Полезные сведения о функциях

Общие линейные модели (GLM)

Описывают взаимосвязи между зависимой переменной и набором независимых переменных. Дополнительные возможности гибкого дизайна и сравнения позволяют оценивать средние значения и дисперсию, а также проверять и прогнозировать средние значения. Предусмотрены возможности подбора категорийных и непрерывных факторов для построения моделей. Линейные смешанные модели помогают прогнозировать нелинейные результаты с большей точностью. Возможно определять десятки моделей, среди которых план с расщепленными делянками, многоуровневые модели с фиксированными эффектами в матрице ковариации и рандомизированный полноблочный план.

Обобщенные линейные модели (GENLIN)

Предоставляют объединяющую среду, которая включает классические линейные модели с зависимыми переменными с нормальным распределением, логит- и пробит-модели для двоичных данных, логарифмически линейные модели для расчетных данных и множество других нестандартных моделей регрессионного типа. Применяют многие полезные статистические модели: порядковая регрессия, распределение Твиди, регрессия Пуассона, регрессия Гамма и отрицательная биномиальная регрессия.

Линейные смешанные модели/иерархические линейные модели (HLM)

Моделируют средние значения, дисперсии и ковариации данных, в которых обнаруживается корреляция и непостоянная изменчивость. Возможно определять десятки моделей, среди которых план с расщепленными делянками, многоуровневые модели с фиксированными эффектами в матрице ковариации и рандомизированный полноблочный план. Для выбора доступно 11 типов непространственной ковариации. Можно получить более точные результаты, работая с данными повторяющихся измерений, в которых меняется их количество и (или) интервалы для разных случаев.

Обобщенные процедуры оценочных уравнений (GEE)

Расширяют обобщенные линейные модели для возможности обработки связанных динамических и кластеризованных данных. Моделируют корреляции в рамках субъектов.

Обобщенные линейные смешанные модели (GLMM)

Предоставляют возможность доступа, обработки и анализа наборов данных практически любого вида, в том числе данных опросов, корпоративных баз данных или данных, загруженных из Интернета. Выполнение процедуры GLMM с порядковыми значениями позволяет строить более точные модели при прогнозировании нелинейных результатов, например будет ли степень удовлетворенности клиентов относиться к категории Низкая, Средняя или Высокая.

Процедуры анализа выживаемости

Предоставляют гибкий и обширный набор методов, которые позволяют понять заключительные события - интенсивность отказов элементов, процент смертности или коэффициент выживаемости. Позволяют применять метод Каплан-Майера для оценки времени до наступления события. Позволяют выбрать регрессию Кокса для выполнения метода пропорциональной регрессии рисков, используя в качестве зависимой переменной время до ответа или продолжительность ответа.

Техническая информация

Требования к программному обеспечению

Для IBM SPSS Advanced Statistics требуется действующая лицензия базового уровня на IBM SPSS Statistics.

  • Предварительные требования: IBM SPSS Statistics

Требования к аппаратному обеспечению

  • Процессор: тактовая частота не менее 2 ГГц
  • Монитор: разрешение не менее 1024 x 768
  • Память: достаточно 4 ГБ оперативной памяти; рекомендуется 8 ГБ
  • Свободное место на диске: не менее 2 ГБ

Узнайте, как это работает

Купите сейчас и начните работу