Пропустить общее меню / Skip Global Navigation

+7 (495) 229-56-11  Квадрат SPSS  info@predictive.ru

Модуль IBM SPSS Advanced Statistics

Анализ сложных взаимосвязей при помощи мощных инструментов построения моделей

В SPSS Advanced Statistics заложены процедуры, которые позволять продвинуться за рамки базового анализа данных.

Анализ данных станет более точным при помощи процедур, лучше учитывающих свойства исследуемых данных, чем базовые инструменты.

В SPSS Advanced Statistics реализован широкий круг многомерных методов моделирования для решения реальных практических задач, таких как

  • Анализ уровней выживаемости пациентов в медицинских исследованиях
  • Контроль производственных процессов в промышленности
  • Исследования в области фармакологии
  • Маркетинговые исследования: определение отношения к товарам

Анализ данных в IBM SPSS Advanced Statistics

Построение более гибких моделей

Общая линейная модель

(ОЛМ / Generalized linear model — GLM) предоставляет большую гибкость в описании взаимосвязей между зависимой переменной и набором независимых переменных. Среди имеющихся моделей: линейная регрессия, одномерный дисперсионный анализ, одномерный ковариационный анализ, многомерный дисперсионный анализ и многомерный ковариационный анализ.

В процедуре ОЛМ предусмотрена и возможность работы с повторными измерениями, смешанными моделями, апостериорными критериями, апостериорными критериями для повторных измерений, четырьмя видами сумм квадратов, парными сравнениями ожидаемых маргинальных средних; специальные методы обработки пропущенных значений и возможность сохранения матрицы плана и файла эффектов.

Использование более точных прогностических моделей при работе с данными иерархической структуры

Смешанные линейные модели

Смешанные линейные модели расширяют возможности общей линейной модели, используемой в процедуре ОЛМ, предоставляя возможности анализа коррелированных данных и данных с непостоянной дисперсией. Например, корректное использование данных о студентах в студенческих группах или о потребителях в домашних хозяйствах позволяет повысить точность и надежность моделей.

Использование данных вложенной структуры, например, данных о студентах внутри студенческих групп или о потребителях в домашних хозяйствах требует процедур моделирования, учитывающих тот факт, что наблюдения из одной и той же группы или домашнего хозяйства могут быть схожи друг с другом. Процедура Смешанные линейные модели обеспечивает гибкость в формулировании широкого спектра моделей, включая повторные измерения.

Смешанная линейная модель позволяет моделировать не только средние значения, но также дисперсии и ковариации. Гибкость этой процедуры позволяет проверять широкий спектр моделей. Имеется возможность использования моделей повторных измерений, включая неполные повторные измерения, когда число наблюдений для разных объектов наблюдения различно.

В процедуре Смешанной линейной модели можно подбирать модели однофакторного дисперсионного анализа (ANOVA) с фиксированными эффектами, модель рандомизированных полных блоков, модель только случайных эффектов, модель случайных коэффициентов, многоуровневый анализ, безусловная модель линейного роста, модель линейного роста с ковариатами, модель повторных измерений, с ковариатами, зависящими от времени.

Моделирование порядковых откликов

Новая процедура Политомическая универсальная логит-модель (PLUM) дает возможность предсказывать порядковые исходы с более, чем двумя категориями. Например, можно исследовать факторы, влияющие на уровень интереса (низкий, средний, высокий) покупателей к товару.

Разложение дисперсии на компоненты

Процедура оценки компонент дисперсии предоставляет ряд методов оценки компонент дисперсии для каждого случайного эффекта в смешанных моделях. Оценивание компонент дисперсии после проведения анализа в рамках Общей линейной модели (ОЛМ), дающего корректные результаты тестов на наличие эффектов, позволяет оценивать дисперсию случайных факторов.

Спецификация моделей, адекватных данным

IBM SPSS Advanced Statistics поможет в тех случаях, когда данные не соответствуют предположениям, необходимым для применения более простых статистических методов. В IBM SPSS Advanced Statistics есть процедуры логлинейного и иерархического логлинейного анализа для построения моделей на основе многовходовых таблиц сопряженности, содержащих встречаемости (частоты). При помощи процедуры общего логлинейного анализа можно анализировать встречаемости по наблюдениям, попадающим в категории таблиц сопряженности. Можно выбрать до 10 факторов, задающих ячейки таблицы. Информация о модели и статистики согласия модели формируются автоматически. Можно выводить диагностические статистики и графики, а также сохранять остатки и предсказанные значения в рабочем файле данных.

Анализ истории событий и данных о длительности

IBM SPSS Advanced Statistics позволяет исследовать данные времени жизни или длительности процессов для анализа таких терминальных событий, как отказ деталей, случаи смерти или выживания. В IBM SPSS Advanced Statistics входят современные процедуры Каплана-Мейера и регрессия Кокса. Оценивание Каплана-Мейера применяется для анализа интервалов времени до наступления события, а регрессия Кокса оценивает модель пропорциональных рисков, где в качестве зависимой переменной выступает время до наступления события. Эти процедуры, наряду с имеющейся процедурой анализа таблиц дожития, составляют гибкий и полный набор методов для работы с данными о выживаемости.

Добейтесь успеха…

Требуетcя помощь?

Подобрать конфигурацию ПО, вид лицензии, оценить решение, рассказать о функционале смогут наши консультанты. Обращайтесь: +7 (495) 229-56-11, info@predictive.ru


Ближайшие учебные курсы

4 сентября. Введение в IBM SPSS Conjoint

7–8 сентября. Введение в IBM SPSS Decision Trees

12–14 сентября. Анализ и прогнозирование временных рядов с помощью IBM SPSS Forecasting

18–19 сентября. Введение в IBM SPSS Statistics

22 сентября. Представление данных с помощью IBM SPSS Custom Tables

25–26 сентября. Эффективные приемы работы в IBM SPSS Statistics

 
 

Регистрируйтесь