Nagrinėjamas papildomo regresijos kintamojo pridėjimo prie logit modelio efektyvumas vertinant mažas tikimybes didelėse populiacijose. Nagrinėjami du nežinomų tikimybių pasiskirstymo modeliai: tikimybės pasiskirsčiusios pagal gama skirstinį (modelis (A)), arba tikimybių logit’ai turi Gauso skirstinį (modelis (B)). Modifikuotame modelyje (B) naudojamas papildomas regresijos kintamasis Gauso skirstinio vidurkiui (modelis (BR)). Naudojami realūs duomenys iš Lietuvos Statistikos departamento Duomenų bazės – Darbingo amžiaus asmenys, pirmą kartą pripažinti neįgaliaisiais pagal administracinę teritoriją, 2010 metai (teritorijų skaičius K = 60). Be to, naudojami vidutinio metinio gyventojų skaičiaus duomenys pagal administracinę teritoriją. Papildomas regresijos kintamasis
paremtas duomenimis – Ligoninėse gydytų ligonių skaičius, 2010 metai. Buvo gauti pradiniai Empirical Bayesian regression model for estimation of small rates 47 parametrai naudojant paprastas iteracines procedūras modeliams (A) ir (B). Antrame etape buvo atlikti įvairūs testai naudojant Monte Carlo modeliavimą (naudojant modelius (A), (B) ir (BR). Pagrindinis tikslas buvo parinkti tinkamiausią modelį ir duoti rekomendacijas naudoti gama ar logit modelį (su ar be papildomu regresijos kintamuoju) Bayeso vertinimui. Rezultatai rodo, kad Monte-Carlo modeliavimas įgalina parinkti tinkamesnį vertinimo modelį.