Neuerungen in den Versionen 29, 29.0.1 und 29.0.2.

IBM SPSS Statistics 29.0.2

Python-Erweiterungen

Drei neue Python -Erweiterungen sind jetzt im Extension Hub verfügbar:

SPSSINC_TRANS
SPSSINC_MODIFY_TABLES
STATS_UNPAARIG

Allgemeine Verbesserungen: Link zur Seite IBM watsonx.ai im verfügbaren Begrüßungsdialog.; Führen Sie ein Upgrade auf Apache POI von 5.2.1 von 4.1.2 durch, um die Sicherheits-und Schwachstellenprobleme zu beheben.

Veraltete Funktion

Benutzerfeedback: Ab Version 29.0.2 ist Medallia nicht mehr verfügbar, um Feedback bereitzustellen.

IBM SPSS Statistics 29.0.1

Dateneditor: Eine neue Registerkarte Übersicht enthält Informationen zu Merkmalen der Daten in einem Dataset oder einer Datei mit Zusammenfassungen von Variablentypen, Messniveaus, fehlenden Daten und ermöglicht einen Drilldown zu einzelnen Variablen mit entsprechenden Diagrammen und Auswertungsstatistiken auf der Basis von Messniveaudefinitionen.

Analyseprozeduren

Parametrische Überlebensregressionsmodelle für wiederkehrende Ereignisdaten

Klicken Sie auf Analysieren > Überleben > Parametrische gemeinsam genutzte Frailty-Modelle , um parametrische Überlebensmodelle für wiederkehrende Ereignisdaten durch Integration eines gemeinsam genutzten Frailty-Terms zu schätzen. Dieser Begriff wird als Zufallskomponente behandelt, um einen nicht beobachteten Effekt aufgrund der Variabilität auf Einzel-oder Gruppenebene zu berücksichtigen.

PRESS-Statistik (Vorhergesagte Residuenquadratsumme) bei linearer Regression

Klicken Sie auf Analysieren > Regression > Linear und dann auf die Schaltfläche Statistik , um die vorhergesagte Residuenquadratsumme (PRESS) zu erhalten. Dies ist eine gängige Kreuzvalidierungsstatistik zur Bewertung linearer Regressionsmodelle.

Youden-Index für ROC-Kurven (Receiver Operator Characteristic)

Klicken Sie auf Analysieren > Klassifizieren > ROC-Analyse und dann auf die Schaltfläche Anzeigen , um an jedem Punkt entlang einer ROC-Kurve den Youden-Index anzufordern. Youden Index ist eine beliebte Einzelzahl Zusammenfassung der Sensitivität und Spezifität für jeden Trennwert.

Vorhersagen für zufällige Effekte (EBLUPs) in Datasets oder Dateien exportieren, wenn gemischte Modelle geschätzt werden

Klicken Sie auf Analysieren > Gemischte Modelle > Linear . Wenn eine oder mehrere Zufallsspezifikationen die Anzeige von Vorhersagen für zufällige Effekte anfordern, wählen Sie die Schaltfläche Exportieren aus, um neue Datasets oder Dateien mit den EBLUPs zu erstellen.

Klicken Sie auf Analysieren > Gemischte Modelle > Verallgemeinert linear . Wenn eine oder mehrere Random-Spezifikationen die Anzeige von Vorhersagen für zufällige Effekte anfordern, wählen Sie auf der Registerkarte "Modelloptionen" das Element Exportieren aus, um neue Datasets oder Dateien mit den EBLUPs zu exportieren.

Erweiterungen für Dialogfeldfunktionen

Perzentile

Klicken Sie auf Analysieren > Deskriptive Statistik > Perzentile , um auf ein neues Dialogfeld mit uneingeschränktem Zugriff auf alle Perzentilfunktionen in der Prozedur EXAMINE zuzugreifen, einschließlich der Angabe von Quartilen oder benutzerdefinierten Perzentilen, indem Sie eine der fünf verfügbaren Schätzmethoden und Bootstrap-Konfidenzintervalle verwenden.

