Accueil
Analyses
SPSS
SPSS Statistics
Advanced Statistics
IBM SPSS Advanced Statistics fournit un ensemble sophistiqué de techniques et de modèles analytiques univariés et multivariés. Il comprend les modèles linéaires mixtes généralisés (GLMM), les modèles linéaires généraux (GLM), les procédures de modèles mixtes, les modèles linéaires généralisés (GENLIN) et les procédures d’équations d’estimation généralisées (GEE). Tirez des connaissances profondes des données afin de résoudre des problèmes concrets dans des disciplines telles que la fabrication, les produits pharmaceutiques et les études de marché.
Ce module est inclus dans l’édition Premium de SPSS pour les environnements sur site et dans le module complémentaire Custom Tables and Advanced Statistics pour les plans d’abonnements.
Prenez rendez-vous pour discuter de la manière dont SPSS Advanced Statistics peut répondre aux besoins de votre entreprise.
Décrivez la relation entre une variable dépendante et un ensemble de variables indépendantes. Utilisez des options de plan et de contraste flexibles pour estimer les moyennes et les variances, et tester et prévoir les moyennes. Mélangez et associez des prédicteurs catégoriels et continus pour générer des modèles. Utilisez des modèles mixtes linéaires pour une plus grande précision lors de la prévision des résultats non linéaires. Elaborez des dizaines de modèles, notamment des plans en parcelles divisées (split-plot), des modèles multi-niveaux avec covariance à effets fixes et des plans en blocs (RCBD).
Fournissez un cadre unifiant qui inclut des modèles linéaires classiques avec des variables dépendantes normalement distribuées, des modèles de type logit et probit pour les données binaires, et des modèles log-linéaires pour les données de comptage ainsi que divers autres modèles de type régression non standard. Appliquez de nombreux modèles statistiques généraux, notamment la régression ordinale, la régression Tweedie, la régression de Poisson, la régression gamma et la régression binomiale négative.
Modélisez des moyennes, des variances et des covariances dans les données qui affichent une corrélation et une variabilité non constante. Elaborez des dizaines de modèles, notamment des plans en parcelles divisées (split-plot), des modèles multi-niveaux avec covariance à effets fixes et des plans en blocs (RCBD). Sélectionnez parmi 11 types de covariance non spatiale. Améliorez la précision avec des données de mesures répétées, y compris des situations dans lesquelles il existe différents nombres de mesures répétées, différents intervalles pour différents cas ou les deux.
Développez des modèles linéaires généralisés pour prendre en charge les données longitudinales corrélées et les données en grappes. Modélisez les corrélations au sein des objets.
Accédez, gérez et analysez pratiquement tout type d’ensemble de données, y compris les données d’enquêtes, les bases de données d’entreprise ou les données téléchargées depuis le Web. Exécutez la procédure GLMM avec des valeurs ordinales pour créer des modèles plus précis lors de la prévision de résultats non linéaires, par exemple pour déterminer si le niveau de satisfaction d’un client se situera dans la catégorie basse, moyenne ou élevée.
Cliquez sur le lien suivant pour consulter un PDF contenant l’ensemble des modules et des fonctionnalités des versions de licence.
Choisissez entre deux options de déploiement : une licence traditionnelle ou une version par abonnement. Ce module fait partie des packs SPSS Statistics de licence traditionnelle. Pour comparer les packs SPSS Statistics et savoir où se trouve ce module, cliquez sur le lien de la page de produit suivant. Les modules ne sont compatibles qu’avec les versions de licence traditionnelle. La version par abonnement regroupe les mêmes fonctionnalités dans trois modules complémentaires dont l’abonnement est facultatif.
Choisissez parmi un ensemble flexible et complet de techniques pour comprendre les événements finaux tels que les pannes de pièces, la mort ou les taux de survie. Utilisez les estimations Kaplan-Meier pour évaluer le délai jusqu’à un événement. Sélectionnez la régression de Cox pour effectuer une régression à risque proportionnel avec pour variable dépendante le délai de réponse.