Feature-Highlights

GLM (General Linear Model)

Beschreiben Sie die Beziehung zwischen einer abhängigen Variable und einer Reihe von unabhängigen Variablen. Verwenden Sie hierfür flexible Design- und Kontrastoptionen, um Durchschnittswerte und Varianzen zu schätzen und Durchschnittswerte zu testen und vorherzusagen. Stellen Sie nach Bedarf kategoriale und stetige Prädiktoren zusammen, um Modelle zu erstellen. Verwenden Sie lineare heterogene Modelle, um bei der Vorhersage nicht linearer Ergebnisse eine höhere Genauigkeit zu erzielen. Formulieren Sie Dutzende von Modellen wie Split-Plot-Design, mehrstufige Modelle mit Fixed-Effects-Kovarianz und Randomized-Complete-Block-Design (RCB).

GENLIN (Generalized Linear Model)

Stellen Sie ein vereinheitlichtes Framework bereit, das klassische lineare Modelle mit normalverteilten abhängigen Variablen, logistischen und Probit-Modellen für Binärdaten und loglineare Modelle für Zähldaten sowie verschiedene andere vom Standard abweichende Regressionsmodelle umfasst. Wenden Sie zahlreiche allgemein gültige statistische Modelle an wie ordinale Regression, Tweedie-Regression, Poisson-Regression, Gamma-Regression und negative binomiale Regression.

Linear heterogene Modelle/hierarchisch-lineare Modelle (HLM)

Modellmittelwerte, Varianzen und Kovarianzen in Daten, die Korrelationen und nicht konstante Variabilität anzeigen. Formulieren Sie Dutzende von Modellen wie Split-Plot-Design, mehrstufige Modelle mit Fixed-Effects-Kovarianz und Randomized-Complete-Block-Design (RCB). Wählen Sie aus elf nicht räumlichen Kovarianztypen. Verbessern Sie die Genauigkeit mit Messwiederholungsdaten (einschließlich Situationen mit unterschiedlichen Anzahlen an Messwiederholungen) und/oder unterschiedlichen Intervallen für unterschiedliche Fälle.

GEE-Verfahren (Generalized Estimating Equations)

Erweitern Sie verallgemeinert lineare Modelle so, dass sie korrelierte Longitudinaldaten und in Gruppen zusammengefasste Daten aufnehmen. Modellieren Sie Korrelationen innerhalb von Subjekten.

GLMM (Generalized Linear Mixed Model)

Sie können auf Datasets nahezu jeder Art zugreifen, sie verwalten und analysieren, einschließlich Umfragedaten, Unternehmensdatenbanken, aus dem Web heruntergeladene Daten. Führen Sie die GLMM-Prozedur mit ordinalen Werten aus, um präzisere Modelle erstellen zu können, wenn Sie nicht lineare Ergebnisse vorhersagen. Beispiel: Liegt die Zufriedenheit eines Kunden unterhalb der Kategorie "niedrig", "mittel" oder "hoch"?

Verfahren zur Überlebensanalyse

Wählen Sie aus einer flexibel einsetzbaren und umfassenden Reihe von Verfahren, um terminale Ereignisse wie Teileschaden, Schaden mit Todesfolge oder Fortbestandsraten besser zu verstehen. Nutzen Sie Kaplan-Meier-Schätzungen, um die Zeitdauer eines Ereignisses zu messen. Nutzen Sie die Cox-Regression, um proportionale Hazard-Regressionen mit "time-to-response" oder "duration response" als abhängigen Variablen durchführen zu können.

Technische Details

Softwarevoraussetzungen

IBM SPSS Advanced Statistics erfordert eine gültige IBM SPSS Statistics-Basislizenz.

  • Voraussetzung: IBM SPSS Statistics

Hardwarevoraussetzungen

  • Prozessor: 2 GHz oder schneller
  • Anzeige: 1024*768 oder höher
  • Hauptspeicher: 4 GB RAM erforderlich, 8 GB RAM oder mehr empfohlen
  • Plattenspeicher: 2 GB oder mehr

Funktionsweise sehen

Jetzt kaufen und loslegen