SPSS Amos

Gestire facilmente la modellazione di equazioni strutturale

IBM SPSS Amos specificare, stimare, valutare e presentare i modelli per mostrare le relazioni ipotizzate tra le variabili. Il software consente di sviluppare modelli in modo più accurato rispetto alle tecniche di statistica multivariata standard. Gli utenti possono utilizzare la GUI (Graphical User Interface) o l'interfaccia programmatica non grafica.

SPSS Amos consente di sviluppare modelli attitudinali e comportamentali che riflettono le relazioni complesse. Il software:

Fornisce procedure SEM (Structural Equation Modeling) facili da utilizzare e consente di confrontare, confermare e perfezionare facilmente i modelli.
Utilizza l'analisi bayesiana per migliorare le stime dei parametri dei modelli.
Offre diversi metodi di imputazione dei dati per creare dataset differenti.

Fornisce SEM

Sviluppare rapidamente modelli grafici utilizzando gli strumenti di editing e drag-and-drop.
Creare modelli che riflettono in modo realistico le relazioni complesse.
Utilizzare qualsiasi valore numerico, osservato o latente, per prevedere qualsiasi altro valore numerico.
Utilizzare funzionalità di scripting non grafiche per gestire più rapidamente i modelli complessi e per creare modelli simili.
Trarre vantaggio dall'analisi multivariata per estendere i metodi standard, inclusi regressione, analisi dei fattori, correlazione e analisi delle variazioni.

Utilizza l'analisi bayesiana

Migliorare le stime specificando una distribuzione preventiva delle informazioni.
Trarre vantaggio dal metodo computazionale Markov Chain Monte Carlo (MCMC), più veloce e modificabile automaticamente.
Eseguire le stime con dati censurati e categorici ordinati.
Creare modelli basati su dati non numerici, senza assegnare classificazioni numeriche ai dati.
Utilizzare i dati censurati senza impiegare procedure predittive straordinarie.

Offre diversi metodi di imputazione dei dati

Utilizzare l'imputazione di regressione per creare un unico dataset completo.
Utilizzare l'imputazione della regressione stocastica o l'imputazione bayesiana per creare più dataset di imputazione.
È anche possibile attribuire i valori mancanti o le classificazioni variabili latenti.