SPSS Advanced Statistics

Puissants outils de modélisation applicables pour analyser des relations complexes

IBM SPSSMD Advanced Statistics met à la disposition des utilisateurs des techniques de modélisation univariées et multivariées pour les aider à tirer des conclusions aussi précises que possible de données décrivant des relations complexes. De telles méthodes d'analyse évoluées sont fréquemment mises à contribution pour tirer des données contextuelles des données utilisées dans des domaines comme la recherche médicale, la fabrication, les produits pharmaceutiques ou les études de marché.

Caractéristiques du produit

  • Modèles linéaires généraux (GLM) et modèles mixtes
  • Modèles linéaires généralisés (GENLIN), notamment les modèles statistiques très courants que sont les modèles à régression linéaire (pour réponses distribuées normalement), les modèles logistiques (pour données binaires) et les modèles log-linéaires (pour données de dénombrement).
  • Modèles linéaires mixtes, ou modèles linéaires hiérarchiques (HLM), qui renforcent les modèles linéaires généraux utilisés dans la méthode GLM afin de pouvoir analyser des données qui montrent une corrélation et une variabilité non constante.
  • Équations d'estimation généralisées (GEE), afin d'étendre l'application des modèles GENLIN aux données longitudinales corrélées et groupées.
  • Modèles linéaires mixtes généralisés (GLMM) applicables aux données hiérarchiques et à un large éventail de sorties, notamment les valeurs ordinales.
  • Procédures d'analyse de survie afin d'étudier les données sur la vie utile ou la durée.

Modèles linéaires généraux (GLM)

  • Analysez la relation entre une variable dépendante et un ensemble de variables indépendantes. Les méthodes utilisables sont la régression linéaire, l'analyse de variance (ANOVA) ou de covariance (ANCOVA) ainsi que l'analyse multivariée de la variance (MANOVA) ou de la covariance (MANCOVA).
  • Utilisez des fonctions souples de conception et d'analyse par contraste pour estimer les moyennes et les variances, ou pour tester et prévoir des moyennes.
  • Combinez des prédicteurs catégoriels ou continus pour créer vos modèles en optant pour l'une ou l'autre des nombreuses possibilités proposées.
  • Utilisez les modèles mixtes linéaires pour prévoir plus précisément les résultats non linéaires (par exemple ce qu'un client est le plus susceptible d'acheter en tenant compte des structures de données hiérarchiques et emboîtées).
  • Définissez des douzaines de modèles, y compris la conception par subdivision de parcelles, avec niveaux multiples avec covariance à effets fixes ou d'un plan en blocs aléatoires.

Modèles linéaires généralisés (GENLIN)

  • Établissez un cadre unificateur comprenant des modèles linéaires classiques avec variables dépendantes distribuées normalement, des modèles logistiques et probits pour les données binaires, et des modèles log-linéaires pour les données chiffrées, ainsi que divers autres modèles à régression non standards.
  • Tirez parti de nombreux autres modèles statistiques généraux, comme des modèles de régression ordinale, Tweedie, Poisson, Gamma ou binomiale négative.

Modèles linéaires mixtes/modèles linéaires hiérarchiques (HLM)

  • Modélisez les moyennes, les variances et les covariances dans les données qui affichent la corrélation et la variabilité non constante, comme des étudiants emboîtés dans des salles de classe ou des consommateurs emboîtés dans des familles.
  • Définissez des douzaines de modèles, y compris la conception par subdivision de parcelles, avec niveaux multiples avec covariance à effets fixes ou d'un plan en blocs aléatoires.
  • Sélectionnez l'un ou l'autre des 11 types de covariances non spatiales, notamment antédépendantes de premier ordre, hétérogènes et autorégressives de premier ordre.
  • Obtenez des résultats plus précis en travaillant avec données de mesures répétées, dont des situations présentant différentes quantités de mesures répétées, différents intervalles pour différents cas, ou les deux.

Équations d'estimation généralisées(GEE)

  • Étendez les modèles linéaires généralisés aux données longitudinales corrélées et aux données groupées.
  • Modélisez les corrélations au sein des sujets.

Modèles linéaires mixtes généralisés (GLMM)

  • Ouvrez, gérez et analysez pratiquement n'importe quel type de données (données de sondages, base de données d'entreprise ou fichier téléchargé à partir d'Internet).
  • Exécutez la procédure GLMM avec des valeurs ordinales pour créer des modèles plus précis pour prévoir des résultats non linéaires comme la probabilité que le degré de satisfaction d'un client soit faible, moyen ou élevé.

Procédures d'analyse de survie

  • Utilisez l'une ou l'autre des méthodes proposées dans un ensemble souple et complet pour arriver à comprendre des événements finals (défaillance d'une pièce, taux de mortalité ou de survie).
  • Faites appel à la méthode Kaplan-Meyer pour estimer le temps susceptible de s'écouler avant un événement.
  • Utilisez le modèle de Cox pour effectuer une régression à effet proportionnel en prenant comme variable dépendante le temps de réponse ou la durée.

Ressources SPSS Advanced Statistics

Logiciels IBM
Voir ce que ce logiciel intelligent peut faire pour vous

Acheter SPSS Advanced Statistics

Puissants outils de modélisation pour analyser des relations complexes

L'abonnement aux logiciels et l'assistance IBM sont inclus dans le prix des produits pour la première année.

Télécharger le logiciel après l'achat — aucuns frais d'expédition

Détailler Condenser

Voici des moyens simples d'effectuer vos achats ou d'obtenir plus d'info.

Joindre IBM

Voici des moyens simples d'effectuer vos achats ou d'obtenir plus d'info.

SPSS Advanced Statistics

 

 

 

Logiciels IBM