A la une

Modèles linéaires généralisés (GLM)

Décrivez la relation entre une variable dépendante et un ensemble de variables indépendantes. Utilisez des options flexibles de conception et de contraste pour estimer les moyennes et les écarts et tester et prévoir les moyennes. Combinez et faites correspondre des prédicteurs catégoriques et continus pour créer des modèles. Utilisez des modèles linéaires mixtes afin d'obtenir une plus grande précision pour prédire les résultats non linéaires. Formulez des dizaines de modèles, y compris des plans en parcelles divisées, des modèles à niveaux multiples avec covariance des effets fixes et des plans expérimentaux en blocs aléatoires complets.

Modèles linéaires généralisés (GENLIN)

Fournit une structure d’unification comprenant des modèles linéaires classiques avec des variables dépendantes distribuées normalement, des modèles logistiques et probit pour les données binaires, et des modèles log-linéaires pour les données d'effectif, ainsi que divers autres modèles de régression non standards. Appliquez de nombreux modèles statistiques généraux utiles, notamment la régression ordinale, la régression de Tweedie, la régression de Poisson, la régression Gamma et la régression binomiale négative.

Modèles linéaires mixtes/modèles linéaires hiérarchiques (HLM)

Modélisez les moyennes, les écarts et les covariances dans les données indiquant une corrélation et une variabilité non constante. Formulez des dizaines de modèles, y compris des plans en parcelles divisées, des modèles à niveaux multiples avec covariance des effets fixes et des plans expérimentaux en blocs aléatoires complets. Faites une sélection parmi 11 types de covariance non spatiaux. Améliorez la précision à partir de données de mesures répétées, y compris les situations dans lesquelles il existe différents intervalles pour différents cas, ou les deux.

Procédures d'équations d'estimation généralisées (GEE)

Etendez les modèles linéaires généralisés afin de leur permettre de traiter les données longitudinales corrélées et les données en cluster. Modélisez les corrélations au sein des sujets.

Modèles linéaires mixtes généralisés (GLMM)

Accédez à quasiment tous les types de jeux de données (notamment données d'enquêtes, bases de données d’entreprise, données téléchargées depuis le Web) et gérez et analysez-les virtuellement. Exécutez la procédure GLMM avec des valeurs ordinales pour créer des modèles plus précis lors de la prévision des résultat non linéaires, par exemple pour prédire si l'indice de satisfaction d'un client entrera dans la catégorie faible, moyenne ou élevée.

Procédures d'analyse de survie

Faites votre choix dans un ensemble de techniques complet qui vous permet de comprendre les événements finaux, tels qu'une panne de composant, un décès ou une survie. Utilisez les estimations de Kaplan-Meier pour évaluer la durée avant la survenue d'un événement. Sélectionnez la régression de Cox pour exécuter une régression aléatoire proportionnelle avec le temps avant la réponse ou la durée de la réponse comme variable dépendante.

Détails techniques

Logiciels requis

IBM SPSS Advanced Statistics nécessite une licence IBM SPSS Statistics Base en cours de validité.

  • Prérequis : IBM SPSS Statistics

Configuration matérielle

  • Processeur : 2 GHz ou plus
  • Affichage : 1024 x 768 ou plus
  • Mémoire : 4 Go de RAM obligatoire, 8 Go de RAM ou plus recommandés
  • Espace disque : 2 Go ou plus

Voir le fonctionnement

Acheter maintenant et se lancer