Klicken Sie auf Analysieren > Deskriptive Statistik > Untersuchenund anschließend auf die Schaltfläche Statistik , um uneingeschränkten Zugriff auf dieselbe Funktion wie das eigenständige Dialogfeld Perzentile zu erhalten.

Lineare Regression

Klicken Sie auf Analysieren > Regression > Linearund anschließend auf die Schaltfläche Statistik , um auf das Markierungsfeld Auswahlkriterien zuzugreifen und auf die Schlüsselwortstatistik AUSWAHL zuzugreifen.

Klicken Sie auf Analysieren > Regression > Linearund dann auf die Schaltfläche Optionen , um das Schlüsselwortniveau TOLERANCE für den Unterbefehl CRITERIA für die Behandlung von Variablen anzugeben, die nahe Kollinearität aufweisen.

Cox-Regression

Klicken Sie auf Analysieren > Überleben > Cox w/Time-Dep Cov , um auf ein neu gestaltetes Dialogfeld zuzugreifen, das jetzt die Spezifikation/Berechnungen von mehrzeitabhängigen Kovariaten für Cox-Regressionsmodelle ermöglicht.

Befehlssyntax

SURVREG RECURRENT: Schätzt parametrische Überlebensmodelle für wiederkehrende Ereignisdaten durch Einbeziehung eines gemeinsamen Frailty-Terms. Dieser Begriff wird als Zufallskomponente behandelt, um einen nicht beobachteten Effekt aufgrund der Variabilität auf Einzel-oder Gruppenebene zu berücksichtigen.
ROC-ANALYSE: Das Schlüsselwort COORDINATES=ROC des Unterbefehls PRINT bietet die Option YOUDEN für den Youden-Index und kombiniert Sensitivität und Spezifität in einem einzigen Maß für Diskriminierung an jedem möglichen Trennwert auf der ROC-Kurve.
MIXED: Fügt einen Unterbefehl OUTFILE mit einem Schlüsselwort EBLUPS hinzu, um EBLUPs oder Parametervorhersagen für zufällige Effekte in Datasets oder .sav -Dateien zu exportieren. Wenn mehrere Gruppen von EBLUPs in RANDOM -Unterbefehlen über Schlüsselwörter SOLUTION angefordert werden, kann das Schlüsselwort FILE_SEPARATE mit TRUE oder FALSE verwendet werden, um Vorhersagen in einem oder mehreren Dateien zu speichern.
GENLINMIXED: Fügt dem Unterbefehl OUTFILE ein Schlüsselwort EBLUPS hinzu, um EBLUPs oder Parametervorhersagen für zufällige Effekte in Datasets oder .sav -Dateien zu exportieren. Wenn mehrere Gruppen von EBLUPs in RANDOM -Unterbefehlen über Schlüsselwörter SOLUTION angefordert werden, kann das Schlüsselwort FILE_SEPARATE mit TRUE oder FALSE verwendet werden, um Vorhersagen in einem oder mehreren Dateien zu speichern.

Allgemeine Verbesserungen

Ändern von Ausgaben: Die Erweiterungen für Ausgabeänderung bieten Direktaufrufe zum Ändern der Ausgabe in den Ausgabe-Pivot-Tabellen, um schnell auf verschiedene allgemeine Funktionen wie Transponieren, Sortieren von Spalten, Ausblenden von Spalten und Hervorheben von Zellen in Spalten zuzugreifen.
Suchdialog: Zu den Erweiterungen am Suchdialogfeld gehören das Suchen nach Variablen, das Durchsuchen der IBM SPSS -Community, das Durchsuchen des IBM SPSS YouTube -Kanals usw.

Veraltete Funktionalität

Import aus und Export in dBase -Dateien: Die Optionen für den Import oder Export in ein dBase -Dateiformat wurden aus der grafischen Benutzerschnittstelle entfernt. Die zugrunde liegende Syntax des Befehls GET TRANSLATE und SAVE TRANSLATE unterstützt diese Funktion weiterhin.
ROC-Kurve: Die Menüs und Dialoge für den ROC-Befehl wurden entfernt und dieser Befehl ist jetzt nur als Syntax verfügbar.

