Puntos destacados de la característica

Modelos lineales generales (GLM)

Describen la relación entre una variable dependiente y un conjunto de variables independientes. Utilice opciones flexibles de diseño y contraste para estimar las medias y las varianzas, así como para realizar pruebas y predicciones de medias. Combine y concilie predictores continuos y categóricos para crear modelos. Utilice modelos lineales mixtos para obtener mayor precisión en las predicciones de resultados no lineales. Formule docenas de modelos, incluyendo diseños Split-Plot, modelos multinivel con covarianza de efectos fijos y diseño de bloques aleatorios completos.

Modelos lineales generalizados (GENLIN)

Proporcionan una infraestructura unificada que incluye modelos lineales clásicos con variables dependientes distribuidas normalmente, modelos probit y logísticos para datos binarios y modelos loglineales para datos de recuento, así como diversos modelos de tipos de regresión no estándar. Aplique múltiples y prácticos modelos estadísticos generales, incluyendo la regresión ordinal, la regresión de Tweedie, la regresión de Poisson, la regresión de Gamma y la regresión binomial negativa.

Modelos lineales mixtos/lineales jerárquicos (HLM)

Modele medias, varianzas y covarianzas en datos que muestren variabilidad correlacionada y no constante. Formule docenas de modelos, incluyendo diseños Split-Plot, modelos multinivel con covarianza de efectos fijos y diseño de bloques aleatorios completos. Seleccione entre 11 tipos de covarianza no espacial. Mejore la precisión con datos de mediciones repetidas, incluyendo situaciones en las que hay distintos números de mediciones repetidas, diferentes intervalos para casos distintos o ambos.

Procedimientos de ecuaciones de estimación generalizada (GEE)

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

Modelos mixtos lineales generalizados (GLMM)

Acceda, gestione y analice prácticamente 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 generar modelos más precisos en las previsiones de resultados no lineales, como determinar si el nivel de satisfacción del cliente caerá bajo la categoría baja, media o alta.

Procedimientos de análisis de supervivencia

Elija entre un conjunto completo y flexible de técnicas para comprender sucesos terminales, como fallos de piezas, muerte o tasas de supervivencia. Utilice estimaciones Kaplan-Meier para calcular la duración de un suceso. Seleccione la regresión de Cox para realizar una regresión de riesgo proporcional con tiempo de respuesta o respuesta de duración como la variable dependiente.

Detalles técnicos

Requisitos de software

IBM SPSS Advanced Statistics requiere una licencia válida de IBM SPSS Statistics Base.

  • Requisito previo: IBM SPSS Statistics

Requisitos de hardware

  • Procesador: 2 GHz o más rápido
  • Monitor: 1024*768 o superior
  • Memoria: se requieren 4 GB de RAM, se recomiendan 8 GB de RAM o más
  • Espacio de disco: 2 GB o más