SPSS Advanced Statistics

Puissantes techniques de modélisation pour l'analyse des relations complexes

IBM SPSS Advanced Statistics offre des techniques de modélisation univariée et multivariée pour aider les utilisateurs à atteindre les conclusions les plus précises lorsqu'ils travaillent avec des données décrivant des relations complexes. Ces techniques d'analyse sophistiquées sont souvent appliquées pour obtenir des informations plus approfondies à partir des données utilisées dans des disciplines telles que la recherche médicale, la fabrication, l'industrie pharmaceutique et les études de marché.

SPSS Advanced Statistics offre les capacités suivantes :

Procédures de modèles linéaires généralisés (GLM) et de modèles mixtes.
Modèles linéaires généralisés (GENLIN), notamment les modèles statistiques largement utilisés comme la régression linéaire pour les réponses normalement distribuées, les modèles logistiques pour les données binaires et les modèles log-linéaires pour des données de comptage.
Modèles linéaires mixtes, dits modèles linéaires hiérarchiques (HLM), qui étendent les modèles linéaires généralisés utilisés dans la procédure GLM afin que vous puissiez analyser les données ayant des corrélations et une variabilité non constante.
Procédures d'équations d'estimation généralisées (GEE) qui étendent les modèles linéaires généralisés pour prendre en compte les données longitudinales corrélées et les données groupées.
Modèles linéaires mixtes généralisés (GLMM) pour utilisation avec les données hiérarchiques et un large éventail de résultats, comme les valeurs ordinales.
Procédures d'analyse de survie pour examiner les données de durée de vie ou de durée.

Modèles linéaires généralisés (GLM)

Décrire la relation entre une variable dépendante et un ensemble de variables indépendantes. Les modèles incluent la régression linéaire, l'analyse de variance (ANOVA), l'analyse de covariance (ANCOVA), l'analyse de variance multivariée (MANOVA) et l'analyse multivariée de la covariance (MANCOVA).
Utilisez une conception flexible et des options de contraste pour estimer les moyennes et les variances et pour tester et prédire les moyennes.
Mélangez et faites correspondre prédicteurs indépendants et continus pour construire des modèles, en choisissant parmi de nombreuses possibilités de création de modèle.
Utilisez les modèles linéaires mixtes pour une plus grande précision lors de la prédiction de résultats non linéaires, tels que ce que le client est susceptible d'acheter, en prenant en compte les structures de données hiérarchiques et imbriquées.
Formulez des dizaines de modèles, y compris des conceptions split-plot, des modèles à plusieurs niveaux avec une covariance à effets fixes et des conceptions par blocs complets randomisés.

Modèles linéaires généralisés (GENLIN)

Fournissez un cadre fédérateur qui comprend des modèles linéaires classiques avec des variables dépendantes normalement distribuées, des modèles logistiques et probit pour les données binaires et des modèles log-linéaires pour les données d'effectif ainsi que divers autres modèles de type régression non standard.
Appliquez de nombreux modèles statistiques généraux utiles, notamment la régression ordinale, la régression de Tweedie, la régression de Poisson, la régression Gamma et la régression binomiale négative

Modèles linéaires mixtes / hiérarchiques (HLM)

Modélisez les variances et les covariances présentes dans les données ayant des corrélations et une variabilité non constante (ex. : étudiants d'une salle de classe, familles de consommateurs, etc.).
Formulez des dizaines de modèles, y compris des conceptions split-plot, des modèles à plusieurs niveaux avec une covariance à effets fixes et des conceptions par blocs complets randomisés.
Choisissez parmi 11 types de covariances non spatiaux (ante-dépendance de premier ordre, hétérogène et autorégressif de premier ordre).
Obtenez des résultats plus précis lorsque vous travaillez avec des mesures répétées, y compris dans des situations où il existe soit un nombre différent de mesures répétées, soit différents intervalles pour différents cas, ou les deux.

Procédures d'équations d'estimation généralisées (GEE)

Étendez les modèles linéaires généralisés pour prendre en compte les données longitudinales corrélées et les données groupées.
Modélisez les corrélations à l'intérieur des sujets.

Modèles linéaires mixtes généralisés (GLMM)

Accédez, gérez et analysez pratiquement n'importe quel type de jeu de données, y compris les données d'enquête, les bases de données d'entreprise ou les données téléchargées sur le Web.
Exécutez la procédure GLMM avec des valeurs ordinales pour construire des modèles plus précis lors de la prédiction de résultats non linéaires tels que le fait de déterminer si le niveau de satisfaction du client va se situer dans une catégorie basse, moyenne ou élevée.

Procédures d'analyse de survie

Choisissez parmi un ensemble flexible et complet de techniques pour comprendre les événements finaux tels que la défaillance d'une pièce, la mort ou les taux de survie.
Utilisez les estimations de Kaplan-Meier pour mesurer la durée d'un événement.
Sélectionnez la régression de Cox pour effectuer une régression à hasard proportionnel avec le temps de réponse ou la durée de réponse comme variable dépendante.

Ressources SPSS Advanced Statistics

Logiciel d'évaluation : IBM SPSS Statistics Desktop (US)
Identifiez vos meilleurs clients, prévoyez les tendances futures et effectuez une analyse avancée.

Fiche technique : Identifier facilement vos meilleurs clients (US)
Apprenez à mieux connaître votre base de données clients.

Fiche technique : Prenez de meilleures décisions avec vos données imbriquées (US)
Découvrez pourquoi les modèles linéaires mixtes généralisés sont efficaces pour l'analyse de données imbriquées.

Rapport d'analyste : Analyse Prédictive : Hurwitz Victory Index Report
Découvrez pourquoi IBM SPSS a été reconnu "Double Victor" dans le premier "Victory Index" d'Hurwitz & Associates consacré à l'analyse prédictive.