• Anvende den generelle approksimative (asymptotiske) likelihood teori i forbindelse med analyse af et datasæt, dvs. vælge en passende model for et sæt af data og opstille likelihoodfunktionen svarende til denne model
• Finde score funktionen og informationsmatricer for forskellige, passende valgte parametriseringer af modellen.
• Estimere, ved maksimum likelihood, modellens parametre, angive den statistiske usikkerhed knyttet til estimaterne, oversætte relevante faglige problemstillinger til hypoteser om modellens parametre og teste disse hypoteser ved likelihood ratio tests, score tests eller Wald tests.
• Formulere resultaterne af den statistiske analyse i et klart sprog, relevant for den faktiske, faglige problemstilling.
• Anvende tilgængelig software til ovenstående i standardmodeller, som f.eks. de generaliserede lineære modeller, og som måtte være indeholdt i pensum.
• Herunder afgøre, hvornår en model tilhører den eksponentielle familie og faktisk er en generaliseret lineær model

Indhold i faget begrænses til modeller med én responsvariabel, som antages at være enten kontinuert og normalfordelt eller diskret og binomialfordelt eller poissonfordelt.
De forklarende variable kan være enten kontinuerte eller klassificerede eller en blanding af begge dele. Der gennemgås den lineære normale model omfattende de klassiske modeller i multipel regression, variansanalyse og kovariansanalyse. Og i tilfældet med diskret respons gennemgås de hertil svarende modeller under overskrifterne logistisk regression og den loglineære model.

Studiesekretariatet for HA(mat.)

Annette J. Dobson & Adrian G. Barnett: "Introduction to Generalized Linear Models", (3. udgave) Chapman and Hall/CRC 2008
Kapitlerne: 1 – 7 og 9.

Supplerende noter (til visse afsnit) og eksempler.