IBM SPSS Statistics 29

Analyseprozeduren

Lineare OLS-Alternativen

Elastic Net: Klicken Sie auf Analysieren > Regression > Lineare OLS-Alternativen > Elastic Net , um eine lineare Elastic Net-Regressionsanalyse zu erhalten. Die neue lineare Elastic Net-Erweiterungsprozedur verwendet die Klasse Python sklearn.linear_model.ElasticNet , um regularisierte lineare Regressionsmodelle für eine abhängige Variable auf mindestens eine unabhängige Variable zu schätzen. Die Regularisierung kombiniert L1 (Lasso) und L2 (Ridge) Strafen. Die Erweiterung enthält optionale Modi zum Anzeigen von Tracediagrammen für verschiedene Alpha-Werte für ein bestimmtes L1 -Verhältnis und zum Auswählen des L1 -Verhältnisses und der Alpha-Hyperparameterwerte auf der Basis der Kreuzvalidierung. Wenn ein einzelnes Modell angepasst oder eine Kreuzvalidierung verwendet wird, um das Penalisierungsverhältnis und/oder Alpha auszuwählen, kann eine Partition mit Holdout-Daten verwendet werden, um die Leistung außerhalb der Stichprobe zu schätzen.
Lasso: Klicken Sie auf Analysieren > Regression > Lineare OLS-Alternativen > Lasso , um eine lineare Lasso-Regressionsanalyse zu erhalten. Die neue lineare Lasso-Erweiterungsprozedur verwendet die Klasse Python sklearn.linear_model.Lasso , um L1 -Verlustregularisierte lineare Regressionsmodelle für eine abhängige Variable auf einer oder mehreren unabhängigen Variablen zu schätzen, und enthält optionale Modi zum Anzeigen von Tracediagrammen und zum Auswählen des Alpha-Hyperparameterwerts auf der Basis der Kreuzvalidierung. Wenn ein einzelnes Modell angepasst oder eine Kreuzvalidierung verwendet wird, um Alpha auszuwählen, kann eine Partition mit Holdout-Daten verwendet werden, um die Leistung außerhalb der Stichprobe zu schätzen.
Spitze: Klicken Sie auf Analysieren > Regression > Lineare OLS-Alternativen > Ridge , um eine lineare Ridge-Regressionsanalyse zu erhalten. Die neue lineare Ridge-Erweiterungsprozedur verwendet die Klasse Python sklearn.linear_model.Ridge , um L2 oder quadrierte lineare Regressionsmodelle für eine abhängige Variable auf einer oder mehreren unabhängigen Variablen zu schätzen, und enthält optionale Modi zum Anzeigen von Tracediagrammen und zum Auswählen des Alpha-Hyperparameterwerts auf der Basis der Kreuzvalidierung. Wenn ein einzelnes Modell angepasst oder eine Kreuzvalidierung verwendet wird, um Alpha auszuwählen, kann eine Partition mit Holdout-Daten verwendet werden, um die Leistung außerhalb der Stichprobe zu schätzen.

Parametrische AFT-Modelle (AFT = Accelerated Failure Time)

Klicken Sie auf Analysieren > Überleben > AFT-Modelle (AFT = Parametric Accelerated Failure Time) , um eine AFT-Modellanalyse (AFT = Parametric Accelerated Failure Time) zu erhalten, die die Prozedur für parametrische Überlebensmodelle mit nicht rekursiven Lebenszeitdaten aufruft. Parametrische Überlebensmodelle gehen davon aus, dass die Überlebenszeit einer bekannten Verteilung folgt. Diese Analyse passt Modelle für die beschleunigte Ausfallzeit mit ihren Modelleffekten proportional zur Überlebenszeit an.

