SPSS Advanced Statistics

Tecniche di modellazione avanzate per analizzare le relazioni complesse

IBM SPSS Advanced Statistics offre tecniche di modellazione univariate e multivariate che consentono agli utenti di ottenere conclusioni più accurate utilizzando dati che descrivono relazioni complesse. Queste tecniche di analisi avanzate sono applicate frequentemente per ottenere informazioni dettagliate dai dati utilizzati in settori come ricerca medica, produzione, farmaceutica e ricerche di mercato.

SPSS Advanced Statistics offre le seguenti funzionalità:

General linear models (GLM) e procedure di modelli misti.
Generalized linear models (GENLIN) che includono modelli statistici ampiamente utilizzati, come la regressione lineare per le risposte distribuite normalmente, modelli logistici per dati binari e modelli loglineari per il conteggio dei dati.
Procedure generalized estimating equations (GEE) estendono le procedure GLM (Generalized Linear Model) per gestire i dati longitudinali correlati e i dati dei cluster.
GLMM (Generalized Linear Mixed Model) da utilizzare con dati gerarchici e una vasta gamma di risultati, inclusi i valori ordinali.
Procedure di analisi di sopravvivenza per esaminare i dati permanenti e con scadenza.

GLM (General Linear Model)

Descrivere le relazioni tra una variabile dipendente e una serie di variabili indipendenti. I modelli includono: ANOVA (analysis of variance) a effetti fissi, ANCOVA (analysis of covariance), MANOVA (multivariate analysis of variance) e MANCOVA (multivariate analysis of covariance).
Utilizzare opzioni di contrasto e progettazione flessibili per valutare i metodi e le varianze e per testare e prevedere i metodi.
Associare e confrontare i predittori categorici e continui per sviluppare modelli diversi.
Utilizzare LMM (Linear Mixed Models) più precisi per la previsione dei risultati non lineari; ad esempio, quale prodotto si presume acquisterà il cliente, considerando le strutture dei dati gerarchici.
Formulare decine di modelli, inclusi progettazione split-plot, modelli multilivello con covarianza a effetti dissi e progettazione di blocchi completi casuale.

GENLIN (Generalized Linear Model)

Fornire un framework unificato che include CLM (Classical Linear Model) con variabili dipendenti distribuite normalmente, modelli logistici e probit, modelli loglineari per il conteggio dei dati e altri modelli di regressione non standard.
Applicare più modelli di statistica generali utili, incluse la regressione ordinale, la regressione Tweedie, la regressione Poisson, la regressione Gamma e la regressione binomiale negativa

Procedure GEE (Generalized Estimating Equations)

Estendere le procedure GLM (Generalized Linear Model) per gestire i dati longitudinali correlati e i dati dei cluster.
Modellare le correlazioni dei soggetti.

GLMM (Generalized Linear Mixed Model)

Accedere, gestire e analizzare ogni tipo di dataset, inclusi i dati di sopravvivenza, i database aziendali o i dati scaricati dal Web.
Gestire la procedura GLMM con valori ordinali per sviluppare modelli più accurati e prevedere risultati non lineari, quali il livello di soddisfazione dei clienti.

Procedure di analisi di sopravvivenza

Scegliere tra una serie flessibile e completa di tecniche per comprendere gli eventi terminali, come percentuali di sopravvivenza, cessazione o errore.
Utilizzare le stime Kaplan-Meier per misurare la durata di un evento.
Selezionare la regressione di Cox per eseguire la regressione dei rischi proporzionale con variabili dipendenti, quali tempo di risposta o risposta della durata.