Funzione in evidenza

GLM (General Linear Model)

Descrivere le relazioni tra una variabile dipendente e una serie di variabili indipendenti. Utilizzare opzioni di contrasto e progettazione flessibili per valutare i metodi e le varianze e per testare e prevedere i metodi. Associare e confrontare i predittori categorici e continui per sviluppare modelli. Utilizzare LMM (Linear Mixed Models) più precisi per la previsione dei risultati non lineari. Formulare decine di modelli, inclusi progettazione split-plot, modelli multilivello con covarianza a effetti dissi e progettazione di blocchi completi casuale.

GENLIN (Generalized Linear Model)

Fornire un framework unificato che include CLM (Classical Linear Model) con variabili dipendenti distribuite normalmente, modelli logistici e probit, modelli loglineari per il conteggio dei dati e altri modelli di regressione non standard. Applicare più modelli di statistica generali utili, incluse la regressione ordinale, la regressione Tweedie, la regressione Poisson, la regressione Gamma e la regressione binomiale negativa.

LMM (Linear Mixed Model)/HLM (Hierarchical Linear Model)

Modellare metodi, varianze e covarianze nei dati che presentano correlazioni e variabilità non costante. Formulare decine di modelli, inclusi progettazione split-plot, modelli multilivello con covarianza a effetti dissi e progettazione di blocchi completi casuale. È possibile scegliere tra 11 tipi di covarianze non spaziali. Migliorare la precisione con dati di misure ripetute, incluse situazioni in cui esistono numeri diversi di misurazioni ripetute, intervalli differenti per casi diversi o entrambi.

Procedure GEE (Generalized Estimating Equations)

Estendere le procedure GLM (Generalized Linear Model) per gestire i dati longitudinali correlati e i dati dei cluster. Modellare le correlazioni dei soggetti.

GLMM (Generalized Linear Mixed Model)

Accedere, gestire e analizzare ogni tipo di dataset, inclusi i dati di sopravvivenza, i database aziendali o i dati scaricati dal Web. Gestire la procedura GLMM con valori ordinali per sviluppare modelli più accurati e prevedere risultati non lineari, quali il livello di soddisfazione dei clienti.

Procedure di analisi di sopravvivenza

Scegliere tra una serie flessibile e completa di tecniche per comprendere gli eventi terminali, come percentuali di sopravvivenza, cessazione o errore. Utilizzare le stime Kaplan-Meier per misurare la durata di un evento. Selezionare la regressione di Cox per eseguire la regressione dei rischi proporzionale con variabili dipendenti, quali tempo di risposta o risposta della durata.

Dettagli tecnici

Requisiti software

IBM SPSS Advanced Statistics richiede una licenza IBM SPSS Statistics Base valida.

  • Prerequisito: IBM SPSS Statistics

Requisiti hardware

  • Processore: 2 GHz o superiore
  • Schermo: 1.024 x 768 o superiore
  • Memoria: 4 GB di RAM richiesti, 8 GB di RAM o più consigliati
  • Spazio su disco: almeno 2 GB

Scopri come funziona