postavke, kliknite Spremi, ako ne - vaše će se postavke poništiti kad zatvorite preglednik.