IBM SPSS Advanced Statistics kullanıcıların karmaşık verilerle çalışırken en doğru sonuçlara ulaşmasına yardımcı olmak için tek ve çok değişkenli modelleme teknikleri(Generalized linear mixed models(GLMM), General linear models(GLM), mixed models procedures, Generalized linear models(GENLIN) ve Generalized estimating equations(GEE)) sunmaktadır.
Bu gelişmiş analitik teknikler kullanırak tıbbi araştırma, üretim, ilaç ve pazar araştırması gibi alanlarda verilerdeki gizli ve karmaşık ilişkileri ortaya çıkarabilirsiniz.


 

Öne Çıkan Özellikler

Basit analizlerin ötesine geçin

Çok kategorili hedef değişkenlerin ve zamana bağlı kategorik hedef değişkenlerin daha detaylı analiz edilmesini sağlayabilir, hiyerarşik yapılı verilerin modellenmesini ve belirli bir olayın gerçekleşmesine kalan zamanın tahminlenmesini sağlayabilirsiniz.

Esnek modeller geliştirin

GLM prosedürünü kullanarak bağımlı değişken ile birden fazla bağımsız değişken arasındaki ilişkiyi doğrusal regresyon, ANOVA, ANCOVA, MANOVA ve MANCOVA gibi ileri seviyesi analiz yöntemleri ile açıklayabilirsiniz.

Karmaşık veriler ile daha etkin çalışın

Linear mixed model prosedürü ile GLM yöntemlerine ek bir boyut kazandırarak yüksek koreleasyona ve değişen varyans sorununa sahip veri setlerini analiz edebilirsiniz.

İleri seviyeli modelleme yöntemleri kullanın

Temel modelleme tekniklerinin gerektirdiği varsayımları sağlayamadığını durumlarda loglinear ve hiyerarşik loglinear modelleme yöntemlerini kullanarak veri analizi yapabilirsiniz.

Olay geçmişi ve dönem verilerini analiz edin

Yaşam zamanı analizleri yaparak ölüm, sağkalım, arıza gibi olayları tahmin edebilirsiniz.

Anahtar Özellikler

Bağımlı değişken ile bağımsız değişler arasındaki ilişkiyi anlatır. Modeller doğrusal regresyon, varyans analizi (ANOVA), kovaryans analizi (ANCOVA), çok değişkenli varyans analizi (MANOVA) ve çok değişkenli kovaryans analizini (MANCOVA) içerir.

Ortalamaları ve varyansları hesaplamak, ayrıca ortalamaları test ve tahmin etmek için esnek tasarım ve karşılaştırma seçenekleri kullanır.

Model kurmak için kategorik ve sayısal tahmin edicileri karıştırıp eşleştirerek, olası birçok modelden en uygununu seçin.

Doğrusal olmayan sonuçlar tahmin edilirken doğruluğu artırmak için doğrusal karma modeller kullanılır. Örneğin; bir müşterinin hiyerarşik ve iç içe geçmiş veri yapılarını dikkate alarak satın alma olasılığı gibi.

Bölünmüş çizişler (split-plot) tasarımı, sabit kovaryans etkili çok aşamalı modeller ve rastgele tamamlanmış blok tasarımını da içeren düzinelerce modeli formüle eder.

Normal dağılmış bağımlı değişkenler içeren klasik doğrusal modeller, ikili veriler için lojistik ve probit modelleri, sayısal veriler için logaritmik doğrusal modeller gibi diğer standart olmayan regresyon modelleri çeşitlerine birleştirici bir çerçeve sağlar.

Sıralı regresyon, Tweedie regresyon, Poisson regresyon, Gamma regresyon ve nagatif binom regresyonu içeren genel istatistiksel modellere başvurur.

Doğrusal Karma Modeller / Hiyerarşik Doğrusal Modeller (HLM)

Korelasyonu ve sabit olmayan değişkenliği gösteren verilerin ortalamalarını, varyanslarını ve kovaryanslarını modeller. Örneğin sınıfların içindeki öğrenciler veya ailelerdeki tüketiciler.

Bölünmüş çizişler (split-plot) tasarımı, sabit kovaryans etkili çok aşamalı modeller ve rastgele tamamlanmış blok tasarımını da içeren düzinelerce modeli formüle eder.

Aralarında birinci dereceden ön bağımlılık, heterojenlik ve birinci dereceden otoregresif çeşitlerin de bulunduğu, 11 uzaysal olmayan kovaryans çeşidinden birini seçer.

Farklı sayıda tekrarlanan ölçümler, farklı gözlemlerin farklı aralıkları ya da her ikisi gibi tekrarlanan ölçümlerle çalışırken daha doğru sonuçlar verir.

Genelleştirilmiş doğrusal modelleri ilişkili boylamsal veriler ve kümelenmiş verilerin kullanımı için genişletir.

Konular içerisindeki ilişkileri modeller.

 

Araştırma verileri, kurumsal veritabanları veya internetten yüklenen verileri de içeren hemen hemen her türlü veri setine erişir, yönetir ve analiz eder.

Bir müşterinin memnuniyet seviyesinin düşük, orta veya yüksek kategorisinin altına düşüp düşmeyeceği gibi doğrusal olmayan sonuçlar tahmin edilirken sıralı değerlerle daha doğru modeller kurmak için GLMM yöntemi çalıştırılır.

 

Kısmi yetmezlik, ölüm veya hayatta kalma oranları gibi ölümcül hastalık olaylarını anlamak için esnek ve kapsamlı bir dizi teknik seçebilirsiniz.

Bir olayın zaman uzunluğunu ölçmek için Kaplan-Meier tahminlemesini kullanabilirsiniz.

Zamana veya sürece dayalı cevaplar ile orantılı tehlikeler regresyonu yapmak için Cox Regresyonunu seçebilirsiniz. 

Deneme sürümü bulunmamaktadır.