Modeliranje dijabetesa pomoću logističke regresije s nominalnom zavisnom varijablom

Logistička regresija, kao moćan statistički alat, koristi se u istraživačkim problemima koji uključuju kategorijsku zavisnu varijablu. Ista je jako robusna regresijska metoda, jer zahtjeva minimalan skup temeljnih pretpostavki. Rezultat je širok raspon primjene, kako u znanstvenim krugovima tako i u kontekstu prakse. U ovom radu objašnjeni su glavni koncepti logističke regresijske analize. Između ostalog, obrađeni su pojmovi omjera šanse, metode maksimalne vjerodostojnosti te logističkog regresijskog modela. Logistički regresijski model koristi se za predviđanje vjerojatnosti događaja putem prilagođavanja podataka logističkoj krivulji. Teorijska podloga logističke regresije sa dihotomnom zavisnom varijablom implementirana je u modeliranju dijabetesa tip 1, odnosno tip 2. Analizirana je baza podataka sa predavanja iz kolegija Odabrane statističke metode u biomedicini. Na temelju univarijatne, odnosno multivarijatne logističke regresije, kao i Stepwise procedure u SAS-u, pronađeni su najadekvatniji modeli koji predviđaju pojavnost dijabetesa tip 1, odnosno tip 2. Ispostavilo se da su hemoglobin i dijastolički krvni tlak glavni prediktori za pojavnost dijabetesa tip 1, dok su hemoglobin i glukoza prediktori za pojavnost dijabetesa tip 2.Logistic regression, a powerful statistic tool, is used in researches which include categorical dependent variable. Logistic regression is robust thanks to the fact that it requires a minimum set of assumptions. As a result, it can be used widely, in scientific as well as in practical context. This thesis describes the basic concepts of logistic regression. Among others, the terms of odds ratio, maximum likelihood estimation and logistic regression model have been analysed. Logistic regression model is used to predict the probability of the event occurring by adjusting the data to the logistic curve. Theoretical background of logistic regression with dichotomous dependent variable is implemented in modeling of type 1 and type 2 diabetes. The database from the course Statistical methods in Biomedical Research has been examined. Based on univariate and multivariate logistic regression, as well as on Stepwise procedure in SAS, the most adequate model for the prediction of type 1 and type 2 diabetes has been found. The results have shown that hemoglobin and diastolic blood pressure are the main predictors of type 1 diabetes, while the hemoglobin and glucose are predictors for type 2 diabetes