SPSS Statistics Premium

Modèles linéaires

• Modèles linéaires mixtes généralisés utilisables avec des données hiérarchiques
• Méthodes basées sur des modèles linéaires généraux et des modèles mixtes
• Modèles linéaires généralisés, y compris des modèles statistiques d'usage généralisé comme la régression linéaire pour les réponses réparties normalement, des modèles logistiques pour données binaires et loglinéaires pour données comptées; modèle linéaire généralisé, fort d'une formulation très générale, nombre de modèles statistiques utiles également compris
• Méthodes d'équations d'estimation généralisées pour une plus grande portée des modèles linéaires généralisés afin de traiter des données longitudinales corrélées et des données groupées

Modèles non linéaires

• Régression logistique multinomiale pour prédire des résultats catégoriques avec plus de deux catégories
• Régression logistique binaire pour classer les données en deux groupes
• Régression non linéaire et régression non linéaire sous contrainte pour estimer les paramètres des échantillons non linéaires
• Analyse par la méthode des probits pour évaluer les stimuli en utilisant une transformation de logits ou de probits de la proportion répondante.

Fonctions de simulation

• Les techniques de Monte Carlo permettent de simuler les données en fonction des paramètres précisés, puis utilisent ces données pour prévoir le résultat.
• Il est possible de modifier les paramètres utilisés pour simuler les données et comparer les résultats.
• Les spécifications d'une simulation peuvent être enregistrés dans un fichier de plan de simulation.
• Les simulations peuvent être exécutées en utilisant les spécifications chargées à partir de ce fichier de plan. Les utilisateurs peuvent également définir les spécifications dans l'interface utilisateur et exécuter la simulation depuis celle-ci.

Tableaux personnalisés

• Comparez les moyennes ou les proportions de groupes démographiques, de segments de clients, de périodes ou d'autres variables catégoriques lorsque des inductions statistiques sont incluses.
• Sélectionnez des statistiques sommaires — des simples décomptes de variables catégoriques aux mesures de dispersion — et triez les catégoriques par l'une ou l'autre des statistiques sommaires utilisées.
• Choisissez l'un ou l'autre des trois tests de signification : test d'indépendance khi carré, comparaison des moyennes des colonnes (test t) ou comparaison des colonnes (test z).
• Utilisez un générateur de tableaux interactif doté de fonctions de type glisser-déposer pour créer des tableaux croisés dynamiques.
• Disposez de catégories spécifiques, et permettez l'affichage de cellules sans valeur et l'addition de totaux partiels dans les tableaux.
• Les tableaux peuvent être prévisualisés en temps réel et modifiés aussitôt qu'ils sont créés. Ils peuvent être exportés vers des documents Microsoft Word, Excel, PowerPoint ou HTML afin d'être utilisés dans des rapports.

Préparation de données

• Détectez rapidement des cas, des variables et des valeurs de données suspects ou incorrects.
• Visualisez des modèles de données manquantes et résumez les distributions des variables.
• Classifiez par fenêtre pour trouver le meilleur résultat possible pour les algorithmes conçus pour des attributs nominaux.
• Utilisez l'outil de préparation automatisée des données (ADP) pour détecter et corriger des erreurs relatives à la qualité et imputer des valeurs manquantes en une même étape dynamique.
• Obtenez des recommandations et des visualisations pour vous aider à trouver les données utilisées.

Validité des données et valeurs manquantes

• Examinez les données sous plusieurs angles différents à l'aide d'un des six rapports de diagnostics, puis estimez des statistiques sommaires et imputez les valeurs manquantes.
• Diagnostiquez rapidement les problèmes d'imputation de données manquantes.
• Remplacez des valeurs manquantes par des estimations.
• Affichez une capture de chaque type de valeur manquante et toutes les valeurs extrêmes de chaque cas.
• Effacez les biais cachés en remplaçant les valeurs manquantes par des estimations pour inclure tous les groupes — même ceux dont le taux de réponse est faible.

Données catégoriques et numériques

• Découvrez les relations sous-jacentes au moyen de cartes de perception, à double ou triple tracé.
• Utilisez des procédures semblables à la régression classique, les composants principaux et la corrélation canonique pour prédire les résultats et trouver les relations — des moyens pour vous aider à travailler avec es données nominales (par ex. le salaire) et ordinales (par ex. la scolarité) et les comprendre.
• Interprétez visuellement les ensembles de données et voyez les relations entre les rangées et les colonnes dans de grands tableaux montrant des résultats, des décomptes, des cotes ou des similarités.
• Traitez les informations résiduelles non normales dans les données numériques ou les relations non linéaires entre les variables indépendantes (par ex. les attributs des clients ou des produits) et les variables des résultats (par ex., achat/non achat).
• Utilisez la régression pseudo-orthogonal, les outils Lasso ou Elastic Net, la sélection de variables et de modèles pour les données numériques et catégoriques.

Arbres de décision

• Voyez comment votre modèle se comporte afin de trouver des sous-groupes et des relations donnés.
• Créez des arborescences directement dans IBM SPSS Statistics afin d'utiliser les résultats pour segmenter et grouper les cas directement dans les données.
• Utilisez l'une ou l'autre des quatre techniques d'arbre de décision suivantes.
  • CHAID — Rapide, statistique et multivoie, cet algorithme d'arborescence explore les données rapidement et efficacement, et crée des segments et des profils en respectant le résultat souhaité.
  • CHAID exhaustive — Une modification de la technique CHAID, qui examine toutes les divisions possibles pour chacun des indicateurs.
  • Arbres de classification et de régression — Un algorithme d'arbre binaire complet qui partitionne les données et produit des sous-ensembles homogènes précis.
  • QUEST — Un algorithme statistique qui sélectionne des variables sans tendance et crée des arbres binaires précis rapidement et efficacement.
• Générez des règles de sélection ou de classification/prédiction en utilisant la syntaxe de l'outil, des énoncés SQL ou de simples textes.

Prévisions

• Distribuez des informations dans un format que les décideurs de votre organisation peuvent comprendre et utiliser.
• Déterminez automatiquement le modèle ARIMA ou le modèle de lissage exponentiel convenant le mieux pour analyser vos données historiques.
• Modelez des centaines de séries temporelles à la fois, plutôt chaque variable à la fois.
• Enregistrez les modèles dans un fichier central pour que les prévisions puissent être mises à jour lorsque les données changent, sans avoir à refaire la configuration des paramètres ou l'estimation des modèles.
• Rédigez des scripts pour mettre les modèles à jour automatiquement.

Modélisation par équation structurelle

• Testez des hypothèses et confirmez les relations tant dans les variables observées que dans les variables latentes — et poussez ainsi la régression plus loin pour en tirer encore plus de données exploitables.
• Créez des modèles reflétant de façon plus réaliste les relations complexes parce que chaque variable numérique, qu'elle soit observée (comme les données non expérimentales d'un sondage) ou latente (comme la satisfaction et la loyauté), peut être utilisée pour prédire n'importe quelle autre variable numérique.
• Faites confiance au cadriciel visuel pour comparer, confirmer et peaufiner les modèles.
• Effectuez des analyses multivariées comprenant et repoussant les limites des méthodes standards — y compris la régression, l'analyse factorielle, la corrélation et l'analyse de variance.
• Tirez parti des trois méthodes d'imputation de données incluses : régression, régression stochastique et bayésienne.

Initialisation

• Estimez rapidement et facilement la distribution de l'échantillonnage d'un estimateur en remplaçant le modèle original (rééchantillonnage).
• Estimez les erreurs types et les intervalles de confiance d'un paramètre de population comme la moyenne, la médiane, la proportion, le ratio d'incidence approché, le coefficient de corrélation, le coefficient de régression, et bien d'autres encore.
• Créez des milliers d'autres versions de vos ensembles de données pour des analyses plus précises.

Évaluation et test d'échantillonnage évolués

• Disposez des outils de planification spécialisés nécessaires pour travailler avec des plans d'échantillonnage complexes — stratifiés, par groupes, à plusieurs degrés.
• Obtenez de meilleurs résultats en tirant parti de l'incorporation du modèle dans l'analyse du sondage.
• Traitez les résultats numériques et catégoriques avec plus de précision dans des plans d'échantillonnage complexes en utilisant des algorithmes pour les analyses et les prévisions.
• Utilisez les assistants fournis pour faciliter la création des plans, l'analyse de données et l'interprétation des résultats.

Outils d'aide à la décision sur la mise en marché directe les produits

• Les segments de clients ou de contacts sont créés en groupant ceux qui se ressemblent, et qui diffèrent nettement des autres.
• Les profils de clients ou de contacts prennent en compte des caractéristiques communes qui permettent de mieux cibler les offres et les campagnes de mise en marché.
• Des cotes de propension servent à identifier les groupes les plus susceptibles d'acheter.
• Les performances d'ensembles d'essais peuvent être comparées pour contrôler les ensembles.
• Les réponses aux campagnes sont classées par code postal.
• Les données des réponses aux campagnes sont intégrées à Salesforce.com (en anglais) pour suivre les clients potentiels et préparer des rapports sur les réseaux de ventes.

Graphiques haut de gamme

• Le logiciel comprend des douzaines de modèles de visualisation pour transmettre des résultats analytiques.
• Pour créer des graphiques à l'aide des fonctions de type glisser-déposer, nul besoin de compétences en programmation.
• Des feuilles de style et des modèles de graphiques peuvent être adaptés pour définir de nouvelles normes à l'échelle de l'entreprise ou s'assortir à la stratégie de marque.
• Les graphiques sont déployés dans des systèmes opérationnels à l'aide des solutions IBM SPSS Collaboration and Deployment Services, IBM SPSS Statistics et IBM SPSS Modeler.
• Le logiciel est compatible avec une foule de sources de données, y compris celles séparées par des délimiteurs, les fichiers de données IBM SPSS Statistics et des sources de bases de données universelles comme DB2, SQL Server, Oracle et Sybase.