SPSS Advanced Statistics

Potentes técnicas de modelado para analizar relaciones complejas

IBM SPSS Advanced Statistics ofrece técnicas de modelado univariado y multivariado para que los usuarios extraigan conclusiones más precisas del trabajo con datos que describen relaciones complejas. Estas sofisticadas técnicas analíticas normalmente se aplican para extraer conocimientos de los datos utilizados en disciplinas como la investigación médica, la fabricación, las farmacéuticas y la investigación de mercado.

SPSS Advanced Statistics proporciona las siguientes funcionalidades:

  • Procedimientos de modelos lineales generales (GLM) y de modelos mixtos.
  • Modelos lineales generalizados (GENLIN), que incluyen los modelos estadísticos más utilizados, como la regresión lineal para respuestas distribuidas con normalidad, modelos logísticos para datos binarios y modelos loglineales para datos de recuento.
  • Modelos mixtos lineales, denominados también modelos lineales jerárquicos (HLM), que expanden los modelos lineales generales que se utilizan en el procedimiento GLM con el fin de poder analizar los datos que muestran correlación y variabilidad no constante.
  • Procedimientos de las ecuaciones de estimación generalizadas (GEE) que amplían los modelos lineales generalizados para acomodar datos longitudinales correlacionados y datos en clúster.
  • Modelos mixtos lineales generalizados (GLMM) para utilizar con datos jerárquicos y una amplia variedad de resultados, incluidos valores ordinales.
  • Procedimientos de análisis de supervivencia para examinar el tiempo de vida o la duración de los datos.

Modelos lineales generales (GLM)

  • Describa la relación entre una variable dependiente y un conjunto de variables independientes. Los modelos incluyen regresión lineal, análisis de varianza (ANOVA), análisis de covarianza (ANCOVA), análisis multivariado de varianza (MANOVA) y análisis multivariado de covarianza (MANCOVA).
  • Utilice opciones de contraste y diseño flexible para estimar medias y varianzas y para probar y prever medias.
  • Combine y empareje predictores continuos y categóricos para crear modelos, escogiendo entre diversas posibilidades de creación de modelos.
  • Utilice modelos mixtos lineales para conseguir mayor precisión a la hora de prever resultados no lineales, tales como qué es más probable que compre un cliente, teniendo en cuenta estructuras de datos anidados y jerárquicos.
  • Formule docenas de modelos, incluidos el diseño de parcela dividida, modelos de múltiples niveles con covarianza de efectos fijos y diseño en bloques aleatorizados completos.

Modelos lineales generalizados (GENLIN)

  • Proporcione un entorno de unificación que incluya modelos lineales clásicos con variables dependientes distribuidas con normalidad, modelos logísticos y probit para datos binarios y modelos loglineales para datos de recuento, así como diversos modelos de tipo regresión no estándar.
  • Aplique diversos modelos estadísticos generales útiles, incluido el modelo de regresión ordinal, regresión Tweedie, regresión Poisson, regresión Gamma y regresión binomial negativa.

Modelos mixtos lineales/modelos lineales jerárquico (HLM)

  • Modele promedios, varianzas y covarianzas en los datos que muestran correlación y variabilidad no constante, por ejemplo alumnos anidados en aulas o consumidores anidados en familias.
  • Formule docenas de modelos, incluidos el diseño de parcela dividida, modelos de múltiples niveles con covarianza de efectos fijos y diseño en bloques aleatorizados completos.
  • Seleccione entre 11 tipos de covarianza no espacial, incluidos la antidependencia de primer orden, el tipo heterogéneo y el autoregresivo de primer orden.
  • Obtenga resultados más precisos cuando trabaje con datos de medidas repetidos, incluidas las situaciones en las que hay distintas cantidades de medidas repetidas, intervalos distintos de casos distintos, o ambos.

Procedimientos de las ecuaciones de estimación generalizadas (GEE)

  • Amplíe los modelos lineales generalizados para acomodar datos longitudinales correlacionados y datos en clúster.
  • Modele correlaciones en sujetos.

Modelos mixtos lineales generalizados (GLMM)

  • Acceda, gestione y analice de forma virtual cualquier tipo de conjunto de datos, incluidos los datos de encuestas, bases de datos corporativas o datos descargados de la web.
  • Ejecute el procedimiento GLMM con valores ordinales para crear modelos más precisos al prever resultados no lineales como si el grado de satisfacción de un cliente será bajo, medio o alto.

Procedimientos de análisis de supervivencia

  • Seleccione de entre un conjunto completo y flexible de técnicas para comprender eventos terminales, como rotura de piezas, tasas de mortalidad o supervivencia.
  • Utilice las estimaciones de Kaplan-Meier para calcular la duración de un evento.
  • Seleccione la regresión de Cox para ejecutar una regresión de riesgos proporcionales con el tiempo de respuesta o duración de respuesta como la variable dependiente.

Recursos de SPSS Advanced Statistics

Comprar SPSS Advanced Statistics

Potentes técnicas de modelado para analizar relaciones complejas

IBM Software Suscription y Software Support está incluido en el precio del producto para el primer año.

Descarga del software online después de la compra - sin gastos de envío.

No disponible para la compra online. Otros medios de compra o solicitar información adicional.

¿Necesita ayuda? Contacte IBM

Mostrar información Ocultar información

Una manera fácil de adquirir nuestros productos u obtener más información.

Contáctenos

Una manera fácil de adquirir nuestros productos u obtener más información.

Recursos de SPSS Advanced Statistics

SPSS Advanced Statistics

 

 

 

IBM Software

 

RIF: J-00019078-0