Pseudo-R² -Maße in linearen gemischten Modellen und verallgemeinerten linearen gemischten Modellen

Pseudo-R² -Maße und der klasseninterne Korrelationskoeffizient sind jetzt in der Ausgabe von linearen gemischten Modellen und verallgemeinerten linearen gemischten Modellen enthalten (falls zutreffend). Der Bestimmungskoeffizient R² ist eine häufig gemeldete Statistik, da er den Anteil der Varianz darstellt, der durch ein lineares Modell erklärt wird. Der klasseninterne Korrelationskoeffizient (ICC) ist eine verwandte Statistik, die den Anteil der Varianz quantifiziert, der durch einen Gruppierungsfaktor (Zufallsfaktor) in mehrstufigen/hierarchischen Daten erklärt wird.

Befehlssyntax

GENLINMIXED: Die Ausgabe enthält nun Pseudo-R² -Maße und den klasseninternen Korrelationskoeffizienten (falls zutreffend).
LINEAR_ELASTISCHES_NETZ: Der neue Erweiterungsbefehl verwendet die Klasse Python sklearn.linear_model.ElasticNet , um Regularisierte lineare Regressionsmodelle für eine abhängige Variable auf mindestens eine unabhängige Variable zu schätzen.
LINEARES_LASSO: Der neue Erweiterungsbefehl verwendet die Klasse Python sklearn.linear_model.Lasso , um L1 -Verlustregularisierte lineare Regressionsmodelle für eine abhängige Variable auf einer oder mehreren unabhängigen Variablen zu schätzen. Der Befehl enthält optionale Modi zum Anzeigen von Tracediagrammen und zum Auswählen des Alpha-Hyperparameterwerts, der auf der Kreuzvalidierung basiert.
LINEARE_RIDGE: Der neue Erweiterungsbefehl verwendet die Klasse Python sklearn.linear_model.Ridge , um L2 oder quadrierte verlustregularisierte lineare Regressionsmodelle für eine abhängige Variable auf mindestens einer unabhängigen Variablen zu schätzen. Der Befehl enthält optionale Modi zum Anzeigen von Tracediagrammen und zum Auswählen des Alpha-Hyperparameterwerts, der auf der Kreuzvalidierung basiert.
MIXED: Die Ausgabe enthält nun Pseudo-R² -Maße und den klasseninternen Korrelationskoeffizienten (falls zutreffend).
SURVREG AFT: Der neue Befehl ruft die Prozedur für parametrische Überlebensmodelle mit nicht wiederkehrenden Laufzeitdaten auf.

Python -und R-Upgrades

Python 3.10.4 und R 4.2.0 sind Teil von IBM® SPSS® Statistics 29.

Fälle auswählen – verdeckte Fälle

Nicht ausgewählte Fälle werden nicht mehr im Dateneditor ausgeblendet, wenn ein Subset der Fälle ausgewählt wird. Nicht ausgewählte Fälle werden nicht verworfen. Dies stellt eine Rückkehr zum Verhalten von Statistics 27.0.1 und früheren Versionendar.

Violindiagramme

Die Grafikkarte Template Chooser enthält ein neues Violindiagramm, das eine Mischung aus Box-und Kerndichtendiagrammen ist. Violindiagramme zeigen Spitzen in den Daten an und werden verwendet, um die Verteilung numerischer Daten zu visualisieren. Im Gegensatz zu einem Boxplot, der nur Auswertungsstatistiken anzeigen kann, stellen Geigendiagramme Auswertungsstatistiken und die Dichte jeder Variablen dar.

Funktionale Erweiterungen der Übungsunterlagen

Zwei neue Symbolleistenelemente für Arbeitsmappen: Alle Syntaxfenster anzeigen/ausblenden und Alle Ausgabe löschen.
Neue Schaltfläche in der Statusleiste, um zwischen dem klassischen Modus (Ausgabe und Syntax) und dem Arbeitsmappenmodus zu wechseln.

Erweiterungen für die Suche

Die Suchfunktion bietet jetzt Optionen zum direkten Eingeben von Begriffen in ein Symbolleistenfeld und zum Anzeigen von Ergebnissen in einem Dropdown-Teilfenster.