SPSS Statistics Professional

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.
• Excluez certaines catégories, affichez des cellules dans valeur et ajoutes des totaux partiels aux 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 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.